前阵子，ChatGPT火遍全网。ChatGPT是由美国人工智能研究公司OpenAI研究开发的智能聊天机器人程序。它能够学习人类的语言，像人类一样聊天，还可以回答各种问题。

紧接着，百度的文心一言、阿里的通义千问也上线测试。

根据ChatGPT的智能程度，很多简单重复性的工作岗位会被取代，而且对于企业而言，使用ChatGPT成本更低。

图片来源：图虫创意

作为“打工人”，怎样才能不被AI取代呢？

其中，我们需要具备的一个重要的能力，就是终身学习能力。也就是说，我们需要掌握一套好的学习方法论，并且在整个人生的阶段，不断利用这套学习方法吸收新知识，掌握新技能。

那么我们如何培养自己的学习能力呢？我们可以从机器学习中的一个概念：元学习来得到一些启发。

元学习，是机器的基本学习逻辑

元学习是人工智能领域近几年发展起来的一个方向。简单来说，元学习就是让机器学会如何学习。

不管是单任务学习、多任务学习还是迁移学习，都是通过训练让机器学会完成一个或多个指定任务。通过训练，机器“当下”就具有了完成某个任务的技能。

而元学习是通过训练让机器具有好的学习能力。这样出现一个新的任务时，虽然机器“当下”不能很好地完成该任务，但是只要给其一点点时间进行训练，它就可以非常好地完成这个新的任务。

例如，经过元学习，在没有猫的训练集上训练出来的一个图片分类器，可以在看过少数几张猫的照片后，分辨出一张新的照片中有没有猫。通过元学习，一个仅在平地上训练过的机器人可以快速在山坡上完成给定任务；通过元学习，一个玩游戏的AI可以快速学会如何玩一个从来没玩过的游戏。

类比对人的培养，如果用元学习的方式训练一个人，那那么侧重点并不是让他掌握某些具体的技能么，而是通过让他学习这些具体技能的过程中，掌握他就掌握了一套好的“学习方法论”。

学习方法论是指一个人在学习时所使用的方式、思维模型和章法。

例如，现在有一个任务是让一个人用他之前没学过的一种编程语言来编写一个程序，不同人完成这个任务的方式是不一样的。

有些人的方式是：找到一本针对该语言的图书，从头到尾地读一遍，然后做书后习题，等到自己对该语言烂熟于胸后，开始根据任务来编写这个程序。

而另一些人的方式是：先大致了解该语言的语法，然后在网上找到和任务功能相似的代码，开始读这个代码，并在此基础上编写、调试，遇到不懂的地方，直接去查该语言的语法。

这就是两种不同的学习方法论。这个例子中，第一种完成方式总结起来是“先学习、再实践”，第二种完成方式则是“在实践中学习”。一个优秀的程序员，通常都会选择第二种完成方式。

我们可以看出，“技能”和“学习方法论”有两个区别。

第一个区别在于关注的时间点。“技能”着眼“当下”，“学习方法论”着眼“未来”。在某个指定的任务中，拥有和任务相关的技能可以让你即刻着手进行该任务，而学习方法论并不能让你即刻着手进行该任务，而是需要你先学习一段时间。但是掌握了学习方法论的人只要稍加学习，就可以很好地完成任务。

第二个区别在于通用性。“技能”通常是针对某个特定的任务而言的，而“学习方法论”则可以应用于多个不同的任务。

在上文的例子中，职业教育机构和高校相比较，前者是在培养技能，经过职业教育机构培训的人进入公司后，通常可以立刻熟悉工作。而高校并不太注重培养“当下可用技能”，更注重教授一套好的“学习方法论”。学生掌握了“学习方法论”之后，不管他将来做的是什么工作，他有没有了解过相关的具体工作内容，只要他经过短时间的学习，都会很容易上手掌握。

如何判断一个人是否有潜力？

我们同样可以通过“关注的时间点”和“通用性”这两个角度来衡量。

例如，一个公司如果想在面试时招到一个有潜力的员工，就不应该只观察这个人在做面试题时的表现。如果只通过面试题的成绩好坏来招人，那么招到的通常是当下具有某种技能的员工。要想招到一个有潜力的员工，有一个很简单的方法，就是给这个面试者一段试用期，并且在试用期中给他多个他之前没见过的任务，让他自己去摸索，最后看看他的综合表现。

综合表现好的人，一定掌握了好的学习方法论，借用学习方法论，他经过短时间的学习就可以比较好地完成多个不同的任务。他比那些仅仅在面试时表现好的人更有潜力。

之前我读博士后时的导师也是用这种方法来招博士生。对于一个满足了基本条件的学生，他会给学生一个研究课题和一两周的时间，让他自己去看相关的文献、做调研，最后写一个调研报告，这也是在观察一个学生的科研潜力。那么，一个人如何找到和培养适合自己的学习方法论呢？这一点我们同样可以从元学习的训练模式中受到启发。

传统的机器学习训练模式的特点是“任务少、训练数据多”。要想让一个模型完成某个特定的任务，需要用和该任务相关的大量数据对它进行训练。

而元学习的训练模式的特点是“任务多、训练数据少”。之所以“任务多”，是因为想通过训练得到适用多个任务的通用“学习方法论”，而不是只能完成某个任务的特定技能；之所以“训练数据少”，是因为我们要求这个学习方法论能只用少量的数据训练就得到较好的效果。

在元学习训练中，通常会先给一个初始的“学习方法论”，然后用某些策略，根据该学习方法论在不同任务上的表现不断进行调整，最后找到一个在平均意义上对于所有的任务最有效的学习方法论。

我们可以看出，机器学习中元学习的“任务多、训练数据少”的特点，很像大学期末考试前学生的集中学习模式。

大学里，一些学生如果平常没有投入到课堂中，考试前就需要在短短的一两周内，迅速学完多个考试科目。要想完成这个目标，必须要掌握一套很好的学习方法论。如果某个学生仅仅靠考前两周的集中学习就可以把很多门平常没有认真听过的课程考出高分，那么他通常就具有了很强的“学习方法论”。这套学习方法论适用于多门不同的课程，让他可以经过短时间内梳理和掌握一门课的重要概念，并且将它们串联起来，进而掌握学习科目的重点和难点。的训练很好地掌握课程内容。

所以说，大学之所以开设那么多门课程，除了希望学生能够具有广博的知识和一些底层能力，也可能是因为想通过对这些不同门类的课程进行学习，让学生掌握一个好的、通用的“学习方法论”。

机器没那么容易取代你

当然，机器学习领域通过数据训练来逐渐找到一个好的“学习方法论”，而我们人类已经总结了很多行之有效的“学习方法论”。

每个人都可以试一下这些方法论，如果对自己有效，就可以立刻用起来。

文章由科普中国-星空计划（创作培育）出品，转载请注明来源。

作者：北京航空航天大学副教授、博士生导师 刘雪峰

审核：华中师范大学数学与统计学学院 副教授 邓清泉

来源: 星空计划

内容资源由项目单位提供