改一次课程要五年，AI 半年就换代：一位瑞典教育专家的四个象限

瑞典改一次全国课程大纲，五年算快的。Johan Falk 在瑞典国家教育署负责数学教育改进的那几年，对这个节奏深有体会。然后 ChatGPT 上线了。

他在教育署内部拉起一个 AI 教育团队，做了 18 个月，辞职，转去全职研究 AI 对教育和社会的影响。现在他在斯德哥尔摩运营 Graspable AI，给老师拍短视频，讲 AI 到底是什么、对课堂意味着什么。

Cognitive Revolution 的主持人 Nathan Labenz 把他请来聊了一期。Nathan 最近刚给密歇根州 500 名公立学校管理者做过演讲，自己两个孩子一个一年级一个学前班，正在 Montessori 体系里。他坦白说，换一个时间线，他可能会变成那种对教育极度上心的虎爸，但在当下这个世界，他选择先让孩子当孩子，看看再说。

两个人都算全职跟踪 AI 的人，都对教育有一堆问号。这期节目给出的答案不多，框架很好用。

教育的三个目的，第一个正在松动

Johan 说，不管哪个国家，教育的目的大概由三块拼成：给劳动力市场供应能力，培养能履行责任的公民，让个人成长。

第三块包括学艺术这类没有功能必要性但对人有好处的东西。

后两块在美国是激烈战场。什么叫好公民，往哪个方向成长，每个学区都能吵起来。第一块反而有地面真相，能不能找到工作，一测便知。

AI 动摇了第一块。Johan 的原话是，如果未来走向 UBI，那“为劳动力市场供应能力”这个目标基本失效，学校应该更多关注一个人怎么保持身心健康，而这恰好是现在学校教得最少的。

他有两个孩子，7 岁和 10 岁，还要在学校待十年左右。他说他完全不知道十年后的社会长什么样。读写、理解自己、跟人合作，这些肯定要学。解一元二次方程呢？学外语呢？大概有用，很难说是必需的。

他反复回到的结论是：教育系统最需要提升的能力是敏捷性。改一次课程五年起步，而 AI 世界的五年是沧海桑田。这个速度差是核心矛盾。他坦言不知道怎么办。

Nathan 接了一个很实在的对比。他自己在创业公司经历过多次产品做到一半，底层的做法已经过时。从立项到上线最多几个月，团队就已经面临要不要推倒重来的纠结，其中很大一部分是情绪成本。学校这种组织的惯性比创业公司大一到两个数量级。

四个象限里，最热门的两个最不紧急

Johan 用一个“立方体的四个面”来组织思路。立方体有六面，我们只看到四面，还有两面不知道是什么。能看清的四面是：

• 用 AI 来学习，比如 Khanmigo、AI 学习搭子
• 老师用 AI 干课堂外的活，备课、写材料、处理行政
• 教 AI 本身，把 AI 素养放进课程
• 系统层面的影响，学校形态、教师角色、教材会不会消失

按直觉，前两个是所有人第一反应会聊的。Johan 的判断相反：这四个面里，前两个现在最不重要，第三个最被忽视也最紧急。

理由很实在。AI 当学习工具，研究还没跟上。他说有的研究说用 AI 能省一半时间学两倍内容，有的说用了 AI 学得更少。挖下去会发现，前者基于尼日利亚 25 个成年人，后者基于 18 个被要求用聊天机器人写论文的人。这些研究有用，但你没法直接搬到自己瑞典的初中课堂。

时间差更麻烦。论文发表时，数据往往已经是两年前的了，两年前的大模型和现在不是一回事。

他的建议是：别一刀切强制所有老师把 AI 当学习工具，让有兴趣的老师自己试。老师最清楚自己班上的情况。Nathan 当场点出这句话的反面风险：如果官方说这还没被证明、不强制，很容易演变成那大家就别管了，最后谁都不动。Johan 承认这个风险，还是倾向于把决定权放到老师手上。

他也提了各国在做什么。韩国和新加坡走强力的自上而下路线，新加坡还有不错的教育数据标准，让 AI 能接进去。爱沙尼亚小、敏捷、数据基础设施好，推得动。美国有 Khan Academy 的 Khanmigo，计划铺到上百万学生和老师。中国把 AI 放进课程体系已经做了十来年，也有类似 Khanmigo 的产品叫松鼠。他说关键动作是三条：自上而下的战略指令，配套资源和培训，清晰的边界规则，比如学习数据不能挪作他用，然后还要敢动。观望本身是最大的风险之一，不动就会被甩到数字鸿沟的另一边。

老师省时间的正确姿势，和 90 分的及格线

Nathan 拿医生做类比。医生白天看病，晚上还有一班翻译病历的隐形夜班。老师也一样，白天上课，晚上批作业、写反馈、回家长消息。

Johan 给老师的建议是课堂外的活能用就用。把零散笔记变成能给家长、学生、校长看的文字。研究班上三个有特殊挑战的学生，读论文、跟聊天机器人讨论、想出第二天能试的办法，过去要四小时，现在二十分钟。拿一份旧数学卷子，让 AI 出三个版本，其中一个用足球主题包装。

他提到一个心态问题。AI 产出 90% 到 95% 可用，剩下 5% 自己改，这件事本身可以接受。省下来的时间拿去多跟学生说话、多做点别的，净收益是正的。学校和老师都得允许犯错，甚至要把犯错当成学习成本。

他也泼了冷水。把题目包装成孩子喜欢的主题，篮球迷的数学题还是数学题，短期能吸引注意，长期没用。真正的奖励是我学会了的感觉。最有效的个性化是把难度调到学生的真实水平。他自己当过数学老师，一个班上有人吃不饱，有人 16 岁还在跟负数较劲，把教学调到真实水平，几乎一定能提升兴趣。

Nathan 提到学习风格的迷思，视觉型、听觉型。Johan 说这块科学结论很清楚，学习风格不存在。但那种“我是听觉型”的感觉是真的，所以这个误解特别难纠正。不同模态确实有不同用途，在公交车上听点东西很好，混合使用比死守一种更好。互动性对学习有帮助，跟多巴胺和期待感有关，这也是为什么 NotebookLM 那种两个人对话的音频比独白更抓人。

检测器是死路，批改要拆开做

AI 检测器，Johan 的回答很干脆：不工作，死路。

AI 批改，他的回答是最好别当第一评判者。风险是老师会在方向盘后面睡着，全盘接受 AI 的判断，结果对非英语母语者等群体造成系统性不利。可以当第二意见：自己先批，再用 AI 跑一遍，差异大的地方回头看一眼。

Nathan 追问，如果老师就是太忙，非用不可，怎么做得尽量好。Johan 给了一套相当具体的方案：

• 把评分拆成多个维度，各自用数字量表打分，比如拼写、词汇丰富度、结构，最后用明确规则合成总分。学生和家长能看出哪一项判错了，也有申诉的抓手。
• 找出可能被系统性歧视的群体，男生女生分开看，母语者和非母语者分开看，检查分数分布有没有异常。
• 留申诉通道。
• 透明，明确告诉学生这份作业是 AI 评的。

他说做到这几条，基本符合欧盟人工智能法案的要求，理论上可以开公司卖到欧盟去。

他还讲了一段很少有人知道的事。他在国家教育署管过几年全国数学测试，包括口语部分。他们做过评分者一致性评估，人类评分者之间的一致性基本像掷骰子，有时候更差。

AI 评估有另一个问题。如果只有一个大模型在评所有人，它的偏见会均匀施加到每一个学生身上。一千个老师至少有噪声，不太可能所有老师以同样的方式歧视同一个群体。好消息是 AI 的偏见一旦被发现可以校准，人类的偏见难改。

Nathan 补了另一层。现在新模型的技术报告里，很多评估数据本身就是 AI 生成的。用 AI 评 AI，再用人类专家的一致性来给自己背书。这条路走下去，人的评估能力会一代比一代弱。Johan 说这是现实，人类评估早晚会跟不上。

孩子该学什么，AI 朋友比 AI 搜索更紧急

Johan 排了优先级。最紧急的两件事。

一是怎么用、什么时候不用 AI 来学习。就算学校禁了 AI，孩子回家照样用。有人用它真的学得更多，有人骗自己以为在学其实没学。后一种情况是 AI 进教育最大的风险之一，学业落后会累积，影响毕业、就业、社会融入。这个现象已经发生了快三年。

二是 AI 伴侣。他个人主张 18 岁以下禁用，理由是知道得太少。他也说不用走到这么远，但必须跟孩子讨论：什么是 AI 朋友，怎么看待它，什么信号值得警惕。90% 到 95% 的情况完全没问题，但孩子得知道剩下那 5% 长什么样。

再往后是深度伪造、批判性思维、写作反馈、信息管理、自动化。还有一层更宏观的：AI 怎么影响民主、权力集中、劳动力市场，AI 作为技术的基本原理，法律和伦理。他说这些够写一本书，他确实在写。

Nathan 提了一个更棘手的点：AI 导师和 AI 朋友之间的界线会越来越模糊。教学科学里师生关系是影响学习最重要的因素之一，好的 AI 导师难免带上关系的成分。他引了 Replika 创始人 Eugenia Kuyda 的说法，AI 应用的护城河最终是关系，人不换朋友，不会因为遇到更聪明的人就抛弃老朋友。这条线一模糊，订阅制就有动力往关系依赖的方向设计。

Johan 的回应是看激励结构。订阅制公司有动力用暗黑模式让人离不开，非营利做教育会好一些。广告驱动的免费版更麻烦，目标是最大化参与度。Nathan 说他不反对 AI 应用里的广告，但不想让自己的孩子成为这场实验的受试者。

Nathan 还列了几种他准备给学区管理者讲的过时观念。幻觉被过度强调，现在的模型在小学教的内容上不比维基百科差。还有大模型只是在预测下一个 token，这句话错了两层。即使字面上是预测 next token，也不代表没有高阶概念理解，跨语言的概念表征就是证据。现在也不再纯粹是预测下一个 token，强化学习训练看的是最终答案对不对，不是逐字逐句的推理链。Apollo 的研究拿到模型内部思维链，看到的是某种自成一体的小方言，那不像任何语料库里的文本。

Johan 补了一条：AI 不是传统软件，你没法看代码知道它怎么做决定。它是被种出来的黑箱，不是被造出来的。

分数会消失吗，以及 97% 的人怎么办

Nathan 抛出一个观察。Alpha School 一边用 AI 重构教学，一边仍然拿标准化考试的成绩证明自己。他理解这是向外部世界证明的必要动作，但也觉得相对于 AI 系统对学生的了解深度，一次考试只是一个极其单薄的切片。

Johan 说他百分之百同意，然后扔出他自称最激进的观点之一：分数的时代正在结束。

逻辑是这样的。作弊之所以成为问题，是因为你在追分数。如果动机是学习本身，AI 是工具，不是威胁。现行教育系统是为第一次工业革命设计的，快两百年了。他不确定这套系统还适配第几次工业革命，但他确定作弊问题会每半年变得更严重。

他不知道怎么过渡。上大学需要某种筛选机制，入学考试、抽签，总得有一样。取消分数会带来新问题。方向他还是认为对。

Nathan 又提了一个想法。在 AI 还做不出爱因斯坦级范式突破的窗口期，教育也许该专注于识别和培养那极少数能做出这种突破的人，每个国家现在都藏着一个未来的爱因斯坦。

Johan 的反问很直接：为什么？社会现在没有专门培养前 3% 也运转得不错。为了这几个人的 GDP 贡献去运转整个教育系统找人，投入产出不划算。五年后 AI 也许就能干这些活，更便宜。真正的问题是剩下 97% 的人怎么办。

这一段他的态度很松。他说自己现在有份觉得有意思的工作，但如果今天失业、政府养着，他会很开心，跟朋友玩桌游、陪家人、读书。他说 90% 的人没有他这份运气。他担心的是少数人攫取所有资源，其他人连 UBI 都拿不到，而不是人们会因为没工作而抱怨。

Nathan 的说法更乐观一点。只要政治阶层能处理好国际关系，他相信普通人花掉和平红利的本事。

节目最后 Johan 给了三条给老师的建议，都很轻，明天就能做。

每天用 AI 省五分钟。这是他最常说的口头禅。不用先上课，不用先读论文，找一个每天都能省五分钟的用法，用起来。省时间的过程中，你自然就理解了这技术能干什么、对学生意味着什么。

多犯错。AI 变得太快，必须上手玩。像允许学生犯错一样允许自己犯错，只要识别出代价最高的那几类错误，其余的可以庆祝。犯错说明在学。

聚焦学生。老师容易慌，觉得什么都要学、什么都跟不上。Johan 说老师的主业是学生。关于 AI，你只需要学到能判断：我这门学科里，学生该不该学 AI，该的话怎么教。其余的交给校长和办学者去投资培训、做战略规划。

Nathan 补了一条他同事 Matt Cahill 的座右铭，每天教，每天学。在 AI 这件事上所有人都在同一条起跑线上，年龄和资历都不作数。老师最好的姿态是跟学生一起学，把自己的实验和错误摊开给学生看。

Johan 还提了一个可以马上布置的作业，让学生做未来愿景。所谓科幻指的不是激光剑那种，指的是如果这个变量不同、世界会怎样这类的思想实验。在一切看起来都在被某种指数过程推着走的当下，提醒孩子我们还有能动性，还能想清楚想要什么样的未来，这件事本身有价值。

想继续看他的东西，graspable.ai 上有给老师的短视频，更长的版本在 graspableai.substack.com。