7月17日，世界人工智能大会（WAIC 2026）在上海开幕。Kimi K3发布了全球参数最大的开源模型——2.8万亿参数。与此同时，教育部新增了27个AI相关职教专业。
AI正在以前所未有的速度改变教育。但在这个"AI教育"的热潮中，一组数据让人无法忽视：
这是中国青年报社2026年5月对1336名中小学生家长的专项调查数据。
一边是AI让学习"更高效"——62.6%的家长认同AI拓展了孩子的知识面。另一边却是超过四成的家长眼睁睁看着孩子变得越来越不会自己思考。
这看似矛盾的现象背后，隐藏着一个更深层的问题：当AI让答案变得前所未有的"便宜"，教育评价本身正在经历一场无声的"信号危机"。
一、答案便宜了，但评价信号也贬值了
2026年7月15日，《光明日报》转载了赵黎教授发表在《新文科教育研究》上的一篇论文，题为《人工智能时代教育评价的信号重构》。这篇论文提出了一个核心观点：
过去一篇结构完整、语言流畅的作业之所以能代表能力，是因为写出它有门槛——高能力者能以更低代价写得更好。生成式AI恰恰抹平了差异：规范漂亮的答案变得廉价，结果仍在、甚至更好看，背后的能力含量却难以辨认。
这不仅仅是一个"学生作弊"的问题。赵黎明确指出：这首先是测量问题，不是纪律问题。
设想这样两个学生：他们都用AI完成了论文——一个人主要靠AI生成后略作润色，另一个在问题定义、证据筛选和反例处理上投入了大量判断。只看最终提交的论文，二者难分高下。即便他们都如实声明使用了AI，现有的评价体系也捕捉不到"判断发生在哪里"。
赵黎把这种现象称为「评估信号失真」——当答案的生成成本被压低到接近零，教育评价赖以存在的信号基础也就松动了。
换句话说：AI让"交出漂亮结果"这件事不再稀缺，而稀缺的恰恰是那些AI做不了、人必须自己做的事。
二、危险的错觉：以为懂了，其实没懂
但这还不是最可怕的。
最可怕的是：学生在AI帮助下，常常产生一种"我懂了"的错觉。
认知科学对此早有揭示。Koriat (1997) 提出的"学习判断"（JOL）理论发现：人们对"自己是否理解了"的判断，往往基于一些表面的线索——比如信息的流畅度、阅读的轻松感——而非真正的理解深度。
更触目惊心的是Rozenblit & Keil (2002) 的发现：人们普遍存在「解释深度错觉」——"以为自己知道一个东西是怎么运作的，但当被要求深入解释时，才发现根本说不出所以然。"
这个发现放在AI时代尤为致命。当一个学生问AI"这道题怎么做"，AI立刻给出一个流畅、完整、逻辑清楚的答案——学生的第一反应往往是"哦，原来这么简单"——而不是"让我检查一下这个推理是否正确"。
人脑的认知惰性，让AI成了"最舒适的拐杖"。而拐杖用得越多，腿就越没力气。
北京大学新闻与传播学院胡泳教授在《中国青年报》上说得更直接："不要让自己的大脑成为AI的跑马场。"
三、焦虑驱动 vs 自主驱动：两条截然不同的路
那么，这场"信号危机"的根源到底是什么？
答案藏在动机里。
2026年，Tögel & Kuhbandner 在《PLoS One》上发表了关于"恐惧与动机内化"的研究。他们以445名参与者在COVID-19政策结束后的行为变化为切入点，发现了一个令人警醒的现象：
- 恐惧驱动的行为，最多只能达到「认同调节」——你觉得它有价值所以做
- 恐惧永远无法达到「整合调节」和「内在动机」——你不会真心爱上这件事
- 长期恐惧驱动的学习者，表面在努力，内心在燃烧殆尽
把AI学习套进去就一目了然了：
当家长用"别人都有AI，你也要学会用""不学AI以后找不到工作"来驱动孩子——孩子进入的是恐惧驱动模式。他确实会用AI，会"高效"产出结果，但内心没有真正的学习意愿，他的目标不是理解，而是交出可以被接受的成果。
当他发现AI能完美承担这个任务时，他自然会选择把思考外包。这不是懒惰，这是恐惧驱动模式的必然结果。
这就是为什么58.8%的家长感到孩子依赖AI，42.7%感到独立思考下降——不是因为AI太强大，而是因为恐惧驱动的学习方式，天然地倾向于外包思考。
四、信号已经失真：教育评价还能做什么？
如果把视角拉高，你会发现这不仅是每个家庭的问题，而是整个教育体系面临的挑战。
赵黎在论文中提出了一个清晰的五层重构框架：
| 评价维度 | 旧模式（已失效） | 新模式 |
|---|---|---|
| 对象 | 检查最终结果 | 追踪过程证据链 |
| 标准 | 答案质量 | 判断路径 |
| 规则 | 是否允许AI | 人机协作可解释性 |
| 证据 | 单一提交物 | 多元组合 |
| 设计 | 教师个人经验 | 课程级系统性设计 |
这个框架揭示了关键的一点：在AI时代，我们需要的不是更严格的检测，而是一套全新的评估逻辑。
而这恰恰与学习科学的一条基本原则不谋而合：
Sweller (1988) 的认知负荷理论早就告诉我们：人的工作记忆容量极为有限。当AI代劳了"找到答案"的过程，工作记忆就失去了锻炼的机会。而Nelson & Narens (1990) 的元认知理论则指出：真正的学习发生在"监控-控制"的反馈循环中——你需要自己发现问题、自己调整策略，这个过程才能锻炼你的元认知能力。
AI一旦插到这个循环中间替代了思考，元认知就不会发展，独立判断能力自然会退化。
五、出路：从"结果消费"回到"过程生产"
那么，出路在哪里？
赵黎在论文中给出了方向：
生成一篇像样文章的成本被压低了，但解释为何这样定义问题、如何取舍冲突证据、为何拒绝某条AI建议的成本，并没有被压低。
换句话说：答案不再稀有的时候，判断本身变得稀缺。
这个观点与学习科学的最新研究高度一致。Futterer et al. (2026) 的研究表明：在AI辅助学习环境中，自我调节学习（SRL）干预显著有效——关键在于，学生需要被引导去主动监控自己的学习过程，而不是被动接收AI的输出。
Xu, Liu & Li (2026) 在1079名中国大学生的研究中发现：AI个性化反馈通过满足自主和胜任需求，显著提升学习投入——但前提是反馈必须是"可解释的"，即学生能理解AI为什么给出这个反馈，而不是照单全收。
Wu et al. (2026) 在《Frontiers in Psychology》上的研究更进一步：他们发现AI辅助的协作评分（AI-supported collaborative marking）可以将评价误差从3.26降到1.22——但前提是学生必须主动参与评价过程，而不是让AI替自己评估。
这些研究的共同指向很清晰：
核心结论：AI时代的教育必须从"结果消费"回归到"过程生产"。评估的不是你产出了什么，而是你在过程中做了什么判断、走了什么路径、克服了什么困难。
六、CoEvo的答案：客观验证，让学习可见
理解了以上所有研究之后，CoEvo的设计哲学就变得异常清晰了。
教育评价的信号重构，不只是高校论文评分的事情。它应该发生在每一次学习当中。
当我们说"孩子用AI越高效、越不会思考"时，本质上是：学习过程本身缺少了"客观验证"这一关键节点。
CoEvo设计了这样一套机制：
- AI实时提取概念，但你来确认——AI在对话中主动提取学习过程中涉及的核心概念，但只有你确认后才生成复习卡片。你不是被动接收，而是主动识别。
- FSRS科学间隔，但你需要接受验证——不是靠"我觉得记住了"，而是通过对语验证、生成验证、费曼验证三种方式客观确认你是否真的内化了知识。
- 跳过的不骚扰，覆盖跳过记录——你跳过的概念不再反复提醒，但系统会记录你的选择。这本身就是你"过程判断"的一部分证据。
- 语言类轻量匹配，通用类走LLM——客观验证的方式因学科而异，但无论哪种方式，目标都是让"是否真的理解了"这件事变得可观测、可追踪。
赵黎在论文最后写道：
"让学生的理解、判断、创造与责任被看见、被追问、被确认。"
这正是CoEvo在做的事情。
总结：信号需要重建，但答案就在你手里
回到那组让人忧心的数据：58.8%的家长担心孩子依赖AI，42.7%看到独立思考下降。
这些问题不是无解的。认识到"答案变便宜了，但判断本身变得稀缺"，本身就是改变的第一步。
对家长来说：不要再问孩子"作业做完了没"，而是问"你拒绝了AI的哪条建议？""AI给出的答案，你觉得哪里不对？"
对学生来说：用AI之前，先自己试一试。哪怕只试5分钟，写下你的思路，再和AI对照。把AI当作陪练，而不是替身。
对整个教育体系来说：就像赵黎教授写的那样——停止修补正在失效的旧信号，重建一套让"过程判断"可见的新评价体系。
在这个过程中，CoEvo愿意成为你的伙伴。不是代替你学习，而是让你的每一次学习都留下可见的证据——让你自己、也让所有在乎你的人，都能清楚地看到：你不仅在学，而且在真正地成长。