我如何学习AI：从模糊愿望到可行动目标

背景

本文是作者在经历了三个月内两次业务重大变动后，对自己学习 AI 过程的第二次复盘。作者意识到，在 AI 时代知识专业性与经验通用性之间的张力会越来越突出。2024 年 7 月 4 日，他组织了第一次线下小型 AI 茶话会，主题围绕“普通人如何理解 AI 的基本逻辑与边界，如何真正开始使用它，以及如何凭借自己的问题意识进入正在变化的技术现场”。本文即是对该茶话会内容的系统梳理，同时也补充了上一篇系列文章中未完成的部分。

核心内容

作者将茶话会的核心思想组织为三个递进的问题，每个问题对应一套可操作的方法。

问题一：我们真的知道自己要什么吗？

很多人说“想学 AI”“想提高效率”“想做一个项目”，但这些表述往往源于 FOMO（害怕错过）情绪，是一种模糊愿望，无法直接转化为行动。作者引用杜威在《How We Think》中的观点：反思性思维的起点不是已经定义好的问题，而是一种模糊的困难、困惑或不确立感。人要先感到哪里不对、哪里卡住，然后逐步定位、定义问题，再通过观察和实验修正。

针对这个问题，作者提出了一个三步骤方法：

1. 反问：不要急着让 AI 给答案，而是先让 AI 帮你反问隐藏条件。例如目标“我想做一个 AI 茶话会”，可以反问：给谁听？他们真正卡在哪里？听完后应该能做什么？不是为了什么？什么样的内容会太远、有用？

2. 改写：将模糊愿望逐步改写为更清楚的问题。从“我想做一个 AI 茶话会”开始，第一轮改成“给 10 人以内、对 AI 好奇但不熟悉的朋友做一场轻松的小分享”，第二轮改成“希望他们离开时知道如何从一个真实任务开始使用 AI”，第三轮改成“用我准备茶话会的过程做案例，展示模糊目标如何借助 AI 变成宣传语、资料、讲稿、展示页和现场演示”。

3. 定边界：清晰化不仅包括“要什么”，也要明确“不要什么”。例如茶话会不是正式演讲、不是工具培训课、不是模型名词科普、不是焦虑贩卖。

最终形成一个可复用的框架：模糊愿望 → 反问澄清 → 改写问题 → 划定边界 → 形成可行动目标。

问题二：一个目标如何变成路径？

目标清楚后，从目标到行动还有距离。作者引入设计领域的“双钻模型”（Double Diamond）：先发散理解问题，再收敛定义问题；然后再发散寻找方案，最后收敛成交付物。很多人一上来就让 AI 给方案，但问题空间未打开时，AI 只能给出最平庸的方案。

以茶话会为例，宏观目标拆成六个阶段：

• 第一阶段：确定主题——“普通人如何从一个模糊目标开始，用 AI 完成一个小任务”。
• 第二阶段：写宣传语，要有思想感但不正式。
• 第三阶段：整理参考资料（图灵、杜威、信息论、控制论、技术与文明、人机共生）。
• 第四阶段：形成内容结构（茶话会的几个单元）。
• 第五阶段：现场演示（选择 Codex App 生成展示页）。
• 第六阶段：交付材料（如入门清单）。

通用框架为：宏观目标 → 阶段目标 → 具体交付物 → 验收标准 → 实现路径。验收标准需明确，例如：非技术背景的人能听懂，听完后能说出一个自己想尝试的小任务，知道 AI 不是一次性答案机器，知道结果需要人工审查。

问题三：执行为什么不是一次完成？

很多人对 AI 的期待是一次输入、一次最终答案。但真实工作是一个循环：先做出粗糙版本，看哪里不对，补充信息，重新修改，再交付。作者补充了两个理论：

• PDSA（Plan-Do-Study-Act）：先计划，再执行，再研究结果，最后调整行动，是持续改进的循环。
• 控制论：系统通过信息和反馈调节，不是发出命令就结束，而是看结果与目标的偏差并调整。

在实践中，使用 AI 应遵循五步框架：规划 → 执行 → 审查 → 修正 → 交付。规划阶段先让 AI 复述目标、拆步骤；执行阶段生成初稿；审查阶段检查是否偏离目标、事实是否准确、语气是否合适；修正阶段将偏差说清楚让 AI 重调；最终由人决定是否交付。

实践体悟

作者分享了自己的实际项目经验：从最初在实习中用 AI 搓出批量生图工作流（用于头皮检测模型训练和腾讯广告投放），到做素食食谱小程序（输入食材出菜谱、拍照识别评分），再到探索 Agent Memory 架构并学习 Figma 做出页面。他发现所有学习都跟具体问题绑定，过程中不断犯错和失败，但也获取微小成功。最终，他能够分辨什么是“戏论”（空谈）什么是有价值的内容。他认为判断 AI 是否朝正确方向去的方法很简单：犯错了就知道了，但难点在于人们往往很难接受自己错了。

关键要点

• 模糊愿望必须经过反问、改写、定边界三步，才能变成可行动目标，否则 AI 只会给出通用方案。
• 双钻模型：先发散理解问题再收敛定义，再发散寻找方案再收敛交付，避免过早进入解决方案。
• 通用目标分解框架：宏观目标 → 阶段目标 → 具体交付物 → 验收标准 → 实现路径，可套用于各类任务。
• AI 使用不是一次对话，而是规划→执行→审查→修正→交付的循环，人作为反馈机制至关重要。
• PDSA 和控制论思想是理解反馈循环的理论基础，对学习 Agent 开发很有帮助。
• 学习与具体问题绑定，犯错和失败是正常且必要的，成功往往来自对错误的接纳和修正。
• 判断 AI 是否能朝正确方向：犯错就知道了，但需要克服承认错误的心理障碍。

意义与影响

这篇文章的价值在于它系统性地回答了“普通人如何真正开始学习 AI”这一普遍困惑。它没有停留在介绍工具或模型原理，而是深入探讨了学习本质——即如何定义问题、拆解路径和建立反馈循环。作者提出的三套方法（反问-改写-定边界、双钻模型、规划-执行-审查-修正-交付）具有很强的通用性，不仅适用于 AI 学习，也可迁移到任何复杂任务的推进中。

更重要的是，作者强调了“犯错”在学习中的核心作用，并指出判断 AI 方向的方法不是理论推导而是实践试错。这降低了对初学者的心理门槛：允许失败，接受不完美，把每一次输出都当作可修正的起点。对于今天大量因 FOMO 而焦虑的 AI 学习者，这种“从一个小任务开始建立行动闭环”的思路提供了一条务实、可操作的路径，也呼应了图灵的实践精神——先抛开宏大的哲学追问，回到“在什么交互条件下机器表现出什么能力”的具体问题领域。