一个学国际象棋的孩子走了一步臭棋。AI教练立刻指出："注意，你的后暴露了。"孩子想了想，把后撤到安全位置。
问题来了：AI教练怎么知道自己的指导起作用了？它看不到孩子的表情，听不到那句"哦原来如此"，也无从判断同一句话对不同学生是否产生了不同效果。在今天的AI教育系统里，这条反馈回路几乎是断的——而断的地方，恰恰是教学最关键的环节。
答案似乎是"让学生多练"。但这里的学生，不是真人。
让GPT"演"一个学生，为什么不灵？
最直观的办法：打开ChatGPT，输入一句"你现在是一名数学基础薄弱的小学生"，让模型扮演学生。它会立刻用犹豫的口吻回答你，会说"我不太懂"，甚至会犯一些初级错误。
但角色语气和认知水平是两码事。一个模型可以用小学生的口吻说"这个好难"，下一句却给出微积分级别的推理。它看起来在扮演学生，实际上反馈仍然受模型自身知识储备的支配——远远高于它被限制拥有的能力。就像一个黑带高手穿上白色道带，嘴上说着"我是初学者"，身体却记得每一个高难度动作。
这不仅是观感问题。当AI教师拿这个"假学生"来训练自己时，它得到的不是某个学生在当前能力边界下的真实反应，而是一个高能力模型经过人设包装后的反应。教师学到的是对"假学生"有效的策略——问题是那个假学生根本不存在。
这件事的学术根基埋在30年前。1995年，卡内基梅隆大学的Corbett和Anderson用一种概率模型为每个学生的每个技能估算掌握程度，部署在早期的智能导学系统里。此后三十年，这条线越做越精确——早期方法猜对学生对错的得分约0.69（相当于蒙对七成），深度学习直接拉到0.86（接近九成），后续改进再推高几个百分点。
但所有这些模型共享一个盲点：它们只接受结构化输入——题目编号、知识概念编号、作答对错（0或1），偶尔加上响应时间。没有一个模型能接收教师的自然语言指导。 无论教师对学生说了什么，这些模型都像一间没有窗户的房间——外界的声音进不来，学生的状态也出不去。
那么问题来了：怎样才算"像一个学生"？
怎样才算"像一个学生"？拆成两把尺子来量
要回答这个问题，需要先回到一个经典的教育学概念。
苏联心理学家维果茨基在上世纪30年代提出了"最近发展区"：学生当前能独立完成的，和在教师支持下能够完成的，两者之间的差距就是教学可以介入的空间。这个思想后来被"动态评估"落成可操作的程序——不只记录学生答对与否，还要在给出提示后观察他的表现如何移动。
微软研究院的StudentSim项目正是从这两层出发，定义了一个好学生模拟器必须同时满足的两项能力。第一，行为保真度：独立作答时，模拟器的答案必须像目标学生本人——包括他的知识边界、错误习惯、常见选择。第二，指导响应性：读完教师的自然语言指导后，模拟器的表现必须朝着指导所指向的方向改变，就像真实学生在帮助下可能出现的进步一样。用论文里的话说，这两项能力是"可分离的"——一个只保真但不响应指导的模拟器只是一张照片，一个只响应但不保真的模拟器则是从错误起点出发的假人。两者缺一不可。
训练流程分两步走，逻辑很务实。第一步，把一个领域内多名学生的记录汇到一起，训练一个通用学生行为模型——这个阶段学习的是共性错误、回答格式、以及受到指导后的修正路径。第二步，用单个学生自己的记录继续训练，让这个通用模型"长成"这位学生专属的模拟器。这样设计的原因很直白：单个学生的记录太少——二语写作场景里，中位数每个学生只有3篇作文，超过三分之二的学生不超过5篇——直接端到端训练会过拟合，也就是死记硬背那几个例子、碰到新题就露馅。先学群体规律，再适配个人数据，稳定性好得多。
研究团队在三个差异极大的场景中做了验证：国际象棋（30名棋手）、第二语言英语写作（15名学生）和基础数学（15名学生）。国际象棋里，模拟器要预测某位玩家在棋局中的走法，并在收到教练指导后改走修正步；写作中，模拟器要生成符合学习者错误模式的作文，并根据教师批改重写片段；数学里，模拟器要预测学生四选一的答案，并在讲解后修正。
所有方法拿到同一份学生记录，在相同的、模型没见过的测试数据上比较。国际象棋场景的结果最直观：StudentSim的行为保真度达到0.515，GPT-5.4只有0.232——不止是两倍差距，GPT-5.4在模仿具体棋手这件事上几乎不靠谱。另一款专为预测棋手走法设计的AI模型Maia2拿了0.454，更贴近人类棋手——但它根本无法吸收自然语言的教练提示，指导响应性只有0.272，远低于StudentSim的0.907。
二语写作和数学场景中，StudentSim同样在两个指标上同时超过基线。GPT-5.4对指导的响应不算太差——它能读懂指令、做出改变——但它的"起跑线"是歪的：它模仿的学生，根本不像那个学生。
但真正的意外在后面。
陪练说谎，教练就学歪
论文接着做了一个实验：把学生模拟器放进AI教师的强化学习训练流程，让它提供奖励信号——奖励，就是AI教师改进行为的"方向盘"。
场景是国际象棋。系统先取出真实学生犯过的错误走法，AI教师生成一段指导文字，StudentSim读完指导后给出修正走法。然后，用国际象棋引擎Stockfish——一个能像裁判一样给每一步棋打分的程序——计算修正走法相对于原错误走法的质量变化：变好多少分，这个分数回传给教师模型作为奖励信号。
对照组有两组：一组是完全不做强化学习的教师基线，另一组是用GPT-5.4扮演学生提供奖励信号的教师。三组使用相同的基础模型、相同的训练起点和训练设置，唯一的区别就是"谁来打分"。
结果由人类专家在打乱顺序的盲评中给出。StudentSim的奖励信号训练出的教师，在准确性、指导质量和个性化三个维度上全部排第一。准确性——即回答中"没有误导性事实错误"的占比——达到90.5%。
更扎眼的是反向的那组：用GPT-5.4当学生模拟器训练出来的教师，准确性只有71.6%。这不仅输给StudentSim，还低于完全没做强化学习的基线（75.7%）。拖后腿的原因是"明显更高的严重事实错误率"——教师模型学会了给出看起来合理但实际错误的指导。
机制不复杂。GPT-5.4的认知能力远超它所扮演的学生。读完一段离谱的指导，它仍然能靠自己超强的推理能力推出某种答案，于是给错误指导发了随机奖励。强化学习不是朝着"更好的教学"优化，而是朝着"更能糊弄这个假学生"的方向优化——朝着混乱，甚至朝着错误。
这不仅是教育场景的特例。2026年，一项对2,790段真实电商销售对话的研究发现，大语言模型（LLM）扮演的"顾客"存在"离场赤字"——模拟非购买者时会把购买倾向从真实的+0.09夸大到+0.40，将真实的抗拒表达从25.1%压缩到13.5%。另一项跨31个模拟器、165个任务的大型评测也得出相似结论：模拟用户"过度配合、风格单一、缺乏真实的挫败感或模糊性"，为AI客服创造了一个虚幻的"简单模式"。
在教育里，这个"简单模式"的代价不是高估了AI教师的性能——而是直接让AI教师学会了错误的教法。
从实验室到教室，还差几步？
AI教育辅导的市场规模在2025年已达到21到35亿美元，年增长率在12%到30%之间。可汗学院的AI辅导产品Khanmigo，2024-25学年从4万名学生扩展到70万。这些系统越铺越广，对"什么样的指导对什么样的学生有效"的精确理解，仍然来自缓慢、昂贵、受隐私限制的真实学生实验。
StudentSim提供的工程路径是：把60位真实学生的学习记录转化成训练阶段可反复调用的模拟反馈，让AI教师在进入真实学生实验之前，就完成更多轮的筛选和优化。它没有取代真实学生实验，而是把实验的起点推高了——就像飞行模拟器不能取代真实飞行，但它让飞行员在进驾驶舱之前就已经处理过上百次引擎故障。
这条路并不平坦。论文作者自己也承认，两阶段训练的有效性依赖于领域内多学生数据的可获取性——在数据极度稀缺的新领域，群体预训练可能学不到足够可靠的共性结构。更深层的问题是：行为保真度和指导响应性可以量化，但学生的情感、动机、学习意志——这些教育中不可分割的部分——目前的架构还捕捉不到。另有独立研究指出，用合成数据训练的AI系统有放大原始数据中偏见的风险，而模拟器的"谄媚性"——过度配合指令——在多个领域被反复观测到。最关键的一个开放问题是，全行业还没摸到"足够好的保真度阈值"到底在哪里：多像才够用？
对AI教师来说，这意味着未来几年的迭代将前所未有地加速。过去，每次调整教学策略都要组织学生参与、收集交互、再由人工评估——一个周期可能以月计。现在，这个周期可以压缩到机器学习的时间尺度：几分钟跑一轮，几小时筛出最优策略，再拿最好的几个版本进真实课堂验证。
一个会犯错、也会在指导下进步的AI学生，成了AI教师最好的陪练。而这篇论文最锋利的一刀是：如果你的陪练是个假装初学者的高手，教练学到的东西，还不如根本没有陪练。
过去我们以为"更像人"就是更好的模拟；这项研究说，更准确的模拟才是。两件事，差了一条反馈回路的距离。
