出发去开会之前，我在手机上连着刷到好几篇标题很响的文章。大意都差不多：某某研究发现，学生用了 AI 之后作业写得漂亮，考试成绩却掉了两成多，于是我们正在批量生产”虚假学霸”。这类文章的结构极其稳定——先给一个惊人的数字，再给一个道德判断，中间那段本该讲道理的地方，通常是空的。
我不喜欢这个论证，但不是因为它的结论。恰恰相反，它想说的那件事是真的。我不喜欢的是它推理的方式：学生用 AI，平时作业变好，传统考试成绩下降，所以他们没有真学会。这里面藏着一个没人肯拿出来看的前提——凭什么默认那张原来的卷子，仍然能定义什么叫”真学会”？
这个问题不是我想出来的。我是带着它去的维也纳，回来的时候发现，整个会场都在问它。
议程换了骨头
我两年前来过一次同一个会。那时候大家聊的是教学实践：AI 怎么进课堂，哪个工具值那笔授权费，学生会不会拿它作弊。今年再来，能称得上要紧的场次，几乎全在讲评估。
先说清楚：我只是一个人在一个会上的印象，会议主题本身就有筛选，我今年投的稿没被接，做评估方向的同事被接了——这是样本量为一的证据，我知道它值多少钱。但那个印象背后有个论证，论证本身是站得住的。
论证是这样的：课程当然可以鼓励创新，老师当然可以在课堂里放开手试。但只要考试仍然奖励旧的能力、旧的行为、旧的学习策略，整个系统最后都会被悄悄拽回原处。评估不是链条的最后一环，它是定义”什么算能力”的那一环，上游的一切——培养目标怎么写、课怎么上、学生实际怎么学、老师盯什么——都会朝它弯过去。
所以真要让教育适应 AI，第一块必须动的骨牌可能就是它。
不过同一场会上还有一张幻灯片，上面只写了四个词：痴迷于产出。它跟上面那段话是对着的，也该有同等的分量。如果教育完全围着”可测量”来设计，学习就会被压扁成能塞进评分表的那一部分。同一根杠杆，既能撬动系统，也能勒住它。这个张力不该被谁一句话消解掉。
一个更准确的词
我这趟带回来最有用的东西是一个词：never-skilling。中文大概可以说成”技能压根没长出来”。
我们平时说的是 deskilling，退化：一项本来会的手艺，因为长期不用而生疏了。那是老手的问题。新手的问题不是退化，是那项能力从来就没有形成过。每来一个题，答案立刻就在手边，交出去的东西看着都不错，而让专业能力生长的那个回路，一次都没有真正跑起来。
这个回路说出来一点也不神秘：注意到线索 → 调动已有的知识 → 把两个假设放在一起比 → 判断错 → 修正 → 重新组织知识。专家之所以快，不是因为脑子里存的事实更多，而是那些知识被组织成了结构，临床线索一来就能直接激活。而这套组织，只能靠一遍遍跑那个回路长出来，没有第二条路。
所以那句我从会上带回来、之后逢人就说的话是：考得更好，不等于学到更多。
这句话有个反面，而反面才是多数人漏掉的。直接给答案的 AI，跳过了结构的形成；但如果 AI 不给答案，而是追问”这些线索里哪个最要紧”“如果病人的处境变了，你的判断会怎么变”——那它就不是在跳过那个回路，而是在给这个回路搭脚手架。同一样技术，对学习者的作用完全相反。而眼下大部分”AI 让学生变笨”的讨论，根本不区分这两件事。
两场路考
那么，当学生交上来的东西是人和机器一起写的，评估该怎么办？
以前老师看一份病历、一个鉴别诊断，就能倒推出背后的思路。这个倒推，是整套评估赖以成立的地基。现在地基没了。
领域里正在收敛的答案，既不是取消无工具的考核，也不是假装 AI 不存在，而是两种条件都要测。一边测：不给你工具，你能不能自己走到一个站得住的结论。另一边测：你能不能问出一个好问题，能不能对返回的东西做专业判断，能不能看出它和你自己的结论在哪里分了叉，该信几分，以及能不能向同事讲清楚你是怎么到这一步的。
现场有人用路考打了个比方，是我这趟听到最好使的一个：我们既想知道你没有导航能不能开，也想知道你有导航会不会开进河里。未来的能力不是”人的能力”或者”AI 的能力”二选一，而是这两种条件下的能力都得有。
还没解决的部分
有两件，我宁可直说，也不想把它包装成一个圆满的故事。
成本翻倍。 两种条件都测，代价大约是两倍，而没有人在会上讲清楚一个真实的课程表怎么负担得起。而且”评估互动过程”意味着互动过程得能被记录下来——那是一个基础设施问题，外面套着一件隐私问题的大衣。
还有一个让所有人略微尴尬的实验结果。 最顺理成章的教学对策是：让学生先自己想清楚、先把判断写下来，然后才准去问 AI。先推理，后用工具。这是个好原则。但至少在一些实验里，它并不够用——被强制先写下自己推理的人，看过模型输出之后，人机合作的表现仍然不如模型自己单独作答。人加 AI，并不稳定地优于其中任何一个。真正要研究的单位是”人—AI 这个系统”，而我们还不知道怎么把它设计好。
我倒觉得这件事让人踏实。它说明有意思的活儿都还在前头，也说明那批人愿意把不利于自己主张的结果照样发出来。