摘要

Liemandt 的核心判断是：Alpha School 的孩子每天学习2小时，学到的内容是普通学校每天6小时课时加作业的2倍——这一结果已通过第三方 MAPS 测试验证，因为 AI 导师终于把学习科学40年前就预测、却一直无法规模化的做法落地。关键数字是：“一门学科的完整年级内容，大约20到30小时就能教完”，而普通学校需要180个课时再加作业；他的 AP 学生学习 AP World History 的时间“最多75小时”，最终全部拿到5分。
edtech 长期忽略的产品洞察是：“动机占解决方案的90%。” 教育科技只占10%。教育科技不断失败，是因为它服务的是那5%-10%“为了学术本身就热爱学习”的孩子；Alpha 的第一大激励，是把时间还给孩子——专注学习2小时，就能换来4小时工作坊。Liemandt 还给出一个绝对判断：“ChatGPT 90%的使用场景都是作弊”；Alpha 自研 AI 则刻意关闭了聊天功能。
“所有教育内容都已过时。” 每一本教材、每一份教案、每一套考试都一样——GenAI 根据每个孩子的知识图谱和兴趣图谱生成个性化课程。Timeback 平台预计在今年8月至12月之间推出 beta 版本，目标是明年正式发布；但 Liemandt 也坦承差距仍在：在50多名 homeschooler 的测试中，如果没有校内的动机模型，“我们还做不到2小时达到2倍效果”。
对投资者而言，商业叙事是：教育是一个“没有好产品的万亿美元市场”。 他认为“资本主义进入对话”，目前已烧掉“数亿美元”，准备投入“第一个10亿美元”和20年；他还认为非营利结构正是好学校停滞的原因：“我在等有人给我4,000万美元……我有3,000人的等待名单。” 他还向打造学习游戏的 AAA 游戏设计师投入了超过$100M，认为美国有“1,000万名愿意每月支付100美元的母亲”。
规模化依靠的是择校，而不是学区：德州新推出的10亿美元择校项目，将支持 Texas Sports Academy 这样的微型学校——每个学区为有志成为 D1 运动员的学生设立一所中学，上午使用 Timeback 学习，此外还有 GT 学校和创业者打造的教育模式；公立学校“还要等10年”。最终目标是：5年内推出“一台价格低于$1,000的平板，让地球上的每个孩子每天用2小时学会他们需要知道的一切”。
资金引擎是一台“死亡独角兽”收割机：ESW/Trilogy 从私人信贷机构手里“用1美元”买下失败的 SaaS 公司，再拆分其现金流；他称账面上这样的公司有200亿美元之多，打法是围绕存量客户展开——打电话给每一位客户，管理那些注定走向终结的 DCF。前瞻判断是：纯交易型 SaaS 的回报会“显著变差”，而“AI native 公司将比历史上任何一家 SaaS 公司都更值钱”。
底层管理操作系统来自 Jim Abel 的“三行、每行三个词”战略纪律（“在没有退路的地方制定战略”）、Jack Welch 的残酷反馈式指导（“如果 General Electric 没有从投资中获得回报，那就是你的产品烂”），以及把信念推到极限——复制“85%的 Joe”的人，最后都会发现“行不通”。

精读

1. 把学校重做成产品——对抗200年旧模型

Liemandt 明确采取产品优先的框架：“我是做产品的人……怎么把学校重做一遍，让它变得很棒？” 他的要求包括：孩子必须喜欢上学，标准是宁愿上学也不去度假——最近甚至有高中生要求取消暑假；通过每天2小时的 AI 导师课程，让学习速度提升“10倍”；下午则用于领导力、创业、金融素养、公开演讲等人生技能，在团队工作坊中完成，尽量不依赖屏幕。
他对现有体系的追溯是：精英阶层一直拥有私人导师——“Socrates、Plato、Aristotle、Alexander the Great”都是如此；但大约200年前普及教育出现后，“我们创造了工业化模型”——一名老师面对20-30名学生，无论是在印度的贫困学区，还是附近一所“学费75,000美元的私立学校”，模式都一样。
大约40年前开始，学习科学——Stanford 教育学院是领头者之一——已经证明讲授式课堂是“教孩子最糟糕的方式”。Bloom 的“两倍标准差”是奠基性论文：个性化辅导能带来显著更好的结果，却“显然无法实施”。掌握式学习、间隔重复、认知负荷理论都早已存在，但没有一种能够规模化。他自己的经历也在变化：作为80年代研究专家系统的人，他高中时就写过关于 AI 的论文，知道“神经网络还要几十年”；3年前看到 GenAI 后，他得出结论：“这终于是能让教育规模化的技术”，于是成为校长，因为“我可以亲自参与其中”。
连他自己也需要被说服：“每个家长都想用自己被教育的方式教育孩子。” Mackenzie 花了2年招募他，他当时回答：“无意冒犯，Mackenzie，我不会把孩子送进你那所奇怪又破烂的学校。”

2. AI 是学习科学的显微镜——其他人没有的闭环

他最喜欢的类比是：生物学、化学和物理学曾经“在荒野里迷路”——医生放血，化学家让实验自爆——直到显微镜、分析天平、望远镜等仪器出现，精确测量才成为可能。学习科学在荒野里走了40年，是因为课堂效果淹没了信号：“环境变量占据主导”。AI 现在可以同时实现精确教学和闭环测量：生成课程、测量学习时间、用标准化工具测试、持续迭代。“基本上只有我们拥有这个闭环，所以我们能取得这些疯狂的好结果，而其他人做不到。”
机制首先是把年龄年级和知识年级分开：评估先确定孩子已经掌握什么，再据此生成课程。一个被分数困住的六年级学生，可能需要回到自己真正缺失的四年级除法，因为“大部分知识都是层级化的……代数本质上就是更高级的分数运算”。
掌握标准不是70分及格，而是超过90%。他的篮球类比是：一个控球后卫如果有30%的概率丢球，就不该练空中接力，“先回到基础”。他警告，现成应用内置的掌握标准“实在太低”，无法复刻 Alpha 的结果。
孩子们自己做过填鸭实验：一组每天花10分钟背词汇，另一组在考试前一晚突击；周五测试两组得分相同，但一周后重测，“突击组什么都不记得”。认知负荷理论在实践中的含义是：工作记忆有固定的“槽位”——技术人员会把它类比为 CPU 的寄存器——需要通过重复练习把知识转移到长期记忆，而且每个孩子所需的重复次数不同。

3. 数字说明：一个年级只需20-30小时

他向家长强调的第一个数字是：一门学科落后1年的孩子，其实只落后20-30小时。“学校有180天，每节课1小时……你却告诉我只差20到30小时。” 也就是说，学习速度可以快5到10倍。落后2年就是40-60小时，通过家长仪表盘追踪每天1小时作业，就能补回来。
他引用的证据包括：AP World History 学生“全部拿到5分”，学习时间“最多75小时”；1月第三方 MAPS 期中测试显示，孩子“每天学习2小时，学到的内容是2倍”。他特意选在圣诞节前后讲这个结果，是为了帮助家长抵御亲戚的质疑。增长可以向两个方向发生：“可以把一个50百分位的孩子推到前10%，也可以把一个通常已经触顶的99百分位孩子，突然推到领先数年。”
他讲过一个带有保留的流利度案例：“这是一个极端例子，我其实不太愿意说”：一名数学 SAT 740分的学生被送回三年级数学，因为乘法表不够熟练，工作记忆过载，导致她犯下粗心错误。“全世界只有我们会让一个数学 SAT 740分的学生回到三年级——最后她考到了790分。” 家长和学生都讨厌这个处方，“但问题确实就在这里”。
对专家认为“理论上这些方法40年前就被预测到了，只是没人能实施”的说法，他的回应是：“好吧。我想我们正在实施，而且它确实有效。”

4. “所有教育内容都已过时”——以及内容生成背后的工程

他的核心论断是：“所有教育内容都已过时。每一本教材、每一份教案、每一套考试。” 原因是 GenAI 根据3个输入生成课程：课程标准、学生知识图谱和兴趣图谱。一个“讨厌书”的一年级学生，会得到一份完全符合其 Lexile 阅读水平的互动冒险故事，主角是他自己和踢球的朋友，一起拯救世界；一个想成为时装设计师却不喜欢数学的学生，则会通过尺子和服装版型学习分数。
他讲过的例子包括：学生参加 Taylor Swift 演唱会回来后，对第一次世界大战的起因感到困惑，系统便生成一张表格，把颁奖礼争议对应到可能的 Archduke Franz Ferdinand 身上。“孩子们会说，好，我永远都记住了。” 高中生还用 Sumo——一款 AI 音乐工具，“就像 Hamilton”——为 AP History 的每个单元生成一首歌，因为转学生的历史知识“基本就是 Hamilton 歌词里的那些内容”。
课程会维持80%-85%的准确率，也就是最近发展区：“去和游戏开发者聊聊……他们用的就是同一套理论。” 引擎 Incept 是一支标准的 AI 团队，同时“嵌入了一支规模庞大的学习科学家队伍”——“可能是最大、最优秀的学习科学团队”。他认为这正是通用 LLM 教育产品失败的原因：没有掌握标准，孩子最终只会作弊。名称也有意为之，既指电影中的“思想病毒”，也指 Oxford/Cambridge 传统含义中的“有资格教学”。信任至关重要，因为“现在 TikTok 是一个不受信任的生成器，却占据主导……我们必须在 TikTok 的领域击败 TikTok”。
第二套 AI 是视觉模型：它持续读取每个孩子的屏幕，寻找“反模式”——跳过讲解视频、滚动页面寻找答案。这个系统3年前由人类整夜标注视频训练出来，“就像所有 Tesla 汽车产生的数据流”。最昂贵的部分是浪费时间计量器，因为“你在全时段传输屏幕”；但孩子们很喜欢它：“你浪费了50%的时间”，孩子们会说，“哇，教练，帮我改进。”

5. 动机占解决方案的90%——把时间还给孩子

核心判断是：“动机占解决方案的90%。教育科技占10%。” 教育科技一直失败——“我们不断把教育科技放进学校，考试成绩却一直下降”——因为它必要但不充分。他引用的一篇名为“5%解决方案”的论文显示，教育科技的收益集中在那些本来就自我驱动、尽责程度高、无论如何都能成功的孩子身上。“这不是90%的市场。”
创校谈判是这样开始的：新入学的五年级学生说，如果“没有学校”，他们会喜欢上学。最终达成的交易是：2小时真正投入的学习，换来4小时精彩活动，这成为产品本身。“我们产品的代号……就是 Time Back。把时间还给孩子。这绝对是孩子最大的激励。” 其他激励因素，只有在时间被还回来之后才会生效。
他对技术最绝对的判断是：“如果你认为 ChatGPT 很好，你就不该当学校校长。ChatGPT 90%的使用场景都是作弊。” 因为孩子真正想要的是时间。Alpha 的 AI 直接关闭聊天功能；正确用途是生成课程和监控屏幕、提供辅导，而不是充当聊天机器人。
游戏化采用 Apple Watch 式的圆环机制，通过25分钟番茄钟、并保持80%及以上准确率来闭环。新转学生一开始待在“普通学校”区域，使用真正的课桌；证明自己能成为每天学习2小时的人后，才会升级到懒人沙发和隐私隔间。激励因校区而异：在 Brownsville，最小孩子最大的动力是宠物动物园——为了那只兔子，他们“愿意做10小时作业”。

6. 下午时段——以及高标准才是幸福关键的判断

他自称“最具争议的观点”是，希望每个美国家长都接受3件事：孩子必须喜欢学校；孩子可以在2小时内完成高强度学业，“不能让孩子每天上6小时课再做作业”；以及“让孩子幸福的关键是高标准”。孩子“想在通往成功的路上经历挣扎和失败”，前提是有在场的成年人提供支持——高支持、高标准。
生活技能必须被有意识地教授，而不是外包给活动：“今天，美国的团队合作和领导力是通过体育来教的。” 五年级学生经营 Airbnb，学习损益表和定价，随后又推出早餐餐车“Dippers”。一个孩子对他说：“你知道早餐食品的毛利率有多高吗？简直高得惊人。” 他们在汽车经销商处周末摆摊，每周末能赚1,000美元。公开演讲则被设计成赛后新闻发布会，最后由 Austin FC 的真实媒体向孩子提问。
5K 故事发生在二年级：指导老师 Faith 要求每个二年级学生在35分钟内跑完5K。Liemandt 当时退缩了：“这好像太难了，而且天哪，家长肯定不会高兴。” Faith 教他们 Atomic Habits——“大多数成年人大学毕业后才学会这些”——第一天先带所有孩子走完整条赛道，确保每个人都知道自己能完成，再逐步训练到12月的 Jingle 5K。孩子们带回家的结果是：“妈妈、爸爸，我现在知道怎么做任何事了。”
高中阶段转向自我驱动：为期4年的“AlphaX”热情项目中，一名学生正在打造第一部完全由青少年制作的百老汇音乐剧，通过 TikTok 招募歌手，并有能力填满一个可容纳1,000人的场馆。“Alpha 没有任何指导老师或教练能帮她。” 他们发现的规律是：“超级成功的成年人会在雄心勃勃的青少年身上过度投资”，所以孩子要学会主动私信寻求帮助。

7. 指导者而非教师——最低薪酬100,000美元且不教文化课

Alpha 没有任何成年人负责学术教学，因此他们被称为“指导者和教练”，而不是教师，尽管 Liemandt 承认这个术语仍未定型。考核标准也很激进：每8周调查一次学生，询问自己的指导者是否属于“改变了你一生的那一两位老师”。“他们改变你的一生，不是因为他们把你的七年级科学测验批得特别好。”
指导者最低薪酬为100,000美元，“基本是” Austin 市场水平的2倍，这让人才池不再局限于持证教师：运动学校会聘请前 NBA 教练、前 NFL 和 MLB 运动员，要求的是激发动机和坚持高标准。他引用 Dr. Joerger 的《10 to 25》作为运营理念。
指导者使用一套动机数据库，记录“Alpha 每个指导者曾经对每个孩子尝试过的所有激励方式”，并在番茄钟学习期间把学生拉出来进行一对一交流。年纪较小时，约5名学生配一名指导者；进入中学后比例会下降，因为青少年“想要更多自由，但他们想要的指导必须是高质量的”。
接受反馈本身也是一项经过测试的人生技能：幼儿园阶段练习“你能不能在不哭的情况下接受反馈”，到八年级则要主动寻求批评性反馈。训练方式参考运动员“看比赛录像”，并应用到考试错误中：这是粗心失误，还是根本不会？

8. 钱有效——“100美元换100分”以及打破 IQ 关联

对系统的控诉首先是：美国的学习曲线在中学阶段趋于平坦——“美国高中生的中位数实际上什么都没学到……在满分300分的 MAPS 测试中，美国中位数学生4年只提高1分。” 原因是教育按时间而不是按掌握程度推进，形成 Saul Khan 所说的“瑞士奶酪式基础”，最终“整个结构塌掉，你再也学不动了”，通常在代数阶段发生。
他完整讲述了填洞方法：让七年级学生在 Texas Star 测试中参加“100美元换100分”，年级不限。他们从三年级题目开始，拿到100美元后逐级上升，直到达到75分或85分；系统用 AI 生成课程补上知识缺口，孩子继续挑战。“只要400美元，我们就能把洞补上……但更重要的是，你实际上改变了他们的思维方式。” 不到10%的 Alpha 家长相信孩子能考100分；一年后，90%以上的孩子相信自己能做到，而他的 K-6 校区拿到的 Texas Star 满分，比一个拥有100,000名学生的学区还多。核心重构是：“这和 IQ 无关，只和努力有关。一旦你帮孩子打破这个关联，一切都会改变。”
Alpha Bucks 的收入会被导向家长认可的用途：资助热情项目，以及为中学生建立投资账户。这是真正赚来的钱，“因为你们存在损失厌恶”，而50%的提前支取罚金反而深受家长欢迎。背景是：美国每个孩子的教育支出约20,000美元，Alpha 超过40,000美元，“我们花的钱已经很多了”——K-12 教育总支出达1万亿美元。
他还讲过女儿的故事：女儿认定自己不如成绩更好的姐姐，于是接受了他提出的1,000美元赌注，目标是进入前1%。她先把想买的东西装进 Amazon 购物车，每天早上盯着它，再顶着妻子的反对坚持刷题。最后她对母亲说：“我以前从没觉得自己和姐姐一样聪明。现在我明白了，我什么都能做到。”

9. 规模化：Timeback、微型学校与1亿美元游戏投资

他坦率汇报现状：“产品还没完成。” 幻觉问题仍然存在——孩子会截图发回来，说“AI 今天出问题了”。他希望在今年8月至12月之间推出 beta 版本，平台目标是明年上线。更大的承认是：在50多名 homeschooler 的测试中，“我们还做不到2小时达到2倍效果”，因为校舍提供了90%的动机层，而厨房餐桌无法提供。他相信可用的 homeschool 版本明年能够推出。
分发依靠择校机制：德州刚通过10亿美元择校项目，将支持 Texas Sports Academy——计划在德州约1,200个学区各设立一所面向 D1 运动员候选人的微型中学，上午用 Timeback 学文化课，整个下午由当地受尊敬的教练带队；项目将在 ESA 代金券于1年后到期时启动。另有 GT 学校，服务那5%-10%“为了学术本身就热爱学习”的孩子——他的大孩子会把微积分教材当作消遣，这些孩子学习速度达到“3倍、4倍、5倍”，还开玩笑说自己会成为“最后一批比 AI 更聪明的人”。公立学校“处在采用曲线的最后端”，而他的愿景需要完整的20年周期。
游戏投资是他实现动机规模化的方案：“最懂得如何吸引孩子的人，就是游戏开发者。” 他已经向 Austin 的 AAA 设计师投入超过1亿美元，打造一款基于2小时学习引擎的游戏，“他们相信这款游戏会媲美地球上的任何一款游戏”；此外还有一款类似 Candy Crush 的数学事实流利度游戏。测试中，一个孩子被问到，为了获得游戏内额外生命值，自己愿意在“训练中心”刷多少数学题，他回答10小时。“记住，完成一个完整年级的内容只需要20到30小时。”
他向外国教育部长描绘的终局是：5年内推出“一台价格低于$1,000的平板，让地球上的每个孩子每天用2小时学会他们需要知道的一切。这一定会到来。” Alpha 目前每个孩子的 AI 成本约10,000美元，“但这个数字会下降”。他提醒教育的非对称性：AI 对 Uber 司机不利，但对孩子来说“绝对是好事”——“这是历史上5岁孩子最幸福的时代。”

10. 教育生意——以及最难回答的质疑

“资本主义进入对话”：他认为教育必须支持真正的商业公司，才能吸引人才，因为这是一个“没有好产品的万亿美元市场”。非营利结构是规模化陷阱：一个优秀的学校系统或 charter school 有3,000人的等待名单，“等着有人给我4,000万美元，让我建一座校区”；而商业模式意味着“资本主义会提供资本”。他现在处于烧钱阶段，已经烧掉“数亿美元”，Mackenzie 的扩张还需要3亿美元。
他承认最难回答的质疑包括：“我们还没有做到规模化”，以及资金无限和筛选效应。更深层的问题是：家长并不认同教育的目标是什么。在 Austin，一些家长会为学术表现不佳的学校辩护，因为那里有一位老师“改变了他们的一生……我不在乎学术”。他的坦白是：“我一开始没有意识到，真正关心学术的家长有这么少。”
产品定位是在“数百场家长会议”中摸索出来的：说“学习2倍”会遭到反问——“你为什么要逼他学习2倍？” 但同一个产品如果说成“每天2小时学习”，同一批家长就会转而支持：“Johnny，你难道不想做那些酷的事情吗？” “定位很重要。” 不同家庭想要的组合也不同：运动学校的母亲会在训练后给孩子冲澡，GT 家庭则会在家继续下棋比赛。
他对软件投资的前瞻判断是：未来20年，纯交易型 SaaS 的回报会“显著变差”，但“AI native 公司将比历史上任何一家 SaaS 公司都更值钱”，因为它们会改变企业的运作方式。教育是一个价值数万亿美元的全球行业，而过去从未有任何产品能让孩子学习速度提升10倍，这正是他的证明案例。

11. Joe 的故事：Trilogy、死亡独角兽与逼近极限的学习

这段经历自90年代以来很少出现在公开记录中：他厌恶学校，曾问“我最低能拿多少学术分数”，还提交过一份未完成的试卷，分数恰好是89.5，因为四舍五入后就是 A；他在 Stanford 跟随专家系统之父 Ed Feigenbaum 学习后退学，创办 Trilogy——“第一款卖出10亿美元的 AI 产品”——为电话交换机、Boeing 飞机和医疗设备提供配置器。后来他们才发现产品卖错了，问题已经到了制造车间，修复成本达数百万美元。Trilogy University 曾把2,000名 Ivy League 毕业生招到 Austin，接受“你经历过的最艰难的100天”训练；毕业生因为训练更难，甚至以70/30的比例击败巅峰时期的 Microsoft。这个传统如今延续为 Gauntlet AI：100天、每周100小时、50%以上淘汰率，但等待他们的是200,000美元的工作。
今天的现金引擎来自 Bill Gurley 提倡的“死亡独角兽”交易：ESW/Trilogy 从私人信贷机构手里接管过度加杠杆、股权归零的 SaaS 公司，有些“基本上只花1美元”；双方再拆分现金流。他称账面上这样的公司有200亿美元。打法是从增长转向存量客户：“他们做的第一件事，就是给所有客户、每一个客户打电话”，接受注定走向终结的经济模型，在冰块融化般的过程中管理 DCF。正是这笔现金，让他可以“拿出10亿美元，说我要把它花在教育上”。
他称自己得到的最好商业建议来自人力资源负责人 Jim Abel：战略必须是3行文字，每行3个词。Liemandt 起初因为“聪明人疾病”忽略了他；Abel 随后采访每一名员工，把他们实际理解的战略写在白板上，结果发现“完全相反”。原则是：“在没有退路的地方制定战略。” 市场营销必须像“磁铁——既吸引又排斥”；如果没有人愿意说出它的反面，比如“诚信”，那就只是套话。“孩子必须喜欢学校”正是为了通过 Abel 测试而设计的。
Jack Welch 是他父亲去世后指导他的导师，当时 Joe 25岁。Welch 给出的反馈极其残酷：“我不在乎它是不是来自天堂。如果 General Electric 没有从投资中获得回报，那就是你的产品烂。” 对于外界称他为“十分之一 Joe 的商业杀手心理变态”，他的解释是：“把事情推到极限……这才是所有 alpha 的来源。” 人们要求“85%的 Joe”，最后却发现行不通——“我把它推到必须达到的位置，事情才能运转……人们会说，这个标准荒谬得可怕。你只能回答，是的，正是这个标准让它奏效。”（作为校准，Elon Musk 曾在晚餐时说：“我不明白你为什么还没有1,000所学校。”）

Google 第二部：Alphabet（音频）131: 微软怎么用AI？与微软商用市场、广告业务管理层聊AI驱动的增长