教育面临的是两个 AI 问题,而不是一个
生成式 AI 既可以帮助学习者完成一项任务,也可以帮助学习者掌握背后的技能。这两种结果并不相同。一篇借助大量辅助完成的、经过精心打磨的文章,或许能提升今天这份作业的质量,却也可能削弱独立写作所需要的练习。反过来,一位会提问、诊断误解、并逐步撤走支持的导师,则能够提升学习效果。因此,教育层面真正的问题,并不只是学生「是否使用了 AI」,而是学生自己究竟还完成了哪些认知层面的工作。
目前在课堂上观察到的效应,涉及的是生成式 AI,而非 AGI。学校已经在面对流畅的文本生成、翻译、反馈、编程辅助、合成媒体与自动化行政管理。至于 AGI 是否会让学校或学位变得过时,这些都是预测。目前没有任何证据能够确定,各类机构将如何应对一个拥有可靠、且在广泛意义上超越人类的教学与研究能力的系统。
截至 2026 年观察到的情况
在许多参与调查的教育系统中,学生的使用已经变得司空见惯。经合组织(OECD)的 2025 年 PISA 测试结果显示,OECD 成员国中有 46% 的学生每周至少使用一次 AI 聊天机器人来辅助学习。那些将 AI 用于总结、起草与初步研究等具体课业任务的学生,在经过社会经济地位调整后,平均科学成绩较低,而那些一般性的每周使用者,其表现则与不使用 AI 的学生相近。这只是一种关联性,而不是证明 AI 导致了成绩下降的证据;学习吃力的学生,可能以不同方式或更频繁地使用它。那些既经常使用 AI、又在学校获得培养 AI 素养机会的学生,得分往往略高一些,这凸显了教学指导与获取机会不平等的重要性(OECD PISA 2025,2026 年 9 月)。
教师的准备程度落后于学生的采用速度。斯坦福大学 2025 年《AI 指数报告》显示,在接受调查的美国计算机科学教师中,81% 认为 AI 应当被纳入基础教学内容,但认为自己已具备教授能力的教师不到一半。这是一项针对美国教师的调查发现,并非全球性的衡量指标,但它说明了为何仅凭政策文件,并不能自动转化为课堂上真正胜任的教学实践(斯坦福 HAI,2025 年)。
学术不端行为确实存在,但难以衡量。调查依赖自我报告,而定义本身也各不相同:被禁止的代写、被允许的头脑风暴、语法纠正与无障碍支持,都可能被一并算作「使用 AI」。AI 文本检测工具则带来了另一个问题。它们的错误率因模型、语言、编辑程度与学生群体而异;一个概率性的检测工具,永远不应当成为惩戒的唯一依据。各机构需要建立基于证据的学术诚信程序,包含通知、申辩机会,并关注假阳性问题。
早期干预证据揭示了什么
其中最有力的发现是有条件成立的:AI 支持在嵌入扎实教学法时,效果更好。经合组织 2026 年《数字教育展望》报告的结论是,生成式系统或许能够提供个性化反馈与辅导,但同时也区分了「AI 增强下的表现」与「持久的技能发展」,并呼吁建立在教学法基础之上的使用方式(OECD,2026 年)。一款工具的供应商,天然有动机去报告使用参与度与短期收益,因此,独立的随机对照研究、延迟测试,以及向新问题的迁移能力,理应比证言式的说法获得更高的权重。
有益的辅导行为包括:先让学习者自己尝试解题、给出提示而非直接给出答案、要求学习者做出解释、核查信息来源、回顾错误,并逐步撤走辅助。有害的模式则包括:立即完成整项任务、编造引用文献、对错误的推理予以肯定,或者过度迎合学习者的偏好,以至于必要的、具有建设性的困难感消失殆尽。
在模型无法可靠承担的目标上,人类教师依然不可或缺:选定课程内容、理解家庭与文化背景、管理课堂、保护儿童、激发持续的努力、识别学生的困扰,以及承担专业问责。AI 可以扩展反馈能力,但不会让这些责任因此消失。
评估方式必须衡量真正想要考察的能力
当高质量的辅助已经无处不在时,传统的家庭作业式论文,已经无法承载同等的证据分量。恰当的应对方式,不应是加强监控,也不应是退回到只靠死记硬背的考试形式。各类项目可以综合采用以下方式:
- 有监督、不使用 AI 的基础知识展示;
- 允许开放使用 AI、但要求提交使用记录、信源核查与批判性分析的作业;
- 口头答辩或现场讲解;
- 草稿与过程性材料;
- 与本地数据或直接观察相关联的项目;
- 具有明确个人问责机制的协作性作业。
每一种模式,回答的都是不同的问题。不使用工具的任务,测试的是无辅助情况下的熟练程度。开放使用工具的任务,测试的是判断力与统筹协调能力。口头答辩测试的是学生是否真正理解自己所提交的作业内容。无障碍便利措施必须始终保留,评估方式的调整,不应因学生使用辅助技术而对其加以惩罚。
准确性、信息来源与智识上的依赖
聊天机器人既能给出正确的解释,也能以同样自信的口吻编造出虚假的说法。学生应当学会「横向阅读」的方法:先放下生成出来的答案,查阅原始信源,确认作者与日期,追溯统计数据所依据的方法,并寻找相反的证据。引用一个聊天机器人,不能替代引用其背后真正的信息来源。
AI 素养还应包括认识到不确定性、数据隐私、模型偏见、合成媒体,以及商业动机等问题。学校账号的数据留存条款,可能与消费者账号有所不同。在没有获批系统与明确政策的情况下,学生不应输入可识别同伴身份的信息、受保护的教育记录、未发表的研究成果,或私密的个人披露内容。
还存在一种更深层的智识依赖风险。如果学习者把选题、检索、综合、起草与修改统统外包出去,最终成果或许会超出学习者本人的实际能力,却几乎不会在其身上留下什么知识积累。教师可以通过明确规定哪些步骤可以借助 AI 完成、并要求学生反思模型在哪些地方出错或帮助不大,来加以应对。
公平性问题是双向的
AI 可以提供翻译、文本简化、语音支持,以及个性化练习。这些收益,对残障学生或辅导资源有限的学生而言,可能格外重要。然而,付费模型、高性能设备、网络连接与教师的专业能力,分布本身并不平等。经合组织发现,培养 AI 素养的机会,在社会经济地位较优越的学生中更为普遍。一项名义上普及的技术,如果富裕学生获得的是有指导、高质量的使用方式,而其他学生获得的却是不受限制的答案生成、甚至完全无法接触,反而可能拉大差距。
因此,公平政策应当提供可及、经审批的工具,加强教师培养,为选择不使用的学生提供替代方案,并在不同语言与残障群体之间开展评估。政策还应当保留不依赖 AI 的替代路径,以免教育变得依赖于向某个私营供应商共享学生数据。
学历证书与劳动力市场
雇主或许会降低对那些主要基于「可被 AI 模仿的家庭作业式产出」而颁发的学历证书的重视程度。但这并不意味着学位会因此变得毫无价值。学历证书同时也标志着持续的努力、受监督的实践、实验室或临床层面的能力、同伴协作,以及机构层面的验证。其价值将取决于学校能否证明,毕业生在独立状态下以及借助工具时,究竟能够做到什么。
课程设置应当保留基础性知识,因为判断力需要有判断的对象。与此同时,学生也需要练习拆解问题、评估输出结果、跨学科协作、与他人沟通,并为后果承担责任。单纯的「提示词工程」过于依附于特定工具,不足以构成一种教育理念。
面向家庭与学校的实用政策
成年人应当追问:这项作业究竟在检验哪个学习目标?哪些辅助是被允许的?使用 AI 是否必须披露?哪些数据会离开本机构?学生应当如何对某项指控提出异议?当工具不可用时会发生什么?
家长可以要求孩子展示自己的思考过程、用自己的话解释答案、共同核实一项重要论断,并保持不借助 AI 的常规阅读、写作、数学与对话练习。一刀切的全面禁止,可能会把使用行为逼入地下;而毫无限制的放任,则可能用「表现」取代「练习」。
截至 2026 年 9 月,获得最多证据支持的立场,是结构化整合并持续评估。目前的证据不足以支撑「生成式 AI 普遍改善或损害了学习」这样的论断。它所显示的是,效果取决于任务类型、教学法、使用强度、既有技能水平与获取机会。AGI 或许会从根本上改变教育的经济模式与覆盖范围,但这仍然只是情景分析,而不是学校今天就能观察到的现实结果。