AI不是答案，而是考题

来源｜商学院10月刊

文｜钱丽娜

2025年9月，在惠灵顿（中国）教育集团旗下南通惠立学校联合“一席”举办的演讲活动中，一名中学生抛出了一个直击教育本质的问题：

“在AI时代，学生还需要到学校来上课吗？”

这个问题引发了在场教师们的深思。如今，AI所能传授的知识量，已经远超任何一位老师。那么，学生走进校园的意义究竟是什么？

当AI能够比教师更快地掌握和传递知识时，教育模式将发生怎样的变化？

惠灵顿（中国）教育集团信息技术总监陆振其表示，惠灵顿的教育目标不仅是传授知识，更注重学生在学术、品格与身心等方面的均衡发展。那些只需记忆的知识点在课程中所占比例很小。面对AI的快速发展，学校教育的内容与方式势必发生转变。

自2022年11月OpenAI的ChatGPT-3.5上线以来，全球教育领域都在讨论如何应对AI。部分学校担忧学生借助AI作弊，甚至上线了AI检测工具，明确表示“不鼓励使用AI”。

一方面，学生借助AI几乎可以学到任何知识，从而质疑到校学习的必要性；另一方面，教育工作者也在反思自身的价值。

惠灵顿的态度是——拥抱AI。早在2023年4月，学校就为教师上线了惠灵顿自有的WCEC GPT系统，并保持与OpenAI大模型同步升级。

陆振其认为：“在传统教育模式中，知识点的传递与应用始终是核心导向。如果一份作业或一场考试，AI可以轻松拿满分，那么教师就需要反思这种考核是否过于侧重知识点，而忽略了学生的判断力、决策力和批判性思维等高阶能力的培养。”

这一思考在惠灵顿的教学实践中已有具体探索。惠灵顿（中国）教育集团首席总校长Julian Jeffrey介绍了一种教学策略：在课堂中，教师会借助AI生成一套化学实验步骤或一篇英语范文，但刻意在其中设置不合理或错误的环节。接着，引导学生分析、判断并纠正这些问题。 

这种方法巧妙地反转了AI的使用逻辑，即不再是学生借助AI完成任务，而是将AI的产出作为素材，倒逼学生运用批判性思维进行审视与改进。比如，在化学实验中，有时会故意让AI写出“用嘴吹灭酒精灯”这样的错误步骤，让学生发现并纠正。这样的设计既能利用AI的效率，也凸显了判断真伪的重要性。AI可以生成海量信息，但最终的判断与责任，仍属于人。

在此背景下，“HAIH模型”——Human Inquiry—AI—Human Empowerment（人类探究—AI辅助—人类提升）提供了重要的实践框架。

这一模型强调，探究式学习的起点始终是“人”：学生首先基于学习目标提出问题，例如在研究“某一个历史事件”时，先明确要探讨的事件各方立场、当时的社会舆论等；随后借助AI收集、整理历史资料；而最终将资料整合为论文或分析报告的过程，必须由学生亲自完成、验证与确认。

陆振其说，这一原则不仅体现在学生的课堂学习中，也贯穿在教师的日常工作里。无论是学术评价报告，还是面向家长的学期反馈，即便AI已基于学生全周期数据生成初稿，最终仍需教师全面审核、确认无误后才能发布。

这种“AI辅助+人工终审”的模式，既发挥了AI在信息处理与整合上的效率优势，又坚守了教育中人的判断与责任的核心价值。

在人工智能技术深度融入社会各领域的当下，教育领域的“AI化”转型成为热点议题。然而，实践中“AI+教育”（又称“AI赋能教育”）与“AI教育”两个概念常被混淆，二者仅一字之差，却在核心逻辑、目标导向与实践路径上存在本质区别。上海纽约大学交互媒体与商学助理教授王菁说：“厘清二者的边界，不仅是教育理论研究的重要命题，更对AI技术在教育领域的精准应用具有现实指导意义。”

“AI+教育”的核心逻辑，是将人工智能作为工具与手段，嵌入现有教育体系的各个环节，以优化教学流程、提升教育质量，其本质是“用技术服务教育”。这种模式始终以现有教育生态为根基，坚守两大前提：一是尊重教师在知识生产与传递中的权威地位，AI不替代教师的主导作用，而是减轻教师的重复性工作负担；二是重视学生的学习主体性，AI通过适配性设计，激发学生的主观能动性而非削弱其自主思考能力。

从实践场景来看，“AI+教育”的应用聚焦于解决教育过程中的低效环节。例如，在备课阶段，AI可根据教学目标自动生成教案框架、筛选适配的教学素材，帮助教师摆脱繁琐的资料整理工作；在知识传递环节，AI通过虚拟仿真、动画演示等形式，将抽象的知识点（如数学公式、物理原理）转化为直观的动态内容，降低学生的理解门槛；在课后辅导环节，AI借助数据分析技术，精准识别学生的知识薄弱点，推送个性化的练习与讲解，实现“千人千面”的辅导效果。归根结底，“AI+教育”不改变教育的本质，而是通过技术赋能，让传统教育体系的优势得以更高效地发挥。

与“AI+教育”不同，“AI教育”的核心逻辑是将人工智能作为学习对象，围绕AI技术的本质、原理与应用，构建专门的教育体系，其本质是“通过教育全面、立体、深入地认识并掌握技术”。这种模式的核心任务，是让学生掌握与AI相关的知识、思维与实践能力，使其成为AI技术的“理解者”与“调用者”，而非被动的“技术接受者”。

具体而言，“AI教育”的内容可分为两个层次。其一，在理论认知层面，引导学生探究AI的本质属性，从哲学视角追问AI是何种形式的“智能体”，是单纯的信息处理载体，还是具备自主意识的“具身实体”；不但从技术视角理解算法、数据和算力如何造就AI与人类智能的差异，而且明晰政治、经济、文化因素在塑造AI过程中的作用。

其二，在实践应用层面，以“做中学”（LearnbyDoing）为核心理念，让学生通过实操掌握AI工具的使用方法。例如，通过编程课程理解机器学习的基本逻辑，借助AI绘图、数据分析工具完成实践项目，在解决实际问题的过程中，培养利用AI处理信息、创新创造的能力。此时，AI不再是服务教育的配角，而是教学活动的主角。

明确“AI+教育”与“AI教育”的差异，其核心价值在于为教育实践提供精准导航，不同教育阶段、不同教学目标下，需选择适配的模式，避免因概念混淆导致的资源错配与方向偏差。

王菁说，以基础教育阶段（幼儿园、小学及初中低年级）为例，“AI+教育”显然更具适用性。这一阶段的学生处于知识积累期，尚未形成系统的认知框架与独立的思辨能力，其学习核心是获取经过验证的“真知”，即人类社会长期积累的、体系化的基础知识（如语文拼音、数学运算、科学常识）。这些知识的传递需要依托成熟的教育方法，更需要教师的引导与把关。例如，当学生询问“什么是知识”时，若仅依靠学生自主探索，很可能陷入认知混乱；而通过“AI+教育”模式，AI可将“知识的本质”转化为生动的动画故事，教师再结合讲解进行引导，既能让学生高效理解，又能为其后续的借助AI工具来进行自主探索奠定知识基础与方法基础。反之，若在这一阶段推行以AI技术为核心的“AI教育”，则是舍本逐末，学生很容易沉迷于和AI的互动过程，而忽略了学习知识的终极目标。

而对于高中、大学等高等教育阶段，“AI教育”的重要性则逐步凸显。这一阶段的学生已具备一定的知识储备与逻辑思辨能力，开始面临职业规划与社会适应的现实需求。此时，系统的“AI教育”能够帮助学生构建AI认知框架：通过理论课程理解AI的技术边界与伦理风险，通过实践课程掌握AI工具的应用技巧，进而在专业学习（如医学中的AI诊断、经济学中的数据分析）与未来工作中，主动运用AI提升效率、创新方法。此时，“AI+教育”与“AI教育”可形成互补，前者继续优化专业知识的教学流程，后者则为学生补充AI素养，共同助力学生成长为既懂专业、又懂技术的复合型人才。

惠灵顿（中国）教育集团旗下学校在学生培养中，始终强调“学生自主性”，即学生能够掌控个人学习、未来生活及人生选择的能力。具备自主性，不仅能提升独立学习能力，还能让学生在学习过程中始终保持积极主动的态度，并拥有宝贵的终身学习意愿。

然而，自主性并非与生俱来的特质，而是需要后天培养。学校必须意识到，孩子在成长过程中需要教师的支持与引导，在教师的帮助下，学生才能逐步学会如何运用这一能力提升自我、影响他人、改变世界。这正是学校教育的深层意义所在——不仅传授书本知识，更注重培养学生的综合素养。

在各类学习场景中，作业完成环节最能直观体现AI的应用价值。如今，许多作业已摆脱传统的试卷答题模式，不再局限于机械化的知识性作答，而是更强调融合性与综合性任务。陆振其以女儿在惠立的学习经历为例：在地理或历史课程中，教师并非布置传统试卷让学生填写标准答案（部分地理考试甚至采用开卷形式），而是要求学生围绕“全球各地气候特征”“不同国家发展概况”等主题，通过自主探究撰写小论文。

在完成这类作业的过程中，学生获取知识的方式已发生显著变化，他们不再单纯依赖传统搜索引擎，而是借助AI快速整合所需信息；随后，通过自主思考，将这些信息内化为个人认知，并以小论文、主题海报等多样化形式呈现成果。由此可见，AI在这一过程中扮演的核心角色，是“知识提供者”与“学习辅助工具”，而非替代学生完成学习任务。

陆振其指出，这也带来了一个核心问题：学生如何判断AI生成内容的准确性？这需要依托“批判性思维”的培养与应用。而批判性思维的形成，离不开课堂上积累的知识体系与课外书籍（尤其是教科书）的支撑。教科书经过严谨审定，内容具备高度权威性与可靠性，可为学生提供判断信息真伪的基准依据。学生需要结合课堂所学知识框架以及书籍中的权威内容，对AI生成的信息进行交叉验证，从而筛选出准确、可用的素材，最终完成符合要求的作业。

王菁认为，AI教育的核心内容需聚焦两大维度：其一，深入阐释AI的本质，突破“仅将其视为技术”的认知局限，引导学习者洞悉其社会属性、文化属性与政治经济属性。此外，当前已有哲学家围绕“AI对人类的意义”“AI与人的主观能动性相互影响”等议题展开思辨，他们的研究发现也可以帮助教学实践者拓宽思路。

其二，工具性应用层面的问题对高等教育而言相对易于解决。事实上，在前AI时代，学习主动权向学生转移的趋势已现：早在互联网（Web2.0）时代，慕课（MOOC）的兴起及部分高校免费开放优质课程资源，便已将学习的选择权交予学生，使其能根据自身问题“按需”在网络上获取知识。

进入社交媒体时代，涌现出众多知识博主（knowledge influencer），他们以非传统的方式传播知识。例如，有知识博主结合自身在数学、金融领域的专业背景及实务经验，将经济学概念与当下时政热点结合，对知识进行重新加工后发布于社交媒体，不同于哈佛等高校的公开课模式，这类知识博主是借助平台算法、个人影响力来充当知识中介。

总之，在当前阶段，学习者的主观能动性已得到进一步提升，“如何学”“学什么”的选择权，更多地转移到了学生手中。这一趋势在AI时代尤为明显：学生每天会接触到各类新兴工具，从传统的计算机（PC）到OpenAI等平台的AI工具，他们能以“解决实际问题”为导向，快速掌握相关技能。因此，在工具的应用层面，无须过多依赖外部传授，学生往往能通过“问题驱动、边做边学（learn by doing）”的方式自主掌握工具使用方法。

然而，AI工具的普及也带来了值得警惕的现实问题。这类工具具有极强的可及性，只要接入互联网，便可轻松获取；不少AI企业还与高校展开合作，将课件、课程相关网站等教学资源纳入自身服务体系，进一步降低了学生接触这些工具的门槛。

工具的高度普及与便捷获取，衍生出两方面问题，其中尤为突出的是第一点：学生在不断尝试各类工具的过程中，耗费的大量学习时间呈现出“高无效性”。本质上，学生相当于在以个人时间和精力为代价，免费为这些企业完成模型测试工作。尽管最终学生可能会找到自己满意的模型或软件平台，但这一过程中投入的时间与精力成本极高，个人从中获得的实际收益，远低于其为平台和企业创造的价值。

换个更极端的视角来看：若学生能将在各类AI平台上反复试错的时间，投入到阅读相关文献，或者通过和教授的答疑来构建一套系统的知识体系中，或许早已高效掌握相关领域的核心知识，实现更有价值的成长。

在当前AI工具广泛普及的情境下，学生能否高效找到适配的AI模型、工具或助手，与其是否具备正统的知识体系密切相关。若学生已系统掌握正统知识体系，往往能更快筛选出适合自身的AI工具；但倘若学生尚未建立这一知识体系，也未习得判断知识真伪的方法，其试错过程会显著延长，且在这一过程中为平台贡献的信息价值，将远大于自身所能获取的“真知”。

这引发了首个核心顾虑：学生通过试错与“边做边学”开展的学习，究竟在何种意义上具备有效性？显然，这种学习模式的效果存在前提差异，需结合学生是否具备基础认知框架分场景讨论。

另一重顾虑聚焦于大学生的研究方法与批判性思维能力。在研究生及博士阶段，学生通常会接受系统的知识真伪辨别训练，但本科阶段的学生往往缺乏此类训练。这导致多数本科生易将AI输出的内容直接视作“真知”，既没有养成通过“多源交叉验证（cross-check with multiple sources）”确认信息真实性、排查内容瑕疵的习惯，也未意识到AI生成内容可能存在的问题。究其原因，一方面是AI工具的使用过于便捷，另一方面是其输出内容往往看似合乎逻辑（make sense），使得学生倾向于直接采信。长此以往，不仅难以获得真正的知识，更可能逐渐丧失辨别信息真伪的意识与能力。而这种“对AI信息的无条件接纳”，正是批判性思维弱化的重要表现。

基于上述本质层面（知识体系与思维能力）和工具层面（AI使用效率）的问题，AI时代的教育需明确“教什么”“怎么教”，并直面潜在挑战。王菁说，以上海纽约大学为例，目前学校尚未出台适用于所有课程的统一AI使用政策。作为一所“小而全”的新兴高校，上海纽约大学虽规模不大，但设有文理学院、商学院、计算机数据科学与工程学院等多个院系，不同学科、不同课程的教学目标与内容差异显著，难以用标准化策略覆盖所有课堂。

当前，上海纽约大学的应对方式是“教师主导、因地制宜”：各学科教师结合自身教学经验，参考纽约总部提供的AI使用纲领性指导意见，自主探索课堂中的AI应用模式。其中，针对以“文献阅读”为核心的课程（这类课程的知识获取主要依赖经典文献、书籍及教师指定读物），许多教师已进行教学调整，将原本课前需完成的“阅读反馈（reading response）”或“书评”等书面作业，改为“一对一口试”形式，通过课堂内或课外的面对面对话，检验学生的阅读效果与知识掌握程度。不过，这种方式存在局限性，其前提是课堂师生比低。而上海纽约大学恰好具备这一优势：除大型基础课外，多数课程的学生人数控制在10—25人，为一对一互动提供了条件。

另一种典型的教学调整方式，是将部分传统作业形式升级为“项目式任务（Project）”。以往，这类作业通常要求学生依据统一标准完成作答，并集中提交至课程平台（Course Platform）；如今则转向个性化定制模式。学期伊始，教师会通过数周的沟通，结合每位学生的学习目标与个人特长，为其确定专属的项目方向。整个学期中，学生需以每周迭代优化的方式推进项目，最终在期末提交完整成果。

以一个20人班级为例，可能会形成20个框架各异的个性化项目。学生需自主完成资料搜集，并将课堂所学知识有机整合、融入项目实践。在此过程中，无论学生通过AI获取知识，还是向教师请教学习，均不存在可直接套用的固定模式。这就从根本上避免了学生借助AI直接获取现成答案以投机取巧的可能。

这种模式以“问题解决”和“个人发展目标”为双重导向，将课程的核心产出聚焦于项目本身。其核心目的，正是通过任务设计的革新，最大限度规避因AI滥用导致学生错失获取“真知”的风险，引导学生主动参与知识的整合与应用过程。