摘要

Alpha School 的核心押注是，AI 可以把基础学科学习压缩到每天2小时，同时让人类把工作重心上移到激励和社会性发展。 学生在25分钟的番茄钟中完成个性化数学、阅读、语言和科学学习，下午转向创业、金融素养、领导力、团队协作和沟通。MacKenzie Price 的说法是，孩子们午餐前就能“学业冲刺完毕”，既没有家庭作业，也没有传统意义上的讲课老师。
Alpha 的成绩数据相当亮眼，但证据仍应打一个选择偏差的折扣。 Price 表示，Alpha 各年级、各学科的成绩都位于第99百分位，唯一例外是五年级数学的第93百分位，并称学生能在2年内从第10百分位提升至第90百分位。她承认，Alpha 是一个年学费通常约4万美元的私立学校网络，存在选择偏差；同时她指出，1万美元的低价选项和正在推出的免费学校，可以扩大样本覆盖。
Alpha 的技术论点远不只是“给每个孩子配一个聊天机器人”。 生成式 AI 围绕每个学生的知识缺口，搭建覆盖 K–8 Common Core 和高中 Advanced Placement 的课程计划；视觉模型衡量准确率、速度、是否阅读讲解以及是否靠猜；未来的课程还可能把学生的“知识图谱”与“兴趣图谱”叠加起来。真正的运营突破，是把原本静态的成绩评估转化为下一步该学什么的指令。
Alpha 想真正占据的瓶颈不是内容传递，而是动机。 Price 认为，一段高质量学习体验中，正确的学习节奏和难度只占10%，动机占90%；因此，学习导师的职责是建立个人连接，而不是解释如何“进一”。Alpha Bucks 让学生赚取、消费、储蓄、投资和捐赠；她为外在奖励体系辩护称，只有“5%的人口”天然愿意为了学习本身而学习。
D. Graham Burnett 认为，即使教师群体仍在防御，AI 已经在瓦解大学的评估机器。 如今的系统已经足够出色地模拟人类分析和表达，生成结果与人类作品难以区分，从而动摇了论文以及教授群体的“警察职能”。他的机会判断是，大学可以放弃让学生跳“卡拉OK舞”、生产劣质学术论文的做法，重新回到塑造“与自由的条件相称的人”。
但 Burnett 认为，大学更可能走向机构衰退，而不是迎来人文学科复兴。 随着家长、学生和管理者围绕学费回报率与就业进行优化，他预计，有价值的人文工作会迁移到传统大学体系之外，由“数千所新学校”提供资金支持，这些学校可能既不提供认证，也不颁发文凭。Princeton、Harvard、Yale 和 Stanford 或许仍能保持辨识度，但许多其他机构必须“变得动态，否则就会消亡”。
想要学习的学生已经在自行搭建适应性学习系统，其响应速度超过许多课程。 一名 MIT 学生用 Gemini 找出先修概念，用 Perplexity 针对每个考试主题进行讲解和测验，直到确认掌握；再让 Gemini 编写 Google Apps Script，把 Notability 备份转成摘要和10道复习题。Casey Newton 认为，分界线在于动机：对于真正想掌握知识的学生，AI 可能是“发生在他们身上的最好的事情之一”。
AI 的普及同时围绕作弊、不平等和技能形成制造了三重风险。 一名学生承认用摘要跳过原书，Kevin Roose 则称 AI 检测器是“彻头彻尾的闹剧”，因为误报可能惩罚原创作品；付费订阅也让更富裕的学生获得更好的答案和更多提问次数。如果计算机科学学位变成4年自动补全，真正的威胁就不只是学得不扎实，而是最终走到 AI 已不再需要毕业生来启动工作的地步。

精读

1. Alpha School 彻底颠倒学校日程

Price 反驳“由机器人带领的怪异反乌托邦”这一 caricature：Alpha 是一所全日制学校，孩子们约8:30到校，先进行“无限启动”，被描述为“给孩子上的 Tony Robbins 课”。某天早上的挑战任务是让小组通过沟通解开缠在手上的绳子，这场“人类面条项目”旨在先行激活协作能力。
基础学科学习只占2小时。学生在数学、阅读、语言和科学之间轮换，每段约25分钟的番茄钟课程，中间安排休息；午餐前，正式课程已经结束，晚上也没有家庭作业等着他们。
下午由学习导师带领项目制工作坊，内容包括创业、金融素养、领导力、团队协作、沟通和社交。所有人约在3:15重新集合，进行“表扬环节”，之后留出时间给家庭、朋友和体育活动——Alpha 重新设计的并不只是更快的课程，而是整套童年日程。

2. 驱动2小时学习主张的是个性化，而不是机器人教师

Price 表示，Alpha 既不用机器人讲师，也不采用传统聊天机器人教学。生成式 AI 根据 K–8 Common Core 标准和 Advanced Placement 课程，生成个性化学习计划，先判断“他们知道什么、不知道什么”，再布置填补缺口的内容。
视觉模型通过准确率、解题速度、学生是否阅读或观看讲解，以及是否在猜答案，来衡量参与度。系统随后指导学生如何更高效地学习，让行为数据也成为个性化循环的一部分。
下一层能力是把学习者的“知识图谱”与“兴趣图谱”结合起来。Price 举的典型例子是：一个不愿阅读的孩子，和足球队队友一起被放进一场 Avengers 式冒险故事中，故事难度精确匹配该孩子的 Lexile 阅读水平；个性化不再只调整难度，也开始服务于叙事动机。
她的压缩逻辑从课堂浪费开始：用10分钟让所有人安静下来；一场讲课让已经理解的学生感到无聊，同时让尚未理解的学生掉队；随后全班被迫一起推进。面对这类50分钟课程，Alpha 提供的是与每名学生的水平和节奏精确匹配的25分钟学习。

3. 动机成为人类的工作，也成为真正的瓶颈

Roose 的质疑值得保留：自导式软件可能更偏爱那些本来就具备自驱力的孩子。Price 的回答是，一个学习吃力的五年级学生可以在修补二、三、四年级知识缺口的水平上学习，而成年人则专注于让这个学生“锁定状态”。
Alpha 刻意不鼓励学习导师重新讲授内容。孩子求助时，导师会先问他是否读过讲解、查过资源库，或者找到有用的视频；最终目标是培养一个自驱学习者，并让他掌握“学会如何学习”这一人生技能。
人与人的连接可以非常具体：一个喜欢观鸟的男孩，只要完成学业目标，就能每周和导师一起去绿地带活动。导师会研究孩子在困难面前对自己说什么，再围绕这些个人动机引入成长型思维策略。
Newton 质疑终身内在动机与 Alpha Bucks 之间的矛盾。Price 直面“冷冰冰的现金”：孩子完成每日目标后赚取货币，再练习消费、储蓄、投资和捐赠。她的直接辩护是，只有5%的人天然有学习动机，学校不能用一句“那是他们自己的问题”来回应剩下的95%。

4. Alpha 最强的主张仍应打上选择偏差折扣

Price “完全”承认，私立学校招生会筛选出那些愿意拒绝默认校车、选择不同教育方式的家长；Roose 则指出，学费约为每年4万美元。Price 的反驳是扩大价格覆盖：有一所学校的费用低至1万美元，免费学校也开始推出，未来的数据应会“规模更大、严谨性更高”。
Price 表示，Alpha 不会筛查成绩单，也不会因为孩子落后就拒收；学校看重的是可辅导性和参与意愿。她最强的追赶式主张是：一名新入学学生可以在2年内从第10百分位提升到第90百分位。
Price 报告称，Alpha 的成绩“全面”位于第99百分位——覆盖所有年级和学科；她给出的例外是五年级数学，位于第93百分位。这些是她报告的数字，而她本人对选择偏差的承认，意味着更广泛的复制验证仍是未决考验。
面对外界对教育科技潮流的怀疑，Price 表示，技术“本身从来不是答案”：学习节奏和难度只贡献出色学习体验的约10%，动机贡献90%。从2014年前后的应用到2022年的生成式 AI，技术变化让评估变得可执行——薄弱的分数知识可以触发代数学习前的补救——也让下午的课程开始培养 AI 素养，以应对她所说的甚至尚不存在的工作。

5. Burnett 找到的是思想对手，而不是论文机器

Burnett 的基本判断是确定性的，尽管他也警告技术发展太快，无法让人从容预测：AI 如今已经能够模拟人类思考、分析和表达，其复杂程度足以让生成内容与人类输出难以区分。因此，“我们用来教育学生的一大批方式已经出局”。
在一门追溯注意力从修道主义到算法注意力经济的课程中，他要求学生与聊天机器人围绕注意力展开对话，再把这段交流编辑成4页文章。他抱有很高期待，却无法准确预判这项新作业会暴露出什么。
读了30年学生论文之后，结果仍让他感到诡异：他看着一代学生遭遇一个“陌生而熟悉的幽灵、上帝、怪物孩子”。学生与机器仿佛在擂台上彼此试探——“你有什么本事？”——同时也意识到，未来多年他们都会成为伙伴。
一名学生发现的并不只是无限耐心。“我第一次以一种全新的感觉进入自己的智力，因为我不用担心面前的人。”不必管理或畏惧一个人类对话者后，她可以“全力以赴”，并发现自己思维的形状。

6. AI 先击穿大学的警察模式，再逼问其更深层使命

Burnett 对教师群体的观察仍然偏防御性：教授们像“警长”一样行动，担心论文失去意义，阅读材料会变成 NotebookLM 播客，蓝皮书考试可能回归。他说，人文学科教师未必在政治上保守，但他们所在机构对变化的“滞后时间”相当长。
他自己的使命不是职业培训，而是“努力塑造与自由的条件相称的人”——让人对自由、他人以及自己负责。AI 之所以让他兴奋，是因为它剥掉了大学的警察职能，迫使大学面对一个问题：这种更深层的人格塑造，是否一直才是大学真正的目的。
可以被丢弃的部分，是学生模仿教授、生产微型劣质期刊论文的“卡拉OK舞”。如果系统可以反复生成“一大堆关于 Hamlet 的有趣文章”，稀缺资源就不再是生产，而是读者：“有人想读吗？”
Burnett 的真实预测更悲观：更可能发生的是，大学继续围绕学费回报率和就业能力加码，直到人文学科在大学内部走向终结。Roose 追问价格问题——自我发现不必花费数十万美元，再背上几十年的债务——而 Burnett 预计，他看重的工作会迁移到别处。他警告：“这不是测试。这是真的。”

7. 当读写转向口述，高等教育可能走向拆分

Burnett 想象，未来会出现“数千所新学校”，专门探索如何生活、该做什么，以及如何理解历史与传统。他的历史类比是：修道院训练之后，世俗学校和本土语言学校兴起；AI 也可能在“某种终局”上打破大学模式，而 Burnett 认为，人文学科之所以成为领域，恰恰是因为它们“不变现”。
迫在眉睫的教学转向，是从文本性转向口述性。Burnett 认为，大规模、长篇、沉浸式阅读正在终结：人们的阅读方式已经不同于10年前、2年前甚至30年前；即使在精英圈层，把自己交给长篇文本的能力也正在消失。
他的回应是通过转型来保存传统：布置短篇书籍段落，然后把它们戏剧化、辩论、表演、歌唱、背诵、剪碎，或贴在宿舍墙上。“人们不会变得更愚蠢。人们正在变得更聪明。”但一种被写进书本的传统，如今必须通过不同形式继续流动；播客本身就是口述转向的例子。
Burnett 的父母分别是大学校长和院长，但他仍敦促正派的人为大学辩护。然而，美国大学模式持续75或80年的非凡时期正在“走向尾声”：精英“母舰”或许几乎不会改变，其他机构则必须“变得动态，否则就会消亡”。Casey Newton 介绍了自己那种兼顾终身英语学习和就业回报的学位组合，并怀疑这种组合是否只是他那个时代的产物。

8. 学生已经在自行搭建适应性学习栈

Keith 是 Princeton 的计算机科学学生。当教授对证明推导或方程直觉一带而过时，他会使用 AI。数周之后，与其重新逆向推导不完整的笔记，他会让模型连接起那些“不同的顿悟时刻”，并填补注意力或理解中断造成的空白。
Greta 是 MIT 的大三学生，学习 AI 和商业分析。她把习题集上传给 Gemini，但只要求它指出先修概念——例如相关的图论——而不是给出解题路径。这条边界保留了她亲自面对实际问题的机会。
为准备优化考试，Greta 把课程大纲和讲义交给 Perplexity，要求它解释每个主题并持续提问，直到确认她已经理解。她还让 Gemini 编写 Google Apps Script，把 Google Drive 中的 Notability 备份转换成课程摘要和10道测验题，再将文件返回 Drive；“Gemini 基本上自己完成了所有工作。”
Roose 的结论是，有动机的学生可能会“加速领先”，有时甚至应该教教授如何使用这些工具。Newton 则进一步限定了条件：对于真正想学习的人，AI 可能是有史以来最好的发明之一；如果缺乏这种愿望，同一套系统也无法凭空提供它。

9. 普及带来走捷径、误判和技能陷阱

Claire 是 Fordham 的大四学生。她直白承认，自己有时会先看 ChatGPT 摘要，再讨论从未读过的书；她“对此并不自豪”，但这条捷径“实在太容易”。更麻烦的是，一名教授怀疑她的原创论文，另一名朋友也曾在没有使用 AI 的情况下被指控使用 AI。
Roose 称商业 AI 检测工具是“彻头彻尾的闹剧”：它们制造大量误报，模型无法可靠确认某段文字是否由自己生成，作者身份也不可能在大规模场景下被确定。他对走捷径的答案是重新设计作业和评价方式，同时指出，早在 AI 出现之前，SparkNotes 和 CliffsNotes 就已经让逃避阅读成为可能。
Pia 是一名申请德国硕士项目的美国人。她先根据自己的研究用英文写了10页论文，再用 ChatGPT 和女友翻译。她称这种帮助是“救命稻草”，但也担心“作弊就是欺骗自己”；Newton 认为，语言是一套不同的思维系统，而不只是 AI 耳机可以替代的沟通层。
Vikram 是 Michigan 的计算机科学学生。他说，AI 现在“就像互联网，或者计算器”：Cursor 的 Tab 自动补全已经非常出色，学生社团也默认使用 AI，不用就会落后。Roose 补充说，付费订阅让更富裕的学生获得更好的答案和更多提问次数；Newton 则追问，4年自动补全真的能教会人计算机科学吗？Roose 认为，当前只是走到半程，最终系统会自行写代码，并压缩这些学位所对应的就业岗位。

Mercado Libre：电商帝国——[商业拆解，第227期]（预览）Google 与 Apple 避过灾难，再谈 Kpop Demon Hunters 与好莱坞，以及 Microsoft、Adobe 和 ASML 的邮件往来