人工智能啥都知道，为什么还需要老师？
以 Claude 为例，聊聊 AI 在教学场景里到底强在哪、又弱在哪
利益相关：写代码和做量化研究不到十年，带过几拨实习生和转行的朋友，自己也是 Claude、Claude Code 的重度用户。下面的数据都标了出处，观点是我自己的，欢迎拍砖。
先说结论
如果你只想看三句话：
- AI 能不能提升学习效果，几乎不取决于模型多强，而取决于它被施加了什么约束。 同样是 GPT-4 内核，约束设计好的教学系统效应量能到 1.3 个标准差；不加约束直接丢给学生，反而让成绩掉了 17%。
- AI 最擅长的，恰恰是学生最不该外包的那部分认知工作。 Anthropic 自己的数据显示，Claude 在学生对话里承担的主要是”创造”和”分析”这两个最高阶层级，合计 70%。
- 老师这个岗位不会消失，但工种在变——从”知识的搬运工”变成”认知负荷的设计师”。 这个新工种的核心技能，AI 目前一项都不具备。
考虑到国内订阅claude确实有点困难，可以参考一下这里：Claudemax.shop
下面展开。
一、一个让我后背发凉的实验
先讲一个 2025 年发表在 PNAS 上的随机对照试验（Bastani 等人），我第一次看到结果的时候，第一反应是”这不就是过拟合吗”。
研究者在土耳其一所高中找了近 1000 名 9–11 年级学生，随机分成三组做数学：
- 对照组：只能用课本和笔记；
- GPT Base 组：给一个和 ChatGPT 差不多的通用聊天界面，随便用；
- GPT Tutor 组：同样是 GPT-4，但界面被老师加了教学约束——只给提示不给答案、要求学生先说思路。
第一阶段是有 AI 陪着做练习题，第二阶段是撤走所有工具、独立考试。
练习阶段，两个 AI 组的成绩都非常漂亮：GPT Base 比对照组高 48%，GPT Tutor 直接高出 127%。任何一个只看过程指标的人，到这一步都会宣布 AI 教学大获全胜。
然后 AI 被拿走了。
GPT Base 组的独立考试成绩，比从来没碰过 AI 的对照组还低 17%。GPT Tutor 组的表现和对照组基本没差别——注意，是”没差别”，不是”更好”。练习时高出 127% 的那 127%，一分都没留下来。
这就是”样本内”和”样本外”
做量化的人对这个形状太熟了。
你调了一个因子，回测曲线漂亮得不像话，夏普 3.5，最大回撤 6%。上线三个月，全还回去了。原因不复杂：你以为你在提取信号，其实你只是在记住噪声。 回测期的每一次”预测正确”，都不是模型真的理解了市场，只是它见过答案。
学生用无约束 AI 做练习题，就是完全同构的一件事。练习题的分数是样本内表现，撤走 AI 之后的考试是样本外表现。中间的落差有多大，就说明”知识”里有多少是借来的。
论文作者把这个叫 crutch effect（拐杖效应），我觉得叫”能力的过拟合”更准确：表现被优化了，能力没有被优化。而我们平时唯一在看的指标，恰好是表现。
这不是一个孤立的实验
如果你觉得单个 RCT 说明不了什么，2026 年 5 月挂出的一篇预印本（Rismanchian 等，加州大学欧文分校 + McGraw Hill）用了一个更狠的数据集：ALEKS 数学平台十年、320 万次学习交互的面板数据。
他们的识别策略很巧：把题目分成“AI 好使”的文字应用题和“AI 不好使”的交互式图形题，然后看 ChatGPT 发布前后两类题的行为分叉。
结果：ChatGPT 发布之后，大学生在文字题上的学习时长每季度下降 2.8%，十一个季度累计降了 26.9%；高中生降了 31.3%；初中生 9%；五年级学生没有可检测的变化（越大的孩子越会把题复制进聊天框，这个梯度本身就很说明问题）。而图形题没有这个趋势——排除了”疫情学习损失”“这届学生不行”之类的解释。
最要命的是那个对照：在有监考的评估里，这个分叉完全消失了；而在随机分配的监考型保留测验上，答对的几率累计下降了 25%。作者把这个现象命名为 cognitive surrender（认知投降）——不是像用计算器那样把一个子任务外包出去（用计算器的人仍然自己搭解题框架、自己判断结果合不合理），而是把整个解题控制权交出去，直接把 AI 的输出当成自己的答案。
对做教育系统的人来说还有个副作用：ALEKS 这类自适应系统靠”掌握信号”来推荐下一题。学生用 AI 做对了题，系统以为他掌握了，于是往前推进。评估信号被污染，自适应逻辑就跟着一起坏掉。
这一点在工程上有个精确对应：你的单元测试全绿，但测试用例是被测代码自己生成的。
二、但同一批模型，也能做出效应量 1.3 的教学系统
如果故事到这里为止，结论就是”AI 有害，禁了算了”。但这个结论是错的，而且错得挺离谱。
2025 年 6 月，哈佛物理系的 Kestin 等人在 Scientific Reports 上发了另一个 RCT。194 名学生，每人一周在哈佛引以为豪的”主动学习”课堂上学一个主题，另一周在宿舍里用定制 AI 助教（叫 PS2 Pal）学另一个主题，顺序随机。
结果是 AI 组赢，而且赢得不小：效应量 0.73–1.3 个标准差，学习时长中位数 49 分钟 vs 课堂 60+ 分钟。在教育研究里，这是几乎见不到的量级。
放在一起看就很清楚了。前 LLM 时代 VanLehn 的经典元分析里，智能辅导系统对比”没有辅导”是 0.76 个标准差；而智能辅导系统和真人辅导之间的差距只有 0.21，在多数场景下统计上不显著——这个数字二十年前就摆在那儿了，只是没人当回事。
关键在于：PS2 Pal 不是”把 GPT 丢进物理课”。
它被专门设计成抵抗大模型”有求必应”的天性：答案是预先写好的，模型不许自由发挥（这是为了防幻觉）；它被要求先追问学生的思路，一步一步给，不许一次性倒出完整解法；它主动在该增加认知负荷的地方增加认知负荷。
对比一下 Bastani 实验里的 GPT Base——同样的模型底座，一个把摩擦力加回去，一个把摩擦力全部拿掉。前者效应量 +1.3，后者成绩 -17%。
所以真正的自变量从来不是”用不用 AI”，而是”AI 被设计成什么样”。 而”设计成什么样”这件事，本身就是教学法问题，不是工程问题。
三、那 Claude 在教学场景里的生产力，具体强在哪？
上面说的都是”要小心”。现在说说它真的很能打的地方——而且这部分我觉得被严重低估了，因为大多数人还停留在”把 Claude 当搜索引擎”的用法上。
3.1 最大的变化：从”回答问题”到”造出可运行的教具”
Anthropic 2025 年 8 月那份教师报告里，我认为最有价值的发现不是使用占比，而是这句：老师们已经不满足于聊天了，他们在用 Artifacts 直接造工具。
报告里列出来的实际产出包括：网页版的化学计量游戏、带自动反馈的遗传学测验、历史时间线的交互可视化、计算物理模型、能自动填充并导出 PDF 的教学日历、CSV 成绩处理器。
有位受访教师的说法很戳我：以前因为”时间成本高得不可承受”而做不了的定制仿真和交互实验，现在能做了。
这件事的意义，做过工程的人应该秒懂：教具的边际成本塌了。
过去要给一个概念做交互式演示，你得会写前端、有设计资源、还得有两三天空闲——所以现实里大家就用 PPT 讲。现在这个 loop 缩短到十几分钟。一个概念讲不清，就当场再造一个演示，换个角度再来。
我自己带人做量化的时候，最常用这招做三样东西：
- IC 衰减的交互演示：拖动滑块调半衰期和噪声比，实时看信号怎么被吃掉。讲十遍不如让人自己拖三下。
- 样本内/样本外的可视化对比：这个上面刚讲过——最好的教法是让学员亲手过拟合一次，然后看着曲线在样本外崩掉。
- 数据泄露（look-ahead bias）的踩坑器：故意留个用了未来数据的 bug 在里面，让人自己找。
这三个东西以前我得写小半天，现在描述清楚要什么，十分钟出第一版，再迭代两轮就能用。
3.2 约束本身被产品化了
上一节的结论是”约束设计决定成败”。Claude 这两年做的一件正确的事，是把约束做成了产品功能，而不是让每个老师自己去写 prompt。
- Learning Mode：2025 年 4 月先在 Claude for Education 里试，8 月开放给所有 claude.ai 用户，在样式下拉里选”Learning”就行。开了之后它不直接给答案，先反问你”你打算怎么下手”“什么证据支持你这个结论”。
- Claude Code 的两个输出样式（
/output-styles切换）：Explanatory：一边写一边解释为什么这么写、权衡了什么、有哪些替代方案——相当于身边坐了个愿意碎碎念的资深工程师；Learning：更狠，它会在代码里留#TODO，要求你自己把关键的几行补上。
第二个我个人觉得是目前 AI 编程教育里最被低估的功能。因为初学者用 Claude Code 最大的问题从来不是写不出代码，而是代码全写出来了，人什么都没学到。留白是最朴素也最有效的干预——它把”合意困难”（desirable difficulty）重新加回了流程里。
坦白说，Learning Mode 也不是万能的。查个 API 参数还被反问三轮，纯粹是浪费时间。它真正有用的场景是开放式推理：理解一个证明、想清楚一个架构、debug 一个你其实没搞懂的逻辑。这也是我建议按场景开关、而不是常开的原因。
3.3 Claude for Teachers：把”合规”和”课标对齐”焊进去了
2026 年 7 月 14 日，Anthropic 发了 Claude for Teachers，面向通过验证的美国 K-12 教师免费（2027 年 6 月 30 日前注册，免费一年）。几个我觉得有信息量的点：
- Learning Commons 连接器（和 Chan Zuckerberg Initiative 合作）：接进了全美 50 个州的学业标准，以及每条标准底下更细的能力点，还有 OpenSciEd、Illustrative Mathematics IM v.360 这类经过验证的课程体系。意思是生成的教案默认就对着课标和学生的已有基础，省掉了老师事后一条条核对的时间。
- FERPA 对齐的数据条款，和美国教师联合会（AFT）共同制定，明确不拿教师数据训练。
- 打包了 Claude Code 和 Cowork：可以挂定时任务，比如每天下午 4 点自动跑一遍当天的课堂小测（exit ticket）汇总。
第三点是我最感兴趣的。因为老师真正的瓶颈从来不是”写不出教案”，而是每周 49 小时的工作量里塞满了不产生教学价值的碎活。Gallup 的调查里，老师报告 AI 工具平均每周替他们省下 5.9 小时——这 5.9 小时如果真能还给”和学生说话”，那才是这轮技术最实在的红利。
（顺便，高教这边也在铺：斯坦福从 2026 年 6 月 30 日起给全校师生员工开了 Claude for Education。国内节奏也不慢，教育部等五部门 2026 年 4 月印发了《”人工智能+教育”行动计划》，配套的还有《中小学人工智能通识教育指南（2025 年版）》。方向盘已经打了，剩下的是怎么开的问题。）
3.4 我自己带人时的四个具体用法
前面都是别人的数据，这里说点我自己踩出来的：
① 让它出题，别让它答题。 “就 pandas 的 groupby + 时间序列重采样，出 30 道题，难度从易到难分五档，每题给测试用例和期望输出，答案单独放一个文件我先不看。” 这个用法的好处是：AI 的生产力全部用在扩大练习量上，而练习本身仍然由人完成。这正好是 GPT Tutor 组和 GPT Base 组的分界线。
② 反向讲解：让 AI 当学生，我来讲。 “你现在是一个刚学完线性回归、但完全不懂时间序列的实习生。我来给你讲为什么截面回归里要做行业中性化，你听不懂的地方就打断我。” 费曼学习法的自动化版本。AI 扮演听众的能力，比它扮演老师的能力可靠得多——因为前者不需要它判断对错。
③ 把 AI 当 code reviewer，不当 ghostwriter。 先自己写完，再让它挑刺，并且要求”只指出问题和原因，不要直接给修改后的代码”。加上这半句约束，学习效果差出一个量级。
④ 定期断网考试。 这条最重要，也最反人性。每隔一段时间，关掉所有 AI，限时手写一段东西——一个滚动窗口的因子计算、一段带边界条件的二分查找，什么都行。
因为你在 AI 辅助下的表现是样本内的。你唯一能拿到样本外估计的办法，就是把 AI 拿掉，然后诚实地看结果。这是你自己给自己做的那个”撤走 AI 的第二阶段”。
四、那为什么还需要老师？
好，铺垫完了。现在回答标题。
先看一张让我印象最深的数据图。Anthropic 用 Clio 分析了约一百万条学生对话（筛出 57 万余条），然后用布鲁姆认知层级去分类 Claude 在对话里实际承担了哪一层认知工作：
创造 39.8%，分析 30.2%，应用 10.9%，理解 10.0%，记忆 1.8%。
布鲁姆金字塔被完整地倒了过来。
AI 在替学生干最高阶的活，而底下那几层——反复练、练到形成直觉的部分——反而空着。Anthropic 自己在报告里的评价很克制但很到位：倒过来的金字塔，是会翻的。
还有个配套数据：约 47% 的学生对话属于”直接型”，要答案、要成品，几乎不来回讨论。
那么，AI 能力这么强，为什么还需要老师？我的答案是四件事，而且这四件事在结构上就不是模型能力增长能解决的。
4.1 决定”什么时候不该帮”
这是最根本的一条。
大模型被训练成”有帮助”。你问什么它答什么，答得越完整越好——这是它的目标函数。而教学的目标函数在很多时刻恰恰相反：最有价值的干预是”忍住不给”。
认知科学里管这个叫合意困难（desirable difficulty）：提取练习、间隔重复、适度的困惑感，这些在当下都让人不舒服、都让”表现”变差，但恰恰是它们制造了持久的学习。
问题在于，“该忍到什么程度”是一个需要判断的量，而判断的依据是老师对这个具体学生此刻状态的了解：他是卡在概念不通，还是卡在符号看不懂，还是纯粹昨晚没睡好？是快要突破了值得再撑五分钟，还是已经挫败到要放弃了得赶紧接一把？
Learning Mode 是这个方向上很好的一步，但它是全局的、无状态的：它对所有人、在所有时刻，用同一个力度反问。真正的教学要求的是动态调节的难度曲线，而调节这条曲线所需的信息，绝大部分根本没有进入聊天窗口。
用工程的话说：AI 现在能执行策略，但制定策略需要的观测量，它拿不到。
4.2 判断”你到底会没会”
这是第二条，也是被 AI 直接破坏掉的一条。
上面 ALEKS 那个研究已经把问题挑明了：当学生可以用 AI 完成任务，任何基于”任务完成情况”的评估都失效了。 作业分数、平台的掌握度、提交的项目——这些信号全部被污染。
而评估失效的后果不只是”没法打分”，是整个反馈回路断了。学生不知道自己哪里不会，老师不知道该讲什么，自适应系统不知道下一题该出什么。
重建可信评估的手段——口头答辩、白板推导、当场改需求、追问”你为什么选了这个方案而不是那个”、监考——没有一样能由 AI 独立完成，因为它们的本质是在一个 AI 无法介入的信道里做测量。这在定义上就必须有人在场。
我招人的时候现在只做一件事：给一段他自己写的代码，让他讲清楚为什么这么写、当时排除了哪些方案、如果需求变成 X 要改哪里。会不会写已经不是信息量最大的问题了，能不能对自己的选择负责才是。
4.3 决定”该学什么”
AI 能回答任何问题，但它不能决定哪个问题值得问。
这在我这行特别明显。一个想做量化的新人，面前有一百条路：深度学习、另类数据、高频微结构、期权做市、宏观 CTA。每条路上都有一堆看起来很厉害的东西。AI 会把每一条都给你讲得头头是道。
但“以你的背景、在这个市场环境下、给定你只有两年时间，该先啃哪一块”——这是一个需要品味、需要行业实感、需要对这个具体的人有判断的问题。它不是信息检索问题，甚至不完全是理性推理问题。
课程设计的本质是取舍，而取舍的依据是价值判断和局部经验。这恰恰是通用模型最弱的地方——它见过所有人的经验，因此没有任何一个人的处境。
4.4 让人愿意坐下来吃苦
最后一条最俗，但骗不了人。
学习的瓶颈从来不是”找不到解释”。B 站上什么都有，MIT 的公开课挂了十几年，现在还有一个 24 小时不烦不累、比大多数助教都耐心的 Claude。
瓶颈是你愿不愿意在难受的时候再坐十分钟。
而这个”愿意”，历史上主要靠三样东西支撑：有人在等你的进展、有人会因为你做出来而高兴、有人对你有一个你还没达到的期待。这些都是关系。AI 目前提供不了——不是因为它不够聪明，是因为它没有利害相关性。你放它鸽子，什么都不会发生。
老师自己已经用脚投了票
有意思的是，这四条在教师的实际使用行为里，有一个非常干净的印证。
Anthropic 分析了约 74,000 条高校教师与 Claude 的对话，把每一次使用标记为”增强”（人和 AI 一起做，人留在回路里）还是”自动化”（整件事直接交出去）：
规律清楚得不像话：离学生越近的活，老师越不肯撒手。
课堂教学和教学材料制作，77.4% 是增强；学业指导、指导学生学术工作，都在 67% 上下。而机构财务与筹款，65% 直接自动化。
没有人开会讨论过这条边界，它是几万个老师各自做决策之后自然浮现出来的。 我觉得这比任何一份专家共识都更有说服力。
（报告里也有个刺眼的数字：涉及作业批改和学业评定的对话，48.9% 是自动化倾向——是自动化第二高的任务。而同一批受访教师恰恰认为，批改是 AI 最不擅长的一项。认为不该做，和实际在做，中间那道裂缝，就是现在教育界最真实的焦虑。）
五、落到操作层
说了这么多，给三类人各留一份可执行的清单。
如果你是学生 / 自学者：
- 先做后问。 卡住之前不要打开 AI。真正有学习价值的那几分钟，正好发生在你卡住、还没放弃的那个窗口里。
- 让它出题，不让它答题。 把 AI 的产能全部用在扩大练习量上。
- 要求”只说问题，不给代码”。 一句话的约束，效果差一个量级。
- 每两周断网考一次。 你在 AI 辅助下的水平是样本内的。没有样本外估计，你对自己的能力评估就是一条漂亮的回测曲线。
如果你在带人 / 教书：
- 把 AI 用在材料生产上，把自己留在难度设计和评估上。 这两件事的边界，就是图 4 那条 50% 线。
- 重建不可污染的评估信道。 口头答辩、白板推导、当场改需求。这是现在最值钱的教学工作，没有之一。
- 别把批改整条外包。 数据显示很多人在这么干，而他们自己也知道不该这么干。
- 重新设计作业，而不是禁用 AI。 报告里有位教授说得挺好：如果 AI 能独立完成这份作业，那该反省的不是学生。
给所有人的一条：
Anthropic 2026 年 3 月的经济指数报告里有个发现值得记一下：使用 Claude 超过半年的用户，任务成功率比新用户高约 10%，而且在控制了任务类型、模型、国家之后依然成立。
也就是说，“会用 AI”本身就是一项需要时间习得的技能，而且存在明显的学习曲线。
这句话有点悖论意味，但它是这篇文章最好的收尾：连”如何学习 AI 的使用”本身，都需要被教。
六、结语
回到标题的问题。
“人工智能啥都知道，为什么还需要老师”——这个问句里藏着一个陈旧的假设：老师的价值在于知道得比学生多。
如果这个假设成立，那老师这个职业确实已经被判了死刑，而且死因不是 AI，是 1990 年代的搜索引擎。
但看完上面那些数据，我的判断正好相反。AI 越强，老师越重要，只是重要的地方全变了。
当获取答案的边际成本归零，稀缺的东西就从”答案”转移到了：
- 判断什么时候不该给答案；
- 设计能测出真实能力的评估；
- 决定在无穷多可学的东西里，先学哪一个；
- 以及，让一个人在难受的时候愿意再坐十分钟。
这四件事，没有一件是”知道得多”。
所以我更愿意这么说：老师的岗位没有消失，只是从”知识的搬运工”变成了”认知负荷的设计师”。
那个 -17% 和那个 +1.3 个标准差，用的是同一个模型。中间隔着的，全部是人的判断。
而只要那个判断还是稀缺的，这个职业就还在。
欢迎加入DeepSeek 技术社区。在这里，你可以找到志同道合的朋友，共同探索AI技术的奥秘。
更多推荐
10
0- 0
已为社区贡献13条内容
所有评论(0)