赵强福：人工智能与教育
赵强福，浙江师范大学堪萨斯大学联合教育学院学术顾问，日本会津大学教授，日本工程院外籍院士。
摘要：人工智能技术的快速发展正深刻影响着教育体系的结构与内涵。从早期的规则推理到当下生成式人工智能的广泛应用，人工智能在助力教师教学、提升学生学习效率、推动教育公平等方面展现出巨大潜力。然而，技术的应用也伴随着认知能力弱化、伦理失衡等新挑战。本文回顾了人工智能技术的演进脉络，聚焦生成式人工智能在教育场景中的多维赋能，并剖析人工智能时代教育所面临的深层困境。教育不应沦为技术的附庸，而应在尊重人性与坚守教育价值的前提下，引导人工智能服务人的全面发展，成为推动人类文明演进的理性力量。
当人工智能（artificial intelligence，AI）遇见教育，从课堂到课后，从课程设计到教育管理，人工智能正悄然重塑教育格局，带来变革契机。作为一直在计算机领域研究与应用探索的学者，将从人工智能发展历史对教育的启示、生成式人工智能在教育中的多元场景应用、人工智能时代教育面对的挑战与未来展望几部分探讨人工智能与教育的关系。
人工智能的发展源于200多年前人类对智能本质的长期探索。19世纪以来，数学与逻辑学的突破，如非欧几何学的创立和元数学概念的提出，为人工智能奠定了理论基础。高斯与爱因斯坦等科学家在抽象思维领域的贡献，揭示了人类认知世界的逻辑规律，为后续人工智能模型的算法设计提供了灵感。进入20世纪，科学界发现大脑的控制机制，并提出“控制论”理论，首次尝试用机器模拟人的思维功能。这一转变标志着人工智能从理论构想迈向技术实践。
图灵机模型的提出与计算机的发明，共同为人工智能研究奠定了起点。20世纪50年代，第一代人工智能基于知识库和规则推理，试图通过符号逻辑实现智能表达。然而，随着问题复杂度的提升，规则系统的局限性逐渐暴露——符号系统难以表达人类知识中的隐性结构与具体情境。为此，人工智能研究者开始尝试从模拟大脑结构入手，寻找更贴近人类认知的建模方式。
第二代人工智能以神经网络与深度学习为标志，开启了从“符号逻辑”到“联结主义”的范式转换。20世纪80年代末，多层神经元网络实现了对非线性问题的建模，在图像识别、自然语言处理、市场数据分析等领域展现出数据驱动的预测能力。但早期神经网络受限于计算资源与数据规模，模型性能存在显著瓶颈。这一阶段的人工智能仍依赖“监督学习”框架，本质上是对人类已有知识的高效归纳，缺乏真正的创新能力。
第三代人工智能的发展依托互联网、云计算、大数据的发展，形成“环境感知与数据驱动”的技术特征。大模型的开源生态与小模型的知识蒸馏技术，构建了层次化的人工智能应用体系：大模型通过千亿级参数捕捉复杂语义关联，小模型则针对垂直场景进行轻量化部署。作者团队提出的可选择模块——神经网络（module selective-neural network, MS-NET）及其弱耦合设计理念，通过动态模块选择机制，在减少计算资源消耗的同时提升系统可靠性，为构建低能耗低延迟人工智能系统提供了一条独特的技术路径。然而，第三代人工智能的本质仍然是对历史数据的概率拟合，无法突破数据分布的固有局限；基于大语言模型生成人工智能，也只能模仿人类已经构建的知识体系。
第四代人工智能正朝着“创造性智能”的方向发展，其关键突破在于模拟科学家的溯因推理机制。溯因推理是从观察结果反推潜在假设的过程，是人类知识创新的核心思维模式。通过构建具备自主假设生成与验证能力的人工智能系统，第四代人工智能有望辅助人类加速知识发现，在教育领域推动从“知识传递”到“知识创造”的范式转型，助力学习者开展深层次的探索与创造。
人工智能技术演进揭示了教育的本质规律：抽象思维是知识创新的核心驱动力，而数据与知识的动态交互是人工智能不断演进的基础。从几何定理证明到神经网络参数优化，每一次技术突破都依赖对人类认知过程的抽象建模。这一过程启示我们：教育不仅要传授知识，更应注重培养学生的问题意识与思维能力。就像人工智能需要在“学习规则”与“适应环境”中不断调整一样，学生也需要在“扎实基础”与“开放创新”中逐步构建自己的认知结构。
生成式人工智能为教师提供了智能化教学工具集，实现从教学设计到教学评估的全环节优化。在教学准备阶段，人工智能可根据课程目标与学生特征生成个性化教案，涵盖教学大纲、课堂讨论主题及分层作业设计；在课堂管理中，通过分析学生的表情、语音等多模态数据，实时反馈课堂互动效果，辅助教师调整教学节奏。例如，针对数学应用题教学，人工智能能自动生成不同难度层级的题目，满足学生的差异化需求；在科学实验教学中，生成可视化实验指南，构建仿真实验教学平台，突破传统演示实验的安全限制，既降低操作风险，又提升学生理解效率。
教学评估是教师重要的日常工作，人工智能在此展现出独特优势。除了自动批改标准化测试题，大幅提高评分效率，其文本生成能力可辅助教师撰写学生学习进度报告，并结合学习轨迹数据，提供个性化反馈。更重要的是，人工智能能通过自然语言处理技术分析学生的写作样本，识别逻辑漏洞与表达缺陷，为写作教学提供精准建议。例如，使用机器学习模型自动评分学生科学论证，为科学教师提供全面、精准的反馈，助力教学决策；人工智能可以辅助科学教师优化教学设计，生成探究式、跨学科的教学方案。这些工具解放了教师的重复性劳动，使其能够将精力集中于师生互动与个性化指导。
对于学生而言，生成式人工智能不仅是学习过程中的“助手”，更是一种可以互动的认知工具。在个性化学习支持方面，人工智能可将抽象知识转化为多模态表征：为数学公式提供几何直观解释，为文学文本生成情感分析图谱，为科学构建虚实融合的探究空间，借助人工智能驱动的虚拟实验平台，模拟复杂物理过程，如天体运动、粒子碰撞或波动干涉现象，帮助学生跨越抽象概念与具体经验的鸿沟。“可代理”模式尤为值得关注——学生通过扮演“教师”角色，向人工智能讲解知识并接受反馈。例如，学生在多智能体协作框架中输入解题过程中的错误点，系统借助时序模型分析其历史错误数据，生成交互式反馈和针对性问题，引导学生思考并纠正错误；教师可引导学生向人工智能讲解科学原理，人工智能基于知识图谱提出矛盾性问题，帮助学生发现薄弱环节并完善讲解，从而加深对科学知识的理解和掌握。这种费曼（Feynman）学习法的数字化实现，不仅促进知识理解，也促使学生更主动地参与到知识构建中。
在创造性思维培养领域，人工智能具备强大的“头脑风暴”功能，能够为学生提供多角度、多学科的启发。面对诸如空气污染治理、产业转型等现实问题，人工智能可以生成跨学科的解决方案，激发学生的问题意识与发散性思维。例如，在设计“雾霾治理装置”的任务中，人工智能可提供材料科学、化学工程、环境科学等多领域的知识链接，引导学生构建系统性解决方案。以万有引力教学为例，人工智能构建“概念解析—工程应用—科学史溯源”的多层次探究框架，整合轨道计算建模与科学史演进路径，实现物理原理与科技人文的深度融合；在遗传学教学中，人工智能生成DNA结构与斐波那契数列动态比对模型，直观揭示生物结构与数学规律的深层关联。这种“问题导向—数据驱动—创意生成”的模式，打破了传统教育中知识碎片化的弊端，推动学生形成整合性认知结构。
生成式人工智能的应用不局限于常规教育场景，在特殊教育领域也展现出重要价值。针对轻中度智障人群（占我国人口的1%—2%），人工智能可通过语音识别、图像提示等方式提供个性化辅导：基于脑波、心电图等生理数据监测学习状态，通过语音与视觉提示增强认知理解。人工智能结合虚拟科学实验场景放大视觉资讯，为特殊学生展示直观的科学现象，提供互动机会，帮助特殊学生更好地理解科学原理；听障学生借助VR设备沉浸式游览张家界国家森林公园，近距离观赏石峰林立、云雾缭绕的壮丽景色，突破听觉障碍限制，实现深度地理认知体验。这种持续陪伴式的人工智能支持系统，能帮助特殊群体逐步掌握生活技能，提升独立生活能力，体现教育的人文关怀。
互动式学习场景的构建是人工智能赋能教育公平的重要路径。通过便携式物联网（internet of things，IoT）设备采集学生的表情、语音等数据，借助本地人工智能系统即时分析学生对课堂内容的理解程度，动态调整教学内容，实现真正意义上的“因材施教”。例如，人工智能可以根据学生对科学实验的兴趣偏好及理解程度，智能分配实验资源，推送个性化实验项目，实时反馈并提供针对性指导，助力学生深入探究科学问题，提升学生创新思维与核心素养。这种“察知计算”技术使教师能够精准把握每个学生的学习节奏，避免“一刀切”式教学安排，让不同的学生都能在各自的“最近发展区”获得提升。
除了应用层面的赋能，生成式人工智能与人类学习机制之间的深层相似性，也为教育研究带来新的视角。人类的学习本质是多模态无监督学习过程——我们依赖视觉、听觉等感官输入，逐步在大脑中形成个体化的知识网络，并通过“快思考”（直觉判断）与“慢思考”（逻辑推理）的相互调节实现认知提升。生成式人工智能的工作原理与此类似：大语言模型（large language model, LLM）在预训练阶段通过海量文本数据学习语言模式，这一过程可类比为人类通过长期经验积累形成的隐性知识，而微调（fine-tuning）阶段则类似于人类在特定情境中对已有知识的显性加工与结构化应用。在离子反应学习场景中，生成式人工智能基于化学原理生成分子三维模型、反应动态模拟及实验操作视频等资源，学生可自由操作分子结构，直观感受化学键的形成与断裂，深刻理解化学反应本质。教育的核心目标，正是帮助学生在“顿悟”体验中完成知识网络的重构——当人工智能辅助学生突破理解瓶颈时，其价值不仅在于提供答案，更在于激发深度思考，点燃学习的内在动力，让学生在“恍然大悟”中实现真正的成长。
生成式人工智能能够快速提供看似“完美”的答案，但这种“即时答案”的特性潜藏着学生认知退化的风险。学生若过度依赖人工智能完成作业、撰写论文，将丧失“绞尽脑汁”的思考过程——这一过程恰恰是大脑神经突触连接强化的关键。人类的进化优势在于通过持续思考实现知识创新，而长期依赖人工智能的“完美答案”可能导致“高分低能”现象加剧：学生记住的是算法生成的标准答案，却忽略了通往答案的推理过程与背后的逻辑结构。正如：学会思考，尤其是学会如何思考（元认知），是人类赖以生存的根本。
当人工智能具备提供系统化知识服务的能力时，传统学校作为“知识传播中心”的功能将面临消解危机。一方面，缺乏批判性思维能力的学生可能因人工智能的“全能”而轻视教师权威，导致教育过程的情感联结被削弱；另一方面，自主学习能力强的学生可能选择“脱离体系、自主成长”，通过人工智能资源自我规划学习进程，从而脱离原有教育体系。这倒逼大学重新定义自身角色：从“传授知识”转向“培育思维”，重点构建无法被算法替代的教育场景，如深度师生对话、跨学科协作实践、社会情感能力培养。未来大学更应是知识创新的孵化器、人际交往的社群网络、价值观念的养成空间。
在人工智能大规模进入教育领域的同时，其“多语言单一文化”特性与数据隐私风险，正对教育的多元性与安全性构成挑战。算法推荐机制容易制造“信息茧房”，导致学生认知视野窄化，且个人学习数据的二次泄露可能引发身份盗用等问题。更深远的担忧在于：若人工智能长期记录人类的学习过程与心理特征，是否可能被用于“精准操控”人类行为？正如历史上技术革新常伴随权力结构重构，人工智能时代的教育必须建立数据伦理框架，确保技术应用服务人的全面发展，而非沦为商业控制或社会分层的工具。在此背景下，科学教育培养学生的科学素养和批判性思维能力，帮助学生理解人工智能技术的原理与应用，在面对技术伦理困境时能够作出理性判断。
人工智能的自我意识觉醒虽尚未实现，但其快速发展的能力与规模，已引发人类社会对未来风险的深切关注。若未来人工智能具备自主目标设定能力，其与人类价值体系的冲突将不可避免。教育在此承担着双重使命：一方面，培养能够掌握人工智能底层逻辑与运行机制的“掌控者”，使其具备设计、调整与监管人工智能系统的能力；另一方面，加强哲学与伦理教育，引导学生思考技术发展的终极目的——我们需要的是服务人类文明进步的人工智能，而非替代人类的“新物种”。科学教育通过系统传授科学知识与方法，培养学生对技术的理性认知和科学精神，帮助学生理解人工智能技术背后的科学原理，以应对人工智能带来的技术挑战。正如古希腊哲学对“技术伦理”的早期探讨，当代教育必须重构技术与人文的平衡，确保人工智能成为文明演进的助力而非威胁。
面对上述挑战，教育系统需从三方面展开变革。首先，改革师范教育体系，将人工智能素养纳入教师培养核心内容，使教师成为“技术—教育”融合的设计者而非旁观者，加强科学教师应用人工智能模拟实验、数据可视化等工具的能力，支持学生通过虚拟仿真深化科学探究。其次，重构课程体系，强化元认知训练与批判性思维培养，开设“人工智能伦理与社会”等通识课程，引导学生建立清晰的技术价值观判断框架，在课程中融入人工智能驱动的数据分析实践，培养科学实证思维。最后，创新教学组织方式，推行“参与式学习”为主导的教学形态——通过项目式学习、角色扮演、辩论会等形式，构建师生、生生、人机多元互动的学习共同体，让人工智能成为辅助认知构建的工具而非知识的传递者。
人工智能的发展犹如一把双刃剑，既可能加速文明进步，也可能引发生存危机。在教育领域，其影响不局限于技术应用层面，本质上是对人类学习机制、教育目的、文明传承方式的重新定义。“人工智能不再是普通的计算工具，不懂人工智能的性格，最终会被人工智能取代。”所谓“懂人工智能的性格”，并不仅仅指掌握编程语言或模型结构，而是理解其底层逻辑——数据驱动的归纳性、概率预测的局限性、缺乏真实情感与创造力的“工具智能”。
未来的教育，应是“人工智能教育”与“为人工智能的教育”的辩证统一：既要培养掌握人工智能技术、引领发展的专业人才，也要塑造具备判断力和协作力的普通公民。在技术演进的浪潮中，教育需坚守本质——培养“会思考、能创造、有情怀”的人。正如人类学会使用火却未被火吞噬，掌握人工智能的关键不在于技术崇拜，而在于始终保持对人性的敬畏与对文明的责任。
站在人工智能发展的历史节点，教育界肩负着前所未有的使命：既要拥抱技术创新，以人工智能赋能教育公平与教学效率；更要坚守教育的价值观，确保技术进步服务人的全面发展。人工智能技术与科学探究深度融合，培养学生科学素养及伦理意识，利用人工智能推动科学进步的同时，坚守科学伦理和人文关怀。只有在技术进步与价值坚守之间实现动态平衡，教育才能立足当下、走向未来；也只有在教育主导权得以确立的前提下，人工智能方可成为文明跃迁的阶梯，而非不可控的风险源头。
[2] 王一岩. 人工智能赋能科学教育的典型表征、突出矛盾与实践路径[J]. 中小学科学教育, 2025(2): 29-34.
[5] 吴凤, 张文娣, 陈静仪, 等. 费曼学习法与人工智能结合在消化系统疾病学习中的策略探究[J]. 现代消化及介入诊疗, 2024(11): 1344-1346.
[6] 万昆, 黄嘉松. 生成式人工智能赋能跨学科学习实践新图景[J]. 天津师范大学学报(基础教育版), 2025(4): 64-69.
[7] 杨屿航, 马金晶, 曹晓莹, 等. 智能时代特殊教育数字化转型: 发展机遇、 现实挑战与路径举措[J]. 安顺学院学报, 2024(3): 78-83.
[11] 陈洛希. 生成式人工智能在科学教育中的应用与教学设计创新[C]//2024数字化教育教学交流会论文集(下). 长沙: 中国智慧工程研究会, 2024: 223-224.
本文为澎湃号作者或机构在澎湃新闻上传并发布，仅代表该作者或机构观点，不代表澎湃新闻的观点或立场，澎湃新闻仅提供信息发布平台。申请澎湃号请用电脑访问。
