--- title: "捷径与摩擦：AI 时代重新理解人类的学习" subtitle: "从搜题软件到 ChatGPT：AI 对学习加速了什么" --- 最近网上很多人在说 AI 让学生变蠢、AI 正在毁掉教育。 说实话，**我有个相反的感受 —— 我挺遗憾当年自己没赶上 AI**。 2019 年，我是县城普通中学的一名高三理科生，没有足够的一对一老师辅导，靠搜题软件自己学完了那些没答案的卷子。现在我是重度 AI 用户 —— 按照普遍的分法，属于"AI 加速学习派"。 最近我在 AI 的帮助下调研了这个话题，读了一批一手研究（Anthropic 的 RCT、MIT 的脑扫描实验、中美教育部政策文件），和 AI 反复辩论了很多轮，试图回答一个问题：**如果我高三那年就有 ChatGPT，我会学得更好，还是更差？** 答案可以压成两个词：**捷径**和**摩擦**。AI 给的是捷径 —— 而且是**史上最强的那种捷径**。但学习里，某些"摩擦"本身就是学习。 --- ## Act 1 · 县城故事 ### 1.1 设置场景 2019 年，我在县城普通中学念高三。 那时候的我过得挺好的。学校不是什么"县一中"式的重点：数学老师讲评试卷时，最后一道大题的第二小题太难就不讲了；化学老师遇到某些刁钻的题，会先翻一眼答案再回答我。**但我在这个学校是年级第一**，每天做题、考试、再做题，有一种简单的成就感。 我当时并不觉得自己在"资源洼地"里。**因为我没见过"资源富矿"长什么样**。 这个意识是后来从互联网上慢慢形成的。刷到海淀学生晒的学习资料、看到一线城市学科竞赛集训营的介绍、了解到有同龄人从小就有一对一学科教练。我才后知后觉地明白：**我和他们之间，不是努力或智商的差距 —— 是资源的差距**。 （还好智商的差距确实存在 —— 高考的难度和公平性，让我这个资源不足的县城学生，现在混得也还行。） 不是抱怨什么。我的高中过得挺快乐的。只是**现在回头看，工具和资源的不平等是真实存在的** —— 这件事当时的我没有感觉，现在的我看得清楚。 ### 1.2 搜题软件 搜题软件是我初中就开始用的工具。打开 App、拍题目照片、上传，它给我答案。 但我用它的方式和班上一些同学不太一样。**总体上是先思考、再查询** —— 想不出来的时候会先自己挣扎一会；做完一道题也会主动再搜一遍对照。**很少拿到题就直接搜**。 说不上什么"原则"，只是自控力勉强够用。这个习惯怎么来的我不完全清楚，可能是倔强、可能是想对得起做题的时间、可能只是一种模糊的自律。 到了高三下学期，这个习惯变得特别有用。老师临时印的、外校传来的、超纲难度的卷子越来越多，而且都没答案。搜题软件就是在这些没人讲解的题目上，替我补上了"**我的答案对不对**"的反馈。 ### 1.3 搜题软件给了我什么，没给我什么 现在回看，搜题软件给我的东西挺具体的：它把我能做的练习量**扩大了至少 3-4 倍**。在县城老师顾不过来的环境里，它相当于一个不会疲惫、随叫随到的"答案反馈机"。 但它也不是万能的： - 它只给答案，不讲原理； - 它不能帮我了解课本之外我感兴趣的东西 —— 它只是"**对答器**"，不是"**探索器**"； - 它也不会告诉我**我的方向是不是对的** —— 它只能回答你问出来的问题，你没问的它帮不了你。 ### 1.4 一个冒出来的念头 很多年过去了。我从县城出来、读了大学，进了科技行业。这行技术迭代快，你必须**持续学习**才能跟上 —— 工作这些年，我一直像学生一样在啃新东西。 只不过这一次，我手边有 AI。 我能明显感觉到它对我**学习速度的加速** —— 用 Claude Code 写代码、用 AI 辅助学习、用 AI 探索新领域。吸收新知识的速度比过去快了几倍。 有一天我自然冒出一个念头：**如果我高三那年就有现在这样的 AI，我会是什么样？** 第一反应当然是：会飞起来啊。可惜它没早几年出现。 但这个念头之后一直在脑子里转 —— 尤其是最近网上关于 AI 影响学习的讨论越来越多。 我心里开始有个声音。 > **我的答案，不等于所有人的答案。** --- ## Act 2 · 互联网舆论四派 + 我是加速学习派 ### 2.1 我自己的位置 我得先坦白：**我自己就属于"AI 加速学习派"**。日常高度依赖 AI —— 实话说，**这篇文章本身就是我跟 AI 辩论了一个下午才写出来的**。 但也正因为我在这一派，我觉得我反而有责任看看另外几派在担忧什么，而不是把他们当"过虑"打发掉。 ### 2.2 网上四派说法 我刷了一圈社交媒体上关于 AI 和学习的讨论，大致能分成四类说法： **一派：AI 正在毁教育** - 常看到的说法：「全班一半作文是 AI 写的」「学生失去了思考能力」「长期依赖 AI 写作大脑会变笨」 - 发声的多是老师、家长、以及一些自觉"变笨"的成年人 **一派：AI 加速学习派（我这种）** - 常看到的说法：「48 小时学完一门课」「只靠 AI 学数学也能搞定」 - 大家互相晒方法、相互印证 **一派：方法论派** - 常看到的说法：黄仁勋那句「我每天都用 AI，但 90% 的人都用错了」被反复转；类似的还有「AI 不是你的人生导师」「AI 只能放大你已经做的思考」 - 这派认为不是 AI 好不好的问题，而是**怎么用**的问题 **一派：被动卷入的家长和老师** - 常看到的说法：「女儿用 AI 写作业，难道只有没收手机才行吗？」「这比给大学生讲课难多了」「AI 时代乱现象，我们真需要这么多'高效'么？」 - 这派在问：孩子到底该怎么办？ ### 2.3 过渡到研究 > **四派说法各有共鸣，但我还是得看看数据怎么说。** 既然我是"加速学习派"，我有责任自己去看研究 —— 看看那些说"AI 让人变蠢"的人到底有没有证据。 --- ## Act 3 · 两篇一手研究 这个话题既然讨论得这么热，学界和工业界不可能没出手。我找到了两篇最有代表性的一手研究 —— 一篇来自 AI 厂商自己，一篇来自 MIT 的脑科学实验室。**两篇给出的结论，都比小红书上任何帖子都复杂。** ### 3.1 Anthropic 的 RCT 第一篇研究很有意思，因为它出自 **AI 厂商 Anthropic 自己**。2026 年 2 月发布。他们同时发了一篇博文《How AI assistance impacts the formation of coding skills》做大众传播，对应的原论文题目是《How AI Impacts Skill Formation》（arXiv:2601.20245）。 **实验设计**：52 名初级软件工程师，Python 每周使用 ≥1 次、持续 >1 年，但所有人都没用过 Trio（Python 的异步编程库）。分 AI 辅助组 vs 手写组；三部分流程：warm-up / 实现两个功能 / 测验。 **结果**：测验均分 AI 组 **50%** vs 手写组 **67%**（Cohen's d=0.738，p=0.01）；debugging 题差距最大；完成时间 AI 组快约 2 分钟（**统计不显著**）。 **关键分化**（7 种使用模式聚类）：低分组（<40%）—— AI delegation / Progressive reliance / Iterative debugging；高分组（≥65%）—— Generation-then-comprehension / Hybrid / **Conceptual inquiry（n=7，只问概念）**。 **作者原话**：**"Productivity benefits may come at the cost of skills necessary to validate AI-written code."** —— 翻译过来就是，"生产力的提升可能以你失去验证 AI 输出所需的技能为代价"。 这只是一个任务、一次测验。还有没有更"深"的研究？有。 > **学得快，往往忘得也快。** ### 3.2 MIT 的脑扫描实验 2025 年 6 月，MIT Media Lab 的 Kosmyna 和 Pattie Maes 组发了一篇 arXiv 论文（arXiv:2506.08872），题目是《Your Brain on ChatGPT》。这篇更狠 —— 他们直接用 EEG 测了用 AI 写作的人的**大脑神经活动**。 **设计**：54 人做 4 个 session，跨 4 个月；三组 —— 只用脑 / 用搜索 / 用 LLM；EEG（脑电图）测 alpha / beta 频带神经活动，配合 NLP 分析 + 教师评分。 **前三个 session 的发现**：神经连接强度上只用脑 > 搜索 > LLM；**LLM 组 83% 的人引用不出自己刚写的文章**；Essay ownership（作品归属感）只用脑最高、LLM 最低。 **第 4 个 session 的交叉实验**（最反直觉的部分）：**LLM → 只用脑** 的人 alpha/beta 连接依然低，持续"欠投入"—— **债还在**；**只用脑 → LLM** 的人大脑激活反而更强 —— **先训练过再用 AI，主动性保留**。 研究给这种现象命了一个名字：**"Cognitive Debt"（认知负债）**。 把两篇研究放一起看，给我的冲击是 —— **差别不在"用不用 AI"，而在"先后顺序"和"使用方式"**。 这个观察本身还挺粗的。接下来我想把它细化成几个更可操作的框架。 --- ## Act 4 · 框架升级 ### 4.1 两种模式 —— 答案模式 vs 学习模式 第一个框架是我觉得最关键的一个分法 —— 任何一次你和 AI 的交互，**目标要么是"获取答案"，要么是"建立可迁移能力"**。**这两种目标下，同一个"慢"的属性完全不同**： - **答案模式**：目标是解决眼前问题 → 所有慢都是摩擦 → AI 最优 - **学习模式**：目标是建立可迁移能力 → 部分慢本身就是学习 → AI 最坏 同一个人、同一个工具，**不同模式下应该有完全不同的用法**。但关键问题是 —— **大多数人不显式区分这两种模式**。默认状态下，AI 的 UX 把你推向答案模式，哪怕你当时是在学习场景。错配就这样默默发生了。 ### 4.2 不是所有摩擦都是学习 "学习模式下要保留摩擦" —— 这话说完后，自然会有个反问：所有摩擦都要保留吗？切工具、翻文档、等系统加载，这些也要保留吗？当然不。纯物流摩擦消除掉没问题。 真正不能消除的是这两类： - **元学习能力的训练**：从蛛丝马迹找答案、判断答案对不对、把通用概念对应到具体问题 —— 这些是**可迁移的思考力** - **记忆深化**：像模型训练里的"上采样" —— 慢摩擦意味着更多 replay，更多 replay 意味着更深的记忆编码 > **AI 一键消除的，恰好是学习最该保留的。** 这也解释了 Anthropic 研究里那 7 个高分"只问概念"派 —— 他们让 AI 消除了**物流摩擦**（查 API 用法、回忆语法细节），但保留了**学习性摩擦**（异步原语的概念理解）。 ### 4.3 AI ≈ 搜题软件++，但有一个唯一的质变 第三个框架回到一个更大的图景 —— **AI 不是新物种**。它是参考书、搜索引擎、搜题软件这一整个谱系的延续： - 同一赛道：降低"获取答案"的摩擦 - 同一规律：对 motivated 的人是加速器，对 unmotivated 的人是拐杖 但 AI 和之前所有工具之间，有**一个唯一的质变**： - 搜题软件给你的是**通用答案**（别人的题、别人的变量，你还要自己翻译到你的场景） - AI 给你的是**你自己的答案**（你的代码、你的变量、你的语境）—— 翻译被替你做了 **这一步翻译，就是学习发生的地方**。把通用概念对应到具体问题，这个动作就是理解建构本身。AI 把它消除了。 所以 AI 比搜题软件好用得多，**也比搜题软件危险得多**。 **从"捷径"到"终极捷径"的一步跃迁。** --- ## Act 5 · 国际组织和中美政策 研究层面已经有了一些发现。但更现实的问题是：**各国教育系统是怎么回应的？**这一节先绕开个人观点，把政策层面最关键的几点摆出来。 ### 5.1 国际组织 - **UNESCO 2023**：全球首份 GenAI 教育指南，建议为 GenAI 教育应用设置年龄门槛，要求做伦理和教学适配性验证 - **OECD + 欧盟 2025**：AI Literacy Framework for Primary & Secondary Education，定义四个能力维度 —— **Engaging / Creating / Managing / Designing with AI**。AI 素养应嵌入所有学科，从小学开始 ### 5.2 中美对比 中美在 K12 AI 教育的路径几乎完全相反。 **中国**走**顶层设计**路线：2024 年 11 月教育部定调 "2030 年前基本普及"；2025 年 5 月《中小学人工智能通识教育指南》提出 **"知识-技能-思维-价值观" 四维素养 + 三段分层**，小学阶段就写入 "基础质疑意识"；2026 年 4 月联合五部门出台《"人工智能+教育"行动计划》。 **美国**走**联邦真空 + 州自治**路线：2023-2024 年 OET 发了 AI 报告和 74 页 Toolkit，但**2025 年 3 月 Trump 政府关闭了 OET**，联邦层面进入真空。各州自治（Vermont、New Mexico、Georgia 相继出台）。 ### 5.3 现状数据 两组数字可以画出今天的 baseline： - **Stanford HAI 2025**：2/3 国家已有 K-12 CS 课程，但**不到 50% 的高中 CS 教师自认准备好教 AI** - **Stanford HAI 2026**：高中和大学生里**每 5 人约有 4 人**已常态使用 AI —— 教师培训和政策明显跟不上 ### 5.4 Pedagogical AI 产品的挣扎 除了政策，产品侧也在尝试。Khan Academy 的 **Khanmigo** 2025 年已覆盖 140 万用户、380+ 学区；Anthropic 和 OpenAI 分别推出了 **Claude Learning Mode** 和 **ChatGPT Study Mode**，主走 B2B 路径。 但有个真正棘手的困境：**B2C 市场会反向选择 pedagogical AI**。用户偏好省力，而 pedagogical 模式要求用户多费点劲 —— 这让它在消费级市场商业上不可持续，只能依靠机构采购活下去。 > **政策追不上使用速度。这是今天所有 K12 的 baseline。** 看到这里，我回到自己的问题。 --- ## Act 6 · 回到个人 前面一路下来 —— 个人经历、四派争论、两篇硬核研究、三个理论框架、中美政策综述 —— 差不多能回到开头那个问题了："如果我高三那年就有 AI，我会学得更好还是更差？" ### 6.1 对当年的我来说，AI 会是扩展工具 **我用搜题软件的方式是"先想 → 再搜"**。这种使用方式下，AI 对我不会是"省掉思考的答题机"，而会是一个**扩展工具**： - 用来提前了解课本之外我感兴趣的东西 - 用来跟 AI 对话理清一个想不通的问题 - 用来见识更广阔的世界 对我个人而言，**AI 来得越早越好** —— 这是真的。"会飞起来"这个答案是成立的。 ### 6.2 但同一个工具，不是每个人都能用成那样 **一个工具放在一群人面前，大家用出来的效果从来不会一样**。我那种"先想再搜"的用法不是搜题软件教我的 —— 是某种性格、某种良性循环、某些我自己也说不清的东西。换成 AI，这种分化只会**更大** —— AI 比搜题软件能力强太多，两端会被拉得更开。 说到底： > **工具是平权的。但用好工具的能力不是。** 历史上每次工具变革都走这个模式 —— 图书馆、电脑、MOOC，规律反复出现。 ### 6.3 所以 K12 的真问题 我的使用方式不是典型，政策当然不能按我的情况定。但如果非要说一句，可能是这样。 我不是政策专家，也不想开具体处方。我能说的只有一点 —— **K12 的核心难题是保护元认知的养成期**。我今天能用 AI 用得好的根本原因，就是这一段曾经被保护得还算完整。至于具体的"保护期"到什么边界、怎么设计，**全球还没有好答案**。 我自己非处方式的做法是：假设我有 10 岁孩子，**监督下引导开始用 AI，自控后放手，然后对结果验收**。但再说一遍 —— **我不是典型，我的做法不一定对其他人成立**。 --- ## Act 7 · 留白 + 开放问题 走到这里，我想把立场收一下，然后把真正不确定的东西摆出来。 ### 7.1 立场的回归 如果你问我现在还是不是"AI 加速学习派" —— **是，但我不再是那种只晒"48 小时学完一门课"的派**。 我现在知道**为什么我能用 AI 用得猛**：不是 AI 太神，而是我 K12 打的那些看起来笨的基础，让我今天能用 AI 用得狠。**这件事没法简单复制给所有人**。 > **我既是 AI 最大的受益者，也担心它让下一代失去什么。** ### 7.2 三个我真不知道答案的开放问题 最后留三个问题。这三个问题我目前没有答案，可能 10 年后才能看清： 1. **AI 教育原生代** —— 从小不看书、只问 AI 长大的孩子，会成为什么样的人？ 2. 现在出生的孩子到 18 岁时，AI 是**电力级基础设施**，还是**仍在剧烈演化**？ 3. 一个孩子的 K12 完全靠 pedagogical AI 完成、没经历过"翻书 + 问老师"，**能不能形成那种"先想再搜"的习惯**？ ### 7.3 收尾 如果你也在想这件事 —— 评论区见。 > ### **有些摩擦是学习阻碍，有些摩擦是学习本身。**