上一章讲了认知负荷理论

数学好的人，不是脑子更快。是脑子更懒。

这个判断听起来像是反智的玩笑。但它可能是过去半个世纪认知心理学对数学学习做出的最重要的发现。要理解它，得从1940年代阿姆斯特丹的一间咖啡馆说起。

荷兰心理学家阿德里安·德赫罗特在那里摆了一副棋盘。他不是来下棋的。他邀请国际象棋大师和普通棋手分别坐下，给他们看一个真实比赛中出现过的棋局，只允许看五秒钟。然后撤掉棋盘，让他们凭记忆复原棋子位置。

结果让当时的认知心理学界吃了一惊。大师几乎能完美复原整个棋局——二十几个棋子，五秒钟，错误不超过两三个。普通棋手只能勉强摆出四五个棋子，还常常搞错位置。直觉的解释很简单：大师工作记忆容量大。

但德赫罗特又加了一组条件——把棋子随机摆放在棋盘上，不构成任何有意义的棋局，同样只给五秒。这一次，大师和普通棋手的表现没有显著差异。双方都只能记住四到六个棋子的位置。

如果大师的优势在于工作记忆容量，那无论真实棋局还是随机棋局，他们都应该记得更多。但数据说的是另一回事：大师的记忆优势只在有意义的棋局上出现。面对随机棋子，他们跟初学者一样被工作记忆的容量墙挡住。

德赫罗特的学生威廉·蔡斯和赫伯特·西蒙在1973年把这个实验推进了一步。他们开始分析大师复原棋局时的动作模式。大师摆棋子不是一颗一颗摆的。他们每次快速摆出三到五颗棋子，停顿一下，再摆下一组。每一组棋子之间构成了一个有意义的战术单元——一个西西里防御的中路兵结构，或者一个后翼弃兵之后的典型攻防配置。

蔡斯和西蒙管这些东西叫“组块”。他们估算，一个国际象棋大师的长时记忆里储存了大约五万到十万个这样的棋局组块。每一个组块在他们眼里不再是一堆独立的棋子，而是一个整体。就像你看到“你好”这两个字，不需要先辨认偏旁部首再拼合含义。你直接看到了“你好”。这个过程是自动的，不消耗注意力。

上一章拆解了认知负荷理论，解释了学数学为什么会累——工作记忆那块黑板太小，同时要放的东西太多。那一章结尾停在了一个令人沮丧的地方：林晚提交的课程优化方案被主管以“产品要的是完课率”否决了。认知负荷理论的最优解撞上了制度惯性的墙。林晚最后把方案存进了本地硬盘的一个文件夹，文件夹的名字叫“以后再说”。她不知道这个“以后”什么时候会来。

她只知道，自己现在每次看到任何教学材料——一本书、一页课件、一段讲解视频——都会不由自主地开始分析：这里有没有专家盲点？这个设计增加的是内在负荷还是外在负荷？学生的工作记忆在这一步大概还剩多少空间？

这副“认知负荷”的眼镜一旦戴上，就摘不下来了。你看到的问题比以前多得多。但你能解决的问题，未必比以前更多。

这大概就是学完上一章之后，你会发现自己所处的位置：手里有了一把好用的分析工具，面前是一堵写着“现实约束”的墙。工具是真的，墙也是真的。接下来怎么办，没有人能替你回答。

但故事还有另一面。如果大脑只能被动承受工作记忆的容量限制，人类根本不可能掌握任何复杂技能。你不可能学会开车，不可能学会一门外语，更不可能学会解微积分方程。这些活动在初学阶段都需要同时处理远超四个组块的信息量。

你能学会它们，是因为大脑有一种能力——它可以把反复练习的东西打包，让多个信息单元变成一个单元。认知心理学叫它“组块化”，更广义的学习理论叫它“自动化”。

蔡斯和西蒙在1973年的论文里提了一个公式：一个棋手的水平，本质上等于他长时记忆中储存的组块数量，乘以他调用这些组块的速度。这个公式不涉及天赋，不涉及智商，不涉及一般智力因子g。它只涉及两个变量：你存了多少有意义的单元，以及你能多快地把它们从长时记忆调取到工作记忆里。

这个视角一旦建立起来，数学困难的面貌就变了。

一个学生在解“3x+5=11”时感到吃力，不是因为他的工作记忆容量比别人小，而是因为他在这个具体任务上还没有形成足够的组块。他的脑子在同时处理“等式两边同时减5”、“3x等于6”、“两边同时除以3”、“x等于2”这四个步骤。每一个步骤都需要占用工作记忆空间，中间结果还需要被暂时保持。四个步骤加上中间结果，工作记忆早就撑爆了。

但一个已经把这套操作练熟的学生，看到“3x+5=11”时，脑子里发生的事完全不同。他不会去有意识地执行“移项”、“合并”、“系数化一”这些步骤。他看到的是一个整体模式——“ax+b=c，解是（c-b)/a”。这个模式在他脑子里是一个组块，只占一个工作记忆槽位。剩下的三个槽位可以用来检查答案是否合理，可以用来思考这个方程和上一个方程的关系，可以用来注意到系数3和常数5在题目中的特殊位置。

数学能力的提升，本质上不是脑子变快了，而是脑子把更多步骤变成了不需要思考的习惯。这个过程有一个具体的认知机制，有可测量的行为指标，有可设计的训练方法。

认知心理学区分两种加工模式：受控加工和自动化加工。受控加工需要主动注意，占用工作记忆资源，一次只能处理很少的信息单元。自动化加工不需要主动注意，不占用工作记忆资源，可以和其他任务同时进行。第一次学开车时，换挡、踩离合、看后视镜、打方向盘，每一个动作都是受控加工。你的脑子在同时处理至少四个独立任务，手忙脚乱是必然的。开了半年之后，换挡和踩离合变成了一个自动化组块，起步变成了一个自动化组块，转弯变成了一个自动化组块。工作记忆被释放出来，可以用来观察路况、预判其他车辆的动作。

数学学习中的自动化遵循完全相同的原理。1990年代，认知心理学家约翰·安德森和他的团队在卡内基梅隆大学通过脑成像技术追踪了技能自动化的神经过程。他们让被试练习解代数方程，同时用功能性磁共振成像扫描大脑。初学阶段，前额叶皮层——负责工作记忆和受控注意的区域——高度活跃。随着练习增加，前额叶的活动逐渐减弱，基底神经节和小脑的活动增强。基底神经节负责习惯形成和程序性记忆，小脑负责协调自动化运动序列。

当一个数学操作从受控加工变成自动化加工，它在大脑里的物理位置都变了。它从前额叶迁移到了处理自动化程序的区域。这个过程不是比喻，是神经元层面的结构重组。你的脑子真的在物理上把负担从前额叶卸下来，交给了更高效、更不费力的脑区。

这个发现回应了一个常见的误解。很多人以为“理解”了数学概念就等于掌握了它。你听懂老师讲移项的原理，你以为自己会了。但理解只发生在前额叶。要让这个操作变成组块，你需要让基底神经节接手。而基底神经节不听“理解”，它只听“重复”。它需要你反复执行同一个操作，在反复中逐渐提取出操作序列的规律，然后把它固化成自动化程序。

这解释了为什么“听懂了”和“会做了”之间有一条巨大的鸿沟。听懂是前额叶的事，会做是基底神经节的事。两个脑区之间的信息传递不是自动完成的，需要练习来架桥。

但这里有一个关键的细节——不是所有的重复都能促进组块化。认知心理学在1990年代到2000年代积累了大量证据，区分了两种不同的重复策略：重复阅读和提取练习。

重复阅读就是反复看同一份材料，反复读同一道例题的解法。这是大多数学生最常用的“复习”方式。打开课本，把老师讲过的例题再看一遍，觉得眼熟，就以为自己在学习。2008年，普渡大学的杰弗里·卡皮克和同事做了一个经典实验。他们让大学生学习一段科普文本，分成两组。一组反复阅读四遍，另一组只读一遍，然后做三次自由回忆测试——合上书，尽可能写出刚才读到的内容。

一周后，提取练习组的成绩比重复阅读组高出50%以上。更关键的是，在最终测试之前，卡皮克问两组学生预测自己能考多少分。重复阅读组对自己的预测显著高于提取练习组。他们读了很多遍，觉得材料很熟悉，产生了“已经掌握了”的错觉。但这种熟悉感来自知觉流畅性——你的大脑对看过的东西处理起来更顺滑，你把这种顺滑误认成了掌握。而提取练习组在回忆过程中不断碰壁，他们知道自己哪里没记住，所以对自己的评估更准确。

脑成像研究进一步揭示了两种策略的神经差异。提取练习比重复阅读更强烈地激活了海马体——负责长时记忆巩固的核心结构——以及前额叶的某些区域。重复阅读主要激活的是视觉加工区域。你读了很多遍，你的视觉皮层很忙，但负责把信息存进长时记忆的海马体相对安静。你只是在“看”，不是在“记”。

这个发现对数学学习的影响深远。数学组块化的核心不是“反复看例题”，而是“合上书，自己把解题步骤完整地写出来”。每一次提取，都在强化长时记忆中那个组块的痕迹。每一次提取失败，都在告诉你的基底神经节：这个操作序列还没固化，需要再练。

2013年，加州大学圣迭戈分校的哈罗德·帕什勒团队做了一个更贴近数学学习的实验。他们让大学生学习解概率题，分成两组。一组做集中练习——一口气解十道同一类型的题。另一组做交错练习——十道题中混合了三种不同类型的概率题。练习结束后，两组在当天测试中的表现差不多。但一周后的延迟测试中，交错练习组的成绩比集中练习组高出40%以上。

集中练习的问题在于，它让学生在解题时不需要识别题目类型。你刚做完一道条件概率题，下一道还是条件概率，你不需要判断“这道题该用哪个公式”，直接套用刚才的套路就行。你的大脑跳过了“识别模式”这个关键步骤。而交错练习强迫你在每一道题之前先判断：这道题属于哪种类型？该调用哪个组块？这个判断过程本身，就是在强化组块与问题情境之间的联结。

组块化不是孤立的。一个组块只有在能被正确的情境触发时，才有用。国际象棋大师的组块之所以有效，是因为他们在比赛中看到某个棋局模式时，对应的战术组块会自动激活。如果他们的组块只能在自己一个人摆棋时用出来，在比赛中却想不起来，那这些组块等于没有。

数学学习中有大量这样的“组块失联”现象。学生在作业里能解出一元一次方程，但在物理题里遇到同一个方程结构时却认不出来。因为作业里的方程是赤裸裸地摆在那里的——“3x+5=11”，你不需要识别它。但物理题里，这个方程藏在文字描述里：“一个物体以3米每秒的速度运动了5秒，总共移动了11米，求初始位置。”很多学生看到这种题目就懵了，不是因为他们不会解方程，而是因为他们脑子里的“解方程”组块没有和“物理情境”这个触发条件绑定在一起。

这个问题的解决方案不是做更多题，而是改变做题的方式。认知心理学家米歇尔·基在2017年的一项研究中提出“范例—问题对”训练法：每学一个新概念，先看一个完整的解题范例，然后立刻独立解一道结构相同但表面特征不同的题。范例让组块的结构清晰可见，独立解题强迫组块的提取和激活。两者交替进行，比单纯做题或单纯看范例的效果都要好。

现在可以回到本章开头那个国际象棋实验，把整个逻辑串起来。

德赫罗特、蔡斯和西蒙发现的东西，在数学学习中完全适用。一个数学能力强的人，不是因为他的工作记忆黑板比别人大，而是因为他的长时记忆里储存了大量数学组块。每一个组块把多个操作步骤打包成一个整体，只占一个工作记忆槽位。当他面对一道数学题时，他的工作记忆里放的不是散乱的数字和符号，而是几个有结构的组块。这些组块自动激活、自动组合，他的前额叶是轻松的。

一个数学困难的人，他的长时记忆里缺少这些组块。他看到“3x+5=11”，脑子里要同时处理四五个独立的信息单元。工作记忆瞬间过载，前额叶超负荷运转。他感到累，感到挫败，开始怀疑自己的智商。但他和那个数学能力强的人之间真正的差距，不是硬件——不是工作记忆容量，不是加工速度，不是一般智力因子g。差距是软件——是长时记忆中有没有那几万个组块。

这个结论需要面对一个有力的反方观点。智力研究领域有一个强势的传统，认为数学能力主要由一般智力因子g决定。工作记忆容量和加工速度是高度遗传且稳定的特质，个体差异在青春期后趋于固化。按照这个观点，"数障"实质上处于正态分布的下尾端，任何干预都只能带来极为有限的效果。

这个观点不是没有证据。双生子研究确实显示工作记忆容量有显著的遗传成分，大约50%到70%的个体差异可以归因于遗传。追踪研究也发现，儿童期的工作记忆容量可以预测青少年期的数学成绩。如果工作记忆容量是固定的，而数学能力受工作记忆容量限制，那么数学能力的天花板似乎也是固定的。

但组块化机制提供了一个不同的解释框架。组块化不改变工作记忆的硬件容量——那个黑板的大小确实可能主要由遗传决定。组块化改变的是每个信息单元的大小。同样的黑板，一个人在上面放四个散乱的棋子，另一个人在上面放四个包含五六颗棋子的战术组块。黑板一样大，但后者处理的信息量是前者的五六倍。

这不是理论推测。2018年，瑞典卡罗林斯卡医学院的托克尔·克林贝里团队做了一个关键实验。他们招募了一批工作记忆容量处于后20%的成年人，对他们进行为期五周的认知训练。训练内容不是通用的“脑力游戏”，而是针对特定认知任务的密集练习。五周后，被试在训练任务上的表现大幅提升，提升幅度与训练前的基线容量无关。容量低的人和容量高的人通过训练获得的进步比例相似。

但更重要的是，训练效果是高度任务特异性的。被试在训练任务上的进步没有显著迁移到其他工作记忆任务上，更没有迁移到一般智力测试上。克林贝里的解释是：训练并没有“扩大工作记忆容量”，而是让被试对训练任务中的信息模式形成了组块。他们学会了更高效地编码和打包信息。硬件没变，软件升级了。

这个发现对数学学习有直接的含义。如果你花大量时间做通用的“脑力训练”——记数字序列、玩记忆游戏——你可能会在这些游戏上进步，但这种进步不太可能自动迁移到数学上。因为数学组块是领域特异性的。解方程的组块只能在解方程中形成，几何证明的组块只能在几何证明中形成。没有通用的“数学组块”，只有特定问题类型对应的特定组块。

这就引出了一个实践问题：如何识别哪些技能需要被组块化？不是所有的数学操作都值得花时间练到自动化。有些操作太复杂，不可能完全自动化；有些操作太罕见，自动化的收益太低。选择什么是组块化训练的第一个关键决策。

认知任务分析提供了一个框架。把一道数学题的完整解题过程拆成若干步骤，然后问：哪些步骤在每次解题时都必须执行？哪些步骤是当前题目的特例？必须执行的高频步骤就是组块化的优先目标。在解方程中，“移项”、“合并同类项”、“系数化一”这三个操作几乎出现在每一道一元一次方程中，它们应该被组块化。而“判断方程是否有解”这个步骤只出现在某些特殊题目中，频率低，不需要优先自动化。

第二个关键决策是组块的粒度。一个组块应该包含多少个子步骤？太大，组块化困难；太小，释放的工作记忆空间有限。蔡斯和西蒙在国际象棋研究中发现，大师的组块平均包含三到五个棋子。这可能是认知加工的一个自然单位。在数学中，一个组块通常对应一个“心理操作”——一个不需要中间结果存储的完整动作。“移项”是一个心理操作：看到“3x+5=11”，把5移到等号右边变成11-5。这个操作不需要存储中间结果，可以一气呵成。但“解完整道方程”不是一个心理操作，它包含了多个需要存储中间结果的步骤，不能作为一个组块。

第三个关键决策是训练方式。一旦确定要组块化的技能和粒度，训练方式就变得具体：合上书，在空白纸上，完整地写出这个操作序列。写完之后对照答案，标记出任何遗漏或错误。然后合上答案，再写一遍。这个过程重复进行，直到你能不假思索地写出整个操作序列。这就是提取练习在数学组块化中的具体形式。

2016年，加州大学洛杉矶分校的罗伯特·比约克和伊丽莎白·比约克提出“必要难度”理论，为这种训练方式提供了更深的理论基础。学习的有效性不取决于学习时的表现，而取决于提取时的难度。你学习时感觉越轻松，长期记忆的效果往往越差；你学习时感觉越吃力——只要这种吃力不是来自困惑或误解，而是来自主动提取的努力——长期记忆的效果往往越好。

重复阅读之所以无效，正是因为它在学习时让人感觉太轻松了。你读第三遍的时候，每一个字都熟悉，每一个步骤都似曾相识。这种熟悉感是一种认知上的舒适区。提取练习之所以有效，是因为它强迫你从长时记忆中主动检索信息，这个过程需要努力，而这种努力正是巩固记忆痕迹的关键信号。

比约克夫妇把这种现象称为“学习—表现脱耦”。你在学习时的表现和学习后的掌握程度不是一回事。集中练习让你在练习时正确率很高，感觉很好，但一周后忘得干干净净。交错练习让你在练习时错误连连，感觉挫败，但一周后还记得很牢。这个脱耦现象是数学学习中最反直觉的事实之一，也是最多人掉进去的陷阱。

大多数学生根据学习时的感觉来判断自己是否掌握了。感觉顺滑，就停止练习；感觉吃力，就继续练习。但组块化恰恰发生在感觉顺滑之前的那个吃力阶段。当你合上书，试图自己写出解题步骤，却写到一半卡住了——这个卡住的瞬间，是你的基底神经节在发出信号：这个操作序列还没有固化，需要更多的提取练习。如果你在这个时刻选择翻开书看一眼，然后再合上继续写，你就错过了一次巩固组块的机会。如果你在这个时刻选择放弃，打开书反复读，你就退回到了重复阅读的低效模式。

上一章讲了认知负荷理论，解释了学数学为什么这么累。这一章讲的是硬币的另一面——组块化可以释放工作记忆空间，让累变成不累。但这两章之间有一个张力：认知负荷理论告诉我们，学习材料的设计应该降低外在负荷，让学习者更容易理解；组块化理论告诉我们，学习过程中的提取练习应该保持必要难度，让学习者感到吃力。

南非心理医生约瑟夫·沃尔普在临床心理学中提出的系统脱敏法，提供了一个处理类似矛盾的思路。该方法基于经典条件作用，通过循序渐进地增加刺激程度，使个体逐步耐受和习惯原先引发不适应性反应的刺激。其核心步骤包括：首先建立焦虑的等级层次，然后学习放松或其他应对策略，最后引导患者使用学习到的应对策略逐步克服焦虑等级中的每一个层次。

沃尔普让他的患者放松，是基于一个关键原理：一个人不可能在同一时刻既放松而又焦虑。这个原理在数学学习中同样适用——当学习者面对一个需要提取练习的难题感到焦虑时，如果他能先通过深呼吸或认知重评（想象正面反应）让自己进入一个相对平静的状态，那么他就能更有效地进行必要的、有难度的提取练习，而不是因为焦虑而退回到重复阅读的舒适区。系统脱敏法将刺激与应对方法相联系的过程，与组块化训练中将问题情境与解题组块相绑定的过程，在认知行为层面有着深刻的共通性。

这两个原则看似矛盾，实则针对不同的学习阶段。认知负荷理论主要适用于新知识的初次接触阶段。在这个阶段，学习者还没有任何相关组块，工作记忆极其脆弱，外在负荷必须降到最低。所以教材应该把文字和图表整合排版，老师应该放慢语速，避免无关信息的干扰。

但一旦学习者对基础知识有了初步理解，进入了组块化阶段，策略就需要翻转。在这个阶段，过度的支持反而会阻碍组块化。如果老师在每道题之前都先讲一遍解题步骤，学生就不需要从长时记忆中提取组块——他们只需要跟着老师的步骤走。如果教材把每道题的解法都写在题目旁边，学生就不需要自己判断题目类型——他们只需要阅读。这些“帮助”在短期提高了学生的正确率，在长期却阻止了组块的形成。

这解释了为什么很多学生在课堂上能跟上，一到考试就崩溃。课堂是低提取难度环境——老师刚讲过，板书还在黑板上，同学在互相讨论。考试是高提取难度环境——没有提示，没有参考，必须在时间压力下独立从长时记忆中检索组块。这两个环境对大脑的要求完全不同。只在低提取难度下练习过的组块，在高提取难度下往往无法激活。

认知心理学家为此提出了一种叫“提取日程表”的策略。第一天学完新知识后，当晚做第一次提取练习——合上书，写出解题步骤。第二天做第二次提取练习。然后间隔两天，做第三次。间隔四天，做第四次。间隔一周，做第五次。每一次提取之间的间隔逐渐拉长，提取的难度逐渐增加。这种渐进式间隔提取被大量实验证明比固定间隔提取更有效，因为它更贴近真实使用场景中组块被调用的方式。

在真实场景中，你不会在刚学完一个公式的五分钟后就用它。你可能要等到一周后的另一节课，或者一个月后的考试，甚至一年后的实际工作中。你的大脑需要在不同时间间隔、不同情境下都能成功提取这个组块。渐进式间隔提取模拟的就是这种真实需求。

现在可以把这一章的论证收束到一个具体的判断上。数学困难的核心，不是工作记忆容量不足，而是长时记忆中缺少高效组织的数学组块。组块化是一个可以通过设计训练来加速的过程。有效的组块化训练不是简单的“多做题”，而是按照认知机制设计的提取练习：确定需要自动化的高频操作，确定合适的组块粒度，在必要难度的条件下反复提取，在不同时间间隔和不同情境下交错提取。

这个判断直接挑战了“天赋决定上限”的叙事。如果数学能力主要由工作记忆容量决定，而工作记忆容量是高度遗传且稳定的，那么数学困难者的天花板确实是固定的。但如果数学能力主要由长时记忆中的组块数量和质量决定，而组块可以通过训练积累，那么天花板就不是固定的——它是可移动的。

当然，这不意味着所有人都能达到同样的数学水平。组块化需要时间。一个国际象棋大师花了十年时间积累五万个棋局组块。一个数学家花了二十年时间积累数学组块。时间本身是一种稀缺资源，而不同的人在愿意投入的时间量上确实存在差异。但这不是智力差异，而是动机、环境、机会和选择的差异。把这种差异归因于“天赋”，是一种认知上的偷懒。

但组块化有一个前提：你练习的东西本身必须是正确的。如果你反复练习的是一个有偏差的理解，一个不完整的操作序列，或者一个只能在特定题型中使用的套路，那么组块化只会让你更高效地犯错。

国际象棋大师的组块之所以有效，是因为他们在真实比赛中反复验证过这些组块的有效性。一个错误的战术组块会在实战中被迅速淘汰。但数学学习中的反馈循环没有这么紧密。一个学生可能花了一个学期反复练习某种错误的分式化简方法，直到期末考试才发现自己一直在做无用功。到那时，错误的组块已经固化了，需要花更多时间去纠正。

这就是组块化带来的解放感背后的阴影。工作记忆被释放了，脑子变轻松了，但释放出来的空间被用来做什么？如果你的组块本身是错的，释放出来的空间只会让你更自信地走向错误答案。

当我们以为把知识打包好了，新的问题却出现了：你怎么知道打包进去的东西，是对的还是错的？