AI 进课堂之前，先想清楚这三件事

一个家长问我的问题

上个月有位家长问我：「AI 都能翻译、能对话了，孩子还需要学英语吗？」

我理解这个问题背后的焦虑，但它设错了方向。真正该问的不是「还要不要学」，而是「AI 出现以后，学和教的顺序应该怎么调」。

结合我自己的博士研究方向——AI 在任务型语言教学（TBLT）中的应用——我把这件事拆成三件必须先想清楚的事。

第一件：分清 AI 擅长什么、不擅长什么

AI 明显擅长的三件事：

1. 提供大量可理解输入。 这是语言学习里最贵的东西。以前要靠外教、原版书、出国环境才能拿到的量，现在可以很便宜地拿到，而且可以按你的水平调整难度。
2. 提供即时的、不厌其烦的反馈。 人做不到被问二十遍还保持耐心，AI 可以。
3. 生成情境与角色。 想练「跟房东投诉热水器坏了」，它随时可以陪你演。

AI 明显不擅长的三件事：

1. 判断一件事是不是真的被完成了。 任务型教学的核心是「任务完成」，而任务完成与否往往涉及真实世界的后果，AI 无法替你验收。
2. 提供真实的语用反馈。 一句话「对不对」它能判断；一句话「在这个场合这么说合不合适」，它的可靠性低得多。语用知识需要长期浸泡，不是模型参数。
3. 替代人与人之间的真实交际。 学语言的终极目的是跟人打交道，这一点不能被模拟品替换掉。

第二件：让 AI 站在「任务伙伴」的位置，不是「答案机器」的位置

这一步是分水岭。同样是打开 AI，两种用法的结果完全相反：

• 答案机器： 「帮我把这段翻译成英文」→ 学生拿到答案，学习没发生。
• 任务伙伴： 「我刚才跟房东说明了热水器坏了，这是我的录音转写。请指出哪些地方对方可能听不懂，并给我三个更自然的说法。」→ 学生先产出，AI 做反馈，学习发生在产出与修改之间。

判据很简单：AI 之前有没有你先产出的东西。 有，就是伙伴；没有，就是答案机器。

第三件：给任务，不给题目

不要问 AI「这道题选哪个」，而是给它一个需要完成的任务。

一个可复制的三步操作：

1. 先自己产出。 写下或录下你要说的内容，哪怕很粗糙。
2. 再让 AI 做三件事： 指出会导致误解的地方；给出两个更地道的表达；提出一个追问。
3. 最后回到真实的人。 把改完的内容真的对一个人说一遍。这一步不能省，也不能用 AI 替代。

三个常见误区

误区一：把 AI 当翻译机用。

翻译机解决的是「这一句怎么是」，而语言学习要解决的是「这一类怎么说」。前者可以外包，后者不能。

误区二：用 AI 刷题。

把纸面题目换成 AI 出题，只是把一个低效方法换了个载体。产出与反馈的循环才是关键，题目不是。

误区三：让 AI 代写。

代写省下的是时间，丢掉的是能力形成的唯一途径——自己组织语言时的卡顿与调整。

我的结论

AI 改变的不是语言学习的目标，而是达成目标的成本结构。 以前「大量可理解输入」和「高频即时反馈」这两件最贵的东西，现在便宜了。所以真正该调整的不是「学不学」，而是把省下来的时间和金钱，投向 AI 做不了的那部分——真实任务、真实交际、真实反馈的语用判断。

行动建议： 今天试一次「AI 之前先产出」——先自己说或写 3 句话，再让 AI 提意见，最后真的对一个人讲一遍。

本文依据

• 观察来源： 奥克兰北岸教育培训中心面向华裔家庭的教学实践，以及创办人本人使用 AI 辅助语言学习的长期记录。
• 模型出处： 「任务伙伴 / 答案机器」二分与「三步操作」属教学模型（Model），用于组织学习流程，不解释认知机制。
• 待验证项： AI 生成的即时反馈对长期二语发展的实际贡献度，属正在验证中的假设（Hypothesis），也是创办人博士研究的方向之一。
• 外部文献： 任务型语言教学（TBLT）与第二语言习得中关于「可理解输入」「产出与反馈」的既有研究提供方向性支持；具体文献将在「学术成果」栏目补充。

署名： 杨老师（Simon Yang）· 杨斯毅教育研究院