效率工具

跟着ChatGPT4o学全栈，我看到未来“学习”的模样

2024 年 6 月 21 日

阿里妹导读

本文作者用一个GPT4o学习全栈的例子来阐述大模型对学习的影响，以及对于未来学习的思考。

引言

大模型是否会取代人类，以及它将取代哪些工作，这或许是许多人焦虑的问题。对此，众说纷纭，网络上各种观点层出不穷。虽然这些问题对未来的重要性不容忽视，但它们对于当下的我们缺少实际的指导意义。因此，我们不妨暂时将这些问题放在一边，转而关注那些对当前，以及可见的未来都有实际影响的问题。

那么，什么是有影响的问题呢？我认为我们应该关注如何运用大模型。这一观点可能会被一些人所不屑。自古以来，我们对‘器’和‘术’的轻视，往往导致我们忽略了工具的重要性。

事实上，工具的作用是至关重要的，在没有马镫之前，骑兵的优势并不明显，只是冲锋那一下而已。但是有了马镫之后，骑兵可以在奔劳的时候保持平衡，从而更精准地射箭和使用长矛。这个细微的变化让骑兵在战场上具备了更大的机动性和战术灵活性，极大地提升了他们的战斗力。

在今天，我认为大模型在生产力和学习上都会带来深刻的变革，尤其是在学习方面。接下来，我以一个用GPT4o学习全栈的例子来阐述一下大模型对学习的影响，以及对于未来学习的思考。

学习过程

我开始设定一个目标，即期望在一天内搭建一个前端项目，理解其核心代码，并实现一个需求变更。

漫不经心提问=糟糕的回答

首先，我试图向ChatGPT询问一些学习路径。它的回答显得比较机械化，与网上的答案相差不大。实践周期也较长，无法让我满意。

Prompt是决定性的

我意识到，我的Prompt写得有问题，我需要给GPT更明确的背景和要求，所以我重新编写了一版Prompt。

角色：前端技术专家
背景：Java开发工程师，有不错的编程基础，也有一些前端基础，比如HTML，CSS和JavaScript基础
任务：根据上下文中提到的，根据目前的技术水平和学习时间，帮助完善前端学习路径，学习路径如下：1、开启一个Helloworld项目2、学习基础语法3、学习框架React4、项目进化，实现一个待办事项功能
要求：1、Helloworld项目要使用React技术，给出Helloworld的实现步骤，包括环境搭建，使用命令行，以及每个命令的解释2、基础语法要提供ES6的一些基础语法概念，以及这些语法概念的解释3、列举React的一些基础概念，以及这些基本概念的解释4、基于React，给出核心实现代码，以及实现代码的解释

这次GPT的回答结构更清晰，更实用，也更符合预期。

详细的步骤，请参考：

https://chatgpt.com/share/f0b61434-3302-4140-88a9-b64fe8ae986e

先让项目run起来

1.环境安装

这一步比较容易出现问题，我们让GPT给出更详细的步骤。

非常nice，GPT给出了可执行的步骤~ 同时它也给出了其他可选项（使用nvm安装）

如果我们想进一步理解nvm，可以接着追问，这里不再赘述。

2. 运行项目

首先，按照HelloWorld（GPT答案中提供的案例）创建项目，并确保能够正常启动。然后，将TodoApp的代码复制到HelloWorld项目中，直接执行即可。如遇到编译或执行问题，可直接向GPT提问，GPT通常能解决这类问题。

以上过程较为简单，故不再展示。

不熟悉的前端

作为一名后端程序员，入门前端最头疼的有两个方面：

首先，各种“乱七八糟”的符号，变量和函数超级多的定义和赋值方式。

其次，前端框架（如React）的概念理解，例如什么是生命周期，什么又是状态（state）。

没关系??，糟心的事情就让GPT去搞定吧！

理解它，吸收它

搞定糟心的符号

对于无法理解的语法const [todos, setTodos] = useState([]);，让我们交给GPT来解释。

不先考虑表达式右边的useState，我们看一下左边的部分。GPT只解释了[todos, setTodos]是“解构赋值”。那么，我们进一步追问const是什么。

好的，我们现在大概了解了const是用来定义常量的，特别是它的“不可重新赋值”的特性。这是否与Java的final关键字非常相似？让我们让GPT进行一下对比。

难以理解的概念

我们以组件生命周期为例，来看如何利用GPT理解这一概念。

被惊艳到了?，GPT用到了”类比“的方式帮助我们理解生命周期的概念。

对于自己理解上不太确定的点，同样可以向GPT提问。

以上，我们已经基本入门了全栈开发，并且运行了项目。整体来看，我们大概花了2-3个小时，这比预期的一天要快得多。

下面，让我们暂时忘记GPT的神奇，回到文章的初衷，重新思考GPT为学习带来的变革。

大模型为学习注入新的可能性

在讨论之前，我们先了解下学习过程

学习是一个复杂而多阶段的过程，每个阶段都有其独特的特点和目标。我们可以将学习过程分为以下几个阶段：

1.接触（Exposure）：学习的起点。首先，我们需要注意新的信息、知识或技能，并对其产生兴趣。

2.收集（Gathering）：系统地广泛地获取更多相关的信息和资源，以便更全面地理解新知识或技能。

3.理解（Understanding）：指将所收集的信息进行消化、分析和综合，以便形成对新知识或技能的全面认识。

4.记忆（Memorization）：涉及将理解的知识或技能存储在长期记忆中，以便将来可以方便地检索和应用。知识的理解程度对记忆的影响非常大。

5.应用（Application）：指将所学的知识或技能在实际情境中加以运用，以解决问题或完成任务。

6.反馈（Feedback）：根据应用的结果和他人的评价，反思和改进学习方法和策略。

失败的学习随处可见

众所周知，学习过程中最耗费精力的是收集资料。寻找资料源、筛选高质量资料、系统化组织资料，这些任务不仅耗时费力，而且结果往往不尽如人意。

在理解知识的过程中，我们需要大量的阅读、训练和思考。由于缺乏系统指导，学习者常常感到困惑和迷茫。

长周期的学习需要及时反馈。比如，学习一门新的编程语言，从基本语法开始逐步掌握，可能需要一到两个月才能开始实际操作项目。这么长的学习周期可能让我们失去目标感，增加中途放弃的风险，最终可能感到挫败。

在学习过程中，缺乏足够的动力、信息过载、容易陷入单调重复、缺乏实践应用场景、反馈时间过长或无法得到反馈等都是障碍。这些问题都可能导致人们放弃学习。因此，我们常常看到失败的学习案例，而成功有效的学习案例则寥寥无几。

大模型让学习更容易成功

通过上述演示，我们可以看到大型模型在各个学习环节中都能提供巨大的帮助，甚至在某些方面产生颠覆性的影响，这些影响能够提高学习成功的几率。

在资源收集方面，传统的模式（主要是搜索）需要在许多来源中收集。

在此基础上还需要进一步做筛选和判断，这将消耗大量的精力。

然而，大模型在资源收集上有两个优势：

高度整合的知识：大模型拥有大量的高质量知识，尤其在编程方面；
按需定制：大模型可以根据个人水平实现定制化的教学课程；

当然，GPT在这里也有一些限制：

知识更新不及时：通用的大模型不会使用未经验证的知识进行训练，虽然如此，但目前大模型的知识水平已经足够应对大部分的学习需求了。
知识缺乏系统化：大型模型就像一只具有优秀记忆力的鹦鹉，它本身并未形成系统化的知识，需要借助prompt（像本文中学习前端的例子）或agent来实现结构化和系统化。

我们都知道，理解是形成长期记忆的关键，而通过知识的类比和迁移来理解新知识是一种有效的方法。

然而，建立类比和迁移这座连接新旧知识的桥梁并不容易。这不仅需要学习者理解新的概念，还需要将这些概念与已有的知识结构相结合，以便在新的情境中使用。如果对新概念理解不足，或者旧知识基础薄弱，就无法建立这种联系。

大型模型在我们理解知识的过程中带来了新的启示，它具备非常强的知识类比能力。大模型以Java工程师的角度解释了如何理解React组件生命周期。它通过类比Java类的生命周期来讲解React组件，这个方法非常有效。我相信只有既熟悉前端又熟悉后端的人才能如此解释，而GPT的回答如此自然。

同样，当我们尝试用类比（如将state与Java的成员变量进行比较）来理解新知识时，它会给我们提供更丰富的建议，更深入的解释，以及更多样的案例。

反馈对于学习的重要性，毋庸再言。在这一阶段，大模型同样展现出强大的能力。

实时反馈：大型模型能够提供即时反馈，让学习者在学习过程中随时了解自己的表现。例如，当我们完成一段代码或者一个功能时，大型模型可以立即进行审查并提供改进建议。这并不止是效率的提升，更重要的是，它可能会引发更深层的变革。

学习是反人性的，人类也并不擅长学习，重要的原因是学习过程充满未知，可预期性差。尽管人类天生好奇，但遗憾的是这种好奇心并不能维持很长时间。聪明的教育者会运用各种技巧来提升学习的可预期性（更明确的奖赏），以尽可能地延长好奇心的持续时间。

提升反馈效率不仅表面上会提升效率，同时也会提升学习的可预期性，可能大模型会使学习这件事情不那么反人性。

多样化的案例：大模型能够提供多种多样的案例，甚至我们可以用大模型创造案例；

面向未来

既然模型“全知全能”，我们还要不要学习知识？

答案是肯定的：我们仍然需要学习知识。

多年前就有人提出了一个类似的问题：“在现代社会，为什么我们需要记忆呢？我们可以在几秒钟内通过互联网查找到任何需要的事实性信息。”这并不是大数据模型时代特有的问题。我认为，我们仍然需要学习，并应该利用大数据模型来加速学习进程。

首先，知识是思考的基础，没有知识就无法谈论分析能力或批判性思维等高级能力。许多人认为思考过程类似于计算器的功能，计算器具有一系列的函数（如加法、乘法等），这些函数可以应用于任何数据。它的数据和函数是完全分开的。因此，一旦学习了新的函数，就可以处理所有的数字。

然而，人类的思考方式并非如此，至少对大多数人来说，功能（模型）和数据是无法完全分离的。例如，我们能够批判性地思考欧洲地缘政治如何导致第二次世界大战，并不意味着我们也能批判性地思考中东当前的局势。再比如，我们知道在使用金字塔模型进行分类时，应确保每个分类之间既无重叠也无遗漏。然而，即使我们在某个领域成功实现了这一点，但在仅仅理解模型的情况下，并不能保证在另一个领域也能做到无重无漏。

其次，通过知识的学习，可以提高我们的记忆力。我们把人脑分成工作记忆和长期记忆，工作记忆的空间是有限的，它的上限决定了我们的推理能力。这一点其实也很容易理解，当我们涉足到非常专业的领域时，会遇到大量的专有名词。例如，在营销运营领域，我们会遇到像“招选搭投”、“盘货池”这样的专有名词。这些名词都包含大量的背景知识。如果我们不清楚这些知识，我们根本是无法讨论问题（判断、推理、分析、决策等）的。

让我们想象一下，在不熟悉背景知识的情况下，我们如何探讨“直接将盘货池暴露给搭建页面是否合理？”时，首先，我要解释一下什么是盘货池，它是根据特定的商品指标规则圈选的商品集合。然后，我会介绍什么是搭建，在这一通输出之后，估计大家的脑子已经炸了。可是，我们还没有开始讨论真正有意义的内容。

发散一下：这种情况是不是跟当今的大模型所遇到的困境非常像？

实际上，我们可以通过学习知识来解决这个问题。我们可以将知识压缩成一小块一小块，然后存入长期记忆中。当我们需要时，可以随时调取。例如，当我提到"盘货池"这个概念，我们的脑海中立刻会想到"按指标圈选的商品集合"。而且，我们还可以联想到更多，例如它的存储形式，它在数据流向中的位置等等。我们能联想到的内容完全取决于我们的大脑中存储了多少信息。这样，我们就大大节省了工作记忆空间，从而变相地突破了工作记忆空间的限制。另外，学习知识还能更容易地触发长期记忆，也就是说，学得越多，记忆力越好。由于篇幅原因，我就不再详细说明这一点了。

在大模型时代，要怎么学习？

前面，花了大量的篇幅在论证，我们要不要学习，接下来，我们阐述一下，应该怎么学习。

与机器赛跑，仅仅靠技能型学习是不够的

模型最擅长的是什么？显然，大型模型在重复型技能学习方面表现出色。无论是对某种模式的判断，还是执行某些套路化的动作，模型都能高效而准确地完成。在这些领域，人类难以与大模型竞争。

令人沮丧的是，这些技能我们并不能抛弃，并且他们非常重要。就像篮球运动员必须具备扎实的基本功，才能完成复杂的动作一样，基本技能是我们掌握高级能力的基础。没有这些基本技能，任何高层次的应用和创新都无从谈起。

然而，在这个时代，仅仅依赖这些基本技能是不够的。面对“与机器赛跑”的挑战，我们需要培养更高等级的能力，如分析、判断、决策和创新。这些能力能够让我们在与大模型的竞争中脱颖而出。

未来也不全是坏事儿，值得高兴的是，在大模型的加持下，技能型学习过程将显著加快，从而提高这一阶段的学习效率。通过高度整合的、定制化的知识，提供多样化的案例，并及时给予学习者反馈，学习者可以更快地掌握基本技能。这不仅节省了大量的时间和精力，同时也使我们能够将更多的资源投入到更高层次的分析、判断和创新中，促进整体学习效果的提升。

要从技能型学习到专家型学习的转变

专家型学习这个概念不太容易定义，首先解释一下什么是专家能力，以帮助大家理解什么是专家型学习。

不要误解，此专家非彼专家。

首先，专家具备概念框架和分析能力。

当专家面对一个问题时，他们首先会运用概念框架来锚定问题的类型。例如，在处理一个需要在多个服务器之间共享数据的系统时，专家首先会锚定这是一个分布式问题，然后再进一步锚定是分布式当中数据一致性的问题，其后才会着手解决数据如何在不同节点之间实现一致。

其次，专家能够清晰地识别模式、关系和差异。

这一点或许有些抽象。专家不仅能应用概念模型，还能在复杂情境中看清楚各方关系和角色。比如，在设计复杂的软件系统时，专家能识别核心服务和辅助服务，理解它们如何协同工作，并优化接口和数据流。他们能预见扩展系统时的挑战，并提前设计解决方案。

再次，专家具备扎实的基础知识，并能够顺畅地提取和运用这些知识。

扎实的基础是专家型学习的基石。假设一个人连基本的概念都无法理解，就无法指望他能深入分析和解决问题。

那么，什么是专家型学习，或者换句话说，如何通过学习达到专家能力？

扎实的基础知识是专家型学习的第一步，这一步是可以通过系统的学习和反复练习来实现的。然而，令人沮丧的是，后续的高级能力——如分析能力、系统化思维、批判性思维、决策和创新等——并不能通过简单的学习获得。

这些高级能力需要大量实践来培养，我相信阿里的“借事修人”的理念，但是这首先需要我们“躬身入局”。具体来说，主动承担有挑战性的任务，尝试跨领域学习和应用，迫使自己运用高级能力；持续反思和总结经验，改进策略，不断输出，寻求反馈；这样才有可能将高级能力内化为自己的技能。

软实力从来没有变得像今天那么重要

在现今社会，许多技术性的任务可能被机器取代，但判断和决策仍然需要人来完成。因此，在可预见的未来，软实力（沟通能力、同理心、逆商、团队精神、领导力等）的重要性将变得更为突出，比以往任何时候都更为关键。

高效构建企业门户网站

本方案为您介绍如何使用云效将项目代码部署到云服务器ECS，快速完成一个企业门户网站的开发和部署。欢迎点击阅读原文查看详情。

立即咨询 JOTO

JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。联系 JOTO 获取 AI 落地咨询

想把这些做法用到你的业务里?

留下你的场景和痛点,我们帮你判断从哪一步开始。

联系我们

跟着ChatGPT4o学全栈，我看到未来“学习”的模样

搞定糟心的符号

难以理解的概念

与机器赛跑，仅仅靠技能型学习是不够的

要从技能型学习到专家型学习的转变

软实力从来没有变得像今天那么重要

立即咨询 JOTO

想把这些做法用到你的业务里?

开启企业级 AI 落地

填写需求单