2026年7月16日，月之暗面发布Kimi K3——2.8万亿参数、全球最大开源模型。输出价格100元/百万Token，相比前代K2.5的20元，翻了5倍。同一周，一篇覆盖86,237名学生的研究抛出冷水：AI定制化教学的提升效果只有0.01个标准差，p=0.51——和随机猜没区别。
一边是模型厂商告诉你：更贵、更强、更智能。一边是实证研究告诉你：更贵的AI ≠ 更好的学习。谁在说谎？
华东师范大学2026年发表的研究，在一个维度上让AI教育界沉默了：86,237名学生的纵向数据，采用双重机器学习（Double ML）+因果森林（Causal Forest），控制了初始知识水平和学习资源质量后，AI定制化教学的平均处理效应（ATE）只有0.01个标准差（95%CI [-0.01, 0.03], p=0.51）。
换句话说，AI定制化教学和通用优质教学的效果没有本质区别。不存在特定的学生群体能从AI个性化中获得额外增益。这意味着那些宣称"为您定制学习路径"的AI教育产品，可能只是用算法做了个"看起来很厉害"的包装。
当然，这项研究也有其边界：它聚焦于"学习风格"路线（visual/auditory/kinesthetic分类），而AI教育的可能性远不止这一种定制方式。
如果我们只看另一组论文，故事完全不同。
Xu、Liu和Li（2026）对1079名学生的SEM分析发现：AI个性化反馈 → 自我效能感 → 学习投入，这一路径在SDT（自我决定理论）框架下完整验证。AI反馈确实能通过提升自主性和胜任感来增强学习动机。
Xing和Teng（2026）的385人研究发现了四种投入画像：44.4%的高投入型从中受益；19.2%的最低投入型几乎没用；另外约36%处于中间。换句话说，AI教育的收益是高度分化的——不是AI不行，而是不是所有人都能从中受益。
"AI不是魔法棒。它对自我效能感和投入度有正面效果，但这种效果高度取决于学习者的准备状态和使用方式。" — 综合 Xu (2026) 和 Xing (2026) 的研究发现
赵黎（2026）在《新文科教育研究》中提出了一个更尖锐的角度：AI将答案的成本压到了零。学生不再需要自己推导，直接问AI即可得到答案。这意味着传统的以"结果"（成绩、分数）作为教育信号的方式正在破产。
这一观点把问题从"AI教育有没有效果"升级到了"AI时代什么是真正的学习"——当AI可以给出任何问题的答案时，学习的价值不再在于"能不能答对"，而在于"能不能不靠AI做对"——即客观验证过的能力内化。
回到Kimi K3的涨价：当模型价格从20元涨到100元/M Token，AI教育公司面临一个选择：
| 路径 | 思路 | 证据 | 风险 |
|---|---|---|---|
| A: 更贵的模型 | 用更强模型做更个性化教学 | ECNU 86,237人 → 无效 | 成本5倍，收益≈0 |
| B: 更聪明的方法 | 用认知科学方法论+AI辅助 | Xu 1079人有效 + Yeo 228研究元分析 | 需要学习者配合 |
路径A是当今大多数AI教育产品在走的路：用更强的模型做"定制化"、"个性化"。ECNU的研究给这条路敲了警钟：单纯用AI模型堆料不是答案。
路径B是CoEvo选择的路线：FSRS科学间隔调度 + 检索练习 + 客观验证，AI在这里不是"替学生学"，而是"帮助学生用更聪明的方法学"。Yeo（2025）的228研究元分析早已确认：认知增强类AI工具的效果量（g=0.507）远大于心理动机类。
如果你正在（或准备）使用AI辅助学习，这三条建议来自上述研究的共识：
间隔重复 + 检索练习 + 客观验证，AI辅助真正学会，而不是让你感觉"学会了"
本文引用的关键研究：