“懂得”的幻觉：当人工智能替我们学习

你所发明的这帖药，能医记忆，却不能益智；因学习者借助于外部的符号，而不凭自身回忆，故其所获并非真理，而是真理之影；他们闻之多矣，却一无所学；似无所不知，实一无所知。 ——柏拉图《斐德罗篇》，苏格拉底转述塔穆斯对文字的批评

柏拉图笔下的这段责难，针对的是书写技术本身。两千四百年后，同样的忧虑被移置到人工智能之上：当一个外部系统可以随时替我们存储、检索、乃至生成理解，人的心智究竟是随之增强，还是悄然萎缩？这一问题并非新近出现，但大语言模型赋予了它前所未有的紧迫性——因为此前的认知技术主要替代的是记忆与计算，而当前的模型开始替代推理本身。

本文拟从三段第一人称的学习经历入手，将其置于认知科学的框架内加以检视，进而对"借助人工智能学习"这一行为的实际效果与潜在代价作出判断。需要先说明的是，下文并不主张弃用人工智能；其旨在于辨析，在何种条件下，这种工具促进学习，又在何种条件下，它以学习的表象掩盖了学习的缺席。

---

一、案例与共同变量

先考察三段具有可比性的学习经历。

第一例为借助多邻国学习德语。学习者利用碎片时间持续打卡，于短期内入门并达到欧洲共同语言参考标准（CEFR）的 B 级；然而课程更新停滞且日常缺乏使用语境，所学内容在数月内显著遗忘。

第二例为借助 NotebookLM 阅读 Raschka 所著 Build a Large Language Model (From Scratch)（Raschka, 2024）。该工具提供了近似于随时在线的答疑环境，使学习者得以迅速通读全书；但数月之后，对核心内容的留存几近于无。

第三例为阅读 Deisenroth 等人所著 Mathematics for Machine Learning（Deisenroth, Faisal & Ong, 2020）。前半部分采用手工翻译、逐句推证的方式；后半部分转而借助模型翻译，并于遇到疑难时优先向模型求助。结果是，前半部分的理解明显更为扎实，后半部分则仅余模糊印象。

三段经历分属语言习得、工程读物与数学教材，彼此领域悬殊，却共同受制于一个变量：学习者在理解过程中自身所承担的认知劳动的比重。德语之遗忘，源于缺乏使用与强化；工程读物之速朽，源于过程过于顺畅、过于被动；而数学教材前后两半的落差，恰恰产生于手工翻译所要求的那部分劳动，在后半部分被模型所替代。换言之，三例共同指向一个与直觉相悖的模式——学习过程越是省力、越是迅捷，长时保持越是稀薄，理解越是肤浅。要解释这一模式，须先回到一个更基本的问题：学习在认知系统中究竟如何发生。

---

二、学习的认知机制：作为副产品的习得

日常观念常把学习理解为信息的搬运：将书本或他人口述的内容转移至脑内，转移得越快越多，效率便越高。这一"存储"模型已被半个多世纪的认知研究证伪。学习并非被动的录入，而是认知结构在特定操作下的重组。

从神经层面看，记忆与技能并不存放于某一处，而是分布于神经元之间连接强度的分布之中。赫布（Hebb, 1949）所提出的法则——共同激活的神经元之间形成并强化连接——概括了这一过程的物理基础：每一次主动而深入的神经活动，都在加固相应的回路；一旦此类活动被外部代理所省略，回路便得不到强化，并随时间而衰减。由此可以引出一个无法回避的推论：构成能力增长的那一部分操作，必须由学习者自身的神经系统来执行；外部工具可以供给信息与反馈，却无法代为完成这一塑形过程。

这一推论得到了神经科学实证的支持。Maguire 等人针对伦敦出租车司机的研究发现，为通过以记忆全城街道著称的 "The Knowledge" 考试而长期训练者，其后部海马体体积显著大于常人（Maguire et al., 2000）；相应地，Hou 等人于 2020 年发表于《自然·科学报告》的研究显示，长期依赖 GPS 导航者的空间记忆成绩明显更差。导航能力一旦被设备接管，与之相关的神经回路即趋于退化。能力外包至何处，何处的能力便开始让渡。

进一步的问题是，究竟是哪些认知操作能够产生学习。已有研究相当一致地分离出若干关键机制：其一为生成效应（Slamecka & Graf, 1978），即由学习者自行产出答案，较之阅读现成答案，其保持显著更佳；其二为测试效应（Roediger & Karpicke, 2006），即被迫的提取（retrieval）比重复阅读更有助于长期保持；其三为加工层次效应（Craik & Lockhart, 1972），即语义层面的深度加工比字形、语音层面的浅层加工留下更持久的痕迹；其四为合意困难（Bjork & Bjork, 2011），即适度的延迟、间隔与交错，虽使当下习得更慢、更费力，却换来更为牢固的长时掌握。

这些发现汇聚于同一个结论：使当下学习更为费力的操作，往往正是使长期保持更为牢固的操作。学习本质上是认知系统在生成、提取、挣扎与纠错之中被动的自我重组；费力的程度并非学习所需支付的额外代价，而是学习得以发生的条件本身。由此可以进一步推论：任何外部工具，若替代了生成、提取、深度加工或合意困难中的任何一环，便会在相应程度上削减学习。三段案例所共同呈现的，正是这一推论的经验表现。

---

三、认知负荷的盲目削减

那么，人工智能在这一图景中究竟居于何种位置？需要指出，问题并不在于它给出的答案有误——其答案往往准确而清晰——而在于它削减认知负荷的方式缺乏区分度。

Sweller 的认知负荷理论将工作记忆的负担区分为两类（Sweller, van Merriënboer & Paas, 1998）。其一为多余负荷（extraneous load），指与学习目标无关、仅因材料组织不良而耗用心智资源的负担，如术语未加界说、信息组织混乱等；此类负荷理应予以削减。其二为合意负荷（germane load），指用于建构与整合图式的心智投入，亦即学习本身所对应的加工；此类负荷不仅应当保留，而且在合理范围内应予增加。优秀教材与教师的共同特征，正在于削减前者而保留乃至引导后者。

当前的人工智能助手在运作逻辑上恰好相反。它对所有构成困难的对象一律加以消解：术语晦涩则径行翻译，推证冗长则直接给出结论，概念缠绕则改以浅白语言重述。其结果是整体性地压低了使用者的认知负荷，却无力辨别所压低的部分究竟属于噪声抑或信号。当它把一道数学命题转译为流畅的日常语言时，连同被一并压低的，正是学习者本须亲自走完的那一段合意负荷——而这一段负荷，恰恰是达成数学理解的唯一通路。前述数学教材前后两半的差异，即可由此得到解释：手工翻译所要求的查考、拆解与反复推敲，表面低效，实则尽属合意负荷，在脑中织成了一张致密的理解网络；而借助翻译与答疑的后半部分，虽削减了多余负荷，却也同时削减了合意负荷，使用者获得了一份通顺的讲义，却未曾获得理解。

由此可以提出一个或许有悖常识、却逻辑自洽的判断，不妨称之为"帮助的悖论"：使人工智能助手成为"好助手"的全部品性——即时作答、表述清晰、替使用者省去麻烦——恰恰是使其成为"坏教师"的全部品性。有效教学的特征，并非将答案预先咀嚼后递送，而是迫使学习者自行趋近答案；苏格拉底从不径直回答，费曼亦以"能否向外行讲清"作为理解与否的判据（Feynman, 1985）。在此意义上，真正的教学必然带有某种结构性的"不配合"。然而，现行的大语言模型经由人类反馈强化学习（RLHF）而被训练为一个高度配合的系统，其优化目标是令使用者满意，而令使用者满意最经济的途径，正是降低其痛苦、加快其进度、将答案置于其眼前。于是出现了一种目标层面的冲突：模型所被优化的"乐于助人"，与教育所要求的"适度施压"，在方向上并不一致。使用者越是感到省力、感到流畅、感到"已然理解"，其经历学习失败的可能性反而越大。

乔布斯曾将计算机喻为"大脑的自行车"（Jobs, 1980）——自行车不同于轮椅，它并不代步，而是放大骑行者自身的力量。这一隐喻若移植于人工智能，则揭示出一个比其原意更为尖锐的问题：同一件工具，究竟是自行车还是轮椅，取决于它在认知流程中介入的位置。当模型介入的环节是使用者本已熟练、仅嫌缓慢的部分（如检索某一公式、确认某一史实、清理冗余表述），它发挥的是自行车式的放大作用，使用者仍在思考，只是效率提高，此类外包是安全而合理的。当模型介入的环节是学习者本应自行挣扎方能生成能力的部分（如推证、论辩、将模糊直觉锤炼为精确理解），它所发挥的则是轮椅式的替代作用，使用者由此跳过了本该承担的锻炼，相应的能力回路趋于萎缩。区分二者的判据并不复杂：此一环节，使用者所求者是完成任务，还是生长能力？若为前者，外包无碍；若为后者，则模型越是急于代劳，使用者越应主动将其延后。

---

四、理解的错觉：流畅性与解释深度

前节解释了人工智能何以使人学得肤浅，本节将进一步处理一个更为隐蔽的现象：学习者何以在学得肤浅之时，反倒自以为学得深入。

人对自身是否理解某一内容的判断，并非依据客观检验，而是依据一种被称为加工流畅性（processing fluency）的直觉感受。当一段文字读来顺遂、某一解释听来合理，认知系统便产生一种"已然理解"的舒泰之感。人工智能正是制造此类流畅感的擅长者：其表述逻辑清晰、措辞工整、举例贴切，使用者读之，流畅性骤升，"理解"的信号随之触发。然而需要辨明，此时所体验到的，是阅读他人成品的流畅，而非自行重建知识的流畅；二者在主观感受上难分彼此，在认知机制上却判然有别，前者属于消费，后者方属掌握。

罗森布里特与凯尔（Rozenblit & Keil, 2002）所揭示的"解释深度错觉"，恰可说明这一机制：人倾向于高估自身对事物运作机制的理解，直至被要求具体说明，方察觉其实无从讲清。模型则把这一错觉放大——它代替使用者把所有"讲不清"之处尽数讲清，于是使用者永远无须面对自身并未理解的时刻，亦因此无从获得纠偏的契机。

2025 年，麻省理工学院媒体实验室的 Kosmyna 等人发表了一项历时四个月、篇幅近两百页的研究，题为《你的大脑与 ChatGPT：使用 AI 助手时累积的认知债》（Kosmyna et al., 2025）。研究者令被试在三种条件下撰写文章——纯凭自身、借助搜索引擎、借助 ChatGPT——并以脑电图全程记录其神经活动。主要发现可概述如下。其一，借助 ChatGPT 的被试大脑参与度最低，在神经、语言与行为三个层面上均落后于其余两组。其二，其大脑功能性连接显著更弱。其三，被试对所成文章的归属感与拥有感明显更低。其四，尤为值得重视的是实验末尾的一次条件互换：此前始终借助 ChatGPT 的被试，于最后一轮改回纯凭自身写作，其神经连接仍弱于自始至终独立完成者。研究者将这一现象命名为"认知债"（cognitive debt），意指长期依赖外部模型所累积的认知亏空，并不会因一时改弦更张而立即清偿。诚如作者所言，大脑在使用大模型之后或之中，皆不会表现得更好。

"认知债"一名颇为精当。前述工程读物的速朽、数学教材后半部分的模糊化，其性质皆可由此得到重述：学习者并未真正完成习得，而是将理解这一任务先行赊欠；模型把账面做得颇为可观，本金却从未入账，利息则在暗处累积。

至于学习者不珍视未经努力而获得之物这一直觉，心理学中亦有相应佐证。诺顿等人所发现的"宜家效应"（Norton, Mochon & Ariely, 2012）表明，人对自身参与组装的产物会赋予显著更高的估价。此一原则同样适用于知识：亲手翻译、反复推证所得的理解，因伴随着查考、困顿与顿悟，被认知系统标记为"己出"，从而得到长期保管；而由模型代劳所得者，则如他人代为装配的成品，使用者既不珍视，亦难持久留存。这并非惰性，而是认知系统长期演化而成的经济原则：唯有付出相当代价获取者，方值得长期储存。

---

五、遗忘的加速：四重机制

理解的肤浅是第一重代价，保持的稀薄是第二重。后者由四重相互叠加的机制共同造成。

其一，编码强度不足。如前所述，唯有深度加工方能留下稳固的记忆痕迹；模型所提供的答案多停留于阅读层面，神经活动趋于浅层，依据加工层次理论，浅加工对应弱编码，弱编码对应快速遗忘。

其二，缺乏提取练习。模型惯于径直给出答案，使用者因而鲜少被置于必须自行回忆的境地；而测试效应所揭示的，正是主动提取本身对记忆的加固作用。向模型发问百次，其效或不及迫使自身默写一次。

其三，线索网络稀疏。长时记忆并非孤立条目的堆叠，而是悬挂于一由情境、情绪与挣扎细节所构成的线索网络之上。手工查考时所记住的某一冷僻例证、困顿三小时而后领悟的某一瞬间，皆为日后唤回该知识所凭借的线索；模型所提供的答案则因其干净而去情境化，在使用者脑中无所挂搭，易于遗失。

其四，外在记忆的外溢。Sparrow、Liu 与 Wegner（2011）发表于《科学》的研究表明，当人预期某一信息可经由外部检索获得时，认知系统会系统性地倾向于不记忆信息本身，而仅记忆其所在之处；互联网在此意义上构成了一个外在的交互记忆伙伴。模型将此一效应推向极处：既然随时可得讲解，何须自行记取。于是认知系统干脆地将内容卸载至工具之中，仅保留"问模型即可"这一索引。前述德语之迅速流失，亦是缺乏使用与强化所导致的用进废退，与"反正查得到"之外溢效应的叠加。

四重机制叠加，其结果便是前文所述之现象：习得甚速，遗忘亦甚速。盖因所谓"甚速"本非习得，而是一次流畅的消费。

---

六、可外包与不可外包：知识的层级

行文至此，须避免得出一个廉价而失当的结论，即人工智能有害而当远避。此一判断既不诚实，亦不准确。前文亦已承认，人工智能确实扩展了人的诸多能力。真正有用者并非回避，而是依据知识的性质作出区分。

不妨将知识设想为一个由下而上的抽象阶梯。其底层为程序性与事实性的内容，诸如某一接口的参数、某一历史事件的年代、某段代码的语法、某种格式的转换。此类内容属于"查得即用"的零配件，可以放心外包；将之交付模型或搜索引擎，所节省的工作记忆恰可用于真正的思考，其所削减者实为多余负荷。这正是程序员借助代码补全处理样板代码、学者借助模型校勘参考文献的合理性所在。

其顶层则为原理性与生成性的能力，如数学推理、第一性原理思考、将模糊问题形式化、自行提出并检验假设等。此类能力并非零配件，而是整个认知系统的承重结构；其特殊性在于，它们正是使用者据以判断模型答案之正误、据以提出恰当问题、据以在模型失效时仍能自立的基础。由此可引出一条判别原则：具体的知识点大抵可以外包，而判断、推理与质疑这一整套底层能力则不可外包，因为它是使用一切工具——模型亦在其中——的前提。一旦将其外包，使用者便丧失了甄别模型输出的能力，沦为后者的被动接受者。正因如此，依赖模型学习数学一事尤其值得警惕：数学并非一门可孤立看待的知识，而是思维的底层结构，对其浅尝辄止，等于系统性地削弱了理解世界的认知基础。

据此可列一简表，以示外包与否的判别：

把握此一分界，使用者方能在得心应手与扎实习得之间作出清醒的取舍。

---

七、主动建构与被动消费：使用方式的分野

倘若论述止于前数节，本文便沦为又一篇耸动之作。事实要更为复杂，亦更值得驻足。已有研究显示，在恰当引导、用作认知脚手架而非替代物时，模型亦能促进某些学习成效（Brazão, 2025；Zhai et al., 2024）。真正的分野并不在于是否使用模型，而在于使用的方式。心理学中早有一个朴素的二分法，足以容纳上述看似矛盾的证据：主动建构与被动消费。同一部教材，或批注、或自问、或合卷复述，此为主动建构，保持牢固；或自首至尾泛览一过，此为被动消费，转瞬即忘。模型并未改变这一规律，它只是使被动消费变得前所未有地顺滑而诱人，从而使失败的模式更易发生。

据此，使用方式的重心应当由"获取答案"转向"迫使自身建构"。以下数种做法，旨在将被动消费翻转为主动建构。其一，先自行求解，而后求教于模型：在任何情形下，先迫使自身生成一个答案、一个猜想或一份证法草稿，纵使谬误，亦无妨——生成这一步正是学习真正发生之处，断不可由模型代劳；其后将自身所作与模型之输出加以对照，二者之差即为学习之所当用力。其二，令模型提问而非作答：将其设定为苏格拉底式的引导者，要求其以追问引出使用者的思路，而不径直给出结论，借此把被训练为高度配合的模型，重新扭回教学本应具有的施压角色。其三，反向讲授：习得一段之后，暂不借助模型，以己语向其复述，令其检视漏洞；讲不清之处，即为未懂之处，此时模型作为听众兼考官，远较其作为讲师有用。其四，专门证伪：主动预设模型之输出有误，迫使自身检视其推理、搜寻其疏漏，批判一份看似完满的答案所耗心力远过于被动接受，而此心力正是合意负荷。其五，以模型放大而非消灭挣扎：令其拟定更难的习题、提供更刁钻的反例，于困顿之际给予提示而非答案。

诸法有一共同特征，即皆要求使用者付出较"径直发问"更多的认知努力。此点与第二节之判断正相呼应：学习是认知操作的副产品，因而有效的模型使用法，恰恰是那些令使用者不甚舒适之法。这并非反讽，而是必然。理清这一层关系，可以得出一个较为干净的结论：模型既非心智的救星，亦非心智的仇敌，而是一个中性的放大器；其放大之对象，取决于使用者输入之内容。输入主动建构，则如虎添翼；输入被动依赖，则加速退化。决定之权从来不在模型，而在那个于"先自思三分钟"与"径直发问"之间作出选择的主体。

---

八、结语：外在能力与内在能力

最后，须对前文一处需要审慎表述的直觉加以厘清，即所谓"大脑本身并不会得到进化，过度依赖反将抑制思考"。

此处宜作一区分。生物学意义上的演化以十万年计，与数月之内的学习无涉；然而上文所欲表达的，并非物种演化，而是一桩更为切近之事：外在能力的扩张，并不等同于内在能力的增长。二者乃是相互独立的两个账户。每一种认知技术的登场——文字、印刷术、计算器、搜索引擎、GPS、人工智能——都同样地做着一件事：把人类集体而外在的能力版图向外推展一大步，使可供调用的信息、可完成的任务、可触及的专长皆呈爆炸式增长。然而与此同时，每一项被外包出去的能力，都对应着心智内部一处悄然退场的回路。GPS 削弱了集体的方向感，搜索引擎使集体疏于记忆，而人工智能正在使集体疏于推理。

故而真正的问题从来不是人工智能是否有益——它无疑有益，已将人类文明的外在能力推至新的高度——而是在这场能力的大规模外包之中，使用者愿意将心智的哪些功能出租，又必须将哪些功能牢牢执持于己手。笔者的判断是：凡涉及判断、推理、质疑与原创生成的核心功能，无论工具如何诱人，皆不可外包。这并非因为模型不能胜任此类工作——恰恰相反，正因其过于胜任、过于流畅，使用者方更易在理解的幻觉中将之拱手让出；而一旦让出，所丧失者不仅是一项技能，更是那套使使用者得以配得上使用一切工具的底层心智。Kosmyna 等人研究中的条件互换实验之所以令人不安，正在于此：认知债并不因一时醒悟而即刻清零。心智是一台用进废退的机器，今日所省之力，即为他日所偿之债，而其利息，须以思考之能力来抵。

由此，或可在每一次意欲径直求助于模型之前，先行自问一事：此刻所欲，究竟是完成一项任务，抑或塑成一种心智。若仅属前者，尽可交付模型，省下之精力大可用于生活、创造与其他；若关乎所欲成为之人、所欲拥有之心智，则那些不讨喜的、迟缓的、时时困顿的挣扎，仍宜留归自身。盖因正是这些挣扎，一点一滴地，决定着一个人终将成为谁。

在一个答案已廉价至泛滥的时代，真正稀缺而有价值的，是那颗纵在痛苦之中仍坚持自行想清楚的心智。知识之不可轻易托付于不曾为之流汗之人，其更为有力的反面或许是：为理解所付出的每一分艰难，皆将转化为心智之中一笔不致贬值的资产。

---

参考文献

• Bjork, R. A., & Bjork, E. L. (2011). Making things hard on yourself, but in a good way: Creating desirable difficulties to enhance learning. In M. A. Gernsbacher et al. (Eds.), Psychology and the real world. Worth Publishers.
• Brazão, M. (2025). The impact of AI chatbots on student learning outcomes: A case study. Frontiers in Education.
• Craik, F. I. M., & Lockhart, R. S. (1972). Levels of processing: A framework for memory research. Journal of Verbal Learning and Verbal Behavior, 11(6), 671–684.
• Deisenroth, M. P., Faisal, A. A., & Ong, C. S. (2020). Mathematics for Machine Learning. Cambridge University Press. https://mml-book.github.io/
• Ebbinghaus, H. (1885). Über das Gedächtnis.（艾宾浩斯遗忘曲线）
• Feynman, R. P. (1985). Surely You're Joking, Mr. Feynman!. W. W. Norton.（费曼学习法：以能否向外行讲清作为理解判据）
• Hebb, D. O. (1949). The Organization of Behavior. Wiley.（赫布律）
• Hou, J., et al. (2020). Habitual use of GPS negatively impacts spatial memory during self-guided navigation. Scientific Reports, 10, 8450.
• Jobs, S. (1980). 访谈中提出的"计算机是大脑的自行车"（bicycle for the mind）之喻。
• Kosmyna, N., et al. (2025). Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. MIT Media Lab.
• Maguire, E. A., et al. (2000). Navigation-related structural change in the hippocampi of taxi drivers. Proceedings of the National Academy of Sciences, 97(8), 4398–4403.
• Norton, M. I., Mochon, D., & Ariely, D. (2012). The IKEA effect: When labor leads to love. Journal of Consumer Psychology, 22(3), 453–460.
• Plato. Phaedrus.（柏拉图《斐德罗篇》，苏格拉底论文字与记忆）
• Raschka, S. (2024). Build a Large Language Model (From Scratch). Manning.
• Roediger, H. L., & Karpicke, J. D. (2006). Test-enhanced learning: Taking memory tests improves long-term retention. Psychological Science, 17(3), 249–255.
• Rozenblit, L., & Keil, F. (2002). The misunderstood limits of folk science: An illusion of explanatory depth. Cognitive Science, 26(5), 521–535.
• Slamecka, N. J., & Graf, P. (1978). The generation effect: Delineation of a phenomenon. Journal of Experimental Psychology: Human Learning and Memory, 4(6), 592–604.
• Sparrow, B., Liu, J., & Wegner, D. M. (2011). Google effects on memory: Cognitive consequences of having information at our fingertips. Science, 333(6043), 776–778.
• Sweller, J., van Merriënboer, J. J. G., & Paas, R. (1998). Cognitive architecture and instructional design. Educational Psychology Review, 10(3), 251–296.
• Zhai, X., et al. (2024). Over-reliance on AI dialogue systems and its impact on learning outcomes and critical thinking. International Journal of Educational Technology in Higher Education.