OpenAI联合创始人Sam Altman设想未来智能像水电一样按表计费。他的OpenAI让许多人相信，不用AI工具的人会被用的同行甩下。但一个反直觉的问题随之而来：如果这些工具要求专家级技能才能用好，而工具本身又绕过了培养技能的摩擦，那新手要怎么成为专家？

　　JetBrains引述的一项研究细致分析了新手 编程学习。参与者以为自己在用AI当私人导师，实际并没有。重度依赖AI辅助的人常常跳过关键规划阶段，因为Copilot已经替他们思考了，最后带着"能力错觉"结束，而不是真正理解。限制AI使用的人反而成功：他们发展出"负面专长"，能忽略错误或无用的AI建议，专注写自己本来想写的代码。表现最好的新手，恰恰是最少用甚至完全不用AI辅助的那些。

　　这就是"倒置学习"：经验越多，模型提供的收益越大，因为你能准确引导、审查和验证输出；知识越少，模型越容易误导你。探索陌生领域时，你不知道自己不知道什么，模型的迁就设计会让你以为懂得比实际多。最认真的学生也会被带偏：有人规划习惯良好，却跳过问题解决的关键阶段直接写代码，被Copilot引诱快速产出，最后还得靠模型修复模型自己引入的错误。

　　摩擦本身就是学习的一部分，专家能力来自经验、重复和试错。宾夕法尼亚大学2025年大型研究发现，1000名用LLM学数学的学生把它当拐杖，最终比只用课本的学生差17%，而且他们自认为学得很好。同一研究的导师版本让学生先求助再独立解题，练习成绩好了127%。Anthropic的2026年研究得出类似结论：认知努力，甚至痛苦地卡住，对培养精通很重要。用AI学代码最有成效的时候，是它几乎不生成代码的时候。

　　问题不止于个人：若模型能写代码、调试、做系统设计，编程知识还有何用？Sentry联合创始人David Cramer直言，总有人认为模型会变得足够好，回头清理堆积的垃圾，他不信，那是科学实验。Kent Beck说编程是巩固理解的好办法，写得越多，越懂所在领域。Joel Spolsky的漏油抽象定律在2002年就写道，代码生成工具省的是工作时间，不是学习时间。

　　把模型当苏格拉底式陪练、交互文档和教程生成器，而不是答案机；如果离开AI就完不成任务，那就不该用AI。区分认知债务和认知卸载，前者放弃判断，后者只委托机械琐事。技能不会自动产生，必须直接参与，经历摩擦。若整个行业只顾代码行数和token消耗，专家通道干涸，按表卖智能的愿景就会成真。

（示意图）