在2026世界人工智能大会“人机共育·重塑大学”人工智能+教育论坛现场，一张幻灯片提出了三个看似简单、实则直指大学根基的问题：当知识唾手可得，学生为什么还要走进大学？当大语言模型（Large Language Models，LLMs）不断扩展知识边界，教师不可替代的价值是什么？当知识获取和知识创造突破校园边界，大学存在的意义又是什么？这三个问题，构成了本届大会教育专场的底色。

 

　　过去几年，关于人工智能与教育的讨论，常常从工具开始：如何用大模型备课、答疑、批改作业，如何生成课件、提高效率，如何建设“智能课堂”。

 

　　而这次论坛释放出的信号明显更进一步：人工智能已经不只是进入课堂的一项新技术，而是一种正在改变知识生产、人才培养和社会分工的结构性力量。它迫使大学重新审视自身的使命、组织方式、课程体系、评价制度和科研范式。

 

　　如果用一句话概括本届教育专场最重要的创新点，那就是：教育人工智能（Artificial Intelligence in Education，AIED）的评价尺度，正在从 “机器能做什么”转向“人在使用机器之后成长为什么”。

 

 

　　论坛围绕“育人之变、人机协同（Human-AI Collaboration）、教育治理（Educational Governance）”三条主线展开。现场报告进一步表明，这三条线并不是彼此分离的技术议题，而是共同指向大学的系统性重构。

 

　　首先被重新定义的是学生。知识获取曾经是大学最重要的功能之一，但大模型正在迅速降低知识检索、解释和初步应用的门槛。

 

　　学生与大学之间的关系，不能再建立在“教师教授知识、学生接收知识”的单向传递上。未来真正稀缺的能力，将更多表现为提出好问题、识别不确定性、判断证据质量、跨学科整合、与他人协作，以及在价值冲突中作出负责任的选择。

 

　　其次被重新定义的是教师。AI可以回答大量标准化问题，也可以生成结构完整的讲义和反馈，但教师的角色不会因此简单消失，而会从内容讲授者转向学习环境设计者、专业判断示范者和成长关系的建立者。

 

　　教师需要决定何时提供帮助、何时保留困难，何时允许学生使用AI、何时要求其独立完成；还要帮助学生看见AI答案背后的假设、偏差和证据缺口。这种工作比“把正确答案讲出来”更复杂，也更体现教育的专业性。

 

　　最后被重新定义的是大学。现场报告提出，AI重塑的不只是教育模式，还包括研究型大学的使命、组织方式和创新范式。课程、实验室、图书馆和校园不再是知识活动的唯一边界。未来大学更像一个由教师、学生、AI系统、开放数据、算力平台、企业、国家实验室和全球伙伴共同组成的知识网络。大学的核心价值，将从保存和分发知识，转向组织高质量的学习、可信赖的研究和负责任的创新。

 

　　因此，本届论坛的第一个核心判断是：所谓“AI+教育”，不能理解为在既有教育流程上叠加一个大模型入口，而应理解为对大学目标、制度和基础设施的协同再设计。

 

 

　　论坛中最有冲击力的内容，是来自几位国际学者对“学习与表现脱钩”的讨论。

 

　　伦敦大学学院教授穆特·丘库罗瓦以“人才悖论”（ The Talent Paradox ）为题指出，当前大多数人机使用仍停留在“替代范式”（Replacement Paradigm）：AI帮助人更快完成任务、得到更好成品，却未必让人的能力同步增长。

 

　　他援引的一项数学学习研究显示，学生使用GPT基础工具或GPT导师时，练习阶段的表现显著提高；但撤去AI后，前者的学习增益（Learning Gains）反而为负，后者也没有出现显著增益。

 

　　另一项研究还显示，使用生成式AI后，学习者在无辅助测试中的解题率更低，跳过难题的比例更高。

 

　　香港大学教授德拉甘·加舍维奇展示了类似证据：学生借助生成式AI（Generative AI，GenAI）完成的作业可能更漂亮、速度也更快，但随后独立考试的表现却可能下降。他把这种状态称为“自动驾驶式表现”（Autopilot Performance）——表面成果很好，实际学习不足。

 

　　这揭示了一个长期被忽视的问题：学习与表现开始脱钩（Decoupling of Learning and Performance）。传统教育习惯用作业、论文、程序、设计稿等 “成品”推断学生能力。

 

　　可当AI可以快速生成高质量成品时，成品与作者能力之间的关系开始松动。作品质量不再天然等于学习质量，完成效率也不再天然等于能力提升。原来用于评价学习的能力代理（Proxies for Competence）正在失效。

 

　　这并不意味着教育应退回到全面禁用AI。丘库罗瓦强调，以人为中心的教育应把“替代”视为需要通过工程和教学设计解决的问题，而不是把它归结为学生的品格问题，再依靠监控和惩罚处理。

 

　　真正要问的不是“学生有没有用AI”，而是“AI在这一环节替代了什么”“学生仍承担了哪些认知责任”“离开AI之后能否迁移、重构并独立完成”。

 

　　由此，本届论坛提出了一个极具现实意义的新评价尺度：开发者不应只测试系统能完成什么，还要测试用户最终成为什么；学校不应只采购提高短期表现的工具，而要采购能够带来学习增益的工具。一个改善了作品、却削弱了作者的系统，不应被视为成功的教育产品。

 

 

　　人们通常认为，工具的价值在于减轻负担。计算器替人计算，搜索引擎替人查找，大模型则可以替人组织语言、生成方案和归纳资料。

 

　　但教育不是单纯追求任务完成。某些看似低效的尝试、失败、修正和反思，恰恰是能力形成的必要过程。

 

　　论坛提出，AI时代尤其需要保护这种“有益摩擦”。AI生成的回答往往表达流畅、结构完整、易于理解，这会制造一种认知轻松感：人们容易把“读起来顺”误认为“内容正确”，把“结果完整”误认为“自己掌握”。

 

　　学习者可能很少实质性修改AI内容，也可能在AI提供详细解释后放松核验，甚至被带有倾向性的写作助手悄然改变观点。

 

　　因此，优秀的教育AI不应一味追求“无摩擦体验”，而应保留“有益摩擦”（Desirable Frictions），适时加入微中断、轻量检查、反例、追问和不确定性提示，让学生停下来判断。

 

　　现场展示的几种设计颇具启发性：默认只提供最少帮助，再根据需要逐步披露；要求学生先给出初步判断，再与AI比较；让AI主动生成反论点，避免迎合用户形成回音室（Echo Chamber）；把AI解释转换为可以查证的行动，而不是把“有解释”当作“已正确”；随着学生能力增长，逐步撤去支架。

 

　　这可以概括为从“认知卸载”（Cognitive Offloading）转向“元认知增载”（Metacognitive Onloading）。

 

　　AI可以承担检索、计算和初步生成，但人必须更多承担目标设定、任务分配、证据判断、偏差识别和结果核验。

 

　　学生不仅要知道“怎样使用AI”，还要知道何时把任务交给AI、交出多少、何时重新接管，以及怎样判断自己是否真的理解。

 

　　这也解释了为什么“AI素养”（AI Literacy）不能被缩减为提示词技巧。联合国教科文组织的相关能力框架把AI素养分为人本思维、伦理、技术应用、教学法和专业发展等多个维度，并从获取、深化走向创造。论坛传达的共同观点是：会调用工具只是起点，人的主体性（Human Agency）、问责意识、批判性思维和社会责任才是高阶能力。

 

 

　　论坛反复区分了两个容易混淆的概念：AI助手（AI Assistant）和AI教学支架（AI-Based Instructional Scaffolding）。

 

　　助手的首要目标往往是帮助用户把事情做完，因而天然倾向于提高任务表现；教学支架的目标则是帮助学习者形成能力，它必须根据学习状态提供及时、适量、可撤除的支持。

 

　　前者可能直接给出答案，后者更可能提示下一步、要求说明理由、暴露矛盾或引导核验。

 

　　加舍维奇用“学习——表现”双轴描述人机互动的四种状态：低学习、低表现是无效挣扎；高学习但表现暂时不高，是需要时间的努力学习；低学习、高表现是最容易被误判为成功的“自动驾驶”；高学习、高表现才是真正的“协同精熟”（Synergistic Mastery）。

 

　　AI助手主要推高表现，教学支架主要促进学习，只有把二者合理结合，才可能同时获得效率和能力成长。

 

　　现场展示的医学教育研究正沿着这一路径展开：不是让AI直接代替医学生完成诊断，而是通过支架引导学生组织证据、比较诊断、解释排序，再在形成基础能力后与AI协同。

 

　　这种“先学习、再协同”的顺序十分关键。没有较高水平的人类能力，人机互补很容易退化为对机器输出的依赖。

 

　　这给教育产品开发带来直接启示。模型准确率更高，并不自动意味着教育效果更好；同一个模型，因为界面、任务结构、反馈节奏和主动权安排不同，可能产生完全不同的学习结果。

 

　　教育AI真正的竞争力，将越来越取决于是否理解学习科学、是否能依据证据设计交互，而不只是接入了多大的模型。

 

 

　　教育专场的另一个特点，是没有把人才培养与科研创新割裂开来。

 

　　姚期智院士在“智能时代人才培养的思考”中强调榜样的作用。他提出，卓越科学家应亲自示范如何进入前沿、勇闯未知领域，并建设一流团队和富有激励性的环境。大学不仅要开设AI课程，还要吸引国际顶尖学者，提供最新研究工具、平台和资源，以更灵活的制度促进跨学科合作，并把AI安全意识嵌入科研训练。

 

　　他以达·芬奇、墨子和麦克斯韦为例，讨论AI时代的“新通才”。AI正在打破传统学科边界，学生有机会借助智能工具拓展认知范围，但通才并不是 “什么都让AI做”，而是能够在多个领域之间建立联系，提出原创问题，并把技术能力与科学精神、伦理意识和团队领导力结合起来。

 

　　诺贝尔化学奖得主奥马尔·亚吉展示的实验闭环，则让这种变化变得具体：ChatGPT生成实验条件，自动化设备完成固体和液体分配、孔板密封、培养、清洗和高通量表征，再将结果反馈到下一轮探索。AI 在这里已经不只是文献助手，而开始进入“AI赋能科学研究”（AI for Science）的“提出条件—执行实验—分析反馈”流程。

 

　　这意味着实验教学和研究生培养也必须变化。学生需要学习如何把科学问题形式化为可执行任务，如何审查AI提出的实验条件，如何理解自动化设备产生的数据，以及如何把结果重新纳入证据链。

 

　　未来的科研共同体，可能由跨国团队、开放数据、AI系统和自动化实验室共同构成。大学培养的不能只是某台仪器或某个软件的熟练操作者，而应是能够驾驭完整智能科研闭环的人。

 

 

　　论坛中的中国高校实践，体现出教育AI由试点走向规模化、体系化的趋势。

 

　　一方面，开放基础设施正在形成。现场报告介绍，学堂在线已服务1.67亿学习者，清华发起建设学科知识引擎，并提供学生成长助手、智能体广场和普惠算力支持。“启悟”学习社区则连接高校、科技企业、科研机构和开源社区。

 

　　它们代表的不是简单增加数字资源，而是将课程内容进一步组织为知识网络，再叠加智能服务、算力和协作机制。

 

　　加州大学伯克利分校团队展示的开放自适应导师系统（Open Adaptive Tutor，OATutor），则把开源软件、开放教材、学习管理系统（Learning Management System，LMS）接入、无障碍规范、教师看板、知识追踪和实验能力组合成一个公共平台。

 

　　它既可用于教学，也可用于比较不同自适应算法和教学干预。现场实践还显示，经教师编辑和审核的大语言模型（Large Language Model，LLM）生成内容，可以在显著降低制作成本的同时达到接近人工内容的学习增益；但教师是否认可、课程是否计分、部署是否符合教学目标，仍直接影响学生是否持续使用。

 

　　另一方面，课程改革正在成为校级制度。北京大学展示了“豆角”AI教学助手；复旦大学则以本研一体化AI-BEST体系推进未来课堂改革，形成AI通识基础、专业核心、学科进阶和垂域应用四类课程，共116门，并以iCourse智慧教学资源平台支撑教学。照片显示，该体系已覆盖全体本研学生、全部一级学科和全部专业的AI素养要求。

 

　　这些案例说明，教育AI的成熟度不能只用“上线了多少智能体”衡量。真正的系统创新至少包含五层：能力标准、课程体系、教师发展、技术平台和治理规则。缺少其中任何一层，都可能使创新停留在展示性应用。

 

 

　　当AI深入教学、评价和科研，治理问题不再只是防止作弊，还涉及数据隐私、算法偏差、学术诚信、知识产权、技术主权和教育公平。

 

　　现场介绍的《清华大学人工智能教育应用指导原则》强调“积极而审慎”“负责地”使用AI，并提出师生应成为知识和技术主权的所有者，而不是模型的被动租用者。

 

　　这一表述值得重视。教育如果只训练学生熟练调用封闭系统，可能在提高效率的同时失去对知识过程、数据来源和技术边界的理解。

 

　　真正负责任的治理，应同时作用于三个层面：在个人层面，培养学生披露AI使用、核验信息和承担最终责任的习惯；在课程层面，明确哪些环节允许协作、哪些能力需要独立证明，并评价完整过程；在学校层面，建立工具准入、数据安全、算法审查和学习效果评估机制，防止用采购数量和使用频次代替教育成效。

 

　　评价改革尤其迫切。未来的考核不能只看最终答案，还应加强过程评价（Process Assessment），观察学生如何提出问题、选择工具、判断输出、修正错误，以及在没有AI时能否独立重构。口头答辩、过程档案、版本记录、真实任务和迁移测试会变得更加重要。需要评价的不是“AI 单独完成的自动化”，而是人在协同过程中的理解、判断和成长。

 

 

　　本届世界人工智能大会教育专场最值得关注之处，不是展示了多少新工具，而是把问题重新带回教育本身。

 

　　人工智能可以让作业更漂亮、实验更快速、资源更丰富、服务更个性化。 但教育的目标从来不只是生产更好的成品，而是培养能够理解世界、作出判断、承担责任并创造新价值的人。机器越强，这个目标越不能含糊。

 

　　因此，AI时代的大学改革需要完成几次关键转向：从给课堂添加工具，转向重塑大学使命和组织；从追求即时表现，转向关注独立能力和长期学习增益；从无条件认知卸载，转向有意识的元认知增载；从让AI直接给答案，转向设计可撤除的教学支架；从评价最终成品，转向评价人机协同过程；从零散项目，转向课程、平台、教师和治理协同推进。

 

　　一张现场幻灯片向开发者、学校和政策制定者提出了共同要求：不要只衡量系统能做什么，要衡量使用者最终成为了什么。这或许正是理解人工智能教育创新最简洁、也最严格的标准。

 

　　大学不会因为知识变得易得而失去意义。相反，当答案越来越廉价，提出问题、辨别真伪、坚持探索、理解他人和承担责任会变得更加珍贵。未来大学真正不可替代的价值，正是在智能伙伴无处不在的时代，仍然能够为每一个人搭建从新手走向专家、从依赖答案走向独立创造的成长阶梯。