AI让我们获得了更多的知识，但似乎却没以前快乐了

一种细微的转变，或许正发生在某些持续求知的人群中：我们获取知识变得前所未有的便捷，但那种源自探索本身的喜悦，似乎不如往昔那般浓烈了。

翻阅书籍时，偶然捕捉到一个精辟的观点，会让人兴奋良久；钻研一个复杂难题，经过反复琢磨，终于豁然开朗，会带来强烈的成就感。即便是下棋、弹琴或学习新技能，在持续练习中目睹自身进步，也是一件令人愉悦的事。

AI的介入，改变了获得这些体验的方式。一个原本需要查阅大量资料、思考数小时的问题，AI可能在几分钟内就给出结构完整且颇具洞见的答案。人们依然会为答案的精彩而惊叹，但这种快乐，与自己绞尽脑汁后突然想通的兴奋感，似乎大相径庭。

更微妙的是，AI能源源不断地提供新知识、新观点和新框架。我们每天接触精彩内容，也确实能理解其中的道理，但没过多久，大部分便已淡忘。接触的知识越来越多，真正内化为自身所有的部分，却未必同步增长。

于是，一个有趣的悖论浮现了：我们明明拥有了史上最强大的学习工具，为何学习反而可能不如从前那般有趣了？

一个值得深思的解释是：AI改变的不仅是学习效率，也在重塑学习的奖励机制。

一、学习的快乐，很大程度上源于“我变强了”

学习为何能带来快乐？固然有知识本身的吸引力，但除此之外，学习还提供了一套直接的心理奖赏。

一个原本不懂的知识点，现在掌握了；一个解决不了的问题，经过努力终于攻克了；一项技能经过长期练习，逐渐变得娴熟。这些经历都会带来一种清晰的感受：自己正在变得更有能力。

而能力增长往往意味着某种稀缺性。掌握别人不具备的知识，拥有别人没有的认知，能解决别人解决不了的问题，这不仅能带来成就感，也可能带来竞争优势和社会认可。许多人愿意投入大量时间读书、钻研和练习，并非只因过程有趣，也因为这种不断变强的感觉令人着迷。

因此，学习背后其实存在一条稳定的奖励链条：努力学习带来能力增长，能力增长形成稀缺优势，稀缺优势进一步带来成就感和回报。

但AI正在让这条链条发生松动。

知识可以随时查询，复杂任务可以交给AI辅助完成，甚至过去需要长时间思考才能形成的洞察，也开始能被快速、大量地生成。学习当然仍然能让一个人变强，但这种增长未必像以前一样带来明显的竞争优势，因为其他人也能借助同样的工具，迅速获得相近的结果。

一个人花费数年掌握的知识，可能已成为人人都能调用的能力；自己苦思冥想形成的精彩观点，AI可能在几分钟内给出好几个版本。

这并不意味着个人能力已不重要，而是能力的增长与个人优势之间，不再总有过去那样直接的联系。

二、从生产者到消费者：学习过程中的另一种变化

相比竞争优势的变化，AI还在改变一件更隐蔽的事：我们在学习过程中扮演的角色。

试想这样两个场景：一个人花费数小时，反复思考一道数学题，终于找到了解题方法；另一个人向AI提出同样的问题，几秒钟就获得了正确答案，并完全理解了其中的逻辑。

两个人最终都知道了答案，却未必获得了同样的满足感。

因为对于前者而言，快乐不仅来自答案本身，还来自答案产生的过程。那些困惑、尝试、失败和突然想通的瞬间，让一个原本不存在于自己认知中的东西，经过努力被建构出来。

这更像是一种生产者的快乐。

它和消费者的快乐有着微妙的区别。亲手做出一张漂亮的桌子，与在商店里买到一张同样漂亮的桌子，都能让人开心，但前者还包含一种额外的满足：这是我自己做出来的。

AI让我们越来越容易获得消费者的快乐，而不再是生产者。

面对一个复杂问题，可以让AI给出解释；觉得不够精彩，可以要求它换一个角度；还可以一次性生成五种不同的观点，再从中挑选最有说服力的答案。人当然仍然需要理解、比较和判断，但很多时候，主要工作已经从亲自寻找答案，变成了选择和理解答案。

于是，我们可能在一天之内接触十几个非常精彩的认知，每一个都觉得很有道理，甚至忍不住感叹“这个想法真厉害”。然而，几天之后，这些观点又变得模糊。它们曾经短暂地进入我们的认知，却未必像那些亲自思考出来的东西一样，留下深刻的印记。

AI让获得好答案变得前所未有地容易，却不一定让人获得同等程度的创造满足感。 这种变化，对于那些长期以创造知识为追求的人来说，可能尤其强烈。

2026年，数学界正在经历这样的冲击。AI在研究级数学问题上的能力快速提升，OpenAI公布的成果显示，其内部模型已经能够对存在数十年的数学问题给出新的结果，更多AI参与完成的数学研究也陆续出现。

数学研究是一项极其依赖长期积累的工作。一个数学家可能用十几年甚至几十年研究某个问题，反复尝试不同的方法，在看似没有进展的日子里继续探索。最终突破的那一刻，收获的不仅是一项学术成果，也是长期思考终于得到回报的满足感。

但AI正在改变这种体验。

2026年9月，康奈尔大学数学教授Steven Strogatz在谈到AI带来的数学突破时，甚至情绪激动落泪。他的合作者Alex Townsend则表达了另一种失落：自己投入15年从事数学研究，正处于职业能力的高峰，却发现AI已经开始触及甚至超越自己最擅长的能力。

这种感受并不难理解。对于数学家而言，解决一个困难的问题，不只是获得一个正确答案，更意味着凭借自己的能力，向人类知识的边界迈出一步。

AI能够帮助人类更快地解决问题，当然是一种进步。但对于研究者个人，亲自发现一个答案，与看到AI给出答案后再去理解和验证它，终究是两种不同的体验。

而在围棋领域，这种从生产者向消费者的转变，出现得更早。2017年AlphaGo击败柯洁后，AI逐渐成为职业棋手训练的重要工具。它让棋手能够迅速掌握高水平下法，却也改变了人们学习围棋的方式。

柯洁曾谈到，AI让棋手之间的差距变得更难拉开，大家都在学习AI认可的下法，个人棋风越来越不鲜明，围棋也失去了过去的部分美感。

这种感受背后，是棋手角色的微妙变化。棋手原本需要通过大量对局、研究和试错，逐渐形成自己对围棋的理解，创造出带有个人风格的下法。而有了AI之后，棋手可以直接获得更优的着法，再去理解、选择和学习。棋手依然在进步，但学习的重心，正在从创造自己的答案，转向掌握AI已经给出的答案。

数学和围棋的故事揭示了同一种变化：AI让高水平的知识和能力更容易获得，却也让学习者越来越多地扮演消费者的角色，而非生产者。生产者享受的是探索、建构和创造的快乐，消费者也是快乐的，但其持久性和获得感与生产者不同。

三、当学习的奖励机制改变，我们为什么还要学习？

这种变化正在以不同形式进入普通人的工作与生活。写作可以让AI生成初稿，学习一个复杂概念可以让AI直接解释，遇到困难可以让AI给出解决方案。甚至想获得思想上的启发，也不必等待偶然读到一本好书，或者经历一段漫长的思考，只要提出问题，就可能得到一批精彩的观点。

这些能力显著降低了学习门槛，让更多人有机会接触高质量的知识。对于一些人而言，AI甚至可能激发出更强烈的好奇心和探索欲。但另一方面，知识越来越容易获得，未必意味着学习本身越来越令人满足；获得认知成果的效率越来越高，也不意味着一个人总能感受到与之对应的能力增长。

这或许正是AI时代学习意义感危机的来源：支撑学习的两种重要奖励正在发生变化：一种是通过进步建立稀缺优势的快乐，另一种是亲自建构和创造知识的快乐。

当AI让知识和能力越来越容易获得，人们需要重新寻找努力学习与个人价值之间的联系；当AI开始参与甚至承担大量认知生产，人们也需要重新理解，学习过程中那些探索、试错和创造的经历究竟意味着什么。这并不意味着学习正在失去意义，更不意味着AI一定会削弱人的学习热情。但它确实让一个长期以来不需要反复解释的问题，开始重新浮现。

对于教育行业而言，过去更多需要解决的是如何让人学得更快、学得更好。无论是改进教学方法、优化学习路径，还是运用技术提高效率，都建立在一个相对稳定的前提上：人们愿意为了获得知识和能力而投入时间，因为这些积累终究会带来回报。

而当AI不断降低获得知识和能力的成本，学习者是否还愿意花费大量时间，亲自经历那些漫长、困难甚至充满挫折的学习过程？

当答案越来越容易获得，当能力越来越可以借助工具实现，当学习不再天然意味着拥有别人没有的东西，我们究竟为什么还要亲自学习？

也许，AI时代的教育不仅需要回答怎样让学习更高效，还需要重新面对一个更根本的问题：当学习的结果越来越容易获得，究竟是什么，让学习过程本身仍然值得？

本文来自微信公众号“多知网”（ID：duozhiwang），作者：Tcoh，36氪经授权发布。