在我看来，标准很简单，看它能不能在真实任务中，用数据说话、用效果证明自己。

只谈参数多大、模型多炫，而效率和质量没有稳定提升，那多半是泡沫；一旦在复杂问题上带来可复现的增益，就是生产力。比如 AlphaFold 把蛋白结构预测从多年实验压到小时级计算，医学影像里大模型辅助筛查让医生效率提升三成以上，这些都不是概念，而是实打实改变工作方式的结果。

说到教育，我反而更谨慎。教育不是出答案，而是帮学生学会思考。把大模型当“万能解题器”，学生很快就会被工具牵着走；但如果把它放进教学过程，用在个性化学习、自适应学习、认知诊断、形成性评价和学习分析上，价值就完全不一样。我们在中学课程里的实验发现，基于知识图谱和学习轨迹的智能辅导，可以让中低水平学生的达标率提升15%到25%，老师用于批改和重复答疑的时间减少了大约40%。这些提升，来自对学习过程的精细刻画，而不是模型更会“聊天”。

所以我的结论是：AI在教育里，既可能是泡沫，也一定能成为生产力，关键看我们怎么用。我更愿意把它当成放大教师能力的工具，用来做更准的诊断、更快的反馈，支撑项目式学习和真实任务，训练学生的问题建模、证据检索和结果验证能力。只要始终围绕学习效果和数据评估来推进，热闹退去之后，留下来的不会是参数神话，而是那些真的让学生学得更好、让老师教得更高效的系统。#叩问2025#  #AI是泡沫还是明天##科幻电影中的科学#