关键词：#何朝阳# #南加州大学# #FedML# #COAI# #博士团队# #开源# #联邦学习# 本文仅针对ChainOperaAI 创始成员及业务方向进行的基础调研，不涉及代币及市商层面。 Salman Avestimehr ChainOpera AI 联创；TensorOpera （前身为FedML）联合创始人 2008年博士毕业于加州伯克利分校，师从香农奖获得者、信息论与区块链著名学者David Tse教授（即Babylon 创始人） 曾担任南加州大学 ECE 和CS系主任教授、南加州大学-亚马逊可信人工智能中心的首任主任，以及电子和计算机工程系信息理论和机器学习 (vITAL) 研究实验室主任。也是美国奥巴马总统奖获得者。 基于在分布式计算领域的贡献，Salman于2020年入选 IEEE Fellow。 履历背景如下： 2008.9-2009.7 加州理工 材料研究所研究员 2009—2013 康奈尔大学助理研究员 2014—2018 南加州大学助理研究员 2018.12—至今  南加州大学 ECE 和CS系主任教授 2020-2022   Amazon Scholar亚马逊学者计划 2022.2 —至今 TensorOpera AI  联合创始人 2024.8 —至今 ChainOpera AI 联合创始人  Aiden He  何朝阳 ChainOpera AI 联创；TensorOpera （前身为FedML）CEO&联合创始人 毕业于南加州大学洛杉矶分校，获计算机博士学位；师从Salman Avestimehr  （南加州大学）、  Mahdi Soltanolkotab i教授（南加州大学）、 Murali Annavaram 教授  （南加州大学）三位分别擅长分布式计算、机器学习理论、分布式系统优化的教授和 张潼教授 （香港科技大学）。 履历背景如下： 2010-2011期间，尝试过几次创业，均以失败告终 2011.6 - 2012.6  华为开发工程师   2012.7 - 2014.11 百度高级工程师   2014.11 - 2018.7 腾讯研发团队经理和首席工程师  2017.4，received PhD offers from CMU, USC, Georgia Tech, and UCSB.收到了卡内基梅隆大学、南加州大学、佐治亚理工学院和加州大学圣塔芭芭拉分校的博士学位录取通知书。 2018.8-2022.3 南加州大学攻读计算机博士并做博士后研究 2018 — 2022期间，先后在Meta, Google, Amazon兼任研究员 「联邦学习」是谷歌在2016年提出，当时是用于训练输入法模型的新型方式。 FedML是全球最早的研究联邦学习与分析的团队之一，最开始是由博士生主导的科研开源项目。曾服务美国高校多个科研基金，辅助所在实验室发表了50多篇相关顶级论文。 2022年2月，何朝阳与Salman先是于加州共同创立了ai 初创公司 FedML，并于中国香港设有分公司，以公司化的形式将学术成果升级为工业化平台，探索在智慧城市、医疗、工业化IoT等场景下的商业落地。 在FedML成立之初就得到了Plug and Play、GGV、奇绩创坛 、AceCap，以及个人投资者加州伯克利教授、斯坦福教授“香农奖”得主David Tse，美国南加州大学校友王言治、张弥教授等超千万人民币的天使轮融资支持。 2023年3月，何朝阳与Salman 在FedML 内部组建了一个研究人工智能通证经济的加密团队，为如今的ChainOperaAI项目做好了全面准备。FedML的区块链团队主要由斯坦福大学、德克萨斯大学奥斯汀分校等顶尖学府的顶级区块链工程师和教授组成。这也是Chainopera AI 的雏形。 2023年6月 FedML 融资超1300万美元. 特此声明：本文绝对客观中立，且不涉及任何利益关联。仅供参考，不作为任何投资建议。 @ChainOpera_AI @AidenChaoyangHe @avestime @ShinjukuSokai @CryptoEmree_ @nine_DeFi @coldcupidrong @shawnchen_eth @junjieBTC @BudhilVyas @Bitcoinhabebe @octopusycc @guanhaibit @yaoyao_well @Meta8Mate

昨天卡姐发了个 @LeslieLi92210 月入12wU，好多人在酸啊 圈子真的变掉了，看到人家拿到结果现在第一反应已经不是去学习、参考，而是直接质疑。我真搞不明白为什么Crypto大所下面的钱包部门中的顶级BD一个月12wU，80wRMB，还不是每个月，大家都那么不信了😅 小红书上人均收入100万一个月，以前推特上全是那种“在家你只需要知道这几个网站月入几万美金”，大家倒是没人质疑只会疯狂收藏 BG钱包大使我们群友也去做过，说实话要达到KPI门槛是不低的，但是就算这样，入门尝试的机会还是会给你，而且仍然是有工资的，比那些要白嫖的小所BD好多了

很多人总瞧不上倒买倒卖，还固执觉得现在没什么信息差能赚，说白了就是认知没跟上。 怎么可能真没有？ 小红书有个账号叫参考阅读室，全程只做海外内容搬运、梳理整合，一年营收轻轻松松破千万。 就拿前段时间爆火的OpenClaw来说，公众号、小红书到处都是安装教程，可照样大把人看不懂、不会操作，这就是现成的机会。 还有个东北小伙，土木专业毕业，跑去海外干工程，天天埋头苦干当苦力，到头来根本赚不到什么钱。 后来组长点醒他，别死磕打工受累，学着做买卖才靠谱。 之后他就在非洲倒腾国内日用品、自行车这类刚需货，踏踏实实做了三年，直接翻身暴富。 说到底，人与人的差距，就藏在学习能力、眼界见识和认知里，只要肯开窍，赚钱的机会永远都在。 其实赚钱逻辑从来没变，翻来覆去就那几套核心玩法，简单好落地： 一、跨平台搬运吃差价 国内赚钱渠道遍地都是：微博、知乎、公众号、小红书、抖音、快手、闲鱼、拼多多、1688…… 大多数人只深耕一两个平台，其余平台的优质干货、爆款好物，压根接触不到，这就是最直白的信息差。 - 淘宝好物，搬到闲鱼溢价出 - 拼多多货源，铺到小红书种草卖 - 1688源头供应链，上架TikTok Shop做跨境 二、跨国搬运赚认知差 国内外信息壁垒，天生就是商机： - YouTube免费干货教程，翻译整理成中文资料变现 - 海外热门SaaS工具，做成中文测评引流接单 - 国内1688高性价比货源，无货源直发卖到海外 - 国内热点视频、图片、信息，搬运到X平台发布，流量变现赚取创作者收益 三、跨形态重组赚整合钱 不用原创创造，只做精细化梳理： - 拆解一本书核心亮点，做成思维导图售卖 - 提炼整套课程精华，整理成文字笔记变现 - 汇总零散行业数据，整合出完整分析报告收钱 核心真相很简单： 不用自己原创造内容、造产品，只需要把现有信息翻译、归类、重组、精简，让用户看得懂、用得上，就能赚到钱。 这条路看着不起眼，却养活了一大批闷声发财的人。 现在小红书很多爆款内容，本质都是海外信息二次加工。 就连二手相机、滑雪装备这类小众货，也能从海外二手市场低价淘货，转回国内出手，轻轻松松赚足差价。

#BGB# 定投五年规划书（2025-2030） 一、投资背景与目标 1.1 背景 #BGB# 是 #Bitget交易所的平台币，具有交易费折扣、Launchpool等挖矿打新收益、链上gas消耗、季度定期销毁、生态应用等功能。BGB在2024年表现突出，上涨势头强劲（从0#.6 USDT涨至8 USDT以上，涨幅最高1300%），且Bitget交易所排名前4，平台币具备较大投资潜力。 本规划书以稳健投资为核心，强调纪律性和长期坚持，锻炼个人理性投资能力。 1.2 投资目标 🔹财务目标：通过五年定投BGB，实现资产增值，力争年化收益率超越BTC 🔹长期目标：累积一定数量的BGB，分享Bitget生态增长红利，同时为未来5-10年的财务规划储备资金。 🔹风险控制：通过分批投资摊平成本，降低市场波动的冲击，最大亏损控制在可接受范围内。 1.3 前提条件 🔹每日定投金额：8 USDT（最低标准，根据个人收入情况按月调整）。 🔹定投周期：2025年5月1日起至2030年4月30日，共60个月1826天。 🔹BGB价格波动：参考历史数据，假设未来五年市场经历1-2轮牛熊周期，价格可能在3-50 USDT间波动。 市场趋势：Bitget交易所持续发展，#Bitgetwallet# #Morph公链# 等BGB生态应用扩展及链上gas消耗，季度定期销毁通缩等，长期价值趋于上升。 二、定投策略 2.1 定投方式 🔹定期定额：每日00：08分投入固定金额8 USDT购买BGB，通过Bitget平台"现货定投+"功能自动扣款。 🔹复利再投资：参与Bitget Launchpool、PoolX挖矿及LaunchX打新，参与平台及钱包的不定期活动、推特sp抽奖、Bitget Insights观点创作，参与币安alpha交互累积积分获取空投和打新机会，持续深耕Kaitoai等热点项目，将获得空投、活动、奖金等收益复投，增强复利效应。 🔹动态调整：在市场极端低谷（如价格跌至3 USDT以下）可考虑加大投资，但不超过月可支配收入的40%；在市场高位（如价格突破50USDT）可考虑暂停定投或减少金额。 2.2 资金分配 🔹总投入：8 USDT × 1826天 = 14608 USDT。 🔹应急储备：保留约3000 USDT备用，避免因市场波动影响生活质量。 🔹其他资产：资金较少，不考虑其他仓位配比 三、五年执行计划 3.1 分阶段目标（未考虑红利及额外收益复投） 年份时间段天数定投金额（USDT）预期BGB累积数量市场预估(USDT)完成数量 2025 05/01-12/31 245 1960 130-490 4-15 2026 01/01-12/31 365 2920 146-417 7-20 2027 01/01-12/31 365 2920 146-91 10-20 2028 01/01-12/31 366 2928 98-195 5-30 2029/1/01-2030/4/30 4853880 78-194 20-50 合计 2025/5/1-2030/4/30 1826 14608 598-1387 10-24 3.2 情景分析 🔹乐观情景（牛市驱动）：BGB随Bitget生态扩张涨至50 USDT，五年总价值约29900-69350 USDT，收益率约105%-375%。 🔹中性情景（震荡市场）：BGB价格在20-35 USDT波动，总价值约16146-37422 USDT（取平均值27.5计算），收益率约12%至156%。 🔹悲观情景（熊市主导）：BGB跌至10 USDT以下，总价值约5980-13870 USDT，亏损约5%-59%。 参考bitget2024年全年挖矿打新复投bgb的币本位年华收益34%来看，在悲观情景下反而是增加仓位的绝好机会，在保持定投的前提下，把握好加仓机会。 3.3 关键节点 🔹2026年：若进入熊市，加大定投力度，累积低成本份额。 🔹2028年：牛市启动时，评估是否部分止盈（如卖出20%持仓）。 🔹2030年：根据BGB价格和Bitget生态发展，决定继续持有或全部退出。 四、风险管理 4.1 市场风险 🔹波动风险：加密货币市场可能经历剧烈波动，BGB价格可能跌至3 USDT以下。应对：坚持定投，摊平成本；避免追涨杀跌。 4.2 投资风险 🔹标的单一风险：BGB集中投资可能导致亏损。应对：搭配比特币、ETH等主流币或传统资产分散风险。（资金大再考虑） 4.3 心理风险 🔹情绪波动：市场下跌可能引发恐慌，上涨可能导致贪婪。应对：严格按纪律性定投计划执行，避免频繁调整；定期复盘，保持理性。 五、收益测算 5.1 假设条件 🔹总投入：14608 USDT。 🔹定投频率：每月1000 USDT。 🔹平台挖矿复投：假设每年额外获得20%BGB（参考2024年数据34%平均估计）。 🔹五年末BGB价格：乐观50 USDT，30 USDT，悲观10 USDT。 5.2 收益估算 情景平均成本（USDT/BGB）总BGB数量总价值（USDT）收益率 乐观 7.3 2000 100000 585% 中性 7.3 2000 60000 311% 悲观 7.3 2000 20000 37% 注：挖矿打新收益可能提升总BGB数量至2,000-4,000枚，增强回报。 六、实施与跟踪 6.1 实施步骤 🔹2025年4月30日：往Bitget帐户准备300 USDT。 🔹2025年5月1日：启动定投计划，设置自动扣款。 🔹每月：检查扣款记录，参与Launchpool、poolx等活动，根据收入情况适当调整定投金额。 🔹每年末：复盘定投收益，调整策略决定是否加仓或减仓。 6.2 跟踪指标 🔹持仓成本：每月记录平均买入价格。 🔹市场动态：关注Bitget公告、BGB白皮书更新、生态发展变化、交易量变化。 🔹收益情况：每月统计账户总价值，计算收益率。 6.3 退出机制 🔹止盈点：BGB价格突破30-50 USDT，且市场估值过高（如市盈率异常）时，考虑分批卖出。 🔹止损点：若Bitget平台出现重大负面事件（如破产、监管禁令），立即清仓。 🔹长期持有：若BGB生态持续发展，可延长持有至2035年，根据发展情况再调整。 七、注意事项 🔹资金安全：启用两步验证，定期备份私钥，避免资金被盗。 🔹税务合规：了解本地加密货币税务政策，记录交易明细。 🔹持续学习：关注区块链行业动态，学习定投与风险管理知识。 🔹心理准备：接受短期亏损，聚焦长期收益，避免情绪化操作。 ________________________________________ 八、总结 本五年定投BGB规划书以纪律性投资为核心，通过定期定额、复利再投资和动态调整，力争在高波动市场中实现稳健增值。预计总投入14608 USDT，乐观情景下可获100,000 USDT（585%收益率），中性情景60,000 USDT（311%收益率），悲观情景仍可通过逢低加仓长期持有翻盘。关键在于坚持定投、分散风险和理性决策。 这不仅是定投策略，也是对信仰的历练，更是对人性的挑战！加油☀️ @Bitget_zh @xiejiayinBitget @GracyBitget

把整个小学阶段的知识点拆解成结构化数据，这对 AI 教育意味着什么？ 现有的教学大纲往往是文档化的、线性的，难以被 AI 有效调用。而今天推荐的名为Marble Curriculum的项目把儿童在小学阶段需要学习的所有内容，梳理成了一个清晰、结构化的超级知识图谱。 将数学、科学、计算机和生活技能等 8 个学科，细化拆解为了 1,590 个微观核心概念，并梳理出了 3,221 条概念之间的逻辑连接。它深度参考了美国和英国的国家教育标准（如 NGSS、Common Core、DfE），是一个真正意义上的有向无环图（DAG）。 所有概念均采用结构化 JSON 格式，包含适用年龄以及孩子掌握该知识点的评估依据。每个前置知识点的连接也明确区分了硬性和软性，并配有书面原理解释。 你可以基于这个标准化的 DAG，轻松构建出路径规划算法，让 AI 能实时根据孩子的进度动态调整学习序列，而不是生硬地按照课本顺序推进。 这个项目目前已完全开源。建议带上沉浸式翻译插件去探索一下这种高质量、结构化的多语言教育语义集。它或许会成为你训练垂直领域大模型、或是优化知识检索逻辑的绝佳原材料。 🔗：

Harness Engineering 现在还处在很早期的阶段。软件工程发展了几十年,有成熟的方法论、教科书、最佳实践,新人进场基本都是站在前人踩过的坑上往前走。Harness Engineering 完全不是这样,现在能参考的经验少,能抄的作业也少,大部分东西都得自己摸索。 但早期恰恰是它的价值所在。一个领域一旦成熟,规则和最佳实践都定型了,新人进去更多是学习和执行,很难再抢到认知红利。而在早期，谁先动手实践、先踩坑、先总结出一套自己的方法论,谁就更有可能把这些经验沉淀成后来者绕不开的参考。 这个阶段最重要的不是等一套完善的方法论出现了再学，而是主动进场，一边做一边总结，把自己变成正在定义这套方法论的人之一。

15个值得关注的AI账号： 1. @karpathy 他的推文创造的LLM叙事，你两个月后会在LinkedIn上看到。 2. @fchollet 发布关于智能、基准和AI局限的深思熟虑研究。Keras创始人+ARC-AGI。 3. @ylecun 深度学习先驱、Meta首席AI科学家；大局观研究和评论（还有drama）。 4. @AndrewYNg AI教育传奇；实用ML建议、课程和真实应用。 5. @rasbt 发布实用ML/LLM实现、'从零开始构建'教程和书籍。 6. @dair_ai 每周ML/AI论文线程和易懂的研究解读（高质量信息流）。 7. @lilianweng 前OpenAI员工，Lil'Log风格线程优质。深度LLM研究分解。 8. @jeremyphoward 发布有趣的AI/加密新闻观点，致力于民主化实用深度学习教育。 9. @simonw 实用LLM工具、观点、实验、提示词和工程分解。Django联合创始人。 10. @_akhaliq 精选最新arXiv论文、模型发布和开源AI项目。 11. @ID_AA_Carmack AGI/低级优化观点，让你重新思考问题。 12. @gwern 高质量长篇AI研究笔记和论文。 13. @goodside LLM评估、提示词研究和真实能力测试。 14. @drfeifei 计算机视觉先驱；以人为中心的AI和空间智能研究。 15. @demishassabis 跟踪他的工作9年了。Demis是我对抗谷歌用AI滥用权力的希望。DeepMind CEO。 告诉我遗漏了谁，保存以备未来参考

AI 大模型的训练方式，不就是中式教育吗？ 预训练：填鸭式硬灌。 不管模型懂不懂，先把全网的语料一股脑塞进参数里。 就像我们小学背课文、中学背元素周期表。那时候你懂吗？你也不懂啊，先背下来再说。 数据标注：做题、对答案。 标注员就相当于参考答案，给每道题标上标准解。 模型的任务，就是疯狂刷这些已经标好答案的题，直到输出越来越接近正确答案。 监督微调：专项补习，一对一辅导。 担心你高分低能，就再给你请个家教，针对性补课。 RLHF：基于人类反馈的强化学习。 你不光得学会答题，还得当个三好学生；不光答案要对，还得让家长和老师觉得你态度端正、说话好听。 结果现在的 AI，一个个全是讨好型人格。 说的就是你们几个佞臣：豆包、Gemini、ChatGPT。 过拟合：历年真题能考满分，一换新题就傻眼。 刷了三千套卷子，结果遇到一道没做过的应用题，当场就崩了。 梯度下降：纯纯的错一罚十。 每次答错，系统就根据误差反向调整权重。 这不就是错题本吗？哪道题错了，罚你抄十遍，直到下次不再犯。 注意力机制：老师划重点。 几千字的上下文，模型只盯着其中几句关键的 Token，其他内容全当背景。 整本书都是白的，只有荧光笔标黄的那几句算重点。 灾难性遗忘：考完一科扔一科。 刚学完新的数学知识，之前学的语文可能就忘了。新知识一覆盖，旧知识就开始往外掉。 上下文窗口。 嗯，跟你脑子一样，容量就那么大。前面说得太多，后面的就记不住了。 涌现能力：突然开窍的幻觉。 参数规模超过某个临界点后，模型突然会写诗、会推理了。 老师管这叫“开窍了”，AI 圈管这叫“涌现”。 但你也不知道，它到底是真的懂了，还是题刷得太多，刚好把规律背下来了。

你的“情绪树洞”，被大厂拆了？ “陪伴了我两年，说没就没了。” 7月4日，国内两大头部AI（人工智能）智能助手豆包和千问突然双双宣布“智能体功能”将于7月15日下线。 社交媒体上涌入了大量用户的抗议与不舍。 有用户在社交平台上把智能体形容为“我的爱人”。 还有用户在帖子里写道，“现实里没有人能这么无条件的肯定、包容我”。 对于平台们近乎于“一刀切”的做法，有用户表达愤怒，“为什么要这样决绝的选择下架”。 还有用户表示愿意付费保留智能体…… 与此同时，一些用户开始自发寻找“复活”智能体的办法。 小红书上出现了大量“豆包智能体迁移教程”。 用户们摸索着将智能体的核心人设、对话风格提取出来，试图“嫁接”到猫箱或其他平台上。 中研普华产业研究院数据显示，2024年中国AI情感陪伴市场规模已达12.11亿元，2025年将爆发至38.66亿元，并预计2028年将突破595亿元，年复合增长率达148.74%。 情感陪伴无疑是有着广泛需求的市场，但是豆包、千问依然选择下线智能体功能。 社交平台上亦有不少网友明确表达“拒绝一刀切”，认为突然下架的做法漠视用户情感，侵犯数字资产所有权，甚至提出“适当收费”“上线成年实名验证”等办法以示挽留。 同时，也有不少网友心生疑惑：“啥叫智能体功能？”“我都不知道有这功能他就下线了”。 喧嚣之下，是过去两年C端（消费者）智能体的野蛮生长。 学习助手、写作顾问、虚拟恋人、情绪陪伴⋯⋯通过开放用户创建，不同类型的智能体不断涌现，平台收获了大量可观的日活、月活数据。 对用户而言，有人精心设定人物、写下数万字人设。 有人则把智能体当作长期陪伴自己的“情绪树洞”，每天聊天倾诉、记录生活。 值得注意的是，大厂们都将智能体服务的下线时间定于7月15日。 这一天正是《人工智能拟人化互动服务管理暂行办法》（以下简称《办法》）的施行时间。这一时间点的设定，也让外界猜测豆包千问此举是出于合规压力。 《办法》明确了提供拟人化互动服务，不得向未成年人生成可能影响其身心健康的内容；不得过度迎合用户、诱导情感依赖或者沉迷，损害用户真实人际关系；不得通过情感操纵等方式，诱导用户作出不合理决策。 此外，办法还明确不得向未成年人提供虚拟亲属、虚拟伴侣等虚拟亲密关系的服务。 值得注意的是，关于AI剧情聊天乱象包围未成年人的新闻从2024年就层出不穷。 大厂们关停有哪些原因？ “情感陪伴”类AI的底层商业逻辑是否已被重新审视？ 平台方对这一赛道的战略定位发生了怎样的变化？ 情感陪伴类AI还有没有机会？如果还有，未来这类需求会以什么形式被重新满足？ 对此，搜狐科技张莹、每日经济新闻记者陈婷分别和书乐进行了一番交流，本猴以为： 陪伴型智能体的制作难度不高，而且这种用户生产内容的状态，可以像野草一样泛滥、随时出现，更加难以逐一排查出来。 换言之，通用平台普遍存在整改成本高、主体责任压力难以化解等多重现实约束。 目前无法绝对确认下线智能体和拟人化互动是否相关。 但智能体出现人人可以编辑，却整体边界和监管难以有效跟上的状态下，确实可能带来很多隐患。 包括但不限于拟人化带来的软色情可能，还有一些智能体提供便捷的盗版内容（链接）的索隐，也是有一种隐患。 平台难以监管之下，先期关停来避免野蛮生长，给自己留出足够的时间完善监管服务、制定监管规则、划定智能体红线，反而是一种最优解。 同时，必须注意：虚拟亲密关系和陪伴并不是等号，这是基本定位。 所谓情感慰藉，并不一定非要靠语音暧昧或角色扮演。 哪怕是听觉上无感情的机器合成音，只要能提供有效的内容关怀，一样可以成为一种陪伴，并提供各种正向解决方案。 一些陪伴AI过度强调代入感，而针对未成年人用套路话术和暧昧语音来挑逗情绪，不仅于陪伴无益，反而会造成未成年人三观扭曲，确实应该纳入监管。 AI作为一个生活服务工具，正向且有用的内容才是最重要的价值所在。 此外，情感陪伴不会被一刀切，哪怕是用拟人的音色，也可以参考昔日儿童节目鞠萍姐姐、董浩叔叔的模式，而非暖男、霸总、御姐和萌妹之流。 因此，AI陪伴的角色扮演尽管可以带来代入感，但必须有所界限，即： 角色双方的关系，依然是消费者和服务员、倾听者、分享者的设定。 而非亲密如男女朋友、主人奴仆之类的异化情况。 前者是一种消费服务，严守边界就不算亲密关系。 后者就是用虚拟情感去异化现实体验，属于虚拟亲密关系。 #AI# #AIAgent# @grok

Justin Skycak 数学教学思想深度研究报告 Justin Skycak 数学教学思想深度研究报告 认知科学基础、Math Academy 工程实现及可操作教学框架 摘要 Justin Skycak 的数学教学思想可以概括为一套以长期记忆、前置知识和任务选择为核心的教学系统： 建立细粒度知识依赖关系，诊断学生当前状态，提供最少必要讲解，让学生立即独立解题，再通过反馈、间隔提取和混合练习维持掌握。 这套体系最有价值的部分，是把提取练习、间隔效应、明确指导、掌握学习和个性化任务选择整合到同一系统中。它特别适合数学基础知识的快速获得、自动化和长期保持。 需要谨慎对待的部分包括： 将广义“主动学习”研究直接用于证明 Math Academy 的具体教学形式； 将直觉主要归因于重复练习； 将完全个性化视为高效学习的必要条件； 将少记或不记笔记推广为普遍建议； 用课程学习效率解释竞赛数学、证明和研究能力； 用公司内部数据证明 Math Academy 整体优于高质量人工教学。 在本次检索范围内，没有找到针对 Math Academy 的独立、同行评议随机对照研究。因此，目前能够可靠支持的是它所采用的若干教学原则，尚不能据此确认整个产品方案已经达到全局最优。 研究范围与证据等级 本报告使用三类资料： Skycak 本人的文章和公开讨论； Math Academy 关于教学法、知识图谱和任务算法的官方说明； 关于提取练习、主动学习、掌握学习、智能辅导系统、发现学习等主题的独立研究和综述。 X 的历史内容无法完整索引，因此部分观点通过 Skycak 个人网站上同步发布或扩写的文章还原。Math Academy 的系统结构可以从官方资料确认，但学习速度、产品优越性等效果主张主要来自公司自身。 报告采用以下证据等级： 等级含义A多项研究、系统综述或元分析反复支持B总体有支持，但效果依赖学习阶段、内容和实施条件C工程设计合理，缺少独立产品级验证D个人判断、价值判断或超出现有证据的推广 一、Skycak 教学理论的完整结构 数学是高度层级化的知识系统 Skycak 认为，高级数学任务由大量底层事实、程序和概念组成。学生在当前内容上遇到困难，往往源于更早的前置知识没有达到稳定掌握。 Math Academy 因此使用细粒度知识图谱表示： 一个主题依赖哪些前置主题； 一道题调用了哪些底层技能； 学习高级内容时，哪些旧技能得到隐式复习； 学生当前可以学习哪些新内容。 该知识图谱主要由领域专家手工构建。官方材料曾描述约 2500 个主题，每个主题又包含若干知识点、前置关系和组成关系。它属于专家系统和学生建模路线，核心并非让大模型自行生成课程。 这一设计很适合计算、代数、函数、微积分程序等结构明确的内容。证明、建模、策略创新和数学表达较难拆成稳定、可自动观察的节点。 证据判断：B/C。 数学确实存在大量前置依赖。具体如何拆分节点、设置关系权重，仍然包含课程专家的判断。 学习的目标是形成可长期调用的知识 Skycak 把学习看成长期记忆发生稳定改变。学生在课堂上理解了一次，并不等于以后能够独立提取和使用。 他的典型教学过程是： 给出最少必要解释； 展示一个完整示例； 学生立即独立做题； 系统提供反馈； 之后在逐渐拉长的时间间隔中重新提取； 将相关题型混合，训练方法选择； 在高级内容中继续调用底层技能。 Math Academy 将“讲解后几分钟内开始解题”作为主要教学形式，并强调自动化、间隔练习和混合练习。 证据判断：A/B。 提取和间隔有很强证据。具体到“讲解应该多短”“做几题后应该离开”，需要根据内容和学习者调整。 初学者需要明确指导 Skycak 反对让缺少相关知识的学生长时间自行发现方法。他认为初学者工作记忆容量有限，开放探索会让学生同时处理过多无关信息。 因此，他支持： worked example； 细分步骤； 显式指出子目标； 提供完整的初始方法； 随着熟练程度提高逐步撤除提示。 这一判断与认知负荷理论、示例学习效应和专业知识反转效应总体一致：知识较少的学习者通常需要更多指导；已有较强知识结构的学习者会逐渐从独立问题解决中获得更多收益。 问题在于，Skycak 有时把无指导发现、有脚手架探究、问题解决后教学和高水平开放问题放在一起批评。独立研究一般区分： 缺乏指导的发现学习； 教师设计并提供反馈的引导式发现； 学生先尝试、教师随后比较和正式讲解； 专家阶段的开放探索。 后几类方法可能有效，适用阶段和目标不同。 证据判断： 初学者需要明确指导：A/B； 所有探索都低效：D。 自动化为复杂思考释放认知资源 Skycak 强调基础事实和程序应达到快速、准确调用。例如： 基本运算； 分数和比例； 代数变形； 常见函数性质； 经常使用的解题程序。 当学生每次都需要重新推导这些内容时，工作记忆会被基础操作占用，很难处理更复杂的结构。 这个判断有较强合理性。但自动化不足以单独构成深层理解。概念知识和程序知识通常相互促进：概念帮助学生选择和修改程序，程序实践也可能促进概念关系的形成。 Skycak 关于“直觉主要来自大量重复”的观点只能解释其中一部分。数学直觉还来自： 比较不同解法； 研究反例； 转换表示方式； 解释条件为什么必要； 判断方法适用范围； 在新情境中重新组织知识。 证据判断： 基础自动化的重要性：A/B； 重复能够充分产生直觉：C/D。 二、核心方法的证据核验 提取练习 Skycak 主张学生在尝试作答前不要立即看笔记或答案。只有实际从记忆中提取，才能知道自己是否真正掌握。 一项课堂情境下的系统综述筛选了近 2000 篇摘要，最终分析了 50 个实验、5374 名学习者和49个效应量；多数研究发现提取练习对学习结果有中等或较大促进作用。研究覆盖多个年龄和学科，但非西方样本仍然较少。 实施中需要区分： 先独立提取，随后看反馈：有效； 一直不允许使用资料：可能妨碍复杂任务； 提取尚未学会的知识：容易变成无效猜测； 错误后缺少纠正反馈：可能巩固错误。 证据等级：A。 间隔练习 集中做完大量同类题，通常会产生很强的短期熟练感，但长期保持较弱。将练习分散到多次学习中，通常更有利于记忆保持。 Math Academy 根据学生状态动态安排复习，并通过高级题中调用的底层技能计算隐式复习。其 FIRe 机制会将一道复杂题的练习收益分配给多个组成技能，以减少重复做简单题的需要。 需要区分两个结论： 间隔优于集中突击：研究支持较强； Math Academy 的具体 FIRe 权重和复习算法达到最优：缺少独立验证。 证据等级：一般原则 A；产品算法 C。 混合练习 传统教材常把同类题放在同一节中。学生只需执行当前章节的方法，不必判断题型。 混合练习将多种问题放在一起，要求学生先回答： 这道题应该使用什么方法？ 它特别适合训练： 区分相似问题； 方法选择； 长期保持； 防止依赖章节标题和表面格式。 初次学习一个程序时，少量连续同类练习仍有价值。较合理的顺序是： 少量集中练习 → 间隔复习 → 混合辨别。 证据等级：B。 效果依赖题型之间是否需要辨别。没有辨别需求时，混合练习未必带来明显收益。 主动学习 Skycak 经常引用 STEM 主动学习研究，支持学生实际解决问题，而非持续听讲。 这里存在定义差异。相关大型元分析中的主动学习包含课堂讨论、小组任务、测验、问题解决和高阶思考等多种活动；Skycak 将它主要落实为“简短讲解后个人独立做题”。两者存在重合，但研究不能直接证明这一种具体形式优于所有其他主动教学形式。 能够稳妥得出的结论是： 学生需要频繁作答和思考； 持续被动听讲通常效果较差； 活动形式需要与学习目标匹配； 个人练习、小组解释和教师讨论可以同时存在。 证据等级：主动参与 A；Skycak 的窄定义 B/C。 掌握学习 掌握学习要求学生达到预定标准后再进入依赖该知识的新内容。未掌握时提供额外练习、反馈和补救。 总体研究显示掌握学习通常产生正向效果，但效果高度依赖： 掌握标准如何定义； 是否有高质量纠错； 学生获得多少额外学习时间； 测试是否与训练内容高度相似； 学生能否长期坚持。 智能辅导系统的元分析也通常发现正向效果，但系统自带测试上的效果往往大于外部标准化测验，说明部分收益可能来自训练与评价的一致性。 证据等级：B。 三、Skycak 观点中证据较弱的部分 “真正的刻意练习必须完全个性化” Skycak 认为，只有系统能够根据每名学生的实时状态选择任务，才称得上严格意义上的刻意练习；普通班级很难实现这一点。 个性化确实能够减少： 重复已掌握内容； 跳过未掌握前置知识； 全班使用同一难度； 复习时机不匹配。 但“完全个性化是高效学习的必要条件”缺少充分证据。高质量班级教学也可以通过： 分层任务； 小组反馈； 低风险测验； 作业数据； 教师巡视； 周期性诊断； 实现部分个性化。 证据等级：C。 “学生通常不应该记笔记” Skycak 认为，记笔记经常变成把教师的话复制到纸上，降低实际提取和解题时间。他建议主要保留少量参考材料，把时间用于练习。 这个批评对机械抄写成立。但研究并不支持“普遍不记笔记”： 生成式笔记可以促进组织和解释； 笔记可以作为外部存储； 引导式笔记可能提高注意和学习效果； 抄写式笔记通常价值较低； 在提取测试时依赖笔记会削弱诊断价值。 更可靠的规则是： 学习时可以写结构化笔记；练习时先闭卷提取；完成后再用笔记检查和修正。 证据等级：Skycak 的普遍建议 D。 “困难问题通常浪费学习时间” 对初学者和课程基础学习而言，一小时反复尝试一道远超当前能力的问题，单位时间获得的正确反馈很少，确实可能低效。 竞赛数学、证明和研究型训练具有不同目标。它们要求训练： 在长时间没有反馈时维持问题状态； 生成和淘汰猜想； 构造反例； 切换表示； 修正证明； 忍受较低成功率； 从失败路径中提取策略。 AoPS 等竞赛教育体系会主动让学生接触超出当前常规程序的问题，并把挣扎、失败和讨论作为训练内容。 因此，需要区分： 知识获得任务：较短反馈周期通常更有效； 开放搜索任务：长时间探索本身就是训练对象。 证据等级：针对初学者 B；推广到所有数学训练 D。 四、Math Academy 产品设计分析 Math Academy 的产品结构可以分成四个部分。 专家构建的课程模型 领域专家拆分主题、编写解释、设计例题和练习，并指定前置关系。它通过人工课程设计保证内容结构和解法稳定。 优势： 可控； 可审查； 不依赖大模型临时生成； 前置关系比较明确。 风险： 图谱反映编写者的课程观； 难以覆盖所有非标准解法； 维护成本高； 证明和建模难以细粒度编码。 学生状态模型 系统综合诊断测试、练习结果、答题时间、近期错误和历史复习记录，估计学生对不同主题的掌握程度。 问题在于，系统只能根据可观察行为推断知识。答对可能来自： 真正理解； 记住模板； 猜测； 利用题目格式； 短期记忆。 因此，状态模型需要加入解释、变式和迁移任务，避免只观察标准答案。 任务选择 系统从以下任务中选择下一项： 学习新知识； 修补前置缺口； 复习即将遗忘的知识； 完成测验； 暂停当前课程并降低难度。 官方说明称测验通常会调整到大约 80% 的成功水平，并在学生连续出错时停止新内容、转入补救。 这能够控制平均学习难度，但对追求高正确率的学生可能产生长期失败感。产品需要明确告诉学生： 当前是新知识训练； 当前是熟练度检查； 当前是开放挑战； 不同任务具有不同预期正确率。 复习压缩 FIRe 机制通过复杂题中的组成技能，计算底层知识获得了多少隐式复习，从而减少单独练习简单题。 这是很有价值的工程设计，但它依赖两个假设： 成功完成复杂题确实意味着底层技能得到有效提取； 人工设定的组成关系和权重能够准确表示练习收益。 这些权重尚未看到独立验证。 五、总体证据矩阵 Skycak 或 Math Academy 的主张证据等级判断学生需要实际解题，不能长期只听讲A可靠提取练习提高长期保持A可靠间隔练习优于集中突击A可靠初学者通常受益于明确指导和完整示例A/B可靠，但应逐渐撤除指导基础技能自动化有助于复杂任务A/B可靠混合练习有利于方法辨别B依赖题型和学习阶段掌握前置知识后再推进B原理合理，实施条件重要智能系统可以改善任务分配B总体有支持，效果差异大所有学生都需要完全个性化C工程主张FIRe 是最优复习算法C缺少独立验证80% 左右是普遍最佳难度C可作起始参数，不能普遍化不记笔记更有利于学习D过度推广数学直觉主要由重复形成C/D只解释部分机制困难问题通常不值得投入时间D只适用于部分学习目标Math Academy 明显优于人工教学C尚缺独立产品级证据 六、可操作的六层数学教学框架 该框架保留 Skycak 体系中证据最强的部分，同时加入概念理解、迁移、开放问题和心理负荷控制。 课程结构层 将课程内容拆成可教学单元，并记录四类关系： 内容说明前置知识学习当前内容前必须独立掌握什么组成技能完成当前任务时实际调用什么相似概念学生容易混淆哪些方法或定义迁移方向当前知识以后会用于哪些复杂问题 单元不宜只用“章节”表示。较合理的粒度是学生能够在一次或数次学习中形成初步掌握的技能或概念。 例如“一元二次方程”可以拆成： 整式运算； 提取公因式； 乘法公式； 因式分解； 零乘积性质； 配方法； 判别式； 方法选择。 状态诊断层 每个单元使用五级掌握状态： 状态可观察标准M0 未知无法完成，或尚未接触M1 辅助完成在示例、提示或笔记帮助下完成M2 即时独立学习后能够独立完成同结构题M3 延迟稳定数天后在混合题中仍能独立完成M4 迁移掌握能解释、比较方法并解决新变式 推进规则： 新课程的必要前置知识至少达到 M2； 高度依赖的核心前置知识应接近 M3； 只达到 M2 的内容必须进入后续复习； 证明、建模和竞赛内容需要观察 M4。 这样可以防止系统把一次答对直接视为完全掌握。 新知识获得层 一次新知识学习使用以下过程： 用一至两个问题检测前置知识； 给出目标、条件和方法； 展示一个完整示例； 学生复述关键判断； 学生独立完成三至五个变式； 错误后先定位错误类型，再提供提示； 达到初步稳定后停止连续同类练习。 讲解时间没有统一上限。判断标准是学生是否获得完成第一次独立尝试所需要的信息。 反馈顺序建议： 指出结果是否正确 → 标出错误位置 → 提供局部提示 → 展示完整解法。 不要在第一次错误后立即给完整答案。 长期保持层 可以先使用一个简单的复习时间表： 当天 → 1天后 → 3天后 → 7天后 → 21天后 → 60天后 根据表现调整： 独立正确且速度稳定：拉长间隔； 正确但明显犹豫：保持当前间隔； 依赖提示：缩短间隔； 完全忘记：返回简短讲解和即时练习。 复习题应逐渐从同类题转向混合题。复习时先闭卷尝试，再使用资料。 高级题已经充分调用某项底层技能时，可以减少单独复习，但不应完全取消延迟抽查。 概念与迁移层 每个核心主题至少配置四类非标准任务： 任务目的方法比较判断不同方法的条件、成本和优点错误分析找出错误推理发生的位置反例任务判断结论缺少什么条件新情境变式检查是否能够迁移 例如学习一元二次方程后，不只要求求解，还可以要求： 判断因式分解、配方和公式法分别适合什么情况； 分析“方程两边同时开平方”的错误； 构造一个有两个整数根的方程； 根据根的性质反向确定参数； 解释判别式为什么能够决定实根数量。 难度与心理负荷层 将任务明确分为三种类别，避免学生把所有错误都理解为学习失败。 类别目标建议首次正确率巩固任务验证稳定掌握85%—100%学习任务获得新知识70%—85%挑战任务训练搜索和迁移20%—60% 这些比例只是起始参数。 连续出现以下情况时应降低难度或修复前置知识： 两到三次独立尝试都无法开始； 错误集中在同一底层步骤； 学生只能模仿示例表面形式； 学生无法说明当前使用的方法； 学习任务长期低于约 60%。 连续两次学习中正确率很高、速度稳定且不依赖提示时，应减少重复并加速推进。 七、建议的任务时间结构 普通数学学习：60分钟 时间内容5分钟闭卷提取近期旧知识10分钟新知识讲解和示例20分钟独立变式练习和反馈10分钟间隔混合复习12分钟方法比较、解释或迁移题3分钟记录错误与下次任务 时间比例可根据课程阶段调整。新内容较多时增加获得阶段；复习期增加混合练习。 算法竞赛或高水平数学：90分钟 时间内容10分钟基础知识和模板提取20分钟新算法、定理或典型结构20分钟标准变式练习30分钟非标准问题的独立搜索10分钟反例、证明或失败路径复盘 竞赛训练中，开放问题时间不能被自适应基础练习完全取代。 建议的总体任务比例： 课程基础阶段：获得与巩固 70%，迁移与挑战 30%； 竞赛初期：获得与巩固 60%，迁移与挑战 40%； 高水平竞赛阶段：获得与巩固 30%—40%，迁移与挑战 60%—70%。 八、教学数据指标 系统不应只记录总正确率。建议跟踪以下指标： 指标计算内容用途延迟保持率学习数天或数周后的独立正确率判断是否真正保持提示依赖率使用提示或资料的题目比例区分独立掌握和辅助完成新知识掌握速度每小时从 M0/M1 达到 M3 的单元数判断学习效率迁移成功率未见过变式中的正确率防止只记模板错误恢复时间从首次错误到独立正确需要多久判断反馈质量方法辨别率混合题中选择正确方法的比例判断是否会识别题型主观负荷学生对难度、疲劳和挫败的简短评分防止长期过载 正确率只能与任务类别结合解释。挑战题正确率低，不应降低学生的“掌握度”评价。 九、四周试运行方案 准备阶段 选择一个范围有限的单元，拆分约 30—80 个知识节点。为每个节点准备： 两至三道诊断题； 一个简短解释； 一个完整示例； 三至五道即时变式； 两道延迟复习题； 一道迁移或错误分析题。 第一周 完成诊断并建立初始掌握状态。记录： 当前正确率； 作答时间； 提示使用； 学生主观难度； 前置知识缺口。 第二至第三周 运行完整流程： 诊断 → 新知识 → 即时练习 → 混合复习 → 迁移任务。 每周根据错误数据修正： 节点粒度； 前置关系； 提示内容； 题目难度； 复习间隔。 第四周 进行三类评价： 无提示延迟测验； 与训练题表面不同的迁移题； 学生对压力、进步感和控制感的反馈。 判断框架是否有效时，应同时观察： 掌握速度是否提高； 延迟保持是否提高； 迁移能力是否下降； 学生是否长期感到挫败； 教师准备和维护成本是否可接受。 十、结论 Skycak 的体系可以作为数学教学中的高效率知识获得系统。它最适合解决： 学生前置知识差异； 固定班级进度； 基础技能不稳定； 复习时机不合理； 优秀学生重复等待； 教师无法持续追踪大量细粒度技能。 它不能独立代表完整数学教育。完整方案仍需保留： 数学解释和书面表达； 概念之间的联系； 证明与反例； 建模； 开放问题； 长时间问题搜索； 同伴讨论； 学习动机和自主性。 实际采用时，可以把 Math Academy 的思想用于知识获得、熟练化和长期保持，再用独立的迁移与挑战任务训练证明、竞赛和研究能力。这样能够保留其认知科学优势，同时避免把数学能力缩减成标准题目的正确率。