同一个知识点，用文字、音频还是视频来学，效果差异不来自内容而来自载体本身：信息密度、通道占用与被动程度三个维度，分别决定输入速度、场景适配与留存深度。本篇对比三类载体的机制差异，并给出按知识类型选载体的决策框架与混合策略。
载体不是中性的管道
直觉上，载体只是内容的容器，换种包装不影响知识本身。但三类载体在三个机制维度上结构性不同，任何「用什么学」的决策都应先看这三个差异：
- 信息密度：文字单位篇幅承载的语义密度最高，且阅读速度自主可控——可跳读、回读、变速；音频线性流动，语速由讲述者锁定；视频的信息率被演示节奏与剪辑锁定，一小时讲座的内容常可压缩成几千字讲义。
- 通道占用：音频只占用听觉，双手双眼解放，天然适配通勤、家务等伴随场景；文字占用视觉并要求内部语音复述，需要专注环境；视频同时占满视听双通道，对场景要求最苛刻。
- 被动程度：音频与视频由时间轴驱动，学习者跟随讲述者的节奏走；文字由读者驱动——停在哪、重读哪段、何时合上书自问，控制权在学习者手里。节奏控制权的归属，正是后续留存差异的根源。
三载体速览
三个差异落到具体选择上，下表给出整体对比：
| 维度 | 文字 | 音频 | 视频 |
|---|---|---|---|
| 信息密度 | 最高，自主变速跳读 | 最低，线性且语速固定 | 中等，受演示节奏限制 |
| 节奏控制 | 读者主导，可随时回读 | 讲述者主导 | 剪辑主导 |
| 通道占用 | 视觉 + 内部语音 | 仅听觉，可伴随 | 视听双通道 |
| 场景适配 | 需专注环境 | 通勤、运动、家务 | 需整块注意力 |
| 典型强项 | 抽象概念的深加工 | 听觉素材、叙事 | 操作演示、空间结构 |
| 典型陷阱 | 门槛高、易弃读 | 低密度、听过即忘 | 被动流畅感、假装学会 |
留存差异的认知解释
表中「看过 ≠ 学会」的陷阱并非玄学，认知科学有两条解释路径。
其一是负荷视角：认知负荷理论 CLT 指出工作记忆容量有限，视频若同时呈现旁白、字幕与画面中的重复文字，多通道冗余会挤占本可用于建构图式的资源——画面的丰富感与认知投入是两回事。其二是提取视角：提取练习与间隔重复 的核心结论是记忆靠提取巩固，而非重复输入；视频与音频提供的是流畅的被动输入，播放时「跟得上」的明白感是识别，不是提取——一旦要求独立复述或应用，缺口立刻暴露。文字之所以留存更深，正因为它强制读者在回读与停顿中不断自我解释，这本身就是低强度的提取练习；而支撑这种回读与停顿的持续专注，正是 深度工作 Deep Work 所描述的状态。
按知识类型选载体
负荷与提取解释了「怎么学」的差异，但选载体的第一变量是知识类型——不同知识的瓶颈卡在不同的通道上：
| 知识类型 | 首选载体 | 机制理由 | 需避开的陷阱 |
|---|---|---|---|
| 概念型（理论、模型、论证） | 文字为主 | 抽象结构需要回读与自问，非线性载体占优 | 只看解说视频，把识别当理解 |
| 程序型（软件操作、实验、动作技能） | 视频演示 | 动作序列难以用文字编码，观察演示直接建立动作表象 | 只看不练——程序性知识必须上手 |
| 语言型（发音、听力、语感） | 音频 | 语音本身就是学习对象，必须走听觉通道输入 | 只读不闻，绕开声音通道 |
| 历史叙事型（脉络、人物、事件） | 音频、视频皆宜 | 线性叙事与时间轴载体天然同构，情感卷入助记 | 满足于故事，不提炼结构 |
混合策略：让载体各司其职
单一载体各有短板，实践中的更优解是按学习阶段组合：视频入门 → 文字深化 → 提取检验。视频以最低门槛建立直观框架与学习动机；文字承担高密度的系统深化；最后用自问、复述或做题完成检验闭环——输入用最容易的载体，检验用最困难的方式。载体的组合顺序比单一载体的优劣更重要：顺序对了，视频的低留存被文字与提取补足；顺序反了，全程流畅的输入只会制造掌握的幻觉。