這位復旦教授和他的數字分身共同給當下大學教育開出一份診斷書

人工智能正在深刻改變知識生產方式、社會分工結構和人才能力版圖。當大模型能夠快速完成算法推導、代碼編寫、文本生成乃至復雜的數據分析時，教育必須重新回答幾個根本問題：機器越來越會“做題”，學生還應當學習什么？大量標準化認知勞動可以由人工智能完成，學校應當培養什么樣的人？當知識傳授和技能訓練不再稀缺，教育的不可替代價值究竟何在？

這些問題指向同一個時代命題：人工智能帶給教育的，不只是增加一種工具、更新幾門課程，而是對教育目標、培養過程、評價方式乃至學校形態的系統性重塑。教育改革不能僅僅追求讓學生“會用AI”，而應努力實現“人+AI>AI”。關鍵不在于人與機器爭奪機器更擅長的工作，而在于發展人的主體性、判斷力、創造力和責任意識，以人的智慧駕馭機器智能，以人的發展引領技術發展。

從“人與AI競爭”轉向“人機協同增益”

工業時代的教育習慣于通過統一課程、標準答案和集中考試，訓練學生準確、快速地完成規定任務。這套體系適應了大規模社會分工的需要，卻也容易將學生塑造成知識的記憶者、規則的服從者和任務的執行者，個體差異、探索欲望與原創能力則可能被標準化流程遮蔽。

人工智能使這一矛盾更加突出。記憶、檢索、計算、模式匹配以及部分程序化推理，正在成為機器的優勢。如果教育仍把大量時間用于訓練可重復、可計算、可標準化的能力，人的成長就可能被鎖定在機器最容易替代的區域。讓學生與AI比較答題速度，或者把會不會使用某個工具視為數字時代的核心競爭力，都沒有觸及教育變革的本質。

真正值得追求的，不是人與AI進行簡單的勝負比較，而是“人+AI>AI”。AI可以拓展知識邊界、降低實踐門檻、提高試錯效率，但目標由誰設定、問題是否值得解決、答案是否可信、結果應當如何使用，最終仍需人作出判斷。代碼可以交給AI生成，判斷不能交給AI；步驟可以由AI執行，方向必須由人決定。只有當技術放大人的智慧，而不是替代人的思考，人機協同才真正成立。

培養機器難以替代的“不可計算心智”

教育面向未來，必須更加重視人的不可計算心智特性。所謂“不可計算”，并非斷言某種能力永遠無法被機器模擬，而是強調人的成長不能被簡化為一組指標，也不能被還原為一套確定算法。面對開放世界，人需要在信息不充分、價值相沖突、后果不確定的條件下作出選擇。這既依賴知識和邏輯，也涉及好奇心、同理心、想象力、審美、意志、勇氣、價值判斷與責任意識。

真正重要的問題往往沒有現成答案。能否發現尚未被看見的問題？能否質疑題目本身的前提？能否在多個可行方案中辨別何者更有價值？能否理解技術行為對他人與社會的影響？……構成了人與AI協同的深層基礎。這些品質不是脫離知識的玄思，而是在長期閱讀、討論、實踐、反思與真實責任中逐漸形成的。

因此，教育不能只關注學生知道多少、算得多快，還要關注學生能否提出好問題、辨別證據強弱、解釋判斷依據、面對錯誤并修正結論，以及為技術應用劃定邊界。過去容易被視為“軟能力”的心智品質，正在成為人工智能時代更為堅硬的競爭力。

守住核心認知，發展高階認知

強調高階認知，并不意味著基礎知識和核心認知能力已經過時。教育改革必須警惕另一個極端：把AI當作外置大腦，認為記憶、計算、閱讀、寫作和基本推理都可以交給機器，學生只需保留所謂“創意”和“判斷”。事實上，沒有堅實的核心認知，就難以形成可靠的高階認知；缺少知識結構的人，甚至無法識別AI究竟錯在哪里。

核心認知是理解世界的地基，包括必要的知識儲備、概念體系、邏輯推理、語言表達、數量意識和基本的問題解決能力。高階認知則建立于其上，表現為綜合、評價、創造、遷移、反思以及在不確定條件下作出判斷的能力。二者不是相互替代，而是基礎與躍遷的關系。

沒有核心認知，高階認知容易滑向無根的想象；沒有高階認知，核心認知則容易停留在知識的機械搬運。

當前教育的根本問題，不是重視核心認知，而是在核心認知的訓練與評價方面走得過遠。大量時間被用于重復訓練已有明確答案、便于統一評分的任務，學生不斷證明自己掌握了多少知識、能以多快速度復現標準步驟，卻很少有機會提出問題、挑戰假設、綜合證據和創造方案。其結果是，核心認知訓練擠占了高階認知生長的空間，評價手段反過來定義了教育目標。

當前教育改革的關鍵，是在守住核心認知底線的同時，為高階認知培養留出足夠的時間與資源。AI提升知識獲取和技能執行效率之后，節省下來的時間不應被更多練習重新填滿，而應投入深度閱讀、開放討論、跨學科項目、真實問題解決和創造性實踐。改革不是降低基礎要求，而是減少低效重復；不是取消標準，而是讓標準為人的成長服務。

考試應從檢驗答案轉向發現能力

“數據挖掘技術”課程的考試改革，是對上述理念的一次實踐。傳統考試由教師出題、學生答題，重點考查記憶、計算和標準化解題能力。然而，關聯規則、決策樹、貝葉斯分類等任務，已經成為AI的強項。如果仍讓學生與AI比速度、比準確率，所測量的可能不再是學生面向未來的真實能力。 為此，期末考核改為“學生出題、AI答題”。每名學生設計10道具有唯一正確答案的數據挖掘計算題，既要給出完整推導過程，也要測試三個不同能力水平的大模型。完成合規題目可獲得基礎分，發現并命中更強模型的盲區則獲得更高加分。這樣的評價既守住核心知識和規范推導的底線，又把能力上限指向提問、分析、判斷與創造。 51名學生中，50人至少讓一個模型答錯過一道題，4人讓某個模型整張試卷得零分。真正拉開差距的，不是題目形式有多復雜，而是學生是否深入理解知識，能否發現模型的結構性缺陷。有的題目檢驗模型能否察覺條件不足，有的利用多重約束考查模型是否遺漏關鍵前提。這表明，只有先把知識學深、學透，才可能找到AI的盲區。自己出的題自己不會，不是真本事；能夠審視答案為何成立、何時失效，才是更高層次的能力。 考試由此不再只是知識學習的終點，而成為促進深度學習的過程；學生不再只是標準答案的接受者，而成為問題的提出者、方案的設計者和結果的裁判者。不要做AI的執行者，要做AI的裁判官。“裁判”必須比AI更理解知識，也更理解AI的能力邊界。

從模板化培養回歸每個人的充分發展

工業時代教育強調規模、效率和一致性，具有特定的歷史合理性。但統一進度、統一內容、統一答案和統一評價，也容易把豐富的人壓縮為少數指標，把成長變成沿著同一條軌道進行的競賽。模板化人才培養本質上難以容納人的差異，與人的充分發展存在內在張力。

AI為改變這一格局提供了可能。智能工具可以承擔部分重復性教學工作，根據學生基礎提供差異化支持，并降低跨學科學習與復雜實踐的門檻。教育因而有條件從“用同一種方式培養所有人”，轉向“幫助每個人找到適合自己的發展路徑”。人的充分發展，應成為人工智能時代教育回歸的本源。

但充分發展絕不等同于放任自由，更不是讓學生隨機生長。真正的教育始終包含引導：幫助學生認識自己的稟賦與局限，建立必要的知識和價值基礎，理解自由與責任的邊界，在多種可能性中作出審慎選擇。教育既要有所為，也要有所不為。“有所為”，是提供基礎、方向、資源、挑戰和反饋；“有所不為”，是不以統一模板替代個體選擇，不以短期指標窮盡人的價值。

個性化也不能演變為新的能力分化。AI可能產生“馬太效應”：基礎扎實、判斷力強的學生借助AI快速迭代，實現能力躍升；基礎薄弱的學生若只依賴AI交付結果，則可能逐漸失去獨立分析和驗證能力。因此，教育既要為優秀學生提供挑戰上限，也要為每個學生守住核心認知、獨立判斷和責任意識的底線。每個人的充分發展，意味著承認差異，也意味著不放棄任何一個人的成長可能。

教師回歸導師，學校回歸學院

當知識不再稀缺，教師的價值不會下降，但角色必須改變。教師不應再主要充當知識的搬運者和標準答案的發布者，而應回歸導師角色，成為學習過程的設計者、思維方法的啟發者、成長方向的引導者和價值邊界的守護者。教師更重要的工作，是提出值得探索的問題，創造真實而有挑戰性的任務，在學生遇到困難時提供支架，在技術誘惑面前守住教育原則。

學校也需要從知識傳輸和資格認證的場所，重新回歸“學院”的本義。學院應是師生追問真理、交流思想、檢驗觀點的共同體，是允許質疑、鼓勵爭鳴、寬容失敗的思辨樂園。課堂不只是完成教學進度的空間，還應成為觀點相遇、證據交鋒和新問題生成的場域；校園不只是組織課程與考試的機構，還應為深度交往、共同實踐和精神成長提供不可替代的環境。

這意味著教育總體形態需要從根本上重塑：課程從封閉的知識單元走向真實問題牽引的跨學科組織，教學從整齊劃一的集體推進走向共同基礎上的多樣化發展，評價從一次性結果判定走向對學習過程、思維品質和創造能力的綜合觀察，學校治理則應為教師指導、學生探索和長期成長配置更多時間與資源。

人工智能時代，教育面對的最大挑戰，不是機器會不會超過人，而是人是否因依賴機器而放棄思考；教育最重要的任務，也不是把學生訓練得更像機器，而是幫助他們成為更加完整的人。

從“會做題”走向“會判斷”，從標準答案走向真實問題，從模板化培養走向每個人的充分發展，從知識傳授者走向成長導師，從教學場所走向思辨共同體，這是教育必須邁出的深層轉型。

（作者為復旦大學計算與智能創新學院教授和他的數字分身）

原標題：《這位復旦教授和他的數字分身共同給當下大學教育開出一份診斷書》