当 30 万亿美元开始追问回报：AI 教育的泡沫与真相

当 30 万亿美元开始追问回报：AI 教育的泡沫与真相

引子：一笔大到需要想象的钱

2026年10月3日，路透社发了一篇长文，标题带着一种罕见的紧迫感——《AI's race to transform the world before the money runs out》（人工智能竞相在资金耗尽之前改变世界）。

先看几个让人需要停下来消化的数字：

30 万亿美元：普华永道预计，到 2050 年，仅全球数据中心的累计投入就可能超过这个数，几乎相当于美国国债余额；即使扣除通胀，也远远超过当年的铁路建设热潮和互联网泡沫时期。

5180 亿美元：仅 Anthropic 一家公司，未来几年就计划投入这么多——超过它 2025 年营收的 100 倍。

4.2 万亿美元：贝恩公司测算，谷歌、亚马逊、微软等超大规模云厂商及其他 AI 企业，未来 5 年需要新增这么多收入，才负担得起这轮基建。

3%~5% vs 1.75%：摩根大通以英伟达为例测算，要撑住当前估值，美国未来 10 年生产率每年需提高 3%~5%；而美国国会预算办公室的基准预测只有 1.75%。

文章里最冷静的一句话来自摩根大通：

"历史经验表明，由技术推动的繁荣，往往会在基础设施无法继续带来足够回报时结束。"

作为长期在中小学 AI 教育一线做调研的人，我们读到这篇文章时的第一反应不是"AI 是不是要崩了"，而是一个更具体的问题——

这股关于"回报"的寒意，离中小学的课堂到底有多远？

我们的判断是：比大多数人想象的更近，也比大多数人想象的更值得欢迎。

一、先把"泡沫"这件事说清楚：它不是谎言，是时间错配

在讨论 AI 教育之前，必须先避免一个廉价的结论——"AI 投资是泡沫，所以会破，所以别碰"。

路透社这篇文章的高明之处，在于它结尾并没有唱衰。它引用剑桥大学经济学家黛安·科伊尔的话，并回顾了两段历史：

1873 年金融恐慌让大批铁路大亨破产，但铁路没有消失，火车照跑；

20 世纪 90 年代互联网泡沫破裂，无数公司倒闭，但互联网没有关停，反而真正长成了。

科伊尔说："历史是我们的朋友。只要最后留下了支撑未来生产率所需的基础设施，那就没问题。"

所以问题从来不是"AI 有没有价值"，而是另外两个更精确的问题：

时间问题：新技术对生产率的影响，历史上通常需要 10 到 50 年才能充分显现，而企业财务部门等不了那么久；

结构问题：贝恩指出，仅靠现有市场提高生产率根本不够，"必须出现全新的市场才能填补资金缺口"。

换句话说，泡沫的本质不是虚假，而是时间错配与结构空转——钱在今天以"基建"的名义大规模投下，但能产生回报的"应用"和"行为改变"还在明天，甚至还没被设计出来。

想通这一点，再回头看中小学 AI 教育，很多乱象就豁然开朗了。

二、把镜头切到学校：一模一样的"时间错配"正在上演

过去两年，我们走过几十所中小学，看到的是一个与宏观世界惊人同构的微观结构。

场景一：先进的设备，旧的用法

一所学校投入数百万元建成 AI 实验室，机器是 2026 年的，但推门进去，最常见的用途是——用大屏播放 PPT。设备在等待一种它还没有被教过的教学法。

场景二：3.06 亿的大单，空着的那一块

2026年9月，某市某某区"人工智能赋能教育高质量发展项目"成交，总金额 3.06 亿元。我们拆解过中标结构：智慧课堂与硬件占了约 96%，而评价与教学服务只占约 3.3%。

六个标项，解决了"买什么"，却没有一个标项在系统回答那个最朴素的问题——

学生，到底学会了没有？

场景三：家长会上的那个问题

一位校长跟我们讲过他最害怕的瞬间。家长会上，有家长站起来问："孩子上了一学期 AI 课，到底学到了什么？能不能让我看见？"他坦承，当时手里只有一份活动照片和"学生参与热情高"这样的描述。

看出共性了吗？

宏观层面：30 万亿投进基础设施，等不到生产率的证据；

学校层面：大量经费投进硬件和课程，等不到"学生真的学会"的证据。

这不是巧合，这是同一种病——把"投入"当成了"产出"，把"安装"当成了"改变"。

铁路大亨的悲剧是铺了铁轨却没有足够的货物和乘客；学校里的微型悲剧，是买了设备、开了课，却没有真实学习发生的证据链。

三、什么是短期泡沫，什么是长期基建？

既然泡沫的本质是"时间错配 + 结构空转"，那么判断一笔 AI 教育投入是泡沫还是基建，就有了清晰的标尺。我们提出一个简单的辨别框架：

判断标准：三年之后，它会不会在一个具体的孩子身上留下可验证的东西？

投入类型 更接近"短期泡沫" 更接近"长期基建" 硬件 只为验收、采购后闲置的设备 被真实教学法持续使用、产生学习数据的设备 课程 等同于编程兴趣班、以参赛招生为目的 围绕真实问题的"做中学"，可开课、可复用 教师 一次讲座式培训，听完即止 认知—应用—共创—引领的四层持续成长 评价 "参与热情高"式的模糊描述 记录每个孩子真实进步的增值评价 AI 的角色 替学生给出答案、代写作业 当"陪练与镜子"，判断权在学生手里 组织方式 单校单点、人走政息 校际联合体沉淀方法、可迁移可传承

一句话总结：

凡是只证明"我买过"的，多是泡沫；凡是能证明"他学会了"的，才是基建。

这也正好解释了，为什么我们在前不久的定位文章里写下那句话——"不做卖货郎，要做筑路人。"

卖货郎的逻辑是：把课程、硬件、培训作为"商品"交付出去，交易完成，关系结束。它天然站在"投入"这一端，因此也天然要面对那声追问——"回报呢？"

筑路人的逻辑则完全不同：修的是一条能让学校自己走下去的路，即一个**"可开课、可教研、可评价"的校本闭环**。它从一开始就站在"产出"那一端。

当整个行业都在为"钱能不能赚回来"焦虑时，最有生命力的位置，恰恰是那个最早、最认真回答"学生学会了没有"的位置。

四、为什么"做中学 + 增值评价"正是这个时代最稀缺的"回报证据"

路透社文章里，最让我们共鸣的是经济学家对"证据"的执着——整个估值大厦，都建在"生产率会大幅提升"这一尚未被证实的假设上。

那么在教育领域，"生产率"对应的是什么？

不是买了多少设备，不是开了多少门课，也不是拿了多少张竞赛奖状。教育领域唯一真实的"生产率"，是学习在一个具体学生身上真实发生的程度。

而要让这种"生产率"变得可见、可验证，需要两样东西，恰好是 ARM 体系的两根支柱：

第一，"做中学"——让学习真实发生

知识不是被"告知"后就被掌握的，而是在解决真实问题的过程中被建构出来的。当一个四年级的孩子为了弄清"雨来凭什么是小英雄"而去默读、求证、列小标题、和 AI 的概括反复对比时，他不是在被动接收，而是在主动生产理解。

只有真实发生的学习，才配谈"回报"。 这也是为什么我们反对把 AI 课退化成编程兴趣班——后者训练的是技能点，前者改变的是一个孩子面对复杂问题时的思维方式。

第二，增值评价——让"学会"留下证据

传统评价习惯用一把统一的尺子去量所有孩子，然后排名。但它回答不了"这个孩子比昨天的自己进步了多少"。

增值评价换了一个原点：只和过去的自己比。

默读开始前，先记录"我现在的进度线"作为基线；

一节课结束，在"增值角"写下一项真实的进步——默读更快了、小标题更准了、敢于给 AI 的答案挑错了。

这些看似微小的记录，积累起来，就是一份完整、可信、无法作伪的"学习回报证据链"。

它能回答家长会上那个让校长冒汗的问题； 它能让教育经费的投入第一次拥有可追溯的产出； 它也让学校在这轮 AI 大潮里，不必再用"热情高"这样的词来搪塞。

五、宏观寒冬里的微观机会：把每一笔钱都花在"能留下证据"的地方

行文至此，我们想给出三个明确的判断，供校长、教育主管部门和同行参考。

判断一：不要害怕"回报焦虑"，要利用它

当全社会开始追问 AI 投资的回报时，教育领域也必然从"有没有"转向"好不好、值不值"。这对靠概念和硬件驱动的模式是寒冬，对真正能交付学习成效的模式是春天。评价能力，正在从"软指标"变成"硬通货"。

判断二：设备会折旧，方法论和数据会增值

硬件的价格长期看只会越来越便宜（Token 的价格在过去一年里已经大幅下降），但两样东西会随时间增值：一是沉淀在学校和教师身上的方法论，二是记录学生真实成长的数据。把预算从"反复买设备"适度转向"持续建方法、认真记成长"，是更穿越周期的投资。

判断三：单校走不远，联合体才能把"路"修成一条网

一条只在一所学校成立的经验是脆弱的。通过"研究中枢 + 骨干校 + 成员校"的校际联合体，让方法在多校之间被检验、修正、复用，既降低了单校的试错成本，也让"学习回报证据"从个案变成可被区域采纳的公共产品。这与福建"十五五"教育规划里 AI 全学段布局、五大应用场景的政策方向高度契合。

结语：泡沫会退，但路会留下来

回到路透社那篇文章的历史隐喻。

1873 年的金融恐慌过去了，破产的铁路大亨被遗忘，但铁轨留了下来，把一个大陆真正连成了一体；互联网泡沫破裂了，烧钱的公司消失了，但网络留了下来，重塑了整个世界。

每一次技术狂潮真正的遗产，都不是那些数字和估值，而是潮水退去后，依然立在那里、改变了人们真实生活方式的基础设施。

AI 教育也会经历同样的淘洗。热闹的概念、昂贵的设备、炫目的发布会，都会被时间定价；但那些被认真设计过的课程、被真正赋能的教师、被耐心记录下来的每一个孩子的真实进步，会留下来。

所以，与其问"AI 教育会不会是泡沫"，不如问一个更有力量的问题——

当潮水退去，我们手里，会不会握着一条孩子真正走过的路？

这正是 ARM 想做的事。

不做卖货郎，要做筑路人。 以研究的确定性，回应技术的不确定性；以落地的耐心，回应行业的浮躁。

参考资料

路透社《AI's race to transform the world before the money runs out》（Stephen Eisenhammer，2026-10-03）——新浪财经中文全文

The Economic Times 转载路透社原文（2026-10-04）——英文原文

财联社/科创板日报《推理支出2026年首超训练："Token工厂"崛起，AI基础设施投资逻辑生变》（2026-10-04）

ARM 研究团队《余杭3亿AI教育项目拆解_ARM参考》（2026-09-29，内部观察）

ARM 研究团队《不做卖货郎，要做筑路人——ARM：中小学AI教育的研究与落地平台》（2026-10）

《福建省"十五五"教育发展规划》（闽政〔2026〕24号）

本文为 ARM 研究团队行业观察，核心数据均来自公开报道并经交叉核对；观点仅供教育决策者与同行参考。