2025年4月7日，YouTube上拥有超过2000万订阅的科普顶流Veritasium（本名Derek Muller）受邀在加拿大Perimeter Institute for Theoretical Physics做了一场75分钟的公开演讲。标题是"What Everyone Gets Wrong About AI and Learning"——关于AI和学习，所有人都搞错了什么。
这听起来像是又一场AI鼓吹大会？恰恰相反。Muller拥有新南威尔士大学的物理学博士学位，同时还是教育学（科学传播方向）的研究者。他用这场演讲做了一件在YouTube教育圈极为罕见的事：他花了大量时间回溯过去100年里的每一次"教育革命"——然后逐一证明它们全部失败了。
从1922年爱迪生预言电影将"取代教科书"，到1950年代 radio 进入课堂的狂热，到1970年代电视教学的承诺，到个人电脑、MOOCs——每一次，技术先驱们都信誓旦旦地宣称"这次不一样"，然后——没有一次真正改变了学习效果。
这不是一篇反AI的文章。Muller明确承认AI tutors会变得越来越好。但他的核心论点远比"AI好不好"深刻得多：教育的瓶颈从来不是信息传递，而是认知负荷、刻意练习和社交支架。 只要你搞不清楚人脑是如何学习的，任何技术——包括AI——都只是一场华丽的幻灯片。
440万人看了这场演讲。它值得更多人看到。
| 项目 | 内容 |
|---|---|
| 视频标题 | What Everyone Gets Wrong About AI and Learning - Derek Muller Explains |
| 频道 | Perimeter Institute for Theoretical Physics |
| 演讲者 | Derek Muller (Veritasium) |
| 时长 | 75分钟 |
| 播放量 | 440万+ |
| 核心主题 | 教育技术革命的百年轮回失败，以及认知科学如何解释为什么技术无法替代练习 |
Muller从一张1922年的报纸引述开始。Thomas Edison本人宣称："电影将在十年内取代教科书。我们的学校系统将在十年内彻底改变。"
结果呢？电影没有取代教科书。学校系统没有彻底改变。
然后是1950年代的无线电教育热。政策制定者和教育理论家们描绘了一幅美好图景：最优秀的教师可以通过广播同时教成千上万个教室的学生。一些极端乐观者甚至预言广播可能"减少教师的需求量"。
实际研究结果：当学生通过广播收听同样的教学内容时，学习效果与面对面教学没有显著差异。 换句话说，广播没有更好，也没有更差——它只是换了一个媒介，而学习效果取决于内容本身和练习方式，而不是传递渠道。
接着是1970年代的电视教学和闭路电视系统。研究者做了严格的对照实验：同一门课，同样的讲授内容，一组学生在现场听，另一组通过闭路电视看。结论：没有显著差异。 学生学到的东西几乎一模一样。
然后是个人电脑时代。Seymour Papert的Logo编程语言（Turtle Graphics）被寄予厚望——让儿童通过编程来"学会思考"，提升广泛的推理能力。研究结果：孩子们学会了编程，但这些技能并没有迁移到其他认知领域。 编程就是编程，它不会自动让你变成更好的数学家或写作者。
MOOCs（大规模开放在线课程）是最近的一次教育革命承诺。 2012年被《纽约时报》称为"MOOC元年"。Sebastian Thrun预言MOOCs将在50年内取代全球大学系统。十年后，MOOCs的完成率稳定在5-15%之间。绝大多数注册者从未看完第一周的课程。
Muller的核心洞察：这六次"革命"——电影、广播、电视、电脑、互联网、MOOCs——失败的原因惊人地一致。 它们全都聚焦于"信息传递"这个环节，假设学习的主要问题是学生获取信息的方式不够高效。但这个假设是错的。
演讲的中段，Muller引入了Daniel Kahneman的"双系统理论"——这是理解为什么教育革命会失败的认知科学基础。
系统1（System 1）：快速、自动、无意识。它从长期记忆中提取模式，进行闪电般的模式识别。当你看到一个熟人的脸，不需要"思考"就知道是谁——这就是系统1在工作。当你是一位象棋大师，扫一眼棋盘就能"看到"最佳走法——这也是系统1。系统1的强大来自于反复练习积累的长期记忆结构。
系统2（System 2）：缓慢、费力、有意识。这是我们用来学习新事物、检查错误、进行复杂推理的系统。但系统2有一个致命限制：它的容量极小。
这就是著名的"工作记忆容量"问题。早期的心理学研究（George Miller, 1956）提出人类工作记忆能同时处理约7±2个信息单元。但后来的研究（Cowan, 2001）修正了这个数字——更准确的估计是约4个。
Muller在演讲中做了一个生动的现场演示：让观众在脑中保持一串数字的同时尝试解决一个推理问题。结果是什么？工作记忆被数字占满后，推理能力急剧下降。 他还引用了生理学证据：当认知负荷增加时，人的瞳孔会明显放大——这是大脑在"努力工作"的可见信号。
这个发现对教育的含义是毁灭性的： 如果学习者需要同时处理太多新信息（超过4个单元），系统2就会过载，学习就会停止。不管你的信息是通过电影、广播、电视还是AI传递的——只要超出工作记忆容量，大脑就会"宕机"。
Muller随后引入了John Sweller的认知负荷理论（Cognitive Load Theory），这被许多教育研究者认为是"教育领域最重要的理论"。Sweller本人曾说过："我得出的结论是，认知负荷理论是教育中最重要的单一理论。"
认知负荷分为三种类型：
1. 内在认知负荷（Intrinsic Cognitive Load）：材料本身的难度带来的认知需求。这是无法消除的——你学微积分时，微积分本身的复杂性就在那里。你只能通过合理的序列设计来逐步降低它，而不是试图一次性"消灭"它。
2. 外在认知负荷（Extraneous Cognitive Load）：由糟糕的教学设计产生的多余认知负担。混乱的排版、嘈杂的环境、不清晰的表述、无关的装饰元素——这些都在蚕食学习者宝贵的工作记忆容量。这一类必须尽量消除。
3. 相关认知负荷（Germane Cognitive Load）：用于构建长期记忆结构的有益认知努力。当你努力理解一个概念、在脑中建立联系、进行自我检测——这些"费脑子"的活动正是学习发生的地方。这一类应该被最大化。
Muller的关键论点在这里变得清晰：过去100年的教育技术革命几乎全都在关注"如何更好地传递信息"，却没有触及认知负荷的核心问题。 一个制作精良的视频可能有较低的内在认知负荷和外在认知负荷，但如果学习者不进行主动的认知加工（germane load），信息就永远不会进入长期记忆。
演讲中一个引人入胜的段落是关于专业知识的本质。
经典的De Groot（1946）/ Chase & Simon（1973）国际象棋研究：当象棋大师和初学者同时观看5秒一个真实对局中的棋盘时，大师能回忆起几乎所有的棋子位置（约20-25个），而初学者只能记住5-6个。
但这不是因为大师的记忆力更好。 当棋盘上的棋子被随机摆放（不是真实对局中可能出现的位置）时，大师的表现暴跌到和初学者差不多的水平——5-6个。
这意味着什么？大师的优势完全来自于长期记忆中存储的数万个棋局模式（chunks）。 他们不是"记住了"每个棋子的位置，而是"认出了"整个棋局的模式。这就像你认出一张脸——你不需要逐一分析眉毛、鼻子、嘴巴的位置，你一眼就"看到"了一个人。
这个发现有一个深刻的教育含义：不存在可以广泛迁移的"一般性思维技能"。 1980年代很多人相信教编程可以让学生"学会如何思考"——但研究表明，编程技能几乎不会迁移到其他领域。象棋大师的超凡能力仅限于象棋本身。
因此，教育的核心任务不是教"如何思考"，而是帮助学习者在特定领域构建丰富的长期记忆结构。 而这需要的是——重复的、费力的、针对性的练习。
Muller用一个精妙的隐喻来解释教学中的"支架"（scaffolding）概念：GPS导航。
想象你到了一个陌生的城市。如果你立刻扔掉GPS，试图靠"探索"来找到目的地，你会迷路、沮丧、浪费时间。但如果你一直依赖GPS，你永远不会真正学会这个城市的道路。
正确的做法是：开始时使用GPS（完全引导），然后逐渐减少提示（部分引导），最终独立导航（无引导）。
这就是教育中的"worked example effect"（已解范例效应）——认知负荷理论中被研究得最充分的效应之一。研究者反复发现：给初学者提供完全解答的例题，比让他们自己尝试解决问题，学习效果显著更好。
这直接挑战了1990-2000年代风靡全球的"发现式学习"（Discovery Learning）和"建构主义"（Constructivism）的某些极端版本。这些理论主张让学生"自己探索发现知识"。但研究发现，当支架被过早撤除时——学生陷入困惑和过载，工作记忆被"搜索"过程占满，反而没有余力去"学习"。
Muller谨慎地表示，建构主义的核心理念——"学生应该主动建构知识"——并没有错。错的是某些实践者把这个理念解读为"不要提供指导"。 学习者确实需要主动建构，但他们需要在精心设计的支架内建构。
在演讲的后半段，Muller提出了一个可能最反直觉的论点：教育本质上是一项社交活动。
他把学习类比为去健身房锻炼。你可以拥有世界上最先进的健身器材（技术），最详细的训练视频（信息传递），但如果没有人监督你做"那些痛苦的重复动作"——你不会变得更强壮。
健身房的私教真正在做什么？ 不是"传递信息"（你已经知道怎么做俯卧撑了）。而是提供监督、问责、社交压力和及时的反馈。
教室里的教师真正在做什么？ 也不是"传递信息"（学生可以自己看书）。而是创造一个社交环境，让学习者在同伴的激励下进行费力的认知练习。
Muller分享了一个他亲测有效的大课教学技巧：在数百人的大课中，每1-2分钟就让学生举起A/B/C/D卡片回答问题。这种简单的社交互动把被动听讲变成了主动参与，大幅提高了课堂学习效果。
这解释了为什么MOOCs完成率只有5-15%——不是因为内容不好，而是因为缺少了"社交支架"：同伴压力、教师监督、集体节奏感。你一个人在家看视频，没有人推你做"那些痛苦的认知练习"。
关于AI，Muller的观点非常精确——不是"AI好"或"AI坏"，而是"AI应该用在哪里"。
AI应该做的事： - 提供即时反馈（skill learning中最关键的要素之一） - 识别学习者的知识空缺，提供有针对性的练习提示 - 充当"不会疲倦的练习伙伴"，让学习者反复操练
AI绝对不应该做的事： - 替代学习者完成认知练习（如果AI帮你写完作文，你就不会学会写作） - 跳过"费力的重复练习"阶段（"那些痛苦的练习"正是长期记忆结构构建的过程） - 制造"我已经学会了"的错觉（当你看到AI生成的完美答案时，你会高估自己的理解）
Muller打了一个比方：AI在练习中的角色，应该像跑步机在你健身中的角色——它是一个工具，帮助你做那些你本来就需要做的练习。但它不会帮你跑步。如果你坐在跑步机上不动，它不会让你变得健康。
他甚至暗示，某些学习场景可能需要"AI-free"环境——就像考试时不允许用计算器一样。在一些关键的学习阶段，让学生在没有AI辅助的情况下独立完成认知任务，可能是必要的。
graph TD
A[教育技术革命百年编年史] --> B[电影 1922]
A --> C[广播 1950s]
A --> D[电视 1970s]
A --> E[个人电脑 1980s]
A --> F[MOOCs 2012]
A --> G[AI Tutor 2025]
B --> H{失败原因}
C --> H
D --> H
E --> H
F --> H
G --> H
H --> I[聚焦信息传递 而非认知加工]
I --> J[认知科学基础]
J --> K[System 1 快速自动化]
J --> L[System 2 缓慢有限]
L --> M[工作记忆容量 约4个单元]
M --> N[认知负荷理论]
N --> O[内在负荷 材料本身难度]
N --> P[外在负荷 糟糕设计的干扰]
N --> Q[相关负荷 有益的学习努力]
Q --> R[教育设计原则]
R --> S[消除外在认知负荷]
R --> T[管理内在认知负荷]
R --> U[最大化相关认知负荷]
T --> V[支架式教学]
V --> W[完全引导 已解范例]
V --> X[部分引导 渐进撤除]
V --> Y[独立练习 最终目标]
style H fill:#ff6b6b,color:#fff
style N fill:#4ecdc4,color:#fff
style R fill:#45b7d1,color:#fff
style V fill:#96ceb4,color:#fff
Muller的75分钟演讲不仅是理论分析，它提供了一套非常实用的教育设计框架。无论你是教师、培训师、内容创作者，还是一个自学者，以下五条原则都可以立即应用：
1. 砍掉所有"好看的噪音"
检查你的教学材料：PPT里的装饰性图片、花哨的动画、背景音乐——它们全都在消耗学习者的工作记忆。每个多余元素都在偷走学习者用于理解核心概念的认知资源。 砍掉它们。让排版清晰、字号够大、音频干净、提供字幕。这不是"美观"问题，而是认知效率问题。
2. 一次只教一个新概念
如果你一页PPT上有5个新术语，学习者的工作记忆已经过载了。每次只引入1-2个新概念，确保学习者完全理解后再加新的。 这就是为什么"bite-sized learning"（微型学习）在认知科学上是正确的——不是因为人们的注意力短暂，而是因为工作记忆容量有限。
3. 先给答案，再让学生解题
这与直觉相悖：大多数人认为让学生自己"探索发现"答案是最好的教学方法。但认知科学反复证明，对初学者来说，先展示完整的解答过程（worked example），然后逐步减少提示（fading），最后才让学生独立解决问题——这个顺序的学习效果远优于直接让学生"探索"。 就像GPS一样——先用导航学会路线，然后逐渐脱离导航独立行走。
4. 不要让AI替学习者"做功课"
如果你在用AI辅助学习（作为学生）或教学（作为教师），最关键的原则是：AI应该提供反馈和提示，但不应该完成认知练习本身。 让AI指出你的错误、给你提示、推荐练习题——但让你自己完成写作、解题、编程的"痛苦过程"。那个过程正是长期记忆结构被构建的时刻。
5. 创造社交学习环境
如果你是自学者，找一个学习伙伴或加入一个学习社群。被"看着"的感觉和同伴之间的轻微竞争压力，是驱动你完成那些"痛苦认知练习"的强大动力。 这也是为什么跑步群、编程训练营、读书会之所以有效的底层原因——不是内容更好，而是社交支架更强。
Daniel Kahneman《Thinking, Fast and Slow》 — 理解系统1和系统2的经典著作，虽然厚达500页，但每一章都在重新定义你对"思考"的理解。
John Sweller, Paul Ayres, Slava Kalyuga《Cognitive Load Theory》 — 认知负荷理论的奠基之作，详细解释了如何设计教学以优化工作记忆的使用。
Paul Kirschner, John Sweller, Richard Clark (2006) "Why Minimal Guidance During Instruction Does Not Work" — 教育研究史上被引用最多的论文之一，系统论证了为什么"最少指导"的教学方法违反了人类认知架构。
Veritasium YouTube频道 (@veritasium) — Derek Muller的主频道，2000万+订阅，每一部视频都是科学传播和教学设计的教科书级案例。关注他如何在视频中应用认知负荷理论（你可能没注意到，但他在做）。
EEF (Education Endowment Foundation) Metacognition and Self-regulated Learning Guidance Report — 英国教育捐赠基金会的元认知与自主学习指导报告，提供了大量基于证据的课堂实践建议。
教育的瓶颈从来不是"如何传递信息"，而是"如何让学习者进行费力的认知练习"——每一次教育技术革命都搞错了这一点。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。