蔡可：我们能教会人工智能，为什么教不会学生“学习”？

全文长 3700 字，阅读大约需要 5分钟

QUOTE

机器从海量语料里学会了推断，课堂却常常在碎片化的知识点里，丢掉了真正的理解。

—— 蔡可

当前大语言模型在处理语言任务上的表现日益令人瞩目，语境推理、内容概括、文学解读、各种文体写作等等，均能完成高质量输出。

为什么人类可以依托海量语料、标准化训练流程去塑造、增强大语言模型的能力，类似的办法却在课堂陷入困境？反复讲解、大量训练、高频做题之下，学生的能力提升依旧缓慢 。

面对这一窘境，部分教师开始尝试将AI引入教学，希望借助其强大的语言处理能力辅助课堂教学；但很快也有教师敏锐地发现， AI不应减省学生的学习过程 ，其解决问题的思路与学生的认知路径也未必匹配。

一面是AI在语言任务上的游刃有余，一面是 学生在真实学习中的举步维艰 。这种巨大反差，倒逼我们重新审视语言理解的底层逻辑，反思现行教学的症结。究竟应怎样看待AI“能读懂”与学生“学会理解”的不同？

本文就以语文为例，来讨论课堂究竟该培养何种 不可替代的能力 ？

本文看点

01

机器怎样做“填空”

02

理解力与背景知识强相关

03

知识不是砖块而是网络

一个简单的填空，一次复杂的“推理”

让我们通过一个例子看大语言模型（叙述方便起见，下文采用并不严谨的简称“大模型”） 怎样做语义推断 ——

示例

他从图书馆里出来，外面已经下起大雨，他赶紧把伞撑上，生怕把（　）给淋湿了。

如果要问，括号里最合适的词应该填什么？可能大多数人的回答是 “书” 。测试发现， 大模型也是如此 。

也有其他的可能，生怕把背包淋湿了，或者，生怕把衣服淋湿了。然而，当我们把背包、衣服放到空格里，总感觉有些不够“丝滑”。在正常的语境中，交流的一个基本原则是 避免信息冗余 。雨、撑伞、淋湿，可以推断出衣服和背包；没必要加图书馆。这是一个否定性判断。

如果这里最合适的就是填上“书”，大模型又是怎样做最终判断的呢？

这一过程，会涉及专业层面的算法。不考虑算法问题，换个角度，我们可以想一想：是什么让我们推断出这里要填上“书”？再类比到大模型，它在得出结论的上一个“瞬间”，“读”到了什么？也就是说，它究竟是在基于 哪些必要的信息 才能做出判断？

大模型首先要读到这样一些信息：

语料

“他从图书馆借了几本书，小心翼翼地放进背包里。”

这句话明确提到“图书馆”和“借了几本书”，为大模型提供了 “图书馆”和“书”之间的直接关联 。

语料

“图书馆里摆满了各种各样的书籍，他每次来都会挑选几本带走。”

这句话强调了 图书馆的主要功能是提供书籍 ，同时暗示人们会从图书馆带走书籍。

让我们进一步思考，还有什么语料对大模型做判断是有用的。例如下面这句：

语料

书不小心从口袋里滑落出来，掉在水中，没法看了。

也还有其他更多的可能：假设，有一个语料，出自一部散文，用了一种很文学化的表达——

语料

《战争与和平》静静地被搁置在窗台，雨水无情地打湿了它的封面，让它看起来非常可怜。

无论是信息类的文本，还是文学类的文本，这些语料都直接表达了 “书”和“淋湿”之间的关系 ，让大模型能够理解“书”是 容易被淋湿的物品 。

问题又来了：淋湿就淋湿呗，有啥好担心？我们当然要担心，因为 “书”是值得我们珍视的 。所以，大模型还需要读到一些与“书”作为重要物品的语料。

语料

“对他来说，书就像珍宝一样，他总是小心翼翼地保护它们。”

这句话强调了 书的重要性 ，让大模型能够理解人们会特别在意书是否被淋湿。

语料

“他从图书馆借的书是限量版的，非常珍贵，他可不想让它们被雨淋湿。”

这句话进一步强化了 书的价值和需要保护的必要性 。

通过这些语料，大模型可以学习到以下四个维度的关键信息：

1

图书馆的主要功能是提供书籍。

2

人们从图书馆出来时通常会带着书。

3

书是容易被淋湿的一种物品。

4

书对人们来说很重要，需要小心对待。

有了这些语料作为训练数据，大模型就能更好地理解目标句子的语境，并判断出“书”是最合适的填空选项。用技术的行话来说，这就是人工智能中 表征学习（Representation Learning） 的一部分，其核心目标是让大模型能够自动从数据中学习到有用的特征表示，从而更好地理解和处理输入信息。在自然语言处理中，这通常涉及到对文本数据的语义理解、上下文感知和逻辑推理。

因为大模型不会直接读汉字，在“……生怕把（　）给淋湿了”里，它是这样工作的：先把整句切成 Token 流： 他, 从, 图书馆, 里, 出来 ……所谓Token，现在已经有正式的中文译名，即“词元”，简单的说就是 “机器能嚼得动的最小信息单位” 。大模型只认数字，Token 为中文字符配上数字ID，每个 Token 带着“隐形标签”，图书馆有“书多”的属性，而书有“怕水”的属性。最后大模型盯着括号对应的 Token 位置， 猜最可能的下一个 Token 是“书” 。

以上仅为示例，因为不同的大模型实际“读”到的语料一定是和上面的例子不一样的。而且在不同的大模型里，确定Token的原则并不一样，在有些大模型中，图书馆是一个Token，有些则是图、书、馆三个Token。但只要是为了完成括号中要填的那个空，不管哪个大模型，无论它有什么样的语料、遵从什么样的原则，在完成判断的最前一步，大模型都需要读到、读全上述四个维度的信息 。

实际处理语料时，大模型还会遇见许多并不在这四个维度里的信息。作为无关信息，它们通常是 需要被“清洗”掉的 。仍有一些小的细节问题，例如它需要知道《战争与和平》是一本“书”；也还有一些相互交叉的信息互为因果，例如，如果大模型不知道空格里该填什么，那它也不知道“图书馆里摆满了各种各样的书籍，他每次来都会挑选几本带走”这句话意味着什么。但这些问题处理起来并不复杂，可以通过大模型已经习得的 语义关联机制 加以解决。

还有一些特定要解决的技术问题，例如设定Token和Token之间的关联；例如选择什么样的算法。但作为非人工智能专业的教师，我们并不需要关心技术怎样去实现，也无需关心大模型究竟是用了监督学习还是无监督学习，更没必要去关心它用的是标签设定的判别式人工智能，还是以“涌现”为主要特征的生成式人工智能。因为无论什么技术，在做出对这个特定问题决断的上一步，大模型一定会关注到 上述四个维度的关键信息 。

这些信息帮助大模型 构建了一个合理的语义框架 ，从而能够准确地推断出“书”是最适合出现在括号里的词语。

阅读理解：在“符号”之间建立意义网络

当然，“图书馆”不只“书多”这一个属性，它或许还和“凉快”“安静”相关；“书”也不只是“怕水”这一个属性，它还和“承载知识”“纸”“有文化”有关。

在传统的符号主义、第一代判别式人工智能中， 知识被表示为明确的规则和分类 ：“图书馆是一种场所”“书是一种物品”“人们可以从图书馆借书”。

这种表示方式固然清晰，但有一个致命的缺陷： 无法处理模糊意义和复杂语境 。就像打自动客服电话，根据不同场景选择数字以通往下一步，但总有些问题不在数字描述的情境之中。

词汇的意义不是存储在某种“词典”里的固定条目，而是 动态地、根据上下文从语义网络中被激活 。每一个词汇都像一个网络节点，与无数其他节点相连——“书”连接着“阅读”“知识”“纸张”“图书馆”“珍贵”“易损”等等。当“书”这个节点被激活时，它会把其负载的一部分属性传递给与之相关的节点，让它们处于一种“预备”状态，随时准备被调用。

当“图书馆”和“书”连在一起时，决定它们关系的还有其他的Token，这些Token各自的属性 决定了不同Token之间连接的概率 。例如当大模型处理“图书馆的书在窗边静静躺着”这一语句时，算法会同时捕捉多个关联信息：从场景维度，“图书馆”指向安静、有序的环境属性；从动作维度，“静静躺着”排除了“翻动”“借阅”等动态状态；从功能维度，“书”的核心价值是承载知识，而非物理形态的“纸张堆叠”。

因此，大模型在给“书”标注属性时，“安静”会与“纸质”“知识载体”等标签同等重要，甚至会优先于“淋湿”这类仅在特定场景下出现的偶然属性。

「意义不是孤立的属性，而是关系的产物。」

“书”之所以是书，不仅因为它有纸张和文字，更因为它与图书馆、阅读、知识、保护等概念之间的稳定关联。正是因为这些关联，“从图书馆出来”才会激活“带着书”这个预期，而“怕淋湿”才会在概率上锁定“书”这个目标，而不是其他同样会被淋湿的物件。 “书”的所指在关系中被激活，而能指其实只是一个形式符号 。

大模型学习语言的方式与这种网络结构惊人地相似，它并不存储显性的定义，而是在一个高维空间中为每一个词汇分配一个向量——一个由成百上千个数字组成的“隐形标签”。

我们可以把向量简单理解成给每个词语搭配的一组“语义标签组合”：早期静态词向量，一个词语只配一套固定标签，不管语境怎么变标签都不变，而动态词向量会跟着句子上下文实时调整标签组合。一个常被提及的例子是，“苹果”放在水果店的语境里，它对应的向量标签会偏向水果、甜、食用；放在数码产品语境里，向量标签就偏向手机、电子产品、数码品牌。

两套向量在 AI 的认知空间里相隔很远。如果两个词语经常一同出现在各类文本语境里，二者对应的向量就会在认知空间里相互靠近。这意味着，图书馆带着“书多”这一属性，书带着“怕水”这一属性，在词向量逻辑里就是：“图书馆”这个词元的向量数组里，对应“书籍、借阅”这类隐形标签的维度数值很高，在AI的“词典”里，“图书馆”和“书”之间的距离非常近，而“图书馆”和“香蕉”之间的距离非常远。

更重要的是，这种“距离”不是一维的，而是 多维的——它同时捕捉了功能、场景、情感、因果等多种关系 。这正是大模型能够像人类一样，在那样一个句子中，能迅速从“图书馆”联想到“书”，而不是联想到“凉快”或“安静”的原因。

但在特定的时候，图书馆也会激活“凉快”这一属性。试想，在暴晒的大街上，是不是我们想找一个“有空调”的图书馆？“书”甚至也可能会和“泡面”关系很近，因为晚上加餐时，或许你手上只有一本硬壳书，才能压住泡面盒被撕开的包装。

句子不只是词语的序列，更是 要点的编织 。理解单个词汇的意义只是阅读的第一步。进一步的挑战在于，如何把词汇组合成有意义的句子，又如何把句子组合成连贯的段落。

假设你读到这样两个句子：“早上的降雨让路面结了冰。母亲提醒孩子们要小心。”这两句话之间没有共享同一个物体、同一个人或同一个地点，但任何一个有常识的读者都会自动建立因果联系：路面结冰很滑，走在滑的路面上容易摔倒，摔倒会受伤，家长不希望孩子受伤，所以母亲提醒孩子们小心。这些中间步骤没有一个出现在原文中，但读者会不自觉地用背景知识把它们填补上。这正是阅读理解中的神奇之处： 文本省略掉的一些信息，有经验的读者能自己补上 。如果文本写明了每一个推理步骤，就会变得无比冗长和乏味。

这种“填补”能力，取决于一个人拥有什么样的背景知识。一个从未听说过冰见过冰、从未经历过冬天的人，读到“路面结冰”和“母亲提醒”这两句话，也许能猜到两者之间有关系，但无法还原出完整的因果链条。他的理解只能停留在“这两句话有关系”层面，而无法进入“母亲提醒孩子是因为路滑易摔倒”这个更深的层面。

这就是为什么 “阅读理解测试”在某种意义上其实是“背景知识测试” 。尤其是专业化的文本，更需要读者具备必要的背景知识，去完成那些“不言自明”的推理。正如你之所以能读懂一篇关于股票的文章，不是因为你有什么“通用阅读技巧”，而是因为你已经知道一些关于股票的背景知识。如果你对这个话题一无所知，任何阅读策略都帮不了你。 背景知识的多少，很大程度上决定了人的阅读能力 ，这就是为什么要鼓励学生多读不同类型、不同领域书籍的直接原因。

大模型面临的挑战是一样的，它要正确完成“他从图书馆出来……生怕把（　）淋湿了”这个句子，就必须知道图书馆与书的关系、书与淋湿的关系、淋湿与珍贵的关系。这些知识不是从当前的句子中获得的——句子中没有明确提到这些信息。 它只能从训练数据中习得 。如果它的训练语料中缺乏描述“图书馆是用来借书的”“书是值得保护的”这类常识文本，它就永远无法正确地完成这个填空。

可事实上，大模型应对知识挑战很容易，因为它的“理解”，是在对训练数据中隐含的人类常识进行编码、提炼和融合，即从海量文本里提炼通用语言规律、进行常识关联，然后浓缩进模型参数。这种“理解”能力并非凭空产生，而是从亿万篇文本中“蒸馏”出来的 。

能教会大模型“理解”，为什么教不会学生“学习”

现在我们可以回到最初的问题了。我们 能教会大模型“理解”，为什么教不会学生 ？

当一个大模型读完“他从图书馆里出来……生怕把（　）淋湿了”这句话，并正确地填出“书”的时候，它经历了什么？它不是“查”了词典，不是“回忆”了某条规则，不是“搜索”了记忆中的类似句子。

它做的是：把这句话中的每一个Token转换成向量，通过自注意力机制计算它们之间的关系权重，然后基于这些权重和它在训练中学到的数万亿个参数， 预测出括号位置最可能出现的Token是“书” 。

这就是大模型通过读上下文的关键信息，并基于Token属性来做判断的基本原理。大模型的成功，为人类教育提供了一个重要的反思机会。长期以来， 学校教育的重心放在知识传授上——老师讲、学生记、考试考 。这种模式隐含的假设是：知识是一块一块的，可以像砖头一样堆砌。你学一个知识点，把它存进脑子里，需要的时候再取出来。

「有效的知识不是砖块，而是网络。」

一个概念的价值，不在于它本身，而在于 它与多少其他概念建立了多少的连接、如何建立连接 。“书”之所以能被正确识别为填空答案，不仅因为大模型知道“书”是什么，更因为它知道“书”与“图书馆”“雨”“保护”“珍贵”等概念的关联。正是这些关联的多重性和强度，让大模型在遇到新语境时能做出正确判断。多维度标签相互关联、彼此印证，构成一个完整的语义网络。大模型通过标签间的协同作用，实现对语言的精准理解。这一机制，也为语文教育中精准辨识词语、理解场景中词语的不同涵义提供了重要启示。

人类学习也可以借鉴这一点，注重理解知识的背景和关联性，而不仅仅是孤立地记忆信息。在教学中不应该只要求学生“知道”一个概念，而应该帮助他们在不同的语境中不断接触这个概念，并基于上下文建立丰富的关联网络，把学到的知识应用到新情境中—— 这才是真正的理解 。

「死记硬背得到的是“记住”，迁移应用才是“学会”。」

因此，教育更应该要从知识记忆转向知识的迁移、应用，通过在知识点之间建立连接，让学生理解知识是处在结构之中，例如：学习语言时，不要只背单词，而是在阅读中多次遇到单词，并通过句子、段落和语境来理解单词的用法和内涵；学习历史时，不要只记事件和日期，而是要理解事件的背景、原因和影响，以及它与其他事件的关联，把事件放到因果链条和多方视角中思考；学习科学时，不应只是记住公式和定义，要理解科学概念在实际应用中的作用，多用公式解决不同类型的问题。

此外，大模型之所以能够处理从未见过的句子，是因为它在训练中看到了足够多的“变体”、多样化的场景，学会了 归纳“模式”而不是记住“实例” 。我们训练大模型时，采用的是自监督学习（Self-supervised Learning）：不给它标准答案，而是让它在海量文本中自主发现规律，通过预测被遮蔽的Token来建立语言模型，整个训练逻辑是“海量‘阅读’-自主归纳-情境迁移”。

AI用似乎最机械的方式，验证了一个最朴素的道理： 语言能力是从大量真实的、有语境的、有“不良结构”的输入中生长出来 ，而不是被拆解成知识点、能力点的碎片化学习。这一切，对AI来说，又建立在海量知识储备基础上。

这些基本的知识储备与场景中的能力培养，我们教给学生了吗？反观当下语文课堂，我们教会AI所用的一些方法，构建语义网络、海量多样本训练、侧重规律归纳与迁移的整套训练逻辑等等，极少完整落地到日常教学 。我们教AI时相信“量变引起质变”，教学生时却将学语文锁死在学教材课文，在有限的范围内，学生记笔记、背答案、追进度……

大多数的课堂生态是碎片化的知识点学习、单一文本标准化或套路化解读、以识记代替理解过程；教学追求“精讲细练”，一篇课文拆解成很多个细碎的问题或知识点，既缺少帮助学生搭建概念关联网络的教学设计，也缺少足量阅读材料、多元阅读场景支撑学生自主归纳语言规律，就更遑论那些更精微、更内隐的人文素养了。

我们还能超越人工智能吗？

大模型的“理解”过程，在数学上是精确的，在工程上是可复现的，在多数常见任务上的结果是正确的——尽管大模型也存在众所周知的“幻觉”问题，在某些情况下会生成与事实不符或逻辑不连贯的内容，但这并不妨碍它在大量常规语义推断中表现出色。而且它拥有人类无法企及的知识广度和检索效率——虽然它的训练数据存在截止日期，其“记忆”本质上也是一种有损压缩，有可能丢失细节、产生失真，但它所覆盖的文本总量和调用速度，依然远超过任何个体。

越来越多的技能已经逐渐被AI取代，我们还有超越人工智能的希望吗？这引出了一个更深、更复杂的困惑： 人工智能的理解是“理解”吗 ？

如果我们把“理解”定义为“能够做出正确的语义推断并据此行动”，那么它就是在理解——是的，随着“世界模型”的发展，AI也可以“行动”——如果我们把“理解”定义为“伴随着某种意识的过程体验”，比如读书时是什么感觉、读过书的人会有怎样的情感、“想”解决什么问题，那么它不是。

但我们又怎么知道别人真的“理解”了？

我们永远无法直接进入另一个心灵 。我们只能观察行为，那些语言行为和推理行为。如果一个大模型在所有可测试的语义推断任务上都表现得和一个“人”一样好，我们有什么理由说它“不理解”呢？这个困惑没有简单的答案。但有一点是确定的：不管我们最终如何定义“理解”，AI所做的事情与人类阅读之间有着很强的相似性。两者都依赖于大量的先验知识，人有背景知识，AI有训练数据；两者都需要在多个信息维度上进行整合，如词汇、句法、语义、情境……两者都是 从“表面形式”走向“深层意义”的过程 。

不同的是，大模型可以“读”完互联网上所有的文本，在这个过程中它依托人类反馈对齐形成领域偏好，垂类模型更会精选行业语料，但整体而言，它不会自主对文本产生质疑、主观好恶与价值判断，所有取舍都是算法与人工对齐规则后赋予的。大模型本身并不挑食、不质疑、不偏爱；在它那里，所有文本最终都化为同质的概率模式。它没有判断力，没有批判性思维，没有价值选择，甚至，（至少目前）没有问题意识。

人类显然不是这样，或者说要学会不能这样。学生需要学会区分可靠信息与不可靠信息，需要在不同观点之间做出判断，需要知道自己读这段文字的目的是什么，要解决什么问题，从海量信息中又能提出什么问题。

这些对个人认知过程进行监控、调节的 “元认知”能力 ，是目前大模型并不具备的。虽然近期部分大模型已展现出初步的自我检查和修正行为模式，但这种能力仍极为有限，必须依赖特定提示，远未达到人类那种自觉、灵活、内省的元认知水平， 这恰恰是教育最应该培养的能力 。

在关于AI能否真正“理解”的讨论中，我们常常陷入一种二元思维：要么理解，要么不理解；要么有意识，要么无意识。这种思维或许本身就是问题。

「也许“理解”不是一个状态，而是一种关系。」

它不是某物“拥有”的属性，而是某物与某物之间的互动方式。当你读一本书时，你与它之间建立了一种理解的关系；当你与另一个人交谈时，你与他之间也建立了一种理解的关系。

从这个角度看，当我们在“教会”AI阅读时，其实是在与AI一起探索一种新的理解方式。这种理解方式在某些方面与人类相似，比如依赖上下文、激活语义网络、构建情境模型；在另一些方面则完全不同，比如没有意识、没有情感、没有目的。

当我们惊叹于一个填空答案被AI正确预测时，我们其实是在惊叹另一件事：原来人类的阅读理解，可以在如此深的层次上被模拟和再现。这不是贬低了人类，恰恰相反，这种惊叹有可能将我们推向远方，它让我们更清晰地看到，因为有了“惊叹”这种情绪，人类阅读中那些最珍贵的东西—— 好奇、质疑、共鸣、沉思、螺旋上升之后的精神重塑 ——是任何算法都无法取代、无法复制的。

阅读从来不只是解码符号、提取信息。阅读是人与文本、世界之间的对话，在这场对话中，我们不仅带走了信息，也改变了自己。这或许是人在AI面前，那个最后的、也是最无法被攻克的堡垒。

原载《中学语文教学参考》2026年第8期，发表时略有删节。

— END —

2026第四届中小学特色课程博览会重磅来袭！

聚焦跨学科融合课程建设，我们不仅讲理念，更让理念落地，以“道”定方向、以“法”拓思路、以 “术”练实操、以“器”看样本，带您经历一场从“想清楚” 到 “做出来” 的完整体验。

现面向全国中小学校征集优质跨学科课程案例，让每一份创新实践，都能被全国看见！

11月20-25日，佛山，期待和各位教育同行共赴教改之约！

️

校长派投稿邮箱：xzpxzzk@163.com

来源丨caike 作者丨蔡可

编辑 | 智库君

我们在一起，可以成为改变的力量