Carl Hendrick 类比自动驾驶谈 AI 对学习的影响

关于AI对学习和教育的影响，已经有太多讨论。

弊端显而易见。对于许多课堂作业来说，AI现在的能力已经足够强，可以直接替你完成作业。但让AI代做作业是得不偿失的。不做功课，就学不到东西。

话虽如此，AI可能带来的机会也不胜枚举。除了弊端之外，AI还带来了廉价且耐心的辅导、按需讲解、额外练习题以及研究辅助的可能性。

套用狄更斯的话，在学习这件事上，这确实是最好的时代，也是最坏的时代。

这让我想到了一篇由一向富有洞见的Carl Hendrick撰写的近期文章。他在文中回顾了关于AI对学习影响的最新研究成果，并将自动驾驶仪的引入与飞行员技能的退化做了类比：

我觉得这个故事真正引人入胜之处，以及我认为它对学习和AI有重大启示的原因，在于他的核心诊断是：自动驾驶仪本身其实并不是问题所在。事实是，飞机上的自动化功能挽救的生命远远多于它危及的生命，我认为自动驾驶汽车也会如此。（我对那种老生常谈的“机器坏、人类好”的说法毫无兴趣。总体而言，我认为机器是非常出色的。）我觉得真正有趣的是，当面临紧急情况时，飞行员会本能地寻求更多自动化而非更少，而正确的做法往往是降一个层级手动飞行。所以危险不在于自动化本身，而在于对自动化的过度依赖——而当我们让新手学习者不受限制地使用聊天机器人时，这显然就是会发生的事情。

Hendrick并没有因为这一令人担忧的趋势而责怪学生；他责怪的是教育机构本身。学校一直在摇摆不定：一方面想采取支持AI的立场，鼓励学生在作业中使用AI，只要他们适当地“引用”结果；另一方面又高举学术诚信的大旗，徒劳地试图维持现状。

显然，这是站不住脚的。教育必将因AI而改变。

答案不是采取某种含糊的“AI优先”方案，简单地接受AI输出作为学生自己完成作业的合法替代品。相反，答案在于理解AI——就像计算器和维基百科一样——既可以是一个不可思议的工具，也可以是一副让人丧失能力的拐杖。

很明显，让AI替你做作业的方案不会带来多少真正的学习。尽管我对编码agent的出现所开启的可能性深感着迷，但我也很清楚，vibe coding会主动损害你手写代码的能力。

这种取舍在 productive work 领域是否成立，是一个更难回答的问题。我怀疑，vibe coding是提升还是削弱生产力，很大程度上取决于知识获取的阶段。尚未建立起对所写代码的心智模型的初学者，会错失练习基础技能的机会。而能够掌控过程的专家，则可能因节省了精力而最终受益。

但没有人能否认，如果你的目标是学会手写代码，让Claude替你完成工作只会导致更少的学习。

对我来说更有趣的是，AI帮助是否存在一个最优的量或时机。也就是说，即使过多的AI显然有害，过少的AI是否也可能阻碍学习？

如果你在2019年我的《Ultralearning》一书出版前问我这个问题，我会说不会。我当时强烈主张通过做难题以及随之而来的脑力付出作为学习困难技能的方式。

然而，在为我2024年的《Get Better at Anything》一书所做研究之后，我不再那么确定了。练习问题当然是学习任何技能的重要组成部分。但涉及的认知负荷很容易变得过高。获得帮助——无论是以示例解答、补全题还是仅仅一个让你摆脱困境的提示的形式——可能比独自挣扎学得更快。

在教育研究中，关于不同教学方法的讨论往往跨越数十年。在这个时间尺度上，AI出现的时间不过是眨眼之间。因此，我预计研究文献中要形成关于AI最佳实践的成熟共识还需要一段时间。

不过，在缺乏更有力的循证研究的情况下，我想分享我对其中一些AI指导原则可能是什么样子的最佳猜测：

这一点显而易见，但需要重申。虽然AI辅助可能有助于或有害于学习，但很明显，任何你让聊天机器人全权完成的事情，都无法让你学到 underlying skill。

对于许多任务来说，问题只有一个。在这种情况下，我认为几乎总是最好先自己尝试解决，然后再去查答案。这在每个问题都独一无二的创造性领域似乎尤其如此。例如，向AI寻求文章开头的帮助，必然会塑造你最终遵循的方向，剥夺你围绕一个主题建立自己的判断力、选择自己的研究和论证路径的关键经验。

如果你尽了最大努力仍然无法解决问题呢？假设这是一个反复出现的问题，研究相当清楚地表明，看示例解答或解释，或者获得指导，会比继续挣扎更好。因此，在失败之后借助AI获得帮助似乎是明智的。但是，如果你想从学习中获得收益，你需要随后在没有AI帮助的情况下再尝试一个同类型的问题。

（原文较长，此处译出前 6000 字，完整内容请点「打开原文」。）