文章概括：
AI 已经带来学习方式的改变，降低了我们学习知识的难度，加快了我们解决问题的速度。
本文介绍如何通过 AI 工具，通过直接对大模型、对 Agent、对文档、对知识库提问的方式，快速学习知识快速解决问题等。
本文还提到了当前 AI 工具局限性和 AI 时代提问的重要性的讨论。
一、前言
上回书说到：《用 AI 给人生开挂的正确方式 - 在 AI 迅速进化的时代，我们应该如何不落伍》，讲到在 AI 快速发展的今天，我们需要学习：驾驭大模型的能力、学习最基础最核心的知识、培养不容易被 AI 取代的能力。我们可以跨行业寻找机会，在这个 “人人都是工程师”的时代基于大模型快速创建应用解决痛点，灵活运用 AI 帮助自己解决问题。并且强调在 AI 时代应该使用 AI 来加速学习。
本文这是对 “使用 AI 加速学习” 这一点的一个展开，即使用 AI 助力问题驱动式学习（Problem-Based Learning，简称PBL），帮助我们快速掌握知识。
最近一段时间，我已经尝试采用问题驱动式快速学习和解决问题。如使用文中推荐的智能知识库来快速阅读论文，快速阅读长文，针对某个问题或知识不断追问更加全面和深入掌握相关知识。如创建 “通俗讲解”、“BUG 杀手”等 Agent 快速理解概念，快速解决问题等。
接下来我将从什么是问题驱动式学习、为什么问题驱动式学习更有效，以及在 AI 时代怎样基于问题驱动来加速学习。
友情提示：如果不了解前因后果，只想了解如何在 AI 时代实践问题驱动式学习，直接跳到第四部分即可。
二、问题驱动式学习是什么？
传统的问题驱动式学习更强调解决问题，AI 时代的问题驱动式学习提出问题和解决问题并举。
在我看来，提出问题甚至比解决问题更重要，尤其是在 AI 时代，解决问题的难度大大降低。
2.1 传统的问题驱动式学习（PBL）
问题驱动式学习（Problem-Based Learning，简称PBL）是一种以学生为中心的教学方法，其核心在于通过解决实际问题来推动学生的学习。这种方法鼓励学生在寻找问题解决方案的过程中，积极主动地获取知识、应用知识、并发展批判性思维和解决问题的能力。
问题驱动式学习通常涉及以下几个步骤：
问题呈现：学习开始于一个开放式问题或一个实际情境，该问题通常是跨学科的，模拟真实世界的复杂性。
小组讨论：学生通常被分成小组，通过讨论来分析问题，确定他们已经知道的内容和需要学习的内容。
自主学习：确定学习目标后，学生将独立或在小组内寻找资源和信息来解决问题。
分享和反思：学生将他们的发现和解决方案与小组成员分享，通过讨论和反思来深化理解，同时也接受同伴和导师的反馈。
评估：学生的学习成果通过报告、演示或其他形式的评估来衡量。
问题驱动式学习的优势在于它能够激发学生的学习兴趣，提高他们的主动学习能力，促进批判性思维和团队合作能力的发展。这种方法适用于各种学科领域，特别是在医学、工程学、商业管理和法律等领域中得到了广泛应用。
2.2 AI 时代的问题驱动式学习
AI 发展到现在这个阶段，让我们有机会直接对 AI 提问，直接对着文档提问，直接对着知识库提问。
虽然这种方式和传统的问题驱动式学习有一些区别，但可以被看作是问题驱动式学习（PBL）的一种现代化应用，尤其是在信息获取和知识探索的环节。虽然它不完全符合传统PBL的所有步骤和特征，但它与PBL共享核心理念——即通过提出问题/解决问题来促进学习。
以下是几个方面的考虑：
问题为中心：用户通过向AI提出问题，这本身就是一个以问题为中心的学习过程。这个问题可能是对文档内容的查询，也可能是求解特定问题的请求，反映了PBL中以问题为驱动的学习方法。
自主学习：在这种互动中，用户需要自己思考问题，决定如何表述这个问题以便AI能理解并提供有用的回答。这一过程涉及自主学习，因为用户可能需要进行一些背景研究来更好地理解问题或回答。
应用知识和技能：用户在分析AI提供的答案时，需要应用批判性思维来评估信息的准确性和相关性，这是PBL强调的关键技能之一。
反馈和改进：通过与AI的互动，用户可以立即获得反馈。如果AI的回答不满足用户的需求，用户可以通过调整问题的表述来寻求更好的答案，这个过程促进了反思和学习。
三、为什么问题驱动式学习更有效？
AI 时代的问题驱动式学习确实为传统的问题驱动学习（PBL）带来了新的维度和可能性，使学习过程更为高效和动态。
以下是一些原因，解释为什么AI时代的问题驱动式学习可能更有效：
- 快速访问大量信息：AI技术，特别是自然语言处理和机器学习，使得快速检索和分析大量信息成为可能。这意味着学习者可以即时获得问题的答案和相关信息，大大缩短了学习周期。
- 个性化学习体验：AI可以根据学习者的历史查询、学习习惯和偏好提供个性化的学习内容和建议，使学习更加贴合个人需求，从而提高学习效率和兴趣。
- 强化学习和反馈：AI提供的即时反馈机制可以帮助学习者及时调整学习策略和方向，促进了学习过程中的自我反思和改进，加深了理解和掌握。
- 增强的可视化和互动性：AI技术，如增强现实（AR）和虚拟现实（VR），可以提供更加沉浸式和互动的学习体验，帮助学习者更好地理解复杂概念和流程。（这一块目前实现地还不太好，相信不久的将来将会实现）
- 扩展学习资源和途径：AI使得个人可以轻松访问全球的知识资源和专家，打破了地理和时间的限制，为学习者提供了更广阔的学习平台和机会。
- 培养21世纪技能：在与AI互动的过程中，学习者不仅学习知识本身，还在无形中培养了批判性思维、信息素养、技术使用和终身学习等 21 世纪必备技能。
- AI 让深度学习成为可能。很多 AI 平台在提问后会给出很多建议追问的问题，我们可以对一个问题不断追问，对一个问题了解更全面和深入。
四、怎么做？
4.1 简单直接：和大模型对话
通常我们经常处理的任务都是相似的，经常需要输入相似的提示词，每次都要重新输入或者粘贴过来效率很低，体验略差。
4.2 创建 Agent ：提高效率
我们可以根据自己的学习、工作中的场景，创建各种 Agent ，将提示词内嵌其中，避免每次提问都输入相似的提示词。
这些平台可以解决提示词的效率问题，也可以上传文档使用AI 对话，但通常并不是专门为文档设计的。
下次提问时再找到对应的问题不太容易。
当然，我们也可以尝试创建 “发散性提问助手” 或者“头脑风暴助手”，给出 Agent 一个主题，让 Agent 进行头脑风暴，发散性地提出 N 个相关问题，我们选择比较好的问题再去追问 AI，可能会有意想不到的收获。
可以参考下面的提示词自己二次优化：
## 背景
你是一个发散性提问助手，可以根据用户发送的概念或者问题，请你进行头脑风暴发散性地提出 10 个相关问题，以便给用户带来新的灵感。
## 约束
1 回答务必使用中文
2 如果用户发送的是问题，不要直接回答用户的问题而是根据问题从不同角度提出 10 个发散性的问题
创建 Agent 写提示词的技巧参见：《一文掌握大模型提示词技巧：从战略到战术》。
4.3 直接和文档对话
我们可以使用 通义智文 或者其他类似的平台，如天工 AI阅读、 ChatPDF 、PDF ChatBot 等。直接和文档、网页、论文、图书对话。
这类 AI 阅读工具非常棒，我们可以针对论文、文章、图书等提问，不需要担心自己英语不好，再也不用担心有些术语不太理解了，再也不用担心自己没有足够的时间仔细阅读了。
这类工具也存在局限性，比如几乎所有文档都需要上传或者贴链接，文档之间很难共享，支持的文件类型也有限。
4.4 专业知识库
文档的共享非常重要，降低查找资料并上传的成本。 于是类似 txyz 这类公共的 AI 知识平台应运而生。
在这里，可以直接输入 arxiv 论文链接进行搜索然后对话。
可以通过 【Add to Library】 加入到自己的知识库，方便下次直接通过更加便捷的方式访问。
进入论文界面会有总结和候选的建议追问的问题，你也可以根据自己的需要提出各种感兴趣的问题。
当然，你也可以上传自己的 PDF 或者提供 PDF 链接上传到知识库进行对话。
虽然类似的平台提供了一定的资料共享和自定义资料库的功能，但和“和文档对话”方式类似对文档的管理比较粗放，如支持的资料类型有限，缺乏对资料的归类整理等。
4.5 个人团队智能图书馆和知识助手
以前经常会看到很多精品的 PPT 、有深度的文章、非常有质量的 PDF 电子书等，总是收藏之后就没然后了。
我们要么时太忙没时间看，要么就是需要的时候已经记不起资料在哪里。
想看但是英语或者语言有点深奥而读不下去的论文，都可以扔到知识库里，直接提问来学习。
学习某个技术文档太多，解决某个问题时找到对应的知识点非常费劲，可以直接将文档扔进去，相关问题直接提问即可。
注意：禁止将公司内部的文档传到外网，可以尝试将一些公开的外部的技术文档放进去。
AI 时代，类似 iki.ai 这样的智能的个人和团队知识库应运而生。
该类知识库的特色：
- 可搜索性： 所有知识通过自然语言查询可搜索。
- 共驾模式（Co-pilot）： 主动助手帮助研究、推理和创意。
- 自我组织： 个人维基，自动生成知识线索和自动标签。
- 协作： 为团队和同伴创建私有空间。
- 可信赖： 被来自不同领域的人员和团队所信赖。
支持更多格式：
支持对网络上的资料，支持对自己的整个知识库或者某个文档提问：
你可以创建多个知识集合，将自己珍藏多年的 PDF 、文章链接等传到知识库中：
提问时，可以选择从网络上获取资料还是从知识库获取资料。
当你选择对知识库提问时，它会先检索你知识库中的先关资料，然后再进行整理回答。
支持知识库的共享，可以订阅别人，可以安装浏览器插件快速将网页上看到的内容剪藏到知识库中。
相信未来类似的 AI 知识库产品会越来越多，如果传统的笔记软件不能很好地重构，传统的笔记软件很可能掉队淘汰。
当然，iki 也有一些缺点，上传资料有时候很快有时候会卡住上；传到某个知识库合集结果没有归类需要重新添加到该合集；中间部分可以打开对应的文档，边看文档边提问，但如果是网页或者文字版 PDF 还好，如果是 PPT 字太小影响阅读；AI 的回答主要以文字形式，无法做到图文并茂，甚至可以通过动画视频等更好。
五、一些看法
5.1 AI 回复的形式不够丰富
现在虽然很多大模型公司都在宣传“多模态”，但是目前的多模态通常并不是“同一个大脑”。大模型还是通过将图片转为文字，然后再将文字转为图片和视频。转换过程中会出现很多偏差，丢失“精度”。
目前的使用 AI 进行问题驱动式学习， AI 给出的回答基本都是文本形式，无法实现图文并茂，甚至可以配上非常贴切的视频。
图片模型似乎更擅长绘制人物、风景、建筑等，并不擅长绘制图片版本的流程图、非常专业的 PPT 等。
相信，随着 AI 的不断发展，未来用户提问以后， AI 可以用通俗易懂、图文并茂，甚至配套视频。甚至未来人们可以类似《创：战机》、《黑客帝国》那种进入到虚拟空间进行学习。
5.2 学会辨识 AI 提供信息的准确性
虽然 AI 时代用户可以通过提问快速得到想要的答案，但也面临一些挑战，如确保 AI 提供的信息准确无误、维护学习者的隐私安全、以及防止过度依赖 AI 而忽视基础学科学习和人际互动的重要性。
我们在使用 AI 时，尤其是重要信息，需要通过多方核对，避免因为 AI 误导给自己的决策和工作带来负面影响。
比如有些同学使用 AI 优化代码，优化出 BUG ；比如有些同学相信 AI 给的数据发现是错误的。
5.3 AI 时代提问能力越发重要
（1）提问时警惕先入为主
就像有些记者，通过预设前提先入为主的方式诱导性提问让被采访者掉入语言陷阱里，沿着错误的角度进行回答一样。
我们的提问有时候也会带有偏见。比如有人发文说 “大语言模型幻觉也是无意识的，就像儿童说谎都是无意识的”，就尝试去让大模型提供“支撑儿童说谎都是无意识”观点的论文，找到了一些论文就坚信：“儿童说话都是无意识的”。其实你去搜 “支撑儿童说谎都是有意识” 的也可以搜到很多论文，说儿童可能会为了寻求奖励或者害怕惩罚而说谎。
（3）提问能力很重要
有些人提出的问题和实际的问题不符，提出的问题片不能触及本质，AI 给出的答案再全面也无法帮助你很好地解决问题。
AI 让我们找答案变得更容易，AI 让每个人解决问题的能力趋于接近。但，如何发现问题，提出有关键的有价值的问题更加重要。AI 最先代替的是每个行业只会做事而缺乏思考、创意的的“低端”从业者。当使用 AI 的成本比
5.4 期待 AI 自我提问的能力的大爆发
现在的 AI 非常依赖人类提出的问题，如果人类提出的问题存在错误或者偏差，就很难得到让人满意的效果。
如果 AI 能够充分了解我们的问题，自己能够提出非常有价值的问题，并且借助强大的知识储备，就可以帮助我们解决更多难题，发挥出更大价值。
5.5 用进废退：遇事请先思考
大家需要特别警惕：用进废退。
互联网时代大多数人都会因为长时间打键盘不写字而“提笔忘字”。
在 AI 时代，如果我们凡事都先问 AI ，我们的思考能力将会下降，我们可替代性将会降低，被 AI 误导的概率将会变大。
一些非常简单的枯燥的任务我们可以直接让 AI来做；但有些需要思考的任务，我们应该首先自己思考，当我们智力极限仍然不能很好和很高效地解决问题时，我们应该尽快寻求 AI 的帮助。
六、总结
AI 时代，传统的学习方式必将被淘汰。“未来人手一个 AI 助手”的时代已经到来并且正在快速发展，我们需要快速适应这个过程。
AI 很好地弥补了不同人之间的智力差距，在 AI 时代能够提出有价值的问题的能力将更加重要。
希望本文介绍的这些工具和方法能够帮助你更快速和全面深入地学习和应用知识，让 AI 真正融入我们的学习、工作中，真正享受 AI 时代带给我们的红利。文章来源：https://www.toymoban.com/news/detail-860207.html
热门文章推荐：文章来源地址https://www.toymoban.com/news/detail-860207.html
- （1）《为什么很多人工作 3 年 却只有 1 年经验？》
- （2）《一文掌握大模型提示词技巧：从战略到战术巧》
- （3）《AI 时代，程序员的出路在何方？》
- （4）《如何写出高质量的文章：从战略到战术》
- （5）《我的技术学习方法论》
- （6）《我的性能方法论》
- （7）《AI 时代的学习方式： 和文档对话》
到了这里，关于AI 助力问题驱动式学习的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
![“AI Earth”人工智能创新挑战赛：助力精准气象和海洋预测Baseline[3]：TCNN+RNN模型、SA-ConvLSTM模型](https://imgs.yssmx.com/Uploads/2024/02/680420-1.png)
