相见恨晚！我這輩子見過最好的學習方法 | CLT認知負荷理論 | 湯質看本質

各位好久不見啊。本期視頻詳細介紹了我這些年見過最好的學習理論--認知負荷理論（CLT），以及基於它衍生出的學習技巧與思路。如果我在學生時代就知道這個理論，我可能會少走很多彎路，命運軌跡也可能會有所不同。
需要特別說明的是，本節目節選自我的新課《高手的黑箱：AI時代的學習、思考與創作》（打磨這堂課是我消失一年的理由之一），該課程目前在大陸視頻網站「bilibili」課堂以及本人的Wechat公眾號「看本質」上有售。
--------------------------------------------
00:00-07:00 學會一切的底層原理
07:00-13:30 方法一：祛除冗余
13:30-21:45 方法二：分割複雜
21:45-27:16 方法三：交替實例
-------------------------------------------
Hello，港澳、寶島以及海外的觀眾。KZbin頻道現已由我本人親自運營，內容將與中國大陸地區同步。
我會花很多時間在一個課題里漫遊，借助跨學科視野和哲學思辨，為你深掘出真正的智識寶藏。每期節目都是心血之作，值得你認真對待。所有視頻文稿發佈在我的WeChat公眾號「看本質」。
歡迎訂閱湯質看本質官方頻道：bit.ly/2O6MOvp
#学习 #百科 #人生 #认知

[@justin7393]

方法一：祛除冗余 （使用图文并茂 - 宜家说明书只有图；去掉所有不需要的内容） 方法二：分割複雜 （句子扩展 - 补全句子 之前，之后，所以，但是，因为） 方法三：交替實例 （给出跟学习到的内容最接近的实例 - 使用AI）

[@K59820433]

學校最大的問題在於沒有給出“學習意義“，好的家庭會讓孩子知道學習意義；不好的家庭只會鞭策孩子讀書，為了讀書而讀書，這是非常反人類的。 自古人類就是在各式各樣的探索及挑戰中學習技能，而不是對一本厚厚的書死記硬背來生存的 許多人懵懵懂懂的大學畢業了卻不知道要做什麼，都是這個原因

[@rocky_talkie]

冒昧地問一句，您知道學習的意義嗎？恐怕您自己也不知道。學習的意義正如播主所說的，是一個壞問題，正如人生意義電車難題等，沒有確切答案，很容易造成信息過載

[@kodreaming]

有多少人， 尤其是孩子能够明白意义？ 我们自己回想下自己多大的时候明白学习的意义？ 实际一点的还是小的时候养成习惯， 然后慢慢体会到好处. 要孩子顿悟学习的意义 这个难度太大了

[@gn0581724]

@@rocky_talkie 學習的意義有很多面向，最簡單的：為什麼要去上學？ 是為了學會在這個社會上生存的技能，在這之外也有無法成為生存技能的興趣技能，或者打發時間的小技能，後兩者是因為人的大腦會一直處在活動之中，人會為了自己的大腦服務，為了不無聊，會在額外的生存技能上學習更多其他有的沒的的東西，這些都是學習的意義。

[@rocky_talkie]

@@gn0581724 按照您所言，去上學是為了學習生存技能，那麼輟學者就學不到生存技能了？顯然未必，相信您身邊也有很多有錢人小時候輟學或者跟不上，然而不影響他們在社會上風生水起。 其次談談興趣，請問您興趣為何？可能是健身，跑步，游泳，抑或打遊戲，吃美食，旅遊等等。這些興趣愛好難道是在學校培養出來的？大概率不是，而是你在生活中憑著愛好點滴積累而來的。而這些興趣有何意義？除了讓自己開心，對別人也沒什麼意義對吧？ 並不是說您總結的答案是錯的，而是學習意義這個話題非常深刻與複雜，不能一概而論。而且就算你知道了學習意義，你也不會有動力去學習。相反一些沒太大意義的興趣愛好，學習起來倒是很快。

[@rocky_talkie]

這些的確是學習的意義，但是請捫心自問，你懂得這些意義之後是學習動力爆棚，還是繼續擺爛，道理都懂，卻過不好這一生呢？

[@user-dd8bs8uv2m]

即為『模組化』學習。 前知識，就是己經模組化的基礎，不必是同領域的，事實上查理芒格等大師們，也建議人最好先把一門知識學到極深，再廣泛地學習大量不同領域、甚至不相關領域的知識。原因很簡單，那都是模組化的過程，通過深度學習，理解如何模組化，即新手到專家；再通過廣度學習，把不同領域的前知識互相融合為更精粹的前知識 (即模組)。所謂悟性強的孩子，也就是具備了不同學科都有相當程度前知識的人，但那並不需要使用大量時間，只要孩子能夠學習某一種知識到足夠深的程度，學習的奧妙(即模組化的能力)就被挖掘出來了，往往孩子們與家長都並沒有察覺。 而這與AI的成長是一個原理。 這裡我必須先解釋為什麼目前的AI都還只是統計學。AI的訓練是使用大量的輸入，經由設計的邏輯，來產生對應的資料庫，但輸出時，會從大量資料裡，按統計原理來找出一段對話使它最能符合使用者提出的句子或問題。在AI發展初期，AI的反應 (即輸出) 確實是會有錯誤，但那正是訓練所需要的反饋，對反應錯誤的修正、或者重覆提問，都是下一次更優良的輸入。然而，AI的邏輯，始終是按照設計者決定好的演算方法，並不是AI自己產生、目前也無法產生，就像汽油引擎的運作一樣，它再優秀再會產生良好的反應，也不會把運作邏輯整個轉換成電動引擎，因為它架構上先天就不具備，AI的演算方式就是這樣，它不會用它沒有被設計進去的演算路徑，因為那不存在。 人也是一樣的東西，人類的思考與邏輯，其實也是初始符號、語言、圖象、感情、環境變化等等的綜合產物。所有人的思考與發現，仍然是人類社會的那一套，一開始不具備，但人類社會一直灌輸我們，最後成就我們的思想，就像人類成就AI的思想一樣。每一個人的思想不同，也僅僅是像不同系統的AI有不同演算法一樣而己，只是我們更能接受人類思想的差異，但並不能接受機器有超出人類想像的反應；換個角度來看，人類的思想差異，其實只不過都是同一道菜，只是有些人的鹽 (比如說正義感) 放的多了、而有些人幾乎不放，差異只在廚師手法和材料的量，也許最後天差地遠，但本質上仍然是做同一道菜。那些一開始本不存在的主義、理論、公式、邏輯、乃至所有人類的科學成就，都是從『環境中的輸入』產生的。事實上也只是人類在數千數萬年中，不斷觀察環境後、試圖理解環境、傳承這份經驗，而產生的文字/符號/公式等等........ 那些主義、理論、公式、邏輯、乃至所有人類的科學成就，只是對環境的『解釋』，至於它是否是正確的？ 仍在不斷觀察、發現、驗證與進步中。 也就是說，Ai看似有智慧和靈性的對話，事實上只是極複雜的統計答案而己。而AI產生有意義『思考和對話』的過程，與人類認知世界的方式一模一樣，只是AI的邏輯可以不斷修正、而人類絕大多數不願改變自己思考方式；只是AI的資料庫極大，而人類的模組區塊並沒有我們想像得那麼無限大；只是AI的模組化能力，依靠的是機械本身算力，而人類只能使用少少的工作記憶。 AI並不比人類差、人類也只是輸在機體差異罷了，因為我們運作方式都一樣。別忘了，你無法使用『對你而言』不存在的東西，思考、邏輯、能力等等.. 都是這樣的。

[@OPP-eo4nj]

感謝整理，功德無量。

[@user-qx6qg6wr3v]

說得真好 哥有推薦學習PyTorch 入門影片嗎

[@netenken]

完全同意，個人也有相同模式的學習經驗，覺得十分正確

[@user-mv4oh8yp1y]

“然而，AI的邏輯，始終是按照設計者決定好的演算方法” "AI的演算方式就是這樣，它不會用它沒有被設計進去的演算路徑，因為那不存在。" 認真回：這兩句很可能不對，基於深度神經網路的AI，也就是目前主流的AI，它的推理過程不是被設計出來的、也基本就確定是不可解釋的（目前有研究在鑽研這一塊，可解釋性）。請讓我解釋。 現代神經網路模型神經元的數量隨便就是破億個（甚至還估太少），推演（inference）過程是基於線性代數以類似加權平均（weighted sum）的方式去整合（linear combination）每一層的神經元，再經由激勵函數（activation function）產生非線性的結果傳給下一層，最終得到一組代表機率（probability）的數字來闡述對不同結果的信心（confidence）。舉例：Chat GPT提供你的是他最有「信心」的一個答案。用一個不精確的講法：你把每個神經元看成做完一個if條件，那麼AI做決策的過程便使用了破億個if條件。我們有時間逐一設計「破億個」if-else嗎？即便設計出來是有辦法用一兩句話講明白的嗎？結果顯而易見。既然如此，那在不可解釋（bj4）的情況下AI是怎麼「學」的呢？它的底層原理是數學的偏微分，「數學上調整這些權重能降低誤差，所以這麼修正」但我們不會在數學公式裡看到那些「因為、所以」。 比較精確來說，當我們在說「AI使用的演算法」時，我們指的是「AI所使用的模型架構/訓練方式」。好的模型使我們比較容易訓練出「好像真的有學到東西」的最終模型，且/或使用比較短的訓練時間。但它究竟學到了什麼？訓練完的模型裡只有「數字」沒有「解釋」，就我目前的理解，人類目前無能為力。

[@user-dd8bs8uv2m]

@@user-mv4oh8yp1y 感謝大大的分享，太棒了。

[@user-wm6wi2tx5e]

好感動，終於有人說出來了，數學那種不會卻不知道卡在哪裡的茫然竟然被點出來了。太感謝了

[@Branch977]

隐隐约约的感觉，终于有人理论化的说出来了

[@dichoi4446]

还是有股快餐味，仿佛在墙外看b站，没有说up主不好的意思

[@Branch977]

@@dichoi4446 他的确在B站有账号，那边才是主力

[@argerlee]

我靠著大量的學習量，抓出了吸收知識的技巧，正好符合湯大大分享的認知負荷理論。感謝湯大大有系統地解說認知負荷理論，我會依此理論教育我的孩子以及公司的新人。

[@KilluaGonxx]

捕捉舊楓之谷大佬

[@chrisgou123]

@@KilluaGonxx 大陆叫冒险岛

[@jamesfeng617]

这个影片让我收获很多东西。我另外想要补充一点不一样的看法。对于初学者来说，我们肯定需要分割问题降低难度。但是对于那些习惯于学习并且特别追求高效学习的人来说，一开始就接受复杂问题，并且进行交错练习可能是更好的套路。这里只是想要做一个补充，我认为两种方法同样重要。

[@jainsyunwang9511]

看完影片我的感觸是千言萬語道不盡。只能說謝謝你

[@nnl777]

看到更新太開心了😊

[@bird-cb7xb]

就記憶組塊啊，建議搜尋learning how to learn，比這影片簡潔又明瞭

[@liuliu-ox4hg]

明白人

[@xiric2511]

能看到這個影片真的太幸運了，十分感謝🙏🙏

[@agwurn]

終於更新！感謝湯質又提供一部超高品質的影片！

[@bookdomain6818]

作为一个家长，很高兴现在看到你的这个视频。

[@jasonh9814]

最有深度和系统的认知学习视频之一，实属学习者的高阶晋级课程，谢谢阿汤哥👍

[@user-gn3ju5rs9u]

谢谢你完整介绍这个理论。正巧几个小时前也听了另一个博主在介绍这个学习方法。马上实践起来…

[@Ju-mc9ph]

看到更新太好了⋯⋯ 而且還是與學習相關內容

[@Hiiragi.0814]

終於更新了！ 感謝🙏

[@user-ez5gk9yv9o]

看到你的影片實在太好了，超久沒更新以為你停更了

[@thistime_7822]

谢谢你产出那么优质的内容，这是一个对我来说全新的知识点

[@mialai4216]

这套我真是太喜欢了！完美解答了最近对学渣小朋友思维的困惑，也正是应用这个理论慢慢辅助她改变思维。原来自己摸索的方法是有理论支持的，太棒了！

[@imafish2992]

这个教学方法我有旁听一个物理老师，看他又用到过，当时很久没接触物理的我，也能一下就理解，然后迅速解题。

[@setsura7]

不仅学习 生活也可以模块化 自从这么理解并实践以后我整个人都变得高效 甚至正面影响了我的家庭 这些都是长期编程后领悟的 模块化这个概念可以运用到万物

[@user-cr5en4rx1k]

我真是太愛你了，謝謝你的影片，還是一如往常的帶著大家看清楚事物本質❤

[@user-tx7rl7ud9h]

湯質朋友，等你的影片好久了。 你製作的內容質量很高，表達一下欣賞。

[@user-uq9fp9vk5j]

看完很感動，解開我從小到大的疑問，學校教了一堆知識，但從未教學生，學習如何學習。 感恩無私分享～

[@user-fm6wf8jh1u]

已感謝150元，想以微薄之力支持用心的、能提供實質幫助的視頻😊😊😊

[@gdlee4819]

小汤视频系列给我很多启发，帮助很大，也引起了许多不同思考：折纸的例子我觉得起作用的不是去芜存菁，而是形象化；后面的和我最近的一个理解也有不同：图论里面，节点node很重要，但更重要的是节点间的连线edge

[@user-pl2wq5zs4m]

感謝你的分享，我個人對腦科學及教育領域有些涉獵，所以對你所說的內容相當有感且認同，而認知負載理論是我初次接觸到的教學概念，我覺得其中說的策略對我幫助很大，再次感謝你這次的分享，受益良多

[@user-er3ev6vo8p]

👀10分鐘就開始燒腦了，感謝博主的用心，你值得付費（小小心意）🙏🙏🙏

[@evazhang6502]

我好喜歡這個影片！很感謝你花時間製作這麼棒的講解！有些人覺得你的舉例還是很硬而且理論居多，但是我身為教育者卻認為這是非常剛好的內容！也在過程中檢視自己是否有符合認知負荷理論。🤍

[@nicolezheng23]

谢谢！每次看你的视频都学到很多！

[@user-ig1rk4wv2l]

必须点赞，谢谢你精彩的讲解！

[@yuumiragdoll1509]

我前几年渐渐感觉到了，也一直在实践。今天能听博主系统讲出来，让我有了更深入的理解，感觉很开心

[@rock81001]

謝謝，本有模糊的想法，但沒有如此清楚，原來這個世界上早就有人研究出理論來了，感謝緣分(YT算法)讓我碰到這部影片。

[@newton-2023]

很有启发，感谢汤质

[@LianaLee-xu3ux]

感谢分享！ 我目前在上的教育学的课程就包括认识学习理论，这门理论无论对学习者和教师都有非常深刻的影响

[@unicorn8520]

非常優秀的影片，詳細的整理學習有效的基本脈絡，像一盞給學習者和教學者的明燈，很感謝您提供的內容和解說。

[@dgsghre5474]

終於更新了！！！

[@user-nf8wz4hw5i]

謝謝你的影片，這給了我很大的幫助。

[@user-lr5mv3yj9m]

非常感谢🙏 万分感谢🙏 一直有这种隐隐约约的感觉我也一直在执行类似的事情，但你把它用原理的方式说了说出来对我后续的运用非常有用，这是我目前在这个软件上看到的最有用的事情

[@user-lr5mv3yj9m]

最有用的视频

[@MX0190]

這部影片充分應用了CLT認知負荷理論，整部影片看下來知識結構非常的清晰好理解

[@RachelHuang-rebekah325]

非常多的乾貨，希望能有更多的範例！

[@Ansuz-oq6xt]

对于学习方法来说，本视频讲得无可挑剔。不过请记得区分教育和学习的差别，教育还包括对人格的探索/对自己的诚实。也许像你说的，在不久的将来人人都可以成为超级自学者。但教育更重要的是引导人去思考自己究竟是谁，要成为怎样的人。一个聪明人未必是一个了解自己的人，未必是一个问心无愧的人。

[@MrDavid6679]

好棒的視頻 ❤

[@goodday5482]

好棒的內容，第一次聽到這名詞，學習了🙏

[@user-xx9bw5xo4s]

我最喜欢的up主

[@_QingYi]

謝謝up主花費時間和精力整理並製成影片與眾人分享！🙏 收穫滿滿乾貨🌹 ------------------------------------------- 【筆記】 ※ 影片提供並詳述3種教學/學習方法，以提升學習者學習效率。 ● 學習的有效性＝〔理解＆記憶〕的能力。 　- 理解＝工作記憶＋長期記憶 　　　- 工作記憶(未知信息)：人腦的工作記憶容量有限制，並且人與人之間該硬體水平是相似的。 　　　- 長期記憶(已知信息)：大腦中已經存在的組織化和結構化信息。 → 因此，在特定領域，區分新手和專家的主要因素＝長期記憶中儲存和檢索大量相關信息的能力＝已經知道的信息。 *這些在“長期記憶”的已知信息，幫助"工作記憶"和"長期記憶"之間相互關聯性的連結，激活一個更大的認知組塊，幫助人更快速地處理和理解新信息。 / 6:20 認知負荷理論：教學的功能＝改變長期記憶的內容。 ● 提高學習效率的三種教學方法： ① 祛除冗余：簡化信息。運用圖形和圖表＞文字，幫助學習者快速理解與記憶。 ② 分割複雜：拆解信息，循序漸進。例如：語句的分解、擴張、合併，善用連接詞串連信息。 ③ 交互實例：模仿所學。先提供實例給學習者，再馬上給予學習者“高相似“的問題以進行練習。 《結論》 1. 對於已知信息：增加大腦長期記憶中儲存的信息量，並將信息組織化和結構化。 2. 對於未知信息：善用拆解、組織和串連等工具來有效處理新信息。

[@dinayogi]

長知識!!!超棒!!

[@jianlu5963]

去年刚看到你的视频的时候觉得你讲的不错，今年再看感觉你的用词太复杂了，各种概念名词的集合，可以更加简单一些。

[@slannastro2023]

讲得好，谢谢创作者

[@hengyili5596]

很屌的視頻, 很聰明的油主, 我完全是非專業的, 也覺得能藉你的語言瞭解受用, 感謝~

[@pinecones618]

很喜欢这集的理论，觉得很多学科都能用得上

[@xx-vs1cg]

在老师的解析下，我们之前了解到的零散知识碎片被完美地串联在一起。通过逻辑严密的语言讲述，我对这些知识有了更清晰的理解，并找到了可行的执行依据。这个过程就像我在学习摄影时遇到的人像摆姿问题一样。如果只是靠观察照片来记忆每一个动作，难度非常大。但如果将每一个关节的动作和表达的情绪用语言和文字具体描述出来，不仅可以加强记忆，还能具体指导我们如何操作。因此，我非常感谢老师制作的这个视频，它对我有着极大的影响。谢谢！

[@user-lf4ir3mp2f]

非常棒！

[@joad1013]

這個用在自我教育也是一套思路，雖然自我教練不能從上帝視角設計課程，但能夠在初期挑選出適合自己的學習材料與順序來吸收。 感謝分享

[@user-bl1rg6me7g]

我覺得對於組塊的最好實踐是incremental reading，可以有效的把組塊滾大

[@earoossportsaccountalancar3348]

你終於回來了

[@60tiantian]

最后的扩展到Ai真的牛

[@linye8379]

讲的很清楚，终于看到中文讲认知负荷理论的了 我觉得您可以强调一下 重复练习 （刻意练习）在降低认知负荷中的作用 您最后提到了用ChatGPT 做知识迁移训练，Knowledge transfer 也是值得讲一期的内容，期待

[@jiahaolin5661]

刚好是我们去年的研究方向 总结的蛮清楚的

[@rockyjiang5803]

好喜欢这个频道👍

[@li-pingho1441]

受益良多！感謝！

[@renheliu1893]

博主举例的是非常基础的知识，太有局限性

[@jingyili6518]

讲得好好！

[@singo1232001]

這段我又更深刻的理解到 沒有交互性的量化思考 不管這個人自稱學得有多少 他學的東西甚至不值一提 嚴重的來說 一個國中學歷但有交互思考的所學的人 會比一個 把所有大學學科都學完但沒有交互思考的人 所學的還多

[@user-bd9de8mi5w]

理解，懂

[@sashalin4925]

谢谢分享！很有用

[@jennyw6576]

谢谢你从理论上解释了为什么有些孩子学习能力差。我以前归纳成这些孩子不能“engage”，你让我明白工作记忆和长时间记忆关联问题

[@user-fy5sz8ps2d]

有時只是 心靈不開放的問題，找回那個童心，忙記有什麼利益好慮，只是直觀，包括直觀你自己思緒思路而不回應。 可以嘗試為著教別人而去理解，那個推動力是有用的。 理解是多向道的，亦無止盡，享受就可。

[@fentengshi9543]

讲的好好！

[@ponluiding7827]

唸說明書那段好好笑 連湯老師也要屏住呼吸心態爆炸了

[@user-gh1js2me2u]

up主表达能力很强

[@Cookiemother]

國小到國中的教育的確是這樣教的，用已知的觀念帶入新的觀念，並且教完會直接做類似練習。 但是到了高中以後的內容龐大，受限於上課時間這些步驟就被省略了 這才發現自己高中數學、物理不好是有原因的。太多新的元素塞進腦袋裡，認知已經超過負荷了。也比較缺乏類似題型的練習，考題多半也都是變化題。

[@vakewake7596]

这和我做给工厂的sop 概念完全符合！ 当时公司因为sop 制作太慢而愁的不行，请我也帮忙， 我觉得有图又有文字看着特烦，所幸留了图和极少的关键字， 结果除了制作sop 标准书变快，连第一天上工的菜鸟都能一眼懂😂

[@kafuu1]

很棒的视频!我也对人类认知/记忆很感兴趣, 以后会做更多相关的视频吗

[@djjiang3718]

哈哈，谢谢分享！很棒!

[@ab123ab456g]

謝謝大大，已訂閱

[@songmeishu5445]

太棒了这个视频。可不可以出一起如何思考的视频。。虽然理论上去除冗余，分割复杂，交替实例也是很好的方法。

[@imw8721]

非常啓發 對自學也一樣有用

[@thevortexz1659]

很赞的视频

[@jack9057]

你回來啦～～～～～～～～～～～

[@gnwu]

干貨滿滿

[@inuwork]

這部很厲害

[@tammywan9663]

謝謝你的分享

[@user-ok3dy5su8s]

認知負荷理論嗎？感覺不錯

[@QQL2024]

厉害👍，非常有帮助，订阅了

[@aurohonosenitony]

受益良多🙏，希望我也可以學以致用💪

[@ddhowda7775]

身為一個從小到大都成績優秀的學生來說 我想我應該有資格說這件事 那就是只要孩童認知到所解的難題的觀念可用來解決更複雜的問題時 那他成績一定會比別的孩童好

[@user-pk2xk8yt8w]

醍醐灌顶！

[@azureyang6955]

很好的內容謝謝分享，建議字幕可以再放大兩倍才看得清楚

[@user-xp4zd7yn6j]

感谢❤终于明白了为什么我老学不懂原来是基础太薄弱了

[@Red_bean985]

就如同能看懂這篇影片的人，其實本身至少都有大專教育以上的水準。 如果完全沒有知識基底形成基礎模塊，根本不可能理解這篇的內容

[@neverdieking123]

大專教育的人受過更多學習的苦 => 經歷過充足的思考 => 累積了足夠的知識基底 所以這影片不是要令一張白紙明白，而是當有人面對學習的問題時，這影片能提供思路與方法 至於效果如何是在於實際嘗試，他人只能盡量簡化知識的表達

[@user-bl1rg6me7g]

你這就是學歷歧視了，殊不知國民教育的內容及教法正是最不符合認知負荷模型的

[@federerroger3722]

只有高中，但是完全能理解。

[@Red_bean985]

@@user-bl1rg6me7g 大專不在國民教育範圍.....

[@user-bl1rg6me7g]

@@Red_bean985 有道理

[@diingyangloh8094]

个人非常喜欢 17:57 给出的例子。 课堂上学霸突然被老师发难，提问了一个开放性的问题，无法流利的回答通常都是因为思绪混乱，不知道如何安排内容。 但是在回忆方面，学霸有着无可比拟的优势，但是开放性问题导致回答无法被安排就绪。 但是学会如何拆解问题，根据情况使用问题模版，内容都能瞬间被整理好。回答什么的根本不在话下

[@LorenzoZz-go7jc]

b站老粉了 没想到油管也能见到😊

[@internetms52]

謝謝！

[@gurinnmori]

個人認為，最後一部分關於職業的排名，比起2020年的，2023年的排名更貼切。2020年的預測小看了那些行業的專業性，作為專業從業者，我的感受是大家方法都會，但是同一張東西會有不同的評估結果，因為同行業每一位專業人士的分析側重點和個人經歷不同或者說對一些環境的敏感度，會有不同的預測，例如股票分析師，相信AI也無法給出一個100%肯定的結論。但是語言和教師這種職業是相對沒有含金量的，拿著已經有的知識照本宣讀，無非是有的學生聽得懂，有的聽不懂，並不會改變其根本原理或者理論。

[@gavin]

很棒

[@brucelin8950]

最期待的還是LLM能達到 預測新理論的科學家的程度 我是在猜要等機器人應用出來之後才有可能 透過sensor去回饋認知學習 突破學術論文的文字與資料限制

[@Walter-kd5pj]

点赞 这就是为什么国外的课本比国内的好 国外课本看似只是简单的例题 看似到处都有冗余的描述 书本看似很厚比国内得更厚 却更容易理解，别人是有理论依据的。事事讲理 讲科学 喜欢这种社会

[@user-qb8fp8oj1p]

功德無量🙏嘉惠蒼生❤

[@dailyangdaniel357]

謝謝你🙏我現在明白了。