论文标是《AI 如何影响技能养成》。这是一项随机实验，涉及 52 名专业开发人员。任务是使用他们从未接触过的 Python 库进行真实的编程。一半人配备了 AI 助手，另一半则没有。
AI 组在技能评估中的得分低了 17%。p 值为 0.010。所以这个差异是有统计学意义的。
更扎心的是：AI 组的速度甚至没有变得更快。他们学到的东西更少，而且并未节省时间。但是，如果你因此开始在网上传播“AI 不利于学习”这一论调，你就错失了论文中真正的重点。
研究人员查看了每一位参与者的屏幕录像。他们发现人们在学习新事物时使用 AI 的 6 种不同模式。其中 3 种模式有助于保持学习效果，另外 3 种则会破坏学习效果。两者之间的差距是巨大的。只向 AI 询问概念性问的参与者，在评估中得分高达 86%。
而把一切都甩给 AI 的参与者，得分仅为 24%。
同样的工具，同样的任务，同样的时间限制。区别在于认知参与度。得分最高的 AI 用户实际上表现得比无 AI 组还要好。他们问的是“为什么这样行得通”，而不是“替我写这段代码”。他们生成代码后会追问以便理解。他们将 AI 视为思考伙伴，而非思考的替代品。
得分最低的一组做的是：粘贴提示词，复制输出结果，然后继续下一步。他们完成得最快。但他们几乎什么也没学到。
还有一个发现值得每一位工程经理的警惕：得分差距最大的是调试类问。当你监管 AI 最需要的那项技能，恰恰也是当你让 AI 代劳时退化得最快的技能。
不用AI的对照组在任务执行过程中犯了更多错误。他们遇到了各种 bug。但这番挣扎，恰恰构建了他们的理解。错误并非学习的障碍。错误本身就是学习。用 AI 消除错误，也就消除了建立能力的机制。
AI 组的参与者在事后坦言，希望自己当时能“更用心一点”，并觉得自己的做法很“懒惰”。其中一人写道：“我的理解还有很多漏洞。” 他们能感受到那种完成了任务却不知其所以然的空虚感。这不是生产力的胜利，而是技术债。
这篇论文并非反对使用 AI，而是反对无意识地使用 AI。实际的结论很简单：如果你在学习新东西，请用 AI 来提问，而不是用它来逃避工作。
那份挣扎，才是成果所在。
@aigc1024
