科学网—AI秒出答案的时代，先失败才是最好的学习方法
精选
已有 276 次阅读
2026-4-26 10:40
| 个人分类: 学术生态 | 系统分类: 教学心得
用AI帮自己梳理了一份清晰有序的会议纪要，刚完成时觉得效率极高，但没过几天被领导追问细节，脑中却一片空白？或者用AI辅助完成了一份逻辑严密的分析报告，交付时看着排版精致的文档信心十足，但下周遇到类似问题、没有AI在旁时，你发现自己仍然无从下手？
这些场景揭示了一个令人不安的真相：AI让我们看起来学得更快、做得更好，但那些快速生成的知识似乎也格外容易从脑中溜走。表面上你完成了任务，实际上你并没有真正学到什么。这就是AI时代学习面临的根本困境。那么，在这个动动手指就能获得答案的时代，我们到底应该怎么学习？
答案可能出人意料：学会失败。
真正的学习危机,不是学不会，而是没学就先知道了答案
AI给学习带来的危机，其实并不新鲜。它只是把我们沿用了几十年的传统教学方法推向了更危险的极端。回想一下我们熟悉的教学场景：
老师先讲解公式和例题，把正确的解题路径清晰地展示出来，然后学生通过大量重复刷题来巩固这个“标准动作”。这背后的逻辑很简单：先把正确答案的“标准动作”焊死在脑子里，用反复训练来避免犯错，就像训练肌肉记忆一样，让对的路径成为本能。认知科学家将这种策略称为“算法思维”（Algorithmic Thinking）——将解题固化为一套可调用的固定程序。它或许能应对常规考题，但一旦面对陌生情境或需要创新突破的问题，这套程序就失灵了（Kapur，2014）。
这种“先教后练”的模式看似高效，却与认知科学揭示的有效学习规律根本相悖。当正确答案被讲解得明明白白，学生便丧失了在混乱中自己摸索出路径的珍贵机会——他们学会了套用公式，却没有真正理解公式背后的概念结构。更值得警惕的是，只要AI工具能提供解题步骤或操作逻辑，人脑便会不自觉地启用算法思维——仅仅在记忆中调用现成的程序，不再主动调动反思思维去理解问题背后的深层结构。这种调用，可看作是认知上的“省电模式”，或者说是“偷懒模式”。
认知科学中对此有一个专业术语，称为“认知卸载”（cognitive offloading）。研究发现，10至11岁的儿童如果预期能够使用外部记忆工具（如把单词写下来），他们就会减少对信息的内部编码，最终导致内部记忆受损。结果就是，我们对自己的内部记忆越不自信，对AI等外部依赖就越强（Goldberg & Magen, 2026）；还有研究发现，当大脑主动抑制工作记忆中的无关信息时，反而能释放认知资源、增强新记忆的形成（Zhang, Z. & Lewis-Peacock, 2025）。换句话说，当你把所有信息都交给AI处理、从不经历大脑内部的“清理—重组—整合”过程时，你失去的正是深度学习的能力。
同样的逻辑也贯穿在各类教育机构的教学设计中。很多机构把“帮学生避坑”当作金字招牌——把常见的错误选项、容易踩的陷阱一一标注出来，提前警告，反复训练学生识别和躲避。但从认知科学的角度看，这种“避坑训练”恰恰剥夺了最宝贵的学习机会。 那些“坑”本身——错误的尝试、走不通的歧路——正是激活深度思考的触发器。当你帮学生绕过了所有坑，你也就绕过了他们大脑中本该发生的认知冲突。
这一隐性危机，早在上世纪八十年代的日本就已暴露（Miwa, 1987; Nohda, 1987）。上世纪80年代，日本中学生参加国际数学竞赛屡获奖牌，随即向全球输出了“结构化问题解决”教学模式——由教师通过精心编排的流程引导学生高效学习。但日本研究者保持清醒，主动将这套模式与更强调“笨拙摸索”的美国课堂进行对比实验。结果发现，那些经过长时间自我挣扎的美国学生，对数学概念的直觉领悟远超早早就被“教会”的日本学生。当解题办法总是被教师提前讲解，孩子们便在迷宫的入口直接拿到了地图，从而丧失了寻路时所能建立的珍贵直觉。
这一发现揭示了学习的悖论： 越高效，越肤浅。 传统教学追求“少犯错”，有效失败的理念追求的却是“从错中学”——两者指向的是完全不同的学习目标。
有效失败：错得越惨，学得越好
2008年，新加坡学者马努·卡普尔（Manu Kapur）注意到一个反直觉现象：运动员在训练中反复遭遇失败和挑战，这些挫折不仅没有妨碍他们进步，反而提高了运动技能和适应力。这让卡普尔开始思考：既然失败如此有启发性，为什么不在学校里有意识地设计失败来促进学习呢？
这个想法最终催生了一个影响深远的研究方向。卡普尔对传统的直接教学法提出了根本挑战：学习一个新的数学概念时，到底应该先教后练，还是先练后教？
他给出了清晰的答案。在一项发表于《认知科学》（Cognitive Science）期刊的随机对照实验中，虽然两种方法的程序性知识（即解题步骤的熟练度）得分相近，但先解题、失败了再听课的学生，在概念理解深度和知识迁移能力方面远超先听课、再做练习的学生（Kapur，2014）。这个结论直接挑战了传统教学先教后的根基——我们长期以来所信奉的教学顺序，可能恰恰是阻碍深度学习的元凶。
更令人惊讶的是后续发现。即便学生自己没有亲手动脑解题，只是观察和分析其他同学失败的解题尝试，他们的学习效果依然优于那些直接听老师讲课的学生。这彻底颠覆了“只有成功才值得学习”的传统观念——失败的解题尝试中，蕴藏着比正确答案更丰富的学习素材。
卡普尔将这种现象总结为有效失败（productive failure）。他把学习结果分为四种类型：有效成功（自己探索后正确解决）、无效成功（靠照搬或偷看答案正确完成）、有效失败（虽然没做对，但深度思考了）、无效失败（既没做对，也没思考）。四种结果中，两种带有有效二字的学习，都指向了深度学习；而“无效成功”虽然表面上圆满完成了任务，对长远理解却几乎没有贡献。
按照这个框架来审视，传统教学追求的听懂后反复练、尽量避免错误，培养出来的恰恰是大量无效成功——学生靠着对标准程序的高度熟练，在常规考试中拿高分，但概念理解浮于表面，面对变式题或真实问题就束手无策。而那些避坑训练，本质上是在阻碍学生进入有效失败的状态。错误的尝试之所以宝贵，在于它在脑中激发的认知冲突——那种为什么这条路走不通的困惑，恰恰是随后理解为什么正确的路是正确的所必需的认知燃料。
2025年，卡普尔出版了他的新书Productive Failure: Unlocking Deeper Learning Through the Science of Failing。书中总结道：全球研究表明，有效失败教学法的效果可以达到一位优秀教师一整年直接教学效果的三倍；如果所有课程都采用有效失败的方式，学生可以节省相当于两年的学习时间。
值得特别关注的是，有效失败不仅对优等生有效。卡普尔的研究还发现，那些在标准化考试中表现不佳的学生，同样能从有效失败中获益，且获益的程度与高分学生相当。这意味着，有效失败不是少数聪明学生的专利，而是一种具有普遍适用性的学习策略。
AI让你绕过的不是弯路，而是大脑的生长
为什么先失败再学习的效果更好？
当我们挣扎于一个毫无头绪的难题时，大脑内部正在经历一场剧烈的认知冲突。在反复试错、无果时，大脑会真正陷入一种僵局状态。此时，大脑大量释放乙酰胆碱和儿茶酚胺等神经递质，让人心跳加速、瞳孔放大，进入一种高度警觉的状态，等待正确答案的降临。当老师或书本终于给出正确解法时，乙酰胆碱促使海马体中特定区域的神经元异常活跃，钙离子大量涌入神经元树突棘，触发信使RNA的转录和蛋白质的合成——这就是长期记忆的生物学基础。 先前的挫败感实际上激活了大脑的学习开关，让大脑像干燥的海绵一样，准备好吸收后续的每一滴知识（Tu, 2025）。
相比之下，那种先听懂正确解法，再反复操练的传统路径，恰恰让大脑错过了这个开关的触发时机。 如果答案一开始就被直接给出，大脑一直处于平稳状态。在海马体中，负责记忆巩固的乙酰胆碱释放量维持在基线，树突棘的钙离子内流微弱，神经通路的髓鞘化始终停留在表面。此时即便大量刷题，大脑也是在以低功耗模式运行——训练的是自动化执行，而非概念性理解。这解释了为什么那些上课一听就懂、作业一刷就对的孩子，知识总是来得快去得也快，换个考法就抓瞎。
AI时代的认知危险正在于此，虽然其根源是在几十年前埋下的。我们不仅让AI绕过了学习的弯路，更在教育逻辑上早就习惯性地帮学生绕过了这些弯路。无论是AI的直接给出答案，还是传统教学的事先铺平道路，绕过的都不是无关紧要的挫折，而是大脑细胞改建自身的生物机会。如今AI的加入，不过是以更高的效率，将本身就存在缺陷的教学逻辑放大到了极致。
AI时代的高效学习者，需要练习必要难度
理解了有效失败的科学原理之后，一个更实际的问题摆在面前：在这个答案唾手可得的时代，我们具体该怎么做？
先自己死磕，再求助AI。这个策略与认知科学中的生成效应（generation effect） 高度吻合：你主动产出的信息，记忆深度远超被动接收的信息。它同样也是对传统先教后练的根本性扭转：把挣扎放在前面，把讲解放在后面。
具体流程可以设计为四步：
（1）封锁答案，设定死磕时限。 遇到问题时，先关闭所有AI工具和参考答案，像卡普尔实验中的学生那样，在没有讲解的情况下先行探索。给自己设定一个死磕时间（比如15-30分钟），用纸笔进行各种尝试：画图、列假设、反推、自问自答。目标不是必须做对，而是追求有效失败——是否至少走过一条死胡同，并明确了为什么走不通？ 哪怕最终答案错误，只要有过这些挣扎，你就已经为下一步的学习激活了大脑。
（2）带着具体失败去碰撞AI。 当你在某个环节反复撞墙、明确感知到知识的缺口后，带着具体的死胡同去使用AI。此时AI不再是替你写作业的代笔工具，也不是传统教学中那个提前把所有坑都帮你填平的讲解者，而是帮你精准定位的理解助手。你可以这样提问：我按照某个思路推到这一步推不动了，请只提示我错在哪里，不要告诉我整个解法。
（3）关闭AI，复盘重做。 能力真正的跃迁发生在这个阶段：离开参照物，对着空白屏幕或白纸，用自己的语言和逻辑将整个解题过程重新推导一遍。这个过程会非常艰难，而正是这种重新构建的艰难，才能让你的神经元树突棘长连成持久的能力。
（4）为AI纠错，检验真知。 AI生成的响应中有相当比例存在错误，这是众所周知的事情。在学完知识后，主动检查AI给出的答案：它的推理链路上有没有断裂？它的类比是否恰当？你能找到它的错误，才算真正掌握了知识。在AI时代，发现错误的能力，可能比给出答案的能力更加稀缺。
“氛围编程”（Vibe Coding）的反面教材
上述策略听起来简单，但在实践中，AI的强大便利性和我们早已习惯的先看答案再学习的惯性，会让很多人难以抗拒走捷径的诱惑。2025年，编程圈流行一个词叫氛围编程——开发者完全依赖和AI对话来生成代码，只管给出指令、接受输出，不深究代码的底层逻辑。这引发了严重后果：代码质量堪忧，项目容易崩溃，安全漏洞频出。有资深程序员坦言：我意识到，自己正在把原本属于我的判断与主导权，交给机器。
这充分说明：AI的即用性创造了学习的海市蜃楼。 一个基本判断原则是：如果你完成一个任务后，无法评价AI生成结果的质量优劣，那么你就是在进行无效成功——你看起来完成了任务，但你没有在学习。
不要跟意志力较劲，用巧环境代替硬坚持
最后必须特别强调：认识到传统教学和AI便利的局限之后，我们绝不应当简单地把远离AI、独自死磕理解为一种意志力的考验。死记硬背和孤立的题海战术本身就是我们要超越的旧模式。在AI唾手可得的环境中，只靠意志力去抵抗“偷”看答案的诱惑，大概率会失败，因为人的意志力是有限资源，而AI的诱惑加上从小养成的先理解标准答案的学习惯性，是双重叠加的全天候诱惑。
正确的做法，不是用意志力强迫自己不用AI，也不是退回到传统的死记硬背，而是设计一个让自己不得不思考的学习环境。认知科学中的情境学习理论认为，认知活动与其发生的物理环境和社会环境密不可分。具体而言：
（1）寻找学伴，在集体挣扎中对抗放弃的冲动。 与另一名学习者约定，各自独立死磕后分享想法，互相点评对方解题尝试中的误区。这个过程的价值不在于对方能给你答案，而在于你们共同处于尚未获得答案的挣扎状态，这种社会性压力能有效延长你的深度思考时间。研究也证实，即使只是观察他人的失败尝试，同样能提升概念掌握水平（Hartmann et al., 2022）。
（2）改变物理空间，增加抄近道的认知成本。 学习时把手机放在另一个房间，使用全屏写作工具，甚至给自己设定一个初始挣扎角。一个没有电子设备、只有纸笔和计时器的空间。这种环境制造了一种认知摩擦，增加你获取即时答案的物理和心理成本。
（3）借助纸笔强制启动反思思维。 在面对AI或任何外部答案之前，强制自己用纸笔进行观点梳理或画思维导图。物理书写缓慢的节奏，本身就是对算法思维的制衡，为反思思维留出启动时间。这种慢下来的练习，恰恰是对传统教学中那种快速做对惯性的一种纠偏。
在AI能瞬间给出所有答案的时代，真正稀缺的不再是获取答案的速度，而是提出好问题的能力、在混沌中寻找方向的韧性，以及从失败中提取养分的智慧。 这些品质，永远不会被算法替代。
错误不是成功路上的绊脚石，而是通往深度理解的阶梯。 而这一切的前提，是我们愿意重新审视自己根深蒂固的学习观念——从追求不错，转向拥抱有效失败。
参考文献：
Goldberg, E., Magen, H., 2026. Cognitive offloading reduces internal memory processing in children, Scientific Reports. https://doi.org/10.1038/s41598-026-44574-6.
Hartmann, C., van Gog, T., Rummel, N., 2022. Productive versus vicarious failure, Applied Cognitive Psychology, 36(6): 1219-1233.
Kapur M., 2014. Productive Failure in Learning Math, Cognitive Science, 38(5): 1008-1022.
Miwa T., 1987. Mathematical Problem Solving - A Cross-cultural Study between Japan and the United States. Proceedings of Annual Meeting of Japan Society of Science Education, 11: 225-228.
Nohda N, 1987. Cross-cultural Study on Mathematical Problem Solving in Jan and the United States - from cognitive developmental viewpoint. Proceedings of Annual Research Meeting of Japan Society of Mathematical Education, 20: 280-285.
Tu, G., Wen, P., Halawa, A., Takehara-Nishiuchi, K., 2025. Acetylcholine modulates prefrontal outcome coding during threat learning under uncertainty. eLife, 13: RP102986.
Zhang, Z. & Lewis-Peacock, J.A., 2025. Maintenance suppression enhances subsequent associative learning, PNAS, 122(33): e2512322122.
转载本文请联系原作者获取授权，同时请注明本文来自赵斌科学网博客。 链接地址： https://blog.sciencenet.cn/blog-502444-1532159.html
上一篇： 用AI会被废掉，不用会被淘汰，我们该如何是好？