Barbara Oakley：让 AI 支持学习，而不是替代学习

Barbara Oakley 询问：当人们经常将思考外包给生成式 AI 时，学习会发生什么？她介绍了一个近期论坛，神经科学家、认知心理学家和教育科技专家共同讨论认知外包。

Oakley 从小喜欢动物和手工，却不喜欢数学与科学。由于付不起大学费用，她参军学习俄语，后来在白令海的苏联拖网渔船上工作。她还在南极站认识了丈夫。

26 岁离开军队后，她从补习代数开始，逐渐爱上数学、科学和计算。她成为工程学教授，并对神经科学能如何解释学习与 AI 产生兴趣。

Oakley 回顾了 2017 年的 Transformer 论文，并说 AI 研究与神经科学长期相互交流。她建议从两个方向使用这种比较：既思考 AI，也思考人类如何学习。

她用卡通外星人说明神经元：腿代表树突，脚趾代表树突棘，手臂代表轴突。信号在细胞之间传递；她将学习描述为通过练习建立并加强连接。

Oakley 认为，储存在长期记忆中的知识帮助人判断 AI 输出。她举了不合理的算术结果，以及一位不熟悉惊悚小说的作者觉得满意的低质量 AI 辅助作品为例。

她区分了两条学习路径：涉及工作记忆和海马体的有意识陈述性学习，以及涉及基底神经节的自动习惯性学习。在她的说明中，前者可见于逐步解数学题，后者可用练习棒球挥棒来说明。

Oakley 将两者比作慢思考和快思考。她说，反复练习会改变技能相关连接的强度，即使学习者无法有意识地描述动作是如何学会的。

她也将自动化路径与母语学习和专家模式识别联系起来。她提出，随着年龄增长，人们学习另一种语言时可能更依赖有意识的学习，然后再通过练习使其自动化。

Oakley 将有权重的神经连接与机器学习作类比。她将模型中的顿悟现象描述为持续训练后，模型转而识别较简单的底层模式，并能推广到未见过的例子。

她提出一种可能性：海马体中或许存在类似过程，经过练习的知识可以转移到更自动化的系统中。她将其作为思考直觉和专业能力形成的一种方式。

谈到衰老时，Oakley 讨论了大脑活动的变化，并引用一项老年人电子游戏训练研究。她展示脑部图像，认为某些训练可能有助于认知表现；她还提到正在开发动作游戏之外的替代方案。

Oakley 转向工作记忆和 Anthropic 的一项可解释性研究。她描述了模型中被称为 J-space 的狭窄表征和更小的工作区，同时承认把模型处理过程比作感觉和运动功能带有拟人化色彩。

她用“不要想大象”的提示词说明研究者如何检查中间表征。她说该工作区可容纳四到六个信息块，并提出物理几何限制可能解释类似容量上限；她将这一解释作为可能性提出。

Oakley 说，移除识别出的模型表征可能损害推断能力，同时保留流畅输出。她将提出的工作区与一个人类记忆模型比较：被激活的长期记忆为较小的注意焦点提供内容。

按照她的描述，学习会在注意焦点中组合已知信息块，并储存新的连接以供后续练习。她认为，如果一个人把任务完全外包给 AI，可能错过自己建立和连接知识的机会。

她的实际建议是：让 AI 完成工作时暂停一下，检查自己是否理解，并让模型向自己提问。她说这样有助于发展判断和使用结果所需的专业能力。

Oakley 指出国际测试成绩下降，并讨论弗林效应。她认为，倾向于随时查阅而不是记住内容的教育观念，可能削弱批判性思维所需的知识基础。

她转向多巴胺和好奇心，将多巴胺描述为参与学习和奖励预期的物质。在她的说明中，好奇心使人持续努力解决问题，解决后的满足感有助于强化所学内容。

为了让材料与学习者相关，她介绍了如何请 ChatGPT 为熟悉蒙古放牧和蒙古包的学生提供 Python 教学思路。这些类比将新的编程概念与熟悉的经历连接起来。

Oakley 将问题比作地图上的方向：它能缩小大量可能连接构成的搜索空间。她说，即使最终灵感让学习者觉得是自己发现的，指导也可能帮助其找到答案。

她建议让 AI 导师提问，但认为探究和记忆都有用武之地。飞行员需要掌握既定程序，语言学习者需要词汇；与此同时，问题也可以帮助人们形成理解。

她提到记忆宫殿训练，并说目标是积累足够知识，以便独立解决困难问题。AI 可以提出陌生的想法，但她认为学习者需要相关基础，才能创造性地使用这些想法。

最后，Oakley 介绍她对海马体新神经元与学习的看法，认为持续学习可能有助于学习能力和情绪。她鼓励听众花时间理解和练习，而不是总把工作交出去。