■目前许多技术开发者对“人工智能+教育”的发力点多是在学习内容层面提高重点、难点问题的解决效率和准确性。然而，这并不一定能解决学生学习时面临的困惑和问题

　　■“人工智能+教育”的发力点不是用技术快速解决问题，也不是要探究人工智能解决问题比教师、学生效率更高，而是要培养会解决问题的“人”

　　今年全国两会期间，“人工智能+”成为高频词。教育部部长怀进鹏在十四届全国人大三次会议第一场“部长通道”回答记者提问时指出，DeepSeek（深度求索）和机器人最近一段时间引起国内外广泛关注，从一个方面也说明了中国科技创新和人才培养的效果。但与此同时，也向我们提出了面对重大科技革命和产业变革，教育如何应对的问题。

　　当前，技术正在加速教育领域的变革。一方面，我们惊叹于人工智能在学习方面展现出的惊人能力。但另一方面，人工智能在当下教育教学中的工具属性与育人目标之间的深层矛盾也日益凸显。当人工智能接管了学习中实践探究的一些关键环节时，学生或许会错失在试错和反思中发展思维的机会。当下，我们亟须厘清一个根本问题：“人工智能+教育”究竟应该替代人类解决问题，还是赋能人类学会解决问题？这一差异不仅关乎技术应用的伦理边界，更决定着未来教育的方向。

　　人工智能+教育：培养学会解决问题的“人”

　　“人工智能+教育”，即将人工智能与教育融合，把智能技术融入教育教学环节以提高育人质量和教育品质。这一概念其实用“人本智能教育”来表述更为妥帖。它既能与学校里开设的人工智能课区分开来，也更能凸显育人属性。这里只是沿用了“人工智能教育”这一略有歧义但约定俗成的说法。目前许多技术开发者对“人工智能+教育”的发力点多是在学习内容层面提高重点、难点问题的解决效率和准确性，如利用生成式人工智能做阅读理解题、交互问答、解数学题、写作文等，高效地解决了学习内容中的特定问题。然而，这并不一定能解决学生学习时面临的困惑和问题。

　　用人工智能解决学习内容问题和借助人工智能教会学生解决问题，虽然都涉及人工智能，但分属不同范畴。“人工智能+教育”的发力点不是用技术快速解决问题，也不是要探究人工智能解决问题比教师、学生效率更高，而是要培养会解决问题的“人”，即借助人工智能教会学生解决问题。因此，其目标应是在人工智能的支持和教师的引导下，教会学生从不同角度思考问题、识别关键要素，激活知识储备或收集相关信息，综合运用分析理解、论证推理、联想想象、评估权衡等多种能力，寻找到最佳解决方案。甚至，这个方案还需转化为行动，让知识在真实的世界中得到检验，进而改造世界，丰富人格。

　　打一个较为直观的比方，用人工智能解决学习内容问题，就像是算数时直接用计算器给出答案。而教会学生解决问题，是要让学生明白为什么要这么计算，在这个过程中培养数感，并能做到举一反三，以后遇到类似的问题能自己解决。经历过这一量变到质变的学习过程，学生在未来面对复杂情境时，才能更好地从数学直觉上把握复杂关系，迎来“灵机一动”的决定性瞬间。

　　数据算法与深层习得：两种不同的“学习”机制

　　从技术实现的角度，人工智能解决问题主要依靠机器学习、深度学习等技术，分析和学习大数据，实现模式识别、结果预测或自动化决策。如在医疗诊断、金融风险评估、交通管理等领域，人工智能可以直接针对问题提供解决方案。相比之下，借助人工智能教会学生解决问题，更侧重辅助教学、深化学习体验，目标并非直接解决问题，而是注重引导性、互动性和开放性，通过情境化学习设计，定制化学习历程，帮助学生掌握解决问题的能力，培育核心素养。

　　直接解决问题的人工智能，需要强大算力和高效算法处理海量数据。而教会学生学习的人工智能，则需要关注学习科学、认知心理学，具备更适宜的用户功能和界面、更多的交互设计、更充分的学情理解、更适切的学习路径设计，还要融入默会知识、场景体验、情感共鸣等人工智能难以处理的方面。所谓个性化资源推送，只是人工智能在教育领域最表层的应用，并不代表“学习”必然发生；基于习题、测练数据展开的学情分析，本质是将知识点细化拆分并设定标签，易催生技术辅助下的应试教育，离学生运用知识解决问题还有很大的距离。

　　从社会发展的角度，直接解决问题的人工智能，可能引发就业结构的变化。部分职业会被自动化取代，拉大社会鸿沟，因为技术优势、算法规则、数据“清洗”可能集中在少数人手中。而教会学生学习的人工智能，要尽可能地缓解这些负面影响，借助人工智能提升教育的可及性和公平性，特别是对于那些资源有限的地区和群体。进一步而言，在追求更高质量的教育公平的进程中，我们要通过提高人的知识技能水平，培养积极的情感态度，让学习者适应不断变化的环境，开拓充满希望的崭新未来。

　　创新人才培养要帮助学生建构起问题解决的经验

　　某种程度上，人工智能擅长解决规则确定的问题，即便是那些“不良结构”的复杂问题，也是通过模式识别转化为多个关联的结构化问题。但教会学生解决问题，尤其是解决具有创造性的问题，不能单纯靠“算法”。当然，这里也会涉及传统的机器学习算法如回归、决策树等与晚近兴起的深度学习之间的区别，但这种技术角度的辨识依然停留在“让人工智能解决问题”的层面。反倒是辨别“深度学习”在人工智能和教育学领域的不同，更有助于理解人工智能与人类智能的区别。人工智能领域的“深度”体现在，多层神经网络自动提取海量数据，复杂性在于参数和通路。教育学领域的“深度”关乎心理机能，通过高层次的认知加工，引导学习者深入学习内容，复杂性在于学习者深层次的认知、经验和情感参与。

　　当前，不少智能教育产品在帮助学生巩固知识上优势明显，但这并不等于教育的高质量发展。创新人才培养需要帮助学生积累解决问题的经验，从未知到已知的学习过程本身也是一种学习。用人工智能的术语来讲，人类学习者也需要“预训练”，面对经典知识（优质数据集）探索学习路径与策略（模型与算法选择），在梳理与探究（数据标定）中基于现象形成概念（表征学习），并随时校正认知（技术调试）等。当然，这些尚未涉及学习者的情感状态和认知风格。无论人工智能多么复杂，算法中总有确定的、直接的、最优的路径，而人类学习模糊性、情境性、个性化的特点决定了学习过程因人而异、螺旋上升、百转千回。

　　人工智能能否引导学生进入真实世界，促进学科实践和沟通合作，增强人与社会的链接？能否超越“算法”的精准路径，在交叉地带、边缘地带为学生带来创新的学习体验？这些是与教育质量提升密切相关的因素，虽与技术联系紧密，但更为关键的是善用技术的“人”。尽管智能技术在开放式学习和创造力培养方面已经发挥作用，但在当前“人工智能+教育”的热潮中，人们常常注重“人机耦合”中的“机”，而忽视了“人”；智能教学产品的研发有时过于重视怎样攻克难题、解决问题，而忽视教会学生解决问题。辨识让人工智能解决问题与借助人工智能教会学生解决问题的不同，有助于我们认清教育的复杂性和技术的限度，从而更加务实地解决教育改革和发展中的真问题。

　　（作者蔡可系首都师范大学教师教育学院教授、人工智能教育研究院副院长）