生成式 AI 革命承诺提升生产力，但它是让我们更聪明，还是仅仅把思考外包了？

Source: Dev.to

引言

今天困扰高等教育的幽灵并不是抄袭。那是伦理和检测的问题，我们基本已经解决。新的幽灵更加阴险、更具危险性——它是完美产出与空洞思维的幽灵。

想象一下。你在大学研讨课上，学生可以在几秒钟内凭空写出一篇 2,000 字的论文，论述《威斯特伐利亚和约》的地缘政治复杂性。文笔无可挑剔，论点锋利，结构完美。但随后，一个令人不安的问题出现了——“你能不看屏幕解释第三段吗？”答案往往是沉默。

我们正经历一种深刻的“做”与“懂”脱钩。几个世纪以来，劳动本身——写作、计算、编码——是学习锻造的熔炉。过程中的摩擦正是认知真正发生的地方。现在，这种摩擦已被被生成式 AI 取代。

主流叙事由 EdTech 传教士和行业领袖推销，告诉我们 AI 是一位仁慈的“副驾驶”，解放学生摆脱琐碎任务，专注于“高阶思维”。这不是一个令人安慰的故事吗？一个描绘AI 增强的高等教育未来的叙事。

但如果这个故事是精心构造的幻象呢？如果我们不是在解放思维，而是在主动让其萎缩呢？如果我们正在为教育中新阶层体系奠定基础，这种阶层不是技术拥有者与非拥有者之间的差距，而是能够驾驭 AI 与被 AI 取代者之间的差距呢？

效率的诱人诱惑

要真正把握我们所处的危险，首先必须给乐观者应有的认可。他们的论点引人注目，往往根植于对认知负荷理论 (CLT)的善意但简化的应用。

CLT 的核心思想是我们的工作记忆是有限资源。当我们被额外认知负荷——由混乱指令或后勤噩梦引起的不必要的心理努力——所拖累时，学习会受损。他们认为，AI 充当强大的支架，扫除这些额外负荷，释放宝贵的心理带宽用于生成性认知负荷。这是一种“好”的负荷，是构建稳固心理模型或图式、奠定深度理解基石所需的努力。

这是一个美妙而简单的命题——如果计算器能让你摆脱长除法的枯燥，从而去攻克微积分，那么 ChatGPT 肯定也能让你摆脱句子结构的纠结，从而掌握论证的艺术？

这个叙事极具诱惑力。它承诺一个 AI 成为“协作伙伴”的未来，一个正在重塑高等教育的力量，并让每个人都能获得精细的产出。学生们据此将从单纯的创作者转变为受人尊敬的编辑和知识建筑师。

这种乐观愿景的根本缺陷在于一个关键的、未明言的假设——它假设学习的“苦差事”可以完全与学习本身分离。它认为写作仅是对预先形成思想的被动转录，而不是生成和精炼这些思想的引擎。

我担心，这一假设不仅错误，而且危险。

不舒服的真相 — 摩擦不是缺陷，而是特性

当我们超越光鲜的产出，审视底层认知过程时，AI 驱动的效率幻象开始崩塌。

理解的悄然侵蚀

正统观念中最关键且最致命的裂痕是对产出与结果的深度混淆。在教育中，可触及的产出——论文、代码、报告——仅是更深层内部结果的证据——学生大脑中发生的神经重塑。当前版本的 AI 擅长促成产出，却系统性地绕过了结果的必要性。

这种认知侵蚀的证据正在浮现。Frontiers in Psychology 最近的一篇文章指出了一个令人不安的趋势：生成式 AI 工具加速产出却削弱深度理解。

MIT 的一项研究提供了对这一现象的量化洞察。研究人员观察到，尽管生成式 AI 工具显著加快了书面产出的速度并提升了质量，但它们根本改变了用户对任务的参与方式。生产力的提升是以“人类挣扎”——即深度理解所必需的那种重要且混乱的过程——为代价实现的。

参与者并未真正与 AI “协作”，本质上是在监督它。监督所需的认知技能往往与真正创作所需的技能不同，且往往更为浅薄。

教育研究者的发现进一步支持了这一担忧：AI 使用与学习成果之间呈负相关，这主要是通过认知卸载介导的（MDPI 研究）。认知卸载是我们聪明地利用外部工具来减轻心理负担（例如把数字写下来以免记在脑中）。然而，当卸载扩展到涵盖任务的整个认知架构——构思、结构化、综合——我们就进入了危险领域，正如 Microsoft 对 AI 引发的萎缩所做的研究所描述的那样（404 Media）。

重新构造学习循环

传统学习循环

Input → Internal Processing (The Struggle) → Synthesis → Output
          ↑
   Schema Construction (Long‑term Memory)

AI‑介导的学习循环

Input → Prompt Engineering → AI Processing → Output
          ↓
   Surface Review (Verification)

在这个重新配置的模型中，关键的“内部处理”阶段——长期记忆构建和批判性分析锻造的熔炉