摘要： 立仁兄想先说一句反直觉的话：孩子数理化生学不好，九成不是「不够努力」，而是「火没点着」。1984 年教育学家 Bloom 发现，一对一辅导能把成绩拉高两个标准差（著名的「2 Sigma 问题」），可一对一太贵，普通家庭请不起，于是全社会退回到「一个老师对四十个学生」的工业化刷题。今天，AI 第一次让「人人配一个数字家教（AI Tutor）」在经济上成立——它不是又一台刷题机器，而是先帮孩子找到偶像、点燃好奇、用编程和游戏把抽象公式变成他亲手造出来的东西。本文从普鲁士工厂式教育的两百年长周期讲起，落到一套可操作的「先点燃、再学习」路线图，也讲清楚：支撑这一切普惠落地的，是算力背后的液冷与散热成本，而这正是易链在做的事。
一、先认清：我们今天逼孩子刷的题，是 1763 年的产品
把镜头拉远到两百多年的长周期里看，今天的「刷题」并不是天经地义，而是一次具体的历史选择。
1763 年，普鲁士颁布《普通学校规程》，人类第一次有了大规模、标准化、按年龄分班、按铃声上下课的义务教育。它要解决的问题非常工业时代：用最低成本，把海量孩子批量加工成「能读会算、服从纪律」的合格劳动力与士兵。分科、标准化考试、统一进度、题海训练——这套流水线在两个世纪里确实极大提升了识字率，功不可没。
但请注意它的隐藏代价：流水线为了「规模」牺牲了「个性」。一个班四十人，老师只能对着「平均的那个孩子」讲课，快的被拖慢，慢的被甩下，而每个孩子心里那簇不一样的火，没人有空去单独点。
立仁兄常引 Ken Robinson 在 2006 年 TED 上那场被看了几千万次的演讲《学校扼杀创造力了吗》——他的判断很尖锐：现代学校体系是为工业化设计的，它系统性地把孩子身上「犯错的勇气」教没了，而一切原创都始于不怕犯错。
换句话说：你以为孩子是「不爱学习」，其实他可能是「不爱这条 1763 年的流水线」。这两件事，差了十万八千里。
二、被忽略的原典：学好数理化生的关键变量，叫「点燃」
为什么「先点燃」不是鸡汤，而是有据可查的教育科学？我们看四个可引证的锚点。
Bloom 的 2 Sigma（1984）。 教育心理学家 Benjamin Bloom 做了一组经典实验：同样的内容，接受一对一辅导的孩子，平均成绩比传统大班的孩子高出整整两个标准差——通俗讲，是从班级中游冲到了前 2%。这是教育领域少有的「巨大效应量」。问题只有一个：一对一太贵，于是它一直是少数富裕家庭的特权。「2 Sigma 问题」的本质，从来不是方法问题，是成本问题。
Papert 的「造中学」（1980）。 MIT 的 Seymour Papert 在《Mindstorms》里提出建构主义（Constructionism）：孩子不是靠「被灌输」学会数学，而是靠「亲手造一个东西」学会的。他让孩子用 Logo 语言编程指挥一只「小海龟」画图——为了让海龟画出一个正多边形，孩子必须自己搞懂角度、循环、坐标。抽象的几何，变成了「我要让它转起来」的具体欲望。 这就是「靠编程和游戏学好数理化」最早的科学原型，比今天的少儿编程早了四十年。
Csikszentmihalyi 的「心流」（1990）。 心理学家米哈里在《Flow》里描述了那种「废寝忘食、忘记时间」的最优体验状态——它出现在「挑战」恰好略高于「能力」的那条窄带上。题太难，焦虑；题太易，无聊；只有难度被精准地、动态地卡在那条带上，孩子才会上瘾。而一个班四十人的老师，物理上不可能为每个孩子动态调难度——但一个数字家教可以。
Dweck 的「成长型思维」（2006）。 Carol Dweck 在《Mindset》里证明：相信「智力可以通过努力增长」的孩子，长期成绩显著高于相信「智力天生固定」的孩子。一句「你真聪明」会让孩子怕犯错，一句「你这次的方法很棒」会让他敢挑战。点燃，本质上是在重写孩子对「我能不能行」的底层信念。
四条原典指向同一个反直觉的结论：决定孩子能不能学好数理化生的，不是他刷了多少题，而是有没有人——有耐心、有针对性、不打击地——把那簇火点着，并把难度精准喂到他的心流带上。 过去这件事只有最贵的私人家教做得到，所以它稀缺。
三、AI 把「2 Sigma」的成本打下来了：这是真正的拐点
立仁兄做了二十年金融工程，最敏感的就是「成本曲线什么时候被打断」。教育的拐点，正是此刻。
回看技术演进：电视教学、慕课（MOOC）、刷题 App，过去三十年每一波都号称要革新教育，但它们都败在同一点上——它们能「规模化内容」，却无法「规模化关注」。 一段网课视频对一万个孩子说一样的话，它不知道屏幕前这个孩子卡在哪、怕什么、喜欢什么。它仍然是对着「平均的孩子」讲，只是搬到了网上。
大语言模型第一次同时具备了三件事：能对话、能理解这一个孩子的具体困惑、能即时生成针对他的下一步。 这意味着 Bloom 那个一对一家教的角色，第一次有可能以接近零的边际成本复制给每一个孩子。这正是 2024 年 Brynjolfsson 等人那条更宏观判断的微观投影：AI 能把过去无法集中的「局部知识」码化并大规模处理——放到教育里，就是「因材施教」第一次从口号变成可工程化的能力。
具体到「靠编程和游戏学好数理化生」，一个数字家教（AI Tutor） 可以这样工作：
- - 先找偶像，再讲知识。 孩子迷《我的世界》，那就用红石电路讲逻辑门和二进制；孩子追火箭，那就用 KSP（坎巴拉太空计划）讲牛顿三定律和轨道力学。知识不是凭空来的，是为了「我要造出我崇拜的那个东西」而被需要的。
- - 把公式变成可运行的游戏。 不讲「抛物线方程」，而是让孩子用几行代码写一个打飞机小游戏——子弹为什么这样飞？因为 y = v·t − ½gt²。他改一个参数，画面立刻变，物理就「长」在他手上了。这是 Papert 海龟的现代版。
- - 动态卡住心流带。 数字家教实时感知孩子在哪一步卡了，自动把下一题的难度调到「踮脚够得着」，避免焦虑也避免无聊。
- - 永远用成长型语言。 它有无限耐心，从不羞辱，永远夸「方法」和「努力」而不是「聪明」——一个真人疲惫的家长很难做到，一个数字家教可以始终如一。
立仁兄要特别提醒一句红线：这套东西的目的是「点燃 + 引导」，不是「再造一台更高效的刷题机器」。如果你只是让 AI 帮孩子刷更多题、更快出答案，那你只是给 1763 年的流水线换了个电动马达，孩子心里的火，照样没点着。工具的用法决定了它是解药还是毒药。
四、一张「先点燃、再学习」的家长路线图
立仁兄给个可操作的次序，作为行业带头人，我给立场也给路线：
- 1. 第一步，找偶像，别找进度表。 先花一周观察孩子真正会两眼放光的是什么——游戏、机器人、动画、太空、生物。这是火种，比任何补习班都重要。
- 2. 第二步，用他的偶像做「需求拉动」。 让数字家教把数理化生的知识点，挂到「造出他想要的东西」这个目标上。是「为了做成这件事我得学」，不是「老师要求我学」。
- 3. 第三步，让他「造」，而不是「背」。 编程、做小游戏、搭电路、养一缸生态瓶——优先一切能「亲手造、立刻看到结果」的形式。
- 4. 第四步，守住心流带，守住成长型语言。 难度略高于能力，反馈夸方法不夸天赋。这两条是数字家教最该被用好的地方。
- 5. 第五步，人始终在回路里。 AI 是助手，不是甩手掌柜。家长的角色从「监工」变成「点火人」和「最终决策者」——什么时候推一把、什么时候让孩子自己撞墙，这个判断永远该由人来做。
记住一个反直觉的次序：先有想去的远方，才有愿意走的近路。 刷题是近路，梦想是远方。没有远方，再短的近路孩子也不肯走。
五、落到地上：让「人人一个数字家教」成立的，是算力背后的散热成本
讲到这里，立仁兄得把话题落回自家生意，也落回一个大众容易忽略的物理现实。
「每个孩子配一个数字家教」听起来很美，但它背后是一笔实打实的账：每一次孩子和 AI 的对话，都要在数据中心里点亮一片算力芯片，而芯片在玩命算的同时也在玩命发热。今天先进 AI 芯片的功耗已经高到传统风冷扛不住的地步，散热不解决，算力就降频、就烧、就贵。 算力越贵，数字家教的每一次对话就越贵，这套普惠教育的成本曲线就压不下来——Bloom 的「2 Sigma 成本难题」，会换一个形式在数据中心里重新出现。
这正是易链在做的事：我们做液冷 CDU（冷量分配单元）和符合 OCP 开放计算标准的 UQD 通用快接头（Universal Quick Disconnect），用液冷替代风冷，把高密度 AI 算力的散热成本和能耗实实在在地打下来。说得直白点：易链是在给「人人一个数字家教」这件事，修它脚下那条看不见的成本高速路。 算力散热每便宜一分，每个普通家庭孩子能用得起的 AI 教育就多一分。
这就是我们一以贯之的「算料·AI 变现」逻辑闭环：上游我们把算力的物理成本（散热、能耗）压下来，中游 AI 把「因材施教」的人力成本压下来，下游普通孩子才第一次有机会，用得起一个曾经只属于富裕家庭的、有耐心的一对一老师。
立仁兄的判断很明确：这一轮 AI 不会扼杀教育，它有机会把被普鲁士流水线压抑了两百年的「个性化点燃」重新还给每一个孩子——前提是，我们既守住「先点燃、人在回路」的教育初心，也修好算力散热这条物理地基。 一个负责点火，一个负责降本，缺一不可。
孩子的梦想从来没有消失，它只是被一条为工业时代设计的流水线挡住了。现在，我们手里第一次有了把它请回来的工具。
参考资料
- 1. Benjamin S. Bloom, 《The 2 Sigma Problem: The Search for Methods of Group Instruction as Effective as One-to-One Tutoring》, Educational Researcher, 1984.
- 2. Seymour Papert, 《Mindstorms: Children, Computers, and Powerful Ideas》, Basic Books, 1980.
- 3. Mihaly Csikszentmihalyi, 《Flow: The Psychology of Optimal Experience》, Harper & Row, 1990.
- 4. Carol S. Dweck, 《Mindset: The New Psychology of Success》, Random House, 2006.
- 5. Ken Robinson, 《Do Schools Kill Creativity?》, TED Talk, 2006.
- 6. Erik Brynjolfsson 等关于 Transformative AI 与知识码化的相关论述，2024–2025。
- 7. 普鲁士《普通学校规程》（General-Land-Schul-Reglement），1763——现代义务教育制度起点。
- 8. Open Compute Project（OCP）开放计算标准与液冷 / UQD 通用快接头规范，OCP 基金会。
WeChat
扫描飞书二维码
