> **来源：[研报客](https://pc.yanbaoke.cn)** # 人机共育向善而为 AI时代的教育变革探索指南 # 人机共育向善而为 # AI时代的教育变革探索指南 # 项目顾问 杨健 腾讯研究院总顾问 汪琼 北京大学教育学院教授、国家智能社会治理（教育）特色实验基地主任 # 项目统筹 孙怡 腾讯研究院社会价值创新中心副主任、资深研究员 吴朋阳 腾讯研究院智慧产业研究中心主任 # 研究团队 宋小伟 乐惠骁 张欣 高欣妍 余梓贤 杜亚楠 王佳宁 张慧伦 致谢（按姓氏首字母排序） <table><tr><td>Christopher Dede</td><td>哈佛大学教育学院教授</td></tr><tr><td>Daniel Schwartz</td><td>斯坦福大学教育学院院长，教授</td></tr><tr><td>Dragan Gasevic</td><td>澳大利亚莫纳什大学学习分析中心主任，教授</td></tr><tr><td>Edith HRoot</td><td>执行主编</td></tr><tr><td>Joyce Roserberger</td><td>AP HRVP</td></tr><tr><td>Rupert Wegerif</td><td>剑桥大学教育学院教授</td></tr><tr><td>Shirley</td><td>某品牌服饰管理公司HRD</td></tr><tr><td>Sophia</td><td>DIODES HRD</td></tr><tr><td>William</td><td>某游戏公司Senior Manager</td></tr><tr><td>操龙敏</td><td>腾讯教育专项方案副总经理</td></tr><tr><td>曹士勇</td><td>北京尚睿通教育科技有限公司总裁</td></tr><tr><td>曾峥</td><td>北京信息科技大学计算机学院教师</td></tr><tr><td>陈锐浩</td><td>深圳职业技术大学高级实验师</td></tr><tr><td>崔欣</td><td>天津市多媒体教育技术研究会理事长</td></tr><tr><td>单志艳</td><td>中国教科院基础教育研究所副研究员</td></tr><tr><td>管杰</td><td>北京十二中党委书记、校长</td></tr><tr><td>韩萌</td><td>科大讯飞教育大模型产品总经理</td></tr><tr><td>胡祥恩</td><td>香港理工大学学习科学与技术讲座教授</td></tr><tr><td>胡听熠</td><td>腾讯研究院数字内容研究中心助理研究员</td></tr><tr><td>贾大明</td><td>新道科技股份有限公司副总裁</td></tr><tr><td>蒋正伟</td><td>阿里公益数据科学家</td></tr><tr><td>靳新</td><td>北京智启蓝墨信息技术有限公司董事长兼总裁</td></tr><tr><td>李晓明</td><td>大湾区大学讲席教授</td></tr><tr><td>李晓燕</td><td>北京网梯科技发展有限公司项目与质量管理办公室主任</td></tr><tr><td>李志民</td><td>中国教育发展战略学会副会长兼人才发展专业委员会理事长</td></tr><tr><td>刘宝宇</td><td>清华大学新闻与传播学院硕士研究生</td></tr><tr><td>刘晨旭</td><td>清华大学新闻与传播学院博士研究生</td></tr><tr><td>刘芳丽</td><td>北京信息科技大学计算机学院本科生</td></tr><tr><td>刘丽</td><td>西安智园软件开发管理有限公司CEO</td></tr></table> <table><tr><td>刘琼</td><td>腾讯研究院产业研究中心主任</td></tr><tr><td>刘雪翔</td><td>希沃软件平台总监</td></tr><tr><td>柳晨晨</td><td>温州大学教育学院副教授</td></tr><tr><td>卢笛</td><td>北京小致教育科技有限公司教育研究院院长</td></tr><tr><td>马冬玲</td><td>北京大学教育学院硕士研究生</td></tr><tr><td>倪彬彬</td><td>清华大学新闻与传播学院博士研究生</td></tr><tr><td>欧阳嘉煜</td><td>北京理工大学教育学院助理教授</td></tr><tr><td>彭汉川</td><td>复旦大学教授、新基石研究员</td></tr><tr><td>乔良</td><td>腾讯SSV数字教育实验室生态合作负责人</td></tr><tr><td>沈书生</td><td>南京师范大学教育科学学院教授</td></tr><tr><td>沈照宇</td><td>腾讯教育高级架构师</td></tr><tr><td>石梅</td><td>腾讯云副总裁、腾讯教育负责人</td></tr><tr><td>王冲</td><td>腾讯SSV数字教育实验室负责人</td></tr><tr><td>王绎豪</td><td>北京信息科技大学计算机学院本科生</td></tr><tr><td>吴向东</td><td>深圳市龙岗区教科院科学教研员、正高级教师</td></tr><tr><td>余一</td><td>腾讯青腾AI&全球化项目经理、腾讯2024年度AI行家</td></tr><tr><td>张鸿茹</td><td>腾讯研究院科技向善创新研究中心研究员</td></tr><tr><td>张慧敏</td><td>清华大学新闻与传播学院博士研究生</td></tr><tr><td>张瑾</td><td>腾讯教育高级架构师</td></tr><tr><td>张婧婧</td><td>北京师范大学教育学部教授</td></tr><tr><td>张强锋</td><td>清华大学生命科学学院教授、科学探索奖获奖人</td></tr><tr><td>张翼然</td><td>湖南农业大学教育学院副教授</td></tr><tr><td>张震</td><td>北京网梯科技有限公司董事长兼总裁</td></tr><tr><td>赵晓伟</td><td>南京师范大学教育科学学院讲师</td></tr><tr><td>周昌华</td><td>腾讯可持续社会价值事业部科技生态实验室</td></tr><tr><td>周林</td><td>晓羊集团董事长兼CEO</td></tr><tr><td>周明浩</td><td>中国科学院心理研究所研究员</td></tr><tr><td>周政华</td><td>腾讯研究院科技向善创新研究中心负责人</td></tr><tr><td>左正</td><td>腾讯可持续社会价值事业部科技生态实验室</td></tr></table> # 前言 正如科幻作家克拉克所言：“任何足够先进的技术都与魔法无异。” 生成式人工智能（GenAI）正以前所未有的速度渗透至各行各业，成为带来机会涌现的认知基础设施，极有可能影响未来几十年的教育形态。目前大模型基础设施化已经出现在学习、教学、评估和管理等教与学的关键环节，并且重新定义着“人才”的内涵、教育的模式、学生的学习方式、教师的专业角色、工具的功能边界以及学校、企业与社会的整体协同关系。作为社会巨系统的一个子系统，教育系统不可避免地受到社会智能化趋势的影响，从更大的视野审视技术带来的教育变革，具有现实意义。 在这一背景下，本报告以“人机共育，向善而为”为主题，聚焦八个AI时代的教育之问，对AI时代教育的重塑逻辑展开初步的系统性探讨： # 一是目标之问 报告提出以“人机协同”为核心的人才培养理念，构建AI素养的“5U”框架：理解（Understanding）、应用（Using）、判断（Upholding）、整合（Uniting）、更新（Upgrading），强调以人类判断为中心，培养能与智能机器协同共创的复合型人才。 # 二是模式之问 AI正推动教育模式从“讲授+作业”向“对话+共创”转变，形成人机协同的新范式。报告同时倡导兼顾无AI（No-AI）、限AI（Co-AI）和全AI（Pro）的分层任务体系，既充分利用AI的效率，又保留不可替代的“学习现场”，促进学生主动探索与独立思考。 # 三是学生之间 报告揭示 GenAI 对青少年学习的三重“降智”风险：元认知懒惰、“流畅即真”偏误与数字亲密依赖，可能削弱思辨能力和社会情感发展。为此提出促进青少年负责任使用 AI 的三重路径：立规矩、育自律、促反思，引导学生在 AI 环境中保持独立思考与伦理判断。 # 四是教师之问 AI正推动教师角色从知识传授者转向教育引导者与价值守护者，报告认为教师应在AI协助下实现“导演、教练、裁判、守门员”四重转型，守护教育伦理与人文价值，同时焕新数据分析、教学设计和AI素养等专业能力，实现人机协同与教育价值共生。 # 五是工具之问 好的“AI+教育”工具应以教育逻辑为核心，既要提升效率，又要激发思考，帮助教师减负、学生增能，报告归纳出目标导向、任务协同、启发互动、普惠可用与安全合规五项原则。同时，报告倡导AI教育应用助力探索、思维与创造，突破应试导向，真正实现技术赋能教育创新。 # 六是学校之间 AI正推动学校从课堂增能、校级统筹到体系推进的多层变革，未来学校将由稳态框架转向更具动态性的系统，重塑班级、学科、课时与评价结构。研究提出AI原生学校“7S”要素体系，以实现技术与教育价值的共生，构建以学习者为中心、数据驱动、伦理可控的智能教育生态。 # 七是企业之问 AI加速“教育-就业”脱节，岗位更迭快于人才培养，学历信号贬值，技能错配加剧。为化解结构性失衡，研究提出校企共育、产教融合和终身学习体系三维路径：企业从用人者转向育人者，学校以能力为本重塑课程，政策提供激励与基础设施支撑，共建协同育人生态。 # 八是社会之问 AI时代教育公平正从“硬普惠”迈向“软普惠”，借助GenAI实现资源共享与个性化支持，提升教育质量与可及性。AI赋能教师与个性化辅导，有望缩小城乡差距、提升群体学习成效整体水平，推动教育由机会均等走向结果均衡，构建普惠、包容、智能的教育生态。 总体而言，AI带来的教育变革不是替代，而是协同。协同是AI时代教育的底层逻辑和未来方向。教育的使命不在追随技术的脚步，而在引导技术向善，使智能成为助推人性光辉的力量。本报告旨在点亮这一讨论的火花，在“人机共育，向善而为”的愿景下，探讨教育如何以协同为径，走向更有智慧、更具温度的未来。AI时代的教育变革，归根结底是一场以“协同”为核心的人机共育革命，唯有向善而为，方能共智共生。 # 目录 <table><tr><td colspan="2">前言</td><td>3</td></tr><tr><td rowspan="2">1.目标之问AI时代需要培养什么样的人才?</td><td>把握AI时代的关键变化：人机协同</td><td>9</td></tr><tr><td>探索AI时代的能力培养方向：“5U”框架</td><td>10</td></tr><tr><td rowspan="2">2.模式之问AI教育模式是否需要重构?</td><td>构建人机协同的教学新范式</td><td>15</td></tr><tr><td>保留不可替代的“学习现场”</td><td>16</td></tr><tr><td rowspan="2">3.学生之问如何引导学生负责任地使用AI?</td><td>警惕GenAI的“降智”风险</td><td>19</td></tr><tr><td>负责任使用AI的三重路径</td><td>20</td></tr><tr><td rowspan="2">4.教师之问教师的价值如何面向AI守正与焕新?</td><td>AI引发教师的深度转型：四个新角色</td><td>24</td></tr><tr><td>教书可用AI，育人仍在教师</td><td>26</td></tr><tr><td rowspan="2">5.工具之问怎样才算好的"AI+教育"工具?</td><td>通用设计策略：五项原则</td><td>29</td></tr><tr><td>利用AI潜能：打破应试教育的藩篱</td><td>33</td></tr><tr><td rowspan="3">6.学校之问AI是否会推动未来学校大变样?</td><td>学校AI落地的三个层次</td><td>38</td></tr><tr><td>未来学校将由稳态框架转向更具动态性的系统</td><td>40</td></tr><tr><td>AI原生学校成立的“7S”要素体系</td><td>42</td></tr><tr><td rowspan="2">7.企业之问企业如何在AI浪潮中“用好人”?</td><td>GenAI加剧教育与就业的“脱节”风险</td><td>46</td></tr><tr><td>促进人才供需匹配：校企联动、共育共训</td><td>47</td></tr></table> # 社会之问 如何共建更加普惠包容的教育生态？ 从"硬普惠"到"软普惠" 53 GenAI推动教师群体赋能 56 AI个性化辅导有望使学习成效分布整体右移 58 # 结语 # 表目录 表 4.1 教师人工智能能力框架 (UNESCO) 26 表 6.1 学校基本制度的核心转向 40 # 图目录 图1.1AI素养的"5U"框架 11 图5.1 Google Learn Your Way 30 图5.2 腾讯教育智能体平台 31 图5.3 Google Learn About 平台 31 图5.4 Brisk Teaching插件 32 图5.5Edexia平台 33 图5.6腾讯青少年AIGC创作工坊 35 图6.1学校AI的3种落地路径 38 图6.2 Alpha School 2 Hour Learning 42 图6.3 AI原生学校的"7S"要素体系 42 图8.1“企鹅支教”上线人工智能通识公益课程 54 图8.2 腾讯"青少年AI校园科创营" 55 图8.3“国家智慧教育公共服务平台2.0智能版"AI试验场 55 图8.4腾讯AI教师助手体系 57 图8.5“企鹅读伴"微信小程序 59 # 1. # 目标之问 AI时代需要培养 什么样的人才? 历史上从没有一项技术像 AI 这样，把技术革命推到了人类最引以为豪的能力——“智力”层面。这让我们不得不思考，何以为“人”？落在教育领域，就是人才培养的问题。工业时代，人才常以掌握丰富知识和专业技能为衡量标准。然而今天 AI 时代，当 AI 能“掌握”远比个人多得多的知识，能完成越来越多以往人才能完成的任务，甚至可能做得比人快、比人好，我们该怎么办？OECD 在“人工智能与未来技能”项目中提出了关键问题：未来几十年内哪些人类能力是 AI 和机器人难以复制的？教育应如何培养这些超越 AI 的能力和素养<sup>1</sup>？ # 把握AI时代的关键变化：人机协同 纵观现代文明的发展，“协作”是推动人类进步的底层动力之一。正是由于社会分工以及基于技术的大规模“人人协作”，人类才得以在知识生产、技术创新和社会组织中创造出超越个体的集体智慧。从工厂流水线到全球科研网络，从开源社区到跨国合作体系，现代社会的复杂性本质上源于协作的规模化与系统化。 GenAI的兴起，正将这种协作逻辑拓展至新的维度。AI不再只是被动的工具，而逐渐成为具有学习、感知和生成能力的类智能主体，进入人类的认知与决策过程，由此再次改写了人类协作的边界，从“人人协作”扩展为“人与智能机器协作”，迈入人机共生的新阶段。 当 GenAI 在各种标准化考试和专业测评中表现出不俗的能力，当岗位和组织被平台化和智能化重塑，当产出节奏被工具链加速，倘若教育仍以常识记忆和惯例操练为主，将会加剧两类结构性错位：一是学到的未必用得上，即能力-任务不匹配；二是用替代换协同，即人-机的角色错位，导致机器主体性加强、人的主体性弱化。 “（未来）是人类的未来，而不是AI的未来。人工智能应当以人为本，发挥增强人类的作用。我们未来的危险与希望都仰赖人类。我始终比恐惧更怀有希望，因为我相信人类。”2 李飞飞 斯坦福大学教授 “AI更大的影响在于改变我们想要教授的内容和我们期望的教育成果，这被称为智能增强。当人类与AI协同工作，各自发挥其长处时，人脑与数字大脑的结合所能达成的成就，将大于各部分之和。” Christopher Dede 哈佛大学教育学院教授 为避免这种错位，教育需要重点探索树立“人机协同”的新模式。所谓协同，不是“人发指令让机器干活”，而是“人与智能系统合理分工协作”，两者在互动中构建新的认知网络，推动学习从个体智能走向群体智能和人机混合智能。我们需要坚信，人工智能和人类智能各有优势，并向着“1+1>2”的协同方向努力。AI以高速计算、模式识别和泛化生成能力见长，而人类则在意义建构、伦理判断与创造性思维方面具有不可替代的价值。我们不能让AI的兴起削弱人类智能的重要性，而要深入思考和重新定义智能的边界与自身的角色。 那么，未来人才培养的关键目标应该是什么？通过与多位科技和教育界专家的对话，我们发现至少有一个普遍的共识：AI时代急需的人才，是以人类判断为中心、并能够与智能机器协同共创的复合型人才。这类人才不仅能高效使用技术，更能与智能机器一起思考、共同创造、共担责任，并且能在人机共智的互动中生成新的知识与意义。这样的协作型人才，正是决定未来社会竞争力的关键所在，也是智能文明的核心力量。 # 探索AI时代的能力培养方向：“5U”框架 面对人机协同的发展形势，教育的使命不只是让学生适应技术，更要培养他们正确理解和驾驭机器智能的能力，让年轻一代能够更好地运用AI创造有益于人类的未来。 近年来，“AI素养”成为继数字素养后，全球都在积极探索和研究的关键议题。《中国智慧教育白皮书》提出2025年是智慧教育元年，需树立人才培养新标准3。OECD与欧盟联合发布的《AI素养框架》（AILit Framework），将AI素养定义为“在AI影响的世界中茁壮成长所需的知识、技能与态度”4，强调学习者应具备参与、创造、管理和反思AI的能力。UNESCO的《教师人工智能能力框架》5 图1.1 AI素养的“5U”框架 “学会如何学习，学会适应学习，以适应各种变化。学习如何弄清楚人们想要什么，如何为他们制造有用的产品和服务，如何与世界互动。”10 Sam Altman CEO of OpenAI 与《学生人工智能能力框架》 $^{6}$ ，除了AI技术应用能力外，还特别强调以人为本的思维方式和AI伦理两方面。美国数字承诺组织（Digital Promise）发布的《AI素养框架》 $^{7}$ ，则定义了理解、评估和使用三个核心能力维度。 基于对各方主流框架的综合分析与共识理解，本报告尝试构建一个AI素养的“5U”参考框架：知识理解力（Understanding）、技术应用力（Using）、价值判断力（Upholding）、跨界整合力（Uniting）和自我更新力（Upgrading）。 知识理解力 (Understanding) 是 AI 素养的基础。学习者需要能理解智能的逻辑，掌握 AI 的基本概念、工作原理、应用方式及其局限性。研究显示，虽然年轻一代普遍认为自己了解 AI，但在提示词设计、识别 AI 幻觉等关键能力上表现不足，这表明基础认知的缺乏已经成为新的学习分化点<sup>8</sup>。 技术应用力（Using）是AI时代人类最显著的能力特征。学习者需要能驾驭AI，不仅能高效使用AI工具完成任务，更重要的是在人机协作中发挥人类作用，知晓何时可以用AI、何时必须由人做。已有研究发现，人机协作与人人协作均能提升问题解决表现，但学习者容易将AI视作快速得出答案的工具，而忽视深度反思和互动学习<sup>9</sup>。技术应用力的培养应帮助学生认识AI的局限，学会在协作中提出需求、验证结果、进行再思考，使AI成为“认知伙伴”，而不是“认知替代者”。 价值判断力（Upholding）体现了以人类判断为中心的教育原则。学习者应能理解和坚持“以人类为中心”的价值理念，在使用AI时充分发挥人类独有的优势，包括理解复杂性、处理模糊信息和作出伦理决策的能力。价值判断力不仅是评估技术得失的能力，更是保障人类主体地位的前提。因此，教育者应引导学生学会批判性地思考AI的输出，识别偏见与幻觉，权衡技术带来的收益与成本，在理 性与责任中确立判断立场。 跨界整合力(Uniting)是适应AI变革冲击的关键。AI让传统“书本知识”唾手可得，并在与各行业和专业领域结合中加速知识创新速度。这要求教育者和学习者能打破学科壁垒，整合数据、方法与场景，形成跨学科解决方案。AI素养具有天然的跨学科属性，涵盖计算机科学、伦理学、数据素养、媒介素养和设计思维等多个领域。将AI素养嵌入核心课程，不仅能促进学科融合，也能推动学生在真实情境中理解AI的应用价值和社会影响，从而培养系统性思维和创新潜能。 自我更新力（Upgrading）则面向未来的持续学习与成长。技术迭代日益加快，学习者需要具备对新兴技术的敏感性和能力迁移的意愿与素质。教育应帮助学生学会利用AI进行创新性学习和创造性表达，在人机协同中形成自我驱动的成长机制。AI可能取代的是执行性技能，但无法替代具有创造力和反思力的人。 # 2. # 模式之间 AI教育模式 是否需要重构？ 传统教育以人对知识的积累和传授为核心，而AI时代转向着重激发和培养人的独特能力，大规模、标准化的教育模式适用性将越来越差。从短期来看，GenAI正改变着知识传递和个性化学习的方式；从长期来看，它可能引领教育迈入一个人机协同、终身学习的新范式。我们希望，不论技术如何演进，学习的火花终究是人来点燃。 # 构建人机协同的教学新范式 AI可能引发教学模式的深刻变化，从“讲授+作业”的训练范式，转向“对话+共创”的思维范式，既是对过去经验的继承与重组，也创造了一次以学习者与情境为中心的结构性突破机会。这个变化短期会推动课堂再设计和新使用规范的确立，长期则会影响学习生态与任务分工的重塑。 短期看，课堂教学的再设计和新规则正在建立。典型如作业与测评，传统可复制性强的作业正在失去区分度，课堂讨论、口头表达、现场任务与过程性证据等比重上升，更能有效反映学生的思维与能力。教师的工作结构也在发生变化，备课、题目生成、初阶反馈等重复性任务可交由AI分担，教师得以将更多时间投入“追问-诊断-示范-点拨”等高价值互动中。与此同时，AI使用的规范也日益清晰——从早期的“一禁了之”，逐步过渡到“可使用、须标注、能追溯、可复核”的责任化管理模式。这标志着教育系统正从防御性抗拒转向制度性接纳，更有利于积极应对AI冲击。 中长期看，教学任务分工和学习生态的重塑必将发生。随着AI知识和能力的持续提升，教师与学生的角色会发生“生态位”转变。学生从“被动完成者”转为问题提出者、证据收集者和价值判断者；教师从“知识灌输者”转为导演、教练和护栏设置者；AI则在其中承担助手和伙伴的角色。此外，学习空间的边界也将被打破，正式与非正式学习之间的界限日益模糊，项目实践、远程协作与社会场 “我在新泽西纽瓦克的访问让我看清了我们当前在课堂中使用人工智能的起点，而不是该技术最终会发展到何处。它强化了我的信念：一旦技术成熟，人工智能将对教师和学生带来彻底的变革。即便在今天，当First Avenue Elementary School的教师将日常事务交给人工智能助手处理时，他们得以回收时间，专注于最重要的事情：与学生建立联系、激发好奇心，并确保每一个孩子都被看见、被支持——尤其是那些需要一点额外帮助的孩子。”11 Bill Gates, Chair、Board Member of the Bill & Melinda Gates Foundation 景学习成为常态。未来的学校更像“工作室”或“研究所”，以真实问题为牵引，跨学科团队与AI共同生成原型、进行小规模实验，并以作品质量与社会价值作为核心评价依据。 特别要注意的是，教育不应也不能成为一条由算法精准规划的轨道，而应是一个允许留白、鼓励试错、注重体验、富有温度的生成性过程。因此，未来教育的关键不在于 AI“能做多少”，而在于我们能否有意识地为学生保留那些 AI 无法替代的体验、情感与判断空间。 # 保留不可替代的“学习现场” “AI 不会取代人类，但使用 AI 的人将会取代不使用 AI 的人。”12 Ginni Rometty, Former CEO of IBM 尽管未来可能是“人机协同”为主的教学模式，我们也必须避免过度采用带来的“认知外包”等风险。比如，学生过度依赖AI给出现成答案，老师过度采用AI给学生出题和判题等，都可能造成“思维惰性”甚至“认知萎缩”。因此，AI的教育应用需要警惕“人工智能死亡之轮”（AI Wheel of Death）：“教师用AI备课设计作业”，“学生用AI完成老师布置的作业”，再到老师收到学生的作业之后，“用AI批量批改学生的作业”<sup>13</sup>。AI时代的教学体系不能不用AI、也不是必须全用AI。一种可行的策略是对教学任务进行分类分层，如分为无AI、限AI、全AI三档，分别采取不同教学目标和方式。尤其要从人类自身需求和必要性角度，重点设计和维护不让AI替代弱化人类能力的“学习现场”。 # 1.No-AI: 无AI任务 无 AI 任务是完全不借助 AI，要求学生独立完成的任务，如记忆背诵、心算推演、手工制作、当众演讲等。这类任务旨在训练学生的基础知识和思维基本功，保证他们能够在没有智能辅助的情况下也具备基础能力。适度增加任务难度、让学生付出努力，有助于更持久深入地学习。例如，让学生在无 AI 帮助下完整推导一 道数学题或撰写一篇短文，这种主动回忆和思考是形成人脑长久记忆和深度理解的关键。通过无 AI 任务，我们可以培养学生的意志力、专注度和自主思考等习惯，避免因过度依赖 AI 造成重要能力的萎缩。 # 2.Co-AI: 限AI任务 限 AI 任务是在人类主导下，有限度地使用 AI 协作完成的任务。学生可以调用 AI 来发散思维、获取多样化的观点或信息供自己参考，但最终的分析综合、决策判断必须由学生本人完成。例如，在写作课堂上，学生可以让 AI 给出若干个写作思路或提纲，然后由学生来甄别筛选并整合成自己的文章框架；又或者在讨论一道开放性问题时，学生先各自与 AI 对话获取不同论据，然后与同侪和教师一起评鉴。GenAI 非常擅长头脑风暴式的任务，能在短时间内生成大量素材激发思路。此外，协同任务还要训练对 AI 生成内容的审核与反思，能够应对 AI 幻觉等问题。通过 Co-AI 任务，帮助学生更好地掌握与 AI 协作能力，能够管理 AI 使用范围和效果。 # 3. Pro-AI: 全 AI 任务 全 AI 任务则是充分利用 AI 能力来完成的任务，通常是 AI 更擅长而人类不擅长的任务，如海量数据的处理。在这类任务中，鼓励和支持学生多用 AI、用好 AI。例如，编程课让学生使用 AI Coding 提高开发和验证效率，设计课或工程课让学生使用 AI 图像生成和 3D 生成等工具提高创意和建模效率等。全 AI 并不意味着无人化，而是高水平的人机分工合作。如果学生善于运用 AI 来处理基本计算、信息检索、格式转换等“体力活”，就能把更多精力投入到问题建模、创意构思和结果评估这些“脑力活”上。 “人类学习发展的维度可以理解为一个从AI主导到学习者完全自主的渐进过程。最初阶段，AI几乎主导学习过程，在学习者尚未具备足够的认知与自我调控能力时，为其执行大量任务。随着学习者的发展，他们逐渐进入‘辅助矫正’阶段，此时AI主要用于在必要时帮助学习者进行纠正。再往后，学习进入‘共享调控’阶段，AI只是在学习过程中向学习者提出建议。最终，学习者能够完全自我调节，AI退出主导角色，学习由学习者自主掌控。” Dragan Gasevic 澳大利亚莫纳什大学学 习分析中心主任、教授 # 3. # 学生之间 如何引导学生 负责任地使用 AI? 随着 GenAI 工具渗透到青少年的日常学习和生活中，学生们似乎多了一个无所不知的“伙伴”。AI 为知识获取带来了极大便利，但也潜藏了对学生思维和能力发展的冲击。特别对未成年人，能够合理、负责任地使用 AI 至关重要。 # 警惕GenAI的“降智”风险 GenAI便捷的知识生成能力，潜藏着三条易被忽视的风险：其一，AI所带来的认知外包与即时答案，可能让学习者滑向“元认知懒惰”；其二，高流畅度的信息生成容易放大“流畅即真”的认知偏误，削弱思辨与辨伪能力；其三，无摩擦的“数字亲密”以替代性的被理解感取代真实的人际磨合，可能削弱情绪调节与关系建构的社会能力。 # 元认知懒惰：大脑不再主动运转 与人类专家相比，学习者在向 GenAI 寻求帮助时常表现出“跳步式”行为——跳过问题诊断与评估阶段，直接寻求答案。这种行为反映出学习者在 AI 辅助环境中的认知卸载倾向，即将原本应由个人完成的思考、记忆和分析外包给机器。长期依赖此类外部支持，会削弱学习者对自身思维过程的监控与调节，从而引发元认知懒惰，导致学习深度下降与思维主动性退化。更值得警惕的是，一旦 AI 支持被撤除，学习者可能因缺乏独立的思维路径而出现“认知塌陷”，表现甚至低于从未使用 AI 的同伴。 # 流畅即真：交互的顺畅遮蔽了认知的谬误 心理学研究指出，人脑的信息加工依赖两个系统：系统一负责快速、直觉的“快思考”，系统二负责缓慢、深思的“慢思考”。<sup>17</sup>GenAI生成的内容通常高度流畅、 “儿童极易受到这些技术的影响，如果这些技术被用于有害目的，则是不道德的，并会破坏儿童的言论自由、思想自由和隐私权。”14 联合国儿童基金会 “AI的作用是一个巨大的杠杆，信息爆炸对青少年价值观的形成产生较大冲击，需要加强价值观引导与塑造。” 彭汉川，复旦大学教授、新基石研究员 结构清晰，容易激发读者的“认知流畅感”，从而引发“流畅即真”的心理错觉，即信息越容易处理，就越被误认为真实。18当学习者习惯于这种表面顺滑的内容输入，系统一的直觉反应会持续占据主导，而系统二的批判性分析与反思性思维则被削弱，久而久之导致批判性思维与元认知监测能力的退化。更进一步，AI的回应往往倾向于迎合输入提示的语气或立场，这种“迎合性逻辑”或“模型谄媚”容易诱发确认偏误，即学习者倾向于接受与自身观点一致的内容，并误以为其代表客观共识。对尚处于价值观建构阶段的青少年而言，这种交互机制可能潜移默化地削弱他们的价值辨析力，形成“流畅却空洞”的认知舒适区。 # 数字亲密：情感迁移与过度依赖 数字亲密，指个体在与 AI 或社交机器人互动中获得的情感回应与关系幻象——一种随叫随到、永不冲突、持续一致的“被理解”体验。它的吸引力恰在于机器的“无情感性”：不会拒绝、不会疲惫、不会争执，让使用者可以在无摩擦的互动中获得安全感。然而，这种“可控的理解”本质上是一种低风险的替代性连接。真实的人际关系之所以具有教育意义，正因为它包含摩擦、冲突与协商，这些张力促使个体区分自我与他者、学习共情和边界意识。若学习者长期依赖 AI 提供的情感回应，冲突应对、情绪调节与关系建构的能力便可能萎缩。当 AI 的顺滑回应与“流畅即真”效应叠加，确认偏误和情感依附便会共同固化为认知与情绪的“低摩擦依赖”。19 20 在教育情境中，这意味着短期的被理解感可能以长期的关系贫乏和价值钝化为代价。 # 负责任使用AI的三重路径 面对 GenAI 的潜在风险，教育的首要任务不是禁止使用，而是引导青少年学会负责任地使用，帮助学生从“要答案”转向“会提问、会核验、会反思”，使他 们在 AI 环境中保持独立思考和道德判断的能力。一是立规矩，以制度与伦理边界保证 AI 使用的安全与合规底线；二是育自律，通过分级使用机制培养学生的自我判断与责任意识；三是促反思，以批判性核验与元认知监控帮助学习者在 AI 环境中保持主动思考。 首先，建立清晰的外部规则与伦理边界。AI虽具有强大生成能力，但并非万能，尤其对于处于成长阶段的青少年而言，缺乏足够的判断力和自我约束，AI的“无所不能”容易演变为依赖与滥用。教育者应通过制度和家校协同机制，为未成年人划定AI使用的“红线”：明确哪些使用行为被允许、哪些需谨慎、哪些被禁止。在教育实践中，已有不少教育机构采用“红灯-黄灯-绿灯”的直观模型来规范学生在不同任务中的AI使用范围。例如，Edutopia21、威斯康星大学绿湾分校（UWGB）22以及佛罗里达州立大学（FSU）等的AI使用指南23，均将AI使用划分为三类：红灯表示禁止使用，黄灯提示需谨慎使用，绿灯代表鼓励探索与创造。 国内对教育领域AI应用的规范同样高度重视。在基础教育层面，北京市第十八中学早在2024年6月便发布了全国首个由学生视角出发的AI应用倡议；同年12月，又推出了关于《生成式人工智能应用于学习生活应遵循的原则》倡议2.0版本。24在高等教育领域，北京大学部分教师也积极探索AI在教学环节的合理使用策略。例如，有教师明确提出，AI不应在教师不可控的环境中直接接触学生，需防止AI在课堂教学中直接生成内容或答案，同时也不建议学生在完成学习任务时直接向AI提问，而应在教师指导下规范使用。在区域政策层面，北京市于2024年10月发布《北京市教育领域人工智能应用指南（2024年）》。一年后推出的新版《指南》进一步完善了顶层设计，创新性提出“北极星-地平线-新航道-红绿灯”四维框架，构建起“总指南统领 $+$ 分学段导引支撑”的“1+4”立体化动态指南体系，从宏观到微观全方位引导AI在教育领域的安全与高效应用25。 “可以想象一个AI导师或伙伴，它能够用问题引导学生，并在需要时提供更多信息。这种方法将探究和提问的责任转移给学生，同时仍在此过程中给予支持。” Rupert Wegerif 剑桥大学教育学院教授 其次，自我约束和自我管理是青少年真正走向独立的关键。外部规则能“立规矩”，但不能替代内在的自觉。AI的高效便利可能诱发心理依赖，让学习者在“即时答案”中放弃探索过程。教育者应引导学生在AI辅助中保持主动思考，学会利用AI提升效率，而不是让AI替代思考。例如，学校可以借鉴上述的“红灯-黄灯-绿灯”分级规则，将指引以图示方式公布于教室与学习平台，并建立“灰区申报机制”，鼓励学生主动判断AI使用是否合规。通过这样的训练，引导学生自我约束AI使用的时机与程度。 最后，批判性核验与持续反思是抵御AI风险的核心能力。英国开放大学发布的GenAI学生指南为学生提供了系统的行为框架。26该指南倡导学习者进行持续自我反思。学生应在使用AI后追问：我为什么使用它？我是否因此错过了关键学习环节？它带来了哪些新能力？这种反思过程能促使学习者认识到，AI的作用不在替代，而在拓展思考边界。此外，英国开放大学提供了PROMPT（呈现、相关性、客观性、方法、来源、时效性）框架，帮助学习者深入评估AI输出，判断信息的真实性与可靠性。27例如，学习者需识别内容的结构与逻辑是否清晰、是否与问题相关、是否存在立场偏见、研究方法是否合理、作者来源是否可信以及信息是否具有时效性。教育者可通过课堂引导，让学生记录使用AI的经验与困惑，分享如何改进提示词、如何评估生成内容，从而将AI使用过程转化为学习与思辨的共同体实践。 # 4. # 教师之问 教师的价值如何面向 AI 守正与焕新？ “教师职业将会沿着价值链不断提升。随着时间的推移，教师将减少在备课、撰写报告、填写学习进展和批改试卷上花费的时间，并将腾出更多时间用于提供内容丰富、互动性更强、更加个性化的课程，不仅能满足学生的兴趣，还能满足学生的需求。”28 Salman Khan The Founder of Khan Academy AI不会完全取代教师，但必然推动教师角色的深度转型。AI能够高效承担信息整合、初步反馈与事务性工作，而目标设定、价值裁量、情感联结、情境判断与文化传递，则是教师必须“守正”的核心职责。与此同时，教师也需在教学编排、数据解读、干预设计等方面不断“焕新”，让专业能力与AI协同进化。真正的转型关键，不是要“让位”，而在于“转位”，教师应始终追问“为什么教”，引导学生思考“为什么学”，而不仅是“如何教、如何学得快”。 # AI 引发教师的深度转型：四个新角色 教学活动既具有劳动属性，又承载教育属性。作为劳动的一部分，教学与其他行业并无本质区别，其事务性环节可部分由 AI 替代。然而，作为教育属性的一部分，教学并非单纯的知识传递，而是一种以理解、关怀与责任为内核的人与人之间的生成性关系，这种关系指的是个体在教育过程中通过理解他者、反思自我与承担责任而逐步形成完整人格的过程。这一社会化过程依赖真实的情感回应、伦理判断与价值共鸣，难以单凭数据或算法所能达成。因此，AI 可以替代教学的事务性劳动，却无法取代教育中“使人成其为人”的深层互动，这正是教师职业存在的根本意义之所在。 过去，教师在备课、批改与反馈等事务性工作中投入大量时间与精力。随着GenAI的介入，常规评分和基础反馈逐步自动化，教师得以将时间转向更具复杂性与判断性的任务。AI在数据处理与过程追踪方面具有显著优势，而教师在人际理解、情感识别和社会语境把握中展现出不可替代性。二者的协同不仅提升了教学效率，也能形成更加精准的学习诊断和反馈机制。在AI重塑课堂的背景下，教师的职责正从执行性劳动转向创造性引导，其角色也由此延伸为“导演、教练、裁判与守门员”四种类型。 作为导演，教师在AI赋能的教学环境中扮演教育设计师的角色，负责整合教学资源、规划学习流程并明确目标任务。面对海量的虚拟实验、跨学科案例和实时 数据，教师需筛选出与课程核心概念相关的内容，将碎片化信息组织为系统化学习任务，形成兼具灵活和深度的教学框架。同时，教师还需要理解不同智能工具的功能边界和适用场景，能够根据学生反馈及时调度资源，实现教学过程的动态优化<sup>29</sup>。 作为教练，教师的关注重点从知识传授转向能力培养和学习策略指导。在AI支持下，个性化练习和即时反馈机制极大提升了学习过程的适应性。教师摆脱了机械性批改的负担，更能专注于促进学生高阶思维和核心素养的发展<sup>30</sup>，依据学习者差异调整内容难度，帮助学生反思学习方法，形成自我改进的能力。 在评价环节，教师依然是标准制定者与最终裁决者。虽然 AI 能够自动评分、生成反馈乃至识别学习模式，但算法的判断仍受限于数据质量和模型假设。若将决策完全交由 AI，可能导致误判和不公平。因此，教师需对 AI 评分结果进行复核和解释，设定透明、可追溯的标准，以防止算法偏见和系统性歧视<sup>31</sup>，保障教育评价的公正性和人文底色。 作为守门员，教师承担着维护教育伦理与价值底线的重要责任。AI广泛介入教学的时代，伦理安全、隐私保护与学术诚信成为新的教育焦点。教师应保证学生数据的安全使用，防止信息滥用与算法侵权；同时，在GenAI的使用中强化学术诚信教育，培养学生合理、规范地使用技术的意识。更重要的是，教师应以人文关怀为基点，使技术的介入始终服务于人的成长，保障教育在智能化转型中保持价值温度和道德方向。 “对于教师而言，AI带来的变化也很深刻。老师将不再是知识的主要传递者，而更多扮演引导者、辅导员、导师的角色。他们需要帮助学生发展社交能力和情绪管理能力，引导他们成为更好的学习者，而不是单纯灌输知识。激发学生的好奇心、自主性和探究欲，将成为教师工作的核心。”32 Andreas Schleicher, OECD Director for Education and Skills # 教书可用 AI，育人仍在教师 GenAI 的介入并没有削弱对教师基本功的需要，反而凸显出教师既要坚守传统技能，又要拥抱新技能的复合能力，实际对教师提高了要求。 教学基本功依然重要。良好的课程理解力、课堂掌控力、语言表达与沟通技巧、课堂互动组织能力等传统技能，仍然是高质量教学活动发生的基石。这些教学基本功构成了教师专业身份的核心，不因技术进步而过时。教师仍需打牢专业功底，在备课、讲解、提问、反馈等环节保持应有的水准。 与此同时，新的专业能力需求日益凸显。AI赋能教育提出了许多新技能要求，使教师专业能力呈现“旧本领打底、新技能加持”的重组态势。教师的专业能力逐渐从单纯的知识传授，转向人机协同的教学模式。以联合国教科文组织《教师人工智能能力框架》<sup>33</sup>（见表2）为例，为有效整合AI技术与教学实践，该框架提出了五个方面的新能力指引。 表 4.1 教师人工智能能力框架 (UNESCO) <table><tr><td rowspan="2">方面 Aspects</td><td colspan="3">进阶层级（Progression）</td></tr><tr><td>获取（Acquire）</td><td>深化（Deepen）</td><td>创造（Create）</td></tr><tr><td>以人为本的思维方式 Human-centred mindset</td><td>人的能动性</td><td>人的责任感</td><td>社会责任</td></tr><tr><td>人工智能伦理 Ethics of AI</td><td>伦理原则</td><td>安全与负责任 地使用</td><td>共同制定 伦理规则</td></tr><tr><td>人工智能基础与应用 AI foundations and applications</td><td>基本的 AI 技术与应用</td><td>应用技能</td><td>与 AI 共同创造</td></tr><tr><td>人工智能教学法 AI pedagogy</td><td>AI 辅助教学</td><td>AI 与教学法融合</td><td>AI 驱动的教学变革</td></tr><tr><td>专业发展中的 AI 应用 AI for professional development</td><td>AI 支持终身 专业学习</td><td>AI 促进组织学习</td><td>AI 推动专业变革</td></tr></table> 33 UNESCO. Al competency framework for teachers[EB/OL]. (2024)[2025.9.29]. https://unesdoc.unesco.org/ark:/48223/pf0000391104. 首先,教师须具备AI的基础认知与应用能力。面对AI生成的大量学习内容与资源,教师自身首先要具备较高的数字素养和AI素养,能够对资源进行甄别、评估与整合,从而保证教学内容的科学性与适切性。教师既要系统教授AI素养（about AI），也要把AI嵌入各学科教学（with AI），更要让学生在项目中把AI当合作者（through AI）。 其次，教师需要掌握AI时代的教学方法。就现实而言，语文、数学、科学、历史等学科被取代的概率不大，变化的是学科之“芯”，如概念、模型和方法等，课堂时间会更多投入到推理、论证、创造与交流环节，这就需要教学法的转向。教师应当能够将AI生成的初步信息与自身的专业判断相结合，形成具有针对性与启发性的“深度反馈”，推动学生学习从知识记忆转向过程性理解与能力提升。 在此基础上，技术的高效运用必须以人文关怀为前提。教师需要形成以人为本的教育思维，理解AI的局限与潜在风险，坚守教育伦理与安全底线。教师不仅要保护学生的隐私与数据安全，还要引导学生树立正确的数字伦理观，学会负责任地使用AI工具，使技术发展与价值教育相辅相成。 此外，教师还须具备利用AI促进专业成长的能力。人机协同不仅存在于课堂教学中，也为教师的终身学习提供了新的路径。通过AI工具，教师可以追踪教育趋势、学习前沿研究，并基于数据反馈，反思和改进教学实践，从而保持持续的专业成长与创新活力。 总之，教师的核心职责“教书育人”在AI时代可能迎来结构性变化。“教书”中的标准化知识传授和技能训练等工作，可以更多交由AI与学生互动进行。教师的中心将更清晰地回到“育人”，在不确定的情境里作价值澄清和伦理判断，在真实关系中提供情感支持和身份引导，在共同生活的实践中培养集体意识和公民责任。技术可以提升学习效率，却无法取代教育的意义生成，教师的价值因此不可或缺。 “人工智能融入教育的核心目标，不是提供更好的答案，也不是让教师显得更“能教”，而是推动更有效地学习。” 李晓明 大湾区大学 讲席教授 # 5. # 工具之间 怎样才算好的 "AI+ 教育"工具? 当 AI 加速涌入教育领域，从备课助手到智能导师，从生成教材到个性化学习平台，我们似乎正迎来“学习方式的革命”。但面对大量涌现的以“AI”为名的教育产品，一个关键的不确定性问题也浮现而出：这些工具到底符不符合教育的本质需要？它们是会真正帮助人的学习与成长，还是会导致人的依赖与弱化？这决定了 AI 对教育是否能真正创造长期价值。 # 通用设计策略：五项原则 “AI+教育”的真正突破，在于跳出“技术炫技”的陷阱，回到以教育逻辑界定技术边界：既为教师减负、又以设计激发学生主动探究；既依托数据实现个性化、又坚守“不替代人类思考”的底线。由此，判断一款教育工具的关键不在于“功能越多越好”，而在于它能否真正服务教学、提升学习成效。基于教育领域研究成果和一线实践经验总结，好的教育工具大多符合五项通用设计策略：目标明确、场景驱动<sup>35</sup>；任务拆解与协同，发挥微工具的组合智慧<sup>36</sup>；以“双轨引导”激活思考与输出，助力知识内化<sup>37</sup>；坚持低门槛、宽路径、高上限，兼顾普惠与卓越<sup>38</sup>；以安全与隐私为底线的负责任设计。 # 目标明确，场景驱动 好的“AI+教育”工具应当与课程目标和教学场景弹性对齐，兼顾可测性和探索性，贯通“预设-生成”连续体。课前根据课标与学情设定方向与阶段目标，形成标准化流程；课中以数据与交互支撑即时诊断和教学决策，提升学习成效；课后通过证据回锚和分析开展评价与反思，为学生提供巩固、延伸和预习的个性化路径。工具始终聚焦认知、技能与情感等核心目标，提升教学成效，服务教学本质。 “真正被技术所主导的，其实是你们沿袭已久的课程体系和学校理念——那些源自二十世纪之前书写、印刷与计算技术的产物。数字技术带来的真正机遇，是让我们从这些陈旧工具造成的束缚中解放出来。”34 Seymour Papert MIT教授、Logo语言 主要创始人 # 示例 Google Learn Your Way, 基于 GenAI 的教材重构实验平台，将传统教科书或 PDF 转化为可交互、个性化学习体验。它首先引导学习者设定年级层级与个人兴趣，然后根据这些目标参数重构教材内容，并生成多种内容形式，如沉浸式文本、音频讲解、思维导图、测验等。学习者可根据需要，随时切换内容实现个性化学习。 图5.1 Google Learn Your Way # 任务拆解与协同，发挥微工具的组合智慧 教学任务呈现复杂、多目标耦合的特点，优质“AI+教育”工具的核心设计逻辑，是将整体任务拆解为“最小教学单元”，让每个微工具聚焦单一功能以保证专业性和效果可控，再通过AI串联实现协同联动。例如，备课用“教学目标拆解”智能体明确重点，授课以“互动问答生成”智能体提升参与，练习后凭“作业批改”智能体获得快速反馈，并据错点由“专项练习生成”智能体定制巩固内容。这种单一职责并非割裂，而是由AI串联、有序协同，如同齿轮般联动，共同覆盖“备-授-练-评”全链路，实现整个教育流程的提质增效。 腾讯教育智能体平台：一站式“学用创赛”平台 图5.2 腾讯教育智能体平台40 # 示例 腾讯教育智能体平台，一站式“学·用·创·赛”平台，支持师生自主设计专属Agent，作为学伴或助手融入教学、科研与管理全流程，集成AI课程与实训工具，构建“学·创·用·赛”闭环：学生可在Agent辅助下学习AI知识，在实训中开发AI应用，并通过智能体持续优化学习过程。 # “双轨引导”激活思考与输出，助力知识内化 在 AI 时代，课堂由“师-生”二元结构走向“师-生-机”三元结构，三者需明确角色、协同发力：教师定方向、AI搭梯子、学生为主导，共同推动素养深度内化。好的“AI+教育”工具需精准承接这一协同关系，在三元结构中扮演“认知伙伴”，既不替代教师的教学主导，也不弱化学生的主动探索，而是通过“引导思考”与“激活输出”的双轨设计，搭建从思考、输到反馈的学习闭环，帮助学生真正吃透知识、掌握方法。 # 示例 图5.3 Google Learn About 平台 Google 推出的 AI 学习工具 Learn About，不直接给出答案，而是通过 Stop and Think 功能，提供选择题、视频等交互形式，引导学生主动探索，并会及时指出学习中的常见误区。而且用户探索每个主题时，能看到“简化答案（Simplify）”“深入挖掘（Go Deeper）”“获取图片（Get Images）”三个功能按钮，可根据自身认知水平灵活切换学习深度，从而实现按需学习、精准内化的目标。 # 低门槛、宽路径、高上限，兼顾普惠与卓越 包容性和易用性也应成为教育产品的底层原则，好的“AI+教育”工具，要让老师学生都能用得顺手、用得公平，这就需要做到“低门槛、宽路径、高上限”。低门槛通过教师端预设模板、批量处理、多环境兼容，学生端简洁交互、多设备适配，降低“师-机”“生-机”的交互成本。宽路径依托图文、音频、实操等多模态支持适配学习偏好，结合动态难度调节与本地化即时反馈，满足差异化需求，做到公平触达。高上限则支持教师自定义任务和跨学科教学，对接管理系统输出分析，并借插件拓展实现从班级到全校的规模化应用。 # 示例 Brisk Teaching是一款基于Chrome和Edge浏览器的扩展程序。作为AI助手，嵌入教师最熟悉的工作环境（谷歌文档、YouTube和PDF），支持图文/音频解析，按学情生成差异化作业并即时反馈，让AI自然融入教学流程，使教学连续性得以保持。 图5.4 Brisk Teaching插件 # 安全性与隐私保护 好的“AI+教育”工具始终将师生的权益放在首位，通过搭建数据安全防护网，对学生个人信息等隐私数据进行必要的脱敏处理，避免外泄与滥用，这是教育工具需要坚守的底线，保障教学活动在安全的环境中开展。此外，要警惕工具可能对学生心理造成的隐性影响，既不能设计成包办式功能让学生形成过度依赖，消解其自主学习能力；也需注意排名、对比等功能的合理应用，避免其放大教育焦虑。更合理的方式是通过温和的反馈机制、个性化的鼓励设计，让工具成为助力成长的存在，始终将学生的身心健康放在重要位置。 图5.5Edexia平台43 Edexia Our Research Log in Sign Up # Data Privacy All training data is siloed to individual or institutional accounts and remains the intellectual property of the account holders. We don't use this data to train our AI. All data is de-identified and securely stored on locally based servers. For more information, visit our Legal pages. # 示例 AI评分平台Edexia在数据安全上构建了严格防线——所有学生作业数据均采用本地加密存储，不仅对姓名、学号等身份信息进行全流程脱敏，更明确承诺数据绝不用于AI模型训练或第三方商业用途。 # 利用AI潜能：打破应试教育的藩篱 目前，教育中的 AI 应用存在“把已有事情做得更好”而不是“探索做更好的事”的问题。开发的技术可能在训练狭窄、具体的“行为目标”上作用明显，但大多未触及教育的根本性问题。例如，不少 AI 教育工具紧贴应试需求，定位于帮助学生提分、备考和解题，各种功能无不围绕考试分数打转。 AI教育工具之所以常呈现强烈的应试导向，背后有深刻的教育体制需求和技术实现层面的原因。一方面，在应试竞争激烈的教育体制下，提高成绩和升学率往往是学生、家长和学校最迫切的刚性需求；另一方面，从技术实现角度来看，应试领域的许多任务相对易于用AI实现并取得显著成果。相较于培养创造力、提升思维能力等目标，提高解题效率和准确率的指标更易量化，也更容易通过反复训练AI模型来优化。 针对上述局限，未来的“AI+教育”工具设计应当充分发挥AI优势，打破应试教育的藩篱。 “目前大多数教育领域的人工智能应用都专注于效率……这些系统试图帮助学生更快地获得正确答案。但我们需要找到将效率与创新结合的方法，以培养学生适应未来。” Daniel Schwartz 斯坦福大学教育学院院长、教授 # 支持学生主动探索，激发好奇心 解决“谁来驱动、为什么学”。AI从“直接给答案”转向“陪伴式探究”，帮助学生读懂复杂材料、梳理线索、生成难度适配的讲解；学习由兴趣驱动，提问由学生发起，AI提供多元视角与适时引导，让求知过程成为发现之旅。 # 强调启发式交互，培养高阶思维 # 示例 秘塔 AI 的 “今天学点啥” 模块 $^{44}$ , 当学生输入 “阿基米德原理”, 并选择自己的学习水平 (如初学者、进阶者或专家) 和偏好的风格 (如讲故事、对话或课堂) 后, 系统就会自动生成一堂契合需求的探究课程。若进阶者选 “讲故事”, AI 会从阿基米德浴缸灵感的故事切入, 引导用户观察木块与铁块的水中差异, 逐步追问 “浮力从何而来”; 还会根据学生反馈调整解释深浅, 推荐动手实验或延伸问题 (如 “潜水艇为何能上浮下沉”), 让学生在陪伴式探究中掌握原理, 同时培养批判性与创造性思维。 解决“如何学深”。AI扮演“苏格拉底式对话者”，依据学生回答动态追问与提示，促成分析、比较与推理；在历史、科学等学科中，引导提出假设、权衡不同解释，并把知识迁移到新情境，从而培养批判性与创造性思维。按学科逻辑拆解核心问题和子问题来生成教案与课件，让AI从答案提供者转变为教学逻辑的协同者。 # 实现跨学科融合和情境化学习 # 示例 深圳龙岗区教科院科学教研员吴向东设计了两个广受好评的科学教育智能体：“有趣的科学吴老师”和“胡扯的吴老师”。前者通过苏格拉底式提问正向引导孩子思考科学问题，后者则故意抛出似是而非的观点，让学生在质疑和反驳中澄清概念、建立联系。无论是正向追问搭建思考框架，还是通过“错误观点”激发批判，两个智能体本质都是以苏格拉底式交互，让学生在分析、推理与验证中深化理解，契合“强调启发式交互，培养高阶思维”的核心方向。 解决“学以何用、在哪里用”。AI打通学科边界，支持项目式与问题导向学习，通过整合多领域知识、提供资料检索与建模辅助、按兴趣调整路径与难度。课堂有望由分科堆叠转为围绕真实议题的知识网络，学生在解决问题中自然理解学科关联。 # 示例 腾讯青少年AIGC创作工坊提供一站式AIGC创作的平台，学生可以在同一个环境里生成文字、图像、音乐、视频、3D模型乃至代码，并把这些创作应用到语文、数学、科学、美术、音乐、地理等多学科场景中。通过这种方式，课堂不再是分科堆叠，而是围绕真实议题组织成知识网络，学生在设计跨界作品的过程中需要查阅资料、搭建模型、表达观点和反思意义，从而真正实现“学科间的融会贯通”和“在情境中学会应用”，既培养了综合素养，也让AI成为学生探索世界的创作伙伴。 # 腾讯青少年AIGC创作工坊助力创新教学 腾讯教育 一站式AIGC创作 多模态能力串联解锁丰富玩法 生文、生圈、生视频、生3D、生音乐、生程序... 跨学科项目式学习 基于学科场景的创意项目实践 PBL项目全流程辅助、AI赋能跨学科应用 内容安全与隐私保护 全流程高规格管控保障内容安全 模型防护、关键词、意图识别、人工审查... 专属教育支撑平台 AI工具融入“教、学、管、评” 统一账号、课程资源、作业收发、竞赛活动... 图5.6 腾讯青少年AIGC创作工坊45 “我们更需要借助（技术）这一外力，重新审视并打破过去不合理的教育模式，推动教育体系的转型升级。如果仍然以旧有的标准和思维去使用新技术，只会陷入面向过去的竞争，而非面向未来的创新。” # 杨健 # 腾讯研究院总顾问 # 4.倡导成长型思维，关注个性化成长 解决“如何评估与坚持”。相比于只看分数的固定型思维，未来教育更强调成长型思维，鼓励学生拥抱挑战、从错误中学习。AI能记录知识与能力的成长曲线，给出可操作的反馈与鼓励；写作、解题等任务中，既指出问题，也呈现亮点与改进建议，营造安全的练习环境，帮助学生建立自我效能感和持续精进的信念。 # 示例 全球用户超5亿的语言学习平台Duolingo结合GPT-4推出DuolingoMax具体改进建议，营造安全的试错环境，推动学生成长型思维落地。例如，学生练法语口语时，AI不会只判对错，会先肯定本次发音进步的地方，再用动画演示正确舌位；句子不完整时，会先肯定好的地方如“准确用了过去时态”，再引导补充细节。此外，通过“Explain My Answer”答疑、“Roleplay”角色扮演等AI功能，搭配游戏化学习模式，持续激励学生拥抱挑战、从错误中积累经验，逐步建立自主学习的信心。 # 6. 学校之间 AI是否会推动 未来学校大变样？ “当代学习与发展科学的研究证实，青少年之所以能够成长并充分发展，关键在于身处这样的环境——环境能够支持其个性化发展，鼓励以探究为导向、动手实践的学习；他们与他人建立牢固而有力的支持性关系；并且其社会、情感、身体与认知等方面的需要都能得到满足。”46 Linda Darling Hammond Chief Knowledge Officer at LPI 工业时代塑造了今天我们熟悉的学校：统一的课程、固定的节奏、标准化的评价体系。这种标准化模式极大地推动了教育的普及和效率提升，但也让个性化成长空间日渐压缩。信息技术与互联网的兴起打破了物理时空的局限，激发教育变革的积极探索。而今，AI以学习伙伴和教学助手等多重角色介入教育，进一步提供了重新定义“教”与“学”边界的可能性。这是否会让学校真正迎来一场体系性的重构，还是会再次被传统模式消化？这是关系到如何搭建适配AI时代人才培养环境的核心问题。 # 学校AI落地的三个层次 从全球进展看，当前AI教育在学校落地的实践，可分为课堂增能型、校级统筹型、体系推进型三种典型路径，每种路径代表着不同的变革深度和组织逻辑。 图6.1 学校AI的3种落地路径 课堂增能型路径最为普遍，其核心逻辑是在不改变现有教学结构的前提下，将AI作为效率工具植入特定环节。典型表现包括智能批改系统、学情分析工具和个性化题库等。例如，印度推出的AI教学机器人IRIS，能够提供互动学习体验，满足不同的学习风格，充当教师的辅助讲解工具<sup>47</sup>。这种模式的优势在于实施阻力小、见效快，但本质上只是对传统教学的线性优化，并未触动工业化教育的内核矛盾，即标准化批量生产同个性化发展需求之间的冲突。 校级统筹型路径是在课堂增能型基础上的纵深发展阶段，其核心逻辑在于：人工智能从教学环节渗透至学校整体运行层面，开始承担课程编排、资源调度和治理优化等职能。相比将AI仅作为课堂工具的增能模式，该路径更关注教育资源在系统层面的再配置，体现出学校治理的智能化趋势。AI在此阶段不再只是“助教”，而是成为学校运转的“算法引擎”，通过数据驱动实现人、课、时、空等多要素的动态匹配。校级统筹型路径的特征可概括为三点：一是系统性优化，AI驱动的多要素联动实现了学校运行效率的显著提升；二是组织结构重塑，学校逐步从“人治管理”向“数据协同”过渡，管理与教学开始联动；三是渐进式革新，它在不完全颠覆现有体制的前提下，实现了由数字化到智能化的自然过渡。 体素除推进型路径体现为区域或国家层面的系统化推进，通过“政策+培训+治理”组合拳，构建人工智能教育生态。典型代表是阿联酋的全国体系，从2025-2026学年起，阿联酋全国公立学校全面推行人工智能必修课程，覆盖从幼儿园到12年级的所有学生。值得注意的是，阿联酋并不是简单增设编程或机器人课程，而是构建了分层渐进、科学完整的课程体系，涵盖基础概念、数据与算法、软件使用、道德意识、现实应用、创新与项目设计、政策与社区参与七大核心领域，强调技术素养与人文关怀的双轨并行；同时，阿联酋建立了全球第一所专注于AI的研究生大学MBZUAI，提供全额奖学金，构建从幼儿园到博士的全链条AI人才培养体系48。这种路径覆盖面广、系统性强，但执行难度大，需要持续的资源投入和政策支持。 总之，从渐进改良到体系重构，三种路径各有其适用场景和价值取向。值得注意的是，这些路径并非互斥，而是常常交织在一起，形成多维度的教育创新图景。 “有人认为，生成式人工智能的应用可以弥补教师短缺——然而，我们都清楚，真正实现高质量教育所需要的，是管理良好、设施完善的学校，以及受过良好培训、薪酬合理、并对教育使命充满热情的教师。”49 Stefania Giannini 联合国教科文组织教育助理总干事 # 未来学校将由稳态框架转向更具动态性的系统 学校是人人熟悉且各有见解的经验，这源于其与社会诸要素的复杂关联，任何变革都可能引发连锁反应；百年来对学校教育的批判从未停歇，借助技术重构学校的尝试也屡见不鲜，但实际影响有限，“乔布斯之问”因此反复出现。 我们谈论学校时常常聚焦其物理形态，然而学校更是围绕一系列社会与文化结构展开的系统；尽管常以工厂类比来批判其作为工业文明产物的组织安排，但工厂与学校同为现代性制度环境的典型，具备显著的系统性与结构化特征，以清晰的组织框架保障强制性参与和持续互动，并在塑造群体的现代性共识中发挥关键作用。 由此可见，现有学校在可预见的未来仍将延续，但在此基础上，基于AI的变革未来学校将由稳态框架转向更具动态性的系统，其核心目标是构建一个更加开放、灵活、以学习者发展为中心的未来学校形态。 表 6.1 学校基本制度的核心转向 <table><tr><td>基本制度</td><td>核心转向</td></tr><tr><td>班级制</td><td>从固定班级转向能力走班，强化个性化发展</td></tr><tr><td>学科制</td><td>从分科教学转向主题探究，重建知识关联</td></tr><tr><td>课时制</td><td>从时间标准化转向节奏弹性化，促进深度学习</td></tr><tr><td>评价制</td><td>从结果评价转向过程证据，关注持续成长</td></tr></table> 首先，班级制度正从以年龄和学科能力为标准的固定分组模式，转向更加动态与个性化的群组结构。传统班级制通过稳定的师生配对维系教学秩序，但也限制了个体发展的多样路径。未来学校可能保留同伴关系、归属感和支持系统的核心价值，同时以“群组 + 导师制”的形式重组学习结构。学生将依据项目任务、兴趣方向和成长需求，形成可流动、可重组的学习共同体，从而实现教育组织的柔性 化和生态化。 其次，学科制度的边界将被进一步打破。传统的分科教学虽然维持了知识体系的清晰结构，却导致学习内容与现实世界脱节。未来的课程将保留各学科方法论的严谨性，同时以“学科与主题交叉”的形式进行重构。学习不再只是围绕知识点展开，而是以真实问题为核心，AI根据学生的认知水平和任务需求自动匹配跨学科资源。此种方式不仅促进知识间的融合，也重建了学科与文化、技术与生活之间的内在联系。 再次，课时制度也将从标准化节段转向以学习过程为导向的灵活节奏。固定的四五十分钟课时源于工业化生产的效率逻辑，但与学习科学揭示的注意力规律和深度思考需求并不契合。未来的学校或将以“学习节段 + 成长里程碑”的模式重新设计学习节奏。例如，上午可安排长时段的沉浸式学习，用于项目协作和复杂问题解决；下午则以灵活模块支持学生进行技能训练、专题探究、专家讲座或体育活动，从而在时间结构上兼顾效率和深度。 最后，评价制度也将经历根本性转型。以标准化考试和分数排名为核心的传统评价体系，难以全面反映学生的真实能力与发展潜力。未来的评价将基于“证据链与成长轨迹”的新范式。人工智能能够持续采集学习过程中的多模态数据，包括文本、代码、视频与协作记录，形成可追溯、可验证的能力档案。学生的成长不再以单一分数呈现，而是以数据证据构成的学习轨迹展示其真实进步。 美国阿尔法学校（Alpha School）推行的“2小时学习模式”，通过高度定制化的技术适配每个学生的需求，学生每天只需集中两个小时完成核心学术内容，下午则参加实践活动和工作坊，其中核心内容学习采用高度个性化的自适应学习技术，防止学生在被动学习中出现倦怠；同时AI也会根据学生的知识图谱、课程要求以及个人兴趣图谱，生成动态课程，且课程内容会控制在学生的“最近发展区”，即保持在 $80\%$ 到 $85\%$ 的准确率，让学生既有挑战性，又不会因挫败感而失去兴趣。学科融合、项目驱动、时间弹性，AI成为支撑个性化学习路径的底层基础设施。 ALPHA SCHOOL | COMMITMENT #2 # Learn 2X in 2 Hours Through advanced technologies and mastery-based learning, students at Alpha complete core subjects in just two hours daily. - 2.6x Growth: On average, Alpha students grow 2.6 times faster than peers on nationally normed MAP tests. - 99th Percentile: The majority of students consistently outperform national averages. - Top Performers: Our best students achieve up to 6.5x growth, How We Do It: Alpha combines adaptive AI for personalized 11 learning, mastery-based methods for deep understanding, and time management techniques like Pomodoro to keep students focused and thriving. 图6.2 Alpha School 2 Hour Learning # AI 原生学校成立的 “7S” 要素体系 虽然传统学校形态在可预见的未来仍将延续，随着AI的深度介入，一种以智能系统为基础、以学习者为中心的新型教育形态正逐步成为可能，这就是AI原生学校。从现有探索来看，其形成与发展需要具备七个核心条件，即“7S”要素体系。 图6.3 AI原生学校的“7S”要素体系 首先是战略（Strategy）。AI原生学校的战略核心不在于技术替代，而在于教育目标的重塑。这要求学校构建动态更新的学习者能力画像，并建立贯穿学习全过程的可追溯证据链。例如，北京师范大学提出的“AI赋能学生综合素质评价创新方案”，通过AI构建表现性评价指标与问题情境，形成覆盖自主发展、社会参与和文化修养的综合素质模型，为设计个性化学习路径提供了科学依据<sup>51</sup>。 其次是标准（Standards）。AI原生学校必须建立明确的使用规范与伦理边界，包括AI工具的透明使用、留痕机制、复核流程及学术诚信保障。上海虹口区成立的教育智能体伦理与专业审查委员会，制定了生成式人工智能应用管理办法，在课堂中通过禁止条款与情感分析模块，保障生成内容符合价值导向52。这些标准既是创新的底线，也是信任的基础。 第三是教师（Staff）。教师的专业角色正在经历转型，他们不再单纯承担教学任务，而是在人机协同中整合情感支持、学习设计与价值引领等功能。英国的“无教师课堂”实验表明，教师可从集体授课转向学习顾问和教练等角色，更专注于个体指导与心理支持53，体现出教师在智能教育系统中的新型专业价值。 第四是学生（Students）。AI原生学校要求学生具备明确的AI素养基线，能够理性、负责任地使用智能工具。北京市的课程纲要提出分阶段目标：小学阶段理解AI的基本概念，初中阶段掌握数据与模型的基本原理，高中阶段具备初步开发与应用能力<sup>54</sup>。这种分层体系保障了学生在不同发展阶段的素养衔接，为智能时代的自主学习奠定基础。 第五是系统（Systems）。AI原生学校的运行离不开完善的数字支撑体系，包括数据中台、知识图谱与教师在环机制。数据中台整合多源学习数据，知识图谱描绘学科概念关系与能力进阶路径，而教师在环机制确保教育判断不被算法完全取代，实现自动化与人文判断的平衡。 “未来学校的使命，不仅是培养具备知识与技能的学习者，更要与产业和科研形成共生的育人共同体。教育与企业应各展所长、协同共育，让学生在真实问题中学习，在产业场景中成长，实现人才培养与社会需求的高水平耦合。” 张强锋 清华大学生命科学学院教授、科学探索奖获奖人 第六是空间（Spaces）。AI原生学校的空间结构正在经历从物理集中到逻辑分布的根本性转变。随着智能技术的渗透，学习空间不再仅指物理场所，而被重新定义为由数据流、社交网络与认知活动共同构成的动态网络结构。空间的边界由此模糊，学习活动得以在校内外、线上线下的多重场域中持续发生。AI的介入使空间具备了自适应与可编排特性，能够依据学习者状态实时调整资源配置与交互方式，从而实现学习情境的个性化与连续性。 最后是护栏（Safeguards）。AI原生学校必须建立完善的隐私保护、算法问责与申诉机制，确保教育AI的合规性与公平性。教育部发布的教师数字素养标准已将数据素养与伦理意识纳入教师培训体系，使技术规范成为教师专业发展的必要组成部分。这样的制度性护栏并非创新的阻力，而是负责任创新的前提，保障了教育的公正性与人本价值。 # 7. 企业之间 企业如何在 AI 浪潮中“用好人”？ 就业是教育的主要目标之一，而AI的快速渗透正在拉大教育与就业之间新的“断层”。当AI能够撰写报告、生成方案、分析数据乃至辅助决策，一些岗位正在被重塑甚至淘汰。这不仅要求企业更新人力资源体系、推动员工技能重构，也迫使教育体系反思：当前教育所培养的知识与技能，是否能够适应快速变化的就业市场需要？教育与企业之间的联动机制、共育共训体系与人才流动路径的重构，成为AI时代化解人才与就业结构性脱节的关键方向。 # GenAI 加剧教育与就业的“脱节”风险 “我们正在目睹一个可以称作‘工作拆解’（unbundling of work）的现象，而这是一个非常非常重要的趋势。人才越来越多地通过平台来组织，而不是通过传统公司。跨时区组建的远程团队现在才是真正的行动实体。数字凭证由人工智能驱动的评估工具颁发，而微型创业者（microentrepreneurs）正在重塑劳动供应链与工作供应链。”55 Denis Simon Chairman, Alliance of Global Talent Organisations AI驱动下的劳动力市场变革加速，“慢”教育和“快”就业之间的结构性断层问题凸显。随着常规、重复性的工作任务被AI接管，传统教育培养的知识面临快速贬值的冲击，导致“毕业即失业”等问题加剧。国际劳工组织研究认为，1/4的岗位面临AI转型冲击56。中国劳动力调查也反映，AI会造成 $19\%$ 的劳动就业面临高职业替代风险57。 当然从长期看，AI替代岗位的同时也会创造新岗位，引导人力资本在岗位间的流动58。世界经济论坛发布的《2025年未来就业报告》指出，到2030年人工智能和信息处理技术预估将带动创造1100万个就业岗位。乐观而言，AI创造的新岗位最终可能会超过被替代的规模。然而，教育如果不因势而变，也会因人才培养跟不上新岗位需求导致结构性失业阵痛。当前，有三个趋势值得重点关注： 其一，岗位替代速度超过人才培养调整速度，结构性技能错配风险加剧。AI技术应用对部分岗位替代效应显现，且随着AI应用的深入，岗位更替的范围扩展、速度加快。同时，教育体系仍主要按照传统专业设置培养人才，导致部分专业的毕业生一进入市场就面临失业风险。教育调整滞后于技术导致的岗位更替，形 55 JIA Yuxuan, ZHAO Huiyi. Transcript: Opening Ceremony & Opening Roundtable of Global Talent Summit 2025 in Beijing [EB/OL]. (2025-08-04) [2025-10-25]. https://www.ccgupdate.org/p/transcript-opening-ceremony-and-opening. 56 联合国新闻. 国际劳工组织：四分之一岗位面临人工智能转型冲击 [EB/OL]. (2025-05-20)[2025-10-24]. https://news.un.org/zh/story/2025/05/1138801. 57 王林辉，胡晟明，董直庆. 人工智能技术、任务属性与职业可替代风险：来自微观层面的经验证据[J]. 管理世界,2022,38(07):60-79.D0l:10.19744/j.cnki.11-1235/f.2022.0094. 58乐惠骁，汪琼.生成式人工智能会如何改变教育——基于自动化视角的分析[J].远程教育杂志,2024,42(06):3-10.DOI:10.15881/j.cnki.cn33-1304/g4.2024.06.001. 成“培养过剩人才供给消失岗位”的错配局面。2024年Cengage Group就业能力报告显示，高校毕业生超过一半（ $55\%$ ）认为其所学课程并未让他们做好使用GenAI工具的准备，近四分之三（ $69\%$ ）表示需要在当前岗位上接受更多有关新技术使用的培训<sup>59</sup>。 其二，学历贬值加剧，人才选拔的传统信号因技能需求快速更新而失效。技能需求的更新周期大幅缩短，使得基于静态知识体系的学历认证效用下降。传统的学历体系（本科、硕士、博士）主要反映的是学习者在特定时期对既定知识体系的掌握程度，但在AI时代，企业更需要确认的是应聘者是否具备关键技能和学习能力。Resume Genius 2024年招聘趋势调查显示， $65\%$ 的招聘者会考虑具有相关技能的候选人，即使他们缺乏工作经验或教育资格不符合传统的期望<sup>60</sup>。 其三，企业人力资本的更新周期大幅缩短，人才培养和管理复杂性提升。过去员工的专业技能可能需要较长时期才需要重大更新，如今技能过时的风险大幅提升。企业需要持续投入培训成本、创新培训方式，员工也需要不断学习新技能、提高产出。企业还需要提升招聘效率，快速引入具备新技能的新生力量来保障组织竞争力。这些都增加了人力资源管理的动态性和复杂性。《2025年ETS人类进步报告》显示，持续技能建设越来越被视为职业寿命的关键， $88\%$ 的受访者认可持续学习对于在当今就业市场取得成功至关重要。公司正在通过优先考虑再培训而非招聘来做出回应，麦肯锡发现高管们计划再培训他们大约 $32\%$ 的员工<sup>61</sup>。 # 促进人才供需匹配：校企联动、共育共训 面对AI在企业中快速渗透、对复合型技术与跨职能能力的需求急剧增长，各国通过校企合作、学徒制与公私协作已出现多种创新样本。要把人才“供需匹配”做实，必须把校企合作制度化。企业提供真实岗位与项目实践，学校转向以能力 “很多企业推动数字化转型时，提出汇聚既懂专业技术又具数字思维的‘数字人才’，让算法渗透生产、工艺与研发流程。目前市场上此类人才资源还相对稀缺。” Joyce Roserberger AP HRVP 和作品为本的培养方式，政策提供有效激励以及数据与算力等公共基础设施和服务保障。 # 企业端：从“人才使用者”到“人才共育者”升级 AI时代的企业需要从单纯的人才使用者升级为人才培养的战略伙伴，积极参与教育的顶层设计、模式创新和实践落地，把人才培养从招聘成本转为战略性长期投资，通过开放真实项目和联合培养等方式，促进学生能直接转化为可上手的生产力。 将企业真实的岗位需要转化为 AI 课程与认证。企业可提供 AI 最新的技术成果、行业案例和岗位需求，制定以实践和应用为导向的 AI 相关专业课程，促进课程内容与产业需求的动态同步，重点提升学生就业的“即战力”。企业岗位需求可拆解为可衡量的能力模块，作为与高校等共建课程、设立考核与微证书等的基准。谷歌最新推出 Google Skill 平台<sup>62</sup>，整合了 Cloud、DeepMind、Grow 和 Education 近 3000 门课程。用户可以结合专家讲解和线上实操，学习掌握企业真实需要的技能，并通过技能徽章、入门级证书和认证等获得证明，提高就业竞争力。 打造短期和长期结合的AI人才培养项目。企业应充分发挥技术和应用的经验优势，通过AI相关的企业现场培养项目，让人才能在真实工作岗位上学习成长，提高人才的就业转化率。美国科技巨头除了为学生提供短期实习，还普遍开展中长期的学徒（Apprenticeship）和研修（Residency）项目，通过更长周期、更深入的企业现场培养，提高人才的能力水平。微软的LEAP $^{63}$ 和谷歌的Apprenticeship项目都是学徒模式的典型，面向广大人群、无学历限制，核心在培养具备业务实战技能的人员，周期可长达数年。此外，近年OpenAI、Meta、谷歌等AI大厂都推出AI研修专项，主要针对有AI基础的硕士和博士，目的是培养具备AI前沿技术探索和工程转化能力的高端人才。 共建规模化和可持续的AI人才联合培养载体。企业应通过与高校联合建设AI联合实验室、产业学院与实训基地等方式，构建长期的AI人才创新培养模式，持 续将真实产业问题引入教学过程，实现科研与应用的双向转化。例如，NVIDIA的深度学习学院（DLI） $^{65}$ ，将AI课程与GPU加速计算训练、行业案例结合，赋能高校教师成为认证讲师。目前已覆盖60多个国家、培训超35万名开发者，为AI人才培养提供了标准化、可扩展的实训体系。此外，NVIDIA还与卡内基梅隆大学、匹兹堡大学共同发起的“AI技术社区”，在区域层面构建校企协同创新生态，聚焦机器人、自主系统与AI应用等研究，建立开放实训与科研平台，促进学生、研究者与产业专家的深度共创。通过这种长期投入，企业能把“育人”投入转化为持续竞争力。 # 学校端：深化校企合作、重塑教学模式 AI时代的教育重心已从知识传授转向能力建构，学校需要勇于打破学科壁垒、创新能力培养模式，依托模块化课程、企业联合实验室与校企双师体系等手段，为学生提供更加灵活和动态的能力培养及评价，帮助学生掌握人机协作的学习与工作实践方法，更好地适应就业市场需要。 打造“AI+X”复合人才培养模式。学校应鼓励多学科交叉融合，开设“AI+行业”交叉专业和课程。积极与企业合作打造实践课程，以企业岗位能力模块为基准，把课程做成模块化、可灵活迭代的“能力单元”。教学方式应以翻转课堂为基础、企业真实项目为主线，采用“作品集 + 企业导师评价 + 自动化测试”等多维评估考核方式，产出则以可验证的代码、模型或产品原型为核心成果。学校还可与企业广泛合作建立互认的AI课程或技能微证书，让用人单位能直接识别并纳入招聘考量。例如谷歌建立了招聘联盟涵盖150多家雇主，已为数千名Google职业证书人员找到工作。 构建校企长期合作与资源互惠机制。要保持AI教学内容与工具的时效性，学校应积极开展企业联盟合作，开展“企业出题、学校答题”类的项目合作，并借此吸引行业专家到学校交流与授课，推动教师参与AI产业界实践。此类“双向流动”一方面能让AI行业需求和经验及时传递到学校，另一方面也能利用学校的研究能力帮助企业解决真实问题。美国高校与产业界就建立了丰富、体系化的互动机制，知名大学普遍会成立行业联盟（IAP）获得企业长期合作和资金支持，通过 附属学院（Affiliated Faculty）、兼职教授（Adjunct Professor）和行业访问研究员（VIF）等机制将产业技术前沿和实践引入课堂，促进针对行业需求的研究项目合作开展，Stanford、MIT、CMU、UC Berkeley等均有涉足。 融入终身学习体系与区域化服务生态。AI加速知识更迭，未来人才培养将不再局限于校园。学校应积极参与政府和社会的终身学习生态建设中，支持基础教育、高等教育和继续教育等连成闭环，创新微证书和模块化课程等技能为导向的培养方式，与社会组织和企业广泛合作，共同建立学习成果互认机制，形成“随时回炉”的终身学习体系。新加坡的“未来技能计划”（SkillsFuture）66的分层资助与市场驱动课程供给是一个值得借鉴模式，在政府整体布局和支持下，学校可以与政府、企业联合提供带资助的培训课程，从几天的训练营、几周的微凭证到长期可累积学分的专业课程，覆盖从高校毕业生到在职转型者等不同群体，大幅降低学习门槛、增强人才供给弹性。 # 政策端：支持构建生态化的协同育人体系 针对AI时代的人才培养，政策应围绕“激励可参与、标准可对接、公共能力可共享”三大支柱发力，以制度化方式把零散的校企合作升级为可规模复制的行业培养体系。 以财政和税收补贴激励AI产业界参与。世界经济论坛《未来工作报告2025》和多国试点表明，财政激励配合评估与认证机制能有效提升企业长期投入意愿，同时提高培养的覆盖面与质量。政府应对参与校企共建的企业提供有力的财政激励，包括培训费抵扣、联合实验室补贴、带薪实习补贴，以降低企业长周期投资的成本门槛并扩大中小企业参与度。新加坡“未来技能计划”（SkillsFuture）的成功，重要原因之一就在于提供了充沛的人才培养补贴支持。该计划通过向企业提供“技能发展基金（SDF）”的税收抵扣和费用补贴，重点支持AI等数字技能培训和学徒项目，激励了广大中小企业的积极性。 推动行业能力框架与教育体系的融合。实现规模化的协同育人，核心在于解决校企双方在教学内容和人才评价的对接问题。针对AI驱动的职业和能力变化，政 策需要引导和推动行业协会、龙头企业与教育机构联合研究开发AI技能标准，作为连接产业需求与人才培养的桥梁。基于此标准，教育机构可以进行课程体系的模块化改革，将产业实践案例、企业认证课程等嵌入教学大纲，保证学生所学知识的行业适用性。同时，政府还应支持建立AI能力评估与认证机制，允许学生通过参与企业项目、课程等获得学分或技能证书，打通企业和学校互认渠道。欧盟自2010年就开始启动并推出公民数字能力框架（DigComp） $^{67}$ ，为各国和各界制定数字技能政策、发展和衡量数字能力提供了共识基础，2025年底将升级到3.0版本。基于该框架欧盟还计划推出欧洲数字技能证书（EDSC），打造欧洲数字技能认证的质量标签和互认标准。 增强公共教育培训资源和服务建设与共享。AI人才培养有赖于大量的算力和数据等支持，单靠学校和企业自身难以充分满足。政府可牵头建立国家级或区域性的AI教育公共算力平台和开放数据集等基础设施，向参与协同育人的学校和企业开放，以促进科研、教育和人才培养的创新探索活力。同时，鼓励和资助企业与高校合作开发AI课程、教学工具、实验系统和教师培训资源等，并将其纳入公共数字教育资源库，重点针对偏远地区、地方院校和中小企业，进行推广并开展培训，实现优质资源的公平分配。欧盟近期大力推动的“AI大陆行动计划”（AI Continent Action Plan）及其核心项目“AI工厂”（AI Factories）69，体现了AI时代公共基础设施的重要性。该计划预计投资数十亿欧元，在欧洲多国建立和扩展AI工厂网络，提供大规模算力和AI一站式服务平台，开放给学术界、初创企业和中小企业进行AI模型训练、应用开发和教学实践。 “企业在与学校合作时，常常感到在产学融合方面，企业和高校的合作应当更加紧密，尤其是在学生实习和项目实践的领域。企业可以为学校提供更多的实习机会，政府则可以推动政策支持，如通过减免税收或者提供人才补贴，激励企业与高校更好地对接。” Shirley 某品牌服饰管理公司HRD # 8. # 社会之间 如何共建更加 普惠包容的教育生态？ 教育长期以来的愿景便是追求更加普惠包容的教育生态，无论是我国提出形成惠及全民的公平教育总体目标<sup>70</sup>，还是联合国教科文组织强调将确保包容和公平的优质教育作为可持续发展目标的一部分<sup>71</sup>，建设更加普惠包容的教育生态是全球普遍共识。今天，AI的到来把教育“普惠”这个议题推到了更为重要的位置。AI既可能促进普惠，例如通过个性化学习和资源普及提高教育的可及性；也可能造成极化，例如资源不均和算法偏差可能加剧教育不平等。面对这种不确定性，如何保证AI成为放大教育公平的“倍增器”，而非加剧数字鸿沟的“断层带”，可能是AI时代最核心、最根本的议题。 # 从“硬普惠”到“软普惠” 在推动教育普惠的过程中，GenAI工具产品的普及与应用是实现公平的重要抓手。在教育普惠的实践中，过去更多强调的是基础设施建设和硬件条件的改善，这些投入在一定程度上缓解了教育资源分布不均的问题，使更多学生有机会接受优质教育。GenAI的兴起正在推动教育普惠从“硬普惠”向“软普惠”转型，借助智能化工具与内容服务，为所有学生提供更加优质、个性化的学习支持。 首先，GenAI的兴起正在重塑教育公平与包容的格局。以往优质教育资源往往集中在重点城市和学校，普通地区难以享有同等的教育内容与服务。GenAI的低成本与可扩展性使普惠具有了前所未有的可持续性。在硬件条件有限的地区，轻量化模型能够实现本地部署，即使在弱网或断网环境下也能提供基本学习支持，避免因硬件差距产生的智能鸿沟<sup>73</sup>。 其次，GenAI时代下知识内容可以被高效地生成、重组和本地化74，教育应用能 70 中华人民共和国中央人民政府. 国家中长期教育改革和发展规划纲要 (2010-2020 年) [EB/OL]. (2010-07-29)[2025-09- 12]. https://www.gov.cn/jrzg/2010-07/29/content_1667143.htm. 71 UNESCO. Education 2030 Framework for Action to be formally adopted and launched[EB/OL]. (2015-10-31)[2025-09-12].https://www.unesco.org/en/articles/education-2030-framework-action-be-formally-adopted-and-launched. 72 UNESCO. Artificial Intelligence (AI) and Digital Education [EB/OL]. (2024-04-18) [2025-10-28]. https://www.unesco.org/en/digital-education/artificial-intelligence?hub=32618. 73 王少.高校本地化部署大模型对教育数字化发展的机遇与挑战[J].西南民族大学学报（人文社会科学版），2025,46(07):231-240. 74 金敏，曹培杰，黄宝忠.技术变革与教育公平：人工智能重塑教育机会[J].浙江大学学报（人文社会科学版），2025,55(04):39-55. “AI有潜力应对当今教育领域面临的一些最重大挑战，推动教学与学习方式的创新，并加速实现可持续发展目标4（优质教育）”72 联合国教科文组织 够突破时空限制，搭建跨域的等效同质课堂，实现从“资源稀缺”到“智能生成与适配”的转变<sup>75</sup>。例如，腾讯SSV数字教育实验室携手清华大学在6省67县的202所乡村小学上线人工智能通识公益课程，通过“企鹅支教”平台的智能排课、低延迟直播和AI学情雷达图的应用，成功将优质教育资源带入乡村地区，打破了传统教育的地理与资源限制，并且适配乡村教育的发展模式与现状，实现教育体验和成果的均等。此外，腾讯“青少年AI校园科创营”项目通过学练平台的AIGC创作工坊将仅在少数线下科创营中才能获得的稀缺资源带入成千上万个校园，在甘肃省白银市的30所人工智能实验学校试点中焕发活力，学生不仅可以在没有手机的情况下轻松登录平台以获得教育支持，还能通过教师的引导在自主探索和实践创作中激发兴趣和创造力、活跃思维，从而实现教育过程和内容的灵活适配。因此，通过GenAI创新应用，教育内容和教学方式能够更好地响应不同地区的需求，使教育不仅在资源上实现覆盖，更在内容上做到精准对接，使得不同背景的学生都有可能获得最合适的学习支持，实现教育内容和教学方法的灵活适配，从而推动软普惠的深入实施和普及。 # 企鹅支教 图8.1 “企鹅支教”上线人工智能通识公益课程 图8.2 腾讯“青少年AI校园科创营” 最后，GenAI推动“软普惠”的发展也在学习方式上展现出新的可能。相比传统的“齐步走”，GenAI工具能够精准分析学生的学习轨迹和知识薄弱点，为其量身定制学习计划<sup>76</sup>。因此，GenAI推动的“软普惠”超越了简单的资源提供，转而聚焦于教育的质量与公平以实现教育公平的根本性跃升，真正让每一位学生都能获得最适合自己的教育支持。“国家智慧教育公共服务平台2.0智能版”的开发是这一转变的体现，其在原有名师课堂基础上新增AI学伴、AI解题助手等功能，面向全国31个省份，尤其是县镇和农村学校免费开放。GenAI根据学生答题轨迹即时生成个性化学习手册，实现“同网同质同辅导”，让教育普惠超越了“机会均等”，迈向“效果均等”<sup>77</sup>。 # AI试验场 欢迎回来，一起试试我们的新能力！ 图8.3 “国家智慧教育公共服务平台2.0智能版”AI试验场 76 于浩. 教育公平：数字化转型热潮下的理性思考[J]. 教育理论与实践, 2023, 43(25):59-64. 77 中华人民共和国教育部. 智能化赋能数字教育新跃升——我国教育数字化进展系列综述之二 [EB/OL]. 2025-05-13[2025-09-12]. http://www.moe.gov.cn/jyb_xwfb/s5147/202505/t20250513_1190348.html. 简言之，GenAI的加入可以使教育公平从“入口的公平”走向了“过程和结果的公平”<sup>78</sup>。从“硬普惠”到“软普惠”的转型标志着教育普惠正进入智能化与个性化的新阶段，不仅在于让更多人有学可上，更在于让每个人学有所成。 # GenAI推动教师群体赋能 “偏远地区的孩子们通过AI获得了优质的线上教育资源，这一突破性发展有效打破了教育资源不平等的壁垒，使更多学生能够享受个性化辅导。” # 李志民 中国教育发展战略学会副会长兼人才发展专业委员会理事长 教师决定课堂的上限，不均衡的师资决定教育的下限。长期集中于重点地区的优质教师，拉大了区域与校际差距<sup>79</sup>。GenAI的引入，为教师群体提供了一条如同“能力放大器”般的新赋能路径，把名师经验转化为可复制的工具链，把资源差距压缩为可弥补的时间差与方法差。此外，GenAI能够承担大量重复性和耗时性任务，通过有机整合任务，帮助教师重新组织碎片化的工作时间，将零散的时间转化为高效的工作流，形成“认知盈余”，从而获得额外的可支配时间<sup>80</sup>。 更重要的是，GenAI能够为贫困地区的教师提供持续的支持。其一，GenAI帮助偏远地区的教师快速获取优质教育资源，并提高课程准备的效率81。目前，腾讯、希沃、科大讯飞等均上线智能化的AI教师助手，基于内置的优质教育资源，AI教师助手帮助教师生成符合新课标的教案，从而能够帮助偏远地区教师快速获得优质教育资源并实现高效备课。其中，腾讯的“企鹅教师助手”以混元大模型为核心引擎，教师只需输入知识点，便可通过“AI课件全自动工厂”功能自动拆解课标目标、生成可视化教学大纲并输出精美课件初稿，将单次备课耗时从数小时压缩至分钟级。同时，“AI教案诊断”功能还能基于优质教案策略库为教师的教学设计提供结构化优化建议，并能根据学生的学习差异定制分层教学任务，辅助教师精准落实个性化教学。 图8.4 企鹅教师助手平台 其二，GenAI有助于缓解偏远地区的教师资源短缺的问题。GenAI能够为教师提供实时的个性化辅导支持，提升教学质量而无需增加额外的人力资源。例如，可汗学院的AI辅导教学工具Khanmigo的影响力已逐渐扩展到全球，为教育资源匮乏的地区带来了个性化的学习支持和高效的教学辅导。Khanmigo助教协助批改作业与课堂互动，使得贫困地区学校能够降低教学成本，在不增加教师数量的情况下显著提升教师教学效果，从而克服传统教育资源不足的难题，促进教育公平82。 因此，GenAI的应用有助于缓解因地理和资源差异导致的教育质量分化，进而缩小区域与校际间的固有差距，推动教育走向更广泛的均衡。 # AI 个性化辅导有望使学习成效分布整体右移 教育心理学家布鲁姆曾比较了常规教学、掌握式学习和一对一辅导三种教学模式，发现在一对一辅导下，实验组中学生的表现比传统教学方法的对照组高出2个标准差，并缩小了学生间的成绩差距，这为个性化教学的有效性提供了有力实证83。长期以来，传统教育体系往往因资源有限而更倾向于关注成绩优异的学生，而后进生在缺乏个性化支持的情况下逐渐被边缘化，导致教育机会与结果的进一步分化，GenAI有望转变这种现象。 基于对学生学习轨迹、知识掌握情况和认知特征的动态分析，AI能够为不同层次的学生提供差异化的学习内容与路径。对于学习相对落后的学生，GenAI可以通过细致讲解、即时反馈和递进式练习帮助其弥补知识短板；而对于学业水平较高的学生，GenAI则能够提供拓展性内容和挑战性任务，以满足更高层次的学习需求84。因此，在个性化的支持下，教育结果的分布不再固化于传统正态形态，而是可能随着后进生学习水平的提升而整体向右移动，群体平均水平得到提高，使教育公平在群体层面得以更为实质的体现。 此外，GenAI的支持突破了教师和家长时间和精力的限制，将过去依赖家庭经济条件才能获得的一对一指导和陪伴转变为所有学生都能够普遍获取的支持，个性化学习资源不再是少数学生的稀缺品，而逐渐成为一种公共化的教育资源。例如，腾讯SSV推出的“企鹅读伴”项目利用GenAI打造数字人作家，陪伴孩子沉浸式阅读和互动交流，让经典阅读不再枯燥单向，而是成为生动、有温度的学习体验。这类创新实践，正不断拓展教育AI在教育普惠方面的应用空间，其影响也正从传统的学科知识传授，逐步延伸至学生综合素质的培养。 图8.5“企鹅读伴”微信小程序 借助 GenAI 的个性化学习支持，阅读、艺术、编程等更广泛的素质教育内容得以个性化呈现，推动学生在创造性思维、计算思维、审美能力等多个方面的发展。例如，微软与 Code.org 合作开发的面向 K-12 的低门槛、多语言 AI 教育项目，通过 GenAI 实现素质教育的个性化升级，“一小时编程”的 AI 引导式编程体验和“Music Lab”的 AI 创作体验都能够根据不同学生的兴趣和水平提供个性化支持<sup>85</sup>。因此，个性化素质教育不再是少数精英家庭的专属，而是能通过普惠的方式触达每一个孩子，让教育公平的内涵从知识的普及拓展到能力的均衡发展。 # 结语 吕思勉先生曾在《中国通史》中指出：“现在所谓教育，其意义，颇近乎从前所谓习。习是人处在环境中，于不知不觉之间，受其影响，不得不与之俱化的。”我们讨论AI时代的教育之问，其实也是思考未来学习者将被何种环境所“俱化”。 “学”是受教与效法，依赖刻意练习、提取训练与及时反馈；这些环节，智能系统已能有效增能。而“习”是合法的边缘性参与，是在共同体、制度与文化中浸润成形；它需要代际相传的仪式、规范与价值，AI未必能替代，甚至稍有不慎便会稀释。 AI 作为系统，始终并且只能与人及其社会结构耦合；它进入课堂、平台与制度的方式，将决定我们培养的人是被压扁为单一产出的“扁平体”，还是在多维脉络中生长为“丰腴生命”。 面向未来，我们既需想象力，也需警惕心。 一方面，如智能体文明为理解教育开启了崭新视角，通过跨文化的合作、冲突、适应与融合的模拟，我们得以跳出单一人类经验，审视文明兴衰与教育演进的深层机制。 另一方面，新技术正挑战“生命”与“智能”的传统边界，并伴随数字安全、数字鸿沟、监控与筛查，以及更广泛的就业、经济与环境议题。教育若要担当文明发展与个体成长的要务，必须将这些外部性纳入课程、评价与治理之中。 据此，AI在教育中的角色应被定位为“关键变量”和“关键一环”，但绝非问题的起点与终点。教育的终极目标不是更快地训练，而是更好地成为。若我们能让技术顺着人的方向发力，让教与学成为多元生命相遇而共成其为的场域，那么AI便不仅改善“学”，亦能护持“习”。 AI会深刻改变教育，但教育必须决定AI为何而用、如何而用。至于技术本身—— “ChatGPT不是魔法”86。 86 Leaver T, Srdarov S. ChatGPT isn't magic: the hype and hypocrisy of generative artificial intelligence (AI) rhetoric[J]. M/c Journal, 2023, 26(5). 本报告中所有的文字、数据均受到中国法律知识产权相关条例的版权保护。没有经过腾讯研究院书面许可，任何组织和个人，不得将本报告中的信息用于其它商业目的。 腾讯研究院 智能教育社会实验研究