TL;DR
Learn in Public 强调将学习到的知识 分享到公共空间,相较于纯输入式的学习有诸多好处。AI 工具极大降低了信息检索、整理、概括的门槛,使得输入信息更容易,但对我们真正掌握知识的帮助仍然有限,所以我们更需践行要像 Learn in Public 这样能提供 有效输出 的学习方式
AI 工具大大降低了信息检索、整理和概括的门槛,使得获取信息更加便捷,但对我们真正掌握知识的帮助仍然有限。因此我们更需要践行像 Learn in Public 这样重视 有效输出 的学习方式
为什么会想到这个话题
偶然间看到 Owen 发的贴子:
看到一个说法:笔记是一种无限游戏,没有结果,只有过程;而博客是一种有限游戏,因为它产出了完成的作品:博文。这说明我们不能当一个完美主义者,只在脑海或草稿箱中保留想法,我们应该尽可能完成作品,公开它,然后不断的练习这个过程。
我更坚定那个想法了:做一个默认设计为公开的笔记软件
看到这个贴子,马上联想到了 Learn in Public 这个概念,开始思考自己的这些年记笔记的方式,意识到了原来的方式可能存在一些问题,于是开始尝试践行 Learn in Public,将自己学习的一些东西写成博客、用学到的知识做一个有意义的产品等等。经过了这段时间的实践,再结合上自己日常使用 AI 的一些感受和想法,很自然地就想到了这个话题
什么是 Learn In Public
在 swyx 发布 Learn In Public 后,这个概念变得更加流行。Learn in Public 强调的是 将学到的东西分享到公共空间
常见的 Learn In Public 的方式,例如:
- 撰写博客、教程
- 在会议上发言
- 在问答社区提问或者回答
- 制作并发布视频
与之相对的 Learn in Private 侧重的是 消费内容,例如:
- 个人笔记
- 阅读书籍
- 阅读源码
- 订阅 GitHub 的 Repos 和 Issues,观察其他的人实践
为什么需要 Learn in Public
- Learn in Public 是一个输出的过程,促进知识的整理、理解、求证,帮助我们拓宽对某些 知识理解的边界
- 公共空间能提供 反馈,反馈可以产生激励、也可以修正我们努力的方向
- 有助于 筛选 所要学习的东西,Learn In Public 会花费大量精力,它能促使我们评估即将学习的内容是否值得
- 对抗完美主义,先有产出,走出第一步再根据反馈 持续迭代,而不是止步不前
- 很多的知识都来自 Public ,所以没有什么好藏着掖着,大部分的成果可能都是站在巨人的肩膀上
为什么 AI 时代更应该 Learn in Public
在 AI 的推动下,知识获取已经实现了质的飞跃,但对我们真正掌握知识的帮助仍然有限,所以我们更应该 Learn in Public,做更多的 有效输出
AI 时代信息检索、整理、概括成本急剧下降,机械式学习 或者是 誊抄式地摘抄笔记 在变得更加没有意义。在 GPT 兴起之前,使用的优秀的搜索引擎、完全使用英文搜索技术问题、阅读官方文档,这些都被视为一种能力,如今众多的 AI 工具已经极大缩小这些差距。ChatGPT 或是 devv.ai 这类 AI 工具都提升了检索效率,在 AI 的加持下 沉浸式翻译 这类的插件提高了外文阅读的效率,解决普遍问题正在变得越来越容易
一些知识技术迭代快,在时效性上一些 摘抄笔记 不如 检索增强生成(Retrieval Augmented Generation)的 AI提供的实时内容。我曾经也沉迷在各种笔记工具,复制粘贴,忽略了思考,随着知识的更新迭代,这些笔记开始慢慢腐烂,变得食之无味弃之可惜,最后自己都不想看
目前的 AI 还不具备实践或跨流程解决问题的能力,事物之间的衔接仍需我们来完成,实践和深度地分析解决问题的价值更加凸显
一些思路分享
- 利用好 AI 工具:AI 生成的内容可能在准确性、时效性、效率上要优于常规方式检索。我们可以用 AI 快速了解一些知识的轮廓,也可以在 AI 的辅助下更深入地学习某些 有价值 的东西
- 将学习到的知识 分享到公共空间,可以设定一个小目标,比如:针对某个知识点写出比 AI 生成内容更高质量的博客
- 用公开的博客代替私有化的笔记,用反复地思考推敲 代替 随意地复制粘贴引用
- 以项目或者是作品驱动,直接开始做,用好 AI 工具,边学边做