专栏名称: 阿里开发者

阿里巴巴官方技术号，关于阿里的技术创新均将呈现于此

跟着ChatGPT4o学全栈，我看到未来“学习”的模样

阿里开发者 · 公众号 · · 2024-06-20 08:30

正文

阿里妹导读

本文作者用一个GPT4o学习全栈的例子来阐述大模型对学习的影响，以及对于未来学习的思考。

引言

大模型是否会取代人类，以及它将取代哪些工作，这或许是许多人焦虑的问题。对此，众说纷纭，网络上各种观点层出不穷。虽然这些问题对未来的重要性不容忽视，但它们对于当下的我们缺少实际的指导意义。因此，我们不妨暂时将这些问题放在一边，转而关注那些对当前，以及可见的未来都有实际影响的问题。

那么，什么是有影响的问题呢？我认为 我们应该关注如何运用大模型 。这一观点可能会被一些人所不屑。自古以来，我们对‘器’和‘术’的轻视，往往导致我们忽略了工具的重要性。

事实上，工具的作用是至关重要的，在没有马镫之前，骑兵的优势并不明显，只是冲锋那一下而已。但是有了马镫之后，骑兵可以在奔劳的时候保持平衡，从而更精准地射箭和使用长矛。这个细微的变化让骑兵在战场上具备了更大的机动性和战术灵活性，极大地提升了他们的战斗力。

在今天，我认为 大模型在生产力和学习上都会带来深刻的变革 ，尤其是在学习方面。 接下来，我以一个用GPT4o学习全栈的例子来阐述一下大模型对学习的影响，以及对于未来学习的思考。

学习过程

我开始设定一个目标，即 期望在一天内搭建一个前端项目 ，理解其核心代码，并实现一个需求变更。

漫不经心提问=糟糕的回答

首先，我试图向ChatGPT询问一些学习路径。它的回答显得比较机械化，与网上的答案相差不大。实践周期也较长，无法让我满意。

Prompt是决定性的

我意识到，我的Prompt写得有问题，我需要给GPT更明确的背景和要求，所以我重新编写了一版Prompt。

角色：前端技术专家
背景：Java开发工程师，有不错的编程基础，也有一些前端基础，比如HTML，CSS和JavaScript基础
任务：根据上下文中提到的，根据目前的技术水平和学习时间，帮助完善前端学习路径，学习路径如下：1、开启一个Helloworld项目2、学习基础语法3、学习框架React4、项目进化，实现一个待办事项功能
要求：1、Helloworld项目要使用React技术，给出Helloworld的实现步骤，包括环境搭建，使用命令行，以及每个命令的解释2、基础语法要提供ES6的一些基础语法概念，以及这些语法概念的解释3、列举React的一些基础概念，以及这些基本概念的解释4、基于React，给出核心实现代码，以及实现代码的解释

这次GPT的回答结构更清晰，更实用，也更符合预期。

详细的步骤，请参考：

https://chatgpt.com/share/f0b61434-3302-4140-88a9-b64fe8ae986e

先让项目run起来

1. 环境安装

这一步比较容易出现问题，我们让GPT给出更详细的步骤。

非常nice，GPT给出了可执行的步骤~ 同时它也给出了其他可选项（使用nvm安装）

如果我们想进一步理解nvm，可以接着追问，这里不再赘述。

2. 运行项目

首先，按照HelloWorld（GPT答案中提供的案例）创建项目，并确保能够正常启动。然后，将TodoApp的代码复制到HelloWorld项目中，直接执行即可。如遇到编译或执行问题，可直接向GPT提问，GPT通常能解决这类问题。

以上过程较为简单，故不再展示。

不熟悉的前端

作为一名后端程序员，入门前端最头疼的有两个方面：

首先，各种“乱七八糟”的符号，变量和函数超级多的定义和赋值方式。

其次，前端框架（如React）的概念理解，例如什么是生命周期，什么又是状态（state）。

没关系🙏🏻，糟心的事情就让GPT去搞定吧！

理解它，吸收它

搞定糟心的符号

对于无法理解的语法 const [todos, setTodos] = useState([]); ，让我们交给GPT来解释。

不先考虑表达式右边的useState，我们看一下左边的部分。GPT只解释了[todos, setTodos]是“解构赋值”。那么，我们进一步追问const是什么。

好的，我们现在大概了解了const是用来定义常量的，特别是它的“不可重新赋值”的特性。这是否与Java的final关键字非常相似？让我们让GPT进行一下对比。

难以理解的概念

我们以组件生命周期为例，来看如何利用GPT理解这一概念。

被惊艳到了🤩，GPT用到了”类比“的方式帮助我们理解生命周期的概念。

对于自己理解上不太确定的点，同样可以向GPT提问。

以上，我们已经基本入门了全栈开发，并且运行了项目。整体来看，我们大概花了2-3个小时，这比预期的一天要快得多。

下面，让我们暂时忘记GPT的神奇，回到文章的初衷，重新思考GPT为学习带来的变革。

大模型为学习注入新的可能性

在讨论之前，我们先了解下学习过程

学习是一个复杂而多阶段的过程，每个阶段都有其独特的特点和目标。我们可以将学习过程分为以下几个阶段：

1. 接触（Exposure）： 学习的起点。首先，我们需要注意新的信息、知识或技能，并对其产生兴趣。

2. 收集（Gathering）： 系统地广泛地获取更多相关的信息和资源，以便更全面地理解新知识或技能。

3. 理解（Understanding）： 指将所收集的信息进行消化、分析和综合，以便形成对新知识或技能的全面认识。

4. 记忆（Memorization）： 涉及将理解的知识或技能存储在长期记忆中，以便将来可以方便地检索和应用。知识的理解程度对记忆的影响非常大。

5. 应用（Application）： 指将所学的知识或技能在实际情境中加以运用，以解决问题或完成任务。

6. 反馈（Feedback）： 根据应用的结果和他人的评价，反思和改进学习方法和策略。

失败的学习随处可见

众所周知，学习过程中最耗费精力的是收集资料。寻找资料源、筛选高质量资料、系统化组织资料，这些任务不仅耗时费力，而且结果往往不尽如人意。

在理解知识的过程中，我们需要大量的阅读、训练和思考。由于缺乏系统指导，学习者常常感到困惑和迷茫。

长周期的学习需要及时反馈。比如，学习一门新的编程语言，从基本语法开始逐步掌握，可能需要一到两个月才能开始实际操作项目。这么长的学习周期可能让我们失去目标感，增加中途放弃的风险，最终可能感到挫败。

在学习过程中，缺乏足够的动力、信息过载、容易陷入单调重复、缺乏实践应用场景、反馈时间过长或无法得到反馈等都是障碍。这些问题都可能导致人们放弃学习。因此，我们常常看到失败的学习案例，而成功有效的学习案例则寥寥无几。

大模型让学习更容易成功

通过上述演示，我们可以看到大型模型在各个学习环节中都能提供巨大的帮助，甚至在某些方面产生颠覆性的影响，这些影响能够提高学习成功的几率。

在资源收集方面，传统的模式（主要是搜索）需要在许多来源中收集。

在此基础上还需要进一步做筛选和判断，这将消耗大量的精力。

然而，大模型在资源收集上有两个优势：

高度整合的知识： 大模型拥有大量的高质量知识，尤其在编程方面；
按需定制： 大模型可以根据个人水平实现定制化的教学课程；

当然，GPT在这里也有一些限制：

知识更新不及时： 通用的大模型不会使用未经验证的知识进行训练，虽然如此，但目前大模型的知识水平已经足够应对大部分的学习需求了。
知识缺乏系统化： 大型模型就像一只具有优秀记忆力的鹦鹉，它本身并未形成系统化的知识，需要借助prompt（像本文中学习前端的例子）或agent来实现结构化和系统化。

我们都知道， 理解是形成长期记忆的关键，而通过知识的类比和迁移来理解新知识是一种有效的方法。 

然而，建立类比和迁移这座连接新旧知识的桥梁并不容易。这不仅需要学习者理解新的概念，还需要将这些概念与已有的知识结构相结合，以便在新的情境中使用。如果对新概念理解不足，或者旧知识基础薄弱，就无法建立这种联系。

大型模型在我们理解知识的过程中带来了新的启示，它具备非常强的知识类比能力。 大模型以Java工程师的角度解释了如何理解React组件生命周期。它通过类比Java类的生命周期来讲解React组件，这个方法非常有效。我相信只有既熟悉前端又熟悉后端的人才能如此解释，而GPT的回答如此自然。

同样，当我们尝试用类比（如将state与Java的成员变量进行比较）来理解新知识时，它会给我们提供更丰富的建议，更深入的解释，以及更多样的案例。

反馈对于学习的重要性，毋庸再言。在这一阶段，大模型同样展现出强大的能力。

实时反馈： 大型模型能够提供即时反馈，让学习者在学习过程中随时了解自己的表现。例如，当我们完成一段代码或者一个功能时，大型模型可以立即进行审查并提供改进建议。这并不止是效率的提升，更重要的是，它可能会引发更深层的变革。

学习是反人性的，人类也并不擅长学习，重要的原因是学习过程充满未知，可预期性差。尽管人类天生好奇，但遗憾的是这种好奇心并不能维持很长时间。聪明的教育者会运用各种技巧来提升学习的可预期性（更明确的奖赏），以尽可能地延长好奇心的持续时间。

提升反馈效率不仅表面上会提升效率，同时也会提升学习的可预期性，可能大模型会使学习这件事情不那么反人性。

多样化的案例： 大模型能够提供多种多样的案例，甚至我们可以用大模型创造案例；

面向未来

跟着ChatGPT4o学全栈，我看到未来“学习”的模样

正文

搞定糟心的符号

难以理解的概念

请到「今天看啥」查看全文