外挂要装在元认知上

有一种使用人工智能修改英语作文的方式，看起来最省力，却很可能最不划算。它不让你面对错误，而是直接把你写错的地方换成正确句子，几秒钟后问题就被擦干净了。按照第5章留下的思路，这种流畅

似乎应当意味着学习回路转得快。恰恰相反，它往往意味着回路在某个节点上被悄悄短接。

这句话就是本章的反直觉入口。要验证它，我们得先做一个小实验。你先写一句英语，一句你并不完全确定的英语。比如你想表达一个从过去持续到现在的状态，已经在一家公司工作了三年。用你现在最自然的方式写下来，不必查语法书，也不必先问人工智能。

写完之后，把它交给两种不同设置的人工智能修改。第一种设置很常见。它收到你的句子，直接给出一个改好的版本。你甚至不需要知道原句错在哪里，不需要知道错误属于哪一类，也不需要比较改前和改后的差别。几秒钟后，一段干净的英文出现在你眼前。你可以复制、粘贴、提交，然后去做别的事。第二种设置麻烦得多。

它看完你写的句子，不给你正确答案，只返回一个判断，说你这里有时态问题。接着它追问你：你想表达的是一个从过去持续到现在的动作，还是一个已经结束的动作？随后它给出三个不同的说法，一个只说明动作和三年期限，一个强调眼下仍在进行，另一个强调从过去一直持续到现在。它不告诉你哪个对，只把三个版本并排放在那里，等你选。

你很可能已经感觉到了两种修改方式之间的差别。第一种让你舒服。句子一瞬间变对了，错误好像从没存在过。第二种让你烦躁。你本来只想改个错，为什么还要回答问题，还要在三个选项之间犹豫？更麻烦的是，你发现自己根本分不清后两个选项有什么区别，它们看起来都像你原本想说的意思，甚至都像是对的。你突然意识到，自己比预想中更不懂这句英语。

这种感觉令人不舒服，所以你很想把问题重新丢给人工智能，让它直接告诉你答案。直接改错带来的那种舒服，在认知科学里有一个很朴素的名字：流畅感。

当信息处理得顺滑、快速、不费力时，大脑会把这种顺滑当成一个信号，以为我懂了，我掌握了，事情就是这样。问题在于，这个信号会骗人。我们在一瞬间以为自己的英语变好了，其实只是人工智能的英语变好了。它替你完成了认知操作，你的学习回路在输出之后没有经历监控、评估和调节，就直接跳到了结束。换句话说，回路没有转完整。

第二种方式恰恰相反。它强迫你在输出和反馈之间插入一个停顿。那个停顿里发生的事，就是元认知。你在监视自己刚才写下的句子，你在评估你想表达的东西和实际写出来的东西之间有多大的裂缝，然后你在几个可能之间做出调节。这很慢，很费劲，还带着一点自我怀疑。但所有的学习，几乎都发生在那个停顿里。

这个判断并不新鲜。学习回路需要四个节点：输入、加工、输出、反馈。输入让你有材料可学，加工让你对材料做出深度理解，输出让你把理解变成可以检验的动作，反馈让你看见动作和目标之间的误差。缺了任何一个节点，回路就会在某处断开。

很多学习者并不是不知道这个框架，而是一拿起人工智能工具，就无意识地把工具装错了节点。最常见的错误，是把人工智能装在输出端，让它替你写、替你改、替你生成。看起来输出变快了，但输出这个节点的功能被外包了，你自己的认知操作没有发生，回路在输出这里被切断。你看到的是一个漂亮的成品，却没有参与制作那个成品的过程。

那么，人工智能究竟应该接在回路的哪个位置？答案不复杂：接在反馈环上。不是让它替你输出，也不是让它替你加工，而是让它帮你看见自己正在做什么、还差什么、下一步该试什么。这个位置决定了人工智能是放大你的元认知，还是替代你的元认知。前者是外挂，后者是捷径。捷径让人舒服，外挂让人变强。

我们可以把上面那个时态实验再往深里走一步。直接改错的人工智能，等于在反馈环节只给了你一个正确结果。这个正确结果确实有它的用处。如果你本来已经理解了相关时态规则，它能把偶然的笔误改回来。

但如果你本来就没有掌握现在完成进行时和现在进行时的区别，那个正确结果不会帮你建立这种区别，它只是掩盖了你的不理解。下一次，当你再想表达持续到现在的动作时，你依然会在几种说法的模糊地带里乱撞。你没有因为这次修改而改变下一次的写作决策，只是获得了一次暂时的正确。

为什么引导反思的方式更有可能改变下一次？因为它让你在三个选项之间做了一次判断。判断意味着你必须启动理解。你可能回答不出某个时态的语法定义，但你会被迫去比较三个句子的差别：哪个强调了持续的时间，哪个只是在说当前的状态，哪个读起来像一个已经结束的过去。即使你最后选错了，选择这个动作也已经把你带到了离正确答案更近的地方。因为下一次再遇到类似表达时，你会记得自己曾在这里犹豫过。犹豫是有痕迹的，正确结果则往往不留痕迹。

这就是元认知外挂的第一条原则：人工智能应该帮助学习者看见选择，而不是替学习者做选择。更进一步的反馈，甚至不应止于给出选项。

它还可以追问一句：你写这句话的时候，想强调的是三年这个时间的持续性，还是现在仍在工作的当前状态，还是从过去开始的那个起点？这三个意图对应三个不同的语法结构。当它追问你的意图时，它其实在做一件更精细的事：把你从一种模糊的自我评价，带到你想表达什么和实际写出了什么之间的精确对照。这个对照才是元认知监控的核心。它不是纠正你的答案，而是让你看见你的决策过程。

这里需要诚实交代一个边界。上面这些差异是真的，但它的效应有多大，我们不能给出一个精确数字。教育心理学中有一个相关现象，叫生成效应：比起被动接收信息，自己生成一个回答更有利于记忆和理解。但这个效应的强度取决于很多条件。任务太难或太简单，效应都会减弱。学习者如果完全不知道从何下手，生成动作反而会变成盲目猜测。

因此，引导反思型人工智能并不是越少给帮助越好。如果你的英语水平还很低，只给三个选项让你猜，可能比直接告诉答案更糟。你会在三个都不熟悉的句子之间随机点一个，然后感到挫败。

外挂的效力，取决于它能不能恰好落在你的必要难度区间里：难到让你不得不思考，但没有难到让你彻底放弃。这个区间真实且稳定，但它在每个学习者身上的具体位置，需要自己去试。

所以我们不能简单地说直接改错坏、引导反思好。我们要说的是：直接改错把认知操作从学习回路里抽走了，引导反思把它放了回去。条件合适时，放回去的认知操作会变成学习。条件不合适时，它也可能变成纯粹的负担。判断条件是否合适的唯一办法，是持续监控自己的感受和表现。这又回到了元认知本身。

一个更好的用法，是把两种方式接成一个循环。先让引导反思型人工智能指出你的问题类型，追问你的意图，给你选项。你做完判断之后，再让它给出正确答案和解释。

但顺序不能反过来。如果正确句子先到达，你的大脑就会放弃判断。这就像在考场上先把标准答案发给学生，再让他们讨论解题过程。没有人会真正讨论，他们只会等着抄。这个顺序原则也可以用在输入环节。

你把一篇英文文章丢给人工智能，让它先逐句翻译成中文，你读完中文再读英文，会觉得文章好像变简单了。但那种简单是幻觉。是中文翻译替你完成了理解，英文原文并没有进入你的加工系统。更好的顺序是先读英文，把读不懂的句子标出来，标记自己的理解缺口，然后才允许人工智能解释那些特定句法或语义。甚至可以让它只解释句子结构，不提供完整翻译，让你自己把意思拼出来。这很慢，但慢是因为你的加工节点真的开始转动了。

慢在学习这件事上经常是好事。因为学习不是传输过程，而是生成过程。你把知识从外面复制到脑子里，那块知识并不会自动变成能力。只有你把它拆开，用自己的话重新组装，在对错之间做过抉择，它才开始在你的认知网络里建立连接。这个过程天然是慢的，是带摩擦的。

人工智能最大的诱惑，恰恰在于它可以帮你把所有这些摩擦抹平。抹平之后，学习就消失了。

人工智能的历史里藏着同样的教训。这门学科诞生于1956年的达特茅斯会议，此后经历过几轮乐观期和寒冬。

每当研究者以为机器很快就能像人一样思考，就会有一段狂热和资金涌入；每当发现机器做不到那些宏伟目标，资金就会退潮。1974年，詹姆斯·莱特希尔爵士的批评让英国人工智能研究几乎停滞。1987年之后，专家系统的商业神话破灭，第二个漫长的低潮随之而来。

这些起伏有一条共同线索：人们总是高估替人完成认知操作的可能性，同时低估帮人看见认知过程的价值。前一个目标把人工智能推向虚假的奇迹，后一个目标才让它真正进入可用的地带。2012年以后深度学习的突破，不是机器突然学会了思考，而是人们找到了让机器识别模式、并把识别结果反馈给使用者的方式。图像识别、语音识别、推荐系统，真正有用的都是后者。它们在做的，是放大你的某些判断，而不是替你做出全部判断。

放在学习上，这个区分尤其尖锐。因为学习的核心成果不是那个被改好的句子，而是你下一次写出更准确句子的能力。如果一个工具只交付前者，它会让你越来越依赖它，并在每一次交付中悄悄积累认知惰性。

如果一个工具交付的是后者，也就是让你看见自己怎么想、怎么错、怎么调整，它会让你逐渐脱离它。最好的外挂，是那种越用越让你不那么需要它的外挂，因为它把监控和调节功能慢慢内化成你自己的能力。

这就绕不开那个最常见的反方意见：人工智能并未触及学习的根本规律，背诵与刻意练习依旧居于中心位置，所谓的元认知回路无非是给老方法贴了新标签，人工智能甚至可能助长认知惰性。这个反对意见有一半是对的。记忆和刻意练习确实没有消失。学习回路里的输出和反馈，本质上就是刻意练习的另一种描述。如果没有这些循环，任何方法都只是装饰。

但这个说法漏掉了真正关键的变化：控制点正在转移。在传统学习策略里，学习者自己控制练习的难度、节奏和反馈方式。在人工智能工具泛滥的环境里，这些控制点很多时候被悄悄交给了算法。算法决定给你看什么、改什么、推荐什么。于是认知惰性不是人工智能的副作用，而是人工智能接错了位置的直接后果。

当工具替你完成输出和反馈，学习者的控制感就被剥夺了，练习的温度降了下来。把人工智能装在反馈环上，正是在把控制点拿回来。它不是重新包装旧的自我监控，而是用人工智能外部化监控功能，让学习者第一次有可能实时看见自己的学习过程，而不必等到考试或真实交流时才发现自己不会。它的意思很简单，利用人工智能外部化元认知监控与控制功能，使学习者能实时观察、评估并调整自己的认知过程。

外挂这个词是认真的。它不是植入，不是替换，而是外接。外接意味着它不会自动运行，你必须主动把它插上去，给它指令，看它的显示，然后自己踩油门。

学习回路里的元认知，本来就是一个负责全局调节的控制器。输入太简单，它提醒你加难度；输出太含糊，它逼你说得更清楚；反馈太刺耳，它帮你消化误差。当我们把这个控制器的一部分功能交给人工智能，人工智能就变成了外挂仪表盘。它不替你开车，只让你看清转速和油温。

这个区分看似抽象，其实可以落成一个很具体的操作原则：不要请求人工智能直接帮你把一段英语改好，而要请求它告诉你，你写这类句子时最容易出什么类型的问题，能不能只提示那个类型，让你自己先改一遍。前一个请求接在输出端，后一个请求接在反馈端。前一个请求的答案是一段你已经会读但未必会写的英文，后一个请求的答案是一个还等着你去解决的问题。学习发生在问题被解决之前，而不是在答案被显示之后。

我也必须说清楚，这种方法不是万能的。它要求学习者愿意承受一定的不适。如果你根本没有意愿去比较三个选项，那么再好的引导反馈都只是噪音。你可以对它说，直接告诉我吧，它也会照做。问题是，那个时刻你选择了舒适，而舒适会把回路短接。

我们心里都知道那个选择意味着什么。我们大多数人，包括我，在很多次修改英语作文的时候，都选过直接要答案。我们并不是总能坚持那个更费劲的版本。所以这一章对读者的姿态不是导师在训话，而是同谋在摊牌：我们都会在便利面前妥协。

要紧的是，在妥协之后，我们能不能认出自己刚刚绕过了哪个节点。要检验这一点，可以做下面这个很小的个人实验，不用任何特殊软件。找一段你最近用英语写下的文字，一百词左右就够。

把它复制到常用的人工智能里，分两次，提两个不同的请求。第一次，让它直接改好这句话，然后看它给出的正确版本，感受一下你从中学到了什么。

第二天，你换另一段差不多的文字，提第二个请求：请指出这段文字里最主要的三个语法或词汇问题，不要直接改；对每个问题，告诉它属于什么类型，问你这里想表达什么，然后给你两到三个修改选项，让你自己选。你在选择之后，再允许它公布正确答案和简短解释。

你需要记录的不是那一分钟你的英语有没有变好，而是第二天或第三天，当你再写类似句子的时候，你还会不会犯同样错误。你是在写下一段文字时，观察自己的决策是否变了。

这个实验不严谨，也没有对照组，更没有可以写进论文的效应量。但它在你自己身上留下的体验，比任何外部数据都更直接。

你会感受到直接改错的那种飞快、舒适以及随后空空的把握感，也会感受到引导反思的那种迟疑、费劲以及随后慢慢浮上来的清晰。这个对比本身就是本章结论的全部证据。它不完美，但它触手可及，而且可以迁移到任何学科。

本章最后，必须把这个原则推到一个它必然面对的具体后果上。如果你决定把人工智能接在反馈端，那么你马上会遇到一个全新的困难。

那个困难不是人工智能不够聪明，而是你自己必须学会向它提出那种能暴露你意图的问题。一个能激发判断的反馈，通常来自一个好的提问。好的提问，本身就是认知回路上的第一个输出。

它要求你在提问之前，先对自己正在做什么有一个初步观察。你越不知道自己想表达什么，你的提问就越含糊，反馈就越没有用。于是你发现，外挂虽然接在反馈端，它的真正开关却不在工具那里，而在你提问的那一刻。

你问出的那个问题，决定了人工智能能不能看见你的认知过程，也决定了你自己能不能看见。这个悬而未决的压力不会自动消失。它会在你下一次坐下来写英语时准时出现，并且先于任何工具摆到你面前。