AI时代,我为何仍坚持书写与输出知识

新闻

作者：微信文章
过去一年，我主要在进行多因子策略的研究工作，AI成为了我全程依赖的辅助工具。从策略核心思路、因子筛选逻辑，到工程落地的代码撰写、测试用例生成，再到投资组合的搭建，AI总能快速响应、提供完整方案，实现多个独立任务。在它的助力下，我搭建起5万多行的多因子量化研究框架，初步完成了多套投资组合（包括实盘产品）的研发与回测工作，看似收获颇丰、稳步推进，可内心的困惑却愈发强烈。这些困惑或许屏幕前的你也曾体会过：

1）依赖AI给出的现成答案，我们真的能确定，它（写的代码）符合逻辑、没有隐藏Buf吗？

2）面对AI输出的运算结果，如何验证它的合理性？还是只能盲目相信？

3）即便照着AI的方案、使用智能体或者🦞，搭建起了属于自己的框架、完成了相关工作，我们就掌握了核心、拥有立足行业的底气了吗？

4）为何明明看似“会了”，却始终觉得自己只是在“照猫画虎”，徘徊在领域大门之外，无法真正吃透逻辑、实现自主掌控？

这种“看似懂了，实则没通”的迷茫，到底该如何打破？

5）身边也常有同行反驳：“工具都封装得这么完善了，智能体、AI又能高效干活，何必浪费时间学底层逻辑？” 然而，是这样的吗？

其实，这正是我们最容易陷入的误区——把工具的便捷，当成了自己的能力；把AI的输出，当成了自己的认知。

今天，仅从我自己的经历中分享近期的一些思考，可能不够全面，轻拍，欢迎交流。
一、工具无法替代底层认知建构


不可否认，AI、封装工具与智能体，给我们的学习和工作带来了质的提升：AI能快速提供繁杂琐碎的知识，帮零基础的我们快速入门、解决表面困惑；封装工具能降低操作门槛，省去反复调试的繁琐；智能体更能并行处理多个独立任务，大幅节省时间成本。但时间久了会发现，这种“被动接收、无法验证”的学习方式或者交互方式，反而会成为深入学习的阻碍。

我过往一年的经验也证明了这一点：AI帮我省去了翻查海量资料、反复梳理策略逻辑、调试代码的繁琐，极大地降低了我的入门门槛；各类封装完善的工具，也让我能快速完成框架搭建、代码落地等基础工作。AI与工具提供了“外部信息”和“操作便捷性”，是现成的、无需思考就能拿到的结论、代码和操作结果，也切实改善了时间成本；

但随着研发工作的推进，我越来越发现：我能让AI生成代码，却不懂进一步代码背后的逻辑；能借助工具完成操作，却无法判断输出结果是否合理；能跟着现成框架推进工作，却难以根据实盘需求灵活优化。

种“看懂却不会用、会操作却不掌控”的无力感，让我深刻意识到：工具封装的核心是“降低门槛、提高效率”，而非“替代学习和认知建构”。这些工具再强大也只是“辅助者”——AI传递信息、工具提供操作、智能体高效处理任务，它们能给出现成结果与便捷路径，却始终无法替代我们自身的认知建构过程。在AI时代，我们更需重构学习逻辑、回归本质，通过主动输出、深度思考，打破“看似懂了，实则没通”的迷茫。

这背后其实是工具与学习的本质区别（一个老生常谈的话题）：学习的核心是主动建构认知结构的过程。它需要我们用自己的思考，把新知识与已有经验联结、验证、重构，形成稳定的认知网络。这个主动建构的过程，任何工具都无法替代。而这份靠自己建构起来的认知，才是我们立足领域、面对AI时代，面对工具不断迭代时，最真实、最不可替代的底气。

那些认为“工具封装就无需学习”的人，恰恰混淆了“会操作工具”与“认知建构”的区别。

二、认知结构的形成离不开输出的倒逼

认知结构理论指出，人类的知识体系并非零散知识点的堆砌，而是由相互关联的知识节点构成的动态网络。认知结构的形成与强化，需经历联结、整合与迁移三个核心阶段，而这三个阶段，都离不开主动输出的倒逼，尤其是在强逻辑、重实操的领域。

第一阶段为知识联结，即学习者将新知识与已有认知中的相关节点建立关联。

第二阶段为知识整合，即将零散的知识联结梳理为系统、稳定的认知框架。AI 可以分别解释知识点、生成代码，工具可以完成每一步操作，但它们无法把零散内容整合成我们面对场景所需的完整能力。而每一次书写、复盘、总结原理，都是在把碎片拼成体系 ——这种从零散到系统的突破，是被动接收永远无法实现的。

第三阶段为知识迁移，即运用已形成的认知结构，解决新场景下的问题。这是衡量知识掌握程度的关键标准。这种迁移能力、验证能力、问题解决能力的形成，离不开一次又一次的输出练习。若不坚持输出，即便记住了AI给出的所有答案、复制了所有代码、熟练操作了所有工具，也只能停留在“纸上谈兵”“机械操作”的层面。

上述三个阶段，每一个都离不开学习者的主动思维参与，AI与工具无论多智能、多便捷，都无法直接完成。它们可提供孤立的知识节点、生成代码和测试用例、提供便捷的操作路径，但无法替代完成节点间的联结、梳理代码间的逻辑、整合操作与原理的关联；可提供现成的知识框架、操作流程，却无法替我们完成整合与迁移、优化代码结构、适配新场景；可给我们所有答案、所有操作步骤，却无法替我们形成解决问题、验证对错、排查代码隐患、适配工具迭代的能力。

这里就不得不重提费曼学习法了。它的主要理念是“通过教学实现学习”，通过“输出倒逼输入、输出强化理解”，与人类认知结构的形成规律高度契合。它也是我一直以来践行的学习实践，多年以来受益匪浅。毕竟，能讲清楚、能写明白、能教会人，才是真的懂了。

总结

强调输出式学习的价值，并非否定AI与工具的价值。相反，我始终将它们视为不可或缺的辅助伙伴——正是因为有它们，我才能快速搭建框架、完成研发、落地工程，把时间留给更核心的思考。

但我更清楚：工具可以赋能，但不能替代认知。

AI与封装工具永远无法替代知识的内化与能力的建构，“工具赋能，主体回归”才是AI时代、工具封装时代的正确学习姿态。

那些认为“工具封装就无需学习”的观点，恰恰忽略了学习的核心意义——我们学习，不是为了重复造轮子、不是为了放弃便捷工具，而是为了掌握轮子的原理、掌握工具的底层逻辑，既能用好工具，也能在工具无法满足需求、迭代更新时，自主优化、自主适配、自主解决问题。

而坚持输出，正是我摆脱AI依赖、打破“被动接收、机械操作”困境的关键，是我走出迷茫，真正走进量化领域的底气。我相信也是我们每一个人，在这个工具越来越强的时代，守住自己核心竞争力的最好方式。