如何从零开始学英语（和学 AI）

最近研究 AI 时，我经常有一种熟悉感。

新模型刚出来，大家追模型；MCP 火了，大家学 MCP；Agent、Prompt、Harness 又有了新的说法，课程和教程很快跟上。很多人每天都在学，收藏夹越来越满，嘴里的名词越来越新，可你问他：AI 到底替你解决了哪个以前解决不了的问题？工作和生活具体改变了什么？答案常常很模糊。

这像极了我们小时候学英语。背单词，做题，学语法，听录音。每个环节都能计数：今天背了多少词，刷了多少题，教材学到第几册。唯独最重要的那件事很晚才发生——真的用英语跟一个人交流，读自己需要的资料，去一个新的地方，把一件事办成。

知识当然有用。问题出在，我们很容易把关于工具的知识，当成使用工具的能力；又把学习过程里最方便统计的东西，当成学习的结果。

所以我想从一个很简单的问题开始：如果今天让你从零学一门外语，你还会走一遍小时候的老路吗？

我的答案很明确：大概率不会。

这也正是我现在看 AI 学习的出发点。先让工具进入一个真实任务，跑完一次，再决定接下来该学什么、该怎样做快。我把它叫作“先闭环，后提效”。

如果今天从零学西班牙语

假设你现在要学西班牙语，没有考试，也不准备研究语言学。你只是想把它带进生活。

你可能有一个讲西班牙语的朋友，想在见面时聊上几句；孩子在学校接触西班牙语，你想听懂老师常说的词；或者你喜欢墨西哥菜，至少想知道菜单上的菜名怎么念。于是你先学 agua、leche、gracias、muy bien，学怎么打招呼、怎么点菜、怎么让对方明白你的意思。

你的发音可能不准，人称和时态也会混。第一次开口时，你甚至要靠手势、菜单和对方的猜测才能把话接下去。可只要对方听懂了，你也得到了想要的回应，一次沟通就成立了。

这里发生的事情很小，却比背完一张词表多了几个关键部分：你知道自己为什么开口，知道对方是否听懂，也知道下一次最该补哪个缺口。

更微妙的变化是，你开始拥有选择学习内容的权力。词典里每个词都是真实的，语法书里每条规则也都可能有用，但人的时间有限，眼下的重要性并不平均。一次真实交流会替你重新排序：刚刚没听懂的那句话排到前面，半年内用不到的生僻表达可以往后放。这个排序不是老师凭空设计的，也不是课程目录替你决定的，它来自你自己的生活。

而且，沟通成功不会掩盖问题，反而让问题变得更容易承受。完全不开口时，发音不准像一种对整个人的否定；已经把事情办成以后，它只是下一轮可以修的小缺口。学习者不再等待“准备好”的那一天，而是在每次使用中，把准备的标准往前推一点。

我以前简单入门过西班牙语，当时吸引我的也不是一套宏大的学习计划，而是加州生活里随处可见的地名。学过一点之后，再看 Los Gatos、Palo Alto、Las Vegas，会突然发现那些熟悉的名字有了另一层意思。语言从教材里的对象，变成了理解身边环境的一把钥匙。

这种变化很重要。小时候的学习奖励常常来得很晚：背完这一课，考完这一场，再等一个分数。真实使用的反馈来得很快。你说了一句，对方笑了；你看懂一个词，菜单和路牌就多了一层信息。一次成功会自然地把你带到下一次使用，而下一次使用又会暴露新的不会。

学习开始持续，往往不是因为计划做得更严密，而是因为你已经尝到了“会一点也能用”的好处。

这不等于发音、词汇和语法不重要。它们的重要性只是换了位置。你不必等到全都学好才开口；开口之后，你会更清楚为什么要学它们。别人总听错某个词，你就去修发音；一句话反复说不清，你就补对应的句式；同一种错误出现几次，语法开始帮你压缩经验。

十多年前，我在回答如何系统地学习英语时写过：不谈目的，就无法定义什么叫“系统”。为了读论文、与人交流、参加考试或在国外生活，需要的路径本来就不一样。今天回看，我仍然认同这个判断。所谓从零开始，第一问不该是“教材从哪一本看”，而是“我准备用它做什么”。

AI 学习也有自己的“单词表”

换成 AI，很多人的学习顺序突然又退回去了。

MCP 是什么，Prompt 有哪些模板，RAG 怎么搭，Agent 和普通工作流有什么差别，哪个模型的上下文更长，Harness 又该怎样理解。这些概念并非无用。问题是，当它们脱离了一个待解决的任务，你很难知道自己究竟理解了多少。

一个人可以把 MCP 的定义讲得很顺，却从未遇到过需要连接外部工具的任务；也可以收藏几百条 Prompt，却没有把其中任何一条放进反复发生的工作里；还可以画出复杂的 Agent 架构，却说不清最终结果由谁检查，错了会影响谁。

这与背单词的困境很接近。单词是语言的一部分，但把词义记住，不等于能在对话里听懂、选择和说出来。AI 名词也一样。知道一个能力存在，与知道它该在什么时候进入自己的工作，中间隔着真实场景。

我更愿意这样评价一个人会不会用 AI：他能否从手头的问题出发，把目标说清楚，让工具参与其中，检查结果，再根据错误改一轮。工具可以很简单，过程也可以是手工的。先看事情有没有向前走。

这会把学习标准从“我知道多少”换成几组更难伪装的问题：

• 原来哪件事做不了，现在能不能做了？
• 原来哪一步很慢，使用之后是否真的变快？
• 结果交给真实的人之后，对方接受、修改还是拒绝？
• 如果结果错了，你能不能发现，也知道下一步往哪里查？

这些问题不如模型参数和术语整齐，却更接近能力。

英语说得好不好，也不只由口音决定。职场沟通里，有口音并不妨碍一个人把意图说明白；发音很漂亮，也救不了混乱的逻辑。同理，一套看上去复杂的 AI 工作流，不会自动带来更好的交付。模型、脚本和接口藏在后面，用户接触到的是结果。

工具熟练度最有价值的证据，不是你能解释它，而是你能用它把一件具体的事往前推进。

闭环到底是什么

我以前写《AI 提效已索然无味，下半场是什么？》时，把商业场景里的闭环讲得很直接：获客、交付、变现要接起来，终点要能验证。那篇文章讨论的是生意，所以收入或成本是很重要的结果。

学习的闭环可以更小，也不一定与赚钱有关，但结构相同：有一个明确目的，有一次实际输出，有外部反馈，反馈能够改变下一次行动。

学西班牙语时，目的是完成交流。你说出一句话，对方的反应就是反馈。没听懂，你换一种表达；听懂了但回答出乎预料，你再学怎么接下去。每一次循环都在修正你的语言。

学 AI 时，闭环也要落在某件你原本就在做的事上。你可以先让 AI 参与一份内容、一段分析或一个小工具的制作，但不能停在“它生成出来了”。内容有没有被读懂，分析能不能支持判断，小工具能不能被人使用，才是后半段。没有后半段，生成只是一次演示。

这里最容易混淆“产出”和“结果”。十篇文章是产出，有没有人愿意看、读完后有没有得到东西，才接近结果；几百行代码是产出，代码能否在目标环境里运行、是否解决使用者的问题，才接近结果。AI 很擅长快速增加前者，因此也更容易让人误以为后者已经发生。

反馈还必须来自闭环之外。自己看着生成结果觉得不错，只能证明它符合自己的预期；读者、同事或使用者真的接触以后，才会暴露预期里漏掉的部分。对方可能看不懂，也可能根本不需要这个功能。这样的反馈并不舒服，却能阻止学习围着自我感觉打转。

有时外部反馈也不是一句评价，而是行为。一个人嘴上说“挺好”，却没有继续使用；一份内容看起来完整，却不能帮助下一步判断。这些信号会迫使你重新检查目标。AI 可以帮助修改表达、补充形式，却无法替你宣布任务已经成功。闭环之所以珍贵，正因为终点不由制作者单方面决定。

闭环不是把所有步骤都自动化，而是让结果第一次接受现实检验。

所以开始时，手工并不可耻。你可以自己整理输入，自己与 AI 来回沟通，自己检查，再把结果交出去。这样做会让你看清任务的变化、错误出现的位置，以及人必须保留的判断。如果这些事情还没看明白，就急着把每一步接成自动流程，最后很可能只是让错误跑得更快。

等闭环跑过几次，提效才有对象。重复而稳定的动作可以固化；经常出错的地方可以增加检查；需要特定上下文时，你会明白为什么要接数据和工具；人工等待太多时，才有理由研究 Agent 或 Harness。概念不再是一张必须背完的清单，而是解决具体摩擦的零件。

这也是“后提效”里的“后”。它不是让人永远停留在粗糙状态，更不是排斥工程深度。它只是要求顺序服从证据：先证明这条路通向一个值得去的地方，再修路、换车、加快速度。

第一次跑通能证明的其实很有限：这件事至少可以完成，有人愿意接触结果，最初的设想并非完全脱离现实。它还不能证明需求会反复出现，不能证明质量已经稳定，也不能证明自动化以后仍然成立。把这几件事分开，能避免一个小成功被过早讲成成熟能力。

接下来几轮闭环的任务，正是检查重复性。相似的问题再次出现时，原来的方法还能不能用；换一个使用者，评价会不会变化；投入更多时间，结果是否真的更好。只有这些答案逐渐稳定，提效才是在放大经验。否则，所谓优化很可能只是把第一次偶然成功的做法固定下来，反而让后面的修正更困难。这个检查也能帮助你判断，这件事值得继续，还是应该及时停下。

为什么闭环会改变学习速度

脱离场景学习时，“我不会 AI”是一个巨大而模糊的问题。它可能指不会写 Prompt，不懂模型限制，不会编程，也可能只是没找到适合自己的用途。面对这么大的词，人自然会寻找一套完整课程，希望别人替自己决定先后顺序。

进入一个任务以后，问题会迅速缩小。你会看到这一次输出缺了什么：输入没有说清，材料不够，格式不对，事实没有核验，或者结果根本不是对方要的。下一步学习由错误指向，搜索和提问也随之具体。

语言学习也是如此。“我西班牙语不好”没有行动方向。“刚才对方说价格时我没听懂”就很具体。前者容易带来长期焦虑，后者通常只需要补一小块，然后再试一次。

闭环还会改变知识的记忆方式。一个孤立概念只能挂在定义上；当它刚好解决过一次卡点，它就多了任务、错误和结果作为线索。以后再遇到相似问题，你不只记得那个名词，还记得它为什么出现。

但需求驱动不等于永远只学眼前的一点。我在回答自学 AI 应该打地基，还是根据需要从点扩到面时，给过一个边界：实践可以牵引理论，同时要保留一张知识地图。地图不要求你走遍每个地点，它让你知道当前问题属于哪一块，附近还有什么，以及什么时候需要系统补课。

这张地图对新手尤其重要。没有地图，人可能反复用同一种笨办法，或者把工具偶然给出的答案当成通用规律。有了地图又没有任务，则容易把探索变成参观。两者要接起来：任务决定此刻往哪里走，地图避免你误以为眼前的小路就是全部。

我喜欢“先闭环，后提效”，还有一个很现实的原因：它让快乐更早发生。读懂一句话、让一个人听懂、做出一个以前做不了的东西，这些反馈会给人继续投入的理由。学习不再靠一份遥远的承诺支撑，而是不断出现小的、可见的变化。

英语或 AI，真的能让人赚更多钱吗

再回到那个很有诱惑力的问题：一个人是因为学了英语，才赚到更多钱吗？把英语替换成 AI，这句话成立吗？

我觉得都不能这样直接归因。

英语确实可能打开机会。它让人接触更多信息，与更多人沟通，也让一些岗位变得可达。OECD 对 2021 年欧盟 27 国和英国在线招聘信息的分析显示，22% 的岗位明确要求英语；在经理和专业人士岗位中，这个比例约为一半。这说明英语是许多职业机会的入口，却没有证明只要学会英语，收入就会自动上升。

另一项基于 2005 年印度数据的英语能力与工资研究发现，在控制一系列可观察因素后，流利英语与约高 34% 的时薪相关。这里最重要的词是“相关”。会英语的人还可能拥有不同的教育背景、家庭资源、城市机会和行业选择。即使统计模型控制了一部分差异，也不能把 34% 写成任何人学会英语都能复制的收益。

更接近现实的因果链是：英语扩大了你能接触的信息、人和市场；你在更大的范围里发现机会；再依靠专业能力、判断、信任与交付把机会变成结果。英语在里面很重要，但没有独自完成整条链路。

AI 也是这个位置。它能降低写作、分析、编程和制作的部分成本，让一个人试得更多、更快，也可能补上原来跨不过去的技能缺口。可它不会替你决定哪个问题值得解决，不会凭空带来愿意使用结果的人，更不能自动建立长期信任。

可以把影响拆成三层。第一层是进入：原来读不了的材料、接触不到的人，工具让你有机会靠近。第二层是执行：原来耗时很长或需要别人协助的动作，现在可以自己先做一版。第三层才是结果：对方是否愿意采用，合作能否继续，收入有没有变化。前两层会提高第三层发生的可能，却不能保证它发生。

许多“学会工具就能赚钱”的叙述，正是把这三层压成了一步。它展示一个漂亮产出，随后直接跳到商业结果，中间省掉需求、分发、信任和交付。对学习者而言，这种省略很有吸引力，因为工具课程可以购买，后面那些事只能进入现实慢慢验证。可恰恰是被省略的部分，决定了工具最终值多少钱。

工具改变的是你的可达范围和执行成本；结果还取决于你选了什么问题，以及有没有把价值交到别人手上。

这也解释了为什么“学 AI 赚钱”常让人失望。课程通常能教模型和操作，商业结果却发生在另一组问题里：谁需要它，为什么需要，现在用什么替代，交付怎样才算合格。前一组知识能帮助后一组行动，但不能代替它。

反过来，也没必要因为因果不直接，就否认英语或 AI 的价值。道路不会替你选目的地，但没有道路，有些地方确实很难到达。准确的说法应该是：工具扩大机会集合，也提高某些行动的效率；能否把机会变成收入或职业变化，要看它与原有能力、环境和行动怎样结合。

语法有用，AI 基础也有用

“先闭环”很容易被听成另一个极端：既然沟通比语法重要，那就不用学语法；既然结果比概念重要，那就不用理解 AI。这个推论同样有问题。

欧洲语言共同参考框架 CEFR习惯用“能做什么”来描述语言能力，学习者被看作在具体情境里行动的人。这个视角很接近本文的出发点：听、说、读、写最终要落在交流和行动上。但 CEFR 并没有把词汇、准确性和教学排除出去，它要求课程、教学和评价围绕能力对齐。

语言研究也不支持“显性学习没有用”。Norris 和 Ortega 对 49 个独立样本研究所做的二语教学元分析发现，针对目标语言形式的教学能带来明显收益，显性教学平均表现还高于隐性教学。它提醒我们，词汇、语法和发音训练不是应该丢掉的旧东西。

争论的关键不在“学不学”，而在这些知识如何与使用相连。

如果一个人从来不开口，语法练习很容易变成只对试题有效的熟练；如果只求对方猜懂，从不接受纠错，错误也可能长期固定。比较好的循环是：先表达，发现缺口，有针对性地学习，再回到表达里验证。随着目标变化，系统学习的比例也会变化。准备考试、写专业文章、参加正式谈判，对准确性的要求当然比在餐馆第一次点菜高。

AI 也需要同样的边界。做出第一个结果之后，你要逐渐理解模型会在哪些地方出错，输入和上下文怎样影响输出，什么结果必须人工检查，什么数据不该交给工具。任务越重要，判断和核验就越不能省。

而且“完成任务”与“学会能力”并非同一件事。如果你的目的只是把一次沟通完成，翻译工具完全可以参与；如果你希望以后脱离工具也能表达，就必须保留自己的检索、组织和练习。用 AI 写出一段能运行的代码，也不等于你已经形成诊断系统问题的能力。目标不同，闭环的终点也要跟着改变。

这要求我们在开始前多问一句：这次我是在借能力，还是在长能力？借能力没有什么可羞愧的。旅行中完成一次交流、工作中按时交付一份材料，结果本身可能比独立完成更重要。工具能补上缺口，就是它的价值。

如果目标是长期掌握，过程就要故意留下人的参与。可以先自己尝试，再让 AI 指出遗漏；可以要求它解释和追问，而不是直接给最终答案；完成以后换一个相近任务，看看自己能否迁移。这样速度可能慢一点，却能分辨作品变好了，还是自己也确实学会了。两种目标都合理，怕的是嘴上说要学习，实际设计的流程却只奖励快速交作业。

小心那些看上去已经完成的“假闭环”

AI 最大的诱惑，是它能很快给你一个像答案的东西。页面上出现完整文字，代码开始滚动，表格也填满了。视觉上的完成感很强，人很容易就此停止检查。

但速度、质量和学习效果，有时会朝不同方向走。

哈佛商学院与波士顿咨询公司合作的“锯齿状技术前沿”实验招募了 758 名顾问。在模型能力覆盖的任务上，使用 GPT-4 的参与者速度、完成量和质量都有提升；到了边界外的任务，AI 反而降低了正确表现。相邻任务看上去很像，结果却可能反转。会不会用 AI，有一部分能力正是辨认这条不整齐的边界。

METR 对资深开源开发者的随机实验更有意思。16 名开发者在自己熟悉的大型代码库里处理 246 个真实 issue，使用当时的 AI 工具后，实际完成时间慢了约 19%；实验后，他们仍觉得自己快了约 20%。生成代码的速度非常显眼，阅读建议、等待、纠错和恢复上下文的成本却容易被忽略。主观顺滑不等于总体提效。

学习场景还多一层风险。一项接近一千名高中生参与的生成式 AI 数学学习实验发现，通用 AI 能提高练习阶段的表现；工具拿走后，不受限制使用 AI 的学生在独立测试中反而受损。带教学护栏、限制直接代做的版本减轻了这个问题。

这些研究没有推翻“先用起来”。它们只是要求我们把闭环的终点定义清楚。

如果目标是生产，至少要看总时间、错误和接收者的结果，不能只看生成速度。如果目标是学习，还要看换一个题、拿走工具以后，自己是否能做。若目标涉及重要决策，闭环里必须有核验和责任归属。

一个没有选对终点指标的闭环，只会更快地证明一件无关紧要的事。

真从零开始，可以怎么做

如果今天让我从零学一门新的语言，或从零进入 AI，我不会先给自己列一张巨大的知识清单。我会用四个阶段往前走。

先选一个很小的目的

目标要小到几天内就能看到结果，也要真实到你会在意结果。

学西班牙语，可以是与朋友聊几句、听懂学校里常用的词，或者完成一次点餐。学 AI，则从你已经存在的工作或兴趣里找一件事。不要为了使用 AI 临时发明一个需求。你原本就要做，它只是带来一种新的做法。

一个适合起步的任务，通常由你控制大部分过程，结果容易观察，失败后也能说清哪里不对。第一次别选跨度很长、牵涉很多人的复杂流程。反馈周期越短，学习越容易发生。

还要给成功写一个朴素的定义。语言任务里，“对方理解并回应”已经足够，不必顺便要求口音和语法都达到很高水平。AI 任务里，也不要把“完成”“更快”“质量更好”“自己学会”揉成一个目标。先挑这次最重要的一项，确定怎样观察；否则结果一出来，人总能换一个标准证明工具有效。

用最简单的方法跑一遍

别急着搭系统。语言可以混着现有词汇、手势和必要的翻译；AI 可以先在对话界面里手工提供材料、说明要求、检查输出。这个阶段的任务是看清流程，不是证明自己的技术水平。

跑完以后，把过程写成几句话：输入是什么，AI 或语言在中间做了什么，结果交给谁，怎么知道成功。写不清的地方，往往就是还没有闭合的地方。

第一次的记录不用复杂。只要留下原来怎么做、这次花了多久、哪里需要返工、最后谁使用了结果。它的作用不是制造一套新的表格负担，而是给下一次比较留一条基线。没有基线，“感觉更快”很容易替代真实改善；有了基线，是否值得继续投入会清楚很多。

只补这一次暴露出来的缺口

如果对方听不懂数字，就集中学数字；如果某种句式总说错，就查清它。如果 AI 不知道必要背景，就研究怎样提供上下文；如果结果经常有事实错误，就设计核验步骤。此时再看教程，内容会自动获得轻重。

同时，隔一段时间抬头看知识地图。连续几个任务都卡在同一类问题上，说明该系统补一块基础。按需学习并不排斥深挖，它只是让深挖发生在你知道用途的时候。

重复到稳定，再考虑提效

同一个小任务跑过几次，你才知道哪些步骤稳定重复，哪些依赖临场判断。前者适合模板化或自动化，后者要保留人来检查。语言里的提效是更快地听懂和表达，AI 工作里的提效可能是减少重复输入、缩短等待或降低错误率。

提效以后还要回到结果。自动化省下的时间是否超过维护成本？表达更流利后，对方是否更容易理解？如果没有，优化的也许只是一个局部动作。

这四个阶段并非只能走一遍。每当任务变大，新的闭环就开始：新的对象、新的质量要求、新的失败方式，会把你带回学习。能力就是这样长出来的，不是一次性把知识装满，而是能处理的事情逐渐变多，判断也越来越准。

最后，换一个问题问自己

回看自己的人生，懂英语和不懂英语会不会造成很大的差别？对很多人来说，会。它可能改变能读到的内容、能认识的人、能进入的工作和能去的地方。我自己的很多学习与工作，也离不开英语。

但如果把这些变化浓缩成“因为学了英语，所以获得了后来的一切”，就抹掉了中间真正发生的事：阅读、沟通、选择、合作、交付，以及一次次具体行动。英语让其中一些行动成为可能，却没有替人完成它们。

AI 也会成为这种基础工具。几年后，熟悉 AI 也许像今天使用搜索、写邮件一样普通。到那时，单独说“我会 AI”不会提供多少信息。更有意义的是：你借助它理解了什么，做成了什么，原来触达不到的人和问题，现在是否能够触达。

我不反对研究模型，也不反对把 Prompt、MCP、Harness 学深。有人以此为职业，理应深入；有人正在处理的任务需要这些能力，也应该认真学。只是对大多数刚开始的人，第一步还没到那里。

第一步是选一件你在意的小事，让 AI 真正参与进去，把它做完，交给现实检验。

当你遇到阻碍，再回来补概念、补技术、补判断。这样学到的每一块知识都有位置，做的每一次优化也有对象。工具不再占据视野中央，它开始把你的目光带向更远的地方。

别先证明自己懂这门工具。先用它完成一次以前没有完成的事。