当AI解决作业时，你的能力可能也在流失

发布时间：2026-07-19 14:27阅读：6

我无意将生成式人工智能（generative AI）视为学习的阻碍。它能从多个角度解析难题，也能在深夜协助初学者调试代码。真正令我警觉的是：工具越便捷，我们越容易混淆“完成任务”与“掌握技能”。两者表面相似，结果却可能截然不同。

AI产出的内容日趋一致，自然引发对审美和表达趋同的忧虑；但更紧迫的风险在于注意力被其掌控。屏幕浮现一个流畅、自信、语气完美的答案，人们极易放弃追问：它为何正确？我真正领悟了吗？

一项涵盖约1000名土耳其高中生的数学实验揭示了令人不安的发现。直接使用普通ChatGPT的学生，作业表现更佳；但在禁止工具的测试中，他们的成绩反而下滑。系统并未夺走知识，只是让本该自行完成的推理过程变得太轻松可跳过。

但这并非“用AI就变笨”的定论。中国台北10所高中、约1000名学生参与了一项持续5个月的Python实验。系统不直接提供答案，而是依据个人表现分配后续题目。最终成绩提升了0.15个标准差（standard deviation, SD），研究者估算这相当于额外获得6至9个月的学习进展，且未加重教师负担。

我将这种现象称为认知投降（cognitive surrender）：非因懒惰，而是系统答案显得足够权威，让人将核查、比较和判断全盘交出。越是无缝的代理流程，越容易掩盖我们到底在何处丧失了主导权。

波士顿咨询集团（Boston Consulting Group, BCG）曾让758名顾问进行实验，其中半数使用GPT-4。AI辅助者在多数任务上表现显著更优；但面对一个已知会误导模型的挑战时，他们更易盲从错误答案。最理想的策略并非全盘拒绝工具，而是保留局部运用、解释和交叉验证。

如今，不少产品正探索学习导向的模式：引导提问、分步讲解、鼓励用户先作答再接收反馈。其意义不在于降低交互速度，而在于将真正有益的摩擦保留在关键环节。获取答案前，先阐述自己的思路；接受建议前，先点明最不确定的步骤；任务完成后，尝试脱离工具独立复述一次。

这也应是产品设计的职责所在。默认替用户包揽一切，短期体验固然最佳；但若系统屡屡将难题与思考一并消除，用户将愈发依赖它。更优的默认设定，应让人能自主选择何时获取提示、何时独立完成、何时需要被挑战。

我不会为了证明自身人性，就抵制所有自动化。相反，我愿将AI用于拓展视野、生成反馈和减少无意义的重复劳动。但在那些决定理解深度、价值权衡和责任归属的领域，我仍愿保留些许不那么顺畅的空间。那点摩擦，或许正是能力生长的根基。