这是麻省理工大学 MIT 的玛丽·波特（Mary Potter）团队在 2014 年测到的数字。她让受试者看一连串快速闪过的图片——每张只显示 13 毫秒，比一帧电影还短——然后问：你刚才看到“野餐”或“一对微笑的夫妇”了吗？

受试者能认出来。

13 毫秒是什么概念？你眨一次眼，大约 100 到 400 毫秒。 也就是说，在你眨眼的过程中，大脑已经完成了七八次“这是什么”的判断。

这是读到一个词、并完成语义整合所需的时间量级。神经电生理研究显示，与语义加工相关的脑电成分通常出现在刺激后300 毫秒前后，而更高级的语义整合还要更晚。

也就是说：你看到一张图，13 毫秒就已经“知道”了；你读到一个词，300毫秒才“懂得”。

一图胜千言？

如果“识图比读字快 20+ 倍”就等于“图比字好”，那人类早就该放弃文字了。可事实是：人类最深刻的思想，几乎都是用文字写下来的。

所以真正的问题不是“哪个更快”，而是：

这篇文章想认真回答这三个问题。

一、眼睛之后，信息分了两条路

要理解图与字的差别，得先知道一件反直觉的事：看图和读字，走的不是同一条神经通路。

光线进入眼睛，先在视网膜上转成电信号，经视神经送到丘脑的外侧膝状体，再进入大脑后部的初级视觉皮层（V1）。到这里，两条路都还在一起。

然后在 V1 之后，分岔了。

第一条路：腹侧通路（ventral stream），也叫“是什么”通路。

它从枕叶往下、往前，走到颞叶。这条路负责识别物体、面孔、场景——它回答的是“这是什么”。

你看到一张脸，13毫秒内就知道“这是我妈妈”，靠的就是这条路。它高度并行：颜色、形状、轮廓、纹理，几十个特征同时被提取，然后拼成一个整体。

第二条路：视觉词形区（VWFA）。

文字的处理更特殊。人脑并没有为“阅读”进化出专门的区域——文字只有几千年历史，来不及进化。

所以大脑做了一件很聪明的事：它“征用”了原本用来识别物体的那块皮层。

法国认知神经科学家斯坦尼斯拉斯·德阿纳（Stanislas Dehaene）把这种现象叫做“神经元再利用”（neuronal recycling）。位于左脑枕颞区的视觉词形区（Visual Word Form Area），原本是识别“物体形状”的，被改造成了识别“字母形状”的专用区。

这是个关键差别：

“读字”这件事，人类是“后天习得”来的；“看图”这件事，人类是“自带”的。

这就解释了13毫秒和300毫秒的差距。

看图是“认”，读字是“解”。 认，是一眼的事；解，是一道工序。

二、双编码：“图文并茂”

1971 年，加拿大心理学家艾伦·佩维奥（Allan Paivio）提出了一个理论，叫双编码理论（Dual Coding Theory）。

人的长时记忆里，有两套独立的编码系统：一套管语言（verbal），一套管表象（imagery）。

语言系统里存的是 “logogens”（词元），表象系统里存的是 “imagens”（像元）。

它们各自独立工作，但可以互相连接。

如果一件事只被语言编码，你只有一条记忆通路；如果它同时被语言和图像编码，你就有两条。

佩维奥做了一个经典实验：让受试者记配对词。

结果：具体词对记得明显更好。

为什么？因为“苹果”和“船”能在脑子里变成画面，而“真理”和“勇气”不能。具体词天然享受双编码的红利。

还有一个更有名的现象，叫“图优效应”（Picture Superiority Effect）：

同样的内容，用图片呈现，比用文字呈现，记得更好。

这不是“图片更讨喜”，是图片自动激活了两套系统（你看到一张苹果的图，既得到“像”，也自动唤起了“苹果”这个词），而文字只激活一套。

所以“图文并茂”不是为了让版面好看，是为了给你的记忆装两个挂钩。

三、一个更震撼的实验：人类能记住一万张图

1973 年，心理学家莱昂内尔·斯坦丁（Lionel Standing）做了一个今天看来近乎疯狂的实验。

他给受试者看了 10,000 张彩色照片，每张看 5 秒。

10,000 张 × 5 秒 ≈ 14 个小时。

看完之后，隔了几天，再测——给他看两张图，问哪张是之前看过的。

结果：正确率 83%。

换算一下：在 10,000 张里，他大约记住了 6,600 张。

更早的谢泼德（Shepard, 1967）实验更夸张：给受试者看 600 多张图，每张 6 秒，之后做二选一测试，正确率 98%。

斯坦丁因此写下了一句很有名的话：

请注意这个结论的边界——它说的是“再认”（recognition），不是“回忆”（recall）。

再认是“我见过这张”，回忆是“我能画出这张”。再认容易得多。

所以准确的说法是：

人脑对图像有近乎无限的“存储容量”，但对图像只有有限的“提取能力”。

你能记住一万张图，但你说不出一千张图。

这个区别非常重要，因为它直接解释了：为什么“看了很多图”不等于“学会了”。

四、图的三个优势，和三个陷阱

13 毫秒 vs 300 毫秒。图在“识别”速度这个环节上，几乎是无敌的。

一张图里，颜色、位置、大小、关系，全部同时呈现。你一眼就能看出“这个比那个大”“这两个连在一起”。

这种“关系”，用文字描述极难，用图呈现极容易。

图片能直接激活杏仁核。一张脸、一个场景，能在你“意识到”之前，就已经让你心跳加快了。

情绪是记忆的放大器——这就是为什么你能记住多年前的某个画面，却记不住上周读的一段话。

但图也有三个陷阱：

一张组织架构图，能让你看到“谁在谁下面”，但它不会告诉你“为什么这么设计”“这样设计的代价是什么”。

图呈现结构，但不陈述逻辑和理由。

一张精美的信息图，会给你一种“我理解了”的错觉——因为流畅感（fluency）被误认为理解度。

心理学里有个词叫“加工流畅性错觉”：越容易看懂，越以为自己懂了。而图，恰恰是最容易“一眼看懂”的。

你画不出“不是这样”。你画不出“如果……那么……”。

图擅长“是什么”，不擅长“不是什么”和“如果怎样”。

而人类最复杂的思想，恰恰充满了“不是”和“如果”。

这就是为什么图取代不了文字——不是因为图不够好，是因为图不承担文字的那部分工作。

一、学习的本质不是“接收”，是“建构”

学习不是“把信息灌进脑子”。

如果是灌，那当然是“带宽越大越好”——图赢，视频更赢。

但学习不是灌，学习是建构：你得把新信息拆开，和旧知识接上，然后重新组装成一个能用的结构。

这个“组装”的过程，才是学习真正发生的地方。

而“组装”需要三件事：

任何媒介，只要能促进这三件事，就是好媒介；任何媒介，只要妨碍这三件事，就是坏媒介。

媒介本身不分高低，只看它把这三件事变容易了还是变难了。

二、文字：慢，但可控

文字的优势，在于“可控”。

这四件事，构成了“深度阅读”的物理基础。

2018 年，Delgado 等人做了一项元分析，覆盖 54 项研究、约 17 万名被试，结论是：

纸面阅读在理解上略优于屏幕阅读——尤其在事实性、说明性内容上，以及在有时间压力的情况下。

2025 年的后续元分析进一步发现：纸面的优势在“需要滚动”时最明显，在不需要滚动时基本消失。

这说明什么？不是“纸”比“屏”好，是“不会滚动”比“会滚动”好。

滚动的屏幕，会不断打断你的空间定位感——你不知道自己读到哪了，你也不知道还剩多少。而“知道自己在哪”，是理解的一部分。

还有一个更根本的优势：文字擅长表达“结构”。

一个论证，有前提、有推理、有反例、有让步。这些关系，文字能精确地排出来，图不能。

所以文字最适合的，是“复杂的、抽象的、需要精确推理的”内容。

三、图：快，但要配话

图的优势，在于“一眼看到关系”。

流程、结构、对比、趋势、位置——这些“空间性的信息”，图是碾压文字的。

你试试用文字描述一张组织架构图：

读到第三句，你已经在脑子里画图了。

既然你无论如何都要在脑子里画图，那不如直接把图画出来。

这就是“多媒体原则”（Multimedia Principle）：

梅耶（Richard Mayer）的研究发现：文字 + 相关图片的学习效果，优于纯文字。

但这里有一个极其重要的限定词：相关。

梅耶还提出了几条配套原则，每一条都在说“图不能乱用”：

注意“一致性原则”里的“装饰图”。

这是最常见的错误：一张 PPT 上放了一张很漂亮的风景照，但它和内容毫无关系。

研究显示：装饰性图片会分散注意力，降低学习效果。 更糟的是，它还会让你觉得自己学得更好——因为它提升了情绪，而情绪被误认为理解。

所以图的第一原则不是“好看”，是“相关”。

四、视频：有魔力，也有陷阱

视频看起来是“最强的媒介”——有画面、有声音、有动态、有情绪。

但研究给出的结论，比想象中复杂。

第一，动态与过程。

教一个人“怎么打结”“怎么换轮胎”“心脏如何泵血”——视频是不可替代的。

因为这些东西的本质是运动，而运动只能用运动来呈现。

第二，临场感与情绪。

看到一个人真的在哭，和读到“他哭了”，是两种体验。视频保留了人的“在场”。

第三，对低先备知识者更友好。

梅耶的“个体差异原则”指出：多媒体设计的效果，对低知识水平的学习者更大。

因为新手需要更多具体支撑，而视频天然提供了这些。

这是认知负荷理论提出者约翰·斯威勒（John Sweller）的核心概念之一。

说出来的话、放过去的动画，一旦过去，就没了。

文字可以回读，视频不能——除非你拖回去。而拖回去这个动作本身，就是一次中断。

斯威勒在 2025 年仍重申：口语和动画信息，比书面材料更难保持，原因正在于此。

所以视频对工作记忆的压力，其实比文字大。 你必须在信息“还在”的那几秒里完成加工，否则就丢了。

视频太“顺”了。它不需要你做任何事，画面就会一直往前走。

而“不需要做任何事”，恰恰是学习最大的敌人。

2023 年一项研究（210 名大学生）发现：在文字和视频两种条件下，主动做笔记的比例都只有约 40%；但只要做笔记，理解成绩就显著提升——而且这个效应在两种媒介上一样强。

结论很清楚：不是视频不好，是“看视频”这个动作太容易变成“看”。

视频带来的高参与感（好看、好听、不枯燥），会让人误以为“我学进去了”。

参与感和留存率，经常是背离的。视频带来更高的参与度和动机，而阅读带来更好的长期留存和理解。

这就是“参与—留存悖论”。

研究给出的答案很统一：让视频“不视频”。

视频的价值，取决于你把它变成“主动”还是“被动”。

五、一张表：三种媒介的分工

媒介不是替代关系，是分工关系。

你不会问“锤子和螺丝刀哪个好”，你只会问“我现在要干什么”。

一、AI 改变了什么，没改变什么

先说清楚一件事：AI 没有改变学习的本质。

学习的本质仍然是那三步：选择、组织、整合。AI 一步都没替你做。

但AI 改变了三件事，而且改变得很彻底。

以前，学会一个概念，要找到对的资料、读完、理解。现在，你问一句，答案就来了。

这意味着：“知道”这件事，贬值了。

图片、视频、幻灯片、图解——以前要专业团队，现在一句话生成。

这意味着：图会变得极其廉价，也因此极其泛滥。

“一图胜千言”这个命题，在AI 时代要加一个限定：一图胜千言，但一万张烂图胜不了任何东西。

2026 年 5 月，《Science》发表了一篇由伯克利、悉尼科技大学、康奈尔三位学者合写的评论，标题就叫《生成式 AI 的使用与误用，呼唤高等教育评估改革》。

里面有一个关键词：认知卸载（Cognitive Offloading）。

当学习者把“思考”整体外包给模型，会发生一种“元认知断裂”：他们高估了自己的掌握程度，却无法校准真实的理解。

同一时期，另一项研究把这个现象命名为“能力错觉”（Illusion of Competence）：

高质量的输出，掩盖了实际知识的缺失。

这就是 AI 时代学习最大的陷阱：你得到了答案，但没有得到能力；而且你不知道自己没有。

二、“聪明的愚蠢”：一个必须警惕的分岔

2026 年，有研究把 AI 辅助学习分成了两条路，这两条路看起来很像，结果完全相反：

两条路的分岔点，不在“用不用 AI”，在“怎么用”。

还有一个更扎心的发现：AI 对学习的帮助是不平等的。

《Science》那篇文章指出：GenAI 的整合，主要提升了“高创造力”学生的认知在场，对“低创造力”同伴的帮助有限。

更糟的是：对先备知识薄弱的学生，无引导地使用 AI，最容易触发“整体外包”。

也就是说：AI 会放大差距。

强者用它加速，弱者用它逃避。同一件工具，两种命运。

三、AI 时代学习的六条原则

基于以上，我提炼出六条。

这一条最重要，也最难做到。

因为 AI 太快了。快到你在“想”之前，手已经伸过去了。

但学习的发生，恰恰在“想不出来”的那段时间里。

具体做法：

这个“对比”的动作，才是学习。

同一个 AI，可以有两种用法：

代笔式： “帮我写一篇关于 X 的文章。” → 你得到一篇文章，失去一次思考。

陪练式： “我要写一篇关于 X 的文章，我的核心论点是……请你扮演一个苛刻的审稿人，指出三个最致命的漏洞。” → 你得到三次修正，思考还在你这里。

区别不在提示词技巧，在“谁是主体”。

AI 应该是那个不断问你“为什么”的人，不是那个替你回答“是什么”的人。

这一条特别呼应本文主题。

画图，是最好的“自我检测”。

因为你画不出来，往往说明你没想清楚。

流程图、结构图、关系图、时间轴——当你能把一个复杂概念画成一张图，说明你已经完成了“组织”这一步。

具体做法：

这比“再读一遍”有效得多，因为它逼你“输出”，而不是“再看”。

这一条可能反直觉。

AI 让图变得廉价，于是图会泛滥。而图泛滥的结果是：人人都能做出好看的图，但很少有人能说出图背后的道理。

这时候，“用文字精确表达”的能力，反而成了稀缺品。

因为：

所以在 AI 时代，最好的能力组合是：能画图（快速沟通），也能写字（精确思考）。

图是你的“前台”，字是你的“后台”。

视频不会消失，只会更多。关键是不要“看”视频，要“用”视频。

具体做法：

一句话：把视频当“书”读，而不是当“剧”追。

这一条听起来极端，但它针对的是一个真实的风险：能力萎缩。

认知卸载的长期代价，是“去技能化”（de-skilling）。

就像一个人长期用导航，会丧失方向感；长期用计算器，会丧失心算；长期用 AI 代笔，会丧失“从零开始想”的能力。

具体做法：

AI 可以加速你的“获取”，但无法替代你的“建构”。

回到开头那两个数字。

13 毫秒，300 毫秒。

这个差距是真的。图确实比字快。

但“快”不等于“深”。

图让你在 13 毫秒内“看见”，文字让你在 300 毫秒后“懂得”，而真正的理解，发生在你“看见”之后、“懂得”之前的那段时间里。

那段时间，没有人能替你过。

AI 时代最大的幻觉，是以为“获取”等于“拥有”。

你收藏了一百篇文章，不等于你读了一百篇；你生成了一百张图，不等于你想清楚了一百件事；你问了一百个问题，不等于你学会了一百个答案。

信息越廉价，加工越珍贵。

这大概是“一图胜千言”在今天的真正含义：

不是“图比字好”，而是——

一张好图，能替你省下千言万语的“传递成本”；但那一千句话里的“思考成本”，一分都省不掉。