AI原生一代真正需要培养的学习能力

很多人感受到生成式 AI 改变学习，是从一个简单动作开始的。

过去，学习者遇到陌生知识时，通常需要搜索资料、阅读教材、请教老师或和同伴讨论。现在，一个问题输入模型后，可以较快获得解释、案例和结构化整理。信息获取变得方便，但学习过程中的关键问题没有消失：如何判断答案是否可靠，如何把信息转化为自己的理解。

写作、编程、资料整理等任务也出现类似变化。模型可以帮助生成初稿，可以提供代码示例，也可以协助整理复杂材料。部分重复劳动被减少，学习者需要重新思考自己应该投入哪些环节。

AI 原生一代面对的挑战，不只是会不会使用工具，而是在快速获得答案的环境中保持主动思考。答案越容易得到，验证、分析和应用的重要性越突出。

从获得答案到理解答案#

基于生成式 AI 学习流程的分析框架，不代表所有学习者行为。

生成式 AI 改变学习方式，首先发生在日常操作层面。

学生可以让模型解释概念，用不同方式说明一个理论，或者帮助检查程序中的错误。这些功能扩大了获得反馈的渠道，也改变了练习和探索的节奏。

工具进入学习过程后，影响结果的不只是工具能力，还有使用方式。计算器改变了计算练习，搜索引擎改变了资料查找，生成式 AI 则进一步参与解释和表达环节。学习者如何分配人与模型之间的任务，会影响最终形成的能力。

一种方式是直接接受模型输出，把任务快速完成。另一种方式是把模型当作讨论对象，通过追问、比较和修正推动理解。两种方式都可能提高效率，但学习者参与程度不同。

当学习者要求模型说明理由、寻找反例、比较不同答案时，AI 可以成为思考过程的一部分。当学习者只关注最终结果时，一些必要的练习可能被减少。

研究证据提供线索，但不能替代长期观察#

来源：Noy & Zhang、Microsoft Research/CMU、UNESCO。

关于生成式 AI 对学习和认知的影响，相关研究仍在积累。目前已有结果可以说明部分变化，但每项研究都有自己的范围。

Noy 和 Zhang 在 Science 发表的实验研究考察了生成式 AI 对专业写作任务的影响。研究显示，在特定写作任务中，使用生成式 AI 的参与者完成任务更快，结果评价也有所改善。这说明模型能够帮助部分任务完成，但一次任务中的表现变化，并不等同于长期学习能力提升。

长期能力包括知识积累、问题分析、表达组织和迁移应用。短期效率提升与这些能力之间存在联系，但不能简单画等号。

Microsoft Research 与卡内基梅隆大学关于生成式 AI 和批判性思维的调查，关注知识工作者使用 AI 后的认知投入和判断信心变化。研究提示，当用户把部分分析步骤交给模型时，主动思考机会可能减少。

这类调查主要依靠参与者自我报告，能够反映使用体验和行为趋势，但不能单独证明长期认知能力下降。它更适合作为风险提示。

UNESCO 关于生成式 AI 在教育与研究中的指导文件强调透明性、人类监督和责任使用。这些原则说明，教育机构需要关注技术使用方式，而不是只关注工具本身。

现有证据呈现出多面影响。AI 可以提供解释和反馈，也可能让部分学习步骤被自动化。最终效果取决于模型进入学习流程的位置，以及学习者是否继续参与关键认知活动。

AI改变了练习的组织方式#

分析框架：生成、验证和迁移构成学习过程。

传统学习中的困难过程本身具有训练价值。

学生自己组织语言、推导公式、修改错误答案，这些行为帮助形成理解结构。生成式 AI 降低了一些任务成本，同时也要求学习者重新设计练习过程。

例如，让模型生成一篇文章可以快速获得文本结果，但写作能力仍需要经过确定主题、安排结构、调整观点和评价表达等过程。如果这些环节全部交给工具，部分训练机会可能减少。

编程学习也存在类似情况。模型可以提供代码示例，帮助定位错误，提高探索效率。但学习者仍需要理解代码逻辑，知道为什么采用某种方案，以及如何面对新的问题。

AI 时代的学习设计需要区分哪些步骤适合辅助，哪些步骤需要由学习者完成。基础理解、关键判断和知识迁移仍需要通过实际练习形成。

问题意识成为重要能力#

使用 AI 时，一个明显变化是信息呈现方式改变。

传统搜索通常展示多个来源，用户需要比较和筛选。生成式模型往往直接提供完整回答，流畅表达可能增强可信感。但表达清晰不代表内容一定准确，学习者需要保持验证习惯。

高质量学习者会继续追问：这个结论依据是什么？有没有其他解释？哪些内容需要进一步确认？哪些部分可能只是模型生成的推测？

这些问题帮助学习者保持判断能力。模型可以扩大探索范围，但学习者仍需要决定问题方向、评估答案价值，并把信息连接到已有知识。

问题意识也影响创新能力。很多新的想法来自对已有答案的调整、质疑和重新组合。如果学习过程只追求快速获得结果，探索空间可能缩小。

教育需要适应新的技术环境#

用于说明使用模式差异，不代表实验测量结果。

把 AI 使用简单归纳为能力提升或能力削弱，都无法覆盖真实学习场景。

没有生成式 AI 的环境中，也存在机械记忆、反馈不足和低质量练习。技术改变的是学习条件，教育目标仍然包括理解、分析和应用。

如果评价体系只关注最终答案，自动生成工具会改变任务完成方式。如果评价体系重视解释过程、推理过程和实际应用，AI 也可能成为促进学习的工具。

OECD 关于数字教育的相关报告关注数字技术、教学目标、教师能力和制度设计之间的关系。数字工具的价值，需要放在完整教育环境中评估。

教师需要帮助学生建立 AI 使用规范，学习者需要掌握与模型协作的方法，平台设计者需要提供支持理解和反馈的功能。技术效果最终取决于多方调整。

AI原生一代需要建立新的学习方式#

未来学习者仍然需要基础知识。

知识积累提供判断依据。没有足够背景知识，人很难发现模型回答中的错误，也难以提出深入问题。

变化在于知识获取和能力训练的连接方式正在调整。AI 可以帮助探索资料、提供反馈、模拟讨论，但学习者需要通过主动参与形成自己的认知结构。

成熟的 AI 学习者需要知道何时使用模型、如何提出问题、如何检查结果，以及如何把一次回答转化为长期知识。

当越来越多工具参与学习过程，教育需要重新确认哪些能力值得持续训练。理解能力、判断能力、迁移能力和提出问题的能力，将继续成为重要基础。

这个变化仍在发展中。AI 原生一代最终形成的学习方式，将受到技术设计、教育实践和个人使用习惯共同影响。未来竞争力不仅体现在完成任务的速度，也体现在理解复杂问题和创造解决方案的能力。

主要资料与延伸阅读#

• UNESCO：Guidance for generative AI in education and research — 教育与研究场景的治理建议，不等同于学习效果实验。
• Microsoft Research / CMU：The Impact of Generative AI on Critical Thinking — 基于知识工作者自我报告，不能推出永久智力下降。
• Noy & Zhang, Science：Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence — 研究对象是特定专业写作任务，结论不应泛化到所有认知活动。
• OECD：OECD Digital Education Outlook 2023 — 提供数字教育生态与政策背景。
• OpenAI：How people are using ChatGPT — 描述产品使用模式，不直接证明长期学习效果。