稀缺资源是注意力
一名老师可以向全班讲解一个概念，但无法持续观察每个学生、诊断每个错误概念、为每个人选择不同解释、验证真实理解，并同时为所有人调整下一项任务。即使老师非常优秀且尽责，这仍然是容量约束。
因此，K12 系统通常在群体层面运作。课堂需要保持秩序，课程要继续推进，考试要被组织，学生要跨越共同门槛。个体优化当然理想，但它必须与“同时教很多人”的现实要求竞争。
分数构成强大的外部结构
大量 K12 学习并非完全自愿。家庭和学校通过成绩、考试、日程、期待和监督，让学习即使在学生没有内在兴趣时也能发生。表现好的学生往往获得更多认可与信心；反复落后的学生则可能经历相反过程。
这意味着教育系统至少同时承担两项工作：教学，以及创造一个让学习难以被逃避的环境。任何严肃的 AI 教育系统都必须理解这两项工作。
私人辅导揭示了家庭真正购买的是什么
私人教师的价值不只是“讲得好”。这个产品同时包含专属注意力、对家庭的直接责任、对学生的监督、可见进步，以及由资历、经验、口碑或过去结果建立的信任信号。
昂贵之处在于，这一切都绑定在人类时间上。高质量的一对一注意力很难大规模分配，因为每增加一个学生，就需要增加一块新的人工劳动时间。
只有真正会教，AI 才能改变成本结构
如果 AI 系统能够可靠地诊断学生、选择合适解释、生成练习、识别虚假掌握、回访薄弱知识、随时间适应，并验证学习而不是只生成答案，那么个性化教学注意力就会变得更可复制。
标准不能只是“学生得到了答案”
AI 可以通过替学生完成认知工作，让学生看起来更有能力，但这并不等于学习。更强的检验是：移除 AI 后，学生是否仍能保留、迁移并应用知识。
因此，我们不应因为模型听起来聪明，或者它能解决基准题，就信任 AI 教育。只有在能够证明它的教学以持久且有用的方式改变了学生时，信任才有依据。
为什么要做 Teachometry
长期问题并不只是 AI 能否回答正确，而是它能否逐步承担越来越大的教学责任。这需要在多个层级上测量：可观察教学行为、真实学习有效性，以及最终跨更长时间尺度的教学自主性。
Teachometry 的存在，就是把这些主张变成可检验的问题。目标不是假设 AI 已经替代教师，而是建立证据，弄清它能可靠地做什么、对谁有效、在什么条件下有效，以及哪里仍然需要人类教学。