先学会解决任何问题，再学会更快地解决它
学校教育的安排往往像是把学生的主要任务当作记住尽可能多的正确解法。
为每种对象类型引入了它们自己的名称。为每种属性组合引入了单独的特征。为每种常见情况引入了专门的公式。
学生记住了：
- 如何求矩形的面积；
- 如何解一元二次方程；
- 如何计算匀速运动；
- 如何确定电流强度；
- 如何配平特定类型的化学反应。
只要问题类似于教科书中的例子，这个系统就能运作。但只要稍微改变条件、去掉熟悉的名称或添加多余的数据——学生就会不知所措，不知道该应用哪个公式。
他知道很多解法，却没有掌握构建解法的通用方法。
了解特例会产生通用的错觉
假设一个孩子知道矩形、三角形、平行四边形、菱形和梯形的面积公式。
这给人一种他懂得求多边形面积的感觉。但如果摆在他面前的是一个不规则七边形，熟悉的系统就不起作用了。
这个图形不像他学过的任何模板。它没有合适的名称。记忆中也找不到专门的公式。
尽管仍然可以通过通用方法来确定面积：
- 把图形分割成三角形；
- 设定顶点的坐标并应用鞋带公式（shoelace formula）；
- 将区域分割成已知的部分，通过加减它们的面积来计算。
专用公式并非毫无用处。它们允许快速解决单个问题。但学生在获得这些优化所缩短的基础之前，就被灌输了优化方案。
结果就是，他擅长快速解决熟悉的问题，却不会慢速解决不熟悉的问题。
首先需要一个几乎在任何情况下都有效的方法
高效的学习应该从最小的通用工具集开始。
这样的工具集可能不是最快的。它可能需要更多的步骤、计算和时间。但它应该允许学生独立地着手解决最大范围的问题。
对于多边形，这样的核心可以是：
- 通过顶点序列来表示图形。
- 测量点之间的距离。
- 确定角度和方向。
- 检查相等性、平行性和垂直性。
- 将复杂图形分割为简单部分。
- 将周长计算为边长的总和。
- 计算任意轮廓的面积。
- 用其他可用方法检查结果。
拥有这套工具，孩子就能够研究三角形、四边形或二十边形，即使他以前从未遇到过它的名称。
也许他的解法会很长且效率低下。但它是存在的。
这比瞬间解决教科书预先设定的那种题目的能力要重要得多。
优化应当缩短已经理解的方案
当掌握了通用方法后，学生就会开始注意到重复的属性。
例如，任何矩形的面积都可以通过通用方法求出——将其分割为三角形或应用坐标公式。但如果矩形的边相互垂直且长度分别为 a 和 b，所有的计算都可以简化为：
S = ab
此时，这个公式看起来不再是一个需要死记硬背的独立规则。
学生理解了：
- 它适用于哪种属性组合；
- 它是从哪个通用方法推导出来的；
- 它简化了哪些计算；
- 为什么不能在未经检查的情况下将其应用于任意四边形；
- 如果忘记了公式该怎么办。
简短的公式不再是理解的基础，而是对已知解法的优化。
这种顺序更加稳固：
通用方法 → 重复属性 → 规律 → 简短公式
取代了通常的：
对象名称 → 现成公式 → 典型题目
名称是压缩的条件集
术语扮演着类似的角色。
“矩形”这个词并没有创造出一个特殊的几何对象。它紧凑地传达了一组限制条件：
- 我们面对的是一个四边形；
- 它的所有角都是直角。
从这些条件中可以推导出其他属性：对边平行且相等、对角线相等以及计算面积的方法。
此外，矩形还可以拥有其他属性。如果它的所有边都相等，它同时也是正方形、菱形、平行四边形和四边形。
名称不一定完全描述对象。它只传达特定推理水平所需的保证。
从这个意义上讲，术语类似于一种压缩记录：
四边形 + 四个直角 = 矩形
但学校教育往往颠倒了这种关系。
首先向孩子展示特征图片并告知其名称。然后要求记住与其相关的属性。正因如此，才会产生一种错误印象，仿佛图形之所以是矩形、菱形或梯形，是因为它看起来像那样。
更自然的路径是这样的：
- 获取关于对象的数据。
- 测量或计算其属性。
- 检查特定条件的满足情况。
- 从发现的属性中得出结论。
- 必要时找到相应类别的名称。
此时，术语成为研究的结果和传递信息的便捷方式，而不是访问死记硬背公式的密码。
并非所有有用的知识都需要储存在记忆中
课程大纲通常对所有知识一视同仁。如果一个术语或公式被收录在教科书中，就会被假定学生必须学习并记住它。
但不同的知识发挥着不同的功能。
至少可以将其划分为三个层级：
| 层级 | 用途 |
|---|---|
| 通用核心 | 在已知适用条件下，允许研究尽可能广泛的对象类别 |
| 优化 | 加速常见或结构化情况的解决 |
| 参考手册 | 存储罕见的名称、特征、公式和专业方法 |
通用核心必须是强制性的。没有它，人就会依赖预先熟悉的模板。
优化应该在产生对它们的清晰需求之后再学习。那时，学生不仅能理解公式本身，还能理解其存在的理由。
参考资料不必一直保存在记忆中。只需知道：
- 存在这样一种方法；
- 它解决什么问题；
- 在哪里可以找到它；
- 它有什么局限性；
- 如何检查其应用的正确性。
快速恢复或查找稀缺知识的能力，通常比长年累月不加应用地将其储存在脑海中的能力更有用。
每一项必修知识都必须证明其成本的合理性
任何新的术语或方法都需要时间。
必须做到：
- 首先理解它；
- 将其与已知观点联系起来；
- 学会正确应用；
- 将其与类似方法区分开来；
- 在记忆中维护；
- 定期复习。
因此，仅仅说某项知识本身是正确的或有趣的还不够。要将其纳入教育的必修核心，就必须明白它发挥了什么作用。
新的术语、公式或方法必须至少提供以下其中一项：
- 扩大可解决问题的类别；
- 减少计算量；
- 降低出错概率；
- 提高准确性；
- 紧凑地传递本质属性；
- 允许证明正确性；
- 帮助理解或控制所使用的工具。
如果材料没有提供这些，倒也不必完全排除。但或许它正确的位置不是必修记忆层，而是参考层。
知识的实用性应该与掌握它的成本进行比较。
一个容易找到且打不开新方法的罕见术语，其教育价值可能很低。而一个适用于几十个不同领域的简单通用原则，其价值则非常高。
这一原则不仅适用于几何
在代数中，通用核心可以是：
- 变量和相等概念；
- 允许的变换；
- 约束系统；
- 函数；
- 通过代入法检查解。
一元二次方程求根公式从而成为特定结构表达式的专用算法，而不是一串神奇的符号。
在物理学中，基础可以是：
- 物理量和测量单位；
- 对象的状态；
- 变化；
- 相互作用；
- 守恒定律；
- 参考系；
- 误差。
在这种方法中，公式 s = vt 直接被视为速度恒定这一特例的简写，而不是任何运动的通用定律。
在计算机科学中，核心构成为：
- 数据；
- 状态；
- 条件；
- 序列；
- 循环；
- 函数；
- 算法；
- 正确性；
- 计算复杂度。
具体的语言、库和软件接口成为此基础之上的可替换工具。
相同的架构在不同学科中重复出现：
通用模型 → 通用方法 → 适用条件 → 特定优化 → 自动化 → 验证
计算机和人工智能使这种方法更加重要
过去，必须记住许多专用公式的必要性，可以被“人必须自己进行计算”这一事实所正当化。
今天，相当一部分计算可以委托给程序和人工智能。智能系统能够识别对象、挑选算法、执行数千次运算并检查几个候选解。
这并没有让理解变得不必要。但它改变了理解的用途。
人类越来越不需要与计算机比拼手动计算的速度。更重要的是理解：
- 当前正在计算什么；
- 使用了哪些数据；
- 做出了哪些假设；
- 所选方法是否适用；
- 结果有多准确；
- 它是否与初始问题相矛盾。
通用核心允许提出这些问题。而没有总体理解的专用公式则不能。
如果一个人只知道现成的模板，他就依赖于新问题与旧例子的巧合。如果他理解了通用模型，他就可以独立探索不熟悉的情况，或者有意义地使用外部工具。
学生必须能够做到“慢”
优秀教育的主要标准之一可以表述为：
首先，一个人必须学会慢慢地解决不熟悉的问题。只有在此之后，教他快速解决熟悉的问题才有意义。
缓慢的通用方法赋予了独立于模板的能力。
学生可能会忘记图形的名称、公式或特殊特征，但仍然能够：
- 通过已知元素来表示对象。
- 确定可用数据。
- 应用基本操作。
- 获取所需的属性。
- 找到解法。
- 检查结果。
当存在这样的基础时，专业知识才真正变得有用。它们加速了工作，但没有取代推理能力。
没有这个基础，教育就会培养出这样一个人：他对许多预先准备好的问题知道正确答案，但在问题以不同方式表述时却束手无策。
教育的目标不是知识的最大化
教育的效率不能仅用所学的术语、公式和主题的数量来衡量。
材料更多并不一定创造更多机会。有时它只会增加记忆负担，并在众多的专有名词下掩盖了少数共同规律。
更合理的教育目标是建立这样一个系统：在这个系统中，人懂得：
- 研究不熟悉的物体；
- 构建其模型；
- 应用通用方法；
- 注意到重复的属性；
- 从中推导出更简短的解法；
- 根据需要寻找稀缺知识；
- 将计算交由合适的工具处理；
- 验证所得结果。
那时，知识不再是现成答案的集合。
它成为一个可扩展的系统：
理解 → 求解 → 规律 → 优化 → 新的理解水平
正是这样的系统，使人类不仅能够重现已经学过的东西，还能够掌握任何事先没有人教过他的东西。
