WAIC 2026启示：AI越强大，越需要把复杂变简单

7月中旬，2026世界人工智能大会（WAIC）在上海落幕。会场里最热门的话题不再是「AI能不能取代老师」，而是「AI来了，人该怎么学」。

斯坦福大学副教授维克多·李在大会上展示的最新研究表明，大语言模型已能实时识别学生的知识盲区，提供堪比人类教师的个性化指导。密歇根州立大学的克里斯汀·格林豪则展示了生成式AI如何针对学生的开放性回答提供即时、具体的诊断式反馈。

这些进展令人振奋。但A股当天的大跌——沪指跌破3800点、科创50暴跌7%——像一盆冷水：大多数人面对复杂世界时，依然手足无措。

这恰恰揭示了AI时代最被低估的能力：把复杂的事情变简单。

AI可以诊断，但不能替你简化

维克多·李在WAIC上指出，目前的AI系统已「从简单的问答工具演进为能够理解学生认知状态的智能导师」。通过大语言模型与学习分析的深度融合，AI能精准识别：

• 学生在哪个知识点卡壳
• 误解是什么类型的（概念性 vs. 程序性）
• 需要哪种类型的反馈（直接纠正 vs. 引导探索）

加州大学伯克利分校的扎卡里·帕尔多斯进一步展示了基于知识图谱的个性化推荐系统——将学生的学习行为数据与学科知识结构映射，自动规划最优学习序列。

这听起来很美。但土耳其的一项研究敲响了警钟：学生使用AI工具学习数学后，考试成绩提高了，但测试数学思维能力时反而下降了。

负责OECD教育项目的安德烈亚斯·施莱歇尔在WAIC上评价这个发现时说了一句值得深思的话：「AI工具提升了考试成绩，但是并没有提升学习能力。」

问题出在哪？

AI帮学生简化了获取答案的路径，但没有帮他们建立简化复杂问题的能力。这恰恰是认知科学中经典概念的现代版本：认知外包——把本该由大脑完成的理解工作，外包给了工具。

「把事情变简单」的认知科学真相

知乎上有一个热门问题：「把事情变简单，是不是一种能力？」

答案是肯定的。而且这不是玄学，有其坚实的认知科学基础。

认知负荷理论（Sweller, 1988）告诉我们：工作记忆容量是极其有限的——成年人一次大约只能处理3-5个信息单元。所谓「把事情变简单」，本质上是把多个分散的信息单元「打包」成一个图式（Schema），从而释放工作记忆空间。

这解释了为什么专家看起来「举重若轻」：

• 围棋大师看到的是「势」和「形」，不是361个交叉点
• 急诊医生看到的是「心梗三联征」，不是血压、心电图、肌钙蛋白三个孤立指标
• 钢琴家看到的是「和弦进行」，不是密密麻麻的八十八个琴键

他们不是更聪明。他们只是建立了更多、更高效的认知图式，让复杂的东西在大脑里变得简单了。

从「无意识的简单」到「主动的简单」

心理学研究表明，普通人在进入新领域时，会被繁琐的细节淹没。这时如果使用AI直接给出答案，表面上绕过了困难，实际上跳过了建立图式的关键过程。

这就是AI教育最大的悖论：AI越能帮你快速得到答案，你越难以建立简化复杂的能力。

北京某中学初二学生的案例在WAIC上广为传播：这个学生不是被动接受AI输出的答案，而是主动设计学习流程——让智能体将所学内容分析形成有逻辑的知识点连接，生成个性化学习资料，并进行针对性测试与错因分析。

这个案例的妙处在于：学生做了最难的部分——设计「如何简化」——而AI只负责执行简化后的具体步骤。

这与认知科学中「刻意练习」的核心原则完全一致（Ericsson, 1993）：进步来自于在「能力边缘」上的反复试探，而不是舒适区内的自动化重复。

AI时代的「降维」能力

回到WAIC的讨论，密歇根州立大学的克里斯汀·格林豪教授的一句话值得记住：AI不仅能判断答案的对错，还能「通过分析学生的错误模式，识别其深层概念误解」。

这恰恰是帮助学习者「把复杂变简单」的绝佳工具——不是替代学习者建立图式，而是在学习者建立图式的过程中，提供定向的、即时的反馈。

具体来说，AI在学习中可以扮演三个角色：

1. 诊断者：识别你的认知负荷类型和瓶颈。你是被大量细节淹没（阶段一），还是形成了错误连接（阶段二），AI可以快速定位。

2. 减速带：在你试图跳过建立图式的关键步骤时，停下来问你：「你是真的理解了，还是只是记住了答案？」这正是CoEvo「客观验证」功能的核心理念——不让你自我欺骗。

3. 陪练：在你主动建立图式后，提供即时而精准的反馈。不代替你思考，但让你每一次的思考都有回应。

中国教育科学研究院院长李永智在WAIC上提出的「能力悬置」概念非常精准：AI为每个人提供了前所未有的能力提升机会，但如果个体没有主动去掌握这些能力，机会形同虚设。

把这个概念套用到「把事情变简单」的能力上：AI可以帮你简化，但如果你从未自己经历过「从复杂到简单」的完整路径，你的简化能力就永久性地「悬置」了。

怎么练？三个扎扎实实的步骤

基于认知科学的研究，如果你想真正培养「把事情变简单」的能力，以下是经过验证的方法：

第一步：强行解释

学完一个新概念，不要查笔记、不要问AI。用自己的话解释一遍——写下来、录音、或者讲给朋友听（哪怕他们没有在听）。Koriat(1997)的研究表明，我们对自己的「理解判断」（JOL）往往高估。只有输出才能暴露真正的盲区。

第二步：建立你自己的类比库

每学一个复杂概念，强迫自己找出一个生活化的类比。这不是走捷径——高级认知科学证实，类比推理是建立抽象图式的核心机制。当你能把「工作记忆」比作「咖啡桌」（大桌子能放的东西多，但你需要来回走动才能拿到），你就在构建图式了。

第三步：在「理想困难」中反复练习

Bjork & Bjork (2011)的「理想困难」理论揭示了一个反直觉的真相：学习时感觉越吃力，长期记忆越牢固。不要总是在熟悉的题目上重复。让AI出一些边缘案例、变式题，迫使你在「有点吃力」的状态下建立更强的图式。

结语

WAIC 2026告诉我们一件事非常清楚：AI的能力边界在迅速扩展。但越是这样，人类那个「把复杂变简单」的能力就越珍贵。

因为AI可以处理复杂，但只有你能决定什么值得简化。它帮你分析三万个数据点，但你得自己问出对的那个问题。

正如Dreyfus & Dreyfus (1980)在四十多年前就已指明：专家和高级新手的本质区别，不是知识量，而是面对复杂情境时那瞬间的「直觉式简化」。

在AI的时代，这种能力不仅没有被贬值——反而成了最后的护城河。