今年 6 月，欧洲经济政策研究中心（CEPR）发布了一篇讨论论文，编号 DP21577，标题直译过来是《生成式 AI 的学习惩罚：来自中国中等教育的证据》。三位作者，斯德哥尔摩大学的 David Strömberg、香港大学的 Victor Lei 和 Yanhui Wu，拿到了中国中部一个县 26,811 名中学生的行政数据，时间跨度 30 个月，覆盖 7 到 12 年级、九个学科，并且把每周的作业分数与耗时、月度闭卷考、全县统考、中考和高考串在了同一份面板里。
数据规格之外，这篇论文还有一层稀缺性。此前关于 AI 与学习的研究，大多测的是实验室或课堂里被指定使用某个 AI 家教的学生；这篇测的是现实环境里自己决定用不用、怎么用 AI 的学生。2022 年 9 月样本开始时几乎无人使用，到 2025 年 6 月已有约八成学生报告在用；样本末期的调查中，最常被报告的工具是豆包和 DeepSeek，都是通用型 AI，不带教育功能设计。因为学生开始用 AI 的时间有先有后，作者得以用交错双重差分的方法，比较同一时期内「已经开始用」和「还没开始用」的两组人：采纳之前，两组的成绩几乎相同、走势一致。在学生自己决定用不用、又有长期升学考数据的研究里，这是目前最接近因果推断的一份证据。
先把证据等级交代清楚：这是 working paper，尚未经过同行评审；数据来自一个县，外推到别处需要打折。世界银行博客 6 月 18 日的评注（人力资本项目负责人 Gabriel Demombynes 执笔）同时提醒，无法完全排除「某种外部冲击既推动学生用 AI、又拉低成绩」的混杂因素，尽管作者指出不用 AI 的学生几乎从未出现这种幅度的下滑；世行由此判断残留混杂的作用很可能很小，但真实效应可能比论文报告的略小，这一点留待同行评审处理。下面的效应估计都要带着这个前提读。
作业更快更高分，闭卷考反向跌了两成
采纳 AI 后的半年内，学生完成一份作业的平均时间从 64 分钟降到大约 45 分钟，少了约 30%；作业分数相对采纳前的均值涨了 18%。如果故事停在这里，一切看上去都是收益：产出更好，耗时更短。
但作业只是练习的载体，学习效果要看闭卷考试。同一批学生的月度闭卷考成绩，在半年后跌了 20%——同样相对采纳前均值。这个幅度是什么概念？世界银行的评注把约五个月后的月考跌幅折算成 1.4 个标准差，并拿尼日利亚一项 AI 辅导随机实验的 +0.31 个标准差做参照；两项的科目、设计和结果定义都不同，这个参照只能说明世行为什么觉得这个跌幅大。另一项可对照的研究发表于 2025 年的 PNAS：宾夕法尼亚大学团队在土耳其一所高中做随机实验，学生用无护栏的 GPT 界面学数学，练习成绩明显上升，但当堂随后的闭卷考比对照组跌了 17%；同一实验里只给提示、不给完整答案的版本，闭卷成绩与对照组没有显著差异。方向相同，但科目、时长和估量对象都不同，不能当成同一份证据的复制。
不用 AI 的学生里，作业分和考试分照常正相关，作业一直是学习效果的有效指标。在用 AI 的学生里，这个关系不再成立：作业分更高的人，考试更差的可能性反而上升。作者的结论是，对这个群体而言，作业分不再能用来评估学习，作业分的快速上涨应该被读作学习在下滑的预警信号。
账单两年后才全额到账
惩罚不是一次到位的。月考主要考近期内容，效应在采纳后约六个月成熟；中考和高考考的是数年累积的内容，损失用了大约两年才完全兑现，最终幅度与月考相当：相对基线均值，中考跌 24%，高考跌 18%。作者据此提醒，只跟踪几周的短期研究，很可能系统性地低估了长期使用生成式 AI 的学习成本。
损失的分布也不均匀。按学科看，社会科学类（历史、政治等）跌约 27%，STEM 约 22%，英语约 17%，语文约 9%。按人群看，低年级、男生、原本成绩靠前的学生跌得更重。劳动力市场的研究反复发现，AI 压缩技能分布的方式是抬高尾部，技能较低的从业者获益更多；而在这个教育场景里，压缩来自顶部塌陷，惩罚最重地落在尖子生身上。
用 AI 的学生里，约八成像在外包
损失集中在一种特定用法上。采纳约半年后的 AI 使用者里，大约每五个里有四个，完成作业的时间低于 50 分钟——比不用 AI 的学生里最快的还快——同时拿到与 AI 工具解题能力相称的高分；这些学生的闭卷考成绩明显更差。作者把这个组合，耗时异常短加分数异常高，读成一种行为指纹：作业被大面积外包给了 AI。这是按行为做的分类，不是学生自述的意图。
耗时没缩短的那约两成学生，作业分更高，考试分与不用 AI 的同学相近——论文摘要的措辞是「小幅学习损失」，相近，但不是零差距。换句话说，同样在用 AI，把时间花下去的人，学到的东西基本没受影响。
作者自己也强调，这不意味着强制拉长作业时间就能恢复学习——选择不同用法的学生，在动机、信息和 AI 技能上可能本来就不同。作者认为有效干预得同时做几件事：监督作业时间、引导有生产力的用法、如实告知外包的代价。
作业这个信号，先被废掉了
接下来两节是我们的解读，不是论文原话，先说明。
论文测到的机制是：作业分这个指标，对不用 AI 的学生仍然有效，对用 AI 的学生失效了。作业在教育系统里本来同时干三件事：学生通过它练习，老师通过它判断教没教会，家长通过它判断孩子学没学好。三层用途共用一个数字，现在这个数被污染了——练习那一层可以空转，测量那一层照常出数，而且出的是更好的数。
被污染的指标不会立刻报警，它会继续给出读数，甚至给出更好的读数，涨 18% 的作业分。如果老师和家长仍然把作业分当学习指标，他们看到的是形势向好。这个县的数据里，闭卷月考大约半年后已经跌了两成，但只有看月考的人才能看见；升学考的全额惩罚，要到采纳后约两年才兑现。只看作业分的人，要到那时才知道出了事。
作者给出的补救方向也顺着这个逻辑：既然作业分失真了，就盯没被污染的量——实际花在作业上的时间，以及频繁的、随堂的、闭卷的短测验。这些建议听上去朴素，但它们针对的正是信号失真的位置。
我们没有月考
我们没有教育场景的一手经验，只有两段相邻的，点到为止。
一段是成年人的自学。离开学校之后，「学会没学会」没有月考兜底。我们日常工作里大量用 AI 学新工具、新领域，验收标准只能从真实的项目交付反推：agent 起草的东西能跑通验收才算数，不看「看懂了」。中学生至少还有闭卷考做终极裁判，成年人没有月考这种频率的闭卷账。
另一段是供给侧。我们给客户开发过学生使用的 AI 系统（按惯例不点名）。开发工具的人读到这篇论文，检查的是自己产品奖励的是哪一种用法。论文里有个值得记住的对照：设计良好的 AI 辅导工具在很多地方已经接近零成本，但多数学生不用——他们偏好能直接给答案的通用工具。作者们的判断也在这里收束：这个问题不是技术的，是组织和制度的。
我们上一篇写过自己的认知卸载清单（【链接待补：我们把思考外包给 AI 之后】），讲的是成年人的工作里什么能卸、什么要死守。这篇论文是同一个问题在考场上的版本，只是中学生手里没有清单，也没有人告诉他们需要一张。
最后
把证据等级再说一遍：这是一篇未经同行评审的 working paper，数据来自中国中部一个县，因果识别依赖「采纳时机」的准实验设计，世界银行评注提到的混杂因素无法彻底排除。它测出的效应值也未必能平移到别的地区、别的学龄段。
同时应该如实写下的是：论文摘要里，维持原有作业节奏的那组使用者是小损失，不是零损失；损失集中在约八成的外包式用法上，论文没有说 AI 本身有害。对家里有中学生的人，这篇论文最实用的落点可能只有一个：作业分还涨着的时候，看一眼耗时。
欢迎关注「潜在工作室Tech」，我们记录自己用 AI 干活的真实账目，也会继续拆读这类研究。之前写过的认知卸载清单和这篇是同一条线，后续还会沿着这条线写。
潜在工作室Tech
看见表象之下
