从AI让英语学习变得异常省力的现场切入：一个学习

眼前这段英文不算难，但也不算一眼就能顺下来。几个从句叠在一起，中间夹着一个不太常见的动词短语，句尾还有一个指代有点绕的代词。你大概会先扫一遍，心里有个模糊的意思，然后下意识地打开翻译工具，把整段粘进去。

几秒钟后，干净的中文出来了。你读了一遍，觉得懂了，关掉页面，去做下一件事。

第二天，如果有人让你把那段英文的意思用英语复述出来，你多半会愣住。你记得自己读过，也记得翻译出来的中文大致讲了什么，但原文里那个动词短语怎么用来着？句子是怎么搭起来的？

你想不起来。你只记得自己查过。这不是你一个人的问题。这是我们这个时代学习现场里最常见的一幕：操作完成了，学习没有发生。

我们可以花几分钟，把这件事在自己身上做出来。下面有一个很小的自测，不需要任何工具，只需要你愿意暂时不往下读。

先读一遍这段短文，不要查词典，不要用翻译软件，尽量靠自己的力气把意思弄清楚。读的时候，可以慢一点，可以在心里默念，可以用铅笔在纸上划一划。

读完之后，把书合上，或者把屏幕翻过去，拿出一张纸，用你自己的话把这段内容写下来——可以用中文写，也可以试着用英文写。写不出来就空着，但不要偷看。

好，现在再读一遍短文，这次你可以查词典，也可以对照着看。读完之后，把纸翻过来，再写一次你记得的内容。

这个实验不需要评分。你只需要注意一件事：哪一次写得更费劲，哪一次留下的东西更多。

很多人做完之后会发现，第一次写的时候脑子很紧，句子断断续续，有些词明明刚看过，却怎么也想不起来。但正是这种想不起来，逼着你在脑子里把刚才读过的内容重新组织了一遍。你可能会发现，自己记住了那个卡住的动词短语，因为你在那里停了一下，试了几次，最后才勉强想起来。

而第二次，查了词典，看了翻译，一切都顺了，写起来也快，但写完之后，纸上的东西反而更模糊。这个差别，就是这本书要谈的第一道裂缝。我们先把这道裂缝看清楚。

它不是什么高深的理论，而是一个很具体的经验：当你在学习过程中省掉了那些有点费劲的环节，你得到的是一种光滑但很浅的痕迹。你感觉懂了，感觉顺利，感觉效率很高，但合上页面之后，能留下来的东西很少。

心理学家早就注意到，学习过程中有一些困难是必要的。它们不是设计缺陷，也不是效率低下。它们是记忆和理解的原料。

你自己回忆一遍，自己组织一次，自己发现哪里卡住了，这些动作都会在脑子里留下更深的编码。相反，如果你直接看到了答案，看到了译文，看到了别人整理好的笔记，你的脑子就不需要做那些动作，于是那些动作本来会产生的痕迹，也就没有机会产生。

我们可以给这种需要费一点劲、却能让人记得更牢、理解更深的环节起一个名字：必要困难。这个名字听起来有点别扭，但它说的是一件很普通的事。

心理学里也有人把它称作必要难度，意思相近，强调的是同一件事：没有阻力的学习，就像在水面上写字，当时看得见，过一会儿就没了。就像肌肉要长出来，需要先经历一点撕裂；

学习要留下痕迹，也需要先经历一点阻力。人工智能工具的问题不在于它太强大。它把必要困难从学习过程中悄悄移除了。它做得太好了，好到让你感觉不到自己失去了什么。

这听起来像是在反对人工智能。不是的。人工智能当然可以帮你查词、翻译、解释语法、生成例句，这些事情它做得比任何老师都快。

但问题恰恰出在这个快上。当一件事变得足够快，快到不需要你停下来，不需要你想一想，不需要你试错，你就会误以为完成了一次操作，就等于完成了一次学习。

这个误判，比工具本身更值得警惕。我们可以把这件事拆成三个步骤来看。第一步，是你遇到了一个不会的内容。第二步，是你把内容交给工具，工具给了你结果。第三步，是你读到了结果，觉得问题解决了。

问题出在第二步到第三步之间：你跳过了自己生成、纠错和重新组织的机会。这三件事，正是学习回路的三个关键节点。

所谓学习回路，简单说，就是输入、加工、输出、反馈这四个环节连成一个闭环。你读一段英文，这是输入；

你试着理解、回忆、复述，这是加工和输出；你发现哪里错了、哪里卡住了，这是反馈。

过去，这个回路主要靠你自己和老师来完成。现在，人工智能可以替你做掉其中很大一部分。它可以直接给你中文，可以替你生成答案，可以替你纠正错误。如果这些环节都被外包出去，回路就断了。

这里有一个很反直觉的地方：工具越方便，回路断得越彻底。因为方便意味着你更愿意用它，更依赖它，更少自己去试。

你并没有变懒，一个设计得太好的工具把你惯坏了。工具没有逼你偷懒，它只是让偷懒变得毫无代价。

我们可以把这种光滑但很浅的学习痕迹叫做浅层编码。它的特征是：当时觉得懂了，事后想不起来；能认出答案，但不能自己生成；知道可以去哪里查，但说不出来。

浅层编码并非没有学习，它只是停留在了最表面的一层。它足够应付眼前的操作，却不足以支撑后面的理解和迁移。

如果你觉得这只是一个英语学习的问题，那就小看它了。它发生在所有可以用人工智能省力的学习场景里。

写代码的人把报错信息直接粘给工具，得到一段修改建议，复制粘贴，程序跑通了，但他没有去读那几行代码为什么错。学历史的人让工具总结一份长文献，读完摘要，觉得自己掌握了，但被问到细节时，他只能说出几个泛泛的结论。学数学的人把题目拍给工具，看到解题步骤，点点头，合上手机，第二天遇到同类型的题还是不会。

这些场景的共同点是：工具替你完成了回路中最费力的那段，于是你以为回路已经闭合了，其实它从来没有真正转起来。

这里需要澄清一个常见的反驳。有人说，人工智能并没有改变学习的本质，记忆和刻意练习仍然是核心，所谓元认知回路不过是对传统学习策略的重新包装，人工智能工具反而加剧了认知惰性。这个说法有它的道理。记忆和刻意练习确实还是核心，没有它们，任何工具都救不了学习。

但问题在于，人工智能改变的不是学习的本质，而是学习发生的条件。过去，你需要花很大的力气才能获得一个答案，这个力气本身构成了学习的一部分。现在，答案来得太容易，容易到你不需要付出那个力气。

于是，学习的条件被抽掉了，而学习的方法还停留在过去。这才是真正的危险：人工智能并没有取代记忆，它只是让你误以为记忆不再重要。

我们可以把人工智能想象成一个功率很大的外挂。它本来可以帮你做很多事，但如果你把它用在错误的地方，它就会变成一种让你越来越弱的工具。

就像一个人有了电梯之后，不再走楼梯。电梯没有错，错的是他忘了自己的腿还需要用。

人工智能这个外挂，本来应该挂在你的元认知上——帮你观察自己的学习过程，评估自己哪里会了、哪里不会，调整下一步的策略。但大多数人把它挂在了最省力的地方：直接要答案。

这就引出了全书的一个核心概念：元认知外挂。元认知，简单说，就是一个人对自己认知过程的觉察。你知道自己哪里不懂，知道自己刚才用了什么方法，知道这个方法有没有效，这就是元认知在起作用。人工智能完全可以成为元认知的外挂，因为它可以实时地反映你的学习状态，可以帮你记录你错在哪里，可以提醒你哪些地方需要再练。

但前提是，你得把它用在这个地方，而不是只把它当成一个答案生成器。现在的问题是，我们大多数人还没有意识到这个选择的存在。我们只是觉得工具好用，省事，快。至于省掉的是什么，快出来的时间去了哪里，我们很少去想。

回到那个自测实验。如果你真的做了，你可能会发现，第一次自己回忆并核对的过程，虽然慢，虽然不舒服，但它让你对那段短文有了某种手感。你知道哪个地方难，哪个地方容易，哪个词你总是记不住。这种手感，就是元认知的雏形。

而第二次直接看译文的过程，虽然快，虽然舒服，但它没有给你任何手感。你只是看到了结果，却没有经历过程。

这个矛盾不会因为人工智能变得更强而自动消失。相反，它会随着工具的便利性增加而变得更加隐蔽。

我们可以从人工智能的历史里看到一点线索。1956年，人工智能的研究领域在达特茅斯学院的一次会议上确立下来。达特茅斯会议之后的数年，是一个充满大发现的时代。

对许多人而言，那一阶段开发出的程序堪称神奇：计算机可以解决代数应用题，证明几何定理，学习和使用英语。当时大多数人几乎无法相信机器能够如此智能。研究者们在私下交流和公开发表的论文里表达了相当乐观的情绪，认为具有完全智能的机器将在二十年内出现。像美国国防部高级研究计划局这样的政府机构也向这一新兴领域投入了大笔资金。

但后来的历史并不顺利。由于詹姆斯·莱特希尔爵士的批评和国会方面的压力，美国和英国政府在1973年停止向没有明确目标的人工智能研究项目拨款。人工智能经历了多次乐观期，又多次陷入失望和资金流失的寒冬。

直到进入二十一世纪二十年代，生成式人工智能被广泛用来按文字提示生成图像、音频和视频，人工智能才真正走进了普通人的日常。

这段历史提醒我们一件事：人工智能的发展从来不是一条直线。它有过高光，也有过寒冬。今天我们看到的各种工具，是几十年积累的结果。但工具变得普及，并不意味着人们自动知道怎么用好它。

图灵在1950年那篇催生现代智能机器研究的著名论文里说过：“我们只能看到眼前的一小段距离……但是，我们可以看到仍有许多工作要做。”他说的“工作”，指的是让机器更智能。而我们今天要做的“工作”，可能正好相反：在机器越来越智能的时候，想办法让自己不要变笨。

深度学习是机器学习的一个分支，它通过一个有着很多层处理单元的深层网络对数据中的高级抽象进行建模。这句话听起来很技术，但它背后有一个很朴素的意思：机器可以自己从大量数据里提取出高层的规律，不需要人一步一步告诉它怎么做。这也就是为什么今天的人工智能可以翻译得那么流畅，可以生成那么自然的文本。它已经把很多低层的活都干完了，留给人的，只有高层的判断。

但问题在于，如果你连低层的活都没有自己干过，你就很难做出高层的判断。一个从来没有自己查过词典、从来没有自己分析过句子结构的人，看到工具翻译出来的中文，他只能判断通不通顺，却判断不了准不准确、合不合适。他失去了判断的基准。

这就是浅层编码的另一个后果：它不只是在记忆上留下浅痕，还会在判断力上留下空洞。你以为自己看懂了，其实你只是看过了。你以为自己在学习，其实你只是在消费信息。

我们可以把这种状态想象成一条很滑的坡道。你站在坡顶，人工智能工具就像一辆停在身边的车。你本来可以自己走下去，虽然慢一点，但每一步都能踩实。现在你上了车，车子很快把你送到坡底。你到了，但你不知道自己是怎么到的，也不知道路上有什么。下次再遇到同样的坡，你还是需要那辆车。

这个类比可以用得更彻底一点。如果坡道上有些地方很陡，有些地方很滑，有些地方有岔路，这些难走的地方就是必要困难。它们让你慢下来，让你注意脚下，让你记住路况。人工智能工具的作用，不应该是把你直接送到坡底，而应该是让你在难走的地方走得更稳一点，或者在你走错的时候提醒你一声。但如果你把它当成一辆全程代步的车，你就永远学不会走路。

现在，我们可以把本章的论断说清楚了。人工智能带来的便利并不天然导致深度学习。

如果把那段历史放在这里，这个坡道会变得更好理解。达特茅斯会议之后的研究者，面对的困难不是答案来得太慢，而是机器根本不会自己学习。他们必须把每一个步骤拆开，教计算机如何把问题表示成符号，如何搜索可能的解。那种拆解本身，就是研究者的必要困难。

他们知道哪里卡住了，因为卡住的地方就是他们要解决的问题。直到深度学习出现，机器可以从大量数据里自己找出低层规律，不再需要人一步步告诉它怎么做。

这件事改变了机器学习的条件，也悄悄改变了人类学习的条件。当一台翻译工具把一个英文长句变成中文，它内部已经经历了多层加工：识别词性、判断句法结构、消解歧义、生成目标语言。这些加工对用户完全不可见。用户看到的只是输出。于是，一个本来需要学习者自己完成的低层判断链，被封装进了工具的深层网络里。学习者的眼睛只能碰到最上面那一层，就像只看见成品，看不见生产线。

这也是为什么工具越顺滑，浅层编码越容易发生。它不是让人变懒，而是让人失去了可以踩实的低层台阶。早年的机器翻译系统质量很差，输出常常需要人动手修改，甚至完全不可用。那种差劲反而迫使用户必须自己读懂原文，因为不读懂就不知道机器错在哪里。今天的工具足够好，好到多数时候不需要人再检查。用户一旦习惯不检查，就失去了检查的能力。这个变化不是工具设计者的恶意，也不是用户个人的失败。它只是技术成熟带来的一种副作用：当低层加工被完美封装后，使用者不再有机会练习那些低层加工，于是高层的判断也就悬空了。

回到英语学习现场，翻译工具给出的中文，相当于一个已经替你完成语法分析、词义选择和句子重构的结果。你把整段英文交给它，它几秒后还给你一个通顺的版本。这个通顺的版本没有留下任何加工痕迹。你不会知道它在哪个地方犹豫过，也不会知道原文里哪个代词曾经可能指错对象。而这些犹豫和歧义，恰恰是自己阅读时会让你停下来的地方。停下来，就是必要困难发生的时刻。现在，这个时刻被工具抹掉了。学习者没有变笨，他只是被放进了一个没有停顿的环境里。

如果把历史再拉近一点，1973年的那段停顿也值得注意。美国政府停止向没有明确目标的人工智能研究项目拨款，对当时的研究者来说是一次突然的断裂。资金中断迫使他们重新判断哪些问题值得做，哪些目标只是口号。

这种被迫的自我审视，对领域本身来说也是一种必要困难。它让一部分人回到基础问题，不那么容易被乐观情绪带走。今天的个人学习正相反，没有人会突然断掉你的翻译工具，也没有外部力量逼你停下来。工具永远在，而且越来越快。

于是，那些本来应该出现的停顿，越来越难自己发生。这正是本章想把第一道裂缝固定下来的原因：不是要否定工具，而是要先承认，有一种必要的停顿正在从学习现场里消失。

它只是把必要困难从学习过程中悄悄移除。当困难被过度外包，剩下的就是一种光滑但很浅的编码。这种浅层编码，是全书问题域的第一道裂缝。说到底，问题不在工具本身，而在回路设计。回路设计并不神秘，它就是决定哪些环节由自己做、哪些环节交给工具、哪些环节需要人和工具一起完成。

过去，这个设计是默认的：你只能自己做，因为工具没有能力替你做。现在，工具突然有了能力，回路设计就变成了一个真实的选择。大部分人没有意识到自己在做选择，他们只是顺着工具的便利往下滑。这道裂缝后面，还藏着三种更具体的偏差。

第一种是记忆误判：你以为自己记住了，其实只是记住了可以去哪里查。第二种是注意碎片：你不断地在工具和任务之间切换，注意力被切成一小块一小块，难以形成连续的深度加工。第三种是路径固化：你习惯了某一种省力的操作方式，于是越来越依赖它，越来越不愿意尝试新的、更费力的路径。这三种偏差，都从这道裂缝里长出来。但本章不急着给解法。

因为解法不是简单地少用人工智能，或者退回到不用工具的旧办法。那太容易了，也太懒惰了。真正的问题在于，我们能不能重新设计学习的回路，让人工智能成为回路中的一个可编程组件，而不是一个替代整个回路的黑箱。这需要我们先看清楚，回路是怎么断的，断在哪里，断了之后会发生什么。在这之前，我们先把眼前的这个现场看仔细：一个人，一段英文，一个翻译工具，几秒钟的等待，然后是一片光滑的空白。他以为自己完成了学习，其实只是完成了一次操作。这种光滑，会在接下来很长一段时间里，反复出现在他以为自己已经学会的那些瞬间。