先说一个尴尬的事实：数学课上最常被问的问题，从来不是「这道题怎么解」，而是「老师，我什么时候用得上这个？」。这个问题被当成学生的偷懒借口嘲笑了几十年，但很少有人正经回答它。2010年，Conrad Wolfram 在 TEDGlobal 的舞台上，用不到二十分钟给出了一个相当挑衅的答案：因为我们的数学课，从头到尾教的都是数学的「替身」，而不是数学本身。
Wolfram 是谁？他是 Wolfram Research 的核心人物之一，Mathematica 和 Wolfram Alpha 背后团队的成员，也是推动数学教育改革的组织 computerbasedmath.org 的创始人。换句话说，他是全世界最懂「机器怎么算数」的那批人之一——由他来质疑「为什么还要让人类手算」，分量完全不同。
这场演讲在2010年提出的主张，放到现在不但没过时，反而因为 AI 的到来变得更尖锐了。当大模型连应用题的建模都能替你完成时，「人还剩下什么该练」就成了一个迫在眉睫的问题。这篇文章带你把这场演讲拆开看：它的核心框架是什么，哪些判断被后来的事实验证了，哪些主张又过于激进。
| 项目 | 内容 |
|---|---|
| 视频标题 | Teaching kids real math with computers（用计算机教孩子真正的数学） |
| 频道 | TED |
| 主讲人 | Conrad Wolfram，Wolfram Research 高管、computerbasedmath.org 创始人 |
| 时长 | 约19分钟 |
| 播放量 | 百万级（TED官网与YouTube合计，具体以平台实时数据为准） |
| 发布时间 | 2010年（TEDGlobal 大会） |
| 核心主题 | 把「计算」交给机器，把「数学」还给课堂 |
演讲的开场，Wolfram 抛出一个诊断：在教育体系里，「数学」和「计算」这两个词被画上了等号。学生眼里的数学就是一串串算式，家长眼里的数学能力就是口算快不快，考试考的也主要是算得对不对。但在真实世界里，数学家、工程师、数据分析师的日常工作根本不长这样。
这是全场最基础也最重要的一个「正名」。他把一句口号式的话打在屏幕上：数学不等于计算（Math ≠ calculating）。计算只是数学的一小部分，而且是越来越不需要人做的那部分。学生在课堂上感受到的枯燥，很大程度上不是数学本身的错，而是这门课把数学里最机械的部分放大成了全部。延伸一点：这其实解释了一个老现象——很多人说自己「讨厌数学」，讨厌的往往是那个被窄化的替身，而不是提出问题、建立模型、找到规律的思维活动本身。
这是整场演讲的核心框架，也是最能直接拿走用的部分。Wolfram 把「用数学解决真实问题」拆成四步：
第一步，提出正确的问题（posing the right questions）。面对纷乱的现实，先判断什么值得问、怎么问才有意义。
第二步，把现实问题翻译成数学（formulating）。从真实情境里抽象出变量、关系和模型，这一步需要判断力和经验。
第三步，计算求解（computation）。把模型跑出结果，这一步是纯粹的机械执行。
第四步，把结果放回现实（verification and interpretation）。检验结果合不合理，解释它意味着什么，再决定下一步行动。
他用这个框架指出：学校课程几乎把所有时间压在第三步上，而第一、二、四步——恰恰是人类不可替代的部分——几乎不教，或者被简化成套路化的题型训练。
Wolfram 在演讲里给出了一个量级估计：数学教学中大约八成的时间花在第三步「计算」上。他说的未必是精确统计，但这个判断方向上很难反驳——翻开任何一本中小学数学练习册，绝大部分题目确实比拼的是「算得又快又对」。
为什么会这样？视频之外补充一点历史背景：在计算机出现之前，计算本身就是昂贵的劳动。「计算机（computer）」这个词最初指的是一种职业——坐在办公室里做人工计算的人，NASA 早期还有大批女性计算员撑起轨道计算（电影《隐藏人物》讲的就是这段历史）。当计算是稀缺人力时，围绕手算技巧设计课程天经地义。但机器把这一步的成本打到几乎为零之后，课程却基本没动。Wolfram 的观点是：这不是数学教育的进步，而是惯性的延续——我们仍在训练一门机器已经全面接管的手艺。
面对「数学课也有应用题啊」的反驳，Wolfram 的回击相当犀利：那些应用题大多是「伪情境」。题目先决定了要考哪个运算，再倒过来编一个故事包装它——几个水管同时注水、鸡兔同笼、某人以恒定速度来回走。这些情境不是为了引出真实的问题，而是为了给某道算式穿一件「现实」的外衣。
学生对此的嗅觉极其灵敏。他们很快学会的不是建模，而是识别出题人想让你用哪个公式——这是一种应试的模式匹配，和真实的数学建模能力几乎相反。真实的建模是从模糊的现实出发，自己决定抽象什么、忽略什么；伪应用题则把答案的形状预先焊死在题目里。
延伸一个有意思的对照：OECD 的 PISA 测试在后来的数学素养框架里，把数学素养明确拆成「阐释情境、数学化表述、运用数学、诠释评估」几个环节，和 Wolfram 的四步框架几乎是一一对应。也就是说，这场演讲的主张在十年后被全球最有影响力的测评体系部分吸收了。
演讲里 Wolfram 正面回应了最常见的反对意见：「基础都没打好，就想用计算机，是空中楼阁。」他的回应分两层。
第一层：基础当然重要，但要分清什么是真正的基础。数量级的估计、结果的合理性检验、对数学概念的直觉理解——这些是基础；而三位数除法的手工速度训练，不是。一个能估算出「这个答案大了三个数量级，肯定算错了」的学生，比一个除法列式工整但对荒谬结果毫无察觉的学生，更接近数学素养的本质。
第二层：理解一个过程，不等于亲手重复它一万遍。我们理解发动机的原理，并不需要人人当钳工装配发动机；同理，理解运算背后的数学结构，和手算熟练度是两回事。视频之外补充我的看法：这一点上 Wolfram 略显激进——认知科学里有相当多的证据表明，适度的练习对形成自动化基本技能、降低工作记忆负担是必要的（回想一下「熟能生巧」的研究传统）。更稳妥的表述也许是：手算该从「目标」降级为「手段」，练到够用即可，不该继续当成年累月的主菜。
Wolfram 给出的替代方案非常具体：让学生用计算机和编程语言去做第三步，把节省下来的时间投入第一、二、四步。学生面对真实问题（社区数据、消费决策、自然现象），自己建模、自己写几行代码求解、自己检验解释。这样训练出来的不是「计算员」，而是会提问、会建模、会验证的问题解决者。
他在2010年据此创立了 computerbasedmath.org，专门推动以计算机为基础重建数学课程。据该组织此后披露的信息，爱沙尼亚等国家率先在其推动下试点了以数据和计算为核心的课程改革——这类改革的长期效果还有待观察，方向上的示范意义已经足够大。
再看2026年的今天，这个判断只会有增无减：大语言模型现在连第二步的建模都能给出像样的初稿，数学教育的重心进一步滑向「提出值得问的问题」和「判断机器给的答案可不可信」。当年关于计算器的争论，如今换了一层皮重新开打——各国教育部门对 AI 工具进考场的态度摇摆，本质上还是在纠结同一个问题：我们到底在考什么？
有观点的解读不该只当传声筒。这场演讲有两个明显的盲区，值得读者自己权衡。
其一，它对实施成本着墨太少。让学生用计算机做真实项目，对教师的数学素养和课堂管理能力要求高得多；设备与网络的不均衡也可能放大教育资源差距。一纸课程改革背后的教师培训、评估体系改造，是比理念艰难一个量级的工程。
其二，它对「去手算化」的边界不够谨慎。如前所述，基本运算的适度自动化对后续学习有真实的认知价值，日常生活里的心算估算也离不开。更合理的位置不是「机器接管第三步、人类彻底放手」，而是「人类保留足够的判断力来监督机器」。Wolfram 的框架本身其实支持这个立场——第四步的检验恰恰需要数感——只是演讲的修辞为了冲击力，把这个 nuance 压平了。
flowchart TD
A["数学的完整过程<br/>Wolfram四步框架"] --> B["第1步 提出问题"]
A --> C["第2步 翻译成数学"]
A --> D["第3步 计算求解"]
A --> E["第4步 放回现实检验"]
B --> F["传统课堂最少教"]
C --> G["被伪应用题顶替"]
D --> H["约占八成课时"]
E --> I["最被忽视"]
D --> J["机器最擅长的环节"]
J --> K["改革主张：手算让位"]
K --> L["重心移到第1、2、4步"]
L --> M["编程成为课堂日常语言"]
如果你是家长：把家庭里的数学对话从「算得快不快」换成「这个数合理吗」。结账时让孩子估总价，旅游前让他用地图和油价算预算，允许他开计算器，但要求他回答「你打算怎么验证这个结果」。这些小游戏练的正是四步框架里的第一步和第四步，是刷题刷不出来的部分。工具上，GeoGebra（免费）和 Excel 都是好入口——让孩子画一次自己一周屏幕使用时间的图表，比做十道统计应用题收获更大。
如果你是老师：可以用四步框架给任意一节课做个「课时审计」——这45分钟里，第三步占了多少？哪怕只把一学期里的两三个单元改造成「真实数据小项目」（比如用本地天气数据、外卖满减规则做分析），学生感受到的数学观都会不同。评估设计上，与其禁用计算器，不如加入「检验题」：给一个含错的机器解答，让学生找出问题在哪，这比多考十道计算题更能区分理解与模仿。
如果你是自学者：成人补数学的最短路径恰恰印证 Wolfram 的框架——从自己的真实问题出发（理财收益、健身数据、副业定价），用 Python 或 Excel 边做边补需要的概念，而不是从 long division 开始重走一遍九年义务教育。遇到不懂的概念再回头查，带着问题的学习效率远高于按章节推进。
一个通用判断：AI 时代最安全的数学能力组合是「会提问 + 会建模 + 会验证」。前两者决定机器能帮你做什么，第三者决定你敢不敢信它。
数学课最大的失败不是教得太难，而是花八成时间教机器最擅长的那一步——把计算还给机器，才能把提问、建模和验证还给人类。
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。