AI 写作业：作业分数上涨，考试成绩下滑，重新思考 AI 时代的教育目标

步步糕升

      一项覆盖两万六千多名国内中学生的追踪研究，抛出一个极具冲击力的现实现象：学生使用生成式 AI 完成课后作业，作业平均分提升 18%，写作业耗时缩短 30%，但半年之后月考成绩下降 20%，两年之后升学考试成绩最高下跌 24%36氪。这一现象被学界命名为 “生成式 AI 学习惩罚”。
      这组数据也成为《纽约时报》访谈中主持人向黄仁勋抛出的核心议题，由此引出关于 “抽象层上移” 的教育思辨，同时也引发教育界巨大争论：AI 到底是毁掉下一代的元凶，还是教育升级的工具？

一、读懂 “AI 学习惩罚”：作业好看不等于学会知识

CEPR 发布的论文《生成式人工智能的学习惩罚：来自中国中等教育的证据》，追踪国内某县 26811 名 7‑12 年级学生长达 30 个月，覆盖九门学科的作业、月考、统考、升学考试数据科普中国。
研究区分了两类 AI 使用者：

• 作业外包型（占绝大多数 AI 使用者）：直接把习题、题目丢给 AI，复制 AI 输出作为作业提交。作业看起来正确率很高，但是学生跳过了审题、推导、试错的训练过程。作业的训练价值被掏空，知识没有内化到大脑，闭卷考试的时候就暴露短板，成绩出现明显滑坡。
• 辅助思考型：使用 AI 用来启发思路、解释难点，但依旧独立完成解题过程，保持正常作业时长。这部分学生的成绩损失非常微小。
  

核心结论：伤害学习效果的不是 AI 工具本身，而是把 AI 直接当成替身，完整外包思考过程。作业只是交出去一份漂亮答案，但学生没有完成思维训练。

很多人看到数据第一反应是：AI 会废掉孩子，基本功会彻底消失。但回顾技术发展史，计算器普及时代，社会同样大批担忧学生算数能力退化；计算机刚兴起时，也出现过 “人不再背诵记忆，智力下降” 的论调。每一次新工具诞生，都会出现 “下一代要退化” 的焦虑。
二、黄仁勋的观点：技术进化带来 “抽象层上移”

在与 Ezra Klein 的两小时访谈当中，面对这一组成绩数据，黄仁勋提出 “抽象层上移” 的工程视角。他以芯片行业举例：早年芯片仅有两百多个晶体管，工程师可以熟记每一个晶体管位置与功能。如今一块 GPU 拥有上百亿晶体管，工程师不再需要掌握每一个底层元器件细节，工作重心升级为模块调度、系统设计，做更高维度的系统思考。
编程领域同理：早期程序员需要手写底层机器指令；现在可以用自然语言向 AI 描述需求，由 AI 完成底层代码编写。人的工作不再是逐行敲语法，而是拆解复杂问题、明确目标、甄别 AI 输出的对错、评估风险。
放到教育场景：长除法、手动开平方、机械记忆背诵，这类底层任务可以交给工具。但这不代表基础完全不需要学，而是人类的认知重心向上迁移。我们不再比拼手工完成底层步骤的速度，转而比拼更高阶的能力：提出好问题、设计方案、辨别错误、整合信息、创造性输出。
这番观点也引发大量争议。不少批评声音认为：底层基本功是高阶思考的地基，底层完全放弃，高层系统思考只会成为空中楼阁。这也恰恰是当下教育矛盾的核心。
三、矛盾根源：评价体系还停留在前 AI 时代

传统考试大量考察的是：记忆知识点、手动计算、默写文本、完成标准化解题步骤。而这些任务恰恰是 AI 擅长的领域。于是就出现了悖论：学生用 AI 可以轻松交出满分作业，但是闭卷考试，无法调用 AI，需要依靠自己大脑完成全部过程，成绩就出现断崖下跌。
打一个通俗比方：赛跑时代大家比拼跑步速度，汽车出现之后，如果考核标准依旧是人类跑步快慢，那么会得出结论：汽车让人跑得更慢。但问题不一定出在人，而是考核标准没有适配工具时代。
当然这并不代表要全盘否定现有考试体系。现实困境在于：现在的教育本质是排位筛选机制。当所有人都可以借助 AI 快速完成任务，旧的分数标尺被抹平，新的评价标准还没有完全建立。过去比拼谁刷题更多、记忆更牢；未来需要重新定义什么才算 “基本功”：

• 旧基本功：背诵、手工运算、抄写默写；
• 新基本功：提问能力、批判性校验、问题拆解、甄别 AI 幻觉、整合创造。
  

注意：抽象层上移不等于彻底抛弃底层训练。完全跳过推导、计算训练，学生很难拥有辨别 AI 对错的判断力。底层训练依旧有价值，但训练的目标不再只是算出答案，而是理解背后逻辑。

四、现实启示：AI 可以做助手，绝对不能直接当替身

对于学生

区分两种用法：❌错误用法：直接把题目全部丢给 AI，复制粘贴答案上交，把 AI 当成作业替身，这就会触发 “学习惩罚”。✅正确用法：遇到卡住的题目，让 AI 解释思路、讲解难点、提供多种解题角度，自己独立完成推导和作答，最后用 AI 来复盘检查错误。AI 用来拓展思路，而不是代替思考。
对于家长与老师

• 作业设计需要迭代：减少单纯机械刷题，增加思辨、项目式、开放性任务，这类任务 AI 很难直接给出完美标准答案，更能考察真实思维。
• 不要一味禁止 AI，也不要放任完全依赖 AI。重点管控 “全盘外包” 行为，引导学生把 AI 作为启发工具。
• 重视闭卷测试的价值：闭卷考试依旧可以检验知识是否真正内化，弥补 AI 作业带来的 “虚假高分”。
  

对于教育行业

AI 时代的教育改革要面对双重命题：既要保留必要的底层训练，又要逐步增加高阶能力考察。完全排斥 AI 或者完全放任 AI，都是极端路线。
常见认知误区澄清

• 误区：研究证明只要用 AI 写作业，成绩就一定会变差纠正：成绩下滑集中发生在全盘外包作业的学生。把 AI 当作思路辅助工具，独立完成思考的学生，成绩损失很小，工具本身不分善恶，取决于使用方式。
• 误区：黄仁勋认为基础数学、计算完全不需要学习纠正：他的核心观点是人类的思考重心向上迁移，并非全盘否定底层知识；底层训练可以减少机械重复，但逻辑理解依旧重要。
• 误区：AI 来了，传统考试就可以全部废除纠正：闭卷考试依然是检验知识内化非常有效的手段，需要优化考察方向，而不是直接取消。
• 误区：作业分数高，就代表学生已经掌握知识点纠正：AI 可以产出高质量答案，但无法把思考过程移植进人脑，作业分数存在 “虚高” 可能性。
  

结语

AI 带来的 “作业高分，考试滑坡” 现象，不只是学生自律问题，它抛出整个教育行业必须回答的命题：在 AI 工具普及的时代，我们到底要教会孩子什么。
回顾历史，计算器没有废掉数学，互联网也没有废掉阅读。工具会替代重复机械任务，但不会替代人的思考。AI 可以作为强大的学习助手，但一旦我们把思考完整外包出去，就要承担对应的 “学习惩罚”。
未来的教育，不是比拼谁能避开 AI，而是学会如何驾驭 AI：底层逻辑不能完全丢掉，同时把能力向提问、辨析、判断、创造更高维度迁移。