教育的瓶颈从谁来教搬到了想不想学

前几天我在一个 AI 社群里看到一场讨论，起因是一封聊「孩子为什么不肯学」的邮件。讨论不长，但我越想越觉得里面有东西，就顺手把动机科学、学习科学，还有 alignment 那边的证据都翻了一遍。串起来一看，是个挺完整的故事。但要把它讲明白，得先从教育本身说起。

往回看，教育其实一直是围着稀缺的东西转的。最早稀缺的是书，知识锁在少数几本抄本里，所以那时候的教育就是背，谁能把一本书装进脑子谁就有本事。后来印刷术让书变便宜了，书不稀缺了，稀缺的换成了老师。老师就那么多，学生那么多，只能批量教，于是有了教室、课表、四十个人一个班。整套学校就是这么来的，就是把稀缺的讲授批量发下去。现在 AI 把讲授的边际成本打到了零。一个全天在线、随叫随到、永远不烦、还能因材施教的老师，第一次人人都有了。这套学校服务了几百年的那个瓶颈，等于没了。

那学习应该爆发了吧？并没有。Khan Academy 免费摆了十几年，按它自己 2024 年的效能报告，只有 9% 左右的学生用到了建议的量。多伦多大学的团队做过一个一万多人的随机对照实验，三到六年级的孩子每周用满 35 分钟，数学成绩能涨 0.12 到 0.17 个标准差，效果是真的。可七八年级的学生平均每周只用 10 分钟，效果是零。工具白送，也没人用。所以只能说瓶颈没有消失，只是搬了家，从「谁来教」搬到了「人为什么想学」。

教育瓶颈的三次迁移

学校那套设计，解的是一个已经不存在的问题

年级、课表、统一进度、期中期末考，这套东西在它出现的那个年代，每一样都是合理的解法。老师稀缺，就只能批量教，按年龄分班，按学期排进度，再用考试做质检。十九世纪普鲁士人把它定成了标准，全世界抄了两百年。

代价出在动机上。分数、排名、升学，都是挂在学习外面的奖励。外部奖励会杀伤兴趣，这是动机科学里被复现得最多的结论之一。1973 年斯坦福有个实验做得挺狠，找了一批本来就爱画画的幼儿园孩子，跟其中一组说「画完有奖状」。几周后到了自由活动时间，拿过奖状的孩子画画的时间，只剩没拿奖状的孩子的一半。后来有人把 128 个同类实验汇总起来做了元分析，方向是一致的，事先说好的、实打实的奖励，会系统性地削弱本来就有的兴趣。道理不复杂，人会从自己的行为倒推自己为什么这么做。既然画画是为了奖状，那奖状一撤，画画的理由也就跟着没了。

外部奖励反噬内在兴趣：孩子本来爱画画，给了奖状后再撤掉，画画的理由也跟着消失

所以学校现在的处境挺拧巴的。它一边在分发稀缺的讲授，一边又用外部奖惩磨着学生的动机。在旧瓶颈的年代，这笔账还算得过来，毕竟不上学连知识都摸不到。现在讲授不稀缺了，这套东西还在原地转，等于是一边损耗新的瓶颈，一边去解一个已经不存在的旧问题。这笔账现在算不过来了。

需求不是只能找现成的，是可以点出来的

回到那场讨论。一位做 AI 教育活动的朋友复盘了自己的经验。他直接跟人说「你们需要学 AI」，没人来；后来改成办 Hackathon、办 demo day、给大家向投资人演示的机会，人自然就来了。他得出的结论是，别在别人心里硬造渴望，要去找已经存在的需求。

他这个复盘我觉得挺值钱，实操上也全对。但「找已经存在的需求」这半句，我总觉得差了点什么。想来想去，只能说他把自己做成的事说小了。

「没需求就推不动」这个说法，动机科学里有个实验打得很准，是 2009 年发在 Science 上的一个随机对照。研究者让高中生在一个学期里定期写点东西，每次一两段，题目是「这周学的东西跟我的生活有什么关系」，对照组只写内容摘要。结果实验组的兴趣和成绩都涨了，而且原本最不看好自己的那些低动机学生，涨得反而最多。你想，如果兴趣真的只能找现成的，这个办法应该只对本来就有兴趣的人管用，结果正好反过来。兴趣研究的主流框架说得更直接，兴趣一开始是被环境触发的，叫情境兴趣，用不着你事先就有。兴趣是学出来的，是学习的结果，不是你进场之前就得先揣在兜里的东西。

所以那位朋友真正做成的事，不是找到了需求，是搭了个场，把还没点着的兴趣点着了。这个场靠两个引擎起作用，他只看到了一个。第一个是需求翻译，就是让人觉得「这东西能解决我手头的问题」。第二个他没提，是模仿。René Girard 这个思想家一辈子就讲一件事，人的欲望大多是从别人那里抄来的，我们想要一个东西，往往是因为我们敬佩的人想要它。demo day 上真正点火的，常常不是「AI 有用」这个说法，而是你看到一个跟自己差不多的同行做出了东西，站上了台，被一圈人围着问。

二元需求与三角欲望

「以后用得上」是真话，孩子照样不买账

那场讨论的源头，是社群里的那封邮件。写邮件的人看着自己女儿学了三年编程，说大人最坑孩子的一句话，就是「这个先学着，以后总会用得上」。孩子能感受到的只有当下，看不到作品、看不到目标的时候，知识对她来说就是纯负担。他给女儿想的办法，是把「学 AI 编程」换成「做一个你能和朋友一起玩的网页游戏」。

这个观察真准。再往下拆一层，「以后用得上」多半是真话，只是对归对，孩子没法照着它走。

行为经济学把这件事描述得很精确。人对未来回报的折现是双曲线的，回报每往后推一步，现在看它的价值就跌一大截。发展心理学又补了一层，青少年折现的研究测出来，13 岁以下孩子的折现率显著比成年人陡。原因出在硬件上。管冲动和奖赏的边缘系统，青春期就早早成熟了；管长远打算的前额叶，要到成年才长好。所以就算孩子完全明白「以后有用」，那个回报在他的价值曲线上折完现，也差不多是零了。跟孩子讲「这个以后很重要」，等于在跟一条折现曲线辩论，从数学上就注定会输。

有意思的是，强化学习早就把这个问题和解法一起写清楚了。奖励太远、太稀疏，中间每一步都没有信号，这叫稀疏远端奖励，是 RL 里的经典死局。解法叫 reward shaping，就是在通往远端目标的路上，插一串当下就能拿到的小奖励。1999 年有个定理证明过，只要塑形奖励的形式取对，最优策略就不会变。你没有降低目标，也没有骗他，只是把梯度铺出来了，最后走到的还是同一个地方。

同一个远端目标，两种奖励地形：左边只有"十年后的深谷"，小球在平地上不动；右边沿路铺了一串小坡，小球一路滚进同一个谷底。

「做一个能和朋友玩的网页游戏」就是教科书级的 reward shaping。那位父亲没跟女儿讲编程有多重要，只是让她这个愿望顺路经过了变量、循环和调试。今天写的代码今天就能跑，这周做的按钮这周朋友就能点。女儿觉得自己在做游戏，长出来的却是能力。目标没变，变的是回报的形状，或者说，是奖励在时间上怎么摆。

直接给答案的 AI，学生越用越差

到这一步，看起来都挺顺的。老师免费了，动机也知道怎么点了，剩下的不就是点火吗？讨论里也有人说，带着问题去问 AI，动机问题天生就解决了。这句话我只能同意一半，另一半是整场讨论里最危险的盲区。

2025 年 PNAS 上发过一个实验，我觉得值得贴在每个做 AI 教育的人墙上。宾夕法尼亚大学的团队在土耳其一所高中找了近千名学生，分三组做数学练习。一组用原味 ChatGPT，一组用加了护栏的版本，只给提示不给答案，还有一组不用 AI。原味组练习成绩涨了 48%，可撤掉 AI 去考闭卷，反而比从头到尾没用 AI 的学生低了 17%。护栏组练习涨了 127%，闭卷勉强追平了不用 AI 的对照组。

翻一翻聊天记录就知道为什么。原味组绝大多数学生根本不问思路，直接要答案，而 ChatGPT 给的答案只有一半左右是对的。练习分全是 AI 撑起来的，AI 一撤，成绩比从头到尾自己练的还差。

这个结果我一点都不意外。我自己整天用 AI 干活，太清楚那条能量最低的路径长什么样了。只能说在挑省劲的路这件事上，学生跟我没什么区别，谁都一样。

「带着问题问 AI」的另一面就在这里。它确实解决了动机，但「问 AI」这个动作，恰好也是绕过学习的动作。学习科学里有条挺反直觉的铁律，间隔重复、自我测试、先自己挣扎再看答案，这些做的时候觉得费劲、甚至觉得自己在退步的办法，才是把东西刻进长期记忆的工序。这个现象有个名字，叫合意困难。学东西越顺，留下来的反而越少。而 AI 恰好是人类发明过的最强的困难移除器。一个学生投入地、开开心心地把认知劳动外包给 AI，自己觉得学疯了，其实什么都没沉淀下来。动机满格反而烧得更快，因为他连停下来的理由都没有。

正面的证据也指向同一个开关。世界银行在尼日利亚做过一个六周的 AI 辅导实验，效果跑赢了发展中国家教育干预数据库里八成的项目。但它的提示词是专门设计成引导推理、不直接给答案的，课堂上还有老师盯着，防着学生偷懒。哈佛物理课上那个让学习增益翻倍的 AI 助教，也一样被做成了只引导、不代劳。所有这些实验的效果是正是负，最后都看一个变量，就是想出答案的那份认知劳动，还在不在学生自己身上。

同一台 AI，两条回路

AI 时代的学习有两条回路。卡住的时候只给提示，压掉的是挫败感，保住的是动机；直接给答案，压掉的就是思考本身了。

按需学习，是已经会学习的人的红利

按需学习还有个更隐蔽的边界，它讲的其实是已经会学习的人怎么接着赢。社群里那位朋友举过自己的例子。他小时候觉得英语没用，后来出去玩、玩英文游戏，需求出现了，英语「自然就上来了」，高考前英语课都不上，照样考得不错。但这个故事还有另一半，他前面有九年课堂英语垫着底。需求点着的，是一个已经被系统训练过的存量。点火和建造是两件事，动机能把已有的能力激活，但从零到一的地基，它建不出来。

再往冷处想一层。纯靠需求驱动的学习，结构上就是贪婪搜索，只能顺着眼下感觉得到的梯度往上爬。一个没接触过微积分的人，永远不会「需要」微积分，因为微积分根本不在他感觉得到的方向上。你没法想要一个你想象不到的东西，这话有点绕，但就是这么回事。通识教育、强制暴露这些看起来违背「按需」的东西，干的正是这件事。它们在需求出现之前先把先验建好，让以后的需求有机会被表征出来。

这还会影响好处最后落到谁手里。2015 年 Science 上有一项研究，看了哈佛和 MIT 的 68 门免费网课，发现报名的人家庭社会经济地位显著高于美国平均。免费开放没有缩小差距，反而让本来就有自驱力、本来就会自学的人，又多吃了一轮红利。AI 正在重演这个剧本，只是鸿沟从「有没有工具」挪到了「会不会提问、能不能判断输出好不好」。我在《道升术降》里写过，AI 时代升值的是品味和判断。这里得补一句，品味也好，判断也好，没有一个是纯靠「按需」长出来的，都是长年被推着去接触、被推着去练出来的。

所以 push 和 pull 这两件事，我感觉不太像大家嘴上说的那种对立，pull 更像是 push 攒下来的红利。前面没人推过你，后面那个「需求一来，能力自然就上来了」的故事根本不会发生。孩子手里只有「即时偏好」这一个账户，「以后用得上」开的是「反思偏好」的支票，当场兑不了现。教育在这里做的，是社会先把更长的时间视野，借给还没长出它的人。

教育的成功，放在 alignment 里就是事故

我是做 AI 的，忍不住想把这整件事翻译成 alignment 的语言。大部分环节都翻得很顺，只有最顶上那层是反着的，这个反差我觉得特别有意思。先说顺的部分。说教之所以没用，是因为你没法把目标函数直接写进一个 agent，只能去设计环境，让目标自己长出来。应试刷分就是对代理指标的过拟合，是 Goodhart 定律的教科书案例。DeepMind 讲 specification gaming 的那篇官方文章里，举的日常例子就是学生为了分数去抄答案，而不是去学材料。

反着的那层在这里。AI alignment 在工程上要做的全部事情，是让 agent 稳稳地对齐一个外部给定的目标，防止它漂移，防止它改写自己的奖励函数。改写奖励函数这种情况叫 wireheading，是 alignment 要极力避免的事故。教育正好倒过来。一个学生长出了原本没有的兴趣，改写了自己想要什么，这恰恰就是教育成功的定义。同一个行为，在 alignment 那边是要拼命防住的事故，在教育这边却是大家最想看到的结果。

同一个行为在两边符号相反：AI 对齐拼命防止价值漂移，而教育恰恰把价值漂移当成成功

所以教育不是把人对齐到某个外部目标，那个叫驯化。教育干的事更像一场受控的价值漂移。先搭一个场，把兴趣点起来；再用护栏，保住那份不能外包的认知劳动；等哪天这个人开始自己给自己定目标了，设计者的活也就干完了。前面讲的其实就是这两层，先解决人想不想学，再保证学的动作没被偷偷外包掉。第一层现在有 AI 帮着搭场，第二层反而因为 AI 更难守了。哪层更难我说不好，感觉是第二层，因为它对着干的是那条能量最低的路径，也就是人天生就想走的那条。