夜雨聆风万物展开｜教育与思维
当答案越来越容易，学习为什么仍然需要一点“困难”？
如果一个孩子把一道不会的数学题扔给AI，最快的解决办法是什么？
当然是把答案给他。
今天的大模型几秒钟就能写出解题步骤，甚至还能换三种方法再讲一遍。站在“完成作业”的角度，这几乎完美；可站在“学会”的角度，事情反而变得麻烦了。
因为学习里有一个很反直觉的地方：有些时候，答案来得越快，学习发生得越少。
可汗学院在开发AI助教Khanmigo时，给它定过一条很奇怪的规矩：不要直接把答案告诉学生。相反，它应该提问、给提示、追问“你已经试过什么”，让学生自己再往前走一步。
这听上去像在故意把事情变难。 |
但也许，真正好的老师，本来就不应该总是让学习变得容易。
01一个被要求“别急着回答”的AI
可汗学院原本最想解决的，不是“学生没有答案”，而是课堂里一个非常普通的难题：学生卡住了。
一间三十人的教室，老师讲完十来分钟，带着全班做几道题，接下来进入独立练习。这个时候，总会有人在某一步停下来。老师只有一个，不可能同时站在每个人旁边。有人会举手等，有人会乱点几下，有人干脆放弃。
Khanmigo最初的任务，就是出现在这个“卡住”的瞬间。
但团队很快发现，会做题和会教题完全不是一回事。一个AI知道标准答案，并不意味着它知道什么时候应该提醒、什么时候应该追问、什么时候应该再等一会儿。
所以他们给系统写下的规则，不是“尽快解决问题”，而更像一份老师的工作说明：耐心、鼓励，不直接泄露答案，让学生进行“有成效的挣扎”。
如果学生问“答案是多少”，AI可以反问：“你已经试过什么？”
如果方向错了，它可以给一点提示。
如果学生已经走到很近的地方，它可以再推一小步。
目标不是让AI证明自己有多聪明，而是尽量把思考这件事留给学生。
02“卡住”的那一刻，可能正是学习发生的时候
我们通常很容易把“顺利”误认为“学会”。
老师刚讲完一道题，学生马上能照着做；单词刚看过，再看一遍觉得很熟；答案放在眼前，好像什么都懂了。
但教育心理学长期研究过一个反直觉现象：练习时表现得更轻松，并不总意味着记得更久、用得更好。
Robert Bjork等研究者把其中一类现象称为“有益的困难”（desirable difficulties）：某些让当下学习显得更慢、更费劲的安排，反而可能改善长期记忆和迁移。Manu Kapur关于“生产性失败”（productive failure）的研究也表明，在合适设计和后续指导下，学习者先尝试、犯错、再得到讲解，有时比一上来就得到完整方法，更有利于建立深层理解。
关键当然不是“越难越好”。 |
把一道完全不会的题扔给孩子，任他痛苦半小时，并不会自动变成高质量学习。没有足够知识、没有反馈、没有后续解释的困难，只会变成挫败。
真正有价值的困难通常很窄：题目比现在会的东西难一点；允许先试；错了能得到反馈；卡得太久时有人扶一下；最后还能知道自己为什么错。
它不是让学生撞墙。
它更像学骑车时，扶车的人慢慢把手松开。
03AI最容易犯的教育错误：帮得太多
生成式AI最大的魅力之一，就是它几乎没有耐心问题。
你问，它就答；你说没懂，它换个说法；你还没懂，它还能继续讲。
可这种“无限帮助”放进学习里，恰好会产生一种危险：它太容易替人完成本来应该由大脑完成的工作。
一道题真正有价值的部分，往往不只是最后那个数字。
学生要先判断题目在问什么，从记忆里找出可能有关的知识，尝试把两个概念连接起来，发现不对，再换一个方向。这个过程很笨拙，却是在搭建以后还能调用的知识结构。
如果AI在第一秒就把路线铺平，学生当然可以更快到达终点，但他可能没有学会怎么走这条路。
这也是为什么“学习表现”和“学习本身”不能完全画等号。
今天做得快、错得少，很好；但真正重要的是，隔一周还能不能想起来，题目换一个样子还能不能认出来，到了没有提示的地方还能不能自己继续。
AI可以成为学习的放大器，也可以成为思考的替代品。
区别就在于：它是在你思考之后帮助你，还是在你思考之前替你做完。
04更麻烦的是，有些孩子连“怎么求助”都不知道
Khanmigo进入真实课堂后，又出现了一个开发者没完全预料到的问题。
孩子未必会像成年人想象的那样，认真写下一段：“我理解了第一步，但不知道为什么这里要移项，请给我一点提示。”
很多真实对话非常短。学生卡住以后，常见的输入甚至只是三个字母：idk——“我不知道”。
有的学生不断重复“不知道”，有的只是想从AI那里把答案“钓”出来。
更有意思的是，一些老师后来让Khanmigo先生成“六年级学生在不同学科里应该怎样向AI提问”的例子，再把这些问题打印出来，贴在学生桌上。
于是出现了一个有点好笑的场面：老师借助AI，教孩子怎样向另一个AI提问。
可这件事一点也不多余。
“我不会”其实有很多种。
是不认识题目里的词？是不知道第一步做什么？是算到一半出了错？还是知道方法，却不知道为什么这样做？
能够说清“我卡在哪里”，本身就是一种学习能力。它要求一个人观察自己的思考，知道自己已经知道什么、还缺什么。
换句话说，当答案越来越容易获得，“提出好问题”反而会变得更重要。
05连“不告诉答案”这条规则，后来也被改了
有意思的是，Khanmigo自己也证明了教育没有那么简单。
到2026年，可汗学院在总结新一轮学校试点时公开承认：最早那条“不要给学生答案”的护栏，方向没有错，但过于绝对。
如果学生还没有尝试，AI应该鼓励他先动手，只给轻微提示；可如果学生已经认真做过而且做错了，这时候继续无休止地反问，可能只会让人更烦。AI可以更直接地解释错误、带着学生把过程走一遍，避免把错误方法反复练熟。
这其实揭示了“好老师”的真正难点。 |
不是永远不给答案。
而是知道什么时候不该给，什么时候应该给一点，什么时候应该讲透。
答案本身并不是敌人。太早出现的答案，才可能是。
06如果所有答案都唾手可得，我们为什么还要学习？
生成式AI把一个以前有点哲学意味的问题，突然变成了现实问题。
如果查资料、解方程、写摘要、改语法、列提纲都可以让机器完成，孩子为什么还要辛苦地学这些东西？
一个可能的答案是：因为教育从来不只是往脑子里搬运答案。
真正难以外包的，是判断一个问题值不值得问；知道一个答案靠不靠谱；把两个原本不相干的知识连接起来；发现自己不知道什么；在第一次失败以后愿意再试一次。
这些能力都需要知识作为底座，却不等于背出知识。
未来的AI老师也许真的会比任何人都“知道得多”。但它最有价值的时候，未必是展示这些知识，而是在一个孩子快要放弃时，恰好给出一点帮助；又在孩子本来还能继续的时候，忍住不抢答。
这可能也是AI进入教育以后最有意思的反转：
机器越来越擅长给答案，我们反而越来越需要保护那个寻找答案的过程。
好的老师——不管是人，还是AI——最终教的都不是“怎样更快得到一个答案”。
而是怎样在还不知道答案的时候，继续想下去。
资料来源
书中核心材料：Josh Tyrangiel, How Real People Are Using Artificial Intelligence to Fix Things that Matter，Part I，尤其第2、3、6章。本文使用其中关于Khanmigo开发、课堂使用、“idk”与提问提示单等案例作为叙事入口，并重新组织为关于“学习为什么需要适度困难”的独立文章。
外部核验与补充：Khan Academy 2026年6月关于新版Khan Academy与Khanmigo学校试点的公开说明；Khanmigo官方产品资料；Robert A. Bjork等关于desirable difficulties的学习科学研究；Manu Kapur关于productive failure的研究与2024年专著。