从填鸭到因材施教：Andrew Ng 的新赌注，和我们这代学习者的改变

大纲

Andrew Ng 又创业了。

这名字不用多介绍：Coursera 联合创始人、Google Brain 创始人、DeepLearning.AI 创始人，斯坦福计算机系客座教授。过去十五年，他是把"在线教育"这件事从概念做成现实的那批人之一。这次他的新公司叫 LearnVector，拿到了 Coursera 一亿美元的战略投资，CEO Greg Hart 亲自站台。

一个把在线教育做成功的人，掉头回来说在线教育没做对，这事挺值得琢磨。他在官网上把话说得很直白：Coursera 和线上课程改变的是在哪学——把教室从物理空间搬到了互联网上；但怎么学，这十五年几乎没变——还是统一进度、统一内容、统一方式，教给每一个点进来的人。

这句话我读了两遍。因为它说中的事，正好是我这段时间一直在操心的一件事。

我女儿的处境

我女儿在读大学，这几年我看着她学习，心里一直悬着一块。

她做题没问题，考试成绩也拿得出手，这套应试的本事，她比我当年强。可一旦要她独立做一件没有标准答案的事——拼一个完整的小项目、做一个能拿出手的东西、面对一个题目本身就模糊的问题——她就开始不安，不知道从哪儿下手。更让我意外的是，AI 工具摆在那儿，她却不太会用：不是不会打开对话框，是不知道该拿它干什么、该问什么、该怎么追问。

这不是她一个人的毛病。她学的那套东西——刷题、考试、按标准答案打分——训练出来的本事是"答对题"，不是"把事做成"。一个只练过打靶的人，第一次被要求自己判断目标在哪、要不要开枪，自然会愣住。

这就是 Andrew Ng 那句话落到一个具体人身上的样子：学校这套机器，效率很高，产出很稳定，但它教的是怎么在一个已经设好边界的题目里拿分，不是怎么在没有边界的世界里把一件事做成。AI 时代偏偏反过来——边界模糊、答案不唯一、工具随时在变的那类问题，才是真正值钱的那类问题。

LearnVector 想赌的三个转变

LearnVector 官网上把它想做的事拆成三条：

这三条里，最站得住脚的是第一条，因为它背后有一笔早就算过的账。

1984 年，芝加哥大学教育心理学家 Benjamin Bloom 发表过一篇论文，后来被称为"2 西格玛问题"：接受一对一辅导的学生，平均成绩比传统课堂的学生高出两个标准差——相当于把一个中等生的水平，拉到传统课堂前 2% 的位置。他把这个结果叫作一个"问题"，是因为一对一辅导这件事，大多数社会负担不起。给每个孩子配一个专属老师，这笔钱没有哪个国家出得起。

这就是因材施教为什么几千年来只属于少数人——请得起家教的人家。LearnVector 赌的，就是 AI 能把这笔账的门槛打下来：不是每个孩子配一个真人老师，是每个人配一个足够懂他、随叫随到、不嫌他问题幼稚的助教。

这里要多说一句公道话：Bloom 的"两个标准差"这些年争议不小。后续的荟萃分析发现，大多数真实的辅导项目效果远没有这么夸张，平均在零点三到零点四个标准差左右，远不到两个标准差。这个数字被过度引用了四十年，不该再被当成板上钉钉的结论去用。但争议归争议，"一对一辅导比大班教学更有效"这个方向上，几十年的研究从来没有反过来过——分歧只在效果有多大，不在有没有效果。

一对一不是万能药

但这里有个容易被 LearnVector 的三个转变掩盖掉的问题：一对一辅导为什么有效？

不是因为换了个更贴心的投喂对象。是因为好的辅导者会逼学生自己想、自己试、自己卡壳、然后在卡壳的地方给一把推力——这个"卡壳"的环节，恰恰是学习真正发生的地方。如果一对一变成了"伸手问、秒拿答案"，那和在教室里抄同桌的作业，没有本质区别，只是抄的对象从人变成了机器。

这事我在另一篇文章里拆得比较细：《思维导图必须自己画：把被 AI 借走的脑子要回来》讲的是认知科学这些年攒下的证据——越信任 AI、批判性思维投入得越少；而真正留得住的理解，必须是自己生成、自己复述过的。LearnVector 说它会"耐心陪着你，直到你真正掌握一项技能，而不只是上完一门课"，这句话说得很好，但效果好不好，最终不取决于 AI 有多耐心，取决于学习者在被推一把之后，愿不愿意自己往前走那一步。

换句话说：因材施教解决的是"谁来教、怎么因材"，没解决"学的人到底有没有真学"。这道坎，换了多贴心的老师，都得学生自己迈。

AI 该干的三件事，不该干的三件事

这道坎落到我们这些已经工作、还得继续学的人身上，更具体一点。我自己这些年摸出一条边界：

这三样，交出去一点不心疼，省下来的力气该拿去干正事。但有三样，不管 AI 多好用，都不能交：理解、判断、内化。理解是把一件事在脑子里拆开、拼回去的过程；判断是在没有标准答案的地方，自己担责任做选择；内化是把别人（或 AI）给的东西，嚼碎了变成自己能随时调出来、能迁移到新场景的本事。这三样，AI 给不了你，只能你自己长。

我现在对自己的要求很简单：AI 是副驾，我是主驾。副驾可以帮我看路况、提醒我前面有个弯、递张地图过来，但方向盘握在谁手里、什么时候踩刹车、走哪条路，是我的事，不是副驾的事。真出了事，担责任的是开车的人，不是坐在旁边的人。这条边界我在《逆流而上：AI 时代程序员的深度学习法》里拆过具体做法——带着问题出发、先裸想再开 AI、用变式练习逼自己讲清楚——这里不重复，想看方法的可以翻那一篇。

这条边界，同样是我现在最想讲给我女儿听的一句话：AI 可以帮她把杂事干完、把资料找齐、把思路想开，但没法替她把一件事真正弄懂。这道坎，当年是我自己一步步迈过去的，现在轮到她了——区别只是，她手里多了一个副驾，而我当年没有。

具体怎么做：一张给她，一张给我自己

道理讲完了，落到动作上。先说一组数据，再分两张清单——一张给我女儿，一张给我自己。

2026 年初，Anthropic 的研究人员 Judy Hanwen Shen 和 Alex Tamkin 做了一项随机对照实验：找 52 名有至少一年 Python 经验的工程师，学一个他们都没用过的新库，一组可以用 AI 助手，一组只能查文档、搜索引擎。两组花的时间差不多，但随后的知识测验，用 AI 那组平均分比不用的低了 17%。

更有意思的是后续拆解。他们把参与者用 AI 的方式归成六种具体模式，按测验分数从低到高排开：

六种用法，分数从 24% 到 86%，差的从来不是"用没用 AI"，是用完之后，自己有没有再走一遍。这张表给了我一个实在的参照：下面这两份清单，都是在想办法把人往表格下半部分推。

给她，三条具体的：

1. 先自己答一遍，再让 AI 挑错。 不管是作业还是一篇论文，先写下自己的答案或理解，哪怕写得很糙，再拿去跟 AI 对一遍，看漏了哪、错在哪。这个顺序不能倒——AI 先给答案，自己再回头补，大概率落在表格下半部分，收获有限。
2. 动手前先问自己三句话。 这门课、这次作业允许用 AI 吗？它是在帮我学，还是在替我学？它说的这些，我能不能信？想不清楚这三句，先别开对话框。
3. 逼 AI 给两个对立的答案，自己判断。 碰到没有唯一答案的问题，别只问"正确答案是什么"，让 AI 给两种相反的方案或结论，自己比较证据、解释为什么会不一样，最后落一句自己的判断。这比抄一个标准答案费劲，但"比较和取舍"这道题，正是学校以前没教、AI 时代真正要补的那一课。

给我自己，三条具体的：

1. 脑子三明治：先想、再看 AI、再想一遍。 拿到 AI 的输出当草稿看，不当答案看——读完它改了什么、为什么这么改，再决定收不收。一行代码解释不清楚，就不提交，这行账算在自己头上，不算在 AI 头上。
2. 先搭骨架，再提需求。 让 AI 写代码之前，自己先把数据模型、接口边界、要处理的异常情况想一遍、画出来。边界画得越清楚，AI 吐出来的东西越规整；边界没想清楚就甩过去，出来的多半是一堆能跑但经不起推敲的代码。
3. 定期关掉 AI，从零实现一遍。 哪怕是个用过很多次的小功能，隔一阵子不借 AI 自己敲一遍。敲得费劲、卡壳，那种卡壳感就是信号——这块肌肉这段时间没怎么用，正好是该补的地方，不是该绕开的地方。

两份清单说到底是同一件事换了个场景：AI 能帮她把答案核对清楚，能帮我把草稿打出来，但"自己有没有再走一遍"，谁也替不了谁。

总结：因材施教的门槛能打下来，那道坎得自己迈

LearnVector 想做的事是真问题：几千年来，因材施教一直是少数人的特权，AI 第一次有机会把这个门槛打下来，让更多人用得起"贴身教练"。这件事值得期待。

但别被这件事带偏了方向——以为门槛打下来，学习本身也会变容易。不会。真正难的那部分，从来不是"有没有人（或 AI）贴身教你"，是你愿不愿意在被推一把之后，自己往前迈那一步。学校那套填鸭式的东西，错不在它逼人学，错在它从头到尾没给人留下"自己迈那一步"的机会——标准答案都摆好了，迈不迈那一步，根本没人检查。

AI 把答案递到我们每个人面前的速度，比任何一位家教都快。接下来愿不愿意多想五分钟、自己迈那一步，才是这道题真正的分水岭。

全文思维导图

@startmindmap
<style>
mindmapDiagram {
  node {
    BackgroundColor #F8F9FA
    RoundCorner 10
    Padding 10
    FontSize 13
  }
  :depth(0) {
    BackgroundColor #1E3A5F
    FontColor white
    FontSize 18
    FontStyle bold
  }
  :depth(1) {
    FontSize 15
    FontStyle bold
  }
  :depth(2) {
    FontSize 13
  }
}
</style>

* 从填鸭到因材施教
** Andrew Ng 又创业了
*** 改变在哪学，没改变怎么学
*** LearnVector：一对一学习
** 我女儿的处境
*** 题做得好，没标准答案就露怯
*** 不会用AI，不知道问什么
*** 应试训练答对题，不训练做成事
** LearnVector 的三个转变
*** 一对多到一对一
*** 苦差事到乐趣
*** 偶尔到日常
*** Bloom两西格玛问题
*** 效果有争议但方向成立
** 一对一不是万能药
*** 有效靠卡壳处的推力
*** 伸手要答案等于换个对象抄作业
*** 链接认知负债一文
** AI该干不该干
*** 该干：想点子找资料干脏活
*** 不该干：理解判断内化
*** AI是副驾我是主驾
*** 链接深度学习法一文
** 具体怎么做
*** Anthropic六种用法24%到86%
*** 给她：先答再挑错/三句话/逼出对立答案
*** 给自己：脑子三明治/先搭骨架/定期关掉AI
** 总结
*** 门槛能打下来
*** 那道坎得自己迈
@endmindmap

本作品采用知识共享署名-非商业性使用-禁止演绎 4.0 国际许可协议进行许可。 欢迎在我的个人网站 https://www.fanyamin.com 访问原文并评论。