国产99久久久国产精品潘金莲,brazzershd欧美大屁股,五十岁熟女

王學男¹，李永智²

（1.中國教育科學研究院數字教育研究所，北京 100088；

2.中國教育科學研究院，北京 100088）

以下視頻來源于

電化教育研究

[摘要] 生成式人工智能快速迭代引發關注，教育領域似乎是受其影響最為直接和深遠的領域之一。對于人工智能的影響，當前存在高估短期效果、低估長遠效果的傾向。研究從唯物史觀視角，分階段概括梳理人工智能發展情況，客觀分析其發展水平和技術限度，判斷其與人類智慧仍有本質差別，特別是在高階認知和社會情感方面。研究基于理性質疑的態度，發現教育與人工智能技術原理在結構對比、邏輯對比、符號編碼、內容分析、交互機理和培養模式六個主要方面存在同構性邏輯，并對二者之間的內在關聯和作用機制提供了清晰的認知和判斷。研究建議從學生高階思維培養、新型師生關系構建和教學模式創新三個直接且關鍵的問題切入，以人工智能撬動教育變革。

[關鍵詞] 生成式人工智能；同構性邏輯；教育變革；技術限度；教育應對

一、引言

　　自2022年11月30日ChatGPT正式發布以來，生成式人工智能在短短不到兩年的時間內，實現了從開放式文字對話交互到文生圖、文生視頻，再到多模態交互的人機互動技術的飛速突破，其發展速度遠超人類對其的思考與應對速度。這種強烈的不確定性和未知性，促使人類愈發重視人工智能的迭代及其引發的社會變革。教育，這個歷來被視為慢變量且最為穩定的領域，如今卻被廣泛認為是最直接、最快速受到人工智能影響乃至沖擊的領域之一。因此，秉持理性開放、客觀嚴謹的態度，結合唯物史觀視角，審視和分析人工智能與教育變革的真實發展水平，以及二者之間的內在關聯和作用機制，將為人工智能賦能教育高質量發展提供基礎性的觀點和視角。

二、理性看待當前生成式人工智能發展的水平

　　以ChatGPT為代表的生成式人工智能憑借其強大的自然語言處理能力，通過開放式對話的方式完成信息檢索、問題解答、內容創作、代碼生成等復雜任務，其能力越發接近人類智能，甚至是對人類智能的擴展和部分替代。目前的“智能涌現”得益于數據的豐富、算力的提升、開源環境的活躍和多模態大模型的優化等的共同推動。但究其本質，它并不是一個新技術，仍然是人工智能發展過程中的階段性產物，尚未在技術層面上發生突破性的質變。人工智能發展的歷史雖然不長，但如果要客觀評估當前人工智能發展的真實水平和未來趨勢，需要將當前技術爆發的奇點置于人工智能發展歷史和科技革命的脈絡中去思考，才能勘破人工智能對教育的影響與挑戰。

（一）人工智能發展的三個階段

　　1950年，著名的圖靈測試標志著人工智能的伊始。1956年，達特茅斯會議正式提出了“人工智能”這個概念，標志著人工智能學科的誕生。歷經近70年的發展歷程，人工智能學科內部的研究領域經歷了多次分化與融合。在歷經了因應用不充分、算力受限以及資助匱乏所導致的兩次著名的“人工智能寒冬”之后，如今，該學科再次迎來了突飛猛進的發展階段。

　　按照智能程度來劃分，可將人工智能分為計算智能、感知智能和認知智能三大階段^[1-2]。第一個階段是計算智能（Computational Intelligence）階段（1950年—2000年），即機器對信息進行存儲和計算。第二個階段是感知智能（Perceptual Intelligence）階段（2000年—2021年），即機器通過傳感器捕獲到物理世界的信號，理解一些直觀的物理世界，高效地完成“看”和“聽”的相關工作。第三階段是認知智能（Cognitive Intelligence）階段（2022年至今），即機器具備了像人類一樣的思考和學習能力，并且能夠自主做出決策并采取行動。這一階段主要是以ChatGPT的發布為標志。但科學界普遍認為，人工智能尚未到達到這一階段，目前仍處于探索初期。

（二）人工智能發展的三個趨勢

　　在人工智能發展的歷程中，主要存在兩條路徑：一條是通過符號推理，以模型學習驅動的數據智能，稱為“符號主義”（Symbolicism），主張人工智能應該模仿人類的邏輯方式獲取知識。另一條是通過神經網絡，以認知仿生驅動的類腦智能，稱為“連接主義”（Connectionism），奉行基于大數據和訓練學習知識，主張模仿人類的神經元，用神經網絡的連接機制實現人工智能。在人工智能發展的歷程中，符號主義與連接主義兩大流派經歷了興衰交替的過程，每次的興盛都是不同的技術路線和發展模式發揮了重要的推動作用，不僅塑造了人工智能的理論基礎和技術實現方式，也反映著科學家們在理解和模擬人類智能方面的不懈努力。隨著人們對人工智能認知的成熟度越來越高，“連接主義”的發展路徑進步速度將會越來越平緩，而“符號主義”將會再次興盛。即便是連接主義的代表人物楊立昆、李飛飛、Geoffrey Hinton等人也都表達過當前的技術路線無法制造有感知能力的AI的觀點^[3]。基于此，本文初步判斷人工智能未來發展有以下三大趨勢：

　　一是從認知大模型向多模態大模型演進。傳統的AI模型專注于處理來自單一模態的信息，主要側重于理解和生成自然語言。而多模態大模型可以處理文本、圖像、音頻、視頻和代碼等多種數據類型，以促進內容合成任務的完成并整合多種信息源。人類智能和學習進化是天然多模態的，人擁有眼、耳、口、鼻、舌、肢體，人工智能的學習也可以更加還原人類學習多感官觸發的真實情境^[4]。

　　二是從通用大模型向“大小聯動”深化應用。AI模型的算力增長、算法效率優化呈現新“摩爾定律”，模型性能隨著模型規模、數據規模和算力規模等因素的增大而提升，呈現出冪律分布的特征，已成為大模型走向行業深度應用、創造價值的實際阻礙。小模型可以通過知識蒸餾從大模型中學習。同時，小模型又可以反哺大模型，提升大模型的訓練精度。因此，大小模型協同聯動，才是降低訓練成本和應用成本，提升靈活性、適用性和效率的有效方法。

　　三是從語言智能到具身智能（Embodied AI）實體轉向。在現有的大模型應用中，多是在原有流程中嵌入AI工具，使其效率提高，并沒有在底層邏輯和原生層面上產生具有創新價值的應用。脫虛向實的轉向，為開發和應用擁有自主性和自適應性的人工智能體（AI Agent）提供了機會。要想創建一個能夠在真實世界中工作的人工智能體，僅在文字環境中訓練是不夠的，必須具備對真實世界物理屬性的感知能力^[4]。以GPT-4o為代表的生成式人工智能技術，不僅可以實現數字空間和物理空間的人機交互，而且還能提供情緒價值，這也表明情感計算是人工智能未來研究的重點方向之一。

（三）人工智能發展的現實水平：通用人工智能與人類智慧仍有質的差別

　　當前，人們對人工智能可以提供情緒價值、認知機制、協同價值的交互水平的驚嘆，主要源于人們對它初始的預期較低，仍停留在固定、機械的機器人對話或Alpha Go人機圍棋大戰階段。事實上，現階段人工智能的真實發展水平距離通用人工智能還很遠，仍與人類有很大差距，有質的差別，特別是在高階認知和社會情感方面。

　　朱松純院長在2024年全國兩會“委員通道”接受采訪時指出，“通用人工智能的'通用’，在學術上有特定的含義。一般來說，在日常的物理和社會場景中，人工智能要滿足三個基本條件：第一，它必須能夠完成無限的任務，而不是像過去那樣只能完成人定義的有限幾個任務；第二，要在場景中主動地、自主地發現任務，做到'眼里有活’；第三，它要有自主的價值來驅動，而不是被動地被數據所驅動”^[5]。當前，盡管ChatGPT、Claude-3、文心一言、訊飛星火等生成式人工智能應用在國內外被公認為較為成功，但它們仍未完全達到通用人工智能的標準，也不具備與人類等值的能力。它在數據處理、記憶、基于組合的創造力、速度和精確度等基礎認知方面遠超人類，但缺乏人類的情感理性、價值體系、認知和推理能力以及從0到1的創新創造力。大模型在模擬真實世界方面，不管是通過外部信息編碼，還是依靠內在的第一性原理（即尺度定律，Scaling Laws），都有顯著的不足，表現在強烈依賴數據、模型不可解釋、缺乏常識理解等方面^[6]，如果能在未來幾年內解決這些問題，那么大模型的智能水平有望進一步提升，從而更好地融入社會應用。

三、生成式人工智能在教育變革中的技術限度

　　目前，生成式人工智能雖然仍屬于弱人工智能，但是它的迭代速度和表現水平已經遠遠超出我們原來的預期。從教育的視角出發，分析生成式人工智能的技術限度，將打破以往技術發展與教育變革研究的宏大敘事或微觀論證的局限性，以復雜性思維來科學分析、理性質疑人工智能影響教育的當下與未來。發展人工智能、訓練大模型與教育孩子具有同構性。本文將著重以教育的要素和環節為邏輯脈絡，從結構對比、邏輯對比、符號編碼、內容分析、交互機理、培養模式六個方面展開論述。

（一）結構對比：大模型與大腦

　　所謂人工智能，實質上是對人腦組織結構與思維運行機制的模仿，是人類智能的物化。讓人類的心智在計算系統中重現，對大腦的模擬是其中的關鍵^[7]。GPT-3的大語言模型已經具有1750億個參數，GPT-4則達到1.8萬億個參數，一次的訓練成本為6300萬美元^[8]。在語言智能的發展過程中，模型功能越來越強，泛化能力越來越好，任務解決能力也就越強。大模型試圖通過不斷增加參數的數量，來實現最大可能地模擬人類大腦的神經元，以此實現接近人類智慧的復現。但人類大腦中有數以億計的神經元，神經元之間還有連接的突觸，人腦大概有800~1000億個神經元，它們之間的連接突觸數目在100萬億^[9]。神經元通過電信號相互通信，組成了復雜的網絡，直至今天，人類也未完全了解其運行原理。馮·諾意曼早在《計算機與人腦》中就提出，“同樣容積的神經元比人造元件能完成更多的運算，能同時處理更多的信息，記憶容量也大得多，每個神經元的準確度較低，但其綜合后的可靠性比較高”^[10]。也就是說，如果人腦是有機聯結的，那么人工智能就是機械聯結的，其內在的豐富性和復雜度不可同日而語。按照計算機學科的發展趨勢，再過幾年，大模型的參數就有可能達到人腦百萬億級的規模。根據冪律定律可知，合理地分配模型參數和訓練數據大小，可以在有限的預算內或者預期的計算速度內，盡可能獲得效果優良的模型。但模型參數與模型智能程度不是簡單的線性關系，大模型和人腦的感知、認知、推理、創新的機理并不一樣。因此，一味地追求模型參數并不能實現完全模擬人類智慧的性能，也未必是大模型未來的發展趨勢。

（二）邏輯對比：概率推理與概念推理

　　概率推理和決策理論為人工智能系統提供了重要的思維方式和決策依據。通過建立貝葉斯網絡和使用強化學習等技術，人工智能系統能夠利用過去的經驗和觀察結果進行決策，提高決策的準確性和效率。因此，目前基于概率推理的人工智能存在先天的技術局限。

　　一方面，人工智能基于概率推理，人類智慧基于概念推理，二者之間有質的區別。概率推理是基于已有的信息和數據進行計算，由此獲得最大的可能性。概念推理，屬于形式邏輯，是基于概念——這一人類思維活動的抽象符號化產物，通過語言表示對某些實體或現象的理解、歸納或分類，反映人們對于事物的認知和理解的高階思維形式。在計算機語言沒有突破馮·諾意曼結構和二進制邏輯時，它把所有的運算存儲最后都變成一種加減的關系，仍然是在低階維度上的無限展開。生成式人工智能尚未突破概率推理的計算模式，只不過是在大數據、大算力、大模型的支撐下，加之人類反饋強化學習（Reinforcement Learning from Human Feedback，RLHF）使得機器根據不確定的信息做出決定時，進行的推理實現了最大概率的可能性和最接近人類思考的結果。大模型無法運用一套算法解決各種問題，人工智能只能應對確定性指令。但人腦可以面對不同問題場景，可以同時執行不同任務，任意切換，從而應對不確定性。由此可見，人工智能目前停留在邏輯推理、概率推理、因果推理的低階思維階段，尚無法展現高維的人類智慧。

　　另一方面，生成式人工智能很難突破線性的、片段的因果邏輯鏈，也無法根據多樣性的社會文化與倫理，實時生成真實、具體的實踐內容。但這并不代表它生成的內容不具有創造力，恰恰是由于缺乏邏輯體系、倫理規范的約束和實踐檢驗而“太富創造力”，經常導致“知識幻想”的情況發生。從工程實踐的角度來看，生成式人工智能完全可能會產生我們意想不到的智慧。但從知識生成的實效性來看，生成式人工智能的知識創造是通過對過去的大數據進行訓練實現概率推理，仿佛是“用后視鏡在開車”。麥克盧漢曾將“后視鏡效應”生動地解釋為“借助固有的經驗解決問題的方法，透過后視鏡看現在，我們倒退著步入未來”^[11]。這與人類真實的教育場景還有著本質差別。孩子的教育、人類的學習，都是在真實的師生互動或實踐勞動的情境中，邊行動、邊建構中培養素養，是對人類智慧結晶的科學知識體系和當下現實生活中不斷產生的新經驗的結合。

（三）符號編碼：語言編碼與隱性知識

　　語言是人類特有的一種符號系統，是以語音為物質外殼，以語義為意義內容的詞匯材料和語法組織規律的體系^[12]。語言本身就是一種編碼。因此，教育的內容能否被編碼和解碼，成為“可說”與“不可說”的關鍵區分。1958年，邁克爾·波蘭尼在《人的研究》一書中最早提出，人類的知識分為顯性知識和隱性知識（也稱緘默知識）兩種，通常被描述為知識的，即以書面文字、圖表或數字公式加以表述的，只是一種類型的知識；還有一種知識是不能系統表述的，像我們在做某事的行動中所擁有的知識[13]。他指出，與顯性知識相比，隱性知識的重要特征在于：第一，就是能通過語言、文字或符號進行邏輯的說明；第二，就是不能通過學校教育、大眾傳媒等進行傳遞；第三，不能加以“批判性反思”^[13]。

　　由此可見，以自然語言理解與處理、機器學習為核心的人工智能的發展，其核心在于可編碼、可建構邏輯的語料及其數據信息。大語言模型的智能正是基于語言文字可以被記錄、編碼、傳播的顯性知識，但作為另一種類型存在的隱性知識卻被忽略了。因為各種類型的編碼在內涵表達和意義建構上都具有一定的局限性，文本表達的有限性限制著多模態大模型的智能程度的發展，由于多次編碼及其轉化會使信息多重過濾和衰減。正如維特根斯坦所言，“語言給思想穿上了衣服，從這件衣服的外表形式人們不能推斷出它所遮蓋的思想的形式”^[14]。語言是人類思維和交流的工具，但語言的表達能力是有限的，無法完全捕捉和描述現實世界的復雜性。語言既是思維的腳手架，也是思維的桎梏。而在人類的學習和進化發展中，往往是隱性知識所占比例更大，意義更為重要，也更具挑戰性，如分辨光譜上的顏色、用手感覺材料的顆粒度等非語言類的知識與技能。

　　人工智能面對原理類知識、程序類方法、價值類知識的力不從心；面對生成性教學、情感性教學、實踐性教學的無能為力^[15]。這類知識和教學不易“言傳”，更適合“身教”，只有在做中學，在豐富、復雜、精密的多感官互動中學，才能在身、心、腦、體之間建立真正的聯結。另外，即使把經驗用語言文字表達出來，但對于接受者來說，它也失去了大部分情境信息和背景信息。當接受者以自己的角度來理解時，它已經喪失了所有的精微之處（相對于表達者而言）。因此，以大語言模型為底層核心技術的人工智能，其實只是注入了人類可以用語言文字或者其他符號編碼、計算的顯性知識，其基于自監督的語言模型無法獲得關于真實世界的知識，其本質是“壓縮”。

（四）內容分析：海量數據與高質量數據

　　盡管科學研究領域和市場行業人員對于人工智能領域的諸多問題尚未達成明確的共識，但對數據質量是下一階段大模型能力涌現的關鍵似有共識。在大模型的生產關系中，數據是生產資料，算力是生產力，算法是生產工具。

　　以ChatGPT為代表的生成式人工智能是勞動密集型、技術密集型和資本密集型技術與產業的結合。原因就在于絕大部分的算力都用在預訓練上，主要用于數據收集與清洗；除此之外，細顆粒度、高質量的數據標注也是人力集中的重要工作，而大量的基礎工作都是為了高質量數據的獲取。

　　關于數據量（Training Tokens）和模型參數量（Parameters）對于模型的影響，OpenAI于2020年曾通過擴大模型參數的方式，提升了大模型的智能水平^[16]。但最終被DeepMind得出的結論改變，即在有限算力資源的情況下，更多、更好的訓練數據比一味提升模型參數規模更重要^[17]。

　　在我們的傳統認知里，普遍認為我國在人工智能發展的新浪潮中具有海量數據的比較優勢。但現實并非如此，特別是在教育領域里，高質量的可用數據問題更為突出。雖然我們有著全世界最大規模的教師和學生數量，并且他們還會在日常的教育教學管理中源源不斷地產生新的數據，但實際上目前可用的高質量數據主要來自書籍、新聞、科學論文等靜態沉淀的專業文本。這些數據對于大模型的優化和深化應用，如從大模型走向行業垂類模型，是遠遠不夠的。因為互聯網可獲取的免費公開數據缺乏深度和精度，無法滿足專業性強、精準度高的教育垂類模型。雖然我國已經擁有了海量的教育大數據，包括多模態的教學數據，但其中高質量、結構化、可計算的有效數據并不多。主要問題在于，數據標準不全面和不統一、數據采集覆蓋面窄、模型構建專業性不足、應用服務單一機械（主要聚焦于適應性教學、題庫類）、開放共享尚未形成和隱私保護有待完善等。特別是教學環境、教學過程中的標準和數據，這些標準的缺失都極大地限制著教育大數據的發展和積累。因此，挖掘已有數據背后的價值，加強未來數據管理，明確行業標準，建立數據使用規則，確保大模型訓練有充足、準確的專業數據，才是生成式人工智能賦能教育的基本前提。

（五）交互機理：強化反饋與教學互動

　　在信息處理上，基于人類反饋是大模型“智慧”提升的關鍵所在。人類反饋強化學習是生成式人工智能領域的新訓練范式，它通過人類反饋來指導智能系統的行為。過去幾年，各種大語言模型（Large Language Model，LLM）根據人類輸入提示（Prompt）生成多樣化文本，主要是依賴上下文的邏輯和概率推理，因此，存在一定的偏誤性。但通過RLHF，在一般文本數據語料庫上訓練的語言模型能和復雜的人類價值觀對齊，讓生成式人工智能更具“人性化”。正是人類智慧的反饋與調優，使得人工智能更接近人類智慧。

　　課堂教學也是一個有目的、有方向的、完整有序的復雜信息傳遞系統，教學反饋作為貫穿教學過程的必要環節，教師可通過時時反饋以調整優化教學策略，從而適應學生的學習行為。對于教學反饋而言，準確性、針對性、指導性、激勵性、適時性、多樣性、交互性是其核心特征^[18]。由此可見，教學反饋與RLHF具有同樣的執行機理。

（六）培養模式：多模態輸入與全面發展

　　在信息輸入上，多模態的信息類型是輸入有效性和豐富性的前提條件。通過結合不同類型的數據，大模型可以更好地理解和預測復雜的現實世界問題。目前，大多數模型都是通過訓練單獨的模塊，將不同模態轉化為語言文本，然后將它們拼接在一起以達到近似多模態，不足之處在于沒辦法在多模態空間進行深層復雜推理。而原生多模態則在技術上更進一步，具有處理不同形式數據（語言+聽力+視覺）的能力，一開始就在不同模態上進行預訓練，利用額外的多模態數據進行微調以提升有效性。

　　正如教育領域中的具身學習理論，基于視覺、聽覺、感覺、觸覺等多感官的信息輸入和學習者、技術、環境三者之間多模態交互的學習環境，實現大腦多區域的激活，通過深度學習的發生以達到最佳的學習效果^[19]。對于大模型的訓練亦如培養模式的價值取向，即選擇素質教育還是應試教育的問題。如果選擇單一維度、單一模態的“刷題”強化訓練，大模型在某些方面的智能會在短期內快速提升，但很快到達瓶頸。如果選擇全面發展、多模態的素質教育，那么大模型的迭代速度較之前者會慢一些，但是智能程度的上限則會更高。因為通識是專識的基礎，恰恰先發展通用認知能力，才有可能發展專業認知能力，大模型也是如此。教育領域更要謹防高分低能的“書呆子”大模型進入應用市場。

四、以人工智能撬動教育變革

　　人工智能不僅是科學問題，也是教育問題，更是社會問題。如果人類文明想要傳承發展，那么主動面對人工智能是我們必須走出的一步。但總體而言，人們對于人工智能的影響，存在高估短期效果、低估長遠效果的傾向。因此，必須從當前采取措施，客觀理性地看待人工智能的發展并作出研判。當下，第三波人工智能的興起不是來自學術界，而是來自企業界的催促和市場化的倒逼。從本質來看，這并不是人工智能領域發生了新的技術突破，而是隨著教育數字化的普及和轉型，時代發展的必然趨勢和旺盛需求所催生的結果。

（一）人工智能對教育的影響

　　從長遠來看，人工智能對教育發展的影響，應優先重點考慮以下三個方面：

　　一是價值理性。今天的教育者或許無法精準預測未來復雜交織的影響因素，特別是人工智能這個正在巨變的因素，促使群體智慧、人工智能、社交網絡對人們決策的影響更為深度地融入了我們的生活。人工智能的能力主要來自人工智能學習的人類大規模數據，數據中有能幫助我們解決問題的關鍵線索和事實，也有人類社會中的偏見、歧視、敵對和仇恨。人工智能在沒有倫理安全、道德框架約束時，學習人類數據的同時也學習了人性的弱點，人工智能向人類提供服務時，也潛移默化地隱含了偏見等^[20]。因此，有意識地培養受教育者形成適應未來社會的價值觀和是非判斷能力，使其無論面臨多么復雜難測的境遇，都能用堅定的價值理性作出獨立判斷，并妥善地加以應對^[21]。

　　二是倫理道德。要重視建構機器智能高度發展后的社會倫理道德體系。目前，人工智能大模型在未來扮演的角色主要是三種：工具、伙伴或者敵人，不同的社會文化對它的定位也不盡相同。日本的“人工智能原則”強調，未來人工智能可能扮演社會的準成員，甚至是人類伙伴的角色；并規定，如果未來AI發展到準成員或人類伙伴階段，它們需要遵守人類社會的倫理道德規范以及為人工智能制定的倫理道德規范^[22]。而在西方科幻電影和小說中，人工智能扮演了很多反派角色，是人類的敵人。人工智能大模型在未來究竟扮演何種角色，如何與人類和自然和諧共處，更好地輔助人類，都應率先思考。碳基生命的奧秘解密和在此原理基礎上建立的人造智能體（硅基生命）是否會演化成為具有自主價值和生命成長性的機器體，也應該成為未來人工智能關注的方向。我們應該持有開放的態度，堅守人工智能為人類社會發展服務的初心，將其建立在人類倫理道德規約之下。同時，人類倫理道德體系也須隨著文明形態的變化而實現相應的進步。教育的首要責任就是通過培養未來社會的合格公民，為建設面向智能社會的倫理道德體系發揮重要作用。

　　三是人才培養。在未來的智能社會中，人工智能體與人類、自然、社會是否能夠和諧共生，不是取決于人工智能，而是取決于人類對待人工智能的認知與態度是否能夠加速演化。因此，教育要轉向對受教育者創新思維等高階能力的培養。未來社會需要大量具備人機協同能力的高水平人才，創新思維、計算思維和情感能力等高階能力將成為人類的關鍵競爭力。為了應對人工智能時代新的挑戰，各國應重新審視學校教育體系的價值，反思應“培養什么人”以及“如何培養”的問題。人們認識到，與以往任何歷史時期相比，當下都更需要凸顯人的價值和凝聚人的力量，以抵御不安和恐懼，區分人與機器、人與人工智能的差別^[23]。面對充滿不確定性的后真相世界，教育不應只關注教會學生什么，而應幫助他們擺脫“工具人”，塑造“完整人”，激發他們的主體性和內驅力，培養他們獨立思考和可持續發展的自主學習力。“五育”并舉，全面發展，都與人的情感緊密相關^[24]。因此，培育機器智能無法具備的社會情感等是未來教育的關鍵內容和目標。

　　從中短期來看，人工智能給教育帶來了六個方面的影響。一是影響培養目標。為應對人工智能帶來的長遠挑戰，教育要根據未來社會需要調整人才培養目標，以發展學生的核心素養為導向，培育學生終身發展和適應社會發展所需的正確價值觀、必備品格和關鍵能力。二是影響學習方式。人工智能可以助力實現個性化的學習路徑，提供智能化助學輔導，還可以通過虛擬現實技術和增強現實技術為學習者營造更逼真的學習情境，模擬那些無法在真實世界呈現的科學實驗，等等。三是影響教學方式。通過人工智能，人類可以消解大規模教學和因材施教在實踐中的兩難困境，兼顧促進教育公平和提升教育質量，促進實現更好的教與學。四是影響師生關系。以前教師是課堂上的學術權威，而現在的學生使用ChatGPT、Sora等工具，即時獲取的知識可能比教師能提供的還多。當師生關系不再單純圍繞知識傳授而構建時，如何更好地發揮引導、激勵和示范作用，如何重新詮釋言傳身教、保持師道尊嚴，對教師來說是一種挑戰。五是影響教育內容。教材中的機械記憶內容將大幅度減少，給深度學習、認知創新和實踐性學習留出了空間。另外，要注意防范通用人工智能潛在的意識形態風險。預訓練數據蘊含的意識形態偏向將潛移默化地影響受教育者。六是影響教育管理。教育管理中的人工智能應用已相對成熟，技術促進了教育管理高效化、精細化、科學化，在我國各地已形成諸多優秀案例，積累了豐富經驗。同時，還需要繼續探索教育管理數據的集成應用，提升數據治理水平，并加強數據安全監管^[21]。

（二）教育如何積極應對人工智能的挑戰

　　當下，生成式人工智能的誕生，已經將技術作用的對象從人的體力向人的腦力轉移，從人的身體向人的智慧、意識延伸。人類作為主體性存在的獨有特征——思維方式都將受到挑戰。我們必須重新思考教育，使其向促進人類意識的覺醒和技能的提升轉型，以此維護人類的價值與自由。當前，生成式人工智能依靠數據驅動的實現方法是不是最優路徑，有待進一步確認。大模型基于概率推理的天然技術缺陷和資源損耗的制約，一味地追求參數的增多及模型變大是沒有價值的。當數據驅動的紅利消耗殆盡時，是否存在第三條道路，是否會產生新的研究范式或技術路線。對此，我們應該持有質疑和理性的態度。

　　從大處著眼，從小處著手。在教育生態體系的復雜元素中，從以下三個問題入手最為緊要，也最具指導意義。第一，當我國傳統教育優勢將被人工智能大幅削弱時，更應注重學生哪些素養與能力的培養？第二，隨著生成式人工智能技術的發展，如何處理新型的師生關系？第三，人工智能改變了知識生產和傳播的方式，在此背景下，教學模式與教育信息化時代有何質的不同？

1. 注重學生的高階思維培養

　　人工智能時代，育人目標和模式從知識本位、學科本位走向素養本位，即查即用類知識的習得將更多由人工智能輔助完成。學生接受的不僅僅是海量的確定性信息，更是真假難辨、良莠不齊的生成式內容，這對提高學生的數字素養與技能這一未來必備的基本素養提出了要求。如果說信息化時代，我們要求學生要有發現問題和解決問題的能力，那么人工智能時代，我們則要求學生具有提出問題的能力，甚至要提出有質量、有邏輯、開放性的問題。提出好的問題，才是人類與人工智能良好協作的開始。目前，生成式人工智能生成的內容大概是人類常識的均值水平，如果想讓它接近或達到峰值水平，則需要良好的提示詞（Prompt）。這其中就蘊含了比較、分析、應用、遷移、綜合、評價等高階思維，而傳統的記憶、檢索、計算等初級思維則逐漸被人工智能替代。

　　科技將人的一部分功能強化、延伸，就會相應地導致另一部分功能的弱化、萎縮，造成人類智慧懶惰（Intellectual Laziness）。腦神經科學和相關實驗多次證明，歷史上的技術和工具在不斷地塑造著人類的大腦，腦神經元之間的突觸連接會根據我們的思維習慣重新組合，互聯網時代讓信息過剩、生成式人工智能讓知識不斷創造，但是人類的思考會變得淺薄。互聯網和多元刺激的富媒體可以讓大腦的前額葉區不斷興奮，但是負責深度思考的海馬體卻在此過程中未被激活^[25]，這就會鼓勵人類個體的智慧懶惰，因為好奇心和探索的愿望是需要鼓勵和獎賞的，而“走捷徑”是人類與生俱來的本性，這可能會使人類經歷集體降智。當下，人工智能給我們帶來的巨大威脅并不是代替人類的工作，而是人類會陷入人工智能的強大功能“陷阱”，習慣于機器提供的解決方案，而放棄自主思考。人類一旦習慣了輕松獲得，不再進行獨立思考，完全把思考交給機器，交給人工智能，那將是對人類最大的威脅所在。

　　因此，教師需要回歸教育初心，擅用互動啟發式教學法，更加注重師生之間、生生之間的問答互動，重點在于學生的思維發展、情感發展與道德發展，而不僅僅是課堂教學流程上的效率提高或者教學內容的容量增大，避免其誤用導致教育內卷的加劇。這就要求教師不斷提高數字素養與技能，了解生成式人工智能的內容生成和輸出的基本原理，在教育教學中客觀理性地對待和適度應用。

　　當下，我們再談“互動啟發式教學法”，是智能時代對教學法的一種復歸。這是對中西方教育理念的一種創新性實踐。蘇格拉底提倡的“問答式”教學，是指他在教授某個知識點時，并不是直接告訴學生，而是先向學生提出問題，讓學生回答，如果學生回答錯了，他也并不直接糾正，而是提出另外的問題引導學生思考，從而一步步地得出正確的結論。蘇格拉底將其稱之為“產婆術”，其教學法則是為思想接生，是引導人們產生正確的思想^[26]。孔子在《論語·述而》中的“不憤不啟，不悱不發。舉一隅不以三隅反，則不復也”，強調了其啟發式教學的思想和方法。朱熹在《論語集注》中對此解釋為“憤心求通而未得之意，悱者，口欲言而未能之貌。啟，謂開其意。發，謂達其辭。”在朱熹看來，憤悱之境是認知水平，而啟發則是開意達辭的方法。簡言之，我國優秀傳統文化中的啟發式教學，更注重在學生主動思考的基礎上進行問答式的教學。

　　當生成式人工智能走進教育現場時，融合中西文化精髓的“互動啟發式教學法”，更加注重“啟”和“互動”，即通過師生雙向有效提問的互動方式，啟發學生進行深度學習，培養學生的高階思維。其特征是問題化、強交互、強反饋，只有真正觸發學生深度思考的問題并及時給予正向反饋，才能刺激大腦皮層，促進大腦活躍。而當學生完成某個預期目標后，大腦會產生獎勵系統，同時分泌多巴胺、去甲腎上腺素、內啡肽，讓學生從精神上感受到愉悅和快樂。學生自主學習的真正發生，是脫離物質獎勵和功利目的的單純的學習專注，具體包括三個特點：第一，教師的啟發工作必須建立在學生積極思考的前提下，學生的思考可以通過學生提出問題的方式來體現；第二，從傳統課堂教學中的教師單向提問為主，轉變為多主體交互、多輪次問答的師生、生生教學互動；第三，教師的教學設計目標要合理，遵循“最近發展區”原理，并強調及時的正向反饋。互動啟發式教學法并不是某一種具體的教學方法的代名詞，而是一種教學理念，一種教學的指導思想，它可以體現為一種教學方法，也可以是多種教學方法的整合。

　　2. 著力構建新型師生關系

　　教師如何適應新型教學關系中的角色，教師如何開展人機協作教學，以及如何關注師生的數字道德問題等，都是構建新型師生關系的重要內容。通過將優秀教師的素質結構進行解構，并將這些素質通過預訓練模型賦能機器，力求打造與優秀教師“同質”的虛擬教師。傳統“以教為主、以師為主”的師生關系會被弱化甚至消失，同時“以學為主、以生為主”的新型師生關系會逐漸產生。單向傳輸的二元主體的師生關系，將轉變為多向互動的“師—機—生”三元主體關系，形成新的育人生態，將“機”視為新主體的原因就在于，其智能性、交互性的不斷發展迭代了傳統機器教學的機械化、程序化。

　　教師將從“知識的守門人”轉變為“學習的編舞者”。首先，應更加注重對學生情感、態度、價值觀的引導。未來新型的師生關系需要更具有情感性和互動性，未來的人類教師需要學會和機器共處，讓“機師”為我所用，需要更具有親和力和共情力，能夠走進學生的心靈世界，需要將教育變成“藝術”。其次，逐漸成為知識生產者、學習促進者和成長引導者。教師將越來越起到導師般的作用，引導學生尋找正確的學習目標、科學的學習方法與高效的學習路徑，提醒或約束他們形成自律的學習習慣，為學生的綜合實踐與社會體驗提供情感支持。讓人師與“機師”的協作在各自優勢發揮的基礎上充分展開。人師的優勢主要包括對學生社會情感能力的支持，教師自身的世界觀、人生觀與價值觀對學生的影響與塑造，對不同領域的知識進行跨學科交叉融合的能力等。智能技術相比以往信息技術所特有的智能優勢，可以解決學習者學習需求差異化的識別困境、認知障礙內隱性的輔助困境和學習路徑多樣化的適配困境，使得精準教學的實現成為可能^[27]。因此，“機師”的優勢在目前主要集中于知識的大量儲備、近乎無限量的計算和對解決問題范式的記憶，并且在交互過程中永遠“耐心”且個性化地對待每個學生^[28]。

　　3. 創新探索智能時代教學模式的變革

　　如何科學認識當前人工智能技術的發展及其對教育的影響，需要教育界進行深入研究。目前的技術還沒有成熟到可以系統、全面、準確地應用于教學當中，過度強調人工智能技術在教育教學微觀環境中的應用，恐怕還為時尚早。教師首先要認識到當前技術的局限性。相對于人類智慧而言，生成式人工智能目前并沒有關于“能力界限”的判斷，對于無法回答的問題，它會依據概率給出答案，這其中可能往往包含著錯誤信息。師生都需要安全、有效和恰當地使用人工智能，教育應幫助每個學生為用好生成式人工智能技術或未來其他技術做好準備。在這種情況下，教師應該注重引導學生加強對生成式人工智能技術的本質認知與初步應用，強調在理性判斷的前提下與新技術“接觸”。

　　再者，人工智能教育較之教育信息化教學，有著質的差別。在教學中，師生與生成式人工智能的思維鏈式對話是與過去的計算機輔助教學和使用數字化教育資源平臺等完全不一樣的體驗^[29]。它在教育主體、資源供給、內容生產、交互方式上都有質的不同，但并不是在教育教學流程中某個環節的效率提高、某個資源的供給豐富，而是在教育信息化基礎上的一次邁向教育數字化、智能化的系統性躍遷，是驅動教育在底層邏輯上的創新和對教育本質的更好實現。例如，教師在教學過程中，可以通過生成式人工智能技術產生一些必要的圖文故事或視頻等內容開展探究活動，提升其教學設計能力與教學組織能力，增強課堂互動性，但并不是把新技術作為一種主要教學手段。人工智能技術是深化教育數字化轉型中的過程性路徑和重要的驅動力，因此，要加快數字時代的教育新形態“五新”體系的轉型與應用^[30]，它蘊含公平、包容、可持續、終身化的教育理念，塑造“人人皆學、處處能學、時時可學”的高質量個性化終身學習體系；構建以數據驅動大規模因材施教為核心的教學模式；創新素養導向、能力為重的教育內容；推進管理精細化、服務精準化、決策科學化的教育治理^[31]。通過智能技術突破現有路徑依賴，真正系統性地賦能教育變革，實現教育高質量發展。

本文發表于《電化教育研究》2024年第8期，轉載請與電化教育研究雜志社編輯部聯系(官方郵箱：dhjyyj@163.com)。

引用請注明參考文獻：王學男，李永智.人工智能與教育變革[J].電化教育研究，2024，45(8)：13-21.

責任編輯：張絨

校對：高曉旭

審核：郭炯

【參考文獻】

[1] 尼克.人工智能簡史[M].2版.北京：人民郵電出版社，2021：7-57.

[2] 劉茜，陳建強.新一代人工智能：從“感知智能”向“認知智能”轉化[N].光明日報，2021-05-25（9）.

[3] LI F F， ETCHEMENDY J. No，today's AI isn't sentient. Here's how we know [EB/OL].（2024-05-22）[2024-06-22].https://time.com/collection/time100-voices/6980134/ai-llm-not-sentient/.

[4] 劉陽，林倞.多模態大模型：新一代人工智能技術范式[M].北京：電子工業出版社：269-285.

[5] 呂巍.匯聚“星星之火” 激活發展動能——全國政協十四屆二次會議第三場“委員通道”集體采訪活動采訪實錄[N].人民政協報，2024-03-11（5）.

[6] 朱松純.智能學科的源起、演進與趨勢——北京大學智能學科的探索與實踐[J].大學與學科，2022，3（4）：17-26.

[7] 曾毅，張倩，趙菲菲，等.從認知腦的計算模擬到類腦人工智能[J].人工智能，2022，9（6）：28-40.

[8] PATEL D，WONG G.GPT-4 architecture， infrastructure， training dataset， costs， vision， moe[EB/OL].（2023-06-10）[2024-06-17].https://www.semianalysis.com/p/gpt-4-architecture-infrastructure.

[9] 杰夫·霍金斯，桑德拉·布拉克斯莉.人工智能的未來[M].賀俊杰，李若子，楊倩，譯.西安：陜西科學技術出版社，2001：57-79.

[10] 約·馮·諾意曼.計算機與人腦[M].甘子玉，譯.北京：商務印書館，2011：2.

[11] 保羅·萊文森.數字麥克盧漢：信息化新紀元指南[M]何道寬，譯．北京：社會科學文獻出版社，2001：310.

[12] 葉蜚聲，徐通鏘.語言學綱要[M].3版．北京：北京大學出版社，1997：7-39.

[13] POLANYI M. The study of man[M].London：Routledge ＆ Kegan Paul，1957：12.

[14] 維特根斯坦.邏輯哲學論[M].韓林合，譯.北京：商務印書館，2013：30.

[15] 曹斯，羅祖兵.人工智能應用于教學的困境、限度與理路[J].電化教育研究，2024，45（4）：88-95.

[16] KAPLAN J， MCCANDLISH S， HENIGHAN T， et al. Scaling laws for neural language models[EB/OL].（2020-01-23）[2024-06-28]. https://doi.org/10.48550/arXiv.2001.08361.

[17] HOFFMANN J， BORGEAUD S， MENSCH A， et al. Training compute-optimal large language models[EB/OL].（2022-03-29）[2024-06-20]. https://doi.org/10.48550/arXiv.2203.15556.

[18] 彭豪祥.有效教學反饋的主要特征[J].中國教育學刊，2009（4）：54-57.

[19] 陳醒，王國光.國際具身學習的研究歷程、理論發展與技術轉向[J].現代遠程教育研究，2019，31（6）：78-88，111.

[20] 曾毅.人工智能高端人才應有社會責任感和國際視野[N].中國科學報，2023-06-07（3）.

[21] 李永智.教育如何面對人工智能的挑戰[N].中國教育報，2024-03-25（4）.

[22] 內閣府.AI戦略2022[EB/OL].（2022-04-20）[2024-07-02].https://www8.cao.go.jp/cstp/tougosenryaku/11kai/siryo2_3.pdf.

[23] 安德烈亞斯·施萊歇爾.超越PISA：如何建構21世紀學校體系[M].徐瑾劼，譯.上海：上海教育出版社，2018：18，25.

[24] 成尚榮.情感教育激發成長動力[N].人民日報，2021-08-22（5）.

[25] 尼古拉斯·卡爾.淺薄：互聯網如何毒化了我們的大腦[M].劉純毅，譯．北京：中信出版社，2010：157-159.

[26] LI Y Z. Professional community and 'invisible' technology in service of learning[EB/OL].（2024-02-16）[2024-06-20].https://adiscuola.it/pubblicazioni/li_yongzhi_professional_community_and_invisible_technology/.

[27] 郝建江，郭炯.智能技術賦能精準教學的實現邏輯[J].電化教育研究，2022，43（6）：122-128.

[28] 喬東，王梓霖.開放而審慎，開啟教育與生成式人工智能融合的大門[J].教育家，2024（6）：27-29.

[29] 黎加厚.生成式人工智能對課程教材教法的影響[J].課程·教材·教法，2024，44（2）：14-21.

[30] 李永智.智慧教育是數字時代的教育新形態[J].中國高等教育，2023（Z3）：24-26.

[31] 李永智.構建數字時代的教育新形態[N].中國教育報，2024-04-02（4）.

Artificial Intelligence and Educational Transformation

WANG Xuenan¹, LI Yongzhi²

（1.Research Institute of Digital Education，China National Academy of Educational Sciences, Beijing 100088; 2.China National Academy of Educational Sciences, Beijing 100088)

　　[Abstract] The rapid iteration of generative artificial intelligence has attracted attention, and the field of education seems to be one of the most directly and profoundly affected areas. For the impact of artificial intelligence, there is a tendency to overestimate the short-term effect and underestimate the long-term effect. From the perspective of historical materialism, this study summarizes the development of artificial intelligence in stages, objectively analyzes its level of development and technical limitations, and judges that it is still fundamentally different from human intelligence, especially in the aspects of higher-order cognition and social emotions. Based on the attitude of rational questioning, this study examines the isomorphic logic between education and artificial intelligence technology principles in six main aspects: structural comparison, logical comparison, symbolic coding, content analysis, interaction mechanism and training mode. The study provides a clear understanding and judgment of the intrinsic correlation and mechanism of action between the two. This study suggests to start from three direct and crucial issues of students' higher-order thinking cultivation, the construction of new teacher-student relationships and the innovation of teaching mode, so as to leverage educational reform by artificial intelligence.

　　[Keywords] Generative Artificial Intelligence; Isomorphic Logic; Educational Transformation；Technical Limitations; Educational Response

基金項目：2023年度中國教育科學研究院基本科研業務費專項資金重大項目“中國智慧教育發展報告（2023）”（項目編號：GYA2023001）

[作者簡介]王學男（1984—），女，北京人。副研究員，博士，主要從事教育學原理、教育政策研究。E-mail：wangxun@cnaes.edu.cn。李永智為通信作者，E-mail：liyz@cnaes.edu.cn。

BOOK

圖書推薦

本站僅提供存儲服務，所有內容均由用戶發布，如發現有害或侵權內容，請點擊舉報。

精品伊人久久大香线蕉,开心久久婷婷综合中文字幕,杏田冲梨,人妻无码aⅴ不卡中文字幕