日记:2026/10/20

·10 min read·

刘润《为什么在今天,学习反而更重要了》——储备式学习与按需式学习的边界

今天读到刘润的一篇文章:为什么在今天,学习反而更重要了?

问题

这一年企业家们反复问他一个问题:AI 来了,还有必要学习吗?

以前弄懂一件事要找书、找课,花时间慢慢学;现在直接问 AI,没听懂让它讲简单点,还不懂让它举个例子。何苦花那么多时间?遇到问题再问不就行了?

他的看法有点不同:很多问题确实可以问 AI,但如果你没有能力判断 AI 回答的质量,那它说什么,你就只能信什么。

所以学习反而更重要了——不是学习量变多,是学习的逻辑变了。

过去:储备式学习

6 岁上小学,22 岁大学毕业,这几十年背元素周期表、推勾股定理、默写《出师表》,读一本本书,上一节节课。

来不及等问题出现,就先把知识系统地「预埋」进身体。

因为没人知道自己这辈子会遇到什么问题——将来是做生意还是搞研究?带团队还是做技术?所以只能提前学。

真等问题来了再学,来不及的。明天要和投资人面谈,今晚才发现自己不太懂财务报表:去书店买本三百多页的书,一晚上啃不完;打电话找懂行的朋友,晚上十一点了,打给谁?

不是世上没有这本书,是你来不及读,甚至不知道该读哪一本。

他把这种叫储备式学习:先储备知识,再等待问题。

今天:临时抱佛脚成为可能

因为有了 AI,按需学出现在才补,居然变得可行。

他举了个例子:给妈妈做了个「AI 化身」——上面有个按钮,妈妈一拍就说「在呢」,然后用他的声音聊天。因为他在飞机上、在开会,常常没法回应。

他不会搞硬件,软件算是懂一点。和 AI 研究一圈,买了块 ESP32-S3 开发板,拼到一起。要把语音识别、大模型上下文、发声串起来得写程序,这种程序他没写过——还是问 AI,把需求告诉它,一段段帮着写,跑不通就改。最后缺个外壳,网上买了别人 3D 打印好的。

没有先学一遍硬件开发,而是先有了一件想做的事,做着做着发现缺什么就补什么。

这叫按需式学习:问题出现了,再围绕它按需摄取知识。

但按需学习有个漏洞

既然需要的时候再学也来得及,那是不是所有东西都按需学就好了?

问题在于:AI 给你一个答案,你怎么知道能不能用?

「接着问啊,问它为什么,让它检查一遍」——可以。可如果你对这件事没有基本理解,它解释一遍你觉得有道理,换个方向再解释一遍,你又觉得有道理,最后该听哪一个,还是不知道。

他之所以能把那个硬件做出来,底气不在于会硬件,而在于写过软件:知道自己想实现什么,能看着运行结果继续找问题,过去学的知识都在帮他理解新答案。

所以,有些知识可以等来了问题再学,有些不行。

三个反例

AI 的建议听起来实际漏了什么
做企业服务想多赚钱,AI 建议扩大规模摊薄成本有道理若每个客户都要定制服务,订单越多人力和管理成本越多,利润不一定上去。规模能否带来利润,要看成本增加的幅度
公司大了部门总扯皮,AI 建议明确责任,每个指标都有负责人有道理我负责利润,但价格由总部定,客户增加的要求又是销售答应的。责任清楚了,争论未必减少。责任归谁,不代表权力自动也归谁
门店数据里买过会员的顾客消费金额更高,AI 建议加大会员推广有道理到底是办了会员才消费更多,还是原本消费多的人更愿意办会员?做决策最忌讳把相关性解读成因果性

这三条合起来是同一句话:

具体的问题,可以按需解决。但支撑判断的基础,需要提前储备。

懂成本结构,才会在「扩大规模」后面追问哪些成本真能被摊薄;理解权责对等,才会去看那个负责人能不能影响结果;知道相关不等于因果,才会对那张漂亮的会员报表留个疑问。

这些东西,你不懂,是想不起来问的。

结论

过去我们学习,是为了知道答案。今天我们学习,更是为了判断答案。

不必把所有能想到的课都学一遍,但至少在自己从事的领域里,建立一套认知框架很有必要。

做生意,要理解收入、成本、利润怎么相互影响;带团队,要弄清目标怎么变成行动、激励怎么影响行为、权责该怎样配合。

框架不建立,当答案如潮水般冲来,你就不知道挂住什么、丢掉什么。

建立框架的过程本身也可以用 AI:读不懂让它解释,觉得抽象让它结合业务举例,感觉自己懂了就用自己话讲一遍,让它帮忙找漏洞——「虽然麻烦,但不能省略」。

AI 能把学习变容易,但「理解」,还要发生在你身上。 当答案越来越容易获得,知道它对不对的能力,就必然越来越稀缺。

一点自己的体会

这篇文章和五天前那篇恰好接得上。

10 月 15 日那篇讲 Anatomy 和 Karpathy 的四种理解形式,说的是以后怎么学——文字、图、交互网页、视频,按需要临时生成一份。当时我在日记里写,这条路解决的是「找不到合适入口」的问题。

今天这篇讲的是另一面:按需学习能拿到材料,但拿不到判断力。

「这些东西,你不懂,是想不起来问的」这句话最扎人。它解释了很多时候用 AI 效果平平的真正原因——不是提示词不够好,是不知道该问什么。脑子里没有那根弦,AI 说得再对也触发不了追问。

所以「按需学习」的成立是有前提的:你得先有一副能接住答案的底子。刘润能靠 AI 拼出硬件,是因为他写过软件、知道什么是「跑不通」;换一个完全没接触过编程的人,AI 给的每一段代码他都没法判断对错,只能反复试错到崩溃。

这也修正了我对一个流行说法的理解。以前常听「不要死记硬背,需要的时候查就行」——在 AI 之前,这句话的代价是查得慢;在 AI 之后,代价变成了分不清查到的东西是真是假。当答案是无限供给的,稀缺的就不再是知识本身,而是分辨力。

顺带记一句:这篇文章通篇没怎么渲染焦虑,落点也很朴素——不用把所有课学一遍,但至少在自己吃饭的那个领域里有一套框架。这个颗粒度是合适的,比「AI 时代人人都要重新学习」这种口号可执行得多。

Twitter