收藏了那么多AI教程，你真正解决过什么问题？

研究蚊子的人，给学AI的人上了一课：先找到值得解决的问题

每次看到新的AI工具演示，我都会想：这项能力，究竟能解决什么具体问题？

这个追问有点扫兴。别人已经用它生成了一套方案、一段视频，甚至一个能运行的软件，我还在问用途。但对学习者来说，这一步值得停下来想清楚。一个工具能做很多事，不代表其中每件事都值得我们花时间。

最近，一项关于蚊子飞行的研究，让我重新理解了这件事。

2026年3月18日，MIT介绍了一项发表于《科学进展》的合作研究。团队成员来自佐治亚理工学院、麻省理工学院和加州大学河滨分校，包括研究生物运动的David Hu教授。他们在20组实验中，记录了5300多万个数据点、约47.7万条蚊子飞行轨迹，试图解释蚊子怎样根据环境线索寻找目标。

这很容易被讲成一个技术奇观：连蚊子下一步怎么飞，人类都要算出来了。

可读完研究介绍，我更在意的是摄像机前面放了什么。

研究者设置了黑色球体、释放二氧化碳的白色球体，以及释放二氧化碳的黑色球体，分别考察视觉线索、化学线索和两者结合的影响。只存在视觉线索时，蚊子会靠近又离开；只有二氧化碳时，它们会减速、来回移动；两种线索同时出现时，又会呈现围绕目标飞行的模式。

黑球和白球看起来很普通，却承担着关键任务：让研究者有机会分辨，究竟是什么改变了蚊子的行为。

我从中得到的启发是，有价值的数据，需要能够帮助我们区分几种不同的解释。

这句话放到日常工作里，也很实用。

假设你让AI修改了一篇文章，同时换了标题、封面、发布时间和正文结构。最后阅读量上涨了，你当然可以高兴，但暂时还无法判断，是哪项修改起了作用。

这次结果能告诉你“整套改动之后发生了什么”，却不足以证明“某一种提示词特别有效”。要进一步判断，就需要更合理的对照、更多次观察，并留意读者和分发环境的变化。

所以，我不会轻易说企业积累的数据没有价值，也不会认为只要把数据交给AI，它就能解释一切。历史记录可以提供线索；要判断原因，还得看看当时记录了什么、漏掉了什么，以及不同情况是否具有可比性。

对于AI学习者，这意味着一件很具体的事：在让模型分析之前，先写下自己究竟想分清什么。

这项蚊子研究还有一个容易被误读的地方。

论文采用的是贝叶斯动力学系统学习：结合运动轨迹数据，推断描述行为的数学模型。论文摘要所说的训练数据超过2000万个点，与全部实验累计的5300多万个点属于不同口径。它研究的是特定条件下的行为规律，不能据此宣称已经实现对每只蚊子未来位置的确定性预报。

因此，我不会把它写成“小模型击败大模型”的故事。专门描述蚊子运动的模型，与承担通用语言任务的大模型，解决的问题、输入和评价标准都不同，参数数量无法直接拿来比高低。

我更愿意把它看作一个提醒：模型是否合适，要看它能否回答眼前的问题，以及答案经不经得起验证。

学AI也需要这把尺子。新模型发布后，与其只看排行榜上的位置，不如拿一项自己熟悉的任务测试：它有没有减少事实错误？解释是否更清楚？完成后还需要多少人工修改？

这些结果虽然不够热闹，却与你真正要做的事有关。

说到这里，还要追问：什么问题值得长期做？

1986年3月7日，理查德·汉明在《你和你的研究》演讲中，谈到优秀科学家会持续关注一批重要但尚未找到解法的问题。他还强调，判断问题的重要性，应考虑是否存在合理的切入方法。那些听起来影响巨大、却完全不知道从哪里下手的问题，很难直接变成可推进的研究。

这对普通人其实很友好。我们不必先找到一个足以改变世界的题目，才能开始学习。

“我要掌握AI”太宽了。它没有明确的完成条件，很容易变成不断购买课程、收藏教程和试用工具。

如果改成“我想用AI帮助核对行业文章中的数据，并把每条数据对应到可打开的原始来源”，就有了一个能动手的问题。你知道要找什么资料，也知道什么算失败：来源打不开、数字对不上、把预测写成事实，都需要退回修改。

我给自己判断问题是否值得投入的标准有四个。这是我的实践建议，并非论文提出的统一评分法。

第一，它影响谁。最好能说出具体的人和场景，例如需要读懂英文技术文档的运营人员，而不是笼统的“所有人”。

第二，它带来什么反复出现的成本。可能是时间、返工、误解，也可能是总也学不会造成的挫败感。

第三，我能否找到一个小切口。先验证一个环节，比一开始就建设一套庞大系统更容易获得反馈。

第四，我怎么知道有进步。少改了几轮、少漏了几条信息、能否独立完成同类任务，都比“感觉更智能了”具体。

兴趣同样重要。一个你愿意反复琢磨的问题，更可能让你坚持。但如果想让探索帮助到别人，还需要逐渐建立证据，说明它为什么有用、对谁有用。

到了学习环节，我尤其在意最后那条：能不能独立完成同类任务。

2026年1月，Anthropic公布了一项涉及52名、以初级开发者为主的随机对照实验。参与者学习使用陌生的Python库Trio。任务后的测验中，AI辅助组平均得分为50%，独立编程组为67%，相差17个百分点；AI组平均完成时间略短，但差异没有达到统计显著水平。

这项研究样本较小，测量的是特定任务后的即时理解，不能推广成所有人、所有学科或长期学习效果。研究者对使用过程的分析还发现，追问概念和解释的行为与较好的学习表现相关，但这种相关性本身不证明因果。

对我而言，它提出了一个很实在的检查点：屏幕上的成果已经完成，自己的理解到哪一步了？

假设你正在学习数据分析。AI生成了图表，给出了三段结论，你看着觉得合理。此时可以先关掉回答，自己解释：为什么选择这个指标？数据中有没有异常值？换一批样本，结论可能怎样变化？

如果这些问题答不上来，就知道下一轮该学什么了。

AI仍然能帮忙。可以让它只指出你推理中的漏洞，给出一个提示，再让你继续；也可以让它换一道结构相似的题，检验你是否会迁移。这样，学习过程就有了可观察的进展。

建议关注AI学习的人，建立一张很短的长期问题清单，先写三个就够了。每个问题后面留下四行记录：目前的判断、支持判断的证据、仍然不清楚的地方、下一次准备做的小实验。

例如，我关注“怎样借助AI读懂一篇陌生领域论文”。第一轮可以先比较自己概括与原文摘要的差异；第二轮检查有没有把相关关系误读成因果；第三轮尝试离开AI，用自己的话解释论文结论的适用范围。

这里积累下来的东西，会成为你自己的判断依据。即使换了工具，问题记录和验证经验仍然可以继续使用。

当然，清单也需要更新。一个问题可能已经被解决，也可能在尝试之后发现价值有限。允许自己删掉它，同样属于判断能力。

下次看到新工具，我打算先打开这张清单，选出一个还没解决的问题，给它一份具体材料和一个明确的检验标准。

等它回答完，再看证据允许我把问题往前推进多少。

---

关注本站，每天分享跨境电商前沿资讯（ Ctrl + D 收藏本站/收藏为书签 ）