可恶的西瓜

在这里分享好的文章和感悟
普通人｜文科生如何学习和使用AI
这是最好的时代
我尽我所能的将焦虑转换成一束火花，成为理想中那个鲜活，思考的自己

[可恶的西瓜 @sumu8062]

@JiangK82705 恭喜🎉🎉超级期待分享中！

[可恶的西瓜 @sumu8062]

@0xEthan666 好厉害！！已经关注了😁

[可恶的西瓜 @sumu8062]

@wd8592356799540 也许是的！要学会和成长还是需要自己来

[可恶的西瓜 @sumu8062]

在AI时代，也许我们需要常常问自己
这项任务，我现在要优化的是产出，还是能力？

今天读了Dan Rockmore 教授的
Should the Classroom Be More Like the Gym?

Rockmore 从一个非常聪明的类比开始：健身房。

我们明明有汽车和电动车，可以更轻松地从 A 到 B，却还是会主动去踩四十五分钟动感单车、举铁、跑步。

这是因为没有人会说：“机器能替我把杠铃举起来，所以我不用练了。”

我们知道，举杠铃的目的从来不是“把铁从低处移动到高处”，而是让身体变强。

可到了学校，逻辑忽然反过来了。

我们通常会思考，如果 AI 能写论文、解题、做作业，甚至这样子可以帮助我们拿到一个更好的分数

“那我为什么还要自己做？”

Rockmore 的回答是：因为我们把教育的“动作”和教育的“目的”混在了一起。

problem set、论文、close reading、证明题，本来就像 bench press。

它们并不是因为你毕业后会天天做这些具体动作才有价值，而是因为它们训练更底层的东西：独立判断、推理、表达、耐受困难、发现错误、重新尝试。

当大学长期把成绩和 credential（文凭/资历）当成显性目标时，学生用 AI 拿到更高效的结果其实是完全理性的；

问题不只在学生，而在于教育系统把“训练”伪装成了“交付物”。

但是这并不意味着所以要禁掉 AI

作者反而认为：让机器去做真正机械的部分——生成练习、标记错误、处理重复性反馈

——但把需要本人承受阻力的部分留下来。
就像健身房会使用跑步机，却不会让跑步机替你跑。（这个比喻实在是精妙）

他还讲到古希腊的 progymnasmata：一套逐步增加难度的修辞训练。
重点不是交出一篇完美文章，而是反复练习不同形式，逐渐建立论证能力。

文章甚至介绍了一些故意让写作变难的工具——不是像现在大多数软件一样消除摩擦，而是重新制造认知阻力。

这让我们不得不去思考

AI 时代真正需要学习的，也许不是哪些事情必须亲手完成，而是哪些摩擦必须亲自经历。

这个区分很重要。

有些摩擦纯粹是浪费：整理格式、机械抄录、重复检索、低价值行政工作。把它们交给 AI，是杠杆。

但另一些摩擦本身就是训练：

卡在一道题目二十分钟；
发现自己的论证有漏洞；
把一个模糊想法逼成清晰句子；
第一次看不懂，再读一次；
预测结果，然后发现自己错了。

如果 AI 在你感到不舒服的第一秒就替你跨过去，它不仅替你完成了任务，也可能替你拿走了适应那个困难的机会。

有时候我们现在正处在一个很特殊的学习时代：课程、金融、数学、编程、AI 工具会同时出现在桌面上。

于是以后最重要的能力之一，不会只是“会不会用 AI”，而是能不能判断：

这里我应该调用 AI，还是应该让自己多受一点认知阻力？

这或许比“能自动化就全部自动化”更加明智。

而且文章提出了一个我很喜欢的教育设计原则：健身之所以容易让人坚持，一个原因是反馈非常清楚——今天举 20kg，下个月 25kg；跑步配速改变，你能感觉得到。

学习却常常几周都看不到自己变强。所以好的教育不只是“增加难度”，还应该让进步变得可见：重复练习、快速反馈、允许重做、把成绩变成 mastery 的副产品，而不是唯一目标。

这其实也解释了为什么人会很容易产生“我学了这么多但感觉自己什么都没学会”的错觉。

认知增长不像肌肉那样能照镜子看到，我们需要主动设计自己的学习反馈回路。

所以以后面对任何 AI 工具，新出的，强大的，在看见他能帮助我们完成的事情之外

也许我们都可以先问一句：

我现在要优化的是产出，还是能力？

如果是产出，尽量用机器。

如果是能力——有些事情我们必须要自己来。

（这不免让我想到之前看见的一片文章，大概讲的是一种矛盾，就当AI的能力愈发迅速的发展，帮助我们完成更多的事情，我们好像很多东西都白学了，因为AI都能完成了，但是要真正和AI协作做好这件事情，却需要的是那些日复一日的练习，一个个失败的产品，是那些AI为我们省去的过程，这很矛盾不是吗？但是我想在这篇文章里我找到了答案）

[可恶的西瓜 @sumu8062]

我的报告提交马上就要截止
但是最终版还在codex那里…
仇人看见也释怀了吧…
啊啊啊啊..

[可恶的西瓜 @sumu8062]

@gkxspace 好方便吧！

[可恶的西瓜 @sumu8062]

@lyn_l0i hi！You’re so nice.

[可恶的西瓜 @sumu8062]

@WeiquanZ68597 我是诚信的人，因为已经完成了！

[可恶的西瓜 @sumu8062]

People who use AI agents a lot:

What’s the most annoying, stupidly inefficient problem you’ve run into — and what actually fixed it?

Not rate limits. Not reset🤣

Context drift, bad handoffs, repeated mistakes, too much babysitting, agents confidently going the wrong way…

Give me the war stories.

I have a feeling we’re all solving the same problems separately.

[可恶的西瓜 @sumu8062]

@Mr57814170 @qingdao114515 哈喽，我已经回复了！

[可恶的西瓜 @sumu8062]

@iuliatech an awesome and brave idea！

[可恶的西瓜 @sumu8062]

@YaoXiao46714 你好！关注了😊

[可恶的西瓜 @sumu8062]

@W2679966465 你好！想要交个朋友，已经关注了！

[可恶的西瓜 @sumu8062]

@Jacksonbebest 你好！交个朋友吧！

[可恶的西瓜 @sumu8062]

@jkcming 你好！已经关注了😊

[可恶的西瓜 @sumu8062]

@eater188888 你好！

[可恶的西瓜 @sumu8062]

@llgoder15 谢谢！相信会越来越被看见的

[可恶的西瓜 @sumu8062]

真正的AI经济，正在普通人手里发生

最近读到 Rest of World 的一篇文章：
The real AI economy is being built by ordinary people.

我喜欢这篇文文章，是因为它几乎没有一直以来那套熟悉的话术。

没有必须在AI时代学会的的技巧
没有“十年以后所有工作都会消失”。
没有 CEO 告诉你未来会怎样。
没有很多很多Agent，MCP的专业词汇和概念

记者去了尼日利亚、印度、中国、台湾、新加坡，找的都是已经在工作的人，然后问一个极朴素的问题：

你现在到底怎么用 AI？

第一个案例就让我觉得很有意思。

24 岁的拉各斯化妆师 Nureeyah Ogunmuyiwa 要第一次招员工，却不会写 JD、不知道怎么设计面试，也不知道应该考察什么。

于是她问 ChatGPT。

后来 AI 逐渐成了她的“隐形公司后台”：招聘、社媒文案、销售话术、产品定价、工作室装修 mood board。她没有工程团队，没有创业融资，甚至一直使用免费版本。

她的说法让我有点感动：
“I have invested my time but not my money.”

文章估算，她认为 AI 大约贡献了业务 5% 的增长。这数字比起很多网上的内容来说似乎不值一提，但是我却觉得它恰恰因此而可信。

另一个案例是班加罗尔的一家小茶馆 Patta Chai，用 AI 分析每日销售、客户反馈、原料成本、电费、人工和附近竞争者价格，甚至开始自己搭 AI agent。

老板并不是程序员。

她原来只是会营销，然后一点点问 AI、看教程、做一个 workflow，再做下一个。

但有些地方她坚决不给 AI。

她说：

“Let humans do that.”

顾客喜欢少糖、今天心情怎么样、人与人之间的招呼、料理和款待——这些仍然需要人

她的原则不是 AI-first。

她甚至明确说：基于她自己数据的数学计算，她愿意信 AI；涉及市场定位、情绪、价值判断，她仍然要用自己的intelligence。

我觉得这比一百篇“未来最重要的 AI 技能是什么”有用。

因为它展示了一个工作分层：

机械认知劳动 → 自动化
数据整理与记忆 → AI
建议与备选方案 → AI 辅助
最终判断 → 人
关系、品味、价值 → 尽量留在人这里

而后是郑州的一位短剧导演，以前拍一部短剧需要大约 50 人、20 万美元、两个月。

到了 2026 年，他的工作室用 AI 生产短剧，只需要大约 10 人、2 万美元、不到一个月。传统摄制组中的演员、摄影、灯光等岗位，很大一部分被 prompt writer、视频生成和剪辑所替代。

我们无法否认这就是 AI 最真实的一面。

它不是统一地：

“帮助所有人提高 20% 效率。”

它同时会发生两件完全相反的事情：

对一个人来说，它是杠杆。

对另一个人来说，它是岗位消失。

而且两者可能发生在同一个行业、同一天。

导演自己也承认，他怀念过去片场里演员、摄影师和灯光师互相碰撞产生的那种“化学反应”；AI 版本更便宜、更快，却失去了一部分偶然创造性。

文章还有一个值得注意的是台湾那位 27 岁私人教练 Philip Yeh。

他不会编程。

过去整理客户训练记录，每个人可能要花半小时。他后来直接让 Claude 帮自己做了一个叫 LinkOS 的应用：记录训练历史、身体状况、目标，在每次上课前自动总结该关注什么。

结果？

他现在有能力额外接 3 个客户。

更重要的是，他开始考虑把这个工具卖给其他私人教练。

他说了很重要的话：

AI 让他有机会不再只出售自己的劳动时间，而能创造属于自己的东西。

我认为这句话比“AI 提高生产率”更加深刻

经济学上可以把它理解成一次从 labour leverage 向 capital leverage 的小规模迁移。

因为原本他的收入模型是：

1 小时 × 1 个客户 = 1 份收入。

这是非常典型的出售劳动时间。

而一旦他把自己的经验编码进一个系统：

1 次开发 → 多个客户 → 甚至其他教练也可以使用。

他开始拥有某种可以重复使用的资本品。

所以这也是为什么我想要分享这篇文章

我们包括我总是在问：

“AI 时代什么行业赚钱？”

我越来越觉得这个问题不够好。

更值得问的是：

“我现在做的哪些事情，只能做一次；有没有办法把其中一部分变成一个以后可以反复工作的系统？”

一篇内容。
一个模板。
一个数据集。
一个 workflow。
一个 agent。
一个小工具。
一个别人也愿意使用的方法。

这才是 AI 真正可能改变个人经济位置的地方。

文章最后还有一个科学家的案例。他用 AI 处理数千页实验、监管和田间试验材料，还用预测模型提高农药田间试验选址效率；在管理工作中，他原先每年花近三周写绩效评价，现在缩短到约一周。与此同时，他明确不把公司的机密资料交给公共模型。

整篇文章贯彻了一个很重要的共同模式：

这些人并没有首先学习：
“怎么成为 AI 专家。”

他们先有一个现实问题。

然后：

问题 → 找工具 → 做一次 → 调整 → 固化流程 → 再往前走一步。

这和网上最容易让人焦虑的 AI 学习路径几乎相反。

并不是：

我得先学完 Agent、MCP、RAG、Python、自动化、模型生态，然后才能开始赚钱。

而是：

我今天有什么重复、昂贵、费时间、做不好的事情，

先改掉一个。

然后第二个。

改变在这里开始

[可恶的西瓜 @sumu8062]

@nitsiecoree Hi！congratulation😊

[可恶的西瓜 @sumu8062]

@qqb16804 你好！😆😊