AI时代知识记忆为何依然重要：Anthropic实验揭示推理依赖工作记忆

作者丨徐丹

新校长传媒系编辑

今天，把一份习题或试卷上传给任意一个AI，几秒内就有答案，分数往往高过多数优秀学生。

全球教育人都在追问：耗费学生大量精力去记标准答案，是不是该被“用知识解决问题的能力”取代？另一方面，既然AI可以给出所有答案，知识本身是不是真的不重要了？

在今年的国际数学家大会上，现象级公开课《学会如何学习》的主讲人芭芭拉・奥克利，抛出了一个令人深思的观点：这种 “记了也没用”的论调，和死记硬背、海量刷题一样偏颇。

记忆到底承担着怎样的功能？我们该如何重新看待知识、重新设计学习，发展人的心智？

不记忆知识，深度学习根本无法发生

为了探明记忆与推理的底层关系，知名AI公司Anthropic做过一项实验。研究发现，大模型内部会自发涌现一块专门的推理工作台，近似于人脑的工作记忆。如果把这块区域切掉，AI依旧能正常输出，但高阶推理能力几乎为零，输出的多为碎片化的知识点，无法形成自洽完整的逻辑链条。

AI本身要做严谨推理，尚且需要一块稳定的内部工作区承载中间思考；使用AI的人，如果头脑里没有内化的知识底座，又凭什么去审视、校验AI的输出？

这正是AI时代独有的风险：大模型天生具备 “幻觉” 特质，它会自信地编造公式、引文、史实、推导过程，行文流畅、逻辑自洽，可事实完全是虚构的。识别幻觉没有万能工具，校验的第一道关口，就是学习者内置的知识参照系。

长久以来，我们习惯把 “识记基础知识” 归为浅层学习，把它和推理、思辨、创造等高阶能力对立起来。但神经科学的结论清晰可见：记忆与高阶能力一体共生。

人脑里有860亿个神经元。学习的本质，就是把这些神经元建立连接，储存在长期记忆里。如果不把知识悍进自己的长期记忆，用过度的认知卸载打断必要的“内化”过程，大脑就只有弱不禁风的心智框架，撑不起批判性思维或创造性问题的解决。

AI可以生产内容，但判断真伪、权衡取舍、识别幻觉，只能由自带知识储备的人完成。

知识，是思维的“沙袋”，是驾驭AI的认知“燃料”

新手学开车，每个动作都需要下意识想；而经验老练的司机将已将基础操作变成肌肉记忆，能从容处理复杂问题。

这正是记忆重要性的体现。大脑的“工作空间”极为有限，若对知识不够熟悉，每次调用都要耗费注意力去检索，工作空间被占满，大脑便无力再进行复杂操作；而经过反复记忆，知识会被“自动化”，交由基底神经节等结构接管，从而为高阶思考腾出宝贵的认知资源。

放到人机协同的场景里，这个机制同样成立：当基础概念、基础运算、核心术语已经自动化，我们才有余力向AI提出精准的问题、设计严谨的提示词、对比多条AI回答之间的矛盾，而不是卡在底层概念的理解上。

学习也是如此。代数不熟，解物理题就会陷在运算里，无暇思考物理概念。背熟乘法表的孩子看到12/3，能直接“感觉”到它等于4；从不背诵、每次都按计算器的人，连约分都停在慢速的有意识加工上，更别提解难题。

存储在大脑里的知识，不是静态的文件仓库。在潜意识层面，它会持续对已有信息做联结、重组，催生出直觉、灵感与创造性判断。

学习里那些说不清道不明的数感、语感，灵光一闪的顿悟时刻，都来自这套机制。化学家凯库勒苦思苯分子结构久久无解，在睡梦中看见首尾相衔的蛇，醒来之后由此推导出苯的环状结构。这正是大脑在休息状态下，对已储备的知识素材重新加工的成果。没有内化的素材，即便AI给你一万份文献综述，你也很难发生真正的创造。

AI可以整合海量素材，但它不会自动生成属于你的洞见。很多人误以为提示词就是全部，可高质量提示、有效的追问、对方案的取舍、跨领域迁移，全部建立在你已有的知识网络之上。同样一个AI工具，一个基础扎实的学习者用它做拓展、验证、迭代；一个没有知识底座的学习者，只会直接索取标准答案。工具没变，人的认知上限完全不同。

重新定位知识：是手段，而非终点，是人机协同的起点

在传统教育中，获得知识几乎就是学习的全部。把知识比作思维的沙袋、认知的燃料，背后是底层认知的转向：知识依旧重要，但它不再是学习追求的目标，而是锤炼高阶认知、发展心智能力的起点。

知识的角色变了，学什么、怎么学，自然也要跟着变。

学会区分 “该记的” 和 “交给AI的”

信息爆炸时代，知识早已不是稀缺品，并非所有知识都值得反复练习至自动化。能作为燃料的，只有“关键基础知识”。

芭芭拉·奥克利在相关论文中给出了判定标准：一是使用频率极高，几乎每次相关思考都要调取；二是本身无需重新推导，属于既定的约定或事实。数学事实、词汇、科技术语、历史年代、公式与公理，都属于此类。反之，低频、可变、随时可查的细节不必占用大脑；需要推理才能得出的结论，也不应直接记忆。

这恰恰给人机分工划出了边界：恒定、高频、支撑判断的核心知识，内化进自己的大脑；海量参考资料、冗长计算、格式排版、文献初稿这类事务性、检索性工作，交给AI。我们不是拒绝AI，而是拒绝把认知的地基外包出去。

学会主动提取，建立“和AI对话的能力”

内化知识，是为了将其焊进神经结构，成为本能与直觉的一部分。但大脑的记忆并非像电脑存文件那样原样保存，它必须将新知链接到已有知识上，整合进既有的心智框架，才算真正“记住”。

这意味着，脱离上下文的孤立背诵，效果天然就差：孤立的知识无处挂靠，难以融入框架。真正有效的学习方式恰恰相反——不是把知识“塞进去”，而是主动把它“拽出来”，即提取式练习。

每一次主动回想，都是在调动相关神经网络重新激活、加固印记，同时也会迫使大脑将这条知识与周围的概念建立连接，自然而然地编织进心智框架。

“输出式学习”是提取的典型形态，它要求从记忆中检索、重构知识。富兰克林练习写作即是如此：读一篇好文章，只留极简线索，凭理解与记忆重构全文，再对照原文找差距。他没有逐字背诵，而是靠提取把作者的思路结构在脑中重建起来。

传统学习像从山脚一步步往上爬，先积累知识，再到山顶解决问题；下山式学习则是先被“空投”到山顶——先面对一个真实问题，再带着问题往下调用知识，逼着自己去探索。

当学生用统计学分析校园午餐浪费，用化学原理改良厨余堆肥，最终形成可操作的节约方案，这个过程不只是在“用”知识，知识在解决问题的同时被反复加固、深度整合。

是否学会：抵达真正的理解

如何判断知识是否已被内化至神经网络中？单纯重复会制造“我已经会了”的流畅错觉，等到需要调用时，却发现根本提取不出来。判断的标准是：是否真正的理解。

布鲁姆教育目标分类学中对理解有详细的阐释：解释、举例、分类、总结、推断、比较、说明。即，学生能够用自己的话语加以解释、能举出贴切的例子、能与相似概念进行区分、能概括其核心观点、能推断其隐含前提、能阐明其与其他知识之间的关联。

这套能力，正是AI时代最重要的评估素养：拿到AI的输出，能不能解释它的逻辑、找到它的前提、对比不同方案、推断隐藏缺陷。这是从 “知其然” 迈向 “知其所以然” 的必经之路。

面对AI，珍惜挣扎与卡壳的时刻

知识的巩固需要一次又一次的提取、调用，如果我们越来越依赖于AI给答案，久而久之，作为认知燃料的知识会被悄然淡忘。

但更危险的不是遗忘，而是我们跳过了“思考的挣扎”。正是“卡住、想不通”的时刻，最可能带来心智模型的深层重组：符合旧结构的信息加固模型，解释不通的信息则逼大脑重构、扩展模型。

停下来把矛盾想通，心智模型才会升级。想错了、走了弯路，大脑反而记得更牢，因为犯错会制造“预测误差”，大脑发现预期与现实不符，会对正确答案产生更强的编码，远比直接接收答案深刻得多。

而如果一遇到问题就绕道查答案，认知就始终停留在浅层。

教育技术顶刊 BJET 刊载过一项实验：大学生分成四组完成写作任务，三组分别用ChatGPT、真人辅导、基础工具写，一组无任务帮助。结果用ChatGPT的一组作业完成最好，但事后知识测试毫无长进，部分指标反而更差。因为他们没有经过从大脑中提取知识、监控评估、自我纠错、反思整合的过程，心智模型没有进化。

那么，AI该怎么用？核心原则是：让AI帮助思考，而非替代思考。

使用时机：

遇到困难时先主动思考，走到僵局时再求助AI。

角色区别：

让AI当“教练”，像苏格拉底式教学那样，给提示、反问、出题目，引导学生思考，而非直接给完整答案。

任务分层：

熟练的事大胆提效，新技能先自己走全程。Anthropic 的另一项实验表明：对已经掌握的技能，AI能提速最多80%；但学习新技能时过早依赖，会阻碍习得。所以，已会的交给AI省时间，正在学的最好走完提取、纠错、整合的全过程。

AI时代，我们不必走向两个极端：既不要轻信 “知识不用记” 的论调，也不能退回 “拥有知识就是一切” 的旧范式。 我们依然要学习知识，但学习的目的、学习的对象、学习的路径，已经全然更新。AI可以检索、生成、辅助、提效，但判断、权衡、创造、定夺的主体，永远是人。脑子里有经过内化、可以自主调用的关键知识，我们才有独立的参照系，才有驾驭AI的底气。

与AI双向进化，守住记忆与深度思考的价值，才能锻造属于人的心智根基，在智能时代站稳自己的位置。

责编丨徐丹

美编丨张天禹

执行主编丨张凯

商务合作 |

陈老师

19111308753

（微信同号）

投稿邮箱

|

2594889720@qq.com