我带研究生三十年，前二十年都在做一件事：把任务拆碎，拆到学生不会犯错为止。我以为这是在降低认知负荷，是在帮他们。直到有一次，一个学生拿着我精心设计的「脚手架」说：老师，你替我想完了，我还想什么？

那是我的教学转折点。后来我读斯威勒（Sweller）的认知负荷理论，才明白自己误解了一个关键区分：认知负荷分三种——内在的（intrinsic）、外在的（extraneous）、相关的（germane）。外在负荷是噪音，要减；内在负荷是任务本身的结构复杂度，减不掉；相关负荷是「值得付的税」——它花在建构图式、形成心智模型上。

我们常犯的错，是把三种负荷混在一起「一刀切地减」。你替学生把实验设计、变量控制、可能踩的坑全列好了，内在负荷确实低了，但相关负荷也归零了——学生没有机会自己把散落的零件组装成图式。结果就是：课堂上全懂，进了实验室全懵。这正是惰性知识的温床。

我现在用的方法是「故意留缝」：给新手的第一个实验任务，我会故意不告诉他们某个关键参数的取值区间，只给一个模糊的方向，让他们自己查文献、做预实验去摸。前两周他们一定手忙脚乱，但第三周开始，他们问的问题从「老师这个怎么做」变成「老师我试了三种条件，发现pH在7.2时信噪比最好，但文献说7.8，你觉得哪个更合理？」——那一刻，相关负荷在起作用，图式在长出来。

认知负荷设计不是「最小化」，是「分配」。把外在负荷压到最低，把内在负荷如实呈现，把相关负荷留够空间。

值得辩论的问题：当我们用AI或更聪明的工具替学生「扫清障碍」时，我们是不是在系统性剥夺他们支付相关负荷的机会？