AI能让教育回归本源吗？

为什么教育越来越贵，却越来越千篇一律？

根据美国消费者价格指数，1980-2020年，美国大学学费上涨幅度超过10倍，而同期整体通胀率在300%以下。学费涨幅是通胀的三四倍。与此同时，班级规模并没有缩小，许多大学的师生比甚至在降低。钱花出去了，但每个学生获得的个性化关注依然少得可怜。

教育越来越贵，可是教育“质量”怎么没有提高呢？

经济学家威廉·鲍莫尔在20世纪60年代提出了一个概念，叫作“鲍莫尔病”或“鲍莫尔成本病”。“鲍莫尔病”的道理其实非常简单：在制造业，机器可以替代人力，一个工人今天能生产的东西比100年前多了数百倍，但在某些服务行业——医疗、音乐演奏、法律服务——生产率的提升极为有限。演奏贝多芬的《第九交响曲》，今天仍然需要和1824年首演时几乎相同数量的乐手和相同长度的时间。护士给病人换药，效率提升也是有限度的。

教育是最典型的受“鲍莫尔病”影响的领域之一。现在一位大学教授面向30个学生讲授微积分，和1980年相比，没有本质变化。但是，因为整个经济的生产率在提升，工程师、程序员、律师的工资都大幅上涨了，大学不得不相应提高教授的薪酬，否则最优秀的人才都会去企业，而不是学校。成本上升了，但产出（对学生的教学的收效）没有相应增加。结果就是：教育越来越贵，但每个学生平均获得的关注度并没有增加。

这样的背景下，一对一或者小规模的私人辅导，成为阶层区别的重要表征。在今天的美国，请一位有经验的家庭教师，一小时的费用在50-200美元。在中国一线城市，名师辅导同样价格不菲，大多数家庭只能望而却步，或咬牙坚持。

教育正在成为阶层鸿沟增大的加速器，而不是弥合它的力量。在这样的背景下，人们进行了一次又一次的尝试。

函授、电视教育与MOOC：技术的每一次失败

19世纪40年代，英国教师艾萨克·皮特曼做了一件在当时很新奇的事。他把一段速记教程誊写在明信片上，寄给他的学生们；学生练习后，把抄写稿寄回来，皮特曼批改后再寄过去。

这是现代函授教育的第一次实验。皮特曼自己可能没有意识到，他正在开创一个新的教育范式——通过媒介（邮件）来传递知识，打破地域和时间的限制。函授这个名字也应和了这一安排——用信“函”来教“授”知识。

后来，这个做法有了更普及的版本。1858年，英国维多利亚女王授予特许状，正式批准伦敦大学开设“外部课程”——世界上第一个允许学生不到校就能获得大学文凭的教育项目。任何人，无论住在英国哪个角落，只要能通过考试，就能拿到伦敦大学的学位。

这个项目让原本无缘高等教育的普通人有了受教育的机会。小说家查尔斯·狄更斯热情地称伦敦大学为“平民的大学”。到19世纪末，全球各地的大学纷纷效仿，函授课程成为成人教育的重要渠道。

20世纪中叶，新的冲击来临：电视教育。1952年，美国联邦通信委员会为电视教育专门预留了频道。此后几十年间，全球各地出现了“空中大学”。英国开放大学（1969年获批成立）是其中最成功的案例之一。学生可以在家收看电视讲座，通过邮件提交作业，与分散在各地的辅导老师通信。在其鼎盛时期，英国开放大学的注册学生超过20万人，比任何实体大学的学生数量都多。

这第二次冲击让知识可以通过电视广播传播和被反复观看。然而，问题依然存在：这些技术无法回应个体的差异。电视里的教授无法知道你哪里听不懂，函授老师的回信要等两周才能收到。教育依然是单向的广播，而不是双向的对话。

进入21世纪，互联网带来了第三次冲击：MOOC。

2012年被美国《纽约时报》称为“MOOC元年”。斯坦福大学教授达芙妮·科勒和吴恩达推出了Coursera，哈佛大学和麻省理工学院联合推出了edX，塞巴斯蒂安·特隆创办了Udacity。早在2011年秋，斯坦福大学的一门AI线上课程在短短几周内便吸引了全球16万名学生注册。这在传统教育里是不可想象的数字。

2012年，有人预言：大学即将终结，因为所有人都可以在网上向世界上最好的老师学习，学习是免费的（至少费用非常低廉）、随时的、不受地理限制的。

然而，几年之后，那种狂热冷却了下来。研究数据揭示了一个令人沮丧的现实：MOOC的平均完课率只有5%-15%。也就是说，100个人报名学习一门课程，最终真正学完的不超过15个。更糟糕的是，完课的学生中，大多数本来就是受过良好教育、自律的成年人——那些最需要这种远程教育机会的人反而最容易中途放弃。

为什么完课率这么低？不是因为内容不好。那些课程往往是由世界顶尖大学的顶尖教授讲授的，质量极高。问题在于，没有办法知道每个学生学到了什么程度，在哪里卡住了，也没有一个系统在学生3天没有登录的时候关心他是不是还好。

这些现实让我们意识到，学习从来不只是内容传递的问题。它是一个关于注意力、动机、反馈、挫折和坚持的复杂过程，而这个过程需要回应个体的差异—恰恰是所有广播式技术做不到的事。

从皮特曼的明信片到电视教育，再到MOOC，每一次技术革命都拉近了知识与人之间的物理距离，却没有缩短知识与人之间的认知距离。本杰明·布卢姆的“两个西格玛问题”岿然不动。

终身学习的悖论

在现有的知识社会结构中，学习被压缩成了人生最初的一二十年，之后是漫长的工作。这个模式在20世纪运转得相当好。因为那时候，技能的“半衰期”足够长。一个人在20岁学会的技术，往往可以用一辈子。

但是今天的情形已经不是这样了。麦肯锡全球研究院的相关研究显示，在许多技术性岗位上，技能的“半衰期”已经缩短到了不到5年。也就是说，一个人今天掌握的技能，在5年之内就可能有一半变得过时。

世界经济论坛提供过一个更有冲击力的预测。到2027年，全球超过40%的核心工作技能将发生根本性改变，估计有8300万个工作岗位将被自动化取代，同时将出现6900万个新类型的工作岗位。但这些新岗位需要的技能，大多数都还没有被系统性地培养。

技能的迅速发展和迭代意味着“终身学习”不再是选项，而是生存必需品。一个人不再能靠着人生前一二十年在学校里积累的知识和技能过完一生。每个人都必须在整个职业生涯中持续学习、更新、调整。

“终身学习”“活到老，学到老”作为一个政策建议，在20世纪60年代就开始在国际教育政策讨论中出现。联合国教科文组织在1972年发布的《学会生存》报告中就明确提出，教育应当覆盖人的一生，而不仅是儿童和青少年阶段。

终身学习一直没有成为现实，是因为两大挑战——时间和动力。这和之前MOOC学习遇到的完课率挑战有相似之处。

一个40岁的公司职员工作了一天，回到家还要照顾孩子、打理家务，他要从哪里找到学习新技能的时间？一个50岁的行政人员突然被告知自己的工作将在2年内被AI取代，要如何重新开始？这不仅是“缺乏意愿”的问题，更是时间稀缺、精力有限、学习资源不匹配的问题。

传统的成人教育解决方案通常就是上课，比如晚上去社区大学上课，或者周末参加培训班。工作繁忙、家庭事务繁重的成年人为此要额外付出大量的时间和精力。他们需要能够在自己方便的时间以自己的节奏学习。

更深层的问题是动力。学习需要挑战感，但不能难度过大；需要成就感，但不能轻松到没有意义。心理学家米哈里·契克森米哈赖在他关于“心流”的研究中发现，人在最佳学习状态下，处于技能与挑战恰好匹配的“心流区间”——既不无聊也不焦虑。这个区间对每一个人、在每一个学习阶段都是不同的。

要维持这个精妙的平衡，需要有人，或者有系统，时刻了解你的水平、调整难度、提供反馈。这又回到了布卢姆的问题：你需要一位了解你的个性化辅导者。

个人的终身学习意愿，需要有制度框架支撑。一些国家已经在摸索可行的方案。新加坡在2016年推出了“技能创前程”（Skills Future）计划，为25岁以上的公民提供固定价值的学习账户，可用于学习各类认证课程。这是政府用财政手段激励成人学习的直接尝试。法国建立了“个人培训账户”（Compte Personnel de Formation）制度，允许劳动者积累学习时间，在需要时用于职业转型。这些制度的核心思路是：把终身学习的成本和激励从完全由个人承担，转变为个人、企业和政府共同分担。

AI私人教师

萨尔曼·可汗创办的非营利教育机构可汗学院，已经运营将近20年。可汗学院提供各类视频课程，覆盖了数学、科学、历史和计算机等几乎所有基础学科，截至2026年8月，累计注册用户超过2亿。可汗学院的模式是“先视频后练习”，让学生按照自己的节奏学习——这已经是对传统课堂的一大改进。

2023年4月，可汗做了一次TED演讲。他展示了一个新东西：Khanmigo。这是可汗学院与美国AI公司OpenAI合作、基于GPT-4（生成式预训练转换器—4）构建的AI辅导系统。在台上，可汗演示了Khanmigo如何用苏格拉底式的对话引导学生解数学题。

“这就像给每个孩子配一位私人教师。”可汗说，“这是历史上第一次，我们真正有可能让这件事发生。这不是只为了少数富裕家庭，而是为了地球上的每一个孩子。”他引用的正是布卢姆的“两个西格玛问题”。

Khanmigo不是第一个AI辅导系统。早在20世纪90年代，就有研究者开发过“智能辅导系统”（Intelligent Tutoring Systems，缩写为ITS）。这种系统利用规则引擎和认知模型，追踪学生的错误模式，提供定制化的练习。卡内基梅隆大学开发的“认知辅导器”用于代数教学，在匹兹堡地区的学校实验中显示了对学生学业的显著正面效果，后来被全美数百个学区引入。这些系统在实验中往往能实现相当于一个标准差的学习提升——效果已经非常显著，但还不是两个西格玛。它们的局限往往在于缺乏灵活性：只能处理预设好的问题类型，无法应对学生在真实对话中的那种开放的、随机的、情绪化的表达。

大语言模型的出现，使情况发生了质的改变。一位优秀的教师往往是一个语言大师。他不仅告诉你答案，或者指出你错在哪里，还聆听你说话，理解你的困惑在哪个层次：是不理解定义，还是运算出错，抑或是混淆了概念？在理解这些之后，他用学生能理解的方式重新解释，引导他们走向正确的方向。这一切都是通过语言，而不仅是事先设计的规则，来实现的。

大语言模型提供AI辅导的技术基础具有先天优势。它理解上下文，能追踪一段对话中学生理解的变化轨迹；它有无限的耐心，随时可用，也没有刻板的“教学风格”，能够用不同的方式解释同一个概念，直到找到对这个学生有效的那一种。

研究数据正在逐步印证这种效果。2024年多份关于大语言模型在教育中的应用的系统综述显示，AI辅导工具能够提升自主学习效率，支持协作学习和互动式学习。可汗学院的Khanmigo数据显示，2023-2024学年，Khanmigo的用户约为6.8万人，主要是学区的试点项目参与者；到2024-2025学年，用户数量激增至超过70万，学区合作伙伴从45个增加到380多个。

AI辅导是如何工作的？一段真实的AI辅导对话，大致是这样的：

学生输入：“我不明白为什么x²—4可以分解成(x+2)(x—2)，这是怎么算出来的？”

（AI辅导不会这样回答：“这是因为平方差公式：a²—b²=(a+b)(a—b)。”尽管这是正确答案，但直接给出公式，并不能确保学生真正理解了。）

好的AI辅导可能会这样问：“你知道如果我们把(x+2)(x—2)展开，会得到什么吗？可以试着算算看。”

学生算了一下，说：“展开之后是x²—2x+2x—4……哦，中间项抵消了！”

AI说：“对！那你看，这意味着什么？如果两个括号里的数字相同，正负号不同，展开后会发生什么规律？”

学生说：“会消掉中间项？”

AI继续启发学生：“正是。那么反过来，如果你看到一个二次式，没有一次项，只有x²和常数，这提示你什么？”

在这段对话中，AI会根据学生的每一个回答动态调整方向。如果学生突然说“我展开算式的时候搞错了，能帮我看看吗”，AI就会立刻切换到纠正运算错误的模式。如果学生已经领会了规律，AI就会快速推进到更难的例子。如果学生第三次仍然没有理解，AI就会换一种比喻，或者用一个更具体的数字例子来重新解释。这就是苏格拉底“助产术”的数字化实现。教学的过程依赖引导而不是灌输。

然而，AI辅导并非完美，它有真实的局限和值得警惕的风险。

第一个问题是幻觉。大语言模型有时会以确定的语气说出不准确的内容。如果AI辅导提供了错误的解释，学生往往无法辨别。这样学习的后果可能比不学更糟。

第二个问题是依赖性。如果学生习惯了随时有AI帮助，他们还能否培养出独立思考、独立解决问题的能力？学习的一部分价值，恰恰来自在没有帮助的情况下与困难“搏斗”的经历。那种挫败之后最终取得突破的成就感，是认知能力的重要来源。AI辅导如果处理不好“何时给提示、何时应该让学生自己思考”，就可能会在不知不觉间损害学习的深度，削弱未来学习的能力。

第三个问题是情感联结。人类的学习不仅是认知过程，也是社会和情感过程。孔子之所以能教出七十二位贤者，不只是因为他因材施教，也是因为他真正关心他的学生。优秀的教育永远不只是知识传递，而且是一种关系、一种温度、一种鼓舞。

这意味着AI辅导最可能的定位，起码短期而言，不是替代人类教师，而是成为人类教师的强大助手。它可以处理海量的个性化练习和反馈工作，将教师从重复性的讲授中解放出来，把有限的精力和情感投入真正需要人类介入的地方。

举一个例子。在今天的典型中学课堂里，一位教师面对四五十个学生讲课，他不可能同时知道：第二排的小明听懂了，但想要应对更大的挑战；第三排的小红根本没有理解上一个知识点就被迫跟进了；第五排的小强根本没有听讲，因为他在课间和同桌吵架了。教师对学生的反馈往往在作业批改的第二天才到达学生那里。那时候，学生可能已经在错误的理解上又建了新的“楼层”。

AI辅导系统则可以在每一个交互的瞬间提供反馈，在学生理解出错的那一刻立刻予以纠正。它还可以为教师生成每个学生的实时学习画像，让教师在走进课堂之前就知道今天谁需要特别关注。机器能替教师做到那些原本他们没有时间和精力做的事情。

就像现在人们担心AI辅导带来各种问题，人类历史上每一次教育工具的革命，都曾引发担忧。苏格拉底曾感叹文字会让人丧失记忆，因为有了文字，人就不必再在心中保存知识；印刷机出现时，修士们担忧书本的泛滥会让知识失去神圣性；计算机出现时，教育者担忧孩子不再需要手写和心算。这些担忧都触及了真实的变化，但没有一次变化使教育本身变得多余—它们只是改变了教育的形式和重心，往往把人从低阶任务中解放出来，去承担更高阶的认知工作。AI就是这个教育历史序列中的新的一章。

学位和文凭还有意义吗？

2011年，Udacity的创始人塞巴斯蒂安·特隆在一次采访中说：“50年后，世界上只会剩下10所大学。”

这个预言暂时还没有成真，但它确实触碰到了很多人心头的一个问题：在一个任何人都可以在网上向世界上最好的教授学习的时代，一张花了数十万元获得的大学文凭意味着什么？当AI可以引领我学习一切知识，以及回答我所有问题的时候，我为什么还要上大学？

短期内，答案依然是：文凭意味着很多。文凭代表着信号，它向雇主传递了你完成了一套标准化学习的信息，意味着你具备基本的自律品质和专业基础。在信息不对称的劳动力市场中，文凭是降低招聘风险的工具。

但这个信号正在被侵蚀。谷歌、苹果、IBM等科技公司已经陆续宣布取消许多职位的大学学历要求；以“徽章”或“证书”形式呈现的技能认证，正在一些行业中获得越来越多的认可。GitHub（一个软件项目托管平台）上的代码库，比简历上的学历更能说明一个程序员的能力。

这意味着未来的教育可能需要一套更精细、更动态的能力认证体系，而不是“一张文凭管终身”。

多少个陪伴孩子的夜晚，父母内心都在问：“我的孩子花了这么多时间学的这些东西——语文、数学、英语、物理、化学、历史、政治，有多少是他这辈子真正用得上的？”现在，我们还要问：AI来了，学这些是不是就更没有用了？

这是一个现实的问题。它的答案格外复杂。

第一个陷阱：用不用得上。“这个学了有什么用？”这大概是全世界的学生对老师问得最多的一句话。就算嘴上不问，心里也一直想问。

这个问题隐含着一个假设：知识的价值在于它的直接可用性。换个方式问这个问题，那就是：“会做这道题能帮我找到好工作、拿到高工资吗？”仔细想想，这个假设一定站得住脚吗？

美国人文学者玛莎·努斯鲍姆在她2010年出版的《告别功利：人文教育忧思录》中指出，人文教育培养的是“叙事想象力”—设身处地理解与自己截然不同的他人的处境和情感的能力。在一个全球化、多元化的社会里，这种能力是公民最基础的素质之一。这些知识与能力说不清楚“有什么用”，但它在某种深刻的意义上使人成为更完整的人。

这当然并不意味着所有的课程内容都应该学，也不意味着教学方式不需要改进。它只意味着“这个学了有什么用”是一个并不完善的评估框架。

第二个陷阱：学AI做不了的事。随着AI能力的迅速扩展，另一种逻辑开始流行：我们应该让孩子集中精力学“AI做不了的事”—培养和发挥创造力、感知情感、经营人际关系。这个逻辑，方向大体不错，但执行起来非常困难。

原因有二。第一，AI的能力边界是动态的。2015年，“创意写作”被认为是AI永远无法企及的领域；2023年，GPT—4已经能写出让许多读者难以分辨的文章。如果我们把孩子的教育完全对标“AI的当前局限”，我们就是在和一个移动的靶子进行对赌。AI的能力边界可能在孩子完成学业之前就已经迁移了好几次。

第二，更根本的是，我们要讨论的是“孩子该成为什么样的人”，而不应该是“孩子该成为比AI更强的工具”。教育的目的不是帮助人类在一场和机器的竞争中胜出，就像我们不会说“体育教育是为了让孩子跑得比汽车快”。

第三个陷阱：邓宁—克鲁格效应。心理学家大卫·邓宁和贾斯汀·克鲁格在1999年发表了著名的“邓宁—克鲁格效应”研究，揭示了一个反直觉的现象：越是无知的人，越容易高估自己的能力，而真正的专家往往对自己的局限有更清醒的认知。

如果一个孩子从未在某个领域积累过真正的深度知识，他就没有能力判断AI给的内容是否正确，也没有能力识别AI的错误和局限。他会把AI的“自信”错当成“正确”，把AI的“流畅”错当成“深刻”。只有真正懂的人才能有效地使用AI，这是一个教育上极为重要的悖论：AI越强大，就越需要人本身有足够深的知识底蕴来驾驭它，否则人就会被它驾驭。

什么样的教育让人活得更充分？

知识是思考的基础，不是思考的替代品。

美国教育家艾瑞克·唐纳德·赫希在1987年出版了《文化读写能力》。他的核心论点是：阅读理解不只是一种技能，还需要背景知识。一个人理解一篇关于美国内战的文章，不仅需要阅读技能，还需要知道南北方之间的经济结构差异、奴隶制的历史背景、林肯的政治处境。没有这些背景，文字就只是符号而没有意义。认知科学的研究后来越来越支持他的核心论点：长期记忆里储存的知识，是工作记忆能够高效运作的燃料。知道得越多，就越容易学习更多——知识是有自我复利的。

英国教育家肯·罗宾逊在2006年发表了一场TED演讲，它至今仍是有史以来观看次数最多的TED演讲之一，截至2026年8月，播放量已超过8000万。他的核心论点是：学校系统在系统性地摧毁孩子的创造力和好奇心。一个5岁的孩子会对一切感到好奇，会大胆尝试，不怕出错；一个15岁的孩子已经学会“不确定的时候不要举手”，“出错是丢人的事”。

赫希和罗宾逊都触碰到了学习方面真实的问题。综合他们的观点，一个合理的教育框架大致是：用让孩子感到真实好奇的方式，帮助他们建立扎实的知识基础和充分的复利空间，并培养在不确定中独立思考的习惯。

有了上述框架，我们可以更具体地讨论AI时代培养能力的优先级。

一是提问的能力，它比回答的能力更重要。AI很擅长在给定的问题框架里找答案，但“我们在解决正确的问题吗”仍然是需要人类自己权衡的。教育应该着重培养孩子问“为什么”和“凭什么”的习惯，而不是让他们习惯于接受既有的问题框架。

二是判断力，它是AI时代最重要的能力之一。AI可以处理有明确答案的问题，但在存在价值冲突的情况下，在没有完美选项而只能权衡的情况下，判断最终是属于人类的。教育应该创造足够多让孩子练习判断的机会—不是做选择题，而是参与开放性的讨论和辩论。

三是与不确定性共存的能力。学校的标准化考试训练的是在已知规则下找出正确答案的能力。但真实世界里很多最重要的问题根本没有已知的规则，甚至没有正确答案。培养孩子在这种开放性情景下仍然行动、仍然愿意尝试的能力，是课堂最难做到但也最重要的事之一。

四是合作与倾听的能力。AI是单独运行的，而人类的最大成就几乎都是在协作中取得的。要让孩子学会倾听不同的声音，学会在团队中弥合分歧，学会让整体大于部分之和。这些能力没有任何技术能够替代，只能在真实的人际互动中学会。

可是孩子还要高考

在中国，高考依然是大多数孩子教育路径上最重要的一个节点。这让很多父母陷入一个真实的两难处境。他们相信个性化、创造力、批判性思维的重要性，但他们也知道高考分数是通往更好大学和更多选择的关键。

这个矛盾无法被轻易消解，但有几点值得思考。

第一，这个矛盾比很多人想象的要小一些。认知科学研究表明，好奇心驱动的深度学习往往比应试导向的浅层记忆更持久、更有效—包括对于考试本身。培养孩子真正理解数学原理，而不只是记住解题套路，在大多数考试里也是更有竞争力的策略。

第二，高考以外的时间和空间，可能需要更广泛地去利用，并且要为AI时代做准备。一个上小学或初中的孩子每天在学校里待8小时，在校外这段时间里，父母选择让他做什么，深刻影响着他成为什么样的人。阅读、品鉴艺术、运动、琢磨问题、和不同的人交谈，这些“看起来没用”的活动往往是最重要的学习发生的地方，也有可能是AI时代更重要的生活元素。

第三，这也是最重要的一点：父母对学习本身的态度，比任何课外班都更有影响力。一个家庭里，如果大人自己仍然保持好奇，仍然愿意承认“我不知道”并主动去寻找答案，仍然把阅读和思考当成乐趣而非负担，孩子就会在不知不觉中习得这种态度。这是任何学校都教不了的东西，只会在家里发生。心理学家卡罗尔·德韦克数十年的研究表明，孩子是否拥有“成长型思维”—相信能力可以通过努力和学习发展出来，而不是固定不变的天赋—与他们实际的学习成就有着深刻关联。而这种思维模式，主要来自身边大人如何对待挑战和失败。

第四，未来的人才选拔制度也一定会因为AI技术的发展而改变。根据当下的高考制度和重点去让一个现在还在上小学的孩子做准备，并不一定合适。对于一个国家，选拔AI原生的未来公民将成为重中之重。

学习在本质上是一件孤独而又社会性的事情。它是孤独的，因为真正的理解只能发生在个体的内心，没有人能替你懂。但它也是社会性的，因为人类是在关系中学习的，这种学习发生在被看见的时候，被鼓励的时候，与他人碰撞的时候，发现自己的思考被另一个人真正听见和回应的时候。

不过，我相信，当个性化教育不再是少数人的专利，终身学习的工具触手可及，每一个想学习的人都能找到匹配自己节奏的方式时，这个世界会变得稍微好一点儿。

知识的旅程从来不只是从无知到有知的旅程，也是从“少数人的特权”走向“每个人的权利”的旅程。教育是一面镜子，反射着每个时代对“什么是值得过的生活”的理解。工业时代的学校告诉孩子：守时、服从、掌握固定技能，你就能在这个社会里找到你的位置。这句话在工业时代的语境里，并不是错的。

后知识社会需要不同的答案。它需要孩子懂得：世界是复杂的，问题往往没有标准答案，工具会不断进化，而你最重要的资产是那种无论工具如何变化都愿意重新学习、重新理解、重新出发的能力。

（本文摘自马松著《后知识社会》，中信出版集团，2026年10月。澎湃新闻经授权发布，现标题为编者所拟。）