Nicholas Carr 是我的偶像。
他是著名作家，技术哲学家、思想家，长期致力于研究科技对人类的影响。
15年前，他的那本入围普利策奖的大作《浅薄：互联网如何影响我们的大脑》（The Shallows: What the Internet Is Doing to Our Brains），是我最喜欢的著作，已被翻译成二十五种以上的语言。
2010年首次出版，一经问世便荣登 《纽约时报》畅销书榜，如今更被誉为“现代经典”，至今仍是探讨互联网对我们思想和认知影响的经典之作。
该书第二版于2020年出版，新增一章内容。Carr 的新书，2025年初出版的《超级绽放：连接技术如何撕裂我们》（Superbloom: How Technologies of Connection Tear Us Apart），试图将社交媒体现象置于更广阔的背景下进行探讨，这一背景涵盖了通信技术的发展史，以及媒介传播如何影响人类心理和人际关系的心理学和社会学证据。
Nicholas Carr 是著名博客，曾经营自己的博客Rough Type（roughtype.com）二十年。两年前转战Substack，开始经营更新名为“新制图”（New Cartographies）自媒体。
他的那本《乌托邦令人毛骨悚然》（Utopia Is Creepy，2016年出版）收录了他过去十二年来的最佳散文、博客文章和其他作品。
不过，今天，我想跟您分享的，
不是他的新书（因为我也没读过），我想跟您分享他的一篇博客文章。
2025 年 5 月27日，在New Cartographies上，Nicholas Carr 发表了一篇题为《自动学习的神话：人工智能对教育的真正威胁》（The Myth of Automated Learning：AI’s real threat to education）的文章。
文章中提出一个明确观点：
真正威胁教育的不是学生“用 AI 作弊写论文”，而是 AI 技术对学习过程本身的破坏 —— 让学习从认知实践变成了自动化产出。
文章认为，目前关于人工智能与学习的讨论太过关注作弊和检测，而忽视了一个更根本的问题：如果学习活动本身被自动化机器代替，那么，学习就被剥夺了内在价值。
Carr 将这种现象称为 “自动化学习的神话” （The Myth of Automated Learning）—— 假设通过自动化生成内容就能实现学习。
这不仅是一个关于学术诚信的问题，更是一场认知的“特洛伊木马”危机。
或许，我们正在目睹人类有史以来智力上最脆弱的一代人的诞生：
当工具旨在让我们“变聪明”时，它是否正从本质上瓦解我们学习的能力？
在文章开头，卡尔就指出，
“首先必须认识到生成式人工智能是一种自动化技术。” 在本质上是用机器来做原本人类会做的事情。 就目前而言，人工智能所做的事情在人类社会中早已存在。
Carr 从工程学和人因研究中引用了关于“自动化对技能影响”的基本结论：
当人们将可由自身完成的任务交给机器时，可能出现三种情形：
1. 技能增强：如果学习者已有较高水平，机器可以承担重复性低级任务，使人腾出精力做更复杂的思考与创造。例如熟练数学家用计算器进行繁复计算，可使其专注于推理。
2. 技能退化：如果技能需要靠反复实践维持，则过度依赖自动化会让人丧失能力。例如飞行员长期让自动驾驶控制飞机，手动飞行能力可能退化。
3. 技能从未发展：最令人担忧的情况是：在学习者还未掌握技能之前就把任务自动化。就像工业革命中工匠变成装配线操作工一样，他们失去了学习和掌握核心技能的机会。
Carr 将这种技能退化/未发展模式与当代教育中的 AI 使用联系起来，认为学生在写作等学习任务上已经进入第三种模式 —— “永不发展”。
Carr认为，学习是一种“必须由学习者亲自承担的认知劳动”，一个由内部心理过程构成的实践过程，学习从来都不是一种可以外包的生产流程。
正如伟大的教育理论家赫伯特·西蒙（Herbert Simon）曾经指出的那样，“学习源于学生的所作所为和所思所想，而且只能源于学生的所作所为和所思所想。”（“Learning results from what the student does and thinks，and only as a result of what the student does and thinks.”）
在数字时代的教育语境下，我们常犯的一个错误是过度关注“产物”。
学习不是写出论文、做出产品这种可衡量的产物；论文只是一个指标、一个授课者用来评估学习过程成功与否的“代理物”，但不是学习本身。
写作文的真正价值不在于最终的“论文”，真正有价值的是那场被学生视为“苦差事”的过程：批判性地阅读原始材料、在海量证据中进行合成、反复推敲论点、并最终通过逻辑严密的文字，用语言清晰表达思想，将思想视觉化。
这意味着评估学习不能只看结果物，而要看主体是否真正在认知和理解中成长。
Carr 认为，AI 强调的是产出（产品）而非实践（过程），这导致三个严重后果：可以输出但不理解内容；评分/评价不再真实反映学习；逆转学习成果：表面好看、实质无知。
文章进一步指出 AI 的影响不仅仅是学习过程管理的问题，还从更深层削弱学习者对知识的掌控：AI 让学习者失去思考与表达训练；产生认知依赖而非掌控。
人工智能常常造成的是学习的假象。
学生或许能借助聊天机器人写出比自己独立完成更好的论文，但最终学到的东西却更少。
人工智能第一次允许学生绕过这一过程直奔结果，让学生“完全不参与认知劳动，却获得高质量学习产物”成为常态化可能，这在本质上是对学习的颠覆。
在过去这几年，随着大语言模型的快速流行，在人工智能教育应用领域流行一种论调：写好提示词（Prompt）是未来唯一的技能。
然而，这恰恰是一个逻辑悖论。
正如历史教授 Timothy Burke 所指出的，要高效、准确地部署 AI，前提是使用者必须本身具备深厚的背景知识。（The most useful deployment of current and near-future generative AI in research and expression absolutely requires that you already know a great deal）
如果你不了解某个领域的上下文，你根本无法判断 AI 给出的答案是深刻的洞见还是平庸的臆造。
过度依赖 AI 正在“短路”人类获取知识的路径，从而让人失去了有效使用 AI 的基本素养（“is brutally short-circuiting the processes by which people gain enough knowledge and expressive proficiency to be able to use the potential of generative AI correctly.”）
这是一种讽刺的循环：为了走捷径而放弃学习，最终却发现自己因为缺乏知识，连捷径也走不通。
人工智能教育应用的长期风险主要体现在：学习能力的整体退化；对复杂思维的回避文化；教育制度评估指标进一步偏重结果而非过程；学生对 AI 技术本身的理解也受到阻碍。
在文章最后，Carr 提出一个极具洞察力的结论：
我们真正应该担忧的不是 AI 如何让学生作弊，而是 AI 如何“欺骗学生让他们相信他们在学习”。
Carr 认为称人工智能为“教育进步”是一个认知误区。
真实的学习需要挑战、错误、反思，而这些恰恰是自动化无法提供的。
AI 可能成为辅助工具，但决定性不是产出，而是学习者是否经历学习的认知过程。
当然，在自留地君看来，这不是一篇“反 AI”文章，而是一篇“反学习幻觉”的文章。这篇文章的靶心并不是 AI 技术本身，而是“把自动化等同于学习”的认知错误。
这篇文章的思想锋芒，并不在“AI 会不会取代教师”，而在于：当教育制度长期依赖“可交付成果”作为学习代理时，AI 会让这一制度的认知漏洞彻底暴露。他真正击中的，是“教育评价体系”的软肋。
Nicholas Carr 并非否定人工智能教育教育中应用的价值，他只是反对把人工智能简化为“提高效率”或“自动答案生成工具”。
他主张将人工智能视为辅助理解的工具，提高写作与研究技能的训练伙伴，帮助发现概念盲点的反馈系统。
这篇文章提醒广大教育工作者、教育政策制定者，以及所有的学习者，如果我们把 AI 当成“完成任务的替身”，就会失去教育的核心价值 —— 主动思考、问题解决和终身学习能力的培养。
文章留给我们每一个人重大的思考题就是：
当知识的获取不再需要任何“挣扎”和努力的时候，
当我们在学习过程中只是边浅尝辄止而拒绝深潜的时候，
我们还能称自己为那个拥有智慧、能够独立思考的物种吗？
2019年1月25日