在开始频繁接触AI之后，我常常被问到一个问题：“你是怎么快速掌握这么多AI知识的？”

说实话，这问题我以前也问过自己。尤其是在每天都被铺天盖地的AI产品更新、研究报告、技术博客“轰炸”的当下，信息多得令人窒息。你可能刚打开收藏夹准备看一份300页的《互联网行业报告》，耳机里还有几天前就打算听的播客，浏览器里更是塞满了公众号文章和技术演讲视频——但这边AI已经在对话框里静静等着你输入：“帮我总结这份内容的精华。”

是的，用AI总结确实高效，三分钟就能搞定三小时的阅读量，像开一个“知识罐头”。但我为什么还要反其道而行之，硬“啃”原文资料？作为一名产品经理，我对此有非常个人化的思考。

AI总结虽然快，但它忽视了我真正关心的细节

我当然用AI总结，也经常推荐。但我更清楚地知道：我不是为了知道“大家都在谈什么”才去学AI的，而是为了掌握那些对我真正有价值、能帮助我决策或理解问题的内容。

以 Andrej Karpathy 最近关于 Software 3.0 的 YC 演讲为例。AI 总结可以归结为：LLM 存在认知缺陷，例如幻觉、智力不一致和容易受到及时注射。 准确？确定。但它错过了魔力。Karpathy 将 LLM 比作 《 雨人 》中专家般的角色 ——在特定任务中表现出色，但在其他任务中却莫名其妙地受到限制。这个类比以任何要点都无法做到的方式使这个概念栩栩如生。他还使用生动的图表和比喻将 LLM 比作作系统，这一观点重塑了我对它们在产品开发中的作用的看法。这些是 AI 在追求简洁性时经常过滤掉的宝石。

或者想想对 Lovart 创始人陈冕的采访，他说：“我们没有产品经理，只有设计师。AI 摘要可能会强调： 用户行为数据胜过原始数据。 但阅读整篇文章揭示了这种理念如何推动 Cursor 在 AI 驱动的 IDE 中的优势，以及为什么像 OpenAI 这样的公司可能会关注他们的收购。这个见解在我的知识共享社区中引发了一场讨论，将我本来会错过的点与摘要联系起来。

作为一名产品经理，我了解到细节（隐喻、旁白、人类时刻）往往是创新的藏身之处。AI 不知道什么能引起我的共鸣，有时，我也不知道，直到我偶然发现它。

我不愿意把“阅读理解”的权利交给AI

啃资料虽然慢，但那是我们思想肌肉的锻炼过程。

我们在练什么？筛选能力、判断力、逻辑思维、批判能力、联想力、创造力——这些AI总结都帮不了你。

比如，我在读一些研究或论文时，会反复问自己几个问题：

• 这个观点是作者的核心论点吗？

• 数据支持充分吗？有没有逻辑漏洞？

• 有没有被遗漏或故意淡化的部分？

• 这个观点和我以前看到的理论有什么联系？ 这些过程，AI无法替我完成，它也不知道我真正关注的是什么角度，甚至有时候我自己也要在阅读中才能“触发”。

麻省理工最近有个研究也验证了这一点：在AI辅助写作实验中，长期依赖AI的参与者，在脱离AI独立写作时，大脑的神经连接性减少了将近一半，而那些先独立思考再使用AI的人，反而在引入AI后思维更活跃。这个结果对我触动很大。

我选择的是“先思考，再AI”的学习协作策略

AI不是敌人，而是工具。关键是你是主力，还是让AI主导了学习过程。

作为一名产品经理，我将自己视为战略家，AI 是我的研究助手。以下是我在保持思维敏锐的同时与 AI 合作的三步法：

上下文优先 ：在深入研究 Karpathy 的演讲之前，我可能会问 Grok 3，“Andrej Karpathy 是谁，他对 AI 和软件的主要贡献是什么？这让我能够捕捉到我本来会错过的细微差别。

有针对性的澄清 ：当一个概念感觉模糊时，我会将特定部分提供给 NotebookLM 等 AI 工具，以获得通俗易懂的解释或新的视角。例如，我曾经通过要求 AI 分解 Cursor 的隐私模式数据处理来阐明它，从而节省了我数小时的挖掘时间。

思考陪练 ：在形成自己的想法后，我用 AI 挑战它。“”我的推理中有什么弱点？“或”有没有其他方法可以解释这个？这种来来回回加深了我的洞察力，就像与一位敏锐的同事辩论一样。

这种方式既节省时间，又能保持学习主动性。

总结

如果你只是为了应付日常信息，那当然AI总结就够了。但如果你希望建立自己的认知体系，形成有判断力、有深度的思考能力，那么“啃”就是必须的。

AI可以帮我们“拥有”世界的知识，却无法代替我们构建世界观、做出决策、形成洞见。而这些，才是一个产品经理、一个内容创作者、甚至一个终身学习者真正需要的能力。

所以，别急着把思考交出去，至少先自己咬两口。