渐进学习和间隔重复，一直是高效学习中最难过的一环。

间隔重复

理想环境中，间隔重复应该是不需要存在的。缺了什么重新查，保持健康的作息，养好大脑，生活中、劳动中遇到的记忆点自然而然就记住了。

但没人活在理想环境里。你不可能想什么时候学习、想什么时候工作都行，你不可能永远状态好，你总要和他人协作（他人即地狱），你总要接受一些强制性的测试。

所以间隔重复还是需要的。

间隔重复解决了什么问题？

从 Wozniak 的最初动机来看，他是在学一门新语言时想出了间隔重复算法（SM 系列）。学语言这东西，各卡片之间的逻辑关系很弱。

Jarrett Ye 后来开源了 FSRS 算法，据他所说，这在重度使用 Anki 时会有明显优化。Anyway，直接用 SOTA 就好——谁不想要一个开源的、多语言维护的间隔重复算法呢。

可以说，间隔重复假设了一个理想环境：知识点之间几乎不存在逻辑关系。从 Wozniak 到 Jarrett Ye，人们基本解决了这种”理想化无关系知识点”情况下的记忆建模。

渐进学习

间隔重复最适用于知识点之间几乎没有逻辑关系的情况——或者更准确地说，这个逻辑关系（比如词源）与学习目标无关，也不会让记忆变得更容易。甚至有相当多的人习惯了这种”无逻辑”式的记忆，把 Anki 当成了题库，形成一种”在 Anki 里首次见卡片时学，后面再复习”的碎片化学习模式。

渐进学习在间隔重复的基础上增加了一个假设：知识之间有联系，并且存在近似于 DAG（有向无环图）的关系。这种关系会显著影响学习的并行度——人脑从建立联系的角度来说可能是并行的，但从实际的学习体验来看应该是并发的——这给优先级调度和人脑本身都带来了巨大负担。

渐进学习的代表软件是 SuperMemo，但它是付费软件，在 AI 化的背景下也显得日渐过时。

现在我的工作流是：

  1. 搜集资料（比如 PDF）→ 处理（比如用 mineru 解析）→ AI 指导下学习。这一步的动力主要来自：英文不符合我的阅读习惯，书籍中普遍存在跳步、错误和过时问题，直接用 agent 让 LLM 讲解更容易追问、做实际测试、生成丰富多样的学习材料。学习程度采用费曼的指引——“一直读，直到看不懂才复习前面”。
  2. AI 制卡（这是我觉得 AI 化最难的一步）。直接让 AI 制卡，容易导致对章节脉络把握不清，普遍存在漏制卡、制卡效果差、不遵循制卡原则（即使给了提示词！）的问题。
  3. 导入 Anki 持续复习。

需要说明，这个流程还不是完整的渐进学习流——我还缺并行化学习、对原始材料的反复出现和人工摘录（参考 SuperMemo 的做法：当原始材料或其修改版本再次出现时，你仍可以继续摘录和修改）。所以目前只能算一个间隔重复流。待完善渐进学习部分后，我会开源整个工作流。

这套流程再加上完整的渐进学习要点，我自认为比 SuperMemo 更高效，即使在 SuperMemo 可能最高效的环节（制卡）也是如此——原因有二。其一，几乎所有的原始材料都不适合直接作为卡片复习，一定有提取、改写、补充这一步，传统方法全靠人做，AI 可以显著加速这个过程。其二，以传统课堂和教材为代表的线性学习方式，最容易和学生的节奏不同步：老师把握不准你的基础，可能在你已经掌握的地方反复啰嗦，或者在你真正卡住的地方一笔带过。与 LLM 交互式学习天然解决了这个节奏匹配问题——看不懂就追问，感兴趣就偏题，每一步都踩在自己的认知边界上。这种”刚刚好的探索感”，传统方法给不了。

隐性知识和结构不良型知识

间隔重复和渐进学习都隐含着一个假设：存在可以用文字描述、结构良好的知识建模方式。

但现实往往不是这样。我觉得应对这类知识，最主要的几点是：

  1. 别让站不住脚的概念先入为主，真实的案例更重要。 你不能在概念变得足够具有解释性之前，就完全依赖模糊的概念。
  2. 好的训练优于劣质的实战。 这条看起来和第一条矛盾，但在实操中可以恰当地基于实际情况来设计有用的训练。隐性知识和结构不良型知识往往实操机会少，或者难以在实操中有足够的时间进行充分思考。
  3. Practice and record。 多实践，多记录。实践有利于积累隐性知识、把握结构不良型知识；记录有利于反思。
  4. 像一个贝叶斯主义者思考。 对待所有事物都应该用这个观点，只是简单事务可以采用简化的思维模型，而面对这种复杂任务时，就不能再依赖简化模型了。

总结

本文讲的间隔重复、渐进学习、隐性知识和结构不良型知识，学习难度明显是递增的。

递进关系是：无逻辑且确定 → 有逻辑且确定 → 有逻辑但不确定。越来越接近现实世界的模样。同时，在学习更接近现实世界的知识时，可以借助面向更理想化知识结构的工具来辅助。

做 AI Infra 的时候，我又想起应该写一篇关于高效学习的文章。不仅因为 AI Infra 的知识又多又深又杂，更因为 AI Infra 是一个隐性知识和结构不良型知识高度集中的领域。除了基础知识之外，AI Infra 几乎全是架构选择、调优方向、排障方向这类没有标准答案的问题。