《AI 辅导做题实测：机器如何参与学习过程》

导语

这篇文章不是模型评测，而是用一道数学题展示 AI 如何参与学习过程。作者把 GPT、Claude、豆包、DeepSeek 等统一称为“小机”，重点不是谁更强，而是观察 AI 能否把“告诉答案”变成“帮助孩子理解题目结构、检验错误、迁移到新题”。

1. 作者先把问题从“求答案”改成“学会解题结构”

1.1 传统做题困境是换一道题就不会

• 作者从家长和孩子常见的困惑进入：孩子遇到难题时可以找老师，老师能告诉这道题怎么做，但不能保证下一次条件稍微变化时，孩子仍然能做出来。
• 因此，文章真正关心的不是某道题的答案，而是孩子能否掌握一类题的结构。AI 的价值如果只停在给答案，它并没有解决学习迁移的问题。

1.2 “小机”这个称呼把 AI 放进陪伴式学习关系

• 作者引用阿西莫夫短篇小说《小机》，说明孩子可能不会把机器人视为陌生威胁，而会把它看成了解自己、陪自己长大的伙伴。
• 这个称呼很重要：作者不是把 AI 当作权威老师，而是当作可反复追问、可陪伴试错、可帮助孩子建立思路的学习对象。

2. 第一题的关键，是 AI 先判断题目可能印错

2.1 小机用个位和夹逼两把钥匙检查原题

• 题目给出的数是 121、110、72、45。小机先说结论：按这组数，方程没有整数解，几乎可以肯定题目印错了；正确形式的答案应是 x = 144。
• 它给出的第一把钥匙是个位，即利用 n 的五次方与 n 在个位上相同的性质。121 + 110 + 72 + 45 = 348，所以 x 的个位必须是 8。
• 第二把钥匙是夹逼。右边总和是 44,161,970,358，x 被夹在 134 与 135 之间，根本没有整数；即使有，也应该以 8 结尾。这两条线索互相冲突，说明原题无解。

2.2 AI 不只是算出结果，还指出原型题来自欧拉幂和猜想反例

• 小机进一步指出，这道题的原型可能是 Lander 与 Parkin 1966 年推翻欧拉幂和猜想的著名反例。正确数字应接近 27、84、110、133，而不是图中的 121、72、45。
• 用正确数字时，个位相加为 354，x 末位为 4；再用夹逼得到 x 至少为 135、至多为 153，于是候选中只剩 144。最后验证 144 的五次方等于右边总和。
• 这里的学习价值在于，AI 把“题目错了”讲成有证据的判断，而不是简单说“我算不出来”。它同时展示错误检测、原型识别和解法迁移。

3. 第二组互动说明，AI 可以帮助孩子从题目中抽象方法

3.1 立方题延续了个位筛选和区间夹逼

• 后续类似题把指数换成三次方，AI 引导孩子继续看末位和候选区间。例如立方末位为 9 时，候选集合里末位为 9 的数会被直接筛出；末位为 0 时，也可以从候选里锁定特定数字。
• 这说明孩子学到的不是“144 这道题”，而是“先用同余看末位，再用放缩确定范围，再在候选中验证”的结构。

3.2 作者把学习过程总结为五个追问

• 文章最后把这种学习整理成一组问题：什么是什么，比如同余是什么；你如何知道，比如如何用放缩定界；这个结构如何运转，比如如何同余筛选；如果条件变化会怎样，比如三次方换成五次方；你怎样计算出来，比如多个五次方相加时如何不被计算淹没。
• 这组问题说明作者关心的不是 AI 替孩子完成作业，而是让孩子学会追问概念、证据、结构、变化和计算策略。

4. 这篇文章的真正落点，是人机协作中的“可迁移理解”

4.1 AI 辅导的好处是即时、耐心和可反复追问

• 老师当然可以讲清题目，但时间有限，也很难对每一次卡壳都展开。AI 的优势是随时响应，可以反复解释同一个概念，并在孩子提出新问题时继续陪跑。
• 文章展示的是一种更像“思维脚手架”的使用方式：AI 给出关键线索、检查矛盾、补充背景，让孩子沿着它的推理重新理解题目。

4.2 风险也在于，家长和孩子必须看见推理过程

• 文章没有把 AI 描述成万能教师。第一题中，小机关于出处还提醒“请再核一下”，这恰好说明 AI 辅导需要保留核验意识。
• 如果孩子只抄最后答案，AI 会放大偷懒；如果孩子跟着追问“为什么这样想”，AI 才可能把一次做题转化为可迁移的学习经验。关键不是 AI 会不会解题，而是人是否要求它暴露解题结构。

思想框架

文章先把 AI 做题放进孩子学习迁移的困境：会做一道题不等于会做一类题；接着用五次方题展示 AI 如何通过个位同余和夹逼判断原题无解，并追溯到 x = 144 的经典原型；再用三次方变体说明同样结构可以迁移到新题；最后把过程抽象成概念、证据、结构、变化和计算五类追问。整篇的关键不是证明某个模型更聪明，而是说明 AI 辅导只有在保留推理、鼓励追问和支持迁移时，才真正改变学习。