好奇，或不得不学
作者高中时跟随同学学吉他；大学时“不得不学”高数。两件事的起点并不相同，不能都概括为好奇。
作者自述从个人经历，走向可检验的学习设计
让学习变快乐，
也让理解留下来。
AI 能把一个抽象概念变成可操作的场景。接下来要验证的是：关掉 AI 和图表后，你能否解释它、隔天记住它，并用于新问题。
01 / 先看清材料说了什么
“三次”是作者的经历，标题中的“定律”是 AI 概括。
看到具体用途
作者大学时为了弹唱重学吉他；2016 年因为工作转向 AI，再次打开数学教材。
作者自述兴趣变成学习理由
后来为了写歌再学音乐；这次因兴趣及发现知识缺口，重新学习高数。作者认为自己这次能学好，但文中没有后测结果。
体验与期待修正后的命题
同一个人可以多次进入同一门知识，动机也会变化。实用目标与内在兴趣可以并存；不必等到“第三次”或产生强烈热爱才开始。动机理论提供理解角度，不能证明一个固定的三阶段顺序。[2]
作者实际描述的 AI 学习体验
保存版正文让 ChatGPT 根据已有了解安排课程；用坐标图、实物图、选择题和滑块解释；以产品收入与定价为例学求导，再衔接梯度下降。作者报告了强烈投入感。
这能支持“作者感到学习有趣”，不能直接支持“学得更牢”“适合所有人”或“比所有教材都好”。
本次没有拿到的材料
证据缺口微信实时原页读取失败；未取得作者提到的评论区截图、实际对话、测验成绩及完整课程。保存版没有足够作者身份与发布日期信息，本页不猜作者。
正文提到的“10 月初更新功能”未独立确认，具体模型与可用账号范围也未确认。本页演示由本次制作，不是作者截图或 ChatGPT 原功能的复现证明。
02 / 把不同结果分别衡量
有趣、答对、学会、迁移，是四件事。
① 愿意继续
兴趣、投入与主动回来。自评只能说明体验。
② 当场做对
有提示、有图表时的表现。可能依赖工具。
③ 隔天仍会
关闭 AI、提示和示例，换等难度题。
④ 换题能用
更换数据、情境或表征，解释为什么。
这是本报告的评估框架，不是已经验证的必然因果链。四项之间不能直接画等号。
“有用”也可以是自主选择
内在动机指活动本身带来的兴趣或满足；外在动机的自主程度也有区别。认可某项技能对自己有价值，与被迫完成任务并不相同。
用途：避免把学习动机排成优劣等级。这是动机理论综述，不是 AI 教学效果实验。[2]
结构化 AI 辅导出现正向结果
研究在哈佛大学物理课开展，纳入 194 名参与者，采用两节课交叉设计。与课堂主动学习相比，研究专门设计的 AI 导师组在课后测验中表现更好，报告的参与感和动机也更高。
边界：特定大学课程、教学设计与短期测验；不能据此证明普通聊天、成人自学整门高数或长期保持必然有效。研究并未单独分离滑块的贡献。[3]
练习变好，独立测验仍可能变差
土耳其一所高中、近千名学生的 GPT-4 数学研究发现：普通 AI 组练习表现提高，但无工具测验成绩比对照组低约 17%（相对差异，并非低 17 个百分点）。提供教师设计提示与解题资料的导师组大幅缓解负效应，但无工具测验未显示显著正收益。
边界：当时的模型、特定高中和短期实验。不能直接预测当前模型或成人学习；提示文字也不是完整复制该研究干预。[4]
本报告的推断
AI 学习的价值需要由教学设计和测量共同确认。个性化能提供入口，交互能提供观察；要形成可检验的理解，还需要自己预测、解释、练习并在之后独立作答。这是待验证的设计建议。
03 / 从阅读变成一次真实操作
实验 A：价格越高，收入一定越高吗？
用一个假设模型理解导数：价格变化一点点，收入往哪个方向变化？这里的参数均为教学设定，不来自任何真实产品。
线性需求与收入
q(p) = max(0, a − bp) R(p) = p × q(p)
预测不会计入测试分数。先想，再看曲线。
先提交预测。解锁后可观察收入曲线与当前点。
横轴：价格（元）；纵轴：收入（元）。绿色点表示当前价格；k 表示千。
需求量—
收入—
贡献利润—
做完再看：为什么收入先升后降？
在正需求区间 0≤p<a/b 内，R=ap−bp²，所以 R′=a−2bp。R′>0 表示提价仍增加收入，R′<0 表示销量减少的影响超过提价收益。收入峰值是 p=a/(2b)。在 p=a/b 的截断处左右导数不同，不能直接套用平滑函数求导。
贡献利润为 Π=(p−c)q，尚未扣固定成本。c<a/b 时，其最佳价格为 (a+bc)/(2b)；c≥a/b 时，所有有销量的价格都不盈利，零销量的贡献利润 0 是最大值。真实定价需要估计需求、竞争与履约成本，本模型不能代替这些数据。
关闭辅助 / 一次近迁移练习
某假设产品的需求 q=max(0,180−3p)。求收入最高的价格；如果单位可变成本为 20 元，求贡献利润最高的价格。
尚未提交。这是换参数的近迁移练习，不是能力认证。
完成后查看解析
收入最优 p=180/(2×3)=30 元；贡献利润最优 p=(180+3×20)/(2×3)=40 元。此时需求仍为正。解释时应说明：成本改变了多卖一件的价值。
继续实验 / 看懂一次参数更新
实验 B：步子更大，一定学得更快吗？
梯度下降用局部斜率调整参数，使损失变小。下面只演示一个一维二次函数；它不能代表神经网络的高维、非凸训练，也不等于已经掌握训练大模型。
最小化 L(w) = (w − 3)²
梯度 = 2(w − 3)；更新：w_next = w − η × 2(w − 3)
先预测，再执行一步。
解锁后显示更新轨迹。
横轴：更新次数；纵轴：误差 w−3（自动缩放）。蓝线展示误差是否缩小；k 表示千。
当前 w—
损失 L—
步数0
核对数学边界：0.5、1 与 1.2 分别意味着什么？
令 e=w−3，则 e_next=(1−2η)e。对这个函数，从非最优初值出发：0<η<1 收敛；η=0 不动；η=0.5 一步到最优；η=1 等幅振荡；η>1 误差振荡放大。若初值就是 w=3，梯度为零，各学习率都保持在那里。
0<η<0.5 时同侧逼近；0.5<η<1 时交替越过但误差缩小。上述阈值仅对本函数成立，改变曲率后阈值也会变化。
再换一道题：你能自己算出下一步吗？
L(w)=(w−5)²，初值 w=1，η=0.25。只执行一步，新的 w 是多少？
尚未提交。算对后，再解释为什么要减去梯度。
完成后查看解析
梯度 2×(1−5)=−8，因此 w_next=1−0.25×(−8)=3。负梯度使 w 增大，向最小点 5 靠近。这里的“学习”指优化参数，不是证明人的理解。
04 / 一次小而完整的学习验证
七天只学一个概念，留下可比较的证据。
建议先选“导数是局部变化率”。以下是本报告提出的个人实验，不是已验证课程。每天约 10–15 分钟；可以因为兴趣学习，也可以因为工作需要学习，不用追求熬夜投入。
第 1 天：记录起点
无 AI 完成 3 道题：解释局部变化率、求一个简单收入函数的最值、解释最值不等于任何情境下的最佳定价。保留原答案和用时，不只记总分。请可信讲师或学习伙伴预先准备复测题与答案，分批封存，测试当天才打开题目；若用 AI 出题，先请他人核验难度与答案。无人协助时，选教材中未做的同类题，承认难度未严格配平。
第 2 天：预测与操作
只使用实验 A。先写预测，调整一个参数，再用自己的话说明变化原因；同时记录兴趣 1–5 分。
第 3 天：逐步撤掉提示
先给概念提示，再只给问题，最后关闭 AI 独立做题。分别标注“独立 / 概念提示 / 看过步骤 / 看过答案”。
第 4 天：隔天复测
先不看前一天记录，用不同数字做 3 道等难度题。若不会，保留失败答案后再补习，避免把补习后的分数当成独立成绩。
第 5 天：更换情境
脱离定价图，解释速度曲线的局部变化或一个新函数的增减。练习还要检验假设是否适用；单纯换数字只算近迁移。
第 6 天：按错误修复
概念错：回到一幅图与一句定义。计算错：单练求导和代数。会套式但不会解释：换成文字或图形问法。内容有争议：用教材或人工核对。
第 7 天：再次独立复测
用预先准备、未见过的等难度题复测，并记录上次练习距今多久。第 6 天若刚补习过，第 7 天不能算完整七天保持测试；可再隔一周测一次。
下一步由结果决定
建议门槛：3 题中独立答对至少 2 题，并能解释关键条件，才加下一概念；否则继续修复。这是自用决策阈值，不是心理测量标准，也不足以证明教学因果效果。
把记录留在你现有的笔记里
每天复制一行：日期｜概念｜题号｜原答案｜提示级别｜用时｜兴趣 1–5｜错误原因｜距离上次练习多久。不要只在本页输入后就关闭；本页刷新不会保留输入。
让“我感觉学会了”能被复查
| 分别记录 | 实际证据 | 不能替代 |
|---|---|---|
| 体验 | 兴趣 1–5、是否主动回来 | 独立正确率 |
| 辅助表现 | 答案、用时、提示级别 | 关闭 AI 后的能力 |
| 保持 | 明确间隔、未见等难度题、原答案 | 长期掌握 |
| 迁移 | 新情境中的解释与正确应用 | 换数字套公式 |
可复制：一轮学习提示词
本页没有联网模型、账号或上传功能。练习与文本仅在当前页面运行，刷新后会重置；需要保留时自行复制。单人前后比较会受熟悉题型、练习和期待影响，只能作为探索性记录。
05 / 从个人使用到可能的交付
先验证一个学习结果，再讨论产品。
这篇文章最直接的可借鉴价值，是把“请 AI 讲一下”改为一段有预测、练习和复测的学习过程。商业部分只是延伸假设；当前没有客户、订单或效果数据。
成人重学一个概念
选择曾经学过但不能独立运用的概念。交付给自己：一页解释、一个互动例子、三道题和一次隔天复测。
检验：能否少靠提示解决新题。页面漂亮、愿意多玩不等于学习提升。
为讲师制作单概念课件
候选客户是已有课程的讲师。只做一页经其核对的交互课件，加错误分支和课后测验。
检验：讲师实际用于一次教学，学习者完成核心任务；分别记录效果、修改工时、实际付款。尚未调查采购需求。
限定范围的学习辅导
围绕一个成年人明确的学习用途，试一次短时辅导。承诺诊断、练习和反馈流程，不承诺必然提分或学会整门学科。
检验：付款、交付接受、独立复测、后续使用、再次购买及成本。当前均待验证。
只试一个可撤回的小交付
建议先完成一次自用复测。若结果值得继续，再邀请一个真实使用者试一页课件，记录其独立完成情况。只有当具体人愿意付具体价格，才试一次收费交付；不用为未验证需求先做学习平台。
四项商业证据分别成立
学习收益：学习者能否独立完成目标任务。
付费：真实报价和到账，而非称赞。
持续价值：之后是否使用或自愿再次购买。
经济结果：收入减去工具费用、备课、答疑、返工及获客成本。
付款不证明学得更好；学得更好也不证明盈利。一次试用或订单只能决定下一次实验，不能证明稳定需求。
06 / 可追溯、可反驳、可继续
本版改了什么，证据到哪里。
本次迭代
① 把“学习定律”还原为个人经历。② 将体验、辅助表现、保持和迁移分开。③ 补上两个有预测与独立题的模拟器。④ 为七天计划加入提示级别、测试间隔与失败分支。⑤ 把商业价值限制为可试验的假设。
范围与未参与项
未确认：微信实时全文、评论截图、作者身份与发布日期、功能上线时间、实际学习效果及商业需求。
来源目录
- Ryan & Deci：Intrinsic and Extrinsic Motivations · Contemporary Educational Psychology, 2000。理论综述，已打开原始 PDF。
- Kestin 等：AI tutoring outperforms in-class active learning · Scientific Reports，2025-06-03。已打开原文；仅用于说明特定结构化辅导的短期结果。
- Bastani 等：Generative AI without guardrails can harm learning · PNAS，2025-06-25。已打开原文；研究场景与模型均有限定。