第11章　AI把选种做得更好以后

一、同一份好报告，可以来自不同的学习过程

让我们把林越的通行报告放回桌上。这一次先不看文字是否精彩，而看其中三项决定是谁作出的：为什么把平均用时放在首位，哪些人的需要进入了比较，出现冲突时凭什么修改方案。报告可以把这些决定写得清清楚楚，但文字清楚，并不等于林越参与了决定。他可能亲自比较过，也可能认可了人工智能给出的完整解释。

这两种过程都可能得到有用的报告。在真实工作中，由工具承担一部分工作并不天然构成问题；教育却还要说明，本次原本希望谁形成什么。如果目标只是让学校获得可讨论的路线草案，就应主要审查草案质量及其责任；如果目标还包括林越学会组织不同需求，就不能只把同一份草案再次拿来充当学习证明。

为了分清这种差别，本章提出四种作用方式：精准选种、任务代做、探索支持、共同造种。这是对过程功能的区分，不是给软件分等级，也不是每个学生必须依次登上的四级台阶。同一次活动里，它们可以同时存在。关键是到了某个决定性位置，工具究竟替代了什么、支持了什么，以及学习者本人接着做了什么。

二、精准选种：把合适的材料放到合适的位置

设想林越不理解某种图表，人工智能根据他的回答，换用熟悉的路线例子解释，再提供适当练习。若这样的安排帮助他掌握了概念，它就实现了一项真实的教育价值。我们没有理由因为材料来自现成知识，就说这种学习低等。共同基础之所以能够成为共同基础，恰恰需要许多人借助不同入口进入它。

精准选种的工作，是在已有材料和路径中改善选择，也可以调整顺序、解释方式与练习节奏。这里所谓现成，不要求每句话早已写在某本书里；工具即时改写一个例子，仍可能只是在执行既定的匹配目标。判断依据不是文字生成的时间，而是问题及目标有没有发生实质变化，侧重的组织是否进入了研究对象。

因此，即使匹配非常成功，我们也应先作有限判断：这项支持改善了这次进入知识的条件，或者帮助形成了某项熟练。要进一步说我材重组，还需要另外的过程与后续证据。把已有学习价值承认清楚，才能避免为证明新典范而贬低一切基础教学，也才能避免拿基础教学的成功替新命题作证。

三、任务代做：被省去的究竟是哪一种工作

同样是请人工智能整理材料，意义可以完全不同。当本次学习关注如何判断证据，自动整理已经核实的访问记录，可能让学生把精力放在比较理由上；但如果工具同时替他决定哪些声音可靠、哪些需要不重要、哪些冲突值得保留，学生就可能连本来要学习的判断也一并交了出去。界线不在是否按过按钮，而在目标所指向的活动是否仍然由他参与。

反过来，不能把所有省力都视为逃避学习。辅助阅读、转写和表达支持，可以成为参与较复杂问题的条件。要求学生先独立完成一切低层操作，才允许接触真正有意义的问题，也可能把可用机会再次关上。需要保护的是本次应当形成的关键判断，不是人为保留所有麻烦，更不是用辛苦程度替代学习证据。

许老师于是可以问得更具体：“这一次，资料排版可以交给工具。把哪一条冲突放进最后的方案，你需要说明自己的理由。”这种分工没有把人工智能赶出课堂，也没有宣布学生的每一句话必须完全原创。它让哪些工作可以委托、哪些责任需要亲自承担变得可见，并使后续评价有一个明确对象。

四、探索支持：选项增多以后，谁在组织差异

人工智能若给林越列出许多可能的使用者，报告中的差异很快就会变得丰富。然而，名单上的人数增加，不等于这些人的处境已经影响了问题。林越仍可能从中挑出几个容易纳入原方案的例子，把其余内容留在附录里。工具已经扩大了材料范围，但原来的组织次序可能没有改变：先确定统一答案，再处理不够整齐的部分。

探索支持真正值得观察的位置，是新材料怎样进入选择。例如，一条意见究竟只是要求修正通行时间的估计，还是使原先“越快越好”的目标需要重新讨论？两种情况应采取不同做法。前者可能需要补充资料，后者则涉及目标的组织。把所有分歧都变成再生成几个方案，可能只使问题更拥挤，没有使判断更清楚。

这里也存在必要的限度。学习者不必审查工具列出的每一种假设，更不能把机器想象的使用者处境冒充真实访问结果。他可以与教师确定本轮优先核实什么、暂缓什么，并说明遗漏的风险。探索支持应使差异能够被追踪地筛选，而不是让无穷选项成为一种新的服从：因为机器列得多，我就必须全部回应。

五、共同造种：互动改变了下一步怎样被设计

共同造种首先要求，学习者的回应能够改变接下来的问题—路径—反馈序列。假如林越把所有冲突都理解成数据不足，许老师与工具就需要区分事实估计不同与价值要求不同；假如他其实已经看见两者的区别，却不知道怎样让多种要求共同进入方案，下一步便不应继续停留在辨认冲突。种子的形状应当与这个真实断点相连。

这种改变不是只把学生的名字放进提示词。一个句式非常私人化的任务，仍可能对任何人执行同一套程序。相反，一份使用公共材料的序列，如果其关键问题、进入次序和反馈分支确实针对这个人的侧重组织而生成，就可以成为候选种子。但候选仍然是候选；它是否专属、是否改变土壤，不能由设计者给它起的名字决定。

共同造种也不要求学生独自发明整套方法。教师可以提供结构，工具可以提出分支，学生可以指出哪一步误解了自己，并对准备承担的尝试作出选择。共同的意义在于各方回应能够实质改变设计，而不是把一份已完成的方案交给学生签字。至于新的能力最终发生在哪里，还要留到第三部作更严格的归属区分。

六、两项研究提醒我们，不要把AI当成单一处理

有关人工智能与学习的经验研究，为上述区分提供了相邻问题的证据，而不是本书九格理论的验证。Bastani等人在高中数学场景的实验中发现，辅助练习时的表现改善，可能与随后撤去工具时的较差表现同时出现；加入教师设计的提示等保护安排后，负面影响得到缓解。这里应当注意，缓解负面影响不等于已经证明独立学习收益高于对照条件。[R11]

另一方面，Kestin等人在大学物理教学的随机对照研究中，报告了特定设计的AI辅导相对于课堂主动学习的较好学习结果。其系统不是任意开启的聊天窗口，而包含教学设计、组织好的任务过程与教师提供的解题材料；研究所检验的是特定内容和教学安排，不能扩张成所有课程、所有能力上AI必然更好。[R12]

两项研究不应被各取一句，分别用来证明“AI必然伤害学习”或者“AI必然提高学习”。它们的任务、对象、设计和评价不同。本书从中提取的方法要求是：交代工具怎样介入，分别观察辅助中的产出和目标能力的表现。两项研究都没有直接测量这里定义的九格侧重，也没有完成本书提出的撤去AI满四周和种子专属性检验。

这还意味着，不能把研究中某一版本与某一设置的结果直接套到另一套工具上。新的工具可能改变支持方式，也可能仍保留原来的任务替代关系。比较时应说明究竟保留了哪项功能、改变了哪项条件，而不是只比较它们是否都被叫作AI。

七、应当保存的是决定怎样发生，而不只是聊天有多长

为了追踪四种作用，过程记录需要抓住少数关键决定。原问题是什么，哪个回应使问题改变，谁提出改变，后来依据什么保留或撤回？有时一段很短的交流已经改变了目标；有时很长的对话只是反复修饰同一个答案。因而，不能把对话轮数、输入字数或者调用次数直接当成学习深度。

记录工具条件同样重要。使用的模型与版本、任务材料、保留的记忆、系统指令以及教师介入，都可能成为解释过程所需的条件。这里提出的是研究与设计记录的要求，不是说必须让普通学生填写复杂技术日志。平台可以保存必要的技术信息，学习者主要标注对自己有意义的转折，并保留拒绝不必要私人记录的空间。

尤其要防止事后把所有好结果都归到最动听的环节。若关键问题其实由许老师直接提出，而工具只是整理文字，就不能写成人工智能独立促成了问题生成；若学生只在教师持续追问下才保留分歧，也不能凭一次完整报告宣称他已经形成稳定侧重。记录的作用，是限制归因的自由，而不是使成功故事显得更丰富。

八、没有必要把每一次学习都升级成造种

林越有时只需要查明一个概念，有时需要快速处理格式，有时准备探索一项真实困难。教育没有必要把这些需求全部改造成关于自我的深度项目。若每一次求助都要求学生描述土壤、设计种子、反省侧重，他可能还没进入问题，就先被程序压住。发生不能以侵占所有日常学习为代价。

四种作用方式可以形成有理由的配合：用精准匹配补足进入条件，把不属于本轮目标的操作委托给工具，以探索支持扩大可考虑的差异，在反复出现的关键断点上尝试共同造种。选择的理由应来自任务与人的具体关系，不来自越复杂越先进的想象。一个安排解决了适当的问题，就不必冒领更高层次的名称。

这也使失败能够被分清。某次候选种子没有改变侧重，却帮助学生理解了一个重要概念，应当保留概念学习的价值，同时撤回相应的发生主张；某次没有形成可交付种子，却暴露了原先任务设计的错误，也可以成为下一轮修订资料。诚实地区分所得，比把所有结果都写成成功更有利于持续推进。

九、从工具能力的增长，回到教育问题的改变

AI可以把选种做得更细，却不会仅凭细致就回答教育究竟希望发生什么。当林越获得一份更合适的材料、一条更顺畅的路线，或者一个更完整的答案时，我们仍然需要问：这些变化主要发生在给他的供给中，还是也进入了他组织问题的方式？供给的改善很重要，但它与人的改变不是同一件事。

此时已经不必在传统教学与AI之间选边。教育需要同时交代作品如何完成，以及学习者怎样参与决定下一步。把这种要求写成一份可以被试用、可以被修订的序列，“为我造种”才从比喻进入设计。

带走的话工具替我完成了什么，与它支持我形成了什么，需要分别说明。