引子：河边站满了马，没有一匹低头喝水
英语里有句老话：你可以把马牵到河边，但没法逼它喝水。
这几年做AI教育的人，干的几乎都是牵马的活。拍照就能出解析，作文几秒出批改，半夜两点提问也有人回。河越修越宽，水越来越甜。
可马低头了吗？
教育科技上一次这么兴奋，是2012年的MOOC（大规模在线开放课程）。当时大家相信，把名校名师的课搬上网，就能改写教育。六年后，MIT的两位研究者翻完了MIT和哈佛在edX上的全部课程数据，覆盖563万名学习者、1267万次课程注册。结论很扎心：2017–18学年，所有参与者里只有3.13%学完了课程；就连花钱买了认证通道的学生，完成率也只有46%（Reich & Ruipérez-Valiente, Science, 2019；数据转引自 Inside Higher Ed）。
课是好课，平台免费，随时随地能学。缺的从来不是内容，是人愿意坐下来学完。
这两位研究者在文章结尾特意提醒：下一个被追捧的教育技术，不管是人工智能还是VR，都可能被原有的习惯和体系消化掉，而不是颠覆它们。今天的AI学习产品，很可能正在重走这条路。
工具很聪明，学生不想学。
一、AI解决的是“会不会”，学生卡在“想不想”
先亮判断：今天大部分AI学习产品解决的是能力问题，而多数学生真正卡住的是动力问题。
能力问题长这样：这道题不会做，这个知识点没听懂，这篇作文不知道差在哪。AI在这里很强，而且越来越强。
动力问题长这样：作业摊在桌上，人坐了二十分钟还没动笔；错题本买了三本，一本没写完；打开学习App，最后停在了短视频里。这类学生不缺答案，缺的是开始的理由和坚持的劲头。
为什么产品都挤在能力这一侧？原因很现实：
- 好做。 答疑、批改、出题都有明确的输入和输出，模型一升级，效果立刻看得见。
- 好量化。 准确率、响应速度、题库覆盖量，都能直接写进汇报。
- 好卖。 “孩子有问题随时能问”，家长一听就懂，也愿意掏钱。
动力问题正好反过来：难做，难量化，也难讲清楚。结果就是一个尴尬的局面：产品服务得最好的，是本来就愿意学的那批学生；最需要帮助的那批，很可能用不了几次就流失了。
对做产品的人来说，这意味着一件事：如果只盯着“答得准不准”，你可能在一个用的人越来越少的功能上不断加码。
二、一个框架：人为什么愿意主动做一件事
解释“主动性”最有影响力的框架之一，是罗切斯特大学的Deci和Ryan提出的自我决定理论（Self-Determination Theory）。他们2000年发表在《American Psychologist》上的论文提出：人有三种天生的心理需要，分别是胜任、自主和关系。这三种需要被满足，人更有自驱力；受阻，动力和幸福感都会下降（Ryan & Deci, 2000）。
翻译成学生的话：
- 胜任感：我做得到。
- 自主感：这是我自己选的。
- 关系感：有人在乎我学得怎么样。
这个框架给产品经理的第一个启发是：动机不是“有”或“没有”的开关，而是环境养出来或者磨掉的。同一个孩子，换一种作业布置方式、换一种反馈口吻，投入程度可能完全不同。Ryan和Deci在同一篇论文里还提到，用控制型方式教学时，学生不仅丧失主动性，学习效果也更差，尤其是需要理解和创造的内容。
第二个启发更反直觉：奖励用错了，会把兴趣挤掉。Deci、Koestner和Ryan在1999年汇总了128项实验，发现实物奖励和事先许诺的奖励，都会显著削弱人自发去做一件事的意愿，而且实物奖励对儿童的削弱比对大学生更明显。相反，正向反馈能同时提升自发投入和兴趣（Deci, Koestner & Ryan, 1999）。
这对学习产品是个直接的警告。打卡送积分、连胜换徽章、完成任务领奖励，短期能把数据拉起来，长期可能是在教学生“学习是为了拿奖励”。奖励一停，学习也停。
也要说清楚：学界对奖励效应的强弱一直有争论，也有学者认为只要设计得当，负面影响可以避免（Cameron, Banko & Pierce, 2001）。但大方向是一致的：让人感到被控制的奖励有风险，让人看见自己进步的反馈有价值。
下面用这三种需要逐一对照AI：它能做什么，又在哪里最容易掉坑。
三、胜任感：AI最擅长，也最容易帮倒忙
胜任感是AI的主场。调难度、给即时反馈、把大目标拆成小台阶，这些原本只有一对一老师才做得到的事，AI可以同时对一万个学生做。
哈佛物理课的一项随机对照实验是个好例子。194名大学生在两周里交替体验两种学习方式：一种是课堂上的主动学习，一种是在家用老师自己搭的AI导师。这个AI导师不是直接套一个聊天机器人，而是按课堂同样的教学原则设计的。结果，用AI导师的学生学得明显更多，花的时间更少，也觉得更投入、更有动力（Kestin et al., Scientific Reports, 2025）。
但同样是AI，换一种设计，结果可能完全反过来。
宾夕法尼亚大学等机构的研究者在一所高中做了近千人的实验，给学生两种GPT-4：一种是普通聊天界面，一种被要求只给老师设计好的提示、不直接给答案。练习时两组成绩都大涨，普通版提升48%，限制版提升127%。可一撤掉AI、独立考试，用普通版的学生反而比从没用过AI的学生低了17%；限制版基本抵消了这种损害，但也没有带来额外提升。研究者翻聊天记录发现，普通版的学生常常直接要答案、照抄，把AI当成了拐杖（Bastani et al., PNAS, 2025）。
中国的数据更值得警惕。斯德哥尔摩大学和香港大学的研究者，追踪了26811名初一到高三学生长达30个月的数据。开始用生成式AI后，作业分数涨了18%，写作业的时间少了30%；可半年之内，月考闭卷成绩下降了20%，升学考试成绩下降了18%到24%。损失主要集中在大约八成疑似“外包作业”的用户身上：作业写得出奇地快，分数却出奇地高（Strömberg, Lei & Wu, CEPR, 2026）。这篇还是工作论文，尚未经过同行评审，但方向和上面的实验一致。
放进自我决定理论里看，道理很清楚：胜任感来自“我做到了”，前提是“我”真的做了。AI直接给答案，作业分数上去了，学生得到的却是“AI做到了”。数据很好看，拿走的恰恰是学生最需要的那份体验。
所以在胜任感上，AI的正确位置是脚手架，不是代笔：
- 给提示，不给答案。 学生卡住时，先问“你觉得第一步是什么”，再给一个方向，最后才讲解。
- 把难题拆到够得着。 每一步的难度，让学生稍微使点劲就能做对。
- 反馈说具体。 不说“你真棒”，而说“这一步你把单位换算对了”。
- 换一个北极星指标。 只看作业正确率和完成时长，等于在奖励外包；要看撤掉AI之后，学生能独立做对多少。
四、自主感：给选择，别给遥控器
自主感说的是“这是我自己要做的”，而不是“有人逼我做的”。
好消息是，“给选择”对动机的帮助有扎实的证据。杜克大学的Patall等人汇总了41项研究，发现给人选择，能提升内在动机、努力程度、任务表现和对自己能力的感知。有几个细节特别值得产品经理记住：连续给2到4次选择效果最好，到5次以上收益开始递减；对儿童的效果比对成年人更强；和学习内容本身无关的小选择，对动机的提升反而最明显（Patall, Cooper & Robinson, Psychological Bulletin, 2008）。
翻译成产品语言：不用给学生一个想学什么就学什么的开放世界，给几个小而真实的选择就够了。先做哪道题，今天练15分钟还是25分钟，讲解要例题还是要动画，错题今晚复习还是明早复习。选项不必多，但得是真的，选了会有不同的结果。
坏消息是，AI产品天然容易滑向另一头：控制。
AI太擅长“安排”了。它能算出你今天该做哪12道题、几点提醒你、走神多久通知家长。每一条单看都合理，叠在一起，学生的体验就是被一台机器远程遥控。前面提到，Ryan和Deci指出控制型的教学方式会让学生丧失主动性、学得更差。一个把孩子每分钟都排满的AI，本质上就是一个不知疲倦的控制型老师。
下面几种设计最容易制造“被控制感”，值得逐条对照自家产品：
- 推送全是命令句，比如“你今天还有3项任务未完成”。
- 家长端能看到每一分钟的学习数据，孩子却不知道自己被看了什么。
- 学习计划由系统生成，学生只能点“开始”，不能改。
- 用排名和“打卡中断”施压，让学生为了不丢面子而学。
改法并不复杂：把命令改成邀请，把“系统安排”改成“系统建议、学生确认”；允许学生调整计划、跳过一次、自己定目标；数据给家长看之前，先让孩子自己看到。
五、关系感：AI最难补上的那一块
先承认一个事实：学习里很多事本身并不有趣。背单词、刷题、订正错题，很少有孩子天生爱干。那人为什么还愿意做？
Ryan和Deci的解释是：人一开始去做一件不那么有趣的事，往往是因为自己在乎、想亲近的人重视它（Ryan & Deci, 2000）。关系感，是把“要我学”慢慢变成“我要学”的关键一环。孩子为了一个喜欢的老师学好一门课，为了不被一起刷题的同伴落下，道理都在这里。
这恰恰是AI最难替代的部分。
AI当然能做一些：记住学生上次卡在哪，在他连续做对时给一句具体的肯定，深夜学习时语气温和一点。这些都有价值。但如果产品把“陪伴”当成核心卖点，就得警惕另一种风险。
2025年，MIT媒体实验室和OpenAI联合发布了两项研究，其中一项是约1000人参与、为期四周的随机对照实验。结果显示，每天用得越多的人，孤独感、依赖和问题性使用越高，和真人的社交越少（Fortune报道）。研究者强调这是相关关系，不能直接说聊天机器人让人更孤独。但对面向未成年人的产品，这已经是一个足够响亮的提醒。
国内的政策方向也很清楚。教育部基础教育教学指导委员会2025年发布的《中小学生成式人工智能使用指南（2025年版）》规定：小学阶段禁止学生独自使用开放式内容生成功能；教师不得把生成式人工智能当作替代性的教学主体；学生应避免在作业中简单复制AI生成的内容。指南还强调，要守住师生互动在知识传授和思维培养中的核心地位（中新社）。
所以在关系感上，AI该做连接人的桥，而不是替代人的墙：
- 让老师看见该看见的。 把“谁连续三天没打开、谁在同一类题上反复卡住”整理给老师，由老师去说那句话。
- 让同伴互相看见。 组队目标、互相讲题，比单人刷排行榜更能满足关系需要。
- 让家长说对的话。 与其推送“孩子今天只学了12分钟”，不如告诉家长“孩子今天自己弄懂了一道难题，可以问问他是怎么想的”。
- 给AI陪伴设边界。 不刻意营造“只有我懂你”的亲密感，在合适的时候，把学生引回身边真实的人。
六、方法论：明天就能用的五步动机设计
前面讲为什么，这一节讲怎么做。不管你在做AI学习机、答疑App，还是机构内部的AI助教，都可以按下面五步走。
第一步：先分人，别把所有学生当成一种人
用两个问题给用户分类：会不会？想不想？
- 想学但不会：典型的“好学生卡壳”。现有AI答疑就是为他们做的，重点是别让AI代劳。
- 会但不想：能力够，缺启动。先把开始的门槛降到最低，比如“只做3道题”，而不是一上来就是一整张卷子。
- 不会也不想：最难、也最常被放弃的一群。他们首先需要一次小小的成功，而不是更多内容，也最需要真人介入。
- 想学也会：少打扰，多给挑战和选择。
怎么判断？看行为数据。长期只在推送后才打开的，大概率是“不想”；主动打开却频繁要答案的，大概率是“不会”。
第二步：给每个核心功能做一次“三需要体检”
拿出功能清单，每个功能问三个问题，每题按0、1、2打分：
- 胜任：功能结束时，学生的感受是“我做到了”，还是“AI做到了”？
- 自主：流程里学生有没有至少一个真实的选择？
- 关系：这个功能是在把学生和老师、同伴、家长连得更紧，还是在把他们隔开？
总分低于3分的功能，优先改。
第三步：把“给答案”改成“提示阶梯”
以AI答疑为例，可以设计成三级：
- 先反问：“你觉得这道题卡在哪一步？”
- 再提示：只给一个方向，或一个相关公式。
- 最后讲解：学生至少自己尝试过一次，才展开完整思路。
讲完之后，再出一道同类题让学生独立做。这一道题，才是学习真正发生的地方。
第四步：换掉会骗人的指标
“使用时长”和“作业完成率”很会骗人：外包作业的学生，这两个数都很漂亮。建议补上这几个：
- 独立正确率：每周安排一次不开AI的小测，看学生自己能做对多少。
- 主动发起率：学生自己打开、而不是被推送叫回来的学习次数占比。
- 提示依赖度：每道题平均要几次提示，这个数应该随时间下降。
- 无提醒回访：没有任何推送的情况下，学生隔天还会不会回来。
第五步：小范围试，用“撤掉AI”来验收
选一个年级、一个科目，做两周对照：一组用现有版本，一组用改过的版本。最后一定加一次不开AI的独立测试。这是前面宾大那项实验给出的最重要的方法启示：只看练习分数，你可能得出完全相反的结论。
上线前自查清单
- 学生能不能在不看答案的情况下拿到帮助？
- 每个流程里，有没有至少一个学生自己做的选择？
- 奖励发给“完成”还是发给“进步”？反馈有没有具体到某一步？
- 推送是命令句，还是邀请句？
- 家长看到的数据，孩子自己看过吗？
- 有没有机制，把长期卡住的学生交给真人老师？
- 小学生用户能否独自使用开放式生成功能？（对照教育部2025年版使用指南）
结语：修河的人，也要懂马
过去几年，AI教育的大部分力气，花在把河修得更宽、把水变得更甜。这没有错，但只做对了一半。
另一半，是弄懂马为什么不低头：是觉得自己喝不到，是被人按着头，还是身边没有一起喝水的同伴。
胜任、自主、关系，这三件事不会出现在任何一个模型的参数表里，却决定了你的产品是被学生用起来，还是被悄悄卸载。
工具已经足够聪明了。下一步，是让学生想学。