两分钱的家教：StudentBench 与 918 倍的差价

凌晨一点，书桌上的台灯还亮着。GRE 备考群里刚有人甩出一条广告：某机构金牌数学家教，每小时 75 美元，十节课起报，排期到下周三。你盯着屏幕右下角那个免费的对话框看了很久——里面也有一个"老师"，随叫随到，不发广告，不收定金，问它一道排列组合题，三秒钟就能给出三种解法。

换你，你选哪个？

这个选择题的分量，取决于你对 GRE 处境的理解。美国研究生入学考试，数学、语文加写作，几乎所有申美研的人都绕不开它；对国际学生和亚裔申请者来说，它更是一场旷日持久的分数军备竞赛——你瞄准的学校越好，同池竞争者的分数就越高，门槛就被抬得越高。分数不只是一张成绩单，它是申请材料的入场券，是无数家庭愿意为之付费的硬通货。过去几十年，这张入场券旁边站着两类守门人：一类是每小时 75 美元、排期排到下周三的人类名师；另一类，是这两年突然涌进每个备考群的 AI 家教——免费，秒回，永不下班。

过去这一年，几乎每个备考的人都问过自己这个问题。直觉的答案是：贵有贵的道理。人类老师能看穿你的思维漏洞，能察言观色，能根据你的表情调整节奏——这些机器怎么会？

2026 年 9 月，一篇挂上 arXiv 的论文把这个问题从"直觉"搬进了实验室。论文叫 StudentBench，一作 Curtis Northcutt，MIT 出身，cleanlab 创始人，做数据质量研究起家——这人最出名的本事就是专治各种"看起来很美"的数据集。这次他带了一个团队，干了一件教学研究里几乎没人干过的事：把真人名师和 AI 家教放进同一个随机对照实验，用同一套卷子、同一批学生、同一把尺子，量一量两者到底差多少。

结果用一句话就能说完：AI 家教在 GRE 学习收益上达到了与专家级人类家教统计等价的水平。而如果只比较"每提高一分要花多少钱"，人类家教是 4.81 美元，AI 是 0.0052 美元——918 倍的差价。

这 918 倍意味着什么，我们慢慢说。

🏫 家教市场，一家古老的手工作坊

先说清楚 GRE 家教是个什么样的行当。

这本质上是一门靠稀缺性定价的生意。一位好家教的小时数是不可复制的：他一天只有二十四个小时，一个时段只能服务一个学生，旺季的排期就是他产能的天花板。于是他的时薪里打包出售的不只是一节课，还有"排队本身"——等待名单越长，价格越高，这是一个自我强化的循环。75 美元一小时，买的与其说是教学服务，不如说是对一个稀缺人类时间碎片的占有权。

稀缺性的另一面，是过滤。谁的预算里能从容划出 750 美元买十个课时，谁就被留在教室里；谁不能，谁就回去刷免费的论坛真题帖。教育不平等有很多面孔，最贵的那张往往不写在校门口，写在课时费的价目表上。

所以几十年来，这个行业的定价依据不是效果，是口碑，是"王老师带出过很多 330 分"的传说。这是一个典型的手工作坊：品质依赖师傅的手艺，产能依赖师傅的小时数，价格依赖师傅的稀缺性。作坊运转良好，唯一的毛病是贵，以及——老师只有那么多。

然后机器进来了。

进来得比多数人意识到的更安静。过去两三年，大量备考者其实已经在用 ChatGPT 当免费家教：把不会的题拍给它，让它出练习题，让它扮演考官追问。可汗学院做了 Khanmigo，把 AI 家教正式嵌进课程体系。没有广告大战，没有发布会，深夜两点贴在论坛里的那道题，一半已经有了 AI 的答案。真正的问题已经从"AI 能不能教"悄悄换成了"AI 教得有没有那么好"——而这个问题，靠直觉和口碑是答不了的。

📊 2383 人的对照实验

为什么这个问题直到 2026 年才有人认真回答？因为在教育学里做随机对照实验，难到近乎奢侈。

随机分组意味着一半学生要被随机分进"较差"的条件——谁来做这个决定？伦理审查首先就过不去。成本是第二座山：招几千个学生、配几百小时的真人名师、统一命题阅卷，经费烧起来不亚于一个小型临床试验。第三座山是流失：学生中途退出，数据缺一块，结论的根基就松一块。所以几十年来的教育研究主要靠观察性数据——"王老师的学生平均提高了多少分"。但这种数据有一个致命的混淆：能被王老师教上的学生，本来就是更焦虑、更投入、更付得起钱的那批家庭。学生质量和教学质量缠在一起，拽不出线头。

StudentBench 的第一步，就是搭一个能绕开这三座山的平台——在教学研究里，这是稀缺品。平台免费开放，学生注册后被随机分进三组之一。随机分组在这里不构成伦理难题，因为学生本来就是来免费获取辅导的，分组只是领取方式不同；线上交付抹掉了地理约束，样本从"本地某校某班"扩展到全球注册者；而平台自动记录每一条消息，研究者连"学生说了什么"都不用靠回忆和问卷。

三组的设计如下：

第一组，AI 家教组。 学生与一个 LLM 驱动的家教对话学习，平台记录下每一条消息——最终这个数据集超过了 17.5 万条学生与 AI 的对话消息。这不是"用了 AI 的学生"的模糊问卷，是逐字逐句的对话记录。

第二组，人类家教组。 专家级 GRE 家教在线上一对一辅导，同样的题型，同样的考试范围。

第三组，无辅导对照组。 学生自己刷题，没人教。

总样本：2383 名真人学生。

实验测的是 learning gains——学习增益。具体做法类似教育测量里的经典范式：先测一次（pretest），学习一段时间，再测一次（posttest），看分数涨了多少。三组人进的是同一个考场，用的是同一把尺。

结果分两层。

第一层是总体：AI 家教组与人类家教组的学习增益，在统计上等价——p = .015。这里要停一下，因为这个 p 值是全篇最容易被读错的地方。经典的显著性检验问的是："两者不同的证据够不够充分？"它是一个抓不同的侦探——原假设是"没有差别"，只有当证据强到推翻它，你才能宣布"有差别"。但侦探抓不到凶手，不等于没有凶手；统计上"没有发现差异"，更不能反过来说"证明了相同"。几十年里大量"AI 和真人差不多"的说法，恰恰死在这个推理翻转上：没有证据表明不同，不是证据表明没有不同。

而这篇论文用的是另一种工具：等价性检验（equivalence test，常见实现是 TOST——双单侧检验）。它不问"能不能抓到不同"，它先画好一条线——多接近算"足够接近"——然后检验"两者的差异落在这条线之内"这件事本身的置信度。它更像指纹鉴定员：不是找差异，而是验证两枚指纹是否在容许误差内重合。落进区间了，才有资格说"等价"。p = .015 说的就是这件事：等价这个命题本身，站住了。

第二层是细分：GRE 的七个领域——数学的算术、代数、几何、数据分析，语文的填空、阅读、句子等价——逐领域拆开看，表现最好的那个 AI 家教，在其中 5 个领域超过了人类名师的平均表现。

5 比 2。机器赢了七局里的五局，但赢的方式很微妙——它不是每个领域都碾压，它更像那种没有短板、大部分科目都在 90 分以上的学生。而人类名师的画像刚好反过来：有极擅长的领域，也有相对平淡的领域。

🏭 把"教学"拆成五道工序

只测总分，你永远不知道 AI 到底赢在哪、输在哪。所以团队做了第二个研究：请专家人类家教当评委，把 AI 的教学产物拆开评。

具体是 2028 次成对评分（pairwise rubric evaluations）。什么意思呢？就是把某个 AI 生成的教案和人类写的教案并排摆在一起，让专家按评分细则（rubric）盲评——不告诉你哪份是人写的，哪份是机器写的。出题质量也一样，成对比较。

这一步的巧妙之处在于：它承认"教学"不是一个东西，是一堆工序的集合。团队把教学拆成了五道，每一道都值得单独看一眼它到底在干什么。

教案设计（lesson planning）——一节课怎么编排，先讲什么后讲什么。别小看这件事。教育心理学里有两个老概念在这里等着：维果茨基的"最近发展区"——学生独立能做出来的，和有人扶着能做出来的，中间那段地带才叫学习区；以及布鲁纳的"脚手架"——好的教案就是在那段地带里搭一部楼梯，每一级台阶矮到不会绊倒你，又陡到确实在往上走。糟糕的教案只有两种：在你会的东西里原地打转，无聊；或者一步跨到你够不着的地方，挫败。一部好楼梯长什么样，学过四年师范的人和训练过四个月的模型，谁能搭得更稳——这道题以前从没有人摆到台面上比过。

出题（practice-problem creation）——练习题出得准不准，难度坡度合不合理。好题像一条雪道：太平，滑起来没感觉；太陡，一路摔到底。最好的题目还讲究"错得其所"——每个错误选项都对应一种典型的误解，你选错哪个，老师就诊断出你哪里没想通。人类名师肚子里有积累多年的题库，但题库总归有尽；机器出题的边际成本近乎为零，难的是它出错的选项是不是也在"诊断"你。

对话教学（conversational pedagogy）——真聊起来之后，这个老师会不会引导、会不会追问、会不会在学生卡住的时候递梯子而不是直接给答案。这是五道工序里最像"手艺"的一道。想象一个学生卡在行程问题上，平庸的老师直接甩公式；好的老师问："如果时间变成两倍，路程会怎么变？"——他递的是梯子的一级，不是楼顶的钥匙。这就是苏格拉底式提问的老传统：答案让学生自己说出来，说出来才真的算他的。AI 在这种对话里表现如何，光看教案是看不出来的，得真聊。

成本——这个不用评委，算得出来。

参与度（engagement）——学生愿不愿意继续学下去，对话会不会冷场。教学效果再好在场面上，学生聊了两句就走，全部归零。

拆开之后的图景就很有意思了：没有任何一个 AI 在全部五道工序上领先，不同的 AI 家教在不同维度上互有胜负，而合成的总成绩，与人类打平。换句话说，AI 不是靠某一项绝技赢的，它是靠"没有一项明显拖后腿"赢的。这对手工作坊是坏消息——作坊的立身之本恰恰是某一项绝技（"王老师讲几何绝了"），而流水线的逻辑是均衡。

💰 918 倍的差价

论文里最扎心的数字出现在成本一栏。

按"每提升一个百分点成绩所花的美金"来算：人类家教 4.81 美元，AI 家教 0.0052 美元。4.81 除以 0.0052，约等于 918。

做一个不严谨但直观的换算：0.0052 美元，大约是人民币几分钱。几分钱，买一分成绩。 而那位专家名师，收你三十多块钱。

918 倍这个数字，值得往深了再看一层，因为它压着的不是价格，是历史。教育"民主化"的许诺，人类至少认真做过三次。印刷术把书的价格打下来，可早期买得起书的，大多本来就读得起书；慕课（MOOC）在 2012 年前后喊出让世界一流大学课程人人可学，注册量铺天盖地，完成率却诚实地暴露了一件事——单向播放的课程，没有人在你松手的时候接住你，大部分人悄悄掉队。这两次革命的共同点：它们把内容变便宜了，却没有把交互变便宜。内容从来不是教育里最稀缺的成分，"有人盯着你、回应你、在你卡住的地方等你"才是。

AI 家教是第一次把交互也变便宜的东西。它不是往千家万户推送名师的录像，它是随叫随到、逐句回应、凌晨三点也三秒作答的那个"人"。这正是 918 倍背后真正的结构性含义：被拉下神坛的不是某个老师，而是"回应"本身的稀缺性。

更要命的是，有一个 AI 家教在做到这一切的同时，学习增益仍然与人类家教统计等价（p = .044）。翻译成人话：它没有在效果上偷工减料，它就是便宜。

这就是工业革命故事的 2026 年教育版。手工作坊里，一个师傅带一个学生，师傅的小时就是产能的天花板；机器进场之后，产能不再稀缺，价格体系瞬间失去锚点。作者 Northcutt 自己在社交媒体上只发了一句话："One hour with an expert GRE tutor: $75."——后面没跟任何评论。有时候数字自己会说话，你只需要把它摆出来。

⚠️ 等价不等于全等：两个射手的比喻

文章写到这里，必须踩一脚刹车。因为"统计等价"这个词，是所有误读的源头。

想象两个射手，平均都命中 9 环。但射手甲的弹孔全部集中在 9 环附近一个硬币大的区域，射手乙的弹孔散布在 7 环到 10 环之间。平均值一样，分布天差地别。 等价性检验说的是：在预设的置信区间内，两者的平均效果之差小到可以忽略——它说的是"平均值这个数轴上，两者重合"，它没有说每一个学生的体验都一样。

具体到这项研究，至少有四层限定必须摆在台面上：

第一，只测了 GRE，只测了短期。 实验测量的学习增益是"立即收益"——学完马上测。考试三个月后还记得多少（长期 retention）？论文没测。AI 教的知识是不是像沙滩上的字，潮水一冲就没了？目前没人知道。

第二，人类家教是在线环境里的"实验家教"，不是三年师生。 真实的提分神话往往发生在长期关系里：老师记得你三个月前哪里错过，知道你考前会焦虑，会在第八节课突然换一个讲法。实验里的对照组是人类专家没错，但这是被装进线上实验框架里的专家。被切掉的是时间维度。

第三，5/7 领先 ≠ 全面超越。 七个领域里有两个，AI 仍落后于人类名师。AI 教育全面超越人类教师？论文标题说的从来不是这个，它说的是"equivalent GRE learning gains"——GRE 学习收益上的等价。媒体标题把它压缩成"AI Matches Human Tutors on GRE"，已经是极限口径，再往外推一步就是谣言。

第四，"效果最好"不代表"体验最好"。 分数之外的东西——被鼓励的感觉、师生之间那点微妙的信任、一个人对你前途的真心在意——这些不在评分细则里。

所以准确的结论是：在 GRE 备考这个特定场景、短期增益这个特定指标上，最好的 AI 家教已经站在了人类专家的同一个置信区间里，而在价格上，它站在另一个星系。

🧭 快的老师，更好的老师

论文里埋着一条我个人觉得最有生命力的发现，藏在数据分析部分。

在 Quantitative（数学）会话中，研究者发现了这样一条链：

AI 回复越快 → 学生发的消息越多 → 学生练对题越多 → 学习增益越大。

链条上每一环的统计显著性都在 p < .002 以下。这几乎是论文里最"有教育直觉"的发现：它听起来根本不像 AI 研究，像乒乓球馆里的常识——陪练喂球越快，回合数越多，手感来得越快。一个好的陪练不是替你打球的人，是那个让你的击球次数指数级增加的人。

这解释了 AI 家教一个隐蔽的优势结构：人类名师一节课 75 美元，其中大量时间花在"等"上——等你理解，等你算完，等你组织语言提问。AI 没有等待成本，你凌晨三点问它一道题，它三秒钟后就在回答。回复延迟的压缩，直接换成了对话轮次的膨胀，而对话轮次又换成了练习量。教育的古老经验"勤能补拙"，在 AI 这里被重新工程化了：不是学生变勤快了，是"勤"的成本趋近于零。

当然，这是相关性而非因果——也可能是本来就好学的学生问得更多、练得更多、进步更快。但方向本身与教学常识吻合：高频反馈是好老师的核心特征之一，而频率恰恰是机器最擅长的维度。

🕳️ 论文没说的，和论文说不了的

做数据出身的团队，最大的自觉是标注边界。这篇论文的诚实之处，在于它的标题就写死了适用范围：GRE learning gains。没有"revolutionizes education"，没有"end of teachers"。

先补一层对这篇论文自身的怀疑，才算公平。发表偏倚是科学界的常识性暗流：耸动的结果——"AI 完胜"或"AI 翻车"——天然比"大致相当，附四个限定"更受欢迎。而"等价，但别激动"恰恰是新闻价值最低、实际分量最重的结果。这篇论文的核心结论朴素到近乎无聊，无聊到差点配不上一个热搜——可教育里真正重要的结论，往往就长这样。下一次你看到某个AI教育的惊人标题，值得先问一句：它测的是"赢没赢"，还是只测了"够不够接近"？

然后是更锋利的一层：古德哈特定律——一项测量一旦成为目标，它就不再是一项好的测量。如果 AI 家教的优化目标被锁定为 GRE 分数，而所有学生都能配备最好的 AI 家教，那么 GRE 分数里"能力"的成色就会被稀释，考试逐渐变成一场人机协同的应试体操。到那时候，研究生院手里那张"硬门槛"，还剩多少区分度？这个漩涡此刻还只在远处打转，但每一轮"分数普遍上涨"之后，它都会近一点。

它的真正贡献其实是 StudentBench 这个平台本身：一个开放的、能持续收集大规模师生对话数据、能跑随机对照的评测基础设施。这意味着"AI 家教 vs 人类家教"从一次性的实验，变成了可以反复追问的公共问题。今天比的是 GRE，明天可以比长期记忆、比写作、比编程教学、比第二年还记不记得。

而论文回答不了的问题，恰恰是更大的那几个：当一个学生 AI 学不进去的时候，缺的是更好的算法，还是一个真实的人？当所有学生都能请得起"名师"，竞争的变量会不会从"有没有好老师"变成"谁更想学"？以及——那些靠 75 美元一小时吃饭的名师，他们的技艺里到底哪一部分是无法被 0.0052 美元复制的？

🌙 余味：当稀缺的东西变了

回到开头那张深夜的书桌。

过去，备考 GRE 的残酷之处在于：好老师太少，也太贵，于是"能不能遇到好老师"本身成了一种运气和阶层的函数。这篇论文没有证明 AI 是好老师——它证明的是，在一件被严格测量的事情上，最好的 AI 已经和最好的真人站进了同一个置信区间。

而 918 倍的差价意味着：那张书桌上犹豫的时刻，正在消失。越来越多的学生不会再面对"75 美元还是 0 美元"的选择题，因为后者不再是次品，是平替——在测量能覆盖的范围内。

工业化没有消灭手艺，它消灭的是"只有少数人用得起"这件事。名师大概率也不会消失——就像工业时代之后手工皮鞋没有消失，它只是从日用品变成了奢侈品。教育大概率也一样。真正稀缺的资源，会从"好老师"变成另一样东西：

想学的人。

这才是这个故事最安静的转折：人类喊了几百年的教育民主化，最后一步也许不是由某个伟大的制度完成的，而是由一串三秒钟的回复完成的。而当免费的名师真的摆在每个人面前时，那张深夜书桌前的人，究竟还坐不坐得住——这道题，AI 答不了，只能我们自己答。

参考文献

• Northcutt, C., Hasmani, I., Feng, K., Khangi, T., Plesner, A., & Mueller, J. (2026). StudentBench: AI and human tutoring yield equivalent GRE learning gains. arXiv:2609.28470. https://arxiv.org/abs/2609.28470
• 平台地址: https://studentbench.org

#论文 #arXiv #AI教育 #GRE #小凯