前些日子，应邀为香港都会大学（HKMU）先后录制了两个 Webinar，一个是英文的，To Deep Think with DeepSeek，一个是中文的，《用人工智能释放学习潜力》。
今天想再第二的基础上，拓展当时的想法和观点。
在8月20日的分享中，我重点分享了，如何将生成式人工智能工具作为深度主动学习的利器，从而释放学习者的潜力。当时，我介绍了谷歌的 Notebook LM。
不仅如此，我还专门提出了一个“用AI高效学习的 LEARN 框架”。
Locate（定位）——明确学习主题与目标
在这一步，学习者的任务主要包括：
1、定义学习范围：明确你要学习的具体领域、关键概念和应用场景。
2、设定学习目标：是要入门、深入研究，还是解决某个具体问题？
3、关键词提炼：提取核心术语，便于后续AI检索。
学习者可以使用DeepSeek之类的任何一款大语言模型，通过对话，梳理学习的路径，锚定学习的目标，找到自己的难点和突破口，定位清楚自己的起点、目标和路径。
在这个过程中，学习者可以与大模型对话，可以在知乎和哔哩哔哩中查找和浏览热点与常见问题。
Enter（进入）——快速入门与建立直觉
第二步，学习者要在定位清晰明确的基础上，
1、使用视频类教程快速建立直观理解；
2、利用百科类AI获取结构化摘要；
3、初步整理术语表和关键人物、论文、资源。
学习者可以继续使用哔哩哔哩和可汗学习（Khan Academy）之类的视频网站快速学习，也可以使用秘塔以及VideoTutor.io之类的视频教程生成平台快速学习，还可以借助 Coursera、FutureLearn、edx、中国大学MOOC 之类的慕课学习网站系统自主学习。
Analyze（分析）——深度研究与生成报告
在这一步，学习者可以使用研究型AI工具深入查找资料、论文、代码。提问应逐步深入：从“是什么”到“怎么实现”、“有何优缺点”、“研究空白”、“最新进展”、以及“未来趋势”。整理成结构化报告或系统性文献综述。
学习者可以使用CNKI中国知网、Connected Paper、Semantic Scholar、Elicit.com、ResearchRabbit、Scite.ai 以及Perplexity.ai 来系统性地检索文献，查找来源可靠的资料。
尤其推荐学习者使用 秘塔AI 的深度研究、豆包的深度研究、KIMI 的深度研究、以及 谷歌 Gemini 、OpenAI 的DeepResearch以及Perplexity 的DeepResearch 进行基于智能体的深度研究，生成深度研究报告。
Refine（提炼）——知识内化与重构
在这一步，学习者要在深度研究报告的基础上，将报告、笔记、视频转录等内容上传至NotebookLM、Obsidian、Logseq、Heptabase 和 ima Copilot之类的人工智能学习和研究工具中，让AI帮助总结、提问、生成闪卡、绘制时间线或概念图。
在这个过程中，学习者要用自己的语言重新组织内容，查漏补缺。如有必要，再返回到第二步、第三步，多次循环，逐步走向深入（Dive Deep）。
Navigate（导航）——多模态学习与应用
在这个环节，学习者可以在NotebookLM或者ima中实现多轮对话式学习。通过模拟教学/出题/代码实践加深理解。
与外接工具（如Python、Arxiv、GitHub）联动，通过多模态学习，逐步深入，从而在人机协同的基础上，完成项目或写论文。
