关于 AI 教育的思考
在将近半年没有看过“网课”之后，我想谈谈 AI 时代的教育变革问题......
开始
ChatGPT 时代
回想起 ChatGPT 时刻，那还是在我高二上学期，奥密克戎疫情即将大爆发的时候。我记得我在排队等候做核酸检测，然后在手机上进入了 ChatGPT 的网页，用之前注册好的账号，一路上就沉浸在对话之中。我让他写文章，写诗，写代码，好像这些事情他都能回答。这是我之前在和那些笨蛋“AI”助手对话时候从未体验过的。但是我依旧把它当成一个玩具，“只是一个更通人性的AI对话助手而已”。
第一个变化是下学期，那时候疫情已经到尾声了，而我面临着一个生物学联赛吧。说是参加比赛，其实我没有积极应对。甚至可笑的是，那些生物学专业书还是比赛结束之后，到高三了才开始细读的（为了跟我当时的生物老师辩论）。不过扯远了，回到那时候，当时有个叫北斗学友机构出的一个模拟联赛，我们生物学老师叫我们几个人参加。不过就如前文说的，我那时候挺消极，就想了一个歪主意：把这些题一个一个扔给 ChatGPT 解答怎么样呢？我就真的这么做了。那时候 ChatGPT 还读不懂图片，我就懒得做什么 OCR 或者描述图片了，把能复制的文字部分给它，然后直接把它输出的答案填上去。最后意料之外的，还不是倒数，大概也做了20%的分数吧。当时觉得这个东西还挺聪明的，之后有一些生物学问题也就问它，甚至用它来出题什么的。
但是也仅限于此，那时候我主要的学习范式依旧是古法学习，不会的东西就借助搜索引擎，在各种信息源里搜索、过滤，直到找到我想要的答案。至于 ChatGPT，只会在想起来的时候用一下，还是把它当作一个有意思的东西，而不是靠谱的助手。
整个高中阶段，在上大学之前，我都没有使用过 LLM 来做编程的事情。在高二那个暑假，我都还在古法地就着划词翻译在那啃 Rust 教程。现在回想起来，貌似在 ChatGPT 的热度没有那么大之后，我也就没怎么去用它了。后面偶尔去用，也是在 New Bing，或者后面来的 Copilot。当时也还没有 Claude Code 或者 Cursor 这样的东西，最近的东西是 Copilot，而且也还没有 Agent 模式。自然也还没有 Vibe Coding 的概念。再加上整个高三的压力，这一年我大概是处于 AI 真空的状态。
Vibe 时代
之后发生的事情就很快了，或许也不用我单独去说。因为处于写代码的圈子里面，我接触到 Agent 这个概念是很早的。从 AI 能写一小段代码，到 AI 能写一个脚本，再到 AI 能独立写完一个小项目。这个变化相当之快，在 2026 年用着 Codex 写着一个比较复杂的项目的我，或许已经开始对去年这个时候写代码的方式产生怀旧情结了。
但是写代码之外呢？这里或许存在着一个群体的偏差，在我的视角里不太注意到的。不写代码的人，在这个阶段应该还是很难接触到 Agent 的应用。这句话其实我也只能说到这里了。因为我确实不太了解这个视角。但是如果从下一个时代来说，这个区别相比还是很大的。
OpenClaw 时代
其实对于我来说，OpenClaw 并不是什么新东西，甚至并不是什么值得注意的东西。它就是我平时经常接触的一类东西，那种会做事的 Agent。可以帮我读文件，调用工具，执行终端命令等等。但是很显然，这次的群体不一样了。
在“200元代装 OpenClaw”的荒谬消息下，是一个个连电脑都不太会用的人，开始意识到了 AI 原来不只是 Chatbot。然后随着一众厂商的跟风推广，我觉得这就是 Agent 走进千家万户的一个时间点了。我们今天要谈的 AI 教育，也是在这个背景之下。
AI 与 教育
写完了编年史流水账，终于到了我们的主题。那就是现如今，对于学习的场景来说，AI可以是什么呢？我的答案很简单，AI可以完全占据教师的生态位，成为我们自己的老师。
我们是怎么学习的？
学习要形成闭环，需要几个东西：动机、元认知、输入、反馈。
自我调节学习理论（Zimmerman, 2000）把学习描述为一个循环：计划→执行→反思，贯穿始终的是学习者对自身状态的监控和调整。**维果茨基的最近发展区（ZPD）**则指出，有效的学习发生在"刚好够难"的区间——太简单没有成长，太难直接放弃——而把学习者维持在这个区间里，靠的正是持续的、精准的反馈。自我决定理论（Deci & Ryan）区分了内在动机和外在动机，并指出真正可持续的学习动力来自内在——自主感、胜任感、联结感。
flowchart LR
A[动机\n知道为什么学] --> B[输入\n获取知识和思维过程]
B --> C[行动\n练习 · 思考 · 应用]
C --> D[反馈\n知道对不对\n卡在哪里]
D --> E[元认知\n调整策略\n更新自我认知]
E --> A- 动机解决的是启动问题——知道为什么学，才愿意开始，愿意坚持。动机有内有外，但最强的动机是内在的，是兴趣。兴趣作为启动力很强，但会在遇到挫折后衰减。这里先按下不表。
- 元认知是对自己思维过程的觉察和控制——知道自己在学什么，知道自己卡在哪里，知道下一步该怎么走。这是一个更高层次的问题，传统教育基本没有系统性地解决它，这篇文章也不打算展开。
- 剩下的是输入和反馈。输入是知识本身，反馈是学了之后知道对不对。这两个才是我们今天要讨论的核心。
书本、教师、网课——其实是同一件事
在AI出现之前，我们获取知识的方式无非三种：书本、教师、网课（或者视频）。看起来是三种不同的东西，但本质上是同一件事——传递知识和思维过程。而且书本和网课并不是独立的媒介。它们都是对教师教授知识这一过程的记录和再现。教师才是本体，书本和视频是教师的影子。
那教师的生态位是什么？剥掉"人"这个载体，教师提供的核心是三件事：思维过程的实时呈现、与你的动态交互、根据你的认知状态调整解释。书本和视频只继承了第一个。你读一本书，看一节网课，能看到知识是怎么推导出来的——好书好视频好在这里，板书好在这里。但你卡住的那一刻，没有人在。你只能暂停，然后去更多的资料里找答案，找到了还不一定能接上自己的思维过程。后两个生态位，书本和视频天然丢失了。
教师本身呢？教师有交互，但交互是稀缺的。一个老师面对几十个学生，课堂上敢问问题的永远是少数人，课下想问得等老师有空。真正个性化的、即时的反馈，只有一对一才能实现——而一对一意味着家教，意味着钱，意味着资源。要得到这些需要不菲的代价。
所以AI出现之前，所有的学习资源，在输入这件事上不断优化，越来越便宜，越来越容易获取。但反馈这条线，始终是断的。这不是某个老师不够好，也不是某本书写得不够清楚，而是整个模式的结构性缺陷。
AI是教师本身
现在回到AI。AI不是更好的书本，不是更方便的搜索引擎，不是对教师的又一次记录和再现。AI直接占据了教师的生态位本身。
思维过程的呈现？有。动态交互？有。根据你的认知状态调整解释？有。教师能做的三件事，AI全部具备。而且AI还解决了输入的问题——互联网已经让信息获取近乎免费，AI在此基础上进一步做了筛选和个性化，根据你的需求决定给你看什么、怎么解释。
**有人会说AI会幻觉，会给出错误答案。**这个反驳听起来有力，但经不起推敲。人类教师同样会犯知识性错误，在资源匮乏的地方更加频繁。而且AI的错误可以被大规模发现和修正，人类教师的错误往往在小课堂里悄悄传递，没有任何纠错机制。随着模型能力的提升，幻觉会持续缓解，但是教师的错误率没有系统性改善的可能。
**还有人会说AI不知道你的状态，没法真正做到个性化。**这同样是教师本来就面临的问题。好的教师能洞察学生，高水平的AI同样能从对话中追踪状态。区别在于：特级教师一对一是极度稀缺的奢侈品，而高水平AI的成本趋近于廉价，而且会随技术进步持续下降。
这是一次教育公平的变革
说到这里，问题就不只是"AI当老师"了。
有效的、个性化的反馈，历史上一直是稀缺资源。它和钱绑定，和地区绑定，和运气绑定——你能不能遇到一个好老师，在很大程度上决定了你能走多远。好老师的数量有上限，这个稀缺性不会随时间系统性改善。
AI让这件事的成本趋近于零。拿AI和特级教师家教比，在中国一线城市一小时几百到上千块，还不一定约得到。AI在这个参照系下几乎是免费的。落后地区的孩子，第一次有机会获得和精英学校学生同等质量的"老师"。
就拿我自己小时候遇到过的老师来说，我自身没有出生在大城市，读的都是普通的学校，代表了那个地区的平均教育资源水平。我可以毫无疑问地说，豆包这样模型的知识储备量都可以完胜这些老师。当你对学习的知识开始产生兴趣，开始想要探索的时候，等着你的将不会是曲解、拒绝和搪塞，而是来自模型的尽可能的解答。
它做到了让河南的普通学生在遇到自己感兴趣的问题的时候，也能得到像上海学生那样的探索机会。而且随着模型能力的不断进步，专注教育领域的AI应用(Harness)的出现，以及更多模态能力的扩展，这样的差距会进一步被填平。
我相信这场大变革的来临不会太远，它的开始只需要一点点思维的转变。如果你看到这篇文章的时候还在“古法学习”的话，请试试尽情拥抱AI吧！
P.S. 国家在政策层面也已经在推动这件事情的发展 教育部等五部门关于印发《“人工智能+教育”行动计划》的通知