当所有人都在高呼"AI赋能教育"时，一个令人不安的悖论正在全球课堂中悄然蔓延——分数在上升，思维能力却在下降。土耳其近千名高中生的随机对照实验显示，使用AI辅助学习的学生，闭卷测试成绩竟比从未接触AI的同伴低了17%。这不是孤例。卡内基梅隆、MIT、牛津、UCLA的联合研究进一步证实：仅需10分钟AI使用，即可导致独立解题能力可测量地退化。我们热衷讨论"AI时代需要培养什么新能力"，却极少追问一个更根本的问题：AI正在系统性地拆除什么能力？当大脑将越来越多的思考任务外包给外部工具，当"元认知懒惰"成为普遍现象，当80%的学生记不住自己用AI生成的论文观点——教育的深层危机正在"成绩提升"的假象下无声累积。本文不做"技术赋能"的廉价赞歌，而是一次冷静的能力审计。我们将解剖"认知卸载"的三层流失机制，揭示三个结构性堵点，并提出一个从"培养"转向"防御性建构"的对抗性框架。当AI可以替代越来越多的人类认知功能时，我们拿什么守护"人之为人"的底线？这是一次以证据和逻辑为骨架的深度追问，直面痛点，不回避代价。2026年5月，世界数字教育大会上，经济合作与发展组织教育与技能司负责人安德烈亚斯·施莱歇尔分享了一个令人警醒的案例。土耳其一项大规模随机对照试验，涉及近千名高中生。实验分组清晰：一组学生使用通用GenAI聊天机器人练习数学，一组使用经过教学优化的“GPT导师”版本，还有一组自主学习。结果令人震撼——使用通用AI的学生短期成绩提升48%，使用“GPT导师”的提升更是高达127%。但真正的戏剧性发生在AI被收回之后。闭卷测试中，此前使用过AI的学生，成绩比从未接触过AI的对照组低了整整17%。成绩提高了，但思维能力下降了——这不是修辞，而是可测量的实证。施莱歇尔直言：“人工智能工具提升了考试成绩，但是并没有提升学习能力。”这不是孤例。加拿大、法国、瑞典、荷兰的研究得出了类似结论。经合组织在《2026年数字教育展望》报告中系统性地警告：将认知任务外包给生成式AI，只会提升短期表现，而不会带来真正的学习收获。我们正面临一个悖论：技术让学习“更高效”了，但“学习”本身——那种深刻的、持久的、可迁移的认知能力——可能正在退场。教育界热衷于讨论“AI时代需要什么新能力”——批判性思维、创造力、伦理判断、人机协作。这些讨论当然重要。但一个更根本的问题被集体回避了：AI正在系统性地拆除什么能力？在我们忙于做“加法”的时候，有没有注意到正在发生的“减法”？本文试图做一次视角翻转。不讨论“应该培养什么”，而是追问“什么正在流失、如何阻止流失”。核心概念是“认知卸载”——当大脑将越来越多的思考任务外包给外部工具时，思维肌肉正在无声萎缩。认知卸载本身并非新鲜事。从文字发明到印刷术普及，人类一直在将记忆和认知任务“卸载”给外部载体。但生成式AI的卸载与以往截然不同：它卸载的不是信息的存储，而是思考的过程本身。过去你查字典，仍然要自己造句；你用搜索引擎，仍然要自己筛选和整合信息。而现在，AI替你完成从构思到输出的全链条。这是质的变化。这不是又一篇“AI赋能教育”的赞歌。这是一次冷静的能力审计。想象一个学生面对一道数学难题。传统路径是这样的：他读题、回忆相关知识、尝试多种解法、遭遇挫折、调整思路、最终找到答案——或者失败。无论结果如何，他的大脑经历了一次完整的认知闭环：识别问题→调取知识→推理试错→形成判断。AI介入后，路径变了：他复制题目、粘贴到对话框、点击发送、复制答案。认知闭环被打断了。大脑绕过了推理、试错、归纳的全过程，直接抵达终点。这就是认知卸载的核心机制。用认知科学的语言说，AI接管了原本需要系统2（慢思考、费力的逻辑推理）完成的任务，将其降维成系统1（快思考、自动化的信息接收）。表面上看任务完成了，但大脑没有经历应有的认知负荷——而正是这种负荷，塑造了思维能力。土耳其研究的深层发现不止于此。研究团队来自宾夕法尼亚大学沃顿商学院。研究者Hamsa Bastani指出，这反映了生成式AI的悖论：“它可以让人们的任务变得更容易，同时却削弱了他们解决这些任务所需的学习能力。”卡内基梅隆大学、麻省理工学院、牛津大学和加州大学洛杉矶分校的联合研究，将问题推向了更令人不安的深度。1222名受试者、三组严格随机对照实验——仅仅10到15分钟的AI辅助，就足以让人在独立面对问题时表现更差，并更频繁地选择直接跳过、放弃尝试。麻省理工学院副教授米希尔·巴克精准点明了问题的本质：“这本质上是一个认知层面的问题，关乎毅力、学习能力以及应对困境的心态。”他进一步警告：“如果我们凡事都不愿独立攻克复杂问题，长此以往，便会丧失掌握全新知识领域的能力。”施莱歇尔将这一现象概括为“元认知的懒惰和思维外包”。他引用的美国研究更加触目惊心：让学生使用大语言模型写论文，然后问他们论文的主要论点是什么——80%的学生不记得自己写了什么。麻省理工学院的独立实验印证了这一发现：83%的ChatGPT使用者在完成论文后无法复述自己写下的任何一句话。脑部传感器显示，使用AI的学生大脑活动度最低。这些证据指向一个共同的结论：AI辅助下的“高效产出”，是以认知参与的深度牺牲为代价的。如果说“退化”意味着曾经拥有的能力在减弱，那么更令人担忧的是“未技能化”——新一代学习者从未真正习得某些基础能力。以往的几代人，即使后来依赖计算器，童年时都经历过心算、笔算的艰苦训练。那些训练在大脑中留下了神经回路——你知道“3×7=21”而不需要思考，因为你的大脑被“锻造”过。但今天的学生可能从第一天接触数学起就有AI陪伴。他们的大脑从未经历过那些锻造。这不是危言耸听。当AI可以即时生成论文大纲、论点、论据和结论时，一个学生可能从未独立完成过一次完整的论证过程，却已经“写”了数十篇论文。他获得了成绩，但没有获得思考的痕迹。OECD的报告措辞严谨但含义深远：“更高的短期表现并不自动表明持久的学习。”翻译成大白话：分数上去了，脑子没上去。中国教育科学研究院院长李永智在2026世界数字教育大会上提出了一个耐人寻味的观点。他认为，实现“超越人工智能”的关键是“内驱力”。他的定义富有哲学意味：“一个人，只要是作为碳基生物，要吃饭、要生存，内驱力是自然涌现出来的，但是一台机器不会，它所有的动力都来源于预先给它注入的规则和指令。”这个论断深刻，但还可以再推进一步。内驱力确实是“自然涌现”的，但它需要“锻造”的场景。内驱力不是凭空产生的——它诞生于一个人面对挑战、经历挫折、最终凭借自身努力克服困难的那个瞬间。没有认知负荷，就没有内驱力的淬炼。AI恰恰剥夺了这个淬炼过程。当学生用AI完成作业，他绕过了一切可能激发内驱力的“阻力”。作业完成了，但成就感的来源从“我理解了”变成了“我提交了”。前者是内驱力的燃料，后者只是任务管理。学习从来不只是信息获取。学习的意义感来自多个层面：理解一个概念时的顿悟快感、克服困难后的自我效能感、与老师和同学讨论时产生的情感共鸣。这些共同构成了学习的“温度”。浙江大学教育学院长聘教授黄昌勤提出了“有温度的教育”这一概念。他认为，生成式AI时代的教育必须坚守“有温度”的底线，“让技术服务人的全面发展，而不是让人适应技术”。有温度的教育包含三个特征：人本主义——教育服务于人的尊严和适性发展；价值驱动——超越知识技能，聚焦人格、责任与意义的塑造；关联导向——在师生和生生之间的真实联结、理解和陪伴中发生。但AI中介的学习正在稀释这种“温度”。当学生与AI对话时，没有眼神交流，没有情绪共振，没有“老师看到你困惑时放慢语速”的那种人性化调整。AI的输出是高效的，也是“冷”的。更隐蔽的是，AI正在改变学生对“努力”的认知。在过去，一篇好论文意味着多轮修改、反复思考和深夜的煎熬。今天，一篇好论文可能意味着一个精准的提示词和几次复制粘贴。学生不再将“努力”与“成果”联系起来——因为成果可以不经过努力而获得。当努力失去了必要性，努力本身的价值就被消解了。清华大学教育学院长聘教授韩锡斌直指痛点：“在AI加持之下，我们希望看到学生能力增长，而非基本认知能力下降。”但现实是，越来越多的教师反映“学生课堂作业借助AI完成，但闭卷考试与实际水平存在差距”。韩锡斌坦言：“老师们困惑的不仅是考核方式，更是考核什么。”这个困惑背后是一个更根本的问题：当外部工具可以替代大部分认知劳动时，“学习”这件事本身的意义是什么？如果答案只是“完成任务、获得分数”，那么AI确实更高效。但如果答案是“成为更有能力、更有温度的人”，那么AI的介入就需要极其审慎。2026世界数字教育大会上发布的《全球数字教育发展指数》显示，超过50%的国家将伦理判断与决策能力视为AI时代学生的关键能力。同时发布的《人工智能教育伦理：参考框架》确立了“主体归人、协同共生、适境致善、分类施治”的核心理念。这些顶层设计不可谓不前瞻。但有一个悖论：伦理判断恰恰是最容易被AI“接管”的能力。为什么？因为伦理判断的本质是权衡——在多个不可通约的价值之间做出选择，并承担选择的后果。这个过程是痛苦的、费力的、充满不确定性的。而AI提供的是“最佳方案”——一个已经替你权衡好的答案。你不再需要纠结，不再需要承担判断的重量。当学生问AI“这个做法对不对”而不是自己思考时，伦理判断的训练就缺失了。伦理能力不是靠“知道”什么是对错来培养的，而是靠“经历”判断的过程来锻造的。“AI辅助决策”和“AI替代决策”之间没有清晰的边界。当一个学生用AI检查语法，这是辅助。当一个学生用AI生成论文的核心论点，这还是辅助吗？当一个学生用AI评估一个伦理困境的各方立场并给出建议方案，这还是辅助吗？每一次“辅助”都在悄悄扩大边界。而每一次边界的扩大，都意味着一次判断力训练机会的丧失。学生没有“变懒”——他们只是被剥夺了“变强”的机会。因为没有判断的负荷，就没有判断的肌肉。“主体归人”是伦理框架的第一原则。但主体性不是天赋的，是需要建构的。一个人成为“主体”，意味着他有独立的意志、独立的判断、独立的价值立场。这些都不是天然拥有的——它们是在无数次独立抉择和承担后果中逐渐成型的。当AI越来越多地替我们做选择、做判断、做决定时，主体性正在被悄悄地让渡出去。不是被剥夺，而是被放弃——因为放弃比坚持更轻松。一个令人深思的问题是：如果AI可以替人类做越来越多的伦理判断，那么“人”在决策中的位置在哪里？我们会不会从“决策者”变成“确认者”——只是点头说“好的，就按你说的办”？这不是科幻。在很多学生的学习场景中，这已经是现实。如果问题仅仅是“学生用了AI所以思维能力下降”，解决方案似乎很简单：禁止使用AI就行了。但现实远比这复杂。“培养超越AI的思维能力”之所以困难，不是因为理念不清，而是因为三个深层的结构性堵点。它们相互缠绕，形成了一个难以破解的系统性困境。无论我们如何倡导“素质教育”“核心素养”“高阶思维”，现实是：选拔性考试仍然以可量化、可标准化的知识输出为主。这些考试考的是什么？是学生能否在有限时间内准确回忆知识、快速应用规则、按规范格式输出答案。恰恰是AI最擅长的事情。- 学生用AI完成作业和练习 → 作业质量和练习效率提升
- 考试仍然考AI擅长的内容 → 用AI“学习”的学生获得更高分数
- 更高的分数被视为“教学成效”的证据 → 进一步鼓励AI使用
韩锡斌观察到的现象——“学生课堂作业借助AI完成，但闭卷考试与实际水平存在差距”——正是这个陷阱的表征。评价体系的变革极其缓慢。一套标准化考试从设计到实施，涉及命题、试测、标准化、常模建立、题库建设等复杂环节，动辄数年周期。而AI的能力迭代是以月甚至周为单位的。当评价体系以“年”为单位进化，而AI以“周”为单位进化时，评价永远在追AI的背影。这意味着，在可预见的未来，考试将继续考查AI擅长的能力，而学生将继续用AI来应对考试。更令人担忧的是“分数通胀”——学生的分数在上升，但实际能力在下降。这不是推测，而是已经被土耳其研究验证的事实。当分数不再代表真实能力，分数就失去了意义。但教育系统仍然在用分数进行筛选和评价。这就造成了一个荒诞的局面：我们用一套失效的指标，来衡量一个正在退化的能力体系。韩锡斌指出，AI时代需要重新思考课堂存在的价值：“如果大家都能在网上学，为什么还要按点到教室上课？我们要找到课堂不同于自主学习的价值。”这个问题的答案指向了教师角色的根本性转变：从“知识传授者”变为“学习设计者”和“思维引导者”。知识传授可以部分由AI完成，但认知训练的设计、思维发展的引导、情感联结的建立——这些是课堂不可替代的价值。绝大多数教师自己就是在“知识传授”模式下成长和受训的。他们熟悉的是讲解、演示、练习、考核的闭环。让他们一夜之间变成“认知训练设计师”和“思维引导教练”，既缺乏培训支持，也缺乏评价激励。资深教师的宝贵资产是什么？是几十年来积累的教研经验和育人技巧——知道学生在哪个知识点上容易卡住、知道用什么比喻能让学生豁然开朗、知道哪个学生需要鼓励哪个需要敲打。这些经验难以数字化留存与复用。AI可以分析海量数据，但无法复制一个老教师看到学生眼神时的那份直觉。而当教师被要求“与AI协作”时，这些最珍贵的人类智慧反而可能被边缘化——因为它们在“效率”的标尺下显得“不够高效”。《教师生成式人工智能应用指引》已经发布。各类教师AI素养框架层出不穷。但从框架到课堂落地，存在巨大的鸿沟。一个框架告诉你“应该培养学生的高阶思维”，但不告诉你在一节45分钟的课上具体怎么做。一个指引告诉你“要防范AI对思维发展的风险”，但不告诉你当全班学生都带着AI进课堂时，你如何同时管理40个人的认知过程。这不是框架的错。这是从“理念”到“实践”的本质性困难。而教育恰恰是一个高度情境化、高度人际化的领域——通用原则永远无法替代具体场景中的专业判断。《人工智能教育伦理：参考框架》提出了清晰的理念和规范。这是一项重要的工作。但伦理教育不能停留在原则层面。“主体归人”是什么意思？在一个具体的课堂上，当学生用AI完成了一道题的解答，他仍然是“主体”吗？如果他在AI的基础上做了修改，他算是“主体”吗？如果他把AI的答案重新用自己的话表达了一遍，边界在哪里？这些不是理论问题，而是每天发生在千万间教室里的实践问题。而实践问题需要的不是原则，是可操作的标准和可训练的判断力。一个更深层的困境是：学生面对AI时，“应该怎么做”是清晰的，“实际怎么做”是模糊的。理论上，学生应该把AI当作“思维的脚手架”而不是“思维的替代品”。但实际上，当截止日期临近、当任务难度超出能力、当周围的同学都在用AI高效完成时，“正确”的选择变得异常困难。这不是学生的道德缺陷，而是结构性的激励扭曲。当一个系统奖励结果而非过程、奖励产出而非思考时，用AI“抄近路”就是理性选择。伦理不是靠宣教来维护的，而是靠制度来保障的。因为讨论AI的伦理风险，意味着要讨论技术的代价。而在一个“技术赋能”成为政治正确的语境中，谈论代价是不受欢迎的。你被期望谈论“机遇”“变革”“赋能”——而不是“卸载”“退化”“流失”。但不谈代价，不等于没有代价。恰恰是这种集体失语，让代价在无人察觉中持续累积。如果问题在于“AI正在卸载我们的思维能力”，那么解决方案就不能只是“培养更多能力”——因为培养的速度可能赶不上流失的速度。我们需要一个不同的思路：防御性建构——在教育生态中主动设置“思维保留区”，让关键认知能力不被卸载。目前关于AI时代能力的讨论，几乎全是“加法思维”：我们要增加批判性思维、增加创造力、增加伦理判断、增加人机协作能力。这些当然需要。但加法思维有一个致命缺陷：它假设现有能力是稳定存续的，只需要在上面叠加新能力。这个假设是错的。现有能力正在被AI系统性地卸载。如果你一边往桶里加水，一边桶底在漏水，你永远装不满。因此，我们需要一次思维方式的根本转向：从“还要增加什么”转向“什么正在流失、如何阻止流失”。这不是放弃培养新能力，而是先止血，再输血。不阻止认知卸载的持续发生，所有关于“培养高阶思维”的讨论都是空中楼阁。“防御性建构”的核心逻辑是：在教育系统中划定一些“AI不能进入”或“AI有限进入”的认知训练领域。就像自然保护区保护生物多样性一样，我们需要“思维保护区”保护认知多样性。这不是反技术，而是有边界的技术使用。正如韩锡斌所说：“AI给出的内容可能增强认知，也可能卸载能力，如何做好教学设计，正是所有教育者共同面对的课题。”韩锡斌提出了一个看似“倒退”实则深刻的建议：闭卷回归纸笔形式，考察学生脱离AI后的学科基础认知和判断能力。这听起来很“传统”，但恰恰切中了要害。闭卷考试的价值不在于“为难学生”，而在于强制学生的大脑在没有外部工具的情况下独立运转。那90分钟的闭卷时间，是大脑被迫承受认知负荷、调用记忆、进行推理的宝贵训练。韩锡斌进一步建议，将闭卷考试与开卷的项目式考核结合起来：“闭卷回归纸笔形式，考察学生脱离AI后学科基础认知和判断能力如何，开卷考试部分则通过做项目等方式进行，考查学生高阶思维，二者结合起来。”一个可操作的教学原则是：学生在接触AI之前，必须建立自己的问题框架和初步假设。这意味着，当布置一个任务时，教师要求学生先独立完成以下步骤：只有在完成这些“认知前置”之后，才允许使用AI进行信息检索、方案完善或结果验证。这个原则的价值在于：它确保大脑经历了完整的认知启动过程，而不是直接从“问题”跳到“答案”。如果知识获取可以在网上完成，课堂的价值在哪里？韩锡斌的答案是：课堂是进行“抗AI认知训练”的场所。- 无AI时段：特定时间内禁止使用任何数字工具，进行纯人脑的思考和讨论
- 对抗性审阅：学生拿到AI生成的答案，任务不是“接受”而是“找茬”——找出其中的错误、漏洞、偏见和不合理之处
- 认知复盘：让学生比较“自己独立完成的答案”和“AI辅助完成的答案”，反思差异在哪里、自己学到了什么
这些活动的共同特征是：它们不仅产出“答案”，更产出“思考的过程”。而过程，才是教育的真正产品。4.3 操作路径二：构建“人机协同”的伦理操作系统伦理教育不能停留在“应该做什么”的原则层面。它需要转化为具体的、可操作的情境训练。什么是情境训练？就是让学生在具体的、有压力的、充满不确定性的场景中，练习做出伦理判断。- 场景一：你马上要交作业，但还没完成。AI可以快速生成一篇看起来不错的文章。你用还是不用？如果用了，你怎么向老师说明？
- 场景二：AI给出了一个答案，你觉得可能不对，但不确定。你是直接采纳，还是花时间验证？如果验证需要额外两个小时，你怎么选择？
- 场景三：你的同学都在用AI完成作业，而且得到了更好的分数。你坚持自己完成，但成绩落后了。你怎么看待这个选择？
这些场景没有标准答案。训练的目的不是给出“正确”答案，而是让学生经历“纠结”的过程——在纠结中，伦理判断力才能生长。麻省理工学院的巴克副教授提出，优秀的AI模型应当效仿资深教师，“在部分场景下优先引导用户自主学习，而非直接替用户解决问题”。他说：“直接给出标准答案的智能系统，和为用户提供引导、启发思考、提出思辨挑战的系统，所带来的长期影响截然不同。”受此启发，我们可以设计一种“对抗性审计”训练：学生使用AI完成一项任务后，必须对AI的每一个结论进行质疑和验证。- 学生逐条审查AI的推理过程：每一步是否有依据？是否有遗漏？是否有逻辑跳跃？
- 学生尝试找出AI答案中的至少三个问题（错误、不完整、偏见等）
- 学生基于自己的审查，提交一个“审计报告”而非直接提交AI的答案
这个训练的核心能力不是“使用AI”，而是“审阅AI”——后者才是人类不可替代的价值。黄昌勤的“有温度的教育”不是一个口号，而是一个可操作的方向。但要从理念落地为实践，需要具体的设计。最简单的操作：每节课设置一个“无AI时段”——10到15分钟，所有电子设备关闭，学生进行纯人脑的思考、讨论和写作。这个时段的目的是强制认知“加载”——让大脑在没有外部工具的情况下独立运转。就像肌肉需要负重训练一样，大脑也需要在没有“拐杖”的情况下承受认知负荷。AI可以模拟对话，但无法替代真实的人际互动。在面对面辩论中，你不仅听到对方的论点，还看到对方的表情、感受到对方的情绪、体验到被质疑时的紧张和捍卫自己观点时的兴奋。这些都是认知过程不可或缺的部分。- 协作解题，多人共同攻克一个难题，过程中的讨论和争论本身就是学习
最不容易被AI替代的学习任务，是那些需要情感投入的任务。写一篇关于自己成长经历的文章、为一个社区问题设计解决方案、创作一件表达个人感受的作品——这些任务之所以难以被AI高质量地完成，不是因为AI“不会”，而是因为这些任务的价值不在于产出，而在于过程中的人的情感参与。当学生为一个问题真正“上心”时，他的大脑处于高度活跃状态。这种状态下的学习，是任何外部工具无法替代的。黄昌勤指出，有温度的教育需要“厚植人际互动的育人底蕴”——生成式AI承担知识传递的同时，需强化基于过程的人际联结与情感支持。这意味着，我们不能把人际互动当作学习的“附加品”或“调味品”，而要将其设计为认知过程的必要组成部分。如果一个学习任务可以在不与任何人交流的情况下完成，那它就是一个容易被AI替代的任务。如果一个任务必须通过讨论、协作、辩论、共情才能完成，那它就守住了人类认知的独特阵地。“超越人工智能的思维能力”这个提法富有远见，但也容易被误解。“超越”是什么意思？是在AI擅长的赛道上跑得比AI更快吗？那是不可能的。在知识存储、快速调用、规则执行、模式识别等方面，AI已经远超人类。在AI的赛道上和AI赛跑，是注定失败的策略。真正的“超越”是换赛道。不是在同一维度上比AI“更多”或“更快”，而是在AI无法触及的维度上建立人类独特的价值。什么是AI无法触及的维度？是体验、是情感、是意义、是判断、是选择、是承担。AI可以生成一首诗，但它没有经历过失恋的痛苦；AI可以写一篇伦理分析，但它没有体验过道德困境的煎熬；AI可以提供一个决策方案，但它不用承担决策失败的后果。人类的独特价值不在于“做得比AI好”，而在于“做得和AI不同”——因为我们有身体、有情感、有历史、有必死性、有对意义的追问。这些不是缺陷，而是我们唯一的优势。李永智说，内驱力是“碳基生物”自然涌现的。这个论断的深意在于：人类的价值不在于“不用AI”，而在于“可以选择用或不用”。如果你已经不会在没有导航的情况下认路、不会在没有计算器的情况下做算术、不会在没有AI的情况下写一段通顺的文字——那你就失去了选择权。你只能依赖，不能选择。真正的自由不是“可以使用一切工具”，而是“可以决定不使用某些工具”。而后者需要的是：即便不使用工具，你仍然能完成任务。这种“冗余能力”是人类尊严的最后防线。当AI可以替代越来越多的人类认知功能时，“人之为人”的底线在哪里？也许底线不在于我们“会什么”，而在于我们“经历什么”。一个由AI完成一切的世界，是一个没有挫折、没有挣扎、没有失败的世界——但也是一个没有成长、没有意义、没有尊严的世界。教育不是在培养“更聪明的工具使用者”。教育是在守护“不能被工具替代的人”——那些会困惑、会挣扎、会失败、会从失败中站起来、会为自己的选择承担后果的人。（全文完。谢谢阅读！）
欢迎朋友们阅读、转发，提一提建议，在讨论区展开更深入讨论。
本公众号往期文章
夜雨聆风
