2025 年，Sal Khan 写了一本叫《Brave New Words》的书，副标题是"How AI Will Revolutionize Education"——AI 将如何颠覆教育。Elon Musk 也说，未来的 AI 教育就像"给每个孩子配一个爱因斯坦当老师"。听上去太合理了：你看那段演示视频，一个 AI 导师用苏格拉底式追问，一步步把一个孩子从"我不知道哪条边是斜边"引导到"我懂了"——这简直是教育理想国的模样。
但 Veritasium 的 Derek Muller 在这场 75 分钟的演讲里，浇了一盆冷水。他的核心论点不是"AI 没用"，而是一个更刺人的事实：完全相同的话，1922 年有人用电影说过，1930 年代用收音机说过，1950 年代用电视说过，1980 年代用计算机说过，2012 年用 MOOC 说过——每一次都承诺"革命"，每一次都没来。 这篇文章要拆解的就是：为什么"革命"这个词在教育领域骗了人类整整一百年，以及为什么这次 AI 大概率也不会例外。更重要的是，他会告诉你一个反直觉的真相——AI 把事情做得越省力，你学到的就越少。
| 项目 | 内容 |
|---|---|
| 视频标题 | What Everyone Gets Wrong About AI and Learning（by Derek Muller） |
| 频道 | Veritasium（订阅超 1800 万的顶级科普频道） |
| 时长 | 1 小时 15 分 11 秒（Perimeter Institute 现场讲座） |
| 首播日期 | 2025 年 4 月 9 日 |
| 播放量 | 讲座型长片，发布一年多累计百万级、被全球教育圈广泛转载讨论 |
| 核心主题 | 学习的瓶颈从来不是"信息传递"，AI 的真正风险是替学生省掉那场"痛苦的练习" |
Muller 拉出一份堪称"教育革命考古"的时间线。1922 年，爱迪生放话："电影注定将颠覆我们的教育系统，几年之内就会基本取代课本。" 他甚至编出一组数字：课本教学的效率只有 2%，而电影教学高达 98%——"没人知道这数字怎么来的，但当时电影确实像魔法。"
然后是 1930 年代的收音机（"一个专家广播到一千间教室，老师只当保姆"）、1950 年代的电视（学者专门做了实验：隔壁房间闭路电视直播 vs 现场讲课，测下来——no significant difference，没有显著差异）、1980 年代 MIT 力推的交互式计算机（教孩子用 Logo 语言编程一只"小海龟"）、1990 年代的光盘（video disc），再到 2012 年号称"颠覆大学"的 MOOC。
Muller 用一连串新闻标题还原了 MOOC 从封神到崩塌的全过程——从"MOOC 革命席卷高校"一路滑到"为什么 MOOC 救不了高等教育"，他称之为"a story in ten headlines"。结论很毒舌："This is old school, new school, it's the same school."（老学校、新学校，其实都是同一所学校。）然后他甩出《公主新娘》的名台词："You keep using that word. I do not think it means what you think it means."（你一直用这个词，我不觉得它意思是你以为的那个意思。）
我的延伸： 教育界有个著名的"No Significant Difference"现象——从 1930 年代起，学者 Thomas Russell 编纂了几百项研究，反复证明"用哪种媒介教"（面授、电视、录像、在线）对学习效果几乎没有差别。媒介从来不是关键变量。这也是为什么每一次"换个新媒介就能颠覆教育"的预言必然落空。
这是整场演讲的"题眼"。Muller 说，所有技术狂热的底层假设都是同一个：教育的问题在于信息没法高效送达学生。 但这个假设是错的。
"100 年前有书的时候，信息就已经在那里了。"他打了个比方——世界上到处都是沉重的杠铃，可大多数人并没有练出一身腱子肉；到处都是可以跑步的操场，可肥胖仍是巨大问题。器材、信息、健身房都摆在那儿，缺的不是"接触到它们的机会"，缺的是有人逼你去做那组痛苦的、反复的、无聊的"reps"（训练组数）。
这就引出了他对教师的重新定义：老师不是信息源，而是私教（personal trainer）。 私教的价值不在于他懂什么你不懂的"知识"——YouTube 上什么动作教学都有——而在于：他站在那里，看着你，对你说"再来一个、再坚持一下、烧起来就对了、别停"。问责（accountability）、社群（community）、兴奋感（getting excited），这三样才是真正驱动学习的引擎，而它们恰恰是所有媒介技术给不了的。
为了解释"为什么光有信息没用"，Muller 借用了 Daniel Kahneman《思考，快与慢》的双系统理论。他先抛出那道著名的"球拍和球"题：球拍和球一共 1.1 元，球拍比球贵 1 元，球多少钱？他在洛杉矶街头问路人，所有人异口同声：10 分！——错。正确答案是 5 分。
这道题来自 Cognitive Reflection Test（CRT，认知反思测验），即便在顶尖名校的新生里，约 90% 的人也至少答错一题。Muller 的解释是：System 1（快思考）瞬间"端上"了 10 分这个答案，它听起来很对；而 System 2（慢思考）本可以验算，但它懒，懒得去查。System 1 自动、快速、靠长时记忆运作；System 2 缓慢、费力、能纠错，但极其吝啬能量。
学习的本质，就是用 System 2 反复地、费力地去啃，把内容"焊"进长时记忆，让越来越多的东西沉到 System 1 里变成自动反应。 这一点决定了他后面所有结论——包括对 AI 的判断。
System 2 有多脆弱？Muller 引用了认知心理学的经典——George Miller 1956 年那篇《神奇的数字 7±2》（演讲中口误说成 '55，实为 1956），后来被 Nelson Cowan 等人一路下调到大约 4。也就是说，你同一时间能在脑子里摆弄的新信息，只有 4 个左右。他还现场演示了"数字加一"记忆测试，并放大镜头拍瞳孔——人在真正用力思考时，瞳孔会扩张，这是 cognitive load（认知负荷）的生理标志。
接着是 John Sweller 的认知负荷理论，Muller 把负荷拆成三类，这是全篇最实用的一张地图： - Intrinsic load（内在负荷）：任务本身固有的难度，比如给新手讲 F=ma，每个符号都是新概念。 - Extraneous load（外在负荷）：纯干扰——旁边有人嚼东西、椅子不舒服、老师有口音你得费劲猜词。这是要消灭的。 - Germane load（相关负荷）：真正用来"思考你的思考"、建构图式（schema）的精力。这是要培育的。
教学的艺术，就是砍掉外在负荷、控制内在负荷（把内容切成小块、放慢速度、从学生当下的水平起步）、把省下来的认知带宽全部灌注到 germane load。
有人会问：System 2 这么弱，专家凭什么这么强？Muller 搬出那个传奇的棋盘记忆实验（源于 de Groot、由 Chase & Simon 1973 系统化）。给棋手看一个真实对局中的棋盘 5 秒，然后撤走让他复原：新手还原约 4 个子，大师能还原约 16 个。原因叫 chunking（组块化）——大师把零散棋子看成"一个整体模式"，就像你把 5-4-9-1 倒过来读成"1945"就不再是 4 个数字而是一个年份。
但实验还有下半场：当棋子被随机摆放（真实对局绝不出现的阵型）时，大师和新手一样差。 这个结果极其反直觉——大师的超强记忆不是"记忆力好"，而是"见过海量真实棋局"。Muller 据此给出一个尖锐结论：There is no general thinking skill（没有所谓"通用思维技能"）。 物理学家不一定棋下得好，棋手不一定物理好。"那门课教会了我怎么思考"其实是个幻觉——你学到的不是"思考能力"，而是一整张领域专属的长时记忆网络。
我的延伸： 这恰好解释了 1980 年代"教孩子编程小海龟就能提升整体推理能力"为什么失败——技能几乎不跨领域迁移（transfer problem）。它也解释了 Bloom 的"两个标准差"难题：一对一掌握式辅导能让 98% 的学生达到普通班前 2% 的水平，但直到今天我们都无法在大众规模上复制它，因为那需要的是海量、个性化、有人盯着的"费力练习"。
这一段是全场最漂亮的反直觉设计。CRT 那套题，研究者换了个玩法：不印成漂亮清晰的字体，而是用一种很难读的字体、再复印几次弄得模糊发皱。结果呢？错误率从约 90% 暴跌到 35%。把测试变难看，学生反而答得更准。
原理：清晰字体让 System 1 顺畅地把错误答案"端上来"，System 2 继续偷懒；难读字体制造了"卡顿感"，把 System 2 踢醒，于是它去验算、得出了正确答案。这就是 Robert Bjork 所说的 desirable difficulty（合意困难）——适当的摩擦反而促进学习。
但这立刻引出他对"发现式学习"的警告。他讲了个 GPS 类比：去陌生城市，不开导航、靠自己读路牌一点点摸索，最后你能原路走回来；但如果用 GPS，全程省心省力，到头来你完全记不住路，下次还得靠导航。 因为导航把 System 2 该干的活"外包"了。所以教学要给脚手架、给"已解例题（worked example）"并逐步撤除（fading），而不是一上来就"这是道题，自己去悟"——那叫把脚手架拆早了的伪建构主义。
我的延伸（保持诚实的补充）： 字体难读提升成绩这条结论，后续重复实验的结果其实参差不齐（The Learning Scientists 等都指出"the elusive effect"）。把它当成"合意困难"的一个生动隐喻可以，但别真去把教材印成花脸。它的真正启示是：学习需要"恰到好处的阻力"，而不是无脑求顺滑。
讲到这里 Muller 没有一棍子打死 AI。他给出 AI 唯一被充分肯定的用途：提供即时反馈（timely feedback）。 学竖琴弹错一个音你立刻知道，打网球球挂网你立刻知道——这种"即时且有效"的反馈，是技能内化最关键的养料。
更精彩的是他用反馈质量来给"专家"分类：股票分析师、政治评论员、经济学家这类人看起来像专家，其实不是——因为他们的预测环境几乎是随机的，反馈永远不够"有效"，根本喂不出真正的直觉（这一论点直接呼应 Philip Tetlock 的"刺猬与狐狸"研究、Ericsson 的"有效学习环境"理论）。而 AI 可以在写作、编程、解题这类有明确对错反馈的领域，扮演一个永远在线、立刻纠错的陪练——这是它的真价值所在。
压轴才亮出他最深的忧虑。他有四个孩子，他担心的不是 AI 不够聪明，而是太聪明："如果有一台机器能替他们写作文，他们还会写一百篇吗？如果他们不写，他们的大脑会发生什么？"
他的逻辑链极其锋利：写作、画画、表达这些能力，全靠"一次又一次地做、一开始就该很烂、但不许停下来、不断微调、不断被纠正、再继续"——这正是把内容焊进 System 1 的唯一通道。AI 把这一步外包掉，省下的不是"低效劳动"，省下的是学习本身。 "How do we force people to do that painful, effortful work when there's a magic machine that'll do it for you?"（当有一台魔法机器能替你做，你拿什么逼人去做那场痛苦的练习？）
收尾他回到那两个开场之问——为什么人们学不会？为什么一百年来的革命都没兑现？答案：第一，我们的大脑本就不是为了记住"水的化学式"进化的，它为了找食物、找伴侣、融入群体而设计；第二，也许我们早就找到了教育最好的形态——"和一群学习者、一位老师待在同一个房间里，留出时间一起聊"。 教育本质上是一场社交活动。技术永远搞错重点：它以为难题是"信息送不到学生面前"，但那从来不是难题——现在不是，一百年前也不是。
flowchart TD
A[核心命题: AI 不会"革命"教育] --> B[表层错觉<br/>每次新技术都承诺颠覆]
A --> C[深层真相<br/>学习瓶颈从来不是信息传递]
B --> B1["1922 电影 / 1930s 广播<br/>1950s 电视 / 1980s 计算机<br/>1990s 光盘 / 2012 MOOC"]
B1 --> B2["结局: No Significant Difference<br/>没有显著差异, 百年没变"]
C --> D[双系统 Kahneman]
D --> D1["System 1: 快/自动/靠长时记忆"]
D --> D2["System 2: 慢/费力/能纠错但懒"]
D2 --> D3["学习 = 用 S2 反复啃<br/>把内容焊进长时记忆"]
D3 --> E[认知负荷 Sweller]
E --> E1["消灭 外在负荷"]
E --> E2["控制 内在负荷<br/>小块/放慢/从学生水平起步"]
E --> E3["培育 相关负荷"]
D3 --> F[专长 = chunking<br/>无通用思维技能]
F --> F1["大师复原16子 vs 新手4子<br/>随机棋盘则持平"]
E3 --> G[合意困难 Bjork]
G --> G1["难读字体: 错误率 90%→35%"]
G --> G2["GPS 类比: 外包=学不会"]
C --> H[AI 的两面]
H --> H1["正向: 即时有效反馈<br/>区分真假专家"]
H --> H2["危险: 代劳=跳过痛苦练习<br/>S1 网络无法形成"]
H2 --> I[终极答案<br/>老师=私教, 教育是社交+问责]
这场讲座听起来在唱衰 AI，其实它给出了一份非常实用的"人机协作守则"。
第一，分清"代劳型"和"反馈型"两种 AI 用法。 让 AI 替你写完一篇文章、替你解完整道题、替你把代码生成了——这是代劳型，它在替你跳过那场把知识焊进 System 1 的痛苦练习，短期爽、长期废。而让 AI 当你的即时陪练——你先写，它立刻指出哪里逻辑断了、哪里用词不准——这是反馈型，符合"即时有效反馈"的黄金法则，应该多用。判断标准很简单：如果 AI 把"费力"的那一步也替你做了，它就在偷走你的学习。
第二，主动制造"合意困难"。 不要永远追求顺滑。背单词别按字母表顺序背（那是 System 1 在偷懒），打乱顺序、用主动回忆（盖住答案先想）逼 System 2 上工；读一篇难文章时别立刻喂给 AI"帮我总结成三句话"，先自己啃、自己画结构图，啃不动再让 AI 当反馈校对。慢一点，反而记得牢。
第三，重新理解"老师/同伴/社群"的价值。 你报班、加学习社群、找搭子，买的从来不是"信息"（信息网上免费有的是），而是问责机制和社交压力——有人盯着你"再来一组"。这也是为什么同样一份网课，有人学完脱胎换骨、有人买完就吃灰：差别全在有没有那股外部推力逼你"put your reps in"。
第四，警惕"我已经懂了"的错觉。 看完一段精良的 AI 讲解（或我这篇解读），你会觉得"好清楚、我懂了"——但那是 System 1 在点头。真正的检验是：关掉材料，你能不能凭空把它讲给别人听。 讲不出来的"懂"，都是流畅感制造的幻觉。
学习的瓶颈一百年都没变过——它从来不是"信息送不到"，而是"没人逼你流那一身汗"；AI 把活儿做得越省力，你反而学得越少。
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。