AI 时代,为什么反而更需要死记硬背?

2026 年 7 月，费城，国际数学家大会（ICM）。

全球爆款课《学习如何学习》的主讲人、工程学教授芭芭拉·奥克利（Barbara Oakley）在数学教育论坛上说了一个反直觉的观点：AI 时代，人反而更需要死记硬背。

这场发言没有公开的逐字实录。但她的这套论点，白纸黑字写在她与神经科学家特伦斯·谢诺夫斯基（Terrence Sejnowski）等人合著的论文《记忆悖论：AI 时代，为什么我们的大脑仍然需要知识》里，也留在她多次访谈的逐字原话中。

本文以这篇论文的原文为底本编译，嵌入她亲口说过的原话。凡引号内的话，都是她的原话直译。

一、"会查"不等于"知道"

先说她最有名的一段原话，出自 Teaching in Higher Ed 播客第 592 期：

"如果你手里只有一个'去哪儿能查到这条信息'的指针——比如等会儿再去查——这和你自己知道它，完全是两码事。"

这句话是整篇论文的核心，原文写得更狠：

"记住'信息在哪儿能找到'，和把信息装进自己的脑子里，激活的根本不是同一批神经网络。"

论文举了个例子。一个学生记得"我可以让 AI 给我讲光合作用"，这和她真正理解植物怎么把阳光变成能量，走的是两条完全不同的神经通路。前者只是个"指针"，后者才是知识。

这背后是一个正在被很多人忽视的事实：学习的本质，是把知识"焊"进长期记忆。脑子里没有参照系，就没法对 AI 给你的任何输出做批判性思考。

二、知识是怎么"焊"进大脑的

论文用大量神经科学证据解释了这件事的机制，说穿了不难懂。

人脑有两套并行的学习系统。

一套叫陈述性记忆，管事实和概念，你能有意识地回想起来。它学得快，但调取慢、费劲，而且依赖海马体。

另一套叫程序性记忆，管技能和习惯，藏在意识之下。它学得慢，需要反复练习，可一旦练成，调取快得几乎不费力——骑自行车、说母语、心算，都是它干的活。

真正的专长，是把知识从第一套系统搬进第二套。练习一个知识点，练到它沉入潜意识回路，变成直觉。国际象棋大师一眼认出棋局套路，小说家随手调出丰富词汇，都是这么来的。

论文里有个很日常的例子：孩子初学乘法，先靠陈述性记忆硬记"4×3=12"。练多了，这组关系变成程序性记忆——不用想，脱口而出。这时候她看到 12÷3，能直接"感觉"到答案是 4。

但如果她从不背乘法表，每次都按计算器呢？论文的原话是：

"那她对 4、3、12 之间的关系，永远长不出内在的手感。连约个分数，她都得卡在又慢又费意识的陈述性加工里，把工作记忆全耗在基础运算上。"

工作记忆是个稀缺资源。认知负荷理论说得很清楚：底层的操作自动化了，工作记忆才腾得出来处理复杂问题。物理题好解的前提，是代数步骤已经长在手上。

三、大脑的报警器：预测误差

那"脑子里有货"到底防的是什么事？

论文第四章讲了一个关键机制：预测误差。

你在计算器上快速敲 5×10，结果屏幕跳出 500——那一瞬间你会立刻觉得"不对劲"。这个"不对劲"就是预测误差：你脑中有一个预期，现实和它对不上。

有意思的是，这个预期不是天生的，是靠记忆和练习建起来的。背熟乘法表的人，脑子里有一套稳定的预期系统，错误答案一冒头，警报自动拉响。

论文原话：

"一个从小背熟乘法表的护理学生，脑子里有自己的'图式'，能可靠地预测正确答案。错误结果一出现，她的大脑立刻察觉不对，警报系统激活，马上纠错。反过来，完全依赖计算器的学生，从来没建立过这套内在预期。同样的错误结果摆在眼前，她没有任何'对不上'的感觉——因为没有预期，就没有预测。"

结果是什么？论文里那个后来被奥克利反复讲的例子：

"一个没背过乘法表的护士，往计算器里敲错一个数，然后浑然不觉地配出剂量大了十倍的药。"

她在播客里讲的版本更具体：

"芬兰现在就发现了这个问题。他们一度只教乘法的概念理解，不真抓乘法表的落实。结果芬兰的护理专业学生敲 10×10，手一抖敲成 1000，心里没有任何东西跳出来说：这会出人命的。"

顺带一提，奥克利在 ICM 的演讲中还引了 Anthropic 对大模型内部电路的实验：切断 AI 模型中类似工作记忆的区域，它照样能流畅输出，但逻辑和判断力没了。这和论文的论证是同一个逻辑的两面——工具能给你答案，但工具内部没有为你报警的装置，报警器只能长在你自己脑子里。

四、反弗林效应：1970 年代是个转折点

奥克利反对"有 AI 就不用记"的另一个论据，来自一个持续了几十年的群体现象。

20 世纪大部分时间里，全球智商测试分数一直在稳定上涨，平均每十年涨约 3 分——这就是著名的弗林效应（Flynn Effect），以发现者詹姆斯·弗林命名。更好的营养、更久的教育、更复杂的环境，都在把分数往上推。

然后，意外发生了。论文原文：

"大约 1975 年之后出生的人群开始，研究者发现了逆转——尤其在富裕国家。挪威的数据显示，智商分数每一代下降多达 7 分。丹麦、英国、法国、荷兰都出现了类似下滑。"

这是她播客里的原话：

"从 1930 年代到 70 年代，全球智商分数一直在涨，这是詹姆斯·弗林发现的。但 70 年代以后，西方国家开始跌。为什么偏偏是 70 年代？那正是计算器上市的年代，也正是人们开始说'你不用记，随时能查'的年代。"

需要诚实标注的是：智商受多重因素影响，相关性不等于因果，论文本身也承认这一点。但有两个细节让这种解释很难被轻易打发。

第一，下滑主要发生在家族内部——弟弟妹妹比哥哥姐姐分数更低，这基本排除了基因和人口结构的简单解释。

第二，跌得最狠的恰恰是知识型能力。法国的数据里，词汇、理解、常识三个分项掉得最多；美国成年人的词汇水平从 1970 年代到 2010 年代每十年下降 0.5 到 1.3 个智商点，且与受教育程度无关。而反应速度这类不太依赖知识储备的项目，基本稳定。

也就是说：教育和生活习惯恰恰不再强调什么，什么就在退化。

五、元认知懒惰：AI 让这一切加速了

如果说计算器只是替你算，ChatGPT 是替你想。

论文引用了一项关键研究，标题就叫《当心元认知懒惰：生成式 AI 对学习的影响》。大学生分四组写论文：用 ChatGPT、请真人导师、用基础工具、完全独立。

结果耐人寻味——ChatGPT 组的论文质量最高。但随后的知识测试里，这组人没有任何提升，有些指标反而更差。研究者管这叫"元认知懒惰"：更少的自我纠错，显著更少的复盘时间。他们走了阻力最小的路，让 AI 生成内容，自己从不深挖——等于绕过了产生强记忆的那些机制。

MIT 的神经科学研究补上了生理证据：一上来就用 ChatGPT 写作的学习者，大脑额顶区域（负责专注和记忆）的连接更弱，事后连自己写过什么都更难回忆。先自己写、后用 AI 的那组，记得更多，神经参与度更高。

还有更扎心的：高中生用 GPT-4 辅助练习数学，练习期成绩确实更好——可到了不许用 AI 的期末考，成绩塌了。他们练习时获得的，从头到尾都不是自己的东西。

论文对这类现象有一句很准的概括：

"过度依赖外部记忆，你可能攒下一堆正确的输出，却没有攒下真正的理解。"

六、那到底该怎么办？

论文的结论不是让人扔掉 AI，回到题海。奥克利明确反对这个极端。她给的方案围绕一个原则：AI 当补充，不当替代。

论文里有几条具体可操作的建议，挑三条最实在的。

第一，该背的基础，就练到自动化。数学事实、词汇、公式、年代——这些不是"死知识"，论文管它们叫"高级思维的胶水"。练到不过脑子，才腾得出工作记忆去想真正的难题。

第二，保留"裸练"时间。飞行员有自动驾驶，仍然要坚持手动飞行训练——因为那才是理解刻进去的方式，也是自动化失灵时的保命底牌。学生也一样：心算、手写笔记、凭记忆复述重要内容，这些老派练习练出的手感，任何随叫随到的答案都给不了。

第三，用 AI 的方式决定你记不记得住。让 AI 给提示、检查你的答案，而不是直接给你完整答案；先自己挣扎，再求助。同样的工具，用法不同，一个长脑子，一个长拐杖。

七、结语：增强，而不是萎缩

论文的结尾有一段话，值得每个用 AI 的人抄下来：

"洞察没有形成，记忆就不会产生。技能没有练习，直觉就不会发育。图式没有建立，问题就认不出来。大脑没有经受挑战，天赋就等于没活过。"

奥克利在她的博客里写得更短：

"无论技术跑得多快，人脑仍然需要知识的地基。基础很重要——图式的形成，没有捷径可跳。"

在这个几乎什么都能查到的世界上，有个讽刺的真相：你脑子里装着的东西，比以往任何时候都更值钱。

AI 可以帮你干活，给你参考。但做判断、拿主意的，还是你自己。

肚子里，必须有货。

原文链接

• 来源：https://arxiv.org/abs/2506.11015 ｜ 翻译日期：2026-09-16
• 逐字原话来源：https://teachinginhighered.com/592、https://barbaraoakley.com/the-hangover-that-changed-mathematics

编译说明

背景：奥克利 2026 年 7 月在国际数学家大会（ICM，费城）参加数学教育论坛一事，由其本人博客确认；该发言目前没有公开的逐字实录。网传摘要中的"12×12 例子"与"Anthropic 切除工作记忆区域实验"出自演讲场景，本文以论文与播客中的对应论证如实替换呈现，未做虚构。

体例：引号内均为原文直译；数字、人名、机构名照抄原文；论文观点与其个人访谈原话分属两类来源，均已分别标注。