教学软件的下半场:别做水,学会“卡”——液态软件之后,学习软件该往哪走

老 K 在茶馆里看手机，看了足有一刻钟，忽然把茶杯往桌上一顿，说了一句：“这篇文章写得漂亮。”

对面小马正埋头刷题，被吓得笔都掉了：“师父，您吓我一跳。哪篇文章？”

“国防科大那几位写的，《未来教学软件将走向何方？》，发在《中国教育网络》上。你把原文找来读读，读完咱俩聊聊——我有话要说。”

小马翻了半天，读完了，抬头：“写得确实顺。软件从‘固态’到‘液态’，最后‘融入环境’‘技术隐退幕后’，一气呵成。学生坐地铁刷一道题，AI 在后台生成一个专属工具，用完即散，跟水一样无孔不入。这画面多美。”

“嗯，很美。”老 K 慢悠悠续了杯茶，“所以我更觉得要泼盆冷水。”

“何出此言？”

“因为‘液态软件’这四个字，解决的是‘软件怎么生产’的问题，压根儿没碰‘学习怎么发生’的问题。水利万物而不争，可学习恰恰是件‘争’的事——你见过哪个人是靠喝水学会游泳的？”

小马被问住了。

这篇长文，就是茶馆里这壶茶，慢慢聊。聊聊那篇文章说得对的地方，聊聊它漏掉的最重要的东西，再聊聊我的一个判断：未来教学软件的下半场，不在“液不液态”，而在一个反直觉的词——“卡壳”。

得先公道地说，那篇文章不是空谈。它讲的其实是软件界的三大推演，环环相扣。

它的比喻很妙：现有大多数教学软件，本质上是幻灯片和几何画板的亲戚。需求在开发前一次性敲死，功能出厂即定型，想改一个排课逻辑得走完需求、开发、测试、部署全流程，动辄数月。就像一个杯子，装得了水装得了茶，但你永远别指望它变成一个壶。

这个“杯子论”我相当服气。过去几十年教育信息化的成果，从电子教材到教务系统，大多确实是“杯子”——而且是一批为上一代教学环境烧制的杯子。AI 时代的教学目标、内容、方法都在变，你还让老师端着旧杯子接新酒，当然别扭。

这是全文的题眼。大模型改写了软件的生产方式——需求可以用自然语言直接描述，AI 负责把话变成代码，再也不用“一锤子买卖”。Claude、Cursor 帮着程序员写码，腾讯 CodeBuddy、智谱 Zcode、阿里 Meoo 把设计稿变页面、把描述变文档，有人甚至一夜之间用 AI 复刻了《红色警戒》的实时对战。

落到学校里就更具体：国防科大的“软件工厂”已经把教学软件的生产周期从数月压到几天甚至几小时，需求变动当天就能重新生成、当天部署。做软件的瓶颈不再是“会不会写代码”，而是“能不能把需求说清楚”——你给 AI 一句“我要个排课系统”，它给你个四不像；你补上“检测教师跨校区冲突、两堂课之间留两个课时通勤、周五下午留教研不排课”，它大概率给你一个能用的东西。

这个观察非常锋利。它的核心结论是：需求表达能力，正在取代编程能力，成为教学软件生产的新地基。谁最懂教学场景，谁就最接近软件的定义权。过去那种“开发者不懂业务、业务者不会写码”的错位，被 AI 抹平了一大半。

文章推演，当 AI 从“辅助人写软件”进化到“自主生成软件”，软件生命周期会被压成“提需求—生成—用完即散”三步。科研秘书说一句“把快结题的标出来”，AI 当场生成一个高亮清单，用完自动收起，你甚至没意识到自己用过一个“软件”。再往前，AI 连代码都不生成了，直接生成能力，软件像水一样溶在环境里——需要时汇聚成形，用罢悄然流散。

“上善若水。未来教学软件的理想形态，就是软件融入环境、技术隐退幕后，泛在化、智能化的学习随时随地自然发生。”

小马说：“多好，这才是技术的最高境界。”

老 K 说：“是啊，多好。所以我更要泼冷水——问题恰恰出在这个‘自然发生’上。”

我为什么不服气？因为过去三年，全世界最聪明的一批人，已经替我们把“液态教学软件”造出来试过了。结果很值得玩味。

Khanmigo 是什么？全球最著名的 AI 教学软件，没有之一。可汗学院 2023 年把它推出来，用 GPT-4 做底子，主打“苏格拉底式提问”，不直接给答案，而是追问着让学生自己想出来。上线以来互动超过 1.08 亿次，听着吓人。

可汗学院自己今年承认了什么？只有 15% 的学生在定期使用它。首席学习官迪塞尔博在领英上写得很坦诚：早期使用情况“各不相同”，有些对话对进步的帮助明显优于另一些。Sal Khan 本人更是说了一句意味深长的话：

“AI 会起到帮助作用，但我认为，我们最大的杠杆，实际上是投入于‘人’的系统。”

翻译一下：软件再好，学生不来用、不会问、不想学，一切白搭。可汗学院访问量从 4 万学生涨到近 100 万，但“使用率停滞了”。《大西洋月刊》的评论更扎心——学习是需要被激发动力才能进步的事，而且很大程度上是社交、是关系；AI 迄今没能复制“人与人之间的情感”。

2025 年《美国国家科学院院刊》（PNAS）发了一项研究，宾夕法尼亚大学等机构的学者在土耳其一所高中做了近千人的实验。三组学生练数学：一组用普通 ChatGPT，一组用加了“教学约束”的辅导版 GPT（会引导、不让它直接甩答案），一组老老实实用课本和笔记。

结果特别戏剧性：

• 有 AI 帮忙时，普通 GPT 组练习成绩比对照组高48%，辅导版 GPT 组高127%——两组的练习表现都碾压课本党。
• 但到了不能带 AI 的考场，普通 GPT 组反而比对照组低了 17%。
  辅导版 GPT 组没有出现这种崩塌。

看懂这个反转了吗？学生用普通 AI 练习时“感觉全会了”，因为 AI 把每一步都写得顺畅无比，顺到你合上对话框时产生一种强烈的“我懂了”的错觉。认知科学管这个叫“流畅性错觉”——信息太顺滑，大脑就把“好理解”误判成“已掌握”。而真正的学习，恰恰需要一点“费力感”：回忆、组织、挣扎、卡壳，这些不舒服的瞬间才是大脑在编码信息的时刻。

可汗学院以前被称为“学习幻觉重灾区”不是没道理。他们的新方案已经在修正——新版 Khanmigo 从“被动等学生来问”变成“主动出现在解题过程中”，区分“初次学习”和“复习”两种策略，发现知识漏洞会主动提示先补前置技能，还开始追踪一个残酷的指标：“下一题的准确性”——学生在 AI 帮完这一题之后，下一题不能带 AI 时，还做不做得出来。这个指标衡量的是“学习有没有迁移”，而不是“AI 辅助下表现好不好”。

其实这不新鲜，人类的直觉早就知道：考场要收手机，比赛要关导航。软件越会替你，人就越不会。

今年开学季，一个词从北大、复旦校长嘴里说出来，串红全网：认知卸载。复旦校长金力说了一串：警惕“思维外包”导致批判性思维弱化，警惕“虚假掌握”——深度依赖 AI 的评测，会增加“貌似学懂”的假象，还要警惕“信息茧房”，因为不少模型的算法有“谄媚”特性，讨好式的帮助提供不了真实的挑战。北大校长高松说得更直白：AI 能给出标准化结论，却替代不了反复试错中形成的独立判断。

MIT 今年 8 月发的那份 AI 使用评估报告，是我见过最狠的自我解剖：“许多 AI 使用方式正在剥夺学生的学习机会。”报告里有个词叫“认知投降”——学生在遇到困难的第一时间就转向 AI。可怕的是，和作弊不同，身在其中的人根本不觉得自己在回避思考，只觉得“AI 给的又快又好”。MIT 还观察到，办公室答疑时间出席率下降，图书馆里的线下学习小组在减少。

数据也跟上来了：一份覆盖 400 多所高校、近两千名本科生的调研显示，AI 使用率已经高达 99.18%，同时超六成学生对“AI 使用的合理边界”感到困惑。另一项调查里，49% 的大学生承认遇到问题会习惯性依赖 AI、不愿自主钻研。

我不是反 AI。我是怕一件更朴素的事：如果软件把“想的过程”都包办了，那一代人的“想的能力”会像肌肉一样萎缩。杰瑞德·霍瓦特在新书《数字迷思》里那句话敲得人脑壳疼——AI 可能成为“终极认知卸载软件”，它不只是在降低孩子某一次作业的难度，而是在系统性短路学习赖以发生的认知基础。

今年 9 月，OECD 公布了 PISA 2025 的成绩，新闻标题一个比一个吓人：OECD 成员国学生阅读平均分十年掉了 28 分，相当于“白学了一年”；数学掉了 22 分；美国的阅读成绩创下参加 PISA 以来的 25 年最低。上海交大密院一位教授说得更直白：“Z 世代在健康、快乐和认知发展上，明显不如同龄时期的父母，读写能力、计算能力、深度创造力，到一般智商，第一次出现持续下降的趋势。”

当然，把锅全甩给 AI 是不公平的——成绩下滑的周期比 ChatGPT 出现得早得多。但至少有一件事成立了：过去十几年“更多技术进课堂”，并没有让学生的认知变强，反而在悄悄变弱。这逼得全世界在教学技术这件事上，从“跑步进场”转向“踩一脚刹车”。

纽约市公立学校已经宣布，2026-2027 学年，学前班到八年级学生停止直接使用生成式 AI，高中只在经过审核的项目里有限开放。中国 2025 年发布的使用指南同样明确：小学生不应独自使用开放式内容生成功能。连最拥抱 AI 的地方，也开始给孩子的“AI 接触量”设限了。

这些政策不是反 AI，是对“技术万能论”的一次集体纠偏：孩子的脑子只有一副，赌不起。

四堵墙垒起来，你再看那篇文章的“液态软件融入环境、泛在化学习自然发生”——还觉得顺吗？

我反正觉得：方向没错，但漏了最重要的一块拼图。那块拼图的名字，叫学习本身的运行规律。

先说个得罪人的大实话：人类学习，本质上是一种“反软件”的活动。

软件追求什么？顺滑、无摩擦、秒回、零等待。你今天打开任何一个被夸“好用”的应用，无不是把“人需要付出的努力”压缩到最小——点一下，出结果；再点一下，再出结果。这是软件工业一百年来全部进步的浓缩历史。

学习追求什么？恰恰相反。学习要求你付出大量“看起来浪费”的努力：反复读、抄写、背、算、卡壳、犯错、推倒重来、半夜突然想通。认知科学里有个术语叫“合意困难”（desirable difficulties）——恰到好处的困难，反而让记忆更牢、理解更深。越是平滑的学习体验，越容易产生“我学会了”的错觉，然后转头就忘。前面那个土耳其实验，就是“合意困难”的反面教材：太顺了，学到的是空气。

所以你把一个“追求零摩擦”的软件，硬塞给一个“天生需要摩擦”的人类活动，中间那道缝，就是过去三年所有 AI 教育产品集体翻车的地方。

可汗学院的 15%、MIT 的“认知投降”、校长们的“认知卸载”，说的其实是同一件事：AI 把“做作业”这件事变得太顺了，顺到把“学习”这个行为本身给短路了。

那未来的教学软件到底该长什么样？我的答案，用一句茶馆里的话说就是——

未来的教学软件，真正值钱的能力不在“生成”，而在“节流”：它要精准地管理“学习的摩擦系数”。

我来展开讲讲这个想法，再落到几个具体的软件形态上。咱们一壶茶，一段一段聊。

“摩擦”这个词在物理里有个系数。未来的教学软件，也应当给每个学习任务标一个“摩擦系数”：这是一个值得学生自己死磕五分钟的问题，还是一个应该让 AI 立刻代劳的问题？

现在的软件一刀切：要么全部代劳（所以产生了“学习幻觉”），要么全部不管（所以 Khanmigo 无人问津）。未来的软件要做的，是在“全代劳”和“全不管”之间，找到那个属于每一个学生、每一个知识点的最优摩擦点。

举几个具体的例子，你就明白我在说什么了。

场景一：一道卡了十分钟的数学题。现在的主流 AI：立刻给你完整步骤，你抄完，觉得会了，其实不会。未来的教学软件：它先试探性地给一点提示，比如“你想想，这道题和刚才那道求导有什么不一样？”再给你 30 秒自己继续。你如果还是不行，它不是给答案，而是给一道更简单的同类题，让你先爬一个小坡。这就是“摩擦系数动态调节”。

场景二：背单词。现在的软件（包括很多 AI 工具）：把词义、例句全部铺在你眼前，恨不得帮你把记忆也代办了。未来：软件先考你——“这个词你记不记得？想 10 秒。”想不出来，才给提示。然后再隔 5 分钟、1 小时、1 天、4 天，在你快要忘掉的时候，刚好在你面前“卡”一下你。这个“卡”的节奏，就是传说中的间隔重复。多邻国把这一套玩得炉火纯青，靠的不是 AI 生成，反而是古老的“遗忘曲线”。

场景三：写作。现在：让 AI 起草，你改。未来：软件反过来当你的“第一个读者”，它把你的稿子读一遍，然后只提问题，不给答案：“这一段你想表达什么？”“你这个例子和第二段重复了，换一个更贴切的？”你不改好，它就不往下看。它在帮你“卡”——卡出更好的表达。

看出来了吗？这三件事的共同点是：AI 最大的价值，不是帮你省掉思考，而是帮你在“最该思考的时候”思考。这就是“求之不得，乃为上策”——它像一位好的教练，知道你什么时候该休息，什么时候该加码。

如果把这个“摩擦意识”再往前推一步，就得到一套可以落地的设计语言。我把它称作“摩擦调节的四只旋钮”，未来的教学软件，本质上就是一套同时拧好这四只旋钮的系统：

旋钮一：难度旋钮——这道题是让学生轻松完成、垫垫脚完成，还是跳起来也完不成？对应的是“最近发展区”理论：太易则无学，太难则崩溃，恰到好处的“卡一卡”最出效果。判断依据不是题号，而是这个学生上一道题的表现轨迹。

旋钮二：时间旋钮——给学生留多久思考？现在所有 AI 工具都默认“秒回”，这是最违背学习规律的设计。未来的软件应该学会“等”：给提示之前，等你一分钟；给答案之前，等你三分钟。它甚至可以主动说：“这道题你先自己想，五分钟后再来找我。”被等一下，往往是学会和没学会的分水岭。

旋钮三：反馈旋钮——告诉学生“做对了/做错了”，还是告诉他“你是怎么想的、卡在哪一步、下一步该往哪使劲”？前者是结果反馈，后者是过程反馈。真正的学习发生在“知道自己的认知漏洞”那一刻，所以反馈的颗粒度，决定了学习的深度。

旋钮四：路径旋钮——学生卡住时，是绕过去、补前置、还是换一种讲法？这取决于系统对“卡点”的诊断：是粗心、是概念没懂、是前置知识缺失，还是今天的情绪不在状态。同一种“卡”，四种旋钮方向，拧错了就是折磨，拧对了就是顿悟。

四只旋钮，说穿了就是四个问题：多难？等多久？怎么说？往哪走？现在的教学软件一只都没拧，未来的教学软件必须四只一起拧——这正是它和“液态软件”的分水岭：液态软件解决“软件怎么生产”，旋钮系统解决“学习怎么调度”。

顺着这个逻辑，我可以给你画一张未来教学软件的进化图景，别看它抽象，每一级都有现实中的雏形：

第一级：答案的搬运工（现在的主力）。你问，它答。解决了“不知道答案”的问题。这个阶段就是市面上绝大多数 AI 学习产品，包括刚出道的 Khanmigo。它的副作用，就是土耳其实验里那 17% 的下跌。

第二级：提问的引导者（现在正在出现）。它不直接给答案，而是通过提问让你自己找到答案。这就是 Khanmigo 一直在做的“苏格拉底式提问”，以及新版“主动出现在解题过程中”的思路。这一级开始有“摩擦”的意识了，但它还是单向的：AI 提问，学生回答。

第三级：摩擦的工程师（未来 3-5 年）。它开始管理“摩擦系数”：知道什么时候把题推到你面前，什么时候把你推开；知道你的知识薄弱点在哪，刻意在那个点上让你痛一下、卡一下。它甚至会主动制造“困难”——给你出一道带陷阱的题、让你用三个比喻解释一个概念（费曼技巧）、让你把学到的知识画成一张讲给别人听的图。这一级的核心指标不再是“解答了多少问题”，而是“制造了多少次恰到好处的卡壳”。

第四级：大脑的终身教练（更远的未来）。它跨场景、跨学科地跟踪你的认知轨迹：知道你怎么学得进去、什么时候最容易放弃、你的创造力高峰出现在几点钟。它比你自己还了解你的学习方式。它把整个学习生涯看作一场漫长的训练，而你，是它唯一的运动员。

说句实话，第四级听起来像科幻，但前两级已经是现实，第三级的碎片（可汗的新指标、多邻国的间隔重复、NotebookLM 的“成为你的私人导师”）已经散落一地。缺的，只是把它们拼成一张图的人。

光讲理论不够，我挑三个最新的、最接近“未来教学软件”形态的实例，给你把形态画实。它们每一个都有成绩，也每一个都踩过坑——而坑里的东西，恰好是我们要的答案。

先说 Khanmigo 1.0 的教训，可汗学院基本上是在用自己“丢人”的方式，替全行业交了学费。

教训之一是“被动等学生来问”基本失效。学生遇到不会的题，很多人的第一反应不是提问，而是放弃。所以 Khanmigo 今年夏天的改版，把整个交互哲学从“学生呼叫我”改成“我主动介入”：你做题做了一半卡住了，它会在你卡住的那一刻出现，而不是等你举手。

教训之二是“苏格拉底式提问”要分对象。对基础好、有自觉的学生，连续追问是艺术；对基础弱的学生，“只提问不给答案”就是折磨。所以新版对不同水平的学生，给不同密度的提示。同一个 AI，对学霸可以只给“你再想想”，对学困生要先把前置知识铺一遍。

教训之三是“AI 辅助下的表现”是个陷阱指标。学生可能在 AI 的支持下把题做对，但一撤掉支持就露馅。所以可汗开始追踪“下一题的准确性”——只看你离开 AI 后能不能独立做对。这个指标，我认为是今年教育 AI 领域最重要的一个产品决策。

可汗学院自己承认这些并不羞耻。羞耻的是知道问题却当看不见。它这份坦诚，比一万场吹牛发布会都值钱。

多邻国可能是这个星球上唯一一个把“学习”变成全球上亿人日常习惯的软件。它的猫头鹰 Duo 的霸总营销先放一边，我看中的是它的两件事。

第一件，是把“反馈循环”做到了极致。你每答对一题，豆子、连击、排名、宝石，叮叮咚咚全响。它的内在逻辑不是“让你变得更聪明”，而是“让你明天还想来”。它不是让你“学得更轻松”，恰恰相反，它让你“学得更上瘾”——这两种体验有本质区别：上瘾意味着你在主动投入努力，轻松意味着你希望别人替你努力。

第二件，是它今年推出的“拽姐”功能——AI 视频通话陪练口语。多邻国在 2026 年把这功能从最高级订阅下放到普通订阅，老板路易斯·冯·安的原话是，这个功能的运行成本已经降到了刚推出时的十分之一以下。为什么我的注意点在成本？因为口语练习是 AI 罕见地能比真人老师更“无压力”的场景——你对着 AI 说，不怕说错被同学笑，不怕尴尬。这里 AI 不是帮你省努力，而是帮你省掉“不敢开口”的心理阻力。这是“摩擦系数”的另一种用法：该有摩擦的地方（语法、词汇）保持摩擦，不该有摩擦的地方（社交恐惧）帮你把阻力去掉。

多邻国告诉我一件事：教学软件的上瘾性，只要设计对了，完全可以不牺牲学习效果。前提是，它奖励的是“你付出的努力”，而不是“你获得的结果”。

去年在教育圈被当成新闻、今年已经不太有人提的松鼠 Ai，其实做了一件很硬核的事。它的厉害不在“AI 出题”，而在一张“微颗粒知识图谱”。

传统学习软件告诉你：你这次考试错了 3 道题。松鼠 Ai 的模型会告诉你：你错的这 3 道题，其实共同指向同一个没掌握的前置知识点——比如“分数的约分”没学好，导致后面“比例”“方程”全部连锁反应。它把“出错”这个结果，拆成“为什么会出错”的因果链。这就像体检报告，不是告诉你“你病了”，而是告诉你“你哪个器官功能衰退，才导致了今天这个症状”。

这就是“摩擦工程师”的雏形：它知道你的病灶在哪，才能在你最虚弱的地方，精准地、一点点地给你加压——而不是像传统题库那样，哪里错了刷哪里，刷完就忘。

它还去了联合国教科文组织的数字学习周演讲，讲了“从精准诊断到规模化影响”——个性化教育一直有个死结：一个老师带 50 个学生，怎么个性化？松鼠 Ai 的答案是：把个性化的对象从“人”变成“知识图谱+学习路径的匹配算法”。这个思路，我认为是教学软件未来十年真正的主战场：不是让 AI 越来越像老师，而是让 AI 越来越懂“知识是怎么被学会的”。

聊完现实，放开胆子畅想。下面这四个形态，是我对未来 5-10 年教学软件的具体想象，每一个都建立在上面那套“摩擦工程”逻辑上。你完全可以当成一篇“产品需求说明书”来读。

名人效应先放一边，我想象的未来导师是这样一个存在：

它不是聊天框，更像一个“懂你的私教”。你学高等数学，它知道你的极限思维薄弱，于是每天给你安排三道“刚好比你当前水平高一点点”的题（这“一点点”，就是著名的“最近发展区”）。它不在你身边时，它记录你的错误轨迹；它在你身边时，它只在你“卡住正好 5 分钟”时出现——不是更早，不是更晚。

关键是它的“反代劳机制”：它绝不会在你第一次问的时候给完整解答。它会说：“你先自己试试，把思路写出来给我看。”你写不出来？好，它给你一道更简单的铺垫题。你还不行？它给提示，但只给一个关键提示。它把你的“求助”当成需要训练的权利，而不是理所当然的服务。

它还会定期（比如每周）做一次“裸题测试”——不带任何辅助的纯模拟考试。考完，它拿着成绩对你说：“这就是你这一周真实的进步，不是幻觉。”它是全世界最不怕你生气的老师，因为它存在的意义，就是不让你舒服地变蠢。

费曼技巧说，最好的学习方法，是你把学到的知识讲给别人听，讲着讲着，你自己就懂了。

未来的教学软件，会给你配一个“什么都不懂”的数字学生——一个 AI 小白，让你当它的老师。

“你好，我听说你刚学会了微积分里的洛必达法则，但我完全不懂，你能教教我吗？”

你开始讲。讲到一半你发现，你自己也没懂透——你解释不清楚为什么 0/0 型可以用洛必达。卡住了。这时候数字学生不会放过你：“你刚才说‘因为’，‘因为’后面是什么理由？请说详细一点。”它逼你把模糊的地方说清楚，逼你把直觉升级成逻辑。这个过程，就是全世界最贵的教学法，由最便宜的 AI 帮你实现。

这个形态有一个巨大的现实意义：它把“教”这个动作，从老师身上，还给了每个学习者自己。每个人都可以有一百个“什么都不懂的学生”，而你每教一个，都是给自己做一次深度体检。

现在的知识图谱软件，画一条学习路线就完了。想象一个进化版：

它不是一张静态地图，而是带“交通管理”的动态系统。你走在这张地图上，软件会根据你的学习数据，在关键路口“设卡”：前方是“导数与斜率”和“函数连续性”的三岔路口，系统检测到你对连续性的理解还没夯实，于是亮起黄灯：“建议：先在这里停留 20 分钟，做三道铺垫题再继续。”

它还会在“认知疲劳”上做文章：你连续刷了 40 分钟同样的题型，系统提示你切换模式——“你再做下去边际效益很低了，去读一段相关的科普，或者把今天学的画一张图。”它在管理你每一分钟的“学习性价比”，不让你的努力变成低效的自我感动。

如果再配合体内的生物信号（脑电、心率），它甚至能判断“现在是你的黄金记忆时段，适合背东西”还是“你现在很疲惫，适合做点发散性的创意练习”。这不是科幻——消费级脑电设备已经在实验室里测了一个准了。未来的教学软件，未必只能“看屏幕”，它可以“看你的大脑”。

有人可能会问：这不就是把线下的“金牌老师”经验数字化吗？对，但又不全对。金牌老师靠的是带过几百个学生之后沉淀的直觉——“这种孩子，这么讲不行，得那么讲”。但直觉不可复制，所以金牌老师一辈子只能教几百人。而“知识地图交警”把这种直觉拆成了可计算的规则：检测前置未掌握，就推荐补课；识别认知疲劳，就切换模式；看到兴趣信号，就投喂拓展。它的上限暂时还够不着最顶尖的因材施教，但它的下限，远高于今天“一个老师对着五十个孩子念 PPT”的平均水平。教育公平这件事，靠名师是杯水车薪，靠软件才有规模化的可能——这也是我坚定看好这个方向的原因。

最后这个形态可能最反直觉：未来教学软件的评估系统，首要任务不是“测出你的水平”，而是“防住 AI 代劳”。

别笑，这是当前教育界最头疼的真问题。MIT 的报告已经说了：AI 已经能对本科几乎所有书面作业给出可信答案。如果考试和作业可以被 AI 完美代劳，那“分数”就彻底失真了——它在测 AI 的水平，不是测你的。

怎么办？三个方向：

一是“过程性评价”替代“结果性评价”：不看你最终交的答案，看你思考的过程记录——你改了几版草稿？你卡在哪一步？你最初的想法是什么？软件全程记录你与它的交互，AI 代劳的话，你会少掉“卡壳痕迹”，系统一眼就能看出来。就像快递公司靠“轨迹”判断包裹真实动线，教学软件靠“认知轨迹”判断学习的真实性。

二是“裸考制度”常态化：就像体育比赛有“尿检”，学习评估要有“裸测”——特定时刻，禁用 AI，纯靠脑子。不是羞辱，是校准：就像体重秤要调零，你的知识库存也需要定期“不带装备”地称一称。

三是“评估即学习”：把考试从“审判”变成“训练”的一部分。考完不结束，系统马上带你把错题复盘成新的学习路径。考试不再是为了筛人，而是为了让你更了解自己。

这四种形态，没有一个是“让软件更流利”的。恰恰相反——它们都在主动增加摩擦，主动制造卡壳，主动逼你停下来想一想。这，才是我说的“下半场”。

前面那些畅想，听着像产品经理画的饼。但我得负责任地告诉你：支撑它们的底层技术，没有一块是科幻，每一块都已有雏形，缺的只是有人按“摩擦工程”的原则把它们拼起来。

“摩擦工程师”要“卡”学生，得先知道该在哪里卡。这就要靠知识图谱的“微颗粒化”。

松鼠 Ai 已经在做这件事：它不满足于告诉你“你错了三道题”，而是把错题拆到底层因果链——“分数约分没掌握 → 通分出问题 → 比例方程连锁崩盘”。真正的粒度要细到什么程度？细到“一个知识点”不再是“分数”这种章节级单位，而是“分数的基本性质”“约分的依据”“最小公倍数与通分”这种一节课能被拆出十几个的颗粒。

这张地图越细，“卡壳调度”就越准：软件知道你卡在“约分为什么不会”，就不会只给你灌“比例怎么算”的鸡汤。这张图的精细程度，决定未来教学软件的“手术精度”——从“哪里错了”进化到“为什么会错”，从“错题本”进化到“病因链”。

这点听着玄，做起来几乎是免费的：现在所有的编辑器、输入法、在线做题系统，都能记录你的每一次停顿、每一处涂改、每一秒的犹豫、每一次翻回去重看。

这些“过程数据”以前被当成垃圾扔掉，只留“结果数据”（答对没有）——恰恰是教学软件最关键的信息。一个学生飞快地答对了十道简单题，和一个学生磨蹭半天终于答对了一道难题，前者是零学习，后者才是学习的全部。只看结果的软件，永远分不清这两种情况。

未来的教学软件，会把“你的认知轨迹”当成第一资产：你卡在哪一步、跳过哪一步、在哪个概念上反复回看，都是它给你调摩擦系数的依据。就像老中医凭脉象开方子——脉象就是过程数据，不是“你病没病”这个结果。

教育心理学里有个著名的“最近发展区”理论（维果茨基）：孩子太简单的题没意思，太难的题会崩溃，只有“垫垫脚够得着”的题才促进发展。过去，这个区间靠老师的经验直觉，一个老师只能照顾几十个孩子。

现在，算法可以把它规模化：通过试错与反馈，AI 对每个学生动态地找那个“卡一卡刚好能过”的难度点，然后天天微调。这不新鲜——游戏行业早就用这个逻辑做“动态难度调节”：你死三次，游戏悄悄放水；你一路碾压，游戏暗地里加码。马里奥赛车有个著名的“橡胶带效应”。未来的教学软件，就是把游戏厂商哄你开心的本事，用来逼你真成长。

责任也在这里：它的“放水”必须是为了让你学会，而不是为了让你不卸载。同样是动态难度，用来留住玩家是赌博，用来教会学生是教育。区别只在一念之间：它调难度时，心里想的是你的日活，还是你的认知发展？

一体化聊天机器人不是未来，各司其职的智能体小队才是。

将来一个学生身边，可能是这样一组 AI：

• 教练智能体
  ：负责挑题、卡壳、给提示——管摩擦的那位。
• 讲解智能体
  ：只在自己闯了祸（你卡太久）之后登场，把概念讲明白，讲完就退。
• 陪练智能体
  ：就是第五部分说的“什么都不懂的数字学生”，陪你费曼输出。
• 考官智能体
  ：定期裸测、追踪“下一题准确性”、给你的认知轨迹做“体检报告”。

四个智能体，四种人格，互不越权。为什么要拆开？因为权力要分立：如果同一个 AI 既负责让你卡壳、又负责让你舒服，它一定会选择让你舒服——就像同一个裁判既当运动员又当观众，比赛必烂。拆开之后，教练卡你，讲解救你，考官核实，谁都不能一手遮天。这套“教学权力制衡”，是我认为未来教学软件架构上最重要的一件事。

最后这块积木，关于家长和老师敢不敢用。

未来教学软件在管理学习时做的每个决策——为什么此时提醒复习？为什么调低难度？为什么换一种题型？——都必须能用人话说清楚。家长有权知道“软件为什么说我孩子该做这道题”；老师有权知道“软件为什么建议我的沉默学生换一种学法”。这就是“可解释评估”。

MIT 报告最震动我的一句话，不是“学生作弊”，而是“许多 AI 使用方式正在剥夺学习机会”——学生自己都不知道自己正在被剥夺。所以未来的评估引擎，不只是给你的学习打分，还要写一份“你的学习为什么会是这个样子”的人话报告。可解释，才配被信任；被信任，才有资格管别人家的孩子。

五块积木，各有厂商在做，问题是它们现在是五家公司的五个孤岛。所以我说，未来教学软件最大的商业机会，不是再做一款“答题更快的软件”，而是把这五块积木按“训练逻辑”组装起来——做一个真正以“学习发生”为核心目标的操作系统。谁先组装成，谁就拿到下一代的入场券。

畅想不落到时间轴上，就是耍流氓。我斗胆给未来教学软件排一张“十年路牌”——不求预测得准，只求给你一个可以讨论、可以证伪的坐标。毕竟，畅想的正确用法不是“预言”，而是“给现在的工作定方向”。

三年后，变化不会发生在“软件”上，而发生在“评价”上。

到 2028 年，AI 助教大概率已经成为高校和头部中学的标配——上海交大的“致远一号”已经给数百门课配了专属 AI 助教，苏黎世联邦理工的“Ethel”靠检索增强技术把课程问答做得几乎不幻觉，复旦在推覆盖全校的智能学业助手“星河启智”。这一轮比拼的已经不是“有没有 AI 助教”，而是“AI 助教会不会让学生变懒”。

所以我断定，2028 年前后会冒出一个此前教育界想都没想过的岗位：“裸测管理员”——专门负责设计和执行“不带 AI 的考核”。就像兴奋剂检测中心的官员一样，他们存在的全部意义，是保证“考试能测出人的真实水平”。MIT 报告提出的“认知投降”问题，会逼着每个学校设立一道“人工智能豁免区”：哪些作业必须关机写、哪些考试必须纯手算、哪些讨论不许查 AI。未来的教学大纲里，会明确列出“本节内容禁止使用 AI”的条目，就像现在写“闭卷考试”一样自然。

与此同时，“下一题准确性”这个指标会从可汗学院流传开，成为衡量一切 AI 教学工具的第一 KPI。厂商吹牛时不再说“我们有多少用户、多少互动”，而是说“我们让学生的裸测成绩提升了多少”。这个转变，比任何政策都管用——因为资本可以忍受用户少一点，但无法忍受评价标准被写进招标书。

再往后五年，会诞生一个真正意义上的新物种：个人学习操作系统。

它不再是“一个软件”，而是围绕一个学习者终身运行的基础设施：从幼儿园到退休，你的能力图谱、知识地图、兴趣曲线、认知风格全部沉淀在里面。你今天学游泳的教练点评，和二十年后学 AI 编程的代码轨迹，存在同一个“学习舱”里。它给每个学科配一组智能体（教练、陪练、考官），按你的节奏动态排课——这就是前面说的“摩擦工程”的最终形态：不是软件在管你，而是你握着软件的“摩擦旋钮”，知道自己今天想轻松点还是想虐一点。

到这一年，教师的角色会彻底转向。还在靠“讲知识点”吃饭的老师，会被 AI 助教挤得没有存在感；而“学习体验策展人”会成为热门职业——他们负责的是一件事：制造学生与知识之间的“不得不相遇”。比如把一节课设计成一个两难的抉择、一个需要动手的项目、一场必须辩论的法庭。AI 负责把这一切落地成软件，人负责让这一切值得发生。这也是 Sal Khan 那句“最大的杠杆是人”的真正含义——AI 越多，越需要有人回答“为什么要学”。

这一年的暗流是数据主权。当个人学习操作系统积累了一个人几十年的“认知轨迹”，一个问题就绕不开了：这份数据属于谁？我的判断是，2032 年前后，教育数据会参照医疗数据的路径被立法：学习数据默认属于学习者本人，教育机构只能“受托使用”，商业公司碰不到核心轨迹。谁先想明白这一点，谁就握住了下一代教育产业的门票——就像当年谁先想明白“隐私即产品”，谁就赢下了移动互联网。

那篇原文章最激动的部分，是“软件融入环境、技术隐退幕后”。我说这是方向，但要说一句跟它不一样的话：技术可以退到幕后，但永远不能退到责任之外。

2036 年可能发生的事：教室里的屏幕确实变少了。白墙本身就是交互界，纸、笔、手工作坊重新回到课堂中心，AI 感应你的动作与语调，在你需要的时候“冒出”提示，不需要的时候安静得像不存在。孩子学分数，直接用披萨、积木和身体来学，AI 在后台默默记录“他刚才把披萨切成了六份，理解通了”，然后悄悄在下一章调高难度。这是“泛在化学习”的极致形态，跟那篇文章想象的一样美。

但与此同时，有两样东西会前所未有地显眼：

一是“评估”会变得无处不在且透明。因为 AI 隐退了，你不知道它记录了你什么、判定了你什么，所以必须有一套看得见的“数据仪表盘”——每个学生、每位家长都能随时看到“AI 在用什么标准看待我”。可解释评估不再是可选项，而是底线。想想看：AI 越隐形，它的判断权越大；判断权越大，人就越需要看得见它的判断依据。这是权力制衡的铁律，谁也绕不开。

二是“教育失败”的责任会重新变得清晰。当软件本身是液态的、随取随用的，它就不能再当“背锅侠”了。学生学不好，是哪一环出了问题？是内容不对、难度不适、动力不足，还是软件压根不合适这个孩子？这些都需要“人”来回答——教师负责教学判断，家长负责成长陪伴，软件负责如实记录。技术退到幕后，不是让责任消失，而是让责任第一次变得可追溯。

所以我的结论和原文有一个字的差别：原文说技术“隐退幕后”，我说技术“隐退到一个看得见的地方”。差在哪？差在“责任归位”四个字。

畅想归畅想，作为在茶馆里说书的人，我有义务把丑话说在前头。因为这四个形态听着热血，落地时每个都有自己的“反噬”风险。看一个新生事物，不能只看它发光的正面，要看它投下的阴影。

想想手机。当年它是个通讯工具，后来变成游戏机、钱包、社交身份。现在全世界有几亿学生每天在手机上花六小时，而家长焦虑的已经不是“手机伤不伤眼睛”，而是“孩子离开手机还能不能专注”。

未来教学软件最危险的结局是什么？不是做不成，而是做成了——它变成了一个比你更懂你孩子的“智能保姆”，你在家庭教育里彻底下岗。“孩子学得怎么样？”你问的是软件；“孩子今天开心吗？”你问的还是软件。当教育越来越依赖算法，父母和教师的判断力就越来越无用武之地，最后连“该不该让孩子学”这件事，都变成一道输入给 AI 的槽。

这是我在文章开头就想泼的第一盆水：技术能增强教育，但永远不能接管教育。增强的意思是，它替人把“累”的活干了；接管的意思是，它替人把“想”的活也干了。哪怕是最聪明的软件，也只配当教育的“左膀右臂”，不配当“大脑”。

我前面畅想的“数字导师”，有个看不见的前提：它必须拿到你足够多的行为数据——你错过的每道题、你思考的每一秒、你的拖延模式、你的情绪波动。

用得好的时候，这是“精准农业”；用得不好的时候，这就是“监控教育”。孩子在学校里被 AI 追踪得越细，你对“数据被谁看、拿去做什么、十年后还在不在”的知情权就越重要。现在已经有学校因为装 AI 监控摄像头被家长投诉了——课堂表情分析识别“走神”，听起来是提效，细想想挺瘆人。教学软件越懂孩子，孩子和家庭让渡的隐私就越多，这条边界必须一开始就谈清楚，而不是等出了事再打官司。

我想起一句话：“个性化”可以是为你量身定做的衣服，也可以是为你量身定做的牢笼——关键是，量你身的人，和你是什么关系。

教育是慢变量，技术是快变量，这俩天生犯冲。

资本喜欢“三个月见效果”的产品，学校喜欢“一年有数据”的承诺，家长喜欢“立刻提分”的神话。但学习这件事，很多回报要五年、十年才显现——三年后你会发现当年刷题的 AI 软件没什么用，但真正有用的“批判性思维”，一开始根本卖不出去。

所以未来教学软件最大的坑，不在技术难度，在立场：它到底站在“让你现在就显得会”这边，还是站在“让你五年后真的会”这边？前者好卖，后者难卖。前者的产品经理要背 KPI 考提分，后者的产品经理要顶着家长投诉“怎么不给答案”。

我赌那个难卖的。因为教育这行当，凡是容易卖的东西，最后都容易塌。

聊到最后，得说点能落地的。我把这篇长文压缩成四段话，分别说给四个角色听。

给学生听（以及替孩子听的学生家长）：

判断一个 AI 工具是好是坏，只看一条标准——它是“帮你学”，还是“替你学”。帮你学的，会让你做题时更费力、更专注、更卡壳；替你学的，会让你做题时更轻松、更快捷、更顺畅。用完之后觉得“AI 真聪明”的是后者；用完之后觉得“原来我自己也能想出来”的是前者。永远选前者，躲着后者——即使前者用起来更累。学习这件事，累就是学费，交不起学费的人，学不到东西。

给老师听：

您最大的危机，不是“被 AI 取代”，而是“被 AI 架空”。当软件把知识讲解、作业批改、出题阅卷全包了，您还剩什么不可替代的价值？答案是三样东西：知道每个学生卡在哪儿的经验直觉、在学生自我怀疑时拉他一把的信任、把课堂搞得活起来的现场感。未来的好老师，是“学习体验的策展人”，不是“知识的二传手”。工具越强，会策展的老师越贵——但前提是您主动往那个方向走，而不是等着软件把您挤到墙角。

给学校听：

采购 AI 教学软件的评标标准，别再看“功能列表”和“使用时长”了。改成看三个硬指标：一是软件记不记录学生的“卡壳过程”（而不是只记对错）？二是允不允许“裸测”——不带辅助的纯考核？三是对“下一题的准确性”有没有持续追踪？三样都有的，是奔着教育去的；三样都没有的，是奔着日活去的。您按日活采购，学生就按日活学习——买来一堆让人上瘾的“学习游戏”，最终成绩单会找上门的。

给开发者听：

把“让用户觉得 AI 无所不知”忘掉吧，那是全世界最廉价的快感。您要做的软件，应该让用户离开它的时候，比用它的时候更强。这个标准，学名叫“迁移”，俗名叫“学会”，测法是“下一题能不能不用你自己做”。给您出一道自测题：您的产品明天突然消失，用户的学习能力会下降吗？如果答案是不会，那您现在做的，不过是一根昂贵的学习拐杖。做拐杖很容易，做健身房很难——但教育这个行业，只有健身房能活到最后。

四段话说完了。这些话不好听，但全是真的。

夕阳斜着照进茶馆，小马把笔放下，长长舒了一口气。

“师父，我理一理今天的收获。您说的‘液态软件’，讲的是软件生产的革命——软件从杯子变成水，随物赋形。这没错。但学习这件事本身，需要的不是水，是山——要有台阶，要有峭壁，要有爬上去的费力，才有登顶的风景。”

老 K 笑：“哟，你还会排比了。”

“但我不明白，”小马问，“照您这么说，未来的教学软件，岂不是越做越‘不智能’？故意不给答案，故意卡你，这不是把 AI 用回去了吗？”

“错。”老 K 把茶杯放下，“你想想，一位顶级教练，他的本事是让运动员‘不流汗’，还是让运动员‘该流汗的地方流汗，该歇的时候歇’？让 AI 卡你，不是让它笨，是让它聪明到知道哪里该笨。”

“未来的教学软件，成也‘不满足学生’，败也‘太满足学生’。它越能忍住不给你答案，越快帮你把答案长在你自己脑子里。它越不怕你讨厌它，越能成为你一辈子都离不开的教练——就像你恨过的高中班主任，多年后你感谢他。”

“所以‘液态软件’给我们的，是软件生产的自由；而我们要给教育的，是学习过程的克制。技术负责‘会得多’，教学负责‘想得深’。这两个凑齐了，教育才算是真正用上了 AI。”

小马若有所思，郑重地在本子上写道：

老 K 看着窗外：“茶喝完了。咱们散吧，明天继续。”

——到底是该把教学软件做成“水”，还是该学着做“山”，也许这道题的答案，本身就是一道需要“卡一卡”才能想明白的题。

• ① 在此插入相关文章标题一 · 点击替换为你的链接
• ② 在此插入相关文章标题二 · 点击替换为你的链接
• ③ 在此插入相关文章标题三 · 点击替换为你的链接