AI不是来替孩子写作业的，是来逼学校重写作业的

斯坦福 CS153 的课堂里，Sam Altman 被问到怎么看教育。他没有绕太多弯。

他说，教育“显然必须超级适应”，但让他担心的是，他原以为这种适应早该发生。ChatGPT 刚发布时，他以为学校大概会经历一年左右的混乱：学生作弊，不怎么学习，然后教育系统被迫重新设计，开始用更好的方式教人。三年半过去，他说自己很难指出教育系统发生过什么“显著的系统性改变”。

最刺耳的一句是：如果我们继续像在前 AGI 世界一样教学和评价学生，这行不通，而且会导致人们“学习如何思考”的能力萎缩。他后来又补了一句：如果不改变教学、学习和评价方式，人们的批判性思维能力会出现显著萎缩。

这不是一个创业者随口批评学校。它更像是一个时代已经换挡之后，对教育系统发出的迟到警报。

问题不是学生用了AI，而是题目还停在AI之前

过去两年，学校最容易做的反应是“管”。

禁止学生把 AI 生成内容直接当作作业。要求标注是否使用 AI。检测论文是不是机器写的。制定白名单。限制低龄学生独立使用开放式生成工具。这些都必要，尤其是涉及隐私、考试、版权和学术诚信的时候。

但只靠管，解决不了核心问题。

如果一道作业的答案可以被 ChatGPT 在 20 秒内写完，而学生只需要复制、改写、提交，那么真正需要怀疑的不是学生品德突然变差，而是这道作业本身已经过期了。AI 把教育里很多原本就脆弱的环节照亮了：我们常常把“交出一个结果”当成学习，把“格式正确”当成理解，把“记住标准答案”当成能力。

Altman 的担忧就在这里。AI 不只是一个新工具，它改变了“什么值得被练习”。

以前，让学生写一篇资料综述，至少能训练搜索、整理、表达。现在，如果任务仍然只是“写一篇 1500 字文章”，很容易退化成提示词工程和润色游戏。以前，让学生写一段代码，至少能看出是否理解语法和算法。现在，代码可以由模型生成，真正需要检查的是：学生能不能解释为什么这个数据结构合适，能不能发现边界条件，能不能设计测试，能不能在模型答错时把它拉回来。

斯坦福工程学院的一期教育科技访谈里，Russ Altman 提到自己在编程课里已经调整了评分：工作代码的分数被下调，解释算法如何工作、为什么这样选择数据结构的测验被提高。这个小变化很重要。它说明 AI 不是让学校不用教基础，而是逼学校重新回答：我们为什么让学生做这件事？它到底训练的是手工劳动，还是判断力？

中国教育的难题会被AI放大

把这个问题放到中国语境里，会更尖锐。

中国教育有强大的组织能力，也有非常高的社会动员能力。2025 年发布的《中小学人工智能通识教育指南》和《中小学生成式人工智能使用指南》，已经把 AI 素养、批判性思维、人机协作、数据安全、分学段使用规范写进了政策文本。文件明确要求小学阶段防止开放式生成工具的不合理使用影响知识建构和思维发展；初中阶段引导学生分析生成内容的逻辑性；高中阶段结合技术原理开展探究性学习；教师不得把生成式 AI 当成替代性教学主体，也不能直接用 AI 评价学生。

方向是对的。

但中国教育最大的惯性，不在文件里，而在升学压力里。

高考和中考是中国教育公平的重要基础。它们给普通家庭提供了相对清晰的上升通道，也让大规模选拔有了统一标准。问题在于，一旦几乎所有资源都围绕少数高风险考试旋转，学校、老师、家长和学生都会被迫把短期可量化成绩放在第一位。OECD 对中国教育的介绍里早就把“降低标准化考试作用、改革高考”列为重要改革主题。2025 年关于高考社会影响的综述也指出，高考不仅是考试，更像一种影响学校、家庭和社会行为的公共政策工具。

AI 会放大这种结构矛盾。

如果评价仍然高度依赖标准答案和纸笔速度，AI 教育很容易变成两层皮：一边开 AI 通识课、做科技节、建实验室；另一边真正决定命运的考试仍然奖励刷题速度、记忆密度和模板熟练度。学生很快会学会：AI 课可以展示，主课还得应试。老师也会学会：AI 可以写教案、做课件、生成评语，但课堂的核心节奏还是讲、练、考。

那就不是教育变革，只是给旧系统装了一个新插件。

更麻烦的是不平等。城市重点学校更容易获得好老师、好设备、企业资源和项目机会；县域、乡镇和普通学校可能只有零散平台、几节展示课和被动执行的管理规定。AI 如果只是“谁有资源谁先会用”，它会让教育差距换一种形式扩大。

真正要改的，是评价权

教育系统最硬的部分不是课程表，而是评价。

只要最后的评价仍然主要看一个可批改、可排名、可快速汇总的结果，前面的教学改革就很难真正落地。学校当然可以鼓励项目式学习、跨学科实践、AI 辅助探索，但如果这些活动对升学和真实评价没有重量，它们就会被挤到边角。

AGI 时代的人才，不应该只会回答已经被定义好的题。他们至少要具备五种能力：

• 能把一个模糊问题拆成可研究的问题；
• 能判断信息和模型输出的可靠性；
• 能用 AI 扩展自己的行动半径，而不是把思考外包出去；
• 能在真实约束下做项目、协作、迭代；
• 能保留自己的价值判断和责任感。

这些能力无法只靠选择题测出来，也很难靠一次大考完整测出来。它们需要过程证据：草稿、提问记录、资料来源、模型输出的反驳、同伴讨论、实验失败、迭代版本、最终答辩。

这并不意味着取消考试。中国这么大的系统，不可能也不应该突然放弃统一评价。更现实的改革，是把评价从“单一终点”改成“多层证据”。例如，在中高考之外，逐步提高项目作品、研究报告、技术实践、社区问题解决、AI 使用日志和口头答辩的权重；让学生提交的不只是答案，还有“我怎样得到这个答案”。

AI 甚至可以帮助降低这种评价的成本。它可以辅助记录学习过程、生成初步反馈、帮助老师发现常见误区。但最后的评价权不能交给模型。模型可以做显微镜，不能做法官。

教师要从“知识搬运工”变成“认知教练”

很多关于 AI 教育的讨论，会把老师想象成被替代的一方。这是误解。

如果学校只是传递标准知识，老师确实会被工具挤压。但如果学校要训练判断力、创造力、协作能力和价值感，老师反而更重要。因为孩子最缺的不是信息，而是有人把他们从偷懒、敷衍、焦虑和自我怀疑里拉回来。

Stanford SCALE 的研究提醒过，AI 在教育中的核心风险之一是认知外包：学生把本该自己完成的理解、判断和组织交给工具。也有研究指出，AI 并不天然削弱高阶思维；当学生带着怀疑精神、用 AI 做反馈和多角度比较时，它反而能激发分析、评价和反思。差别不在“有没有 AI”，而在任务设计和教师引导。

这意味着教师培训不能只教“如何用 AI 备课”。那只是第一步，而且是最浅的一步。

真正的教师培训应当包括：如何把一个可复制答案的问题改造成开放项目；如何要求学生展示提示词、证据链和修订理由；如何识别模型幻觉和价值偏差；如何设计 AI 参与但不能代劳的课堂；如何让学生在使用 AI 后仍然保留困难、犹豫和独立判断。

一句话，老师要从批改者变成学习设计师，从答案守门人变成思考训练师。

中国可以大胆一点

如果只是把 AI 教育理解成“新增一门课”，中国会错过真正的机会。

更大胆的做法，是把 AI 当成推动教育结构重写的外力。

第一，建立“AI 时代作业标准”。教育部门可以组织一批全国可复用的任务样例：哪些任务允许 AI 全程参与，哪些只允许用来查错，哪些必须先手写思路，哪些必须附上模型输出对比。不要只告诉学校“可以用”或“不能用”，而要给出新的作业范式。

第二，从高中开始建立“个人学习作品集”。每个学生在三年里完成若干真实项目：一个社区问题、一个科学探究、一个工程原型、一个写作或表达作品、一次社会调研。AI 使用必须透明记录，答辩时随机追问。作品集不替代高考，但可以先在强基计划、综合评价、职业教育和部分高校试点里获得真实权重。

第三，把县域学校作为 AI 教育公平的主战场。不要只在名校做示范。国家平台可以提供安全合规的基础模型、课程包、实验环境和远程导师，让农村和普通学校也能做项目、看前沿、得到反馈。AI 教育如果不能先帮助资源薄弱地区，它就不是教育公平工具，而是新的分层工具。

第四，给教师减负，但把省下来的时间还给学生。AI 可以写通知、整理材料、生成初稿、做作业初筛。节省下来的时间不应该继续填表，而应该用于小组讨论、个别反馈、项目指导和家校沟通。衡量一所学校的 AI 应用成效，不应只看用了多少工具，而要看老师是否有更多时间面对学生。

第五，允许少数学校先改评价。真正的改革不能永远停留在口号里。可以在部分城市和县域设立“AI 时代学习实验区”，明确允许学校把一定比例评价放在项目、答辩、同伴协作和过程证据上，同时建立反作弊、隐私保护和公平审核机制。先跑出样本，再扩大。

最后要守住的，是孩子自己的脑子

AI 教育最容易走向两个极端。

一个极端是恐惧：禁止、检测、封堵，把 AI 当成作弊机器。另一个极端是迷信：以为有了 AI 导师，教育自然就会更公平、更个性化、更高效。

两边都太简单。

UNESCO 在生成式 AI 教育指南里说得很清楚：生成式 AI 不是教育基本问题的自动解法。真正起决定作用的，仍然是人的能力和集体行动。WEF 的《未来就业报告 2025》也显示，雇主最看重的核心技能仍然是分析性思维，同时 AI 和大数据、创造性思维、韧性、好奇心和终身学习快速上升。

这其实给教育指了一条很朴素的路：技术越强，越不能把人训练成按钮操作员。

孩子当然要会用 AI。不会用的人会吃亏。但更重要的是，他们要知道什么时候不能信 AI，什么时候应该停下来自己想，什么时候需要去问真人、查原始资料、动手做实验，什么时候必须为自己的判断承担后果。

Altman 在斯坦福说他看错了。他以为教育系统会很快自我重写，但它没有。

这句承认值得被认真听见。AI 已经把答案变便宜了，学校就不能再把“交答案”当成学习的中心。真正昂贵的东西会变成问题、判断、责任、审美、协作和勇气。

如果学校还不改变，孩子失去的可能不是几道题的分数，而是面对一个智能机器无处不在的世界时，仍然愿意自己思考的能力。

参考资料

• Stanford Online, “Stanford CS153 Frontier Systems | Scale, AGI, and the Future of Everything”, 2026. https://www.youtube.com/watch?v=F_7M4Hc-usM
• CS153: Frontier Systems, Stanford University. https://cs153.stanford.edu/
• Stanford Engineering, “The future of educational technology”, 2024. https://engineering.stanford.edu/news/future-educational-technology
• Stanford Engineering, “The future of education”, 2026. https://engineering.stanford.edu/news/future-education
• UNESCO, “Guidance for generative AI in education and research”, 2023. https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research
• World Economic Forum, “The Future of Jobs Report 2025”. https://www.weforum.org/publications/the-future-of-jobs-report-2025/digest/
• 教育部基础教育教学指导委员会，《中小学人工智能通识教育指南（2025年版）》。https://www.eol.cn/zhengce/wenjian/202505/t20250512_2667827.shtml
• 中国教育学会，《中小学生成式人工智能使用指南（2025年版）》。https://www.cse.edu.cn/index/detail.html?category=31&id=4242
• 央视网，《教育部发布相关指南 助推中小学人工智能教育发展》，2025。https://news.cctv.com/2025/05/13/ARTIZme0sHlrauomsKYrPppl250513.shtml
• OECD, “Education in China: A Snapshot”, 2016. https://www.oecd.org/content/dam/oecd/en/about/programmes/edu/pisa/publications/national-reports/pisa-2015/Education-in-China-a-snapshot.pdf
• Cheng & Hamid, “Social impact of Gaokao in China: a critical review of research”, 2025. https://doi.org/10.1186/s40468-025-00355-y
• Stanford SCALE AI Repository, “AI in Education Beyond Learning Outcomes: Cognition, Agency, Emotion, and Ethics”. https://scale.stanford.edu/ai/repository/ai-education-beyond-learning-outcomes-cognition-agency-emotion-and-ethics