这篇文章表明对高质量研究的了解不足，这些研究显示学校支出对教育成果（包括考试成绩）的影响，如2024年对32项研究的*因果估计*的元分析所回顾的那样。

分享一段关于AI对经济影响的有趣最近对话。 AI被与各种历史先例进行比较：电力、工业革命等，我认为最强的类比是将AI视为一种新的计算范式（软件2.0），因为这两者根本上都是关于数字信息处理的自动化。 如果你要预测1980年代计算对就业市场的影响，你会关注任务/工作的最具预测性的特征是算法的固定程度，即你是否只是根据简单、易于指定的规则（例如打字、记账、人类计算器等）机械地转换信息？那时，这就是那个时代的计算能力允许我们手动编写的程序类别。 现在有了AI，我们能够编写以前无法手动编写的新程序。我们通过指定目标（例如分类准确性、奖励函数）来实现这一点，并通过梯度下降搜索程序空间，以找到在该目标下表现良好的神经网络。这是我之前的一篇关于软件2.0的博客文章。在这个新的编程范式中，新的最具预测性的特征是可验证性。如果一个任务/工作是可验证的，那么它可以直接或通过强化学习进行优化，并且可以训练神经网络以极其良好的效果工作。这是关于AI能在多大程度上“练习”某件事。环境必须是可重置的（你可以开始新的尝试）、高效的（可以进行很多尝试）和可奖励的（有某种自动化过程来奖励任何特定的尝试）。 一个任务/工作越是可验证，就越容易在新的编程范式中实现自动化。如果它不可验证，就必须依赖神经网络的泛化魔法，或者通过模仿等较弱的手段。这就是推动LLM进展的“锯齿状”前沿。可验证的任务进展迅速，甚至可能超越顶级专家的能力（例如数学、代码、观看视频的时间、任何看起来像有正确答案的谜题），而许多其他任务则相形见绌（创造性、战略性、结合现实世界知识、状态、上下文和常识的任务）。 软件1.0轻松自动化你可以指定的内容。 软件2.0轻松自动化你可以验证的内容。