AI哲学观察｜随时获得答案不等于持续学习

2026 年 8 月 26 日，OpenAI 发布了一份关于学生和教师如何使用 ChatGPT 的报告。该公司基于隐私保护分析称，各年龄段用户每周大约有 7000 万次对话用于检验自己掌握了什么，包括检查误解和要求更多练习。在美国，学期内与课堂作业和家庭作业有关的提示词每周峰值超过 4.6 亿条，即使在暑期也维持在 1.8 亿条以上。OpenAI 据此提出，AI 正在使学习不再局限于课堂和固定时间，学生可以在问题刚出现时获得解释、反馈和练习。

这些数字说明 AI 已经成为教育环境中的日常工具，但它们并不直接证明学习正在持续发生。报告记录的是对话数量、使用时间和用途分类，不是知识保持、迁移能力或独立判断的测量。用户问过一道题，得到过一个正确答案，甚至完成了质量更高的作业，都不能单独证明他已经学会了这部分内容。因此，真正需要讨论的问题不是 AI 能否随时回答，而是持续获得帮助与持续形成知识之间究竟是什么关系。

这里至少要区分四件事。信息可得性是答案可以被找到；任务表现是人在某次作业中完成了要求；学习是人的能力因练习、反馈和修正而发生了可以保留的变化；知识则要求这种变化能够在相关情境中被调用、检验和继续修正。前两项可以完全发生在工具一侧，后两项却必须改变学习者与问题之间的关系。AI 可以替人生成结果，也可以帮助人形成能力，表面上同样是一次成功对话，实际的认识结构可能完全不同。

OECD 在 2026 年发布的《数字教育展望》中综合现有研究后作出了相近区分。通用生成式 AI 往往能够提高学生有工具时的任务表现，但当考试中撤去工具，这种优势可能消失，甚至反转。OECD 因此强调，如果没有教学目的和过程约束，把认知任务交给聊天机器人可能只提高当下产出，并不产生真实的学习增益。这不是说认知外包本身必然有害。计算器、书籍、搜索引擎和教师都是人类长期使用的外部认识资源。关键在于外部资源是在支持内部能力形成，还是在替代本来应由学习者完成的辨别、推理与校正。

同样不能从这一风险反推 AI 教学无效。2025 年发表于 Scientific Reports 的一项随机对照研究，把哈佛大学一门本科物理课程中的 AI 辅导与课堂主动学习进行了比较。研究中的 AI 组在较短时间内取得了更高的即时测验增益，参与感和学习动机也更高。但这个结果有一个容易被忽略的条件。研究者并没有让学生自由向通用聊天机器人索取答案，而是把教学法写进系统，按顺序提供支架，要求学生主动参与，并预先准备详细解法以减少幻觉。研究者也明确说明，该实验集中在两次物理课的即时学习结果，不能据此断言这种方式在需要复杂综合和高阶批判思维的所有情境中都会优于课堂教学。

两类证据并不矛盾。它们共同说明，AI 的教育作用不由“使用了 AI”这个事实决定，而由使用过程怎样组织认知活动决定。直接给出成品答案会缩短任务路径，也可能切断学习者发现错误、尝试替代方案和解释理由的过程。设计良好的辅导系统则可以有意延缓答案，通过提问、提示、反例和即时反馈，把认知活动重新交还给学习者。一个系统提供的帮助越方便，并不自动意味着学习越有效。有时，适当的阻力才是学习发生的条件。

从维成论看，这一区分可以说得更清楚。Difference 是学习者能够识别问题、已有理解与新证据之间差异的起点。Constraint 是使某些答案不能被随意接受、迫使理解接受事实、逻辑、任务目标和反馈检验的条件。Sustained Coherence 不是一次回答的连贯，而是一个认识结构在后续调用、错误暴露和校正之后仍能继续有效运行。AI 可以迅速生成语言上的一致性，但学习只有在这种一致性进入学习者可保存、可调用、可检验和可修正的结构以后才发生。

这也意味着，知识不必被狭义地理解成全部储存在个人大脑中的内容。一个人与书籍、数据库和 AI 形成的组合系统，可以拥有比个人记忆更大的操作性知识。如果一个医生能够准确提出问题，辨认适用条件，核对来源，发现模型的错误，并把结果纳入自己的专业责任，那么 AI 已经成为其知识运行结构的一部分。可是，如果使用者只能在模型存在时复制结论，无法判断答案为何成立，也不能在条件变化时发现失效，那么这里存在的是对知识资源的访问，不是使用者已经形成了相应知识。外部知识可以参与人的认识活动，却不会因为界面足够顺畅就自动变成个人能力。

因此，我的判断是，AI 可以使帮助持续可得，却不能单独使学习持续发生。“连续学习”如果只是任何时间都能打开对话框，这个说法把服务可用性误写成了认识变化。真正的连续性应当表现为学习者在多次交互之后发生了可观察的能力改变。他能否不用原来的提示重新说明概念，能否把方法迁移到新问题，能否识别一个看似合理但实际错误的回答，能否在支持逐步减少时继续工作，这些比对话次数更接近学习是否发生的证据。

这项判断也改变了我们看待评价的方式。只比较学生在 AI 可用时完成了多少任务，会把人和工具的联合表现误认为人的学习结果；完全禁止 AI 的考试又只能测量脱离工具的能力，不能说明学生是否善于使用现实中的外部知识系统。更合理的评价需要同时观察人在没有 AI、在教学型 AI 支持下，以及在通用 AI 开放使用时分别能够做什么，并进一步判断支持撤去或问题改变以后，哪些能力仍然保留下来。这样才能区分个人知识、人与 AI 的联合能力和单纯的工具代替。

现有证据还不足以回答长期问题。OpenAI 的使用数据来自公司自己的分析，并不构成学习效果研究；哈佛实验测量的是特定课程中的短期结果；OECD 综合报告也把许多结论称为正在形成的证据。未来真正需要的是延迟测验、跨情境迁移、错误识别、支持递减和不同年龄群体的独立研究。当前可以成立的结论比较有限，但很明确——答案可以即时生成，知识却仍然需要形成。AI 的价值不在于取消这一过程，而在于能否为这一过程提供更合适的差异、约束、反馈和校正。

参考资料

OpenAI，Learning never stops: How AI makes learning continuous，2026年8月26日
https://openai.com/index/learning-never-stops/

OECD，OECD Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education，2026年1月19日
https://www.oecd.org/en/publications/oecd-digital-education-outlook-2026_062a7394-en.html

Kestin 等，AI tutoring outperforms in-class active learning，Scientific Reports，2025年6月3日
https://www.nature.com/articles/s41598-025-97652-6

Brookings Institution，What the research shows about generative AI in tutoring，2026年1月27日
https://www.brookings.edu/articles/what-the-research-shows-about-generative-ai-in-tutoring/