开场：一场教育实验的意外结果
2025 年秋季学期，加州大学某分校的数学系做了一个实验：将 200 名微积分入门课程的学生随机分为两组。
对照组（100 人）： 传统教学——讲座+习题课+助教答疑。
实验组（100 人）： 传统教学 + AI 数学辅导工具（GPT-5 定制版，可随时提问、要求讲解、请求分步指导）。
学期结束时，实验组的期末考试成绩平均比对照组高 23%（87 分 vs 71 分）。实验组学生的满意度评分也显著更高——“AI 助手 24 小时在线，比助教还耐心。”
但实验组在随后的"独立解题测试"（不允许使用 AI）中，表现比对照组低了 12%。
这个"反弹效应"让教育研究者们深感不安。AI 确实帮助学生学会了数学——但可能不是他们以为的那种"学会"。
23% 的提升是怎么来的？
实验组学生使用 AI 的方式，大致可以分为三类：
第一类：“讲解员"型（约 40%）。 学生遇到不懂的概念时，向 AI 提问"什么是极限的 epsilon-delta 定义？"，AI 用不同方式解释，直到学生理解。这些学生使用 AI 的方式最接近"理想学习”。
第二类：“参考答案"型（约 35%）。 学生做作业时，遇到不会的题，直接把题目输入 AI，获取完整的解答步骤，然后照着写。这些学生只看答案，不思考过程。
第三类：“快捷方式"型（约 25%）。 学生把整个作业交给 AI，复制粘贴答案，连看都不看。这些学生基本上是在作弊。
期末考试时，所有人都不能使用 AI。 第一类学生的成绩提升最大（+35%），第二类学生有小幅提升（+12%），第三类学生几乎没有提升（+3%），少数人甚至下降了。
但关键问题是：即使是第一类学生，在独立解题测试中也退步了。 为什么？
“脚手架效应”：AI 让学生丧失了"挣扎"的能力
教育心理学中有一个概念叫"脚手架效应”（Scaffolding）：在学习初期，提供适当的支持（脚手架），帮助学生完成任务。随着学生能力提升，逐步撤除脚手架。
AI 的问题在于，它提供了"永不撤除的脚手架”。
在传统学习中，当你遇到一道难题时，你会经历一个"生产性挣扎"（productive struggle）的过程。你尝试不同的方法，失败，调整，再尝试，再失败，最终找到答案。这个"挣扎"的过程，是数学思维生长的关键。
有了 AI，你不再需要挣扎。 卡住了就复制粘贴，AI 立即给你答案。你感觉自己在"学习"——你确实看懂了解答——但你没有经历"从不知道到知道"的思维过程。你看懂了答案，但你没有学会"产生答案"的能力。
这就是为什么实验组学生在独立解题测试中表现更差：他们的大脑习惯了"有 API 调用"的模式，当 API 被切断时，大脑不知道如何独立工作。
一个具体例子：泰勒展开
泰勒展开是微积分中的重要概念。传统教学中，学生需要经历以下过程：
- 理解多项式近似的思想
- 自己推导 sin(x) 的泰勒展开到 3 阶
- 遇到"为什么余项是那个形式"的困惑
- 查阅教材，和同学讨论，最终理解
- 做 10 道练习，巩固理解
整个过程需要 4-6 小时，包含大量的"挣扎"。
AI 辅助下，学生的过程是：
- 看教材，不理解
- 问 AI：“泰勒展开是什么？”
- AI 给出清晰的解释和例子
- 学生：“懂了”
- 做作业，卡住，问 AI，AI 给出答案
- 学生：“完成了”
整个过程需要 1-2 小时，几乎没有"挣扎"。
两个月后，AI 辅助的学生能正确默写泰勒展开公式，但让他解释"为什么泰勒展开有效"，他说不出来。 传统学生虽然花了更多时间，但他们对泰勒展开的"理解深度"更高。
教育研究者提出的解决方案
2026 年，教育 AI 领域开始讨论"不伤害学习的 AI"设计原则：
原则一：AI 不直接给答案。 当学生问"这道题怎么做"时，AI 应该给出提示和引导，而不是完整解答。类似苏格拉底提问法——AI 反问学生问题，引导学生自己找到答案。
原则二：AI 强制"冷却期"。 学生不能在问 AI 后立即获得答案。AI 可以设定一个"思考时间"——“你先自己尝试 15 分钟，如果还是不会，再回来问我。”
原则三：AI 要求学生"解释回去"。 学生看完 AI 的解答后，AI 要求学生用自己的话解释一遍解题思路。如果学生解释不清楚，AI 可以追问。
原则四：AI 记录"依赖度"。 系统追踪每个学生提问的频率和类型。如果某个学生过度依赖 AI（比如每道题都问），系统会提醒教师介入。
结尾：AI 是学习工具，不是学习替代品
AI 数学辅导工具是一把双刃剑。用得好，它是 24 小时在线的苏格拉底——耐心、博学、不知疲倦。用得不好，它是 24 小时在线的作弊器——让你感觉自己在学习，实际上在绕开学习。
23% 的成绩提升和 12% 的独立解题能力下降，是一枚硬币的两面。 这枚硬币的价值，取决于你用它来做什么。
给所有用 AI 学数学的人一个建议：每次你想问 AI 答案之前，先自己尝试 15 分钟。 那 15 分钟的"挣扎"，才是真正的学习。
推荐阅读：加州大学微积分 AI 辅助教学实验 (2025)；教育心理学"生产性挣扎"综述 (2024)；AI 教育工具设计原则 (2026)