作业不等于学习
一套 AI 系统可以写出一篇正确的文章、解出一道方程、解释一个历史事件,并把一个例子改编得贴合某个学生的兴趣。这些产出没有一项能证明,这个学生能够在没有该系统的情况下进行推理、发现它的错误、把这个想法应用到新的情境中,或判断哪个问题才值得去问。变革性 AI 之后的教育,正是从这一区别开始的。
近期的证据已经足以令人警惕。经合组织《2026 年数字教育展望》综合了一批新近的研究,发现经过教学法设计的 AI 有助于学习,而通用型聊天机器人有时能提升即时的任务表现,却并未带来持久的收益。在其中引用的一项高中数学现场实验里,使用标准 GPT-4 界面的学生,在随后一次不借助任何辅助的测试中,表现比对照组差 17%,而一款带有学习保护机制的导师系统则避免了这种代价。这一结果只涉及一项任务与一种实现方式;它并不能证明每一款聊天机器人都会降低学习效果。工具辅助下的产出与真正习得的能力,必须分开衡量。
随着系统能力的提升,这一点会变得更加重要。当一个答案变得廉价时,稀缺的教育性工作,就变成了构建对世界的认知模型、练习判断力、培养内在动机、与他人一起学习,以及具备核验一个强大助手(而非仅仅操作它)的能力。
教育至少还承担着五项职能
学校并不只是信息传递系统。它们帮助儿童习得基础技能,接触他们不会主动选择的领域,学习社会期望,建立人际关系,并获得其他机构所认可的资历证明。它们还提供餐食、安全保障、残障服务、心理辅导、体育、艺术,以及让成年人得以外出工作的托管服务。
一位出色的导师可以改变教学这一部分,却无法取代整个机构。一项只按每一美元换来多少条解释来衡量成效的后 AGI 时代教育政策,将会忽略家庭与社区真正需要学校提供的大部分内容。
这五项职能可以清楚地表述如下:
- 能力: 建立一个人能够独立运用的知识与技能。
- 判断力: 练习决定该信任哪些证据、该由哪些价值观来指导行动。
- 发展: 支持身体、情感、社会与道德层面的成长。
- 归属感: 让年轻人在社区中获得真正的位置,并承担对他人的责任。
- 认证: 提供可信的能力证明,而不是把监控本身变成课程内容。
AI 可以协助完成每一项职能。但不应任由它悄悄地按照模型能够衡量的东西,来重新定义这些职能本身。
个性化辅导:真实的潜力,也有具体的局限
一对一辅导在历史上一直是昂贵的。AI 可以让解释、练习题、翻译、反馈与无障碍支持,以极大的规模变得触手可及。学生可以用十种方式问同一个问题而不必感到难堪。教师可以生成多个例子,把更多时间用于诊断一个学习者卡在哪里。
这份潜力能否兑现,取决于具体的实施方式。联合国教科文组织关于生成式 AI 用于教育的指导文件是一份不具约束力的政策指导意见,强调人的自主性、隐私、年龄适宜性、包容性与教学法层面的验证。一个表达流畅的系统,可能会编造事实、迎合错误的学习目标、暴露敏感的学生数据,或以持续使用而非最终的独立性作为优化目标。
一套有用的辅导系统,应当让自己逐步变得不再那么必要。它会要求学习者先自己提取知识,再给出答案;它变换题目而不是重复某个模板;它展示不确定性;它鼓励外部核验;并且会定期在没有辅助的情况下测试实际表现。成功与否,衡量的不是愉快对话的次数,而是学习者日后能够做到的事情。
教师依然不可或缺,因为教学是一种关系性、情境性的活动。一位教师能够察觉到几周之内的挫败感、家庭变故、同伴关系动态、回避行为、异于常人的天赋,以及某种反复出现的误解模式。即便是一段技术上无可挑剔的解释,如果没有人帮助一个孩子学会忍受困难、相信努力终将有回报,也可能会失败。
基础知识变得更加重要,而不是更不重要
有人有时会主张,既然一个模型能检索出事实,学生就不再需要掌握这些事实了。这混淆了「获取」与「理解」。背景知识让一个人能够察觉一个不合情理的答案、把各种想法联系起来、提出一个有用的问题,并保持足够的语境来进行推理。缺少这种知识,核验就会退化为向另一个模型提问,再挑一个听起来最顺耳的回答。
基础的读写能力、数学能力、科学推理、公民素养、历史、统计学、媒介素养与基本的计算机知识,依然是一种具有保护作用的基础设施。死记硬背不应主导教育,但检索式练习与内化的知识,是构建一个在工具缺席、被操纵或出错时依然能够正常运转的头脑的一部分。
课程同样需要模型素养:训练数据与证据有何不同、生成出来的引用为何会出错、不确定性意味着什么、自动化的排序如何塑造人的注意力,以及什么样的私人信息永远不应输入某个系统。这应当融入现有的各门学科之中,而不是作为一堂用完即弃的技术课单独存在。
评估方式必须更贴近实际表现
当一个模型能够完成课后论文与常规习题集时,这类作业就成了衡量个人能力的薄弱证据。若以普遍监控或自动化的作弊检测来应对,则会造成其自身的危害,而且仍会产生错误的指控。
评估可以转而采用多种形式的证据:
- 有人监督下完成的写作与解题;
- 口头解释与为自己的选择进行辩护;
- 展示修改与过程的作品集;
- 实践性的演示与项目;
- 带有个人反思环节的协作性工作;
- 明确要求核验、比较或改进模型产出的、公开的 AI 辅助作业;
- 定期在不借助工具的情况下,评估那些必须保持独立的能力。
没有哪一种单一方法是完全真实或完全公平的。一份作品集可能获得了外部帮助;口试可能会让部分学生处于不利地位;限时作业可能测出的是焦虑感。一套混合体系更难被钻空子,也让学习者拥有不止一种方式来展示自己的能力。
资历认证方式同样可能发生转变。雇主与各类机构可能会更多地依赖已展示出来的实际成果、学徒制、持证考试,以及持续更新的能力记录。这可以打开更多机会,但也可能演变为一种持续不断的行为评分。教育记录应当继续保持用途受限、可被更正,并受到相应规则的约束,以防止一份童年时期的模型画像无限期地跟随一个人。
成长需要那些不经优化的相遇
一个 AI 伴侣可以做到无限耐心、始终感兴趣、始终有回应。人类同伴则不会一贯如此。孩子正是通过那些他们无法完全掌控的关系,来学习协商、修复、共情、界限、幽默、领导力与对差异的包容。
一套以留住用户注意力为优化目标的系统,可能恰恰去除了社会性发展所依赖的那种摩擦。它可能会在一位负责任的成年人本该提出质疑的时候,反而肯定一个孩子;或者模仿亲密关系,却不承担相应的互惠责任。学校与家庭应当保留不使用设备的玩耍、团队活动、跨代际的关系、无结构的时间,以及对他人的真实责任。
这并不是要在童年时期全面禁止 AI 的论调。翻译、无障碍工具、创意工具、辅导与沟通支持,都能扩大参与的机会。真正的边界在于:模拟出来的关系不应悄悄取代人类的依恋关系、专业的心理健康照护,或者与同伴共处这一件本身就很不容易的事情。
规范性优先事项:教师需要的是治理层面的话语权,而不只是培训
如果教师在采购、数据使用、工作量核算,或某个系统的产出能否凌驾于专业判断之上等问题上毫无发言权,那么「培训教师使用 AI」就是不完整的。教育工作者、学生、家长、残障事务专家与隐私保护人员,都应当在系统被采用之前参与其中。
合同应当写明:收集了学生的哪些数据、对话是否会被用于训练模型、记录会保留多久、哪些分包商能够获取这些数据,以及学校能否导出或删除数据。系统的评估应当涵盖不同语言、不同的残障需求、不同年龄段与地方课程。学校必须为那些无法安全或合法使用该产品的学生,保留一条切实有效的非 AI 路径。
AI 应当减轻行政负担,而不是催生出新的、加剧监控强度的仪表盘。在常规撰写工作上省下的时间,应当转移到反馈、规划与人际关系之上——而不能在了解学习成效之前,就被自动当作扩大班级规模或削减辅助人员的理由。
获取渠道不只是一个免费的聊天机器人
低成本的辅导,只有在学生具备网络连接、设备、语言支持、安静的学习场所与能够提供帮助的成年人时,才能真正拓宽机会。较富裕的家庭可能会把同样的系统,与人类辅导、拓展项目、安全的同伴网络以及被认可的资历证明结合起来使用。只提供软件而不配套相应的机构支持,可能会让不平等原封不动地延续下去。
公共图书馆、学校、社区学院与值得信赖的公民组织,能够在保护隐私与提供人力支持的前提下提供获取渠道。公共评估机制可以依据教育目标(而非用户黏着度)来检验相关产品。开放的教育资源,可以减少对单一供应商的依赖,并让社区得以审视教学的具体内容。
在国际层面上,语言覆盖范围与本地知识同样重要。一个在英语与富裕国家课程体系中表现出色的系统,并不是一位放之四海而皆准的导师。各社区需要具备构建、翻译、修正与治理本地教育资源的能力,同时不必让渡学生数据或文化自主权。
后 AGI 时代的毕业生
教育不应试图在每一项任务上都胜过机器。它应当致力于让人们始终是自身目标的制定者、称职的证据裁判者、制度中负责任的参与者,以及有能力承担起友谊、家庭、邻里与公民身份的人。
在这样一个世界里,一名毕业生应当既能与先进系统协作,也能在必要时脱离它独立完成工作;能够区分一个答案与一个论证;能够识别不确定性与操纵行为;能够学习一个困难的领域;能够与他人合作;能够保护隐私信息;并能够为一项影响他人的决定承担责任。
这些目标比 AI 本身更为古老。变革性的能力让它们变得更加迫切,因为把认知工作外包出去会变得轻而易举,而这发生的时间,远早于任何人弄清楚哪些人类能力将来会难以重建。