两条通往精通的道路 | AI生成和翻译
两种方法都是有效的，但它们适合不同的人、目标和学习阶段。 两者都不是普遍“更好”——它们代表了光谱的两端：intrinsic motivation/enjoyment-driven exploration vs. discipline/grinding/deliberate hard work。
1. Enjoyment-Driven Learning（以 yinwang.org / Wang Yin style 为例）
Wang Yin（王垠）是一位著名的中国程序员和作家（前 Google 工程师），他强烈批评死记硬背、应试导向的教育（尤其是中国系统）。他强调：
- 深入理解基础知识
- 通过好奇心、美感和个人兴趣来学习
- 独立思考，而不是死记硬背或做无休止的练习题
优势：
- 可持续的长期学习 → 烧尽风险更低
- 带来真正的掌握和创造力
- 更好的知识保留和在新型场景中应用知识的能力
- 更享受，因此能坚持数十年
劣势：
- 如果只学习当下觉得有趣的内容，可能会低效或缓慢
- 在高度竞争、结构化的环境中可能挣扎（招生、认证、某些工作）
- 仍然需要强大的自律——“只是跟随兴趣”在没有结构的情况下往往失败
2. Grinding / Discipline-Driven（MIT PhD 历程风格，例如从普通中国高中 → 顶尖本科 → MIT PhD）
这代表了许多成功人士（尤其是在亚洲竞争激烈的领域如 CS、physics、math）所走的经典高成就路径：
- 长时段的 deliberate practice
- 高强度问题解决
- 系统性备考（Gaokao、GRE、研究产出等）
- 在不有趣时也要坚持推进
例子包括许多来自非精英背景、通过极端工作伦理成功进入 MIT/Stanford/CMU PhD 的学生。
优势：
- 对可衡量的竞争目标极其有效（招生、竞赛、发表）
- 培养韧性、时间管理和原始技术技能
- deliberate practice（专注、重复、带反馈）已被证明是专业技能的主要驱动力（参见 Anders Ericsson 关于 deliberate practice 的研究）
- 打开了纯“兴趣导向”学习往往无法企及的大门（顶尖项目极度竞争）
劣势：
- 烧尽、心理健康问题、丧失内在动机的风险高
- 如果是纯记忆而无反思，可能导致浅层理解
- 不享受 → 在外部目标（PhD、工作）达成后更难持续
我的总体观点
- 最佳路径通常是组合：使用 grinding/discipline 建立坚实基础并达到门槛（例如进入好项目、掌握核心技能），同时培养真正的兴趣和享受以实现长期成长和创造力。
- 许多像 Wang Yin 这样的“享受”倡导者之所以成功，部分是因为他们有足够的天赋或早期基础来负担跟随好奇心。对于大多数从平均背景在竞争系统中起步的人，一些 grinding 是不可避免的。
- 纯 grinding 而无发展兴趣往往导致后悔或放弃。
- 纯享受而无纪律很少能在竞争领域达到精英水平。
个体差异非常重要：
- 有些人天生享受深度技术主题 → 他们可以通过第一种方式学得更多。
- 其他人需要外部结构和目标来推动自己 → grinding 在初期更有效。
在实践中，高度成功人士（包括许多 MIT PhD）往往结合两者：他们在必需材料上努力 grinding，同时在部分内容中找到享受或更深层的意义。
你自己的目标是什么（例如竞争性招生、趣味自学、科技/研究职业）？这将有助于确定哪种方法（或组合）更适合你。