当前，人工智能引发了教育内容、路径、方式等各个方面的深刻变化。纵观全球，人工智能赋能教育的规范性探索不仅改变了世界教育格局，也成为中国教育学界的新课题。2022年，联合国教科文组织制定《K-12人工智能课程：政府认可的人工智能课程蓝图》，为全球人工智能在基础教育提供参考性指南。2023年5月，美国教育部发布了《人工智能与教学的未来》，指出人工智能技术在教育领域的应用潜力巨大。欧盟在2024年3月通过了《人工智能法案》指出人工智能在教育中既扮演着积极角色，也存在着相当风险。2024年，世界经济论坛发布的《塑造未来学习：人工智能在教育4.0中的作用》进一步探讨了面向未来需求转变学习内容和学习体验的全球智能教育框架。面对国际人工智能教育的潮流，我国自2023年开始定期公布《人工智能促进教育发展年度报告》，关注人工智能课程的实施及发展情况，对智能教育进行指数化评估。为在人工智能教育的全球竞争中占有主动地位，我国迫切需要实现人工智能赋能教育的理论溯源，探讨全球化背景下的演进发展趋势及中国的可为空间。

如何理解人工智能赋能教育是一个横跨理论、技术与产业的复杂命题。如何使涉及的各学科，如心理学、教育学与人工智能理论融汇演化，进而促成人工智能教育领域的形成与理论创新；如何将既已形成的成熟人工智能技术，如机器学习、数据挖掘等应用于教育，并对教学、学习和管理等方面产生明确影响及带来变革可能；当人工智能成为全球教育市场中技术生产和消费的主流，同时国家启动对人工智能教育的商业行为监管，如何处理其中技术逻辑与非技术逻辑的冲突矛盾——此三问，关乎人工智能如何被整合于教育学的理论之中，从而从科学的立场观点出发、最大化教学技术发展的新空间，并思考内部的哲学冲突。有鉴于此，基于共识框架，本文对国内外人工智能赋能教育领域的国际理论前沿进行全面研究，提炼出人工智能赋能教育的理论演化、发展趋势，以及面临的理论、制度、经济、社会文化等非技术要素上的多重挑战。这些发现将为我国人工智能面向未来赋能教育提供有益启示。

人工智能赋能教育的理论演进框架

人工智能赋能教育的理论尚在演进之中。近百年以来，人们一直试图探索如何用机器赋予教学新的可能，但技术进步也对在教育传统中确立的哲学观念提出了新的疑问。经过对国际理论的演进分析发现，人工智能赋能教育理论演化框架可以分为四个阶段，即“前人工智能教育阶段-人工智能教育的理论阶段-人工智能教育的技术阶段-人工智能教育的产业阶段”的发展路径。

（一）前人工智能教育阶段

在前人工智能时期，行为主义（Behaviorism）流派便尝试用机器辅助学生的学习。行为主义强调通过及时的强化和反馈促进学习，并相信程序化的积累是学习的必经过程，这些信条至今仍然是人工智能教育中的核心理念。该理念的集中体现是斯金纳（B. Skinner）的“教学机器”。“教学机器”最早在20世纪二三十年代出现。它将学习和行为的心理学理论与机械形式的自动化技术相结合。到了20世纪五六十年代，这种“教学机器”可以向学生提出呈现教学框架和进程的一系列问题，并对学生的回答进行自动评分。为在20世纪60年代出现的计算机辅助教学（computer aided instruction，CAI）奠定了基础。依托计算机信息处理能力的发展，计算机辅助教学系统里的教学框架和问题变得更加复杂，对学生的能力评估和需求回应也更加精细。无论是教学机器还是计算机辅助教学系统，其与学生之间构成一对一的人机互动，可以根据学生的能力和需求来定节奏。这与日后人工智能教育提倡的个性化、自适应学习很相似。但是在前人工智能阶段，这些机器与系统没有自主性的智能，信息储存和处理能力也比较弱。随后，在20世纪70年代末开始出现“生成式CAI”的概念，即计算机辅助教学系统可以基于特定主题生成问题和答案。不久后便诞生了后世公认的第一个人工智能教育系统——SCHOLAR。计算机教学系统从此开始具有“了解”教学内容的主动性，能够实现学习者和计算机之间的“交流讨论”。

（二）人工智能教育的理论阶段

在20世纪70到90年代，人工智能与教育的结合以多学科的理论研究为主要路径。来自计算机科学和社会科学等不同背景的研究人员对先进的学习技术进行了开创性的探索。在20世纪八九十年代，欧洲、美国和日本举办了一系列人工智能教育会议。此外，1996年推出的国际学术期刊《人工智能教育》（International Journal of Artificial Intelligence in Education），以及1997年成立的跨学科团体——国际人工智能教育协会（International Artificial Intelligence in Education Society），都证明人工智能教育（Artificial Intelligence Education, AIED）开始以跨学科的学术研究形式发展。通过跨学科的发展以及国际学会、期刊和会议的创立，计算机学科和社会学科的研究人员被汇聚整合到人工智能教育这一研究领域。跨学科的整合催生了新的教育本体论：传统的课堂教学构建了一种以客观的先验知识为核心的教学模式，在这里，知识是客观真理，教育是对客观真理的集中传授。在传统教育中知识作为先验存在，无需置疑，教师和学生的位置是中心的。随后，以杜威为代表的现代教育哲学家对教育学本体论不断反思，形成了人、知识与社会网络普遍链接的新认知。21世纪之初提出的联通主义（Connectivism）是对人工智能教育理论的注脚，它认为学习者在复杂网络中服从分布式的知识获取观念；学习不再是线性的，而是人与技术共同作用、共同进步的过程。教育不仅基于人的身体存在（即基于大脑），也存在于技术，并被技术操控；而人类也不再仅仅是被动地接受知识，他们同样产生数据、构造数据网络。

这一阶段创建和发展了很多当下人工智能教育中的核心概念，包括机器学习（Machine Learning）、智能辅导系统（Intelligent Tutoring System）、认知辅导（Cognitive Tutoring）、学生建模（Student Modelling）。这些理念关注如何使用人工智能来理解、衡量和改善学习，实现对教育与学习的支持效果，以及对学生能力水平和类型的个性化考量。然而，受制于算法与算力等技术要素的发展不足，这个阶段提出的前沿性人工智能教育理念与构想停留于基础研究层面，并没有进入到技术应用层面。

（三）人工智能教育的技术阶段

进入21世纪，人工智能与教育的结合转向技术路径。作为一种新的数据科学范式，人工智能依托强大算法算力，实现基于大数据的学习和预测。这使得人工智能教育的系统规模与复杂性进一步提升，新出现的智能涌现能力发展成为人工智能的核心技术特征。这一阶段的人工智能教育技术积极探索想象、创造力等人类思维能力的模拟，让理论阶段的各种概念性教育技术构想迅速成为现实。探索学习模型、支持学生适应和个性化学习、深入实现思维品质的培养等构成人工智能赋能教育的关键技术目标。

在不同场景下，人工智能技术在赋能教育上的程度不一，应用也不同。泛人工智能、机器学习、深度学习构成了人工智能技术初级到高级的三个级别。其中，泛人工智能能够让计算机模拟或实现人类学习行为，从数据中自动学习并改进，以实现获取知识、解决问题等特定任务，但是缺乏模仿人类思维和学习的核心技术。机器学习能够训练模型让计算机自主寻找教育数据中的规律，并据此进行预测、分类等教育决策任务。机器学习还能够模仿人类大脑并由人机系统控制行为，构建具备中级智能涌现能力的教育应用程序。深度学习则是具有更强智能涌现能力的技术，基于人工神经网络的机器学习方法，它可以更进一步模仿人类大脑的结构和工作原理，通过构建和训练多层神经网络来提取和学习数据的特征。但是相对于机器学习，深度学习的相关技术较少应用在教育中。

如果说人工智能教育理论阶段带来的联通主义思潮消解了人在学习过程中的主导地位，那么在实践阶段，教育的目的论也将被重构。价值理性意义的讨论逐渐转向工具理性的话语，知识被剥去了神圣的属性，不再是亘古不变的真理，而是动态变化的、提升生产力和竞争力的工具；而教育过程内含的温情脉脉的人文关怀和全人培养的理想，则逐渐变为对培养适应技术变革、适应新时代人才的呼声。

（四）人工智能教育的产业阶段

当前，产业路径成为人工智能与教育结合的重要形式与方向。产业发展一方面得益于人工智能在技术上的持续突破与创新，一方面源自业界的信心增长和资金投入。疫情时代的线上教育流行也是人工智能产业化的重要推手，2019-2020年，教育科技公司筹集的投资额增加了一倍之多。

在当前的人工智能教育市场，一些大型教育科技公司与科技行业知名巨头公司面向全球占有较高份额，比如以数字化学习作为核心业务的培生集团在70多个国家开展相关项目；谷歌开发了50多种智能软件工具广泛用于全球各地的学校。同时还有很多初创公司持续入局人工智能教育市场。产业化发展增强了人工智能教育技术为人服务的意识，人工智能的人机交互更加强调机器对人的适应，注重以人为中心（Human-centric）的人机回环（Human-in-the-loop，HITL）自动化流程构建，在转化为产品形态时更加注重用户使用的便捷性。比如使用ChatGPT辅助编程时，计算机系统中专业的传统编程陈述方式被对话、指导、概括等更多样化和简易化的口头指令所取代。

人工智能教育的产业化是现代性对教育冲击的一个缩影。在全球化的知识共享和新自由主义情境中，人工智能教育逐渐构建起标准化的共享知识结构和价值观，导致各具特色的本土文化和乡土文明面临削弱的风险。现代性背景下人的身份建构不仅依赖于传统的文化和社区，还受到全球共同文化的冲击。社会的变迁，技术和信息的快速迭代，使得个体的自我认同变得更加不稳定。现代性所带来的流动和不确定性使人工智能时代的学生不仅归属于特定民族，而是建立起一个共同时代的身份认同。如果相信教育的目的不仅是知识的传递，更是共同体的身份认同塑造，那么主导的教育体系可能就成为文化霸权的载体。为此，如何在现代性框架下保持教育的文化根基，抵抗工具理性和全球化对本土文化的削弱，成了人工智能教育产业时代的议题。

人工智能赋能教育的演进趋势

伴随人工智能赋能的历史演进，当前人工智能赋能教育呈现出了更加成熟的多学科交叉整合的属性与特色，形成了人工智能赋能教育发展演进多重趋势。其中技术、教育与应用是三个主要方面（见图1）：首先，计算机科学、大数据、统计学、语言学等学科支持人工智能技术开发与应用，以实现人工智能的功能优化与迭代，形成了基础任务的效率赋能和高阶任务的创新赋能；其次，认知科学、脑科学、教育学等学科探索人工智能技术如何实现个性化学习，并将其贯彻到教育方法与过程中，形成了以人为本的理念赋能；最后，技术成果转化推动人工智能赋能教育的可能实践和产业化发展，政策法规则关注人工智能赋能教育的潜在风险和约束框架，形成了产业与伦理并进的应用赋能。

（一）技术趋势：基础任务的效率赋能和高阶任务的创新赋能

1.基础任务的效率赋能

人工智能技术发展带来了横向上的功能扩展，参与和支撑了更多的基础任务，为教育实现全面的效率赋能。当前人工智能在教育应用中支持和辅助了导师、学生、学习工具与伙伴、决策顾问等多个角色的任务（见图2）。在这些角色中，人工智能承担了大量的教学、学习与管理上的基础任务。例如，在教学上提供高效的智能辅导工具与平台，辅助教师完成教学任务并提供学情数据报告；在学习上提供高效的智能学习工具，帮助学生收集资料预习课程，追踪学习进度；在管理上基于数据挖掘与深度分析等智能技术进行趋势判断、解决问题，辅助政策制定者制定和评估教育政策。

人工智能可以极大程度地将教育者与受教育者从基础任务中解放出来，帮助他们专注于更加重要和核心的教育环节与任务。尽管在前人工智能阶段，教学机器与计算机辅助教学也可以进行一定的任务支持与辅助，但其效率只能适应小规模的教育行为。而大数据、深度数据分析、机器学习等技术让人工智能在基础任务上能够展现更高的效率和更精准的正确率。Gradescope、ASSISTments等工具可以依靠机器学习技术自动化处理作业评分反馈等繁琐的任务，并利用数据分析提供个性化的指导。AI还可以在课堂上或在线学习平台上成为支持教师的智能助手，通过自然语言处理（NLP）理解学生的问题并提供即时反馈。

2.高阶任务的创新赋能

智能涌现能力的强化让人工智能参与涉及思维、能力的高阶教育任务成为可能，并成为人工智能赋能教育的创新落脚点。理论阶段的人工智能受限于算法、算力技术的发展，更加擅长辅助或者代替完成基础的教学与学习任务。但到了技术阶段，人工智能技术本身得以参与高阶任务，引导和促进学生的思维能力培养。技术迭代、系统规模扩大、复杂性提升赋予人工智能不可预测的突发现象与突现属性。智能涌现让人工智能更加明显地区别于传统的计算机技术与数据分析，不再局限于基于已知的规则产生已知的结果，从而得以在高阶教育任务中赋能思维能力培养。

生成式人工智能中存在很多赋能学生创造力的例证。比如由OpenAI开发的ChatGPT、DALL模型等生成式人工智能可以根据输入指令生成创造性语段、图片，被证明能够辅助课程提升学生的创造力培养。哈比卜（Sabrina Habib）等评估了ChatGPT-3对大学生的影响，认为其适当介入教育能够支持创造性思维的培养。赫特森（James Hutson）等发现生成式人工智能DALL-E2参与艺术和设计课程，能够提高学生创造性过程和成果。同时，这些研究表示生成式人工智能与教育的结合需要提供充足的使用说明，并以建立健康协作关系为前提，否则会对学生的创造力培养产生一定的副作用。

（二）教育趋势：以人为本的理念赋能

支持以人为本的教育理念是人工智能赋能教育的第二个趋势。首先是用技术赋能个性化教育，让教育对象真正指向具体个体。传统的教育对学生需求的关注是一般化、抽象化的，而人工智能基于多种技术与方法实现教育内容的个性化定制，分析学生的学习数据，包括历史表现、学习风格和偏好，适应学生差异化的能力和需求，相比于一刀切的传统教育，让教育关注落到了具体个体之上。比如，Knewton、Cerego、Immersive reader、CALL等教育平台根据人工智能的机器学习算法来判断学习进程、风格等方面的差异，为各个教育阶段的学生提供个性化的教学建议与支持。此外，聊天机器人也利用了人工智能的机器学习算法，依据学生具体的学习需求和能力水平来反馈定制的学习内容。基于人工智能技术的个性化教育极大地改善了学生的学习体验，更加凸显教育的人性化色彩。

其次，人工智能技术让教育过程与方法更加关注人的多面性与整体性。人的发展包含了知、情、意、行多个维度，但是传统教育往往更关注知识与认知方面的发展，造成全人教育的实践局限。而人工智能的发展，加快了触及学生情感、意志、行为的方法与技术同教育的融合，助推了全人教育与均衡素质培养。通过智能辅导系统与情感计算技术的融合，研究者得以使用人脸识别检测学生在学习中的面部表情和情绪状态，及时给予正向的反馈与引导。人工智能与虚拟现实技术的结合则可以构建沉浸式的历史知识学习环境，通过手势、情感和非语言交流引发学习的高度兴奋感，唤醒学生的学习动机与意志力。人工智能还能将某些知识领域以游戏方式呈现，动态地适应学习者的行为和情感，实现教育的知情融合。

（三）应用趋势：产业与伦理并进的应用赋能

人工智能向内通过技术革新赋能教育，向外则驱动产业化发展与伦理法律框架的并进。在产业化方面，科技公司、商业性教育公司开发服务性的人工智能教育技术与产品，并推向学校、学生以及其他非正式的教育环境和实践。早在20世纪90年代，西方发达国家就开始探索人工智能技术在教学和学习上的商业化应用。以美国为代表的西方国家，以企业牵头人工智能技术创新，注重面向市场不断开发新兴应用领域，对人工智能赋能教育形成了强大的外部助力。随着全球化与市场的成熟发展，人工智能教育产业生态链已初具规模：科技公司主要开发人工智能基础设施，教育公司在此基础上开发AIED应用程序，面向学校组织和学生个体销售。科技公司、教育公司与研究所、学校课堂实践之间的合作被认为能够有效提高教学与学习的效率和质量。同时，产业化发展的果实也最终惠及校园，促成相关产品和岗位的专业化发展：例如，智能辅导系统从人工智能教育研究实验室走向商业环境，并在学校中广泛应用，同时面向市场开辟了教育数据科学家与其他学习分析专家等新兴职业岗位。

在产业化助推人工智能在教育领域应用的同时，与人工智能相关的新的伦理体系也在探索完善之中，以防止资本加持技术带来的野蛮生长。首先，各国探索建立了人工智能的伦理框架，如美国与英国的《为人工智能的未来做好准备》和《人工智能：未来决策制定的机遇与影响》，我国的《新一代人工智能治理原则——发展负责任的人工智能》和《新一代人工智能伦理规范》等。当前，各国主要通过专门法案来进一步落实和约束人工智能的技术开发与应用，这也辐射了人工智能在教育领域的应用。欧盟出台的《人工智能法案》，其中将应用于教育的人工智能归类为“高风险”，提出了更加严格的监管要求，包括风险评估、确保透明度和提交日志记录。我国的《生成式人工智能服务管理暂行办法》规定采取有效措施防范未成年人用户过度依赖或者沉迷生成式人工智能服务。区域与国家对于人工智能的伦理约束经历了从政策呼吁到法律规范的递进发展，对于其在教育领域的应用表现出尤为严谨的态度。

另一方面，进行人工智能技术开发的科技公司基于道德伦理建立了行业性组织和内部治理结构：OpenAI和Operation HOPE联合创立了人工智能伦理委员会，微软内部设有人工智能社会道德伦理团队，谷歌成立了人工智能伦理委员会。这些机构作为行业与公司的自我监管发挥作用，应对人工智能技术在各个领域可能出现的伦理问题并设立问责机制，例如谷歌的人工智能伦理研究人员就曾因未能解决机器学习训练数据集中的偏见而被解雇。

人工智能赋能教育演进中面临多重挑战

人工智能通过前沿技术赋能教育，既带来了变革机遇，也面临以下三个方面的挑战。

（一）理论挑战：人工智能研究基本没有涉及对教育理论的回应和探讨

人工智能赋能教育是多学科交叉的复合领域，当前应用技术过于迅猛发展，导致对智能涌现现象与能力的基本理论解释不足，缺乏与教育理论的融合，进而造成了技术发展的价值缺失。人工智能之所以能够帮助个性化教育、人本教育等理念在实践中迅速发展，主要依赖其智能涌现能力。具备强智能涌现能力的一些人工智能技术，比如循环神经网络和其他深度学习技术能处理人类暂时无法处理的教育数据，但是无法对教育和学习产生明确的改进作用。人工智能的智能涌现如此高级，以至于人们还没有完全理解它，就开始使用它。当前智能涌现能力的发展主要依赖计算机系统工程师、数据科学家在算法、算力等技术要素上的研发创新；然而，相关研究谈及智能涌现，普遍缺少清晰的内涵界定，只是含糊而语义重复地指出是人工智能系统复杂化后带来的突现结构与属性，而且也缺乏具体的机理解释。由于人工智能核心技术在原理上表现出黑匣性，进而使得其在实际中的应用呈现出技术先于理论的盲目与非理性。智能涌现能力越强的人工智能技术越呈现这种特征。对高深技术的过度追求，可能导致教师和学生对新兴的人工智能技术产生过多期待和过度依赖，从而损害教学和学习本身。

人工智能进入教育领域尤其挑战了教育理论的指导能力和人的指导地位。基于自由意志的主体性是人类道德行为的核心，也是教育理论的核心。虽然人工智能被认为引起了教育范式的变革，但是有影响力的人工智能研究基本没有涉及对教育理论的回应和探讨，而是偏向提出新的人工智能模型、系统、算法和方法框架，以及关注人工智能技术解决教育问题的应用路径。尽管人工智能帮助教师、学生和教育管理者很好地解决了诸多技术问题，但它一旦侵蚀了教育理论的指导作用，也就侵蚀了人在教育过程中的自主性。如果人工智能过多地干涉了人类决策，技术理性就会消解人的自由意志，并将本应属于个体或社会的道德责任转移给技术。对道德责任的否定将导致消极的伦理态度。尽管技术通常被相信是客观中立的，但当教师、学生和管理者利用AI分析学习数据，评定学习效果，甚至预估学习困难、中途退出的风险，定义和选拔拔尖人才，人工智能技术将很难避免做出价值判断。那么道德责任可能不再被视为重要的伦理实践，而仅仅是技术过程的一部分。为此，人工智能教育必须葆有一种以教育理论为主导的教育观，在技术主导的教育环境中保障学习者的自主性和中心性。

特别是，当人工智能全面进入教育领域，技术决定论（technological determinism）的风险就会进一步削弱主观能动性。教师和学生可能会过度依赖人工智能指导行为决策，技术理性和数据指标的优化被优先考量，而人的价值判断则退居次要地位。算法虽然表面上强调学生的个性化需求，但它往往通过标签和过分简化的特征值，而不是成体系的长期教育理论来决定学生的学习路径。当前人工智能赋能教育既缺乏新的理论支持，也没有与传统的教育信仰和观念进行很好的融合，对人工智能在教育领域的本体论、价值观和方法论，都缺乏基本的回溯探讨，从而出现误用和滥用，无法真正赋能教育。

（二）范式结构挑战：人工智能与传统教育生态结构缺乏适配耦合机制

人工智能的发展迎来了科学研究的第五范式——深度学习、人工智能，及其在全部学科中的深度融合，全方位影响着教育系统的各个维度和层面。人工智能技术与教育的结合产生了一些对现有教育生态构成挑战的教学与学习概念。比如开放学习、自我调节学习，强调学习者基于明确的自我认知，自主地制定个性化的学习目标并落实到行动上；泛在教育强调学生突破时空限制，可以在任何时间、任何地点获取所需信息来实现学习。而传统教学特点是鼓励学习者遵循一套学习顺序来提高他们的学习成绩，进而形成了年龄进阶、分科课程、班级授课与教师主导等既有的教育结构。显然人工智能赋能教育的方向与传统教育生态存在内在的冲突。

人工智能的冲击引起了对知识本质和教育目的的怀疑。启蒙哲学将知识视为客观、先验和可传授的，而人工智能教育强调知识的动态性和不确定性，知识不再是固定的文本或理论，而是通过对大量的数据分析和模式识别得出的概率性结果。面对传统教学方法的确定性与自主学习的开放性之间的本质冲突，人工智能倡导的新教育理念更可能考虑到每个学生在需求、动机、兴趣、行为模式和能力上的差异，让教学与学习更加灵活性和个性化，却难以改革当前牢固的教育制度与生态。强调技术路径的人工智能教育变革缺失在当下教育生态中的抓手。比如ChatGPT被认为具备基本的教学行为，但是缺少课时、单元、课程等具象结构，难以适应当前的学校教育结构。人工智能赋能教育的过程中自然诞生的新兴概念只是针对教学、学习活动与任务，并没有实现制度层面的创新与实践。这极大限制了人工智能对教育的影响，使其难以发挥对教育的核心支撑作用，进而使得教育范式的突破与变革难以落到实处。

（三）应用挑战：技术、经济和价值鸿沟下造成教育对象和教育过程的巨大差异

首先，社会认知偏见带来的算法偏见，以及社会经济不平等产生的数据鸿沟促使人工智能赋能教育的理想愿景受到挑战。人工智能被应用于教育之中，总是被认为帮助突破传统教育限制，向着更有效率与质量，更加公平与科学的方向前进。伦敦大学学院开发智能评估工具AIAssess时表示，“人工智能将提供一个更公平、更丰富的教育评估系统，从一个基于证据、增值的角度对学生进行更长期的评估。”但是人工智能技术的应用在多个方面复刻了社会结构中自带的不平等基因。比如人工智能在教育应用中存在的算法偏见：尽管人工智能被认为是价值中立的，但算法所依赖的训练数据、要素设计和权重赋值中带有的人类偏见最终会通过计算机决策表现出来。人工智能根据以往数据进行预测，有可能会让学生陷入AI带来的先入为主的判断和自我实现效应。此外，过滤气泡（filter bubble）更会通过反馈循环加深算法偏见的影响。过滤气泡是伊莱·帕里泽（Eli Pariser）在著作《过滤泡：互联网对我们的隐秘操纵》中提出的概念，指算法的个性化推荐使学生逐渐被隔离在特定的信息环境中。因此，学生会在一个基于有偏训练数据集的算法系统中逐步强化歧视，或是接纳被过分简化的数字标签。这种算法偏见的“贴标签”行为或带有还原论色彩，即是将人的存在和行为这一高维概念解构为算法可理解的有限个低维概念。这不仅存在忽视个体差异、固化社会偏见的潜在问题，更漠视了教育中最关键的人本主义视角：人的独特性、复杂性和完整性，与人的体验和感知，及其所塑造的身份和世界观，都被算法简化为客观、外在的描述；人成为数据的对象，而不是完整且具有独特经验的主题。由此可知，算法偏见不仅可能将社会既有的认知偏见代入到教育中，还会造成公平、正义、认同、爱、创造力这些不可计算但是又有较高教育价值的要素缺失。

社会经济不平等造成的数字鸿沟也阻碍了人工智能促进教育公平的愿景。技术不均衡的发展带来了教育不平等的隐忧。能够接触到前沿技术的群体可能在未来教育中获得更大的优势，从而扩大差距。人工智能赋能教育，除了需要科技创新的加持，更需要数字教育的基础设施支持，对网络、智能应用程序、智能电子设备仪器等软硬件的普及率都有较高的要求。免费的人工智能教育技术很少，更多功能丰富、水平专业的人工智能教育项目、技术需要高昂的花费：AI助教机器人系统的市场报价是2.98万元一台，智能辅导的市场报价也高达数千元。甚至智能手机、智能平板、网络费用也需要数百元到数千元的花费。区域、学校和家庭的经济能力差异可能会导致学生享受到的人工智能教育资源的巨大差异。

其次，当前人工智能领域浓厚的商业竞争氛围也对人工智能赋能教育构成了技术落地与道德伦理上的挑战。人工智能的技术应用与产品开发主要由营利性科技公司主导，市场需求影响了人工智能技术落地教育领域的方向。我国的学校教育尤为重视知识教育，人工智能技术主要集中在为学校教育服务的教、学、考、评、管等各个方面。这可能限制人工智能赋能教育的更多可能。此外，用户导向的市场面临着积极开拓新技术的科技公司与相对传统成熟的教育行业之间的冲突，因此最前沿科技的落地需要等待其受众的成长。比如生成式人工智能在教育场所的应用呈现出复杂的技术特征，却具备一定的使用门槛，需要研究者、教师和学生探索如何驾驭它，导致功能更强大的智能技术反而越少与教育领域结合和应用。

同时，由于教育科技企业在技术研发上面临着激烈的全球竞争，因而不愿受制于严格的伦理审查，承担竞争中滞后的商业风险：例如，在制定《人工智能法案》的过程中，欧盟原本考虑将所有通用人工智能系统纳入“高风险”类别，却遭到OpenAI、谷歌和微软等科技巨头的反对而失败。它们认为欧盟此举是过度监管，会阻碍AI创新；美国加州人工智能法案也受到了一些硅谷企业和实验室的反对和阻挠，认为扼杀初创企业会让美国的竞争对手受益，并削弱加州在人工智能领域的地位。这些举动都表明人工智能应用技术与产品开发中存在科技创新与伦理道德的冲突；而商业化发展加剧了这种冲突，也促使人工智能在教育领域的应用面对更加复杂的挑战。

结 语

自卢梭以降几百年间，教育家们探索独立思考、个性发展和主动学习的教育理念，旨在培养具有完善价值观念和批判性思维的全人。人工智能的强大算力终将使这一理想成为可能。如果能够突破哲学、技术和实践的瓶颈，人工智能超高算力的数据处理、信息整合和实时反馈将会带来一个更高效、更深刻的教育未来。杜威相信，教育应该关注学生的整体生活经验，促进他们在现实世界中的成功。而人工智能在个性化、跨学科、即时反馈、数据驱动的教学反思、自适应学习系统等方面具有天然优势，如果说人类教育者出于社会结构的过分庞杂，难以避免通过重复与试探搜寻教育的最佳方式，那么人工智能则可以基于人类社会的全部智慧给出对学习者和学习本身的更深理解，加深人对经验世界的感知。有史以来，人类通过教育将人本身置于哲学概念上的中心位置，又把先验理性和先验知识视作教育的核心内容之一。而20世纪后半叶以来人工智能的高效、动态、生成式智能，则呼吁一种全新的教育法则——一种人与技术共同创造的法则——甚至人的存在意义、教育的终极目标，都会被改变。但最终，学生注定需要通过探索和反思来完成知识进化和自我完成，而不是沿着算法定义的“最佳路径”前进。因为对人的终极价值的追问，对创造力的追求，具有永恒的价值。

在当今中国，在推进教育现代化、建设教育强国的时代背景下，人工智能专家和教育工作者仍然需要从理论、技术、产业、法规等多条路径出发，全面探索人工智能赋能教育的诸多可能，从而在国家和国际舞台上造福尽可能多的学生和教育从业者，乃至人类本身。