AI 是否消除了儿童学习所需的阻力？

Google News 在 2026 年 8 月 30 日呈现了一个尖锐观点：AI 可能消除帮助儿童学习的智力挣扎。这篇评论文章并未报道产品发布、政策变化或科学突破，而是质疑了一种日益普遍的假设——更快得到答案，是否必然意味着更好的教育。

这一差别至关重要，因为生成式 AI 已经融入学生的日常。Pew Research Center 在 2026 年开展的一项调查发现，54% 的美国青少年曾使用聊天机器人完成学业任务。每十人中就有一人表示，聊天机器人帮助他们完成了全部或大部分学业。

如今的争论已不再是配备 AI 的课堂与完全不受 AI 影响的课堂之间的对比。学生可以在校外使用 ChatGPT、Google Gemini、Microsoft Copilot 和其他助手。真正的较量发生在两种教育模式之间：一种利用 AI 支持艰难思考，另一种则让 AI 悄然取代这种思考。

The Daily Signal 的评论将这种必要的难度称为“阻力”。研究人员通常会从认知努力、元认知、坚持力和认知卸载等相关概念展开讨论。认知卸载指的是将记忆、解题等脑力工作转移给外部工具。

这种转移并不总是有害。计算器、词典、搜索引擎和笔记本都会将部分工作移出大脑。风险出现在学生尚未建立足够知识、无法判断机器答案之前，就将某项技能交由工具代劳。

这也是为什么 Google News 上的讨论值得超越其宗教框架来分析。其核心问题关乎每一位家长、教师、学校管理者和 AI 开发者：技术应当消除哪些负担，而哪些负担本就是学习的一部分？

Google News 的报道实际改变了什么

这篇报道将教育效率从一个不容置疑的好处，转变为一项关乎发展的权衡。

原评论文章由 Robert Maginnis 撰写，并转载自 The Washington Stand。Maginnis 表明自己是 Alliance for Secure AI 的董事会成员。他的论点源于 8 月 19 日的一场简报会，当时 Center for Responsible Technology 执行主任 Michael Marinaccio 表示：“在教育中，阻力至关重要。”

这是一篇观点文章，而非受控研究。其明确的基督教论述强调身体经验、人际关系、纪律、静默、无聊，以及师生之间的关怀。这些价值取向不应与独立的科学发现混为一谈。

不过，这篇文章凝练了世俗教育研究中广泛存在的担忧。产品设计师通常将阻力视为缺陷。他们减少点击次数、缩短等待时间、预测下一步操作，并自动化复杂任务。

学习的运作方式则不同。从记忆中提取事实、修改一段薄弱文字，或面对尚未解决的问题静心思考，都可能显得低效。然而，每一项行为都要求学习者亲自完成课程本应培养的心理过程。

AI 助手可以在学生形成论点之前，就生成一份润色完善的回答。它可以在学生艰难解读之前总结一本书。它也可以解出方程，却掩盖导致初次错误尝试的误解。

即使底层能力没有提升，眼前的产出也可能变得更好。表现与学习之间的这一差距，正是争论的核心。

表现衡量的是学生当下完成了什么。学习关乎学生日后能否在没有同样支持的情况下理解、记住、迁移或完成任务。聊天机器人可以提高前一个指标，却未必改变后一个指标。

这则 Google News 内容并未判定这一现象是否已在学校中普遍发生。它只是为这种担忧提供了一个易于理解的框架。阻力之所以有价值，并不是因为困难在道德上更为纯粹，而是因为努力能够锻炼作业本意要培养的确切能力。

这一原则同样能识别不必要的阻力。患有阅读障碍的学生可以借助文本转语音来理解内容，同时不放弃历史问题所要求的推理。翻译支持可以让学生接触科学课程，同时保留分析证据的必要性。

因此，关键检验并不在于 AI 是否让任务更容易，而在于工具消除的是思考的障碍，还是思考本身。

青少年使用 AI 的速度已超过证据积累的速度

学校正在作出长期设计选择，而研究人员仍缺乏关于生成式 AI 与儿童发展的长期证据。

采用数据解释了紧迫性。根据 2026 年 2 月的一项青少年 AI 调查，57% 的美国青少年曾使用聊天机器人搜索信息，另有 54% 曾用它们完成学业任务。

调查发现，21% 的受访者使用聊天机器人完成部分学业，23% 的人仅少量使用。10% 的人表示，聊天机器人帮助他们完成了全部或大部分作业。只有 45% 的人表示未以这种方式使用聊天机器人。

学生也看到了诚信问题。59% 的人认为，在他们所在的学校，借助 AI 作弊至少在一定程度上经常发生。在曾使用聊天机器人完成学业的青少年中，76% 表示学生至少有时会用它们作弊。

这些数字描述的是行为，而非学习成果。它们并不能证明聊天机器人导致推理能力下降，也不意味着每次使用都不恰当。但它们表明，课堂采用 AI 已不再等待一个结论明确的证据基础。

纵向研究会长期追踪参与者，能够揭示早期习惯是否预示着后续结果。截至 2025 年，接受 Axios 采访的研究人员和教育工作者表示，尚无纵向 K-12 研究确立课堂生成式 AI 对发展的影响。

这一证据缺口在 2026 年依然重要。短期试验可以显示学生在使用辅导工具后是否答对了更多问题，却无法证明多年的自动化协助会增强还是削弱独立阅读、记忆、写作或坚持力。

年龄又增添了一层复杂性。具备扎实学科知识的高中毕业生能够批评 AI 生成的解释；年幼儿童则可能不知道哪些细节需要核实。两类用户都会收到流畅的回答，但他们审视这些回答的能力并不相同。

UNESCO 的全球指导文件建议采取以人为本、适龄的方式。它呼吁保护隐私、进行伦理验证，并为与生成式 AI 平台进行独立对话设置年龄限制。

该指导并未要求全面禁止。它将人的能动性视为组织原则。学校应决定学习者必须亲自完成什么、教师必须监督什么，以及系统可以安全承担什么角色。

这一立场不如 Google News 争论中的任一极端那样戏剧化。它拒绝认为儿童应避开所有 AI 系统，也拒绝把单纯获得使用权限视为教育进步。

压力落在学校领导者身上，因为部署通用聊天机器人比精心设计教学更容易。给每位学生开设一个账户，所需规划远少于决定工具应在何时回答、提问、提示、拒绝，或交由教师处理。

教师还承担着另一重负担。他们必须在评分时区分合理辅助与替代行为，而学生提交的作品可能已无法反映其思考过程。当聊天机器人能在数秒内生成文章时，传统的课后作文便不再是可靠的诊断工具。

家长也面临同样的可见性问题。一份完成的作业可能看起来很出色，却掩盖了困惑。作品质量不再能可靠反映创作过程中实际发生的学习量。

真正的较量是脚手架支持与替代之间的较量

当支持仍让学习者对核心智力步骤负责时，AI 教育才能成功。

脚手架支持是帮助学习者完成略高于其当前能力任务的临时支持。教师可能给出提示、示范一个例子、提出引导性问题，或将困难任务拆分为更小的步骤。

良好的脚手架支持不会消除努力，而是将努力放在能够带来进步的地方。

替代则以不同方式运作。系统完成目标操作，并向学习者交付成品。一名被要求构建论点的学生，可能会一次性获得论题、证据、结构、反驳和结论。

这种区别取决于课程的目的。如果学生正在学习句子结构，让 AI 改写每一句话就会消除练习。如果他们分析一场战争的原因，有限的语法支持或许能让注意力保留在历史推理上。

这使得关于“使用 AI”的简单规则并不充分。同一个聊天机器人可以充当辅导员、编辑、答案引擎、翻译工具或代笔者。教育价值取决于互动方式，以及正在评估的能力。

一种有益的辅导流程可以先让学生尝试解题。系统随后识别第一个错误步骤，提供有限提示，并要求学生解释。只有在再次尝试之后，系统才展示完整示例。

这一流程保留了提取、错误识别、修改和解释。直接给出答案则一个也保留不了。

这并非纯理论问题。2025 年的一项尼日利亚试验评估了面向高中一年级学生的 AI 辅助辅导。该为期六周的项目在英语课上结合教师指导使用 Microsoft Copilot。

研究人员报告称，在涵盖与项目相关内容的评估中，学生成绩提升了 0.31 个标准差。这一结果表明，在结构化条件下，AI 可以支持学习。

但这并不能证明不受限制地使用聊天机器人会产生同样益处。该干预结合了技术、教师、固定课程时段、明确课程体系与引导活动。这些元素构成了围绕模型的教学约束体系。

这一积极证据使核心冲突更加清晰。选择并不是 AI 效率与传统纯粹性之间的对立，而是结构化辅助与无约束委托之间的区别。

学生也可以在完成困难任务后使用 AI。例如，学习者可以在没有辅助的情况下起草文章，将其与 AI 的批评意见进行比较，并决定接受哪些建议。学生仍需对论点和最终判断负责。

另一种设计则颠倒了顺序：聊天机器人先生成初稿，学生再修改措辞。这一流程或许能训练评估能力，却远少于形成原创论点的练习。

因此，顺序至关重要。“先用脑，再用 AI”要求在获得帮助前先进行一次独立尝试。它让教师能够了解学生当前的理解程度，也为比较人类与机器推理提供了基础。

这种方法类似于健康的第二大脑。外部工具应帮助人们提取和连接知识，而不应取代运用这些知识所需的判断力。

对于儿童而言，这种判断力仍在发展中。教育系统不能假定学生已具备它本应培养的技能。

为什么认知卸载并非简单的是非判断

当便利演变为依赖时，认知卸载会带来风险；但卸载本身是智能工作中正常的一部分。

人类一直都在使用外部记忆。记下约会可以减少记忆负担。地图能省去部分导航工作。电子表格可以完成手工计算中缓慢且容易出错的任务。

教育领域早已接受有选择的卸载。学生最终会使用计算器，因为高等数学不应被重复的算术运算束缚。作家会使用拼写检查工具，因为并非每一份文档都是拼写考试。

生成式 AI 扩大了可委托任务的范围。它如今可以检索信息、组织论点、解释概念、编写代码、整合来源，并模仿成熟的文风。这些任务与许多作业的核心要求更加接近。

一项 2025 年的儿童教育分析警告称，过度依赖可能导致智力技能退化。作者将生成式 AI 与元认知、即时满足感、毅力下降和认知卸载等风险联系起来。

文章提出，高中前不应允许在无人监督下使用生成式 AI，并建议学校在 14 岁前保持无 AI 环境。这些是作者提出的规范，而非科学共识或已被证实的安全阈值。

这一限定很重要。现有研究不足以支持这样的说法：特定次数的聊天机器人使用会造成发育伤害。研究人员尚未为不同年龄、背景和能力的学生确立普遍适用的安全使用剂量。

一套发表于 2025 年的年龄分层框架也明确指出了这一限制。其量化建议是由理论驱动的假设，而非固定的安全剂量。该框架呼吁开展纵向研究，以检验长期的认知和心理结果。

涉及成年人的证据同样需要谨慎解读。微软和卡内基梅隆大学的一项批判性思维研究调查了 319 名知识工作者，并收集了 936 个生成式 AI 使用案例。

对 AI 的信心越高，与之相关的批判性思维投入越少；对自身能力的信心越高，则与更积极的批判性参与相关。研究人员还发现，AI 将工作重心转向验证、整合回应和监督。

这并不能证明 AI 会削弱儿童的大脑。参与者是成年人，研究也依赖于自我报告的体验。但它确实提示了教育者应当审视的一种机制：当人们信任一个系统、又缺乏质疑它的理由时，投入的审查会更少。

儿童可能尤其容易受到影响，因为流畅的语言容易让人联想到权威。聊天机器人很少会像同学那样显得困惑。它可以用与准确答案相同的成熟语气，呈现虚构事实和薄弱推理。

验证本身需要知识。如果学生缺乏日期、背景和可信来源，就无法可靠地核查一项历史主张。如果他们没有掌握底层数学原理，也无法识别错误的证明。

这就产生了基础知识问题。AI 可以帮助新手在掌握评估所需知识之前，产出看似高级的成果。

不过，阻力也可能被设计得很糟。要求学生在没有反馈的情况下苦苦挣扎，可能会强化误解。过度困难可能带来脱离参与，而非韧性。重复性任务可能耗费时间，却无法建立可迁移的技能。

残障学生也可能面临与学习目标无关的障碍。语音识别、简化解释和文本转语音可以消除获取信息的门槛，同时保留有意义的挑战。

正确的回应不是最大化阻力，而是提供建设性的阻力：与正在培养的能力相关的难度，并配合及时反馈和适当支持。

Google AI 对学生的影响取决于产品设计

对 Google 和其他 AI 提供商而言，决定性问题在于：其教育产品是优化答案交付，还是优化学习者的参与活动。

Google 在这则故事中占据两个位置。Google News 分发了这篇评论文章，而 Google 的 Gemini 模型则在受到批评的教育市场中展开竞争。这种重叠使主要关键词具有关联性，但聚合分发与产品责任仍是两回事。

Google News 并未提出这一论点。它只是将读者引向出版商的观点页面。同样，通用的 Google 搜索结果与能够生成完整答案的 AI 导师也有所不同。

生成式系统通过界面选择影响学习。模型可以立即展示解法，也可以先提出一个诊断性问题。它可以表扬任何回答，也可以要求学生论证每一步。

它还可以让不确定性变得可见。引用、置信度提示、来源比较，以及核查主张的提示，都能在有益的时刻让用户放慢节奏。这种有意设置的阻力可以增强监督，而无需放弃 AI 辅助。

因此，学校应审视行为，而不是品牌。“AI 导师”这一标签几乎无法说明系统是否遵循了可靠的教学原则。产品评估应关注学生在获得帮助前、期间和之后做了什么。

以下几个问题可以揭示差异：

• 系统是否会在生成帮助前要求学生先自行尝试？

• 它是否会在给出完整解答前提供分阶段提示？

• 它是否要求学生用自己的话解释推理过程？

• 教师能否查看互动过程，而不仅是最终答案？

• 它能否在不悄然降低智力目标的前提下调整支持？

• 它能否区分无障碍辅助与代替完成任务？

• 学校能否按年龄、学科或作业限制功能？

这些问题同样适用于 OpenAI、Microsoft、Anthropic、Khan Academy 以及规模较小的教育供应商。没有任何提供商仅凭推出课堂版或管理后台就值得信任。

隐私又增加了一层问题。学生可能会在对话系统中输入个人细节、草稿、学校记录或敏感问题。学校需要明确的政策，涵盖数据保留、模型训练、家长告知和访问控制。

准确性仍然至关重要，但仅有准确性还不够。如果答案在学生尝试完成任务前就出现，即使完全正确，也可能损害学习。反之，一个不够准确的导师还可能因传授误解而带来额外风险。

公平性让情况更加复杂。资源更充足的学校或许能将 AI 工具与小班教学、受过培训的教师和精心设计的作业结合起来。资金不足的学校则可能把自动化系统当作人类关注的替代品。

因此，这项技术可能扩大获得辅导的机会，也可能成为削减人工支持的理由。结果取决于预算、人员配置决策、实施方式和问责机制。

The Daily Signal 的文章认为，机器无法爱一名学生。这一表述体现的是哲学立场，而不是可衡量的产品基准。不过，它确实指向了一个现实限制。

教师能够察觉挫败感、尴尬、家庭压力、同伴关系以及信心的变化。他们会决定何时推动、暂停、换一种说法，或放弃既定课程计划。聊天机器人可以模拟同理心，但模拟并不会产生对儿童发展的责任。

AI 系统可以扩展教师的选择。它们不应抹去教师的权威，也不应将教育变成儿童与不透明模型之间的私人交流。

家长、学校和开发者接下来应关注什么

下一阶段将由关于知识留存、产品保护措施，以及学校是否保留独立完成任务空间的证据来决定。

第一个信号是延迟学习数据。短期表现提升很有价值，但研究人员也应衡量数周后的知识留存。学生应面对与 AI 辅助练习中所用示例不同的迁移任务。

有力的结果应表明，学生在工具消失后依然能够保留知识并解决新问题。如果没有聊天机器人，表现就迅速崩塌，那么该系统很可能更多支持的是完成任务，而非真正学习。

第二个信号是产品行为。面向教育的助手应披露：它们是否要求先尝试、是否提供分阶段提示、是否记录推理过程，以及是否允许教师设定边界。与关于个性化的宣传说法相比，符合年龄特点的默认设置更重要。

应关注 Google、OpenAI、Microsoft 和教育平台是否将这些控制措施作为标准功能。如果完整答案仍是最容易获得的默认选项，建设性阻力的论点就会更有说服力。

第三个信号是评估方式的重新设计。学校需要能呈现过程、而不只是精美成果的作业。口头解释、课堂写作、草稿历史、来源核查和监督下的问题解决，都可以显示学生真正理解了什么。

这并不需要持续监控或不可靠的 AI 检测器。它需要在任务全过程中收集思考的证据。

家长也可以提出类似的具体问题。孩子是否先阅读原始材料？没有聊天机器人时，孩子能否解释答案？AI 是在挑战孩子，还是仅仅替孩子完成工作？

这些习惯与基础的知识管理理念一致。除非用户能够为了实际目的评估、连接和检索信息，否则捕捉信息的价值有限。

这则 Google News 报道归根结底是在警告人们：不要将产出误认为成长。一篇完成的文章、一道解出的方程，或一份整洁的演示文稿，都可能掩盖理解的缺失。

学校不必在永久抵制与无限制采用之间二选一。它们需要以证据为基础的边界，以保留独立尝试、人际关系和有意义的反馈。

最有用的问题也是最简单的：在 AI 提供帮助后，学生如今能独自完成哪些此前无法完成的事？

如果学校无法回答这个问题，更快地完成任务就不够。家长、教育工作者和开发者应要求系统让学生变得更有能力，而不只是更高效。