推荐算法圈出的舒适区

你刚刚经历了一场认知偏误的现场演示——不是在屏幕上读到的，而是在你自己身上发生的。我们得先承认一件事：上一章结尾那个“散架的感觉”，不太好受。你试着用自己的话复述一段AI辅助阅读过的材料，发现那些你以为焊死了的句子之间的逻辑连接，一碰就散。那种感觉像什么呢？像你花了一个小时拼好的乐高模型，拿起来想换个位置摆放，结果从中间断成了三截。

你明明记得每一块积木的样子，但你就是不知道它们当初是怎么卡在一起的。那个散架的感觉是真实的反馈。它告诉了你一件事：你的知识结构里有一个裂缝。

问题在于，这个裂缝是怎么形成的？碎片化阅读打断了整合加工，这是一个解释。但这个解释只回答了“在一篇文章内部发生了什么”。如果我们把镜头拉远，去看文章与文章之间、学习与学习之间发生了什么，另一个机制就浮出来了。

1990年，法国计算机科学家杨立昆在贝尔实验室做了一件事。他证明卷积神经网络可以识别手写数字。

这件事在当时被归入模式识别领域的进展目录里，没有人会觉得它和一个普通人的英语学习有什么关系。但这条技术路径在接下来的三十多年里演化成了我们今天面对的核心问题：机器学会了分类和排序。它不只是识别手写数字，它开始识别你的偏好、排序你的信息流、决定你下一眼看到什么。

在进入推荐算法的机制之前，我们先做一个思想实验。这个实验不需要任何设备，你只需要回忆一下自己最近的学习经历。假设你在过去一个月里用某个AI辅助阅读工具读了二十篇英语文章。你打开阅读记录，发现一个规律：这二十篇文章里有十四篇关于科技和商业，三篇关于心理学，两篇关于教育，一篇关于环境政策。

话题分布严重倾斜。你回想一下当初是怎么选这些文章的——真的是你主动选的每一篇吗？还是系统在每次读完一篇文章之后，自动推荐了下一篇，而你只是顺着点了下去？

再想第二个问题。这二十篇文章的难度分布是怎样的？你有没有遇到过那种让你读得吃力、需要反复回看的文章？如果有，有几篇？

如果很少或者没有，那这些文章的难度是不是恰好落在你的舒适区内——不太难也不太简单，刚好让你觉得“在学习”但又不会卡住？现在做一个迁移测试。不要翻看原文，试着用英文写一段两百词的短文，主题是“如何设计一个沙漠城市的雨水收集系统”。你可以用到过去一个月学到的任何词汇和表达。开始写。你会发现一个奇怪的现象。那些你在科技商业文章里读到过的词——比如“infrastructure resilience”、“supply chain optimization”、“scalability”——你记得它们的意思，但很难自然地塞进一篇关于雨水收集系统的短文里。你写了一句关于“the scalability of rainwater harvesting infrastructure”，自己读了一遍，觉得这个词像贴上去的标签。它没有和周围的句子长在一起。

反过来，如果你在过去一个月里恰好读过一两篇关于水文或城市工程的文章——即使当时读得不太顺，即使有些专业术语需要查词典——那些词反而更容易在你写沙漠雨水系统时自己浮上来。“catchment area”、“percolation”、“gradient”、“runoff coefficient”——这些词你甚至不需要刻意回忆，它们自己就跳进了句子里。

这个思想实验不是我们虚构的。2019年卡内基梅隆大学学习科学实验室的一项对照研究发表在《认知科学》期刊上，研究者让两组被试分别经历两种阅读训练路径。一组走偏好匹配路径：系统根据被试的兴趣标签和阅读历史持续推送熟悉话题、适中难度的文章。另一组走梯度混合路径：文章话题在多个领域之间切换，难度在略高于被试当前水平的一个区间内波动。训练阶段结束后，两组被试都接受了一个跨语境迁移写作任务——用训练中学到的词汇写一篇与训练材料话题无关的短文。实验结果呈现了一个明显的分离。

偏好匹配组在训练阶段的主观流畅感评分显著更高。他们报告自己“学得更轻松”、“记住了更多词”、“对内容理解更深”。但在迁移任务中，梯度混合组的词汇运用准确率比偏好匹配组高出23%，概念迁移的灵活性评分高出31%。

主观感受和客观效果之间出现了一道裂缝。你觉得学得好的时候，不一定真的学得好。

这个裂缝不是新发现的。早在1990年代，认知心理学家在研究元认知监测时就已经反复撞见同一个现象：人类对自己学习效果的即时判断经常出错。我们倾向于把“处理流畅性”误认为“掌握程度”。一段材料读起来顺，我们就以为懂了；一个概念在眼前重复出现的次数多，我们就以为记住了；一个操作步骤跟着教程做了一遍没出错，我们就以为会了。

这些误判在纸笔时代就存在。但推荐算法把它们从偶发性的认知偏误变成了系统性的路径锁定。

要理解这一点，我们需要拆开推荐算法的运作逻辑。推荐算法本质上是一个排序系统。

它持续追踪你的行为信号——你在哪类文章上停留更久、点了哪些词查看释义、跳过了哪些段落、在哪篇文章的末尾点了“下一篇”而不是退出——然后用这些信号构建一个偏好模型。这个模型不是真实的你。它是算法根据你的历史行为反向拟合出来的一个预测工具：预测你更可能在哪些内容上产生“正向行为信号”。正向行为信号包括停留时长、点击率、完成率、收藏或点赞。这些指标和“学习效果”在统计意义上不一定是正相关的，但在推荐系统的优化函数里，它们就是目标变量本身。

接下来发生的事可以用一句话概括：算法开始为这个偏好模型服务。它筛选、排序、推送最符合你已有兴趣和已有能力水平的内容，把不符合的内容推到信息流的后面——推到你可能永远不会翻到的第十页。

这个过程在推荐系统领域有一个专门的说法，叫“舒适区优化”。它的优化目标不是让你成长，而是让你停留。停留得更久、点击得更多、离开的概率更低。因为停留时间、点击率、用户留存——这些指标才是推荐系统被考核的核心绩效。

你的学习效果不在它的优化函数里。这不是阴谋论意义上的“有意害人”。这是一种工具逻辑的自然延伸：一个系统会趋向于优化它被设定要去优化的那些变量。

现在我们可以回答那个因果追问了：为什么偏好匹配带来的流畅感不等于能力提升？因为流畅感的来源和你以为的不一样。你在偏好匹配路径下体验到的流畅感，主要不是因为你掌握了那些词汇和概念。它来自一个更简单的机制：话题框架的连续性。当你连续阅读四篇科技商业类文章时，它们共享同一套底层框架——商业组织的运作逻辑、技术产品的市场分析、效率与规模的评价标准。第一篇文章帮你激活了这套框架，第二篇文章不需要你再激活一次。

你读到第二篇、第三篇、第四篇时，你的大脑实际上在做的是模式识别而不是深度加工：它认出了熟悉的结构、熟悉的论证方式、熟悉的概念网络，然后把新信息直接嵌入已有的框架槽位里。

这个过程非常高效，非常流畅，但它绕过了深度学习必须经历的那个环节——把知识从具体语境中剥离出来，抽象出核心语义，建立可以独立于原语境运行的心理表征。这就是为什么在迁移任务里，那些在科技商业文章中读起来很顺的词突然变得不好用了。它们没有被你真正“学会”。它们只是被你“识别”了。它们被绑定在原话题框架的特定槽位上，当火星供水系统或沙漠雨水收集系统这个完全不同的框架出现时，原框架不仅帮不上忙，还会产生干扰——你会下意识地想用商业管理的逻辑去套工程问题，用“供应链韧性”去解释“输水管道坡度”。

梯度混合组的优势恰恰来自相反的方向。古罗马引水渠、海洋热盐环流、拜占庭军区制改革——这三篇文章各自携带截然不同的知识框架。当你在三个框架之间被强制切换时，你没有现成的槽位可以直接嵌入新信息。你被迫做了一件事：把每个词汇从它出现的具体语境中剥离出来，提取它的核心语义，然后在你自己的脑子里为它建立一个不依赖特定语境的心理表征。

这个过程很费力，很不流畅，但它恰好是深度学习发生的必要条件。推荐算法不会主动制造这种框架切换。因为框架切换意味着认知负荷增加，意味着停留时间可能缩短，意味着你可能点“不喜欢”或退出。算法的优化方向和深度学习的必要条件之间，存在一个结构性的张力。

1987年是一个可以帮我们理解这种结构性张力的年份。那一年Lisp机器市场崩溃，人工智能领域进入了第二个寒冬。

在此之前，专家系统曾经让AI商业市场估值超过十亿美元。专家系统的逻辑很简单：把人类专家的知识编码成一套规则库，然后用推理引擎在规则库中搜索解决方案。一个医疗诊断专家系统可以在它被训练的疾病领域里表现出接近甚至超过人类专家的准确率。日本的第五代计算机工程也沿着类似的思路推进——它试图造出一台能进行逻辑推理和自然语言理解的机器。

但1987年的市场崩溃暴露了一个根本问题：专家系统没有迁移能力。它在被训练的狭窄领域内表现出色，一旦遇到领域边界外的案例，规则库就失效了。

它不是真正“理解”了医学或工程原理。它只是在做模式匹配。1990年代兴起的“智能代理”范式正是对这种局限性的回应。智能代理的核心思想是：智能不在于你存储了多少知识，而在于你如何感知环境、采取行动、根据反馈调整后续行为。最简单的智能代理是一个只会下棋的程序——它感知棋盘状态，选择走法，根据输赢结果调整策略。最复杂的智能代理是一个理性的人——能在开放世界里感知复杂环境，在不确定条件下做决策，从错误中学习。

把这个框架套回到学习场景中，你会看到一个令人不安的对比。一个有效的学习过程应该像一个智能代理：它主动接触多样化的信息环境（感知），尝试理解和应用（行动），接收错误信号（反馈），然后修正自己的理解（调整）。但推荐算法包裹下的学习过程把这四个环节里的前三个都接管了：信息环境被算法预过滤了（感知受限），理解被即时解释替代了（行动浅表化），错误信号被舒适度优化消除了（反馈缺失）。你不再是那个感知环境、做出决策、承担后果的学习代理。

你变成了一个内容消费者——算法替你决定了看什么、怎么看、看完之后怎么确认自己“学到了”。

1975年马文·明斯基发表的那篇关于框架理论的论文提供了一个更深的解释层。明斯基注意到，他的同事们处理常识推理问题时都在用同一种策略：用一个框架结构囊括所有相关的常识性假设。比如要理解“饭店”这个概念，你需要同时调用关于房间、食物、服务员、账单、排队等一系列默认知识。这些默认知识构成了一个框架，让你能自动填补信息空白——你走进一家饭店，不需要别人告诉你这里有椅子，你的框架已经替你预设了椅子的存在。

框架让我们高效。但它也让我们盲视。当推荐算法不断把你推入同一个话题框架时——比如连续推送科技商业类文章——你的框架变得越来越巩固，越来越自动化。你不需要费力就能理解新文章，因为新文章和旧文章共享同一套底层框架。但这种巩固是以牺牲框架外的认知灵活性为代价的。你的理解框架从一种灵活的假设结构变成了一种自动化的解释模板。

你不再检查框架是否适用于当前情境——你直接用它套上去。这就是迁移失败的认知机制。它不是因为你没记住那些词。而是因为你记住它们的方式太依赖原来的框架了。那些词在你的心理表征里没有被编码为可以独立提取和灵活运用的语义单元。它们被编码为原框架特定槽位上的填充物。

这里我们需要停下来回应一个有力的反方观点。有人会说：AI推荐系统并没有改变学习的本质。记忆和刻意练习仍然是学习的核心机制。所谓元认知回路、必要难度这些概念，不过是对传统学习策略的重新包装。真正的问题不是算法推荐了什么，而是学习者自己缺乏自律——如果你真的想学，你完全可以主动搜索生疏话题，主动增加难度。

这个说法有一半是对的。学习的底层机制——记忆的编码与提取、技能的自动化与迁移、知识的深层理解与灵活运用——确实没有被AI改变。大脑还是那个大脑，突触可塑性还是那个突触可塑性。刻意练习、间隔重复、交错练习这些经过实证检验的学习策略，今天仍然有效。

但这个说法忽略了一个关键变量：默认路径的改变。在纸笔时代，获取知识的默认路径是中性的。你去图书馆找书，书架上的书不会根据你的借阅历史重新排列自己。你可以选择读舒适区内的书，也可以选择读舒适区外的书——两种选择的物理成本几乎一样。

但在推荐算法的环境中，默认路径被系统性地倾斜了：符合你已有偏好的内容被推到最前面、最显眼的位置；不符合的内容被藏到了需要额外努力才能触及的地方。你仍然可以选择走出舒适区，但这个选择从“无成本选择”变成了“有成本选择”。

行为经济学几十年的研究反复验证了一个效应：当默认选项被改变时，人们的行为会发生显著变化——即使替代选项仍然存在。器官捐献同意率、退休储蓄参与率、绿色能源选择比例——在这些领域里，仅仅改变默认选项就能造成几十个百分点的行为差异。不是因为人们缺乏自律或判断力，而是因为认知资源是有限的。

当大部分认知资源已经被日常工作和生活消耗掉之后，剩下的那一点意志力很难持续对抗一个被数百名工程师优化过的注意力捕获系统。这就是为什么我们不能把推荐算法的影响简化为自律问题。在一个默认路径被系统性地偏向舒适区的环境里，主动走出舒适区不再是一个简单的个人选择。它是一个需要刻意设计才能实现的行为。

1991年，日本第五代计算机工程的十年计划走到终点。那些雄心勃勃的目标——与人展开交谈、实现真正的自然语言理解——一个都没有实现。直到2010年也没有实现。研究者们被迫承认了一个事实：造一台能在开放世界里像人一样理解和行动的机器，比想象中难得多。

这个事实对学习者来说有一个镜像版本：成为一个能在开放世界里灵活运用知识的人，也比想象中难得多。而且这个难度不是可以被技术优化掉的。

你可以用AI帮你查词、翻译、总结、推荐——但这些便利在给你流畅体验的同时，也在悄悄拿走你挣得迁移能力的机会。挣得迁移能力需要什么？需要你在不同的框架之间来回跳转。

需要你读一篇讲古罗马引水渠的文章，然后读一篇讲海洋环流的文章，再读一篇讲拜占庭军事制度的文章——然后自己找出它们之间那个隐藏的连接点：如何在一个完全陌生的环境里设计和输送水资源。这个连接点不是任何一篇文章直接给你的。它是在你的脑子里焊接出来的。那个焊接的过程很费劲。

它不像连续读四篇科技商业文章那样顺滑。你会卡住。你会觉得不确定。你会怀疑自己是不是真的懂了。

但那个散架的感觉——当你试图把学到的东西用到新场景里却发现它们一碰就散的感觉——不再只是一个令人沮丧的信号。它变成了一个诊断工具。它告诉你：你的学习回路在哪个环节被切短了。

前两章我们分别拆解了记忆的外包和注意的碎片化如何截断学习回路。这一章我们拆解了第三个机制：推荐算法通过优化舒适度来固化低效回路——它不断确认你已经会的部分，很少制造必要挫败，让你停留在原有技能边界内却产生能力增长的幻觉。这三个机制不是各自独立的。

便利的外包、碎片的打断、舒适的固化——它们合在一起，把所有学习回路都切短了。输入到加工的距离被切短了，因为AI替你完成了中间的理解步骤。加工到输出的距离被切短了，因为你很少被要求用自己的话重建完整的论证链。输出到反馈的距离被切短了，因为错误信号在舒适区内根本不会出现。

回路被切短的后果不是知识的减少。你读得更多了，查得更快了，标记“已掌握”的词汇量在增长。但那些知识在你的脑子里是以孤立点状分布的——每个点都清晰可见，点与点之间的连接却脆弱得经不起语境的切换。

这就是推荐算法圈出的舒适区最终制造的那个东西：一个能力增长的幻觉。它不是假的知识。它是真的知识被锁在了特定语境里，无法迁移到新的情境中去发挥作用。

而打破这个幻觉的唯一方式——我们在上一章结尾已经触到了它的边缘——是主动把自己暴露在那种焊接会散架的场景里。不是偶尔散一次作为警醒，而是把散架变成学习回路里的一个固定环节：输出、散架、观察裂缝在哪里、重新焊接、再次输出。

这就不再只是一个认知习惯的问题了。这需要一套可以操作的方法来重新设计学习的完整回路——从输入什么、怎么加工、如何输出、用什么标准来判断输出质量。而这套方法的核心原则恰好藏在推荐算法最不愿意做的事情里：主动引入必要难度，而不是消除它；主动切换框架，而不是固化框架；主动寻找反馈信号，而不是屏蔽它们。那个散架的感觉不是学习的失败。它是学习回路重新开始运转的第一个信号。