推进“人工智能+教育”的五点思考

推进“人工智能+教育”，既要有拥抱技术的积极态度，也要有守住教育规律的清醒意识，因为教育不是一般行业，学校也不是普通应用场景。

第一，要高度重视中小学生对人工智能的滥用问题，尤其要对中小学课堂中的学生端使用保持审慎，必要时应明确禁用或限用。

对成年人来说，人工智能是效率工具；但对中小学生而言，它很容易变成替代思考、替代作业、替代训练的“捷径”。

中小学生正处在学习习惯、思维方式和基本自律能力形成阶段，学习的价值不仅在于得到答案，更在于经历理解、记忆、推理、表达和反复训练的过程。如果这个过程被人工智能大量替代，学生看似完成了作业，实际上却没有真正获得知识和能力。

我们不能理想化地假设孩子天然知道如何正确使用人工智能。趋利避害是人的本能，很多成年人都难以抵抗工具带来的惰性，更何况心智尚未成熟、学习习惯尚未建立的中小学生。

如果大量学生从小习惯把问题外包给AI，遇到作文让AI写，遇到数学题让AI解，遇到阅读理解让AI总结，那么他们最终学会的可能不是知识，而是绕开学习本身的方法。长此以往，学生的基础能力、思维韧性和独立表达能力都可能被钝化。

西方国家普通大众在基本计算能力上普遍依赖计算器，就是一个值得警惕的例子。工具当然提高了效率，但如果基础训练过早被工具替代，人的基本能力就可能退化。

人工智能比计算器更强大，也更隐蔽，它不仅能算，还能写、能说、能总结、能推理，甚至能给出看似完整的价值判断。因此，对基础教育阶段的学生端AI应用，必须设定清晰边界，特别是义务教育阶段学生端，必须慎之又慎。

第二，要防止学生被人工智能钝化，就必须重新认识传统考试方式的价值，尤其是闭卷考试和面试答辩等手段，筑起最重要的防线。

人工智能时代，学习方式要变，评价方式也要变，但这并不意味着传统评价方式失去意义。恰恰相反，在AI可以随时生成答案的时代，现场化、面对面、不可外包的评价方式反而成为防止滥用最重要的防线。

闭卷考试最大的价值，不只是筛选，评测，更是倒逼学生真正学习。它要求学生把基础概念、基本原理、核心知识和基本能力内化为自己的东西。

开放式作业当然有价值，项目式学习也应鼓励，但如果完全依赖课后开放作业，就很难判断学生到底掌握了多少，哪些是自己理解的，哪些是AI生成的。尤其是在作文、论文、报告、方案等任务中，如果缺少现场表达和过程检验，最终评价的很可能不是学生能力，而是学生调用AI的能力。

没有知识，何来能力？人工智能进入教育后，闭卷考试反而成为我们最后一道防线。课堂小测、现场写作、口头答辩、面试交流、实验操作、过程性观察等方式，都应适当强化。它们的意义不仅在于判断学生是否真正理解，更在于迫使学生保持必要的基础训练。没有基础知识和基本能力，所谓创新能力就会成为空中楼阁。

第三，要高度重视人工智能对意识形态安全带来的复杂挑战，建议在教育系统建立大模型白名单制度。

立德树人是教育的核心出发点。教育领域的大模型应用，不能只看技术指标、响应速度、调用成本，必须看价值导向、内容安全和知识体系。

大模型的回答具有很强的拟人化和权威感，学生很容易把它当成标准答案。如果模型在重大政治原则、历史叙事、国家认同、文化立场等问题上出现偏差，其影响可能是潜移默化的。

清华大学刘奕群教授对当下比较流行的大模型进行了测试，结果深刻反映了这一问题。 比如在中国台湾地区是否构成独立国家等重大原则问题上，Llama、ChatGPT等国外模型都曾出现严重偏差，即便一些国内的智谱以及KIMI等模型也存在不准确、不严谨之处。

如果政府部门、教育部门或学校系统接入的底座模型未经严格鉴别，就可能在日常教学、学习问答和知识服务中影响学生认知。教育系统面对的不是普通信息偏差，而是价值塑造和国家认同问题，不能掉以轻心。

更隐蔽的问题在于知识体系本身。尤其在社会科学、人文历史、国际关系、新闻传播等领域，大量理论框架、解释方式和价值预设可能来自西方知识体系。如果模型长期以这些材料为主要训练来源，它给出的答案即便没有显性错误，也可能在叙事结构和价值判断上发生偏移。

更值得警惕的是，当前已经出现了以营销为目的的对大模型进行反向精准投喂的现象，未来出于认知作战目的的精准投喂也完全可能出现。教育系统必须对此保持前瞻性警惕。

第四，发挥体制机制优势，建设教育系统算力共享联盟。

人工智能落地教育，不只是应用层面的事情，更需要算力、数据、网络和平台作为基础支撑，尤其是算力上。当前不少地方政府和高校都在建设自己的算力平台，从我们调研情况看，高校在“十五五”期间最急迫需要解决的需求之一就是算力支撑。

但遗憾的是，算力投入巨大，单个高校预算有限，单个地方能力有限，如果大家各建各的，往往会出现规模小、成本高、利用率不均衡的问题，很难真正支撑学校与教育的发展。

对此，可以借鉴当年“211工程”推进大型仪器共享与数字图书馆的经验，探索建设教育系统算力共享联盟。教育系统算力共享联盟可以由国家层面统筹，基于中国教育科研和计算机网CERNET网络，整合重点高校、科研机构的算力资源，为教育系统提供普惠的算力支撑。

第五，要警惕人工智能成为应试训练的新助攻。

人工智能本来可以服务因材施教、减轻教师负担、提高学习效率，但市场力量也可能把它推向另一个方向，即更精准、更高效、更隐蔽的应试训练。

好未来最新财报显示，2026财年收入达到30.09亿美元，收入增长33.7%，净利润增长527.4%。最近几年，好未来营收和利润出现大幅增长，相关负责人在解读原因时明确提到产品驱动，其中学而思学习机的大卖是重要因素。

学习机、智能硬件和AI学习产品本身并不天然有错。企业满足市场需求，家长希望提高孩子成绩，学生希望获得即时反馈，这些都是现实存在的动力。但问题在于，如果人工智能主要被用于刷题、押题、错题分析、精准训练和提分竞赛，它就可能把过去的“人盯人应试”升级为“算法驱动应试”。

对于这类产品与服务，不能简单从道德层面批评，因为企业天然会追逐市场需求。但教育治理必须看到这一趋势，防止人工智能技术被广泛用于变相培训和应试强化。

因此，推进“人工智能+教育”，必须坚持积极发展与审慎治理并重。一方面，要发挥我国制度优势，加快人工智能在教育领域的基础设施建设、应用创新和资源共享；另一方面，也要守住学生成长意识形态安全与滥用的底线。只有这样，人工智能才能真正成为教育强国建设的助力，而不是制造新问题的新变量。

原文发表于《中国人民大学教育学刊》2026年第4期，此处略有删改

文中配图为AI生成