AI 原生系列 · Happy College
你的跳投，就是你的教学大纲。欢迎来到 Happy College。
一分钟速览——你能带走什么
每次训练时，你其实早就在运行世界上最好的学习算法——尝试、诚实的反馈、调整，再来一次，一直逼近你的边界。Happy College 是一个 AI 读书会，把这个循环对准了技术学科：可以直接偷师的体育到机器学习映射；ADEPT（Kalid Azad 的五步法，本着 Feynman 的精神）作为具体操练；再加上一套 AI 技术栈——已验证的阅读清单、活的知识图谱、教学对练——让每一场学习都以一个作品收尾，而不是一堆笔记。
把这一切串起来的规则，借自我们认证软件的方式：没有证据，就不算数。约 7 分钟读完。
你早就掌握过比线性代数还难的东西
也许是一记终于不再打铁的跳投，一个闭着眼都能完成的十字固逃脱，一个转身翻腾，一段干净的揉弦，或者一个你摔了三十次才拿下的 V4 关键动作。成千上万次重复。残酷、即时的反馈。还有——说实话——快乐.
没人管这叫学习。这恰恰就是问题所在。
我们在学校学到的谎言
学校教我们的是：学技术性的内容，就是坐着不动，让信息自己发生在你身上。你的身体可比这聪明。你身上练成的每一项硬功夫，都是靠同一个循环打磨出来的：尝试 → 诚实的反馈 → 微调 → 再来一次，且每次都逼近你能力的边界。
学习科学给这些环节起了名字——刻意练习 [1], 提取练习 [2], 合意难度〔3〕，还有最近发展区〔4〕。篮球场把这些原理全都天然实现了。而讲堂一个都没做到。健身房能给你一件讲堂永远给不了的东西：一个你没法狡辩的反馈回路。篮筐不理会你的借口。水不会按曲线打分。你没法跟一次「拍地认输」讨价还价。
我这么说是有两张文凭撑腰的。一张是博士学位，另一张是被比我小、比我稳的人连续折叠成纸鹤的十年经历。第一家机构收了六位数的学费，十二月给我寄来一张成绩单。第二家每月收 150 美元，每六分钟就用我自己的胳膊当教具，告诉我一次真相。而这两者中，只有一个能让我立刻重新「选课」——那张文凭就长在你身上，颁发形式是淤青。
所以问题不该是「我们能不能一边打篮球一边学 transformer？」而应该更尖锐一点：你每次训练时，其实已经在运行世界上最好的学习算法——Happy College 只是把这个算法对准了技术性的学科。
映射关系（拿去直接用）
把这张表钉在墙上。每一场学习都必须凑齐这三栏：反复的练习、你没法狡辩的反馈、以及一个你真正身处其中的边界。
正确模式
- 冻结评测。 针对一个固定目标做重复训练；测试从不为了讨好你而降低难度。
- 教学即对练。 在对抗性提问下讲解，这种重复练习才能暴露出你到底掌握了多少。
- 每节课一件作品。 进步的单位是你做出来的东西，不是你划过重点的书页。
- AI 是不知疲倦的对练伙伴，人类是验证者。 让机器批量生成候选招式；哨子留在你手里。
反模式
- 移动篮筐。 为了维持进步的感觉而更改测试标准（换更简单的题、更宽容的评委）。
- 看别人的比赛录像。 反复读书、反复看讲座，感觉像是在训练，效果却更像旁观 [2]。
- 全盘相信机器给出的证明。 AI 的输出永远只是候选答案，绝不是定论——下文的业内人士都是吃过亏才学会这一课。
- 没有作品的笔记。 一本你从不重新翻开的笔记本，就是一张你从不使用的健身卡。
方法论：把 ADEPT 用到位
概念层面的训练方法是 ADEPT——由 BetterExplained 的 Kalid Azad 提出 [5]，秉承 Richard Feynman 的教学精神：如果你没法把一个概念简化成一个朋友能听懂的类比，你就还没真正掌握它。
- Analogy 类比——把新知识锚定在你已经训练过、而不只是读过，而不只是读过
- Diagram（图解）——把它画出来；画不出来，就说明你没真正看懂
- Example（举例）——一个具体案例，从头跑到尾
- Plain language（白话）——用大白话讲给你的对练搭档，不许用术语
- Technical（技术定义）——真正的定义，逐项对应回前面的类比
用 60 秒对attention（注意力机制）做一次 ADEPT：这是每个现代 AI 模型内部的机制——一名控球后卫带球推进、读防守（类比）。每个队友都或多或少地在招手要球；球大多传给最空位的那个人——但后卫的判断其实是对所有人的加权综合（白话）。画出五名球员，箭头粗细代表空位程度（图解）。跑一次战术：「the cat sat on the ___」——模型会参考前面哪些词？（举例）。技术上讲：每个词发出一个query（查询），每个词提供一个key（键）；它们的匹配分数经过 softmax 处理后，用来加权混合values（值）——softmax(QKᵀ/√d)V——query 就是后卫的判断，key 是每个队友的空位程度，value 是每个队友拿到球后会做的事（技术层——逐项对应回前面的类比).
这就是一次训练。一节课要做很多次。
当今最厉害的数学家，已经在这样训练了
这不是我们指望它能奏效的比喻，而是研究级数学已经在这么运作了 [6]。当 Ernest Ryu 攻克那个悬置 42 年的开放问题——Nesterov 加速方法的收敛性——时，模型不断给他递上错误的完整证明，其中却包含着正确的中间引理。他跟模型对练：出招、验证、留下能扛住的部分。他的结论是："The use of ChatGPT really accelerated the discovery."（中译：ChatGPT 的使用确实加速了这项发现。） [6] 机器负责海量出招，人类始终握着裁判的哨子。
当 DeepMind 的 AlphaEvolve 在 Bruhat 区间中发现了一个隐藏的超立方体结构时，数学家 Geordie Williamson 说："It's a structure that's been sitting there for 50 years in front of our nose. We just hadn't noticed it."（中译：这个结构其实已经在我们眼前摆了 50 年，只是我们一直没注意到。） [6] 专家们安静地读了五十年；一套高强度、大量出招的系统，找到了旁观者错过的东西。
至于 Terence Tao，他这样描述这些系统真正的用处：它们"very good at scouring big lists of problems for low-hanging fruit. It's tedious and thankless and not something humans want to do."（中译：非常擅长在大量问题清单里筛出唾手可得的成果——这活儿枯燥、不讨好，也不是人类愿意干的。） [6] 一位菲尔兹奖得主，用拳手描述沙袋的说法，描述自己的 AI——那部分你一个人绝不会去反复练的招式，AI 替你无限次地打。机制可以浓缩成一句话：AI 让尝试变得廉价；诚实的验证让尝试真正算数；人类提供品味。
AI 技术栈（这部分在五年前根本不存在）
只有群聊的读书会，那只是个读书俱乐部。Happy College 是一座训练场，因为如今这套工具终于齐备了：
- 一份已验证的课程，不是一堆链接的堆砌。 社区阅读清单专栏（AI 与 AI-for-research 板块现已上线；数学、物理、CS、生物即将推出）：每个链接均经机器验证，每条条目都带有 Statement · Quote · Evidence · Actions · Patterns · 1st Principle 六项，每处空白都如实标出。
- 活的知识，而非死的笔记。 像
/living-knowledge和/graphify这样的技能，能把每次学习都变成一张常保新鲜的知识图谱——一张你可以查询的地图，而不是一本你再也不会翻开的笔记本。 - 一个追踪你「正在成为谁」的分身。 我们的参与引擎为你建模两个自我——一个是你的习惯正在塑造的自我，一个是你想成为的自我——两者之间的差距，就是你的教学大纲。
- 聆听者 → 参与者 → 创造者，一次课就走完全程。 俱乐部的结业标准是：你离开时，不该只是「读过」attention；你该已经教过一遍、被搭档「对练」攻击过一遍，并用它造出了一件小小的作品。
- 只有一扇门。 allin-anything 会把任何意图——比如「吃透这篇论文」——路由到正确的工具，让机器永远不会挡在你和这一次训练之间。
一节课到底长什么样（60 分钟）
- 热身（5 分钟）： 提取，而非复习——冷启动写下你上周还记得的内容 [2]。没错，这就是一次突击测验。我们只是换了个说法，原因就跟没人卖「自愿受苦」、但人人都在卖 CrossFit 一样。
- ADEPT 冲刺（20 分钟）： 一个概念，五个动作，最后落到逐项对应的映射上。
- 对练（20 分钟）： 两两一组。你来讲；搭档用「如果……会怎样崩掉？」这类问题来攻击你。被「拍地认输」也是数据，不是失败。
- 构建一个作品（10 分钟）： 一件微小的作品——20 行代码、一张图、一个完整算过的例子。做创造者，不做记笔记的人。
- 记录（5 分钟）：这件作品会被录入活的知识图谱，下周的热身就从这里取材。
你带走的是一件作品，而不是一堆笔记。 这个指标是二元且公开的：每位成员每次都要产出一件作品，零例外。连续记录会被追踪；找借口不算一个单位。
加入
Happy College 就是大学本该有的样子：健身房的快乐、实验室的严谨，再加上一整套 AI 工具栈，让每个学习者都拥有精英运动员一直拥有的东西——一位教练、一个对练搭档，还有一块不会说谎的记分牌。
从我们出发的地方开始：从AI 阅读清单里挑一项，带上你练过的最难的一项体能技能，准备好把两者对应起来。想加入第一批学员？点击本页顶部的✉️ 免费清单按钮。
你的跳投，就是你的教学大纲。Happy College 见。
参考文献
以存活测试为标准挑选：每一篇都经过了数十年的复现与实践检验，而不是昙花一现的热潮。
- Ericsson, K. A., Krampe, R. T., & Tesch-Römer, C. (1993). The role of deliberate practice in the acquisition of expert performance. Psychological Review, 100(3), 363–406. doi:10.1037/0033-295X.100.3.363
- Roediger, H. L., & Karpicke, J. D. (2006). Test-enhanced learning: Taking memory tests improves long-term retention. Psychological Science, 17(3), 249–255. doi:10.1111/j.1467-9280.2006.01693.x
- Bjork, E. L., & Bjork, R. A. (2011). Making things hard on yourself, but in a good way: Creating desirable difficulties to enhance learning. In M. A. Gernsbacher et al. (Eds.), Psychology and the Real World (pp. 56–64). Worth Publishers.
- Vygotsky, L. S. (1978). Mind in Society: The Development of Higher Psychological Processes. Harvard University Press.
- Azad, K. 《用 ADEPT 方法学会难懂的概念》 BetterExplained。 betterexplained.com/articles/adept-method
- 《数学界的 AI 革命已经到来》 Quanta Magazine (2026)。 quantamagazine.org——Ryu、Williamson 与 Tao 的引言出处，已逐字核实。