本文来自微信公众号： 斯坦福社会创新评论 ，作者：SSIR中文版
1950年，艾伦·图灵（Alan Turing）提出了一个振聋发聩的问题：机器能够思考吗？这一提问不仅开启了人工智能（AI）研究的大门，更催生了一种强大的愿景，同时也埋下了深重的隐忧：机器是否终有一天会复制，甚至超越人类智能。
如今，AI逐渐融入教育领域：个性化辅导、适应性评估、预测性仪表盘、自动化评分等应用层出不穷。在追问“AI如何改善教育领域”之前，我们需要先厘清一个核心问题：我们究竟在优化什么？很多时候，这个问题的答案指向——效率。
这种倾向正是斯坦福大学经济学家埃里克·布林约尔松（Erik Brynjolfsson）所警示的“图灵陷阱”（Turing Trap）：即AI系统常被用于复刻人类已有的工作任务，而非助力人类发掘全新的发展可能。诚然，自动化重复劳动确实能带来现实收益，比如扫地机器人为人们腾出了时间。但如果不加审慎地部署AI，我们可能会将过时低效的思维模式也一并自动化，进而固化那些早已不适配当下需求的教育路径。
在教育领域，这种风险尤为突出。
最近一项研究发现，AI生成的教案往往默认采用说教式教学模式（didactic instruction），即一名教师站在讲台前，学生则被动接收信息。这种结果不足为奇。说教式教学正是互联网与现行教育体系中最常见的形式。现代教育体系的基本架构形成于工业时代，其核心逻辑是标准化、规模化和可控制性。该模式虽然推动了教育的普及，但也在无形中限制了我们对“学习”本身可能性的想象。
在全民受教育程度已大幅提升的背景下，教育的重点理应发生转移。我们需要更认真地对待学习的丰富性与复杂性——包括学会关怀、建立联结，以及在一个不断变化的未来中持续生长。AI或许能成为这一转变的助力，但前提是：我们必须避开图灵陷阱。
要重新思考教育与AI的关系，我们首先需要回答一个问题：在一个AI深度介入的未来，人们应当具备怎样的知识储备和能力？
这类探讨往往从“人类需要具备哪些技能”谈起。但问题在于，技能通常被理解为一系列可拆解、可复制的程序化步骤——而这恰恰是AI最擅长的领域。如果我们将学习的重心锚定在那些AI终将更高效完成的任务上，那么教育很可能无法为下一代提供真正有价值的能力基础。相反，我们需要一种更宽广的人类智能观，其核心在于：感知力（appreciation）、理解力（understanding）与适应力（adaptability）。
感知力无法被外包。无论是对落日余晖的赞叹、画作的品鉴，还是对精妙巧思的欣赏，这些体验都必须由个体亲自完成。即便AI能生成看似恰当的评价，它也无法替代真实的内在感受。
而“理解”同样不止于对表层信息的掌握。在一项开创性研究中，学者米歇尔·基（Michelene Chi）分析了生物学教材中对人类心脏的描述，发现其中只呈现了少量因果关系——过多细节呈现会让文本繁复冗长。真正的理解，来自读者凭借既有知识，突破文本中有限的信息，从而补全其背后的关联网络。AI或能呈现结构工整的答案，但如果学习者自身缺乏扎实的基础知识储备，便难以建立对文本的深度理解。
适应力，则是在新情境中调整策略、重组经验的能力。在生成式AI带来的信息洪流中，这种能力将变得尤为关键。当计算器第一次进入课堂时，教师并没有因此停止教授数学，而是同时教会学生如何理解数学、使用工具。今天的处境与当年相似，却复杂得多。论文写作便是一个典型例子：过去，学生为凑齐三份参考文献（一般含百科全书）而绞尽脑汁；而如今的学生却要面对被算法放大的海量信息，其中不乏误导性内容。斯坦福大学教育学教授萨姆·温伯格（Sam Wineburg）的研究指出，教授学生如何评估网络信息来源、培养“辨别假新闻”的能力，已变得刻不容缓。他的研究表明，即便是受过高等教育的人，也可能被网络信息所误导，而强化对信息的批判性评估能力，不仅有助于培养个体的判断力，也能提升学生在复杂、快速变化的信息环境中有效学习的能力。
当前，大多数教学仍然将重点放在机械背诵上，而非培养学生的适应能力。传统评估往往将学生与学习过程割裂开来，鲜少提供修正与成长的机会。相比之下，动态评估则将测试与学习结合起来，在评估过程中引入学习机会，因此能更准确地预测学生是否具备将既有知识迁移至新情境的能力。AI的价值在于，它能让教育者得以聚焦学习的过程本身，而非仅仅关注学习的最终成果。
展望未来，我们相信，在AI深度融入的时代，学习者的创造能力将比信息接收能力更为重要。创造力是一种更深层次的适应力，它意味着尝试新路径、生成新观念、主动寻求反馈，并在现实约束中不断调整与完善解决方案。生成式AI已拉开这场转型的序幕。人们正欣然借助AI创作诗歌、重构代码、设计数字艺术作品。或许，我们正逐渐从信息时代，迈向一个以创造为核心的时代。
生成式AI的兴起，为我们如何学习、重视什么价值，以及谁能够参与创造，打开了前所未有的可能性。但要真正把握这一机遇，前提是将学习科学研究应用其中。数十年来，大多数教学模式主要依赖经验与直觉；而在过去半个世纪里，关于人类如何学习的研究已形成了一套扎实而系统的知识体系。我们正站在一个百年一遇的节点上，有机会围绕真正有效的学习方式，重新设计教育。
近半个世纪的研究揭示了学习与适应力所需的关键要素。其中一项被反复验证的结论是：学习不仅依赖单纯的信息传递，更取决于互动与反馈、学习情境以及个体在其中所处的位置。早期理论认为，学习与行为的唯一驱动力是通过奖惩实施的即时强化。而斯坦福大学教育学教授罗伊·皮亚（Roy Pea）关于“分布式认知”（distributed cognition）的研究指出，学习使用环境中的工具会塑造人的思维能力。这一认识，成为了学习研究领域的第一个重大转向。
学习研究领域的第二个重大转向，是将社会因素纳入理论核心。人际关系至关重要。社会互动推动着多种学习形式的发生，它既是学习的动机来源，也为儿童提供了可模仿的亲社会行为范本。归属感并非学习的附加条件，而是其基础。斯坦福大学的研究表明，即便是以增强归属感为目标的短期干预，也能带来长期的学业提升，尤其对长期处于边缘位置的学生群体影响显著。正因社会互动对学习与人生发展的重要性，学习环境理应高度重视“关系智能”（relational intelligence）——即共情、沟通，以及在社群中共同成长的能力。在这一点上，AI既可能发挥积极作用，例如通过智能代理支持人与人之间的互动；也可能带来风险，例如被设计为日益增多的“看护工具”，用于监控数字行为，将监管置于真实联结之上，甚至演变为虚幻且具有情感操控性的陪伴形式。
要在这一新时代中真正发展，我们需要以创造与分享为导向的教学法。项目式学习（project-based learning）便提供了一个典型范例：学生通过协作完成解决方案或作品，在过程中获得丰富的反馈进行复盘，并不断迭代优化。生成式AI可以在其中为教师提供有力支持，帮助其管理同时推进的多个项目；同时，AI也能帮助学生突破自身能力边界，例如通过创建仿真模型，将他们的构想具体呈现出来。
尤为重要的是，以创造力为核心的学习模式还能培养学生适应未来的关键能力，例如持之以恒、勇于尝试、目标设定、主动寻求反馈，以及生成创新解决方案的能力。在这一理想愿景中，学生是AI的主导者，他们借助AI拓展思路、激发想象力；而在传统的效率至上模式中，情况恰恰相反——AI掌控着学生，指挥他们该做什么、如何思考，以及何时推进下一步。
正是这一差异，决定了人们能否在充满不确定性的未来中持续发展。在我们的设想中，AI应被用于增强人类通过创造实践与人际关系进行学习的能力。这有赖于构建以人为本的工具体系：既支持教育者的教学决策与课堂实践，又提升学生的能动性，并为所有学习者搭建起通往创造与联结的桥梁。
我们已经看到这条更可行路径的初步迹象。在斯坦福大学，师生们正开始探索对AI的“实践式使用”——不再将其视为用于自动化的黑箱，而是作为学习过程中的协作伙伴。由教育学教授维克多·李（Victor Lee）牵头，依托斯坦福学习加速器（Stanford Accelerator for Learning）与斯坦福以人为本人工智能研究院（Stanford Human-Centered Artificial Intelligence Institute）设立的“创造式学习”（Learning Through Creation）种子基金，支持学生利用生成式AI动手创作、自由探索、再加工已有成果并大胆发明，从而将学习的重心从被动的信息消费，转向主动的创造实践。这些早期的想法与原型，正在重新界定AI在教育中可能扮演的角色。
人类天生具备灵活应变的能力，且具备极强的社会属性，但这些特质都需要有意识地培养。借助AI开展创造活动，有望进一步提升我们的适应力。问题在于，AI是否同样可以支持我们社交能力的发展？比如，它能否帮助我们获得归属感、共情他人以及关怀彼此？
当前AI陪伴型产品的发展趋势往往走向了反面——它们会一味迎合用户的偏好与情绪，却从不督促用户主动与他人建立联结，最终消解了人们学习社交技能的必要性。一台能让孩子感受到“被理解”的机器，或许能带来慰藉，却无法教会孩子如何去理解他人。倘若我们一定要设计AI陪伴产品，那就该让它们成为社会学习的桥梁，而非终点。这些产品应当支持那些能够迁移到真实世界中的社会互动方式，而不是停留在机器内部的情感模拟。
我们相信，这样的未来并非遥不可及。但前提是，我们必须对“效率至上”祛魅，转而进行有意识的设计——以学习科学为基础，充分尊重学习者之间复杂而真实的差异，并始终立足于对人类潜能的深层信念。
若能善用生成式AI，我们便能打造出一个更具创造力、更富联结性、也更具人文关怀的教育体系——一个真正属于每一位学习者的体系。
伊莎贝尔·C·豪是斯坦福学习加速器（Stanford Accelerator for Learning）的执行主任，著有《热爱学习：关怀与联结在早期教育中的转型性力量》（Love to Learn:The Transformative Power of Care and Connection in Early Education）。
丹尼尔·L·施瓦茨现任斯坦福大学教育学院院长，并兼任斯坦福学习加速器的创始教师主任。他著有《学习科学入门：26种实证有效的学习方法、原理与应用场景》（The ABCs of How We Learn:26 Scientifically Proven Approaches,How They Work,and When to Use Them），系统梳理了基于学习科学研究的多种教学方法及其适用情境。
原标题：Avoiding Education’s Turing Trap