Alpha Schools: AI 能让学习速度翻倍吗？

嘉宾: Joe Lamont — ESW Capital/Trilogy CEO，Alpha Schools 创始人 来源: Moonshots #233 | 时长: 94 分钟 完整转录：带说话人识别的全文转录

导读

Joe Lamont 是 ESW Capital 和 Trilogy 的创始人兼 CEO，通过收购和系统化运营软件公司积累了亿万身家。三年前，他做了一个出人意料的决定——投入超过 4000 万美元，亲自担任一所 K-12 学校的校长。

这所学校叫 Alpha Schools。

联合创始人 Mackenzie Price 拥有斯坦福心理学学位，在企业界工作了 17 年。让她转向教育的契机很私人：她看到自己的孩子开始失去对学习的热情。

Alpha Schools 的核心主张很大胆：用 AI 辅导替代传统课堂讲授，将一天 6 小时的学业压缩到 2 小时完成，剩余时间用于工作坊、体育和生活技能。他们声称学生的学习速度因此提升了 200%。

这期 Moonshots 播客中，Peter Diamandis 和联合主持 Salim Ismail 与 Alpha 团队进行了近两小时的深度对话。讨论覆盖了教育危机的数据、掌握式学习的科学基础、AI 监控学习行为的闭环系统，以及从 25 人微型学校扩张到 10 亿学生的路线图。

但在兴奋之外，也有值得追问的问题——200% 的提速是怎么算的？私立学校模式能解决教育公平吗？AI 全程监控学习行为的伦理边界在哪里？

“We’ve known for 40 years how kids could learn two, five, or 10 times faster. Unfortunately, it doesn’t work in a teacher in front of a classroom model.”

— Joe Lamont

教育系统失败了

Peter Diamandis 在节目开头抛出了一组令人不安的数据。

根据美国 NAEP（国家教育进步评估）的数据，只有 35% 的高中 12 年级学生达到阅读熟练水平——这个数字在 1992 年是 40%。数学更糟糕，只有 22% 达标。科学是 31%。

Joe Lamont 补充了一个更尖锐的统计：一半的高中毕业生，其数学水平相当于一个前 1% 的三年级学生。

“Half of seniors in high school today graduate knowing as much math as a 99th percentile third grader.”

— Joe Lamont

大学端也在崩塌。2010 年，75% 的美国人认为大学对孩子很重要；这个数字已经跌到 35%。与此同时，自 1980 年以来大学学费增长了 893%——在几乎所有其他东西都在降价的时代。

Peter 认为，最具讽刺意味的数据是：大学毕业生是所有群体中失业时间最长的。当一张四年的文凭既昂贵又不能保证就业，系统的可持续性就成了问题。

这些数据构成了 Alpha Schools 的起点：如果传统教育在结果上已经失败，是否有可能从第一性原理重新设计一所学校？

40 年的学习科学，被教室困住了

Joe Lamont 认为，解决方案其实不是什么新发现。

1984 年，教育心理学家 Benjamin Bloom 发表了著名的 Two Sigma 论文，核心结论是：如果给每个学生配备一对一辅导，所有学生都能达到成绩分布的前 2%。不是天才，不是特定群体——是所有人。

过去 40 年，超过 10,000 篇学习科学论文验证了类似的结论：在正确的条件下，孩子的学习速度可以快 2 到 10 倍。

问题在于，这些研究结论在传统课堂模式下无法落地。一对一辅导的成本让任何学校系统都无法承受。一个教师面对 30 个学生，只能按照平均水平推进——对学得快的是浪费时间，对学得慢的是被拉下。

“Teacher in front of the classroom is the worst way to teach kids.”

— Joe Lamont 引用学习科学家的话

Joe 表示，当他三年前深入学习科学领域时，一个让他震惊的发现是：这些知识在教育实践中几乎没有被采用。原因之一是代际惯性——每代家长都倾向于让孩子接受和自己一样的教育方式，因为那是他们唯一的参照系。

Alpha Schools 的赌注是：AI 辅导终于让 Bloom’s Two Sigma 在规模上成为可能。每个学生都能获得一对一的个性化教学，成本只是人类辅导的零头。

Alpha Schools 的一天

Mackenzie Price 描述了一个与传统学校截然不同的日常。

早晨，学生到校后参加 Limitless Launch——一种类似 Tony Robbins 式的集体活动，融合了体能挑战和成长思维训练。然后进入 2 小时核心学习时段，这是一天中唯一使用电脑的时间。学生在 AI 辅导平台上学习，每 30 分钟有休息。

午饭后，学业已经结束。下午全部用于工作坊：5 岁的孩子学攀岩或在深水区游泳；高中生建立真正的商业项目；中学生组建摇滚乐队并同时学习品牌营销和音乐制作。学生每天还有 1.5 小时的非结构化户外活动时间。没有家庭作业。

学校环境也不像传统教室。Mackenzie 将其描述为更接近 WeWork：有的孩子站在站立桌前，有的在懒人沙发上，有的躲在帐篷里——因为他们已经证明自己能在这种环境下完成学习目标。

“Two thirds of the Alpha High students sent an email and said, we don’t want to take summer break. Can you keep the school open?”

— Joe Lamont

Joe 表示，90% 以上的学生在每周调查中表示喜欢学校。更令他意外的是，40-60% 的学生表示宁愿上学也不愿去度假。Alpha High 三分之二的高中生甚至给校方发邮件要求暑假不放假。

这与传统学校形成了鲜明对比。Joe 指出一个认知错位：在商业世界里，每个人都认为应该打造一个员工热爱的组织；但在教育领域，“学校就该让人不喜欢"似乎是默认假设。

从讲师到 Guide：教师角色的彻底重塑

Joe Lamont 用 HR 的视角重新审视了教师这个岗位。

传统教师需要同时具备五项技能：领域专业知识（七年级科学）、教学方法（如何把知识传授给孩子）、学生激励（连接和调动学生）、家长沟通、以及行政管理。

他认为，任何 HR 专家都会说这是一个不可能的岗位描述——五种完全不同的技能集中在一个人身上。而教育界的解决方案是什么？压低薪资。

“What we’ve decided the way we solve that problem is to underpay them.”

— Joe Lamont

Alpha Schools 的方法是拆分这个岗位。AI 辅导系统承担了前两项（领域知识和教学方法），释放出来的角色被重新定义为 Guide——专注于激励、连接和指导。

Guide 的来源很多元：大约一半来自传统教学背景，另一半来自体育教练、企业高管和其他领域。他们的共同点是擅长激励年轻人。其中包括一位 2020 年佛罗里达州年度最佳校长，在传统系统工作 14 年后被 Alpha 吸引回到一线。

Alpha 对 Guide 的起薪是六位数。Joe 表示，Alpha 收到了 80,000 份教师岗位申请。

在幼儿园阶段，Alpha 维持 5-6:1 的师生比。Joe 坦承，AI 在帮助 4 岁孩子学习阅读方面还不够好，仍然需要人类阅读专家。他估计 AI 大约还需要 18 个月才能在这个环节替代人类。

心理学家 Dr. Yeager 为 Alpha 开发了 Guide 培训课程，核心理念是 mentor mindset：对学生同时施加高标准和高支持。

掌握式学习：不是"你不聪明”，而是"你还需要 5 小时"

Joe Lamont 认为传统学校的核心缺陷是时间制——所有学生花同样的时间学同样的内容，学得快的浪费时间，学得慢的被落下。

Alpha 采用掌握式系统（mastery-based）：学生必须完全掌握当前级别的材料，才能进入下一级。不是"你考了 70 分，往前走"，而是"你还没掌握，继续练习"。

这个转变改变了学生的自我认知。在传统系统中，学业表现主要由两个因素决定：智商和大五人格中的自律性——这意味着大约只有 10% 的孩子能自然地表现优异。而在掌握制下，95% 的 Alpha 学生相信自己能在标准化测试中拿满分。

“In a mastery based system, everybody can. It’s not about IQ, it’s about effort.”

— Joe Lamont

Alpha 的学习平台会告诉学生：你距离掌握这个知识点还有 17 小时，或者 5 小时。学习从"我不够聪明"变成了可量化的时间投入。

在底层，AI 基于三个维度生成个性化课程：知识图谱（你知道什么和不知道什么）、兴趣图谱（你对 Taylor Swift 还是机器人更感兴趣）、以及认知负荷理论（你的工作记忆容量和需要多少次重复才能形成长期记忆）。系统维持 80-85% 的准确率——太简单不学习，低于 66% 学生就会脱离。

对于学习风格差异（视觉型 vs 听觉型），Joe 引用学习科学的结论：双通道编码（视觉和听觉同时输入）效果最好，即使个人有偏好，同时使用两个通道的学习效果更优。

关于屏幕时间的争议，Alpha 的立场是区分**“好的屏幕时间"和"坏的屏幕时间”**。Joe 直言：

“If you give kids ChatGPT in a school, 90% of them use it to cheat.”

— Joe Lamont

Alpha 的解决方案是上午学习期间禁用一切聊天功能（包括 ChatGPT），下午工作坊期间则鼓励使用 AI 工具。用 Joe 的话说：“If you’re using chat in the morning, you’re probably cheating, but if you’re not using it in the afternoon, you’re probably failing.”

数据闭环：用"强化学习"训练教育系统

Alpha Schools 的学习监控系统可能是整个模式中最具技术含量的部分。

学生每一分钟的学习行为都被 AI 监控和评估。Alpha 的计量单位是 XP（Experience Points）：1 XP = 1 分钟的专注学习。AI 实时判断学生是否在有效学习、是否切换到其他屏幕、是否在走神。

Joe 承认，三年前他们是用人工夜间审查视频来标注数据的——就像 Tesla 早期用人工标注驾驶数据来训练 Autopilot 一样。这些标注数据训练出了现在的自动化模型。

更关键的是闭环。Alpha 的学习科学团队提出一个教学假设，生成课程内容，学生完成课程后系统测量学习效果，然后根据标准化测试分数优化教学方法。

Joe 举了一个具体例子：2025 年 8 月，他向家长承诺新数学课程将让学习效率提升 20%。8 周后，4-12 年级表现超预期，但 K-3 年级出了问题——给低年级学生的选择自由度过大，他们迷失在选择中。团队调整策略，又过了 8 周，K-3 的数据回到正轨。

“We’re the only ones in the world with a closed loop data cycle. It’s reinforcement learning for kids.”

— Joe Lamont

Joe 的终极愿景是百万学生规模的随机对照试验——他称之为 pharmaceutical-grade testing。他认为教育领域最大的问题之一是：政策被推广到 5500 万学生，却没有经过任何严格的临床验证。

从 25 人到 10 亿：微型学校的扩张逻辑

Alpha Schools 的扩张策略并非传统的连锁或加盟。

每所新学校从 25 个学生起步，需要找到一个城市中愿意成为第一批的 “创始家庭”。Joe 坦言这是最困难的环节：一旦学校有了 100 个学生，所有人都想来；但没人想成为前 20 个。

“Nobody wants to be the first 20.”

— Joe Lamont

他总结了家长做决定的两个条件：一个他们信任的家长的推荐，以及看到学校里的一个孩子做到了自己孩子做不到的事。

Alpha 目前 100% 自营，没有特许经营。今年新开了 13 所学校。但 Joe 的长远计划是建立 10,000 所学校，用 20 年时间完成。他清楚仅靠建学校无法触达目标——如何触达 10 亿孩子，尤其是那些不在 Alpha 体系内的？

他的策略是与全球顶级游戏设计师和头部网红合作，将"激励组件"和"学习组件"打包在一起。这个产品计划在 2026 年发布。

在公立教育端，Mackenzie 曾在 10 个州申请开设特许学校，被拒了 9 次。Joe 引用了一位学校委员会成员的话：

“I was put on this earth to stop people like you.”

— 学校委员会成员

因此 Alpha 暂时放弃了特许学校路线。美国教育部长曾到 Alpha 参观，但公立教育系统的改革可能要到第二个十年才会发生。全球其他国家的教育部长也持观望态度——Joe 认为这可以理解，但他希望用 pharmaceutical-grade 的数据证明来打破僵局。

与此同时，Alpha 已经开始衍生出多种模式：Texas Sports Academy（使用德州教育券，家长月付 $300）、天才学校（为热爱学术的孩子设计，学习速度 5 倍）、野外学校、蒙特梭利学校。核心平台是 Time Back——一旦 AI 把学业压缩到 2 小时，下午做什么就成了无限可能。

编者分析

嘉宾立场

这期节目的每一位参与者都与 Alpha Schools 有直接利益关联。Joe Lamont 是最大投资者（$40M+）和校长；Mackenzie Price 是联合创始人；Peter Diamandis 是 Abundance360 创始人，Mackenzie 是其会员。节目还有 Blitzi 赞助——一家 AI 软件开发工具公司，整个节目的基调天然倾向于对 AI 技术的乐观叙事。

这不意味着他们的观点是错的，但意味着听众需要意识到：这期节目本质上更接近一场精心策划的产品推介，而非对 AI 教育的平衡讨论。

论证中的选择性

“学习速度提升 200%” 是节目标题中的核心主张，但全程没有解释这个数字的计算方法。是时间维度的比较（6 小时→2 小时 = 3 倍）？还是成绩维度的比较？与哪个基准对比？同一群体的前后对比还是不同群体的横向对比？没有细节。

“90% 以上学生喜欢学校” 来自 Alpha 自己的每周调查，存在社会期望偏差——学生知道自己在被调查，尤其在一个高度强调"热爱学校"文化的环境中。

“大学毕业生是失业时间最长的群体” 这一数据与主流劳动力统计（BLS）矛盾。美国劳工统计局的数据一贯显示大学毕业生的失业率显著低于非毕业生。Peter 可能引用了特定时间段或特定定义的数据，但未提供来源。

新生 SAT 1410-1500+ 的数据值得注意——SAT 通常在高二或高三参加，“新生的 SAT 分数"可能指模拟考试而非正式考试。

被忽略的反面

节目中几乎没有传统教育界的反驳声音。Joe 提到学校委员会的阻力，但将其简化为"免疫系统反应"而非认真对待的反对意见。

以下问题在整期节目中未被深入讨论：

1. 选择效应：能支付私立学校费用、主动寻找替代教育的家庭，本身就拥有更多教育资源。Alpha 学生的优秀表现有多少归因于 AI，多少归因于家庭背景？
2. AI 全程监控儿童的伦理：XP 系统意味着孩子的每一分钟学习行为都被记录和评估。这些数据如何存储？谁有访问权限？对孩子的心理健康有何长期影响？
3. 微型学校的社交局限：25-50 人的学校，社交圈天然狭窄。Alpha 声称"社交更多”，但未提供任何社交能力的测量数据。
4. 公平性：声称目标是 10 亿孩子，但目前模式是高端私立学校。$300/月的 Texas Sports Academy 降低了门槛，但对全球大多数家庭仍然不可及。

待查证事实

• 35% 阅读达标 / 22% 数学达标：应来自 NAEP，需对照最新报告确认具体年份和数字
• 大学学费增长 893%：需查证来源和计算方式（是否经过通胀调整？）
• “大学毕业生失业时间最长”：高度可疑，与 BLS 主流数据矛盾
• 80,000 人申请教师岗位：Alpha 自报数据，无独立验证
• $40M+ 投资：Joe 自述，财务数据未公开

核心建议

给家长：无论是否选择 Alpha，掌握式学习的理念值得关注——让孩子以自己的节奏学习，不以分数排名为驱动，而以真正掌握知识为目标。

给教育者：Guide 模式代表了一种值得思考的方向——当 AI 能承担知识传授和个性化课程生成时，教师的核心价值可能在于激励、连接和指导。

给创业者：Alpha 的案例提示，教育赛道的真正机会可能不在于"更好的课堂"，而在于**“释放时间后做什么”**——当学业只需 2 小时，下午的工作坊、体育、创业项目才是差异化的地方。

给所有人：保持兴趣，但也保持批判。这个实验值得追踪，但在看到独立第三方的大规模数据验证之前，Alpha Schools 的主张仍是一个令人兴奋的假说，而非已证实的事实。

整理自 Moonshots #233