当下的教育，正被两种焦虑撕扯：一边是愈演愈烈的"内卷"，在固定的跑道上，我们被迫投入无限的时间和精力，只为争夺有限的领先身位；另一边，则是以 ChatGPT 为代表的 AI 带来的颠覆性冲击，它既是"作弊神器"，也可能是前所未有的学习利器。
所有人都在问：未来的教育，究竟走向何方？也有人在思考和探索，AI 时代的原生教育，会是怎么样的，即以 AI 为基础设施驱动的教学，是否会有什么新的可能？
纽约著名学府新学院的教授格雷格 · 伊斯利最近发表了一篇文章，《人工智能时代下对学校的再构想》，带我们畅享了一下未来的教育，提出一条别开生面的发展道路。他是一位集多重身份于一身的专家，既是技术专家和作家，同时也在新学院教授媒体研究课程。
在这篇文章中，伊斯利提供了一个极具想象力且可行的破局方案。他从一次智能动感单车的健身体验中，获得了一个深刻的启示。那台机器没有让他去追赶某个预设的速度，而是先精准地测算出他个人的"能力阈值"，然后为他量身打造一条动态的、个性化的进阶之路。
他由此提出了一个颠覆性的教育构想——"适应性阈值学习"。核心观点是：我们能否将当前"时间固定，结果不一"的教育模式，彻底反转为"让精通成为不变的常量，而时间成为可变的量"？
在这个模型里，AI 不再是简单的答题工具，而是一个私人教练。它会精准找到每个学生的知识边界，然后动态生成学习路径。一个孩子可能两天掌握一个概念，另一个需要一周——但最终他们都会成功，因为系统适应的是人，而非课程表。
这是否意味着教师将被取代？恰恰相反。文章指出，教师将从知识的灌输者，转变为学生成长的"总教练"。当 AI 负责了标准化的技能传授后，教师才能真正聚焦于那些算法无法替代的、更宝贵的育人工作："没有任何算法能够取代一个能激励、联系背景和给予安慰的人类角色，无论它多具有适应性。"
本文不仅描绘了一幅激动人心的教育蓝图，也冷静地探讨了其背后关于数据、公平和过度优化的风险。它不是一篇空泛的技术颂歌，而是一份严肃、深刻、关乎我们下一代的未来构想，绝对值得一读。以下为编译内容：
去年冬天，在新英格兰，连续几天的严寒扼杀了我户外锻炼的雄心，于是我在车库里装了一台 Wahoo Kickr。这个设备可以替换公路自行车的后轮，将其变成一个"智能"室内训练器。当与专门的健身应用程序配对时，它能自动调整踩踏阻力，以模拟真实世界的地形：丘陵、平地，甚至是山地。
我的第一次训练从一次"爬坡测试"开始。它的原理是这样的：你从一个较低的阻力水平开始，之后每过 60 秒，阻力就会增加一点，直到你再也跟不上节奏为止。我坚持了 22 分钟多一点。结束时，我头晕目眩，汗流浃背，心率达到每分钟 166 次——对于我这个年纪的人来说，这已经是极限了。
这个"力竭点"被用来估算你的"功能性阈值功率"，即你的双腿能在一小时内维持的最高平均功率。一些骑行应用会使用 FTP 来为你量身定制训练计划，打造一套最优方案，让你骑得更快。
如果你缺席了一周的训练，系统会通过减少训练量来作出调整。如果你进步神速，更难的训练就会随之而来。你的 FTP 成为了一个动态的基准，而不是一个静态的分数。
对我而言，效果是惊人的。当春天来临，我开始户外骑行时，我的体能几乎达到了巅峰水平。但除了身体上的收获，我更被这个系统的设计所震撼。它能够实时调整，识别出我最初的能力，并以精准和灵活的方式做出反应，帮助我不断进步。
如今，人工智能驱动的训练平台可以分析全球数百万运动员的训练数据，然后利用这些数据设计日益高效的个性化训练计划。这些平台在持续学习，每一个新用户都会让它们变得更强大，这使反馈循环随着时间的推移而愈发有力。
后来，当我在为我在曼哈顿新学院的学生起草教学大纲时——我在那里教授媒体研究研讨会——我开始思考：如果教育也能这样运作呢？如果教学不是遵循预设的课程，而是从学习者的能力阈值出发，建立一条动态的、个性化的前进道路呢？
教育危机
美国迫切需要创新的教育方法。
2024 年，通常被称为"国家成绩单""国家教育进展评估"所做的测试，证实了美国教育部长琳达 · 麦克马洪所说的"一个毁灭性的趋势"：美国 K-12 阶段的学生测试成绩达到了"历史新低"。
本月公布的分数显示，近一半的高中毕业生在数学方面低于基础水平，约三分之一在阅读方面低于基础水平。平均阅读分数已降至有记录以来的最低点。
新冠疫情的封锁打破了我们教育体系是灵活的这一幻觉。当教室突然关闭，僵化的学习模式被原封不动地搬到屏幕上，这导致许多学生感到吃力且缺乏参与感——这个问题至今仍然存在。在这一严峻的背景下，另一股力量——人工智能——正有望重塑教育，其结果或好或坏。
人工智能已经以复杂且迅速演变的方式融入学习和教学之中。学生们使用 ChatGPT 这样的工具来起草论文、解方程式和生成学习指南——有时是为了加深理解，但通常是为了减少甚至完全免去学习所需的努力。
根据《高教内情》2025 年 8 月的一项调查，85% 的学生承认在过去一年中使用过生成式人工智能来帮助他们完成课业。在我自己的课堂上，仅仅是怀疑学生滥用人工智能，就足以让师生间的信任变得紧张，并使评分复杂化，因为其允许使用的界限仍然模糊不清且易变。
教师们也开始加快或自动化处理那些耗时的任务，比如起草教案和生成练习题，从而将自己解放出来，专注于更有价值的指导和一对一支持。但人工智能工具也可能成为一种诱惑，引诱教育工作者使用算法捷径来代替那些需要投入精力的、人性化的工作，如观察、引导和激励学生。
社交媒体在这方面提供了一个警示性的例子：平台上充斥着由人工智能生成的网红对人工智能生成的粉丝讲话，形成了一个自我强化的反馈循环，真实性在其中消失殆尽。危险在于，教育可能会走上类似的道路，效率取代了亲身参与，教学中的人文维度最终被扁平化。
人工智能融入教育已不再是假设——它正在顺利进行。今年四月，特朗普总统签署了一项行政命令，将人工智能引入美国课堂。包括谷歌、亚马逊、微软等在内的主要科技公司也已承诺将支持这项任务。
"如果教学不是遵循预设的课程，而是从学习者的能力阈值出发，建立一条动态的、个性化的前进道路呢？"
问题不在于学习是否会受到人工智能的影响，而在于如何影响以及为了什么目的。如果任其发展，或者完全由追求自身利益的科技公司来主导，人工智能教育工具可能会加剧不平等，并使它们声称要解决的问题永久化。
然而，通过深思熟虑的设计，它们可以推动我们超越僵化的课程，走向能够响应个体学习者的自适应系统。我们面前的抉择——是任由人工智能随意发展，还是以教育者、学生和机构为中心来刻意塑造它——将决定它究竟是会加深我们的危机，还是会成为一种更灵活教育方法的基础。
适应性阈值学习
我用过的那种现代自行车训练应用，为我们重构教育提供了一个有用的模型。其核心原则——适应学习者的阈值并向上构建——可以构成我称之为"适应性阈值学习"的基础：一个由人工智能驱动的系统，它能识别每个学生当前的极限，并设计相应的体验来扩展这些极限。
ATL 首先会识别一个学习者当下能完成什么。一项诊断性测试，通过个人电脑、移动应用或虚拟现实头戴设备进行，会从简单开始，然后逐渐增加难度，直到系统找到学习者的阈值：即流畅度下降、回忆变慢或开始出错的那个点。输入的形式可以是声音、语音、文本、手势或这些的组合，由设备的内置麦克风、触摸屏、摄像头或运动传感器捕捉。
基于这个基线，ATL 将生成一个个性化的教学计划，旨在在最短的时间内提高学习者的阈值。系统会根据表现持续调整，追踪学习者如何以及何时做出反应、自我纠正和失败。随着时间的推移，模式将会显现。
想象一下，如果使用 ATL 系统学习一门语言。你将用目标语言开始一个对话测试，系统不仅会听你的词汇是否正确，还会注意你的语速、发音和语境的细微差别。如果你总是用错动词时态但说话清晰，系统就会将重点转移到语法上。
如果你在回答前犹豫，它会放慢对话速度，并用更简单的形式重述提示。如果你能轻松应对基本对话，它会迅速推进到抽象话题或多部分问题，以挑战你的理解力和流畅度。
这个应用不会遵循固定的课程，而是动态地构建你的学习路径。随着你流利程度的提高，你的个人画像会变得更加精确。进步的衡量标准不再是完成了多少章节或课程，而是可衡量的技能提升和行为信号——你反应的速度，你说话的自信程度，以及你适应日益复杂任务的灵活性。
尽管像多邻国、可汗学院和 IXL 这样的平台包含一些自适应元素，但它们主要是在预定课程内调整进度。例如，多邻国的"鸟脑"算法会根据用户表现来个性化课程难度，但学习者仍需按固定的语言单元顺序前进。
相比之下，ATL 将重构学习的结构和逻辑。它不仅仅是修改一个既定序列的进度，而是会持续评估学生在多个维度上的准备情况，包括反应时间、自信心和语境理解，以确定下一个最优的学习体验。这将实现一个实时演变的非线性学习地图，完全根据学生的独特进展和需求量身定制。
所有学习者，无论背景或年龄，都可以获得一个全天候、多学科的导师，它理解他们的学习方式并相应地进行调整。这个系统不仅仅是像所谓的" AI 导师"那样自动化教学——后者往往不过是美化了的测验引擎；它还会对行为做出反应，衡量成长，并以任何静态课程都无法实现的方式提供个性化反馈。
随着时间的推移，该系统将开始理解学习是如何运作的，并能够不断地自我优化。通过深思熟虑的设计、充足的数据和足够的计算能力，它可以发展成为一个国家的成长基础设施：一个分布式的、由人工智能驱动的超级计算机网络，能够适应每个学习者的优势、困难和节奏，支持跨地区、跨学科和跨生命阶段的教育。
课堂中的 ATL
在美国学校实施 ATL 将需要令人望而生畏甚至激进的变革。但为了改变我们向下的轨迹，大胆的干预是必要的。如果学校坚持渐进式的修补和半吊子的措施，它们就有可能在那些已经在重塑和侵蚀学生学习方式的力量面前失去更多阵地。考虑到利害关系，我们需要能够充分利用人工智能大规模个性化教学能力的改革。
"如果任其发展，或者完全由科技公司主导，人工智能教育工具可能会加剧不平等，并使它们声称要解决的问题永久化。"
一些公司已经在私立学校领域尝试人工智能。Alpha School 是一个美国的"微型学校"网络，是目前运营的最完全实现个性化的人工智能驱动学习中心模型之一。学生们在早上通过两小时由人工智能驱动、基于应用的学习完成核心学术课程，然后用一天中剩余的时间参与培养实际技能的工作坊和项目式活动。
如果被更大、更传统的公立学校或学区采用，ATL 不会取代教室，但会改变教室里发生的事情。
一个数学学生，将不再被安排进一个固定的代数课程，而是会收到根据她推理速度动态调整的作业。一个历史学生可以超越教科书，深入原始资料、伦理对立观点或相互矛盾的叙述，按自己的节奏深化探究。一个音乐学生可能会练习音阶、练耳和乐理，直到达到熟练程度，而这一熟练度由节奏、音准和反应能力来衡量。
这种方法并不适用于所有研究领域。它最自然地适用于那些进步可以用某种客观性来衡量的领域——数学、科学、工程、语言和音乐——而不是那些以阐释和创作为主、模糊性和视角至关重要的领域。
然而，正因为它可以在可衡量的学科中加速学生的掌握速度，可能会带来解放。如果学生能更快地掌握代数或化学技能，他们就可以有更多的时间和自由去接触那些难以优化的教育元素——文学、艺术、哲学以及社会科学中更具反思性的领域。
在 ATL 模式下，教师仍然是必不可少的——但不是站在黑板前的讲师，而是像一位教练，解读系统的信号，帮助学生理解他们在哪儿跌倒了以及为什么，并组织小组讨论，在这些讨论中，协作和辩论至关重要。
例如，一位老师可能会把三个在微积分单元中遇到困难的学生拉到一个小组工作坊里，而其他学生则独立前进。在这种模式下，教学将不再是传递信息，而更多是精心安排个人成长——不仅仅是帮助学生学习，而是帮助他们理解如何学习。
任何算法，无论它多么具有适应性，都无法取代一个能激励、联系背景和给予安慰的人类角色。教师将是系统洞见的阐释者、有意义挑战的设计者，以及帮助学生将进步转化为目标的人。他们在塑造这些系统的价值观方面也将至关重要，确保它们能反映新兴领域、文化细微差别和伦理复杂性。
拥抱 ATL 还需要我们在看待时间、掌握和进步方面进行根本性的转变。我们当前的框架将时间视为固定的，而结果是可变的：每个人都花一个学期学习生物学，但只有一部分人最终掌握了它。
ATL 将颠覆这一逻辑。掌握将成为常量；时间将成为变量。一个学生可能用两天掌握一个概念，另一个可能需要一周——但两者都会成功，因为系统会适应他们，而不是反过来。
这种转变会引发一些具有挑战性的问题。学生们还会按年龄分组吗？还是会走向"能力分级"——即按展示的技能而不是生日来组织群体？至少，ATL 将淘汰"钟形曲线"，该曲线假设所有学生在相同时间内接受相同教学，并应根据静态基准进行评判。
在一个自适应系统中，输入和目标将是个性化的。我们得到的将不再是单一的结果分布，而是多样化的发展轨迹。
评分也需要改变。字母等级和班级排名将学习简化为相对分数，而这些分数往往更多地反映了特权而非能力。一个更简单的掌握报告——"通过"或"进行中"——配以丰富的反馈，既更合理也更公平。
在一个开放时间线的模型中，进步将根据学习者自身的成长曲线来衡量：更敏锐的记忆力、更稳健的推理能力、更强的流畅度。成长将不再意味着超越他人，而是超越昨天的自己。
这样的系统还将重新定义"优秀"的含义。一些学生可能在几周甚至几天内就掌握一门学科，而不是被限制在一个学期课程的固定节奏中。摆脱了这些束缚，他们可以攀登得更高更快，在选定的领域达到顶峰，或在广泛的学科领域进行横向拓展。
与此同时，表现较为普通的学生仍然可以在对他们志向至关重要的学科中达到掌握水平，帮助他们毕业时为所追求的职业或事业做好准备。通过追踪从模式识别到语言流利度等各个领域的进展，ATL 可以揭示隐藏的优势，并帮助学生与他们天生擅长的领域相匹配。这样一来，教育不仅会变得更高效，而且会更具个性化：成为一种自我发现的工具。
优化的风险
尽管 ATL 有诸多潜在好处，但如果我们认真想建立更好的东西，就不能忽视它带来的风险。
首先是考虑过度优化的危险：当教学被用于精确地衡量学习者当前的能力，结果是缩小而非拓宽了知识范围。就像社交媒体的算法过滤会限制我们接触新思想一样，一个善意的 ATL 系统可能会引导学生避开不确定性、有益的挣扎或边缘案例。
它可能会将速度置于深度之上，将舒适置于挑战之上——将好奇心扁平化为顺从。个性化走得太远，就有可能变成一种精致的智力风险规避。但成长往往始于舒适区的尽头。
其次，数据依赖及其所带来的监控是有代价的。追踪微小延迟、声调变化、面部表情和认知阈值的系统，会生成一幅关于每个学习者极其详细的画像。这幅画像在教育背景下可能很有用，但它也是私密的——并具有潜在的威胁性。
谁将拥有它？它将如何被收集、存储、保护或商业化？又有什么保障措施能防止它被用来对学生的未来道路进行分类、贴标签或限制？
在这里，伦理设计是不可协商的。教育系统应该是透明的、包容的和负责任的，尤其是对它们所评估的对象。否则，ATL 将有风险成为一种控制机制，而不是一个成长的平台：通过看不见的算法对学生进行分类，并将潜力简化为概率。
第三，ATL 可能无意中加剧现有的不平等。依赖丰富数据画像的系统，对于那些能接触到高速互联网、更新设备和成人支持的学生会表现得更好。这些学生可能会更有效地"训练"系统，获得更快的个性化服务，并进步得更快。
这种优势会不断累积。如果没有为公平而进行刻意设计，个性化就有可能成为一种高级服务：对已经享有优势的人来说是深度的，对其他人来说则是浅薄的。
最后，还有一个文化风险——我们可能在急于优化的过程中，忘记了教育为何重要。学习不仅仅是一个技能阶梯。它也是玩耍、探索、偶遇和成长。ATL 如果被采用，绝不能将学习扁平化为一系列的检查点。系统可以适应，但它仍必须能带来惊喜。
这些风险要求那些构建和部署 ATL 的人必须保持审慎。但不作为的风险可能更大：正如美国测试分数的惨淡趋势所表明的，我们当前的方法已不再满足学生的需求。ATL 将是一个大胆的新方向，其根植于一个多世纪前的哲学思想。
从历史中汲取教训
我在新学院担任兼职教授期间，经常反思该机构的创办使命。1919 年，一群进步知识分子从哥伦比亚大学辞职，其中包括历史学家查尔斯 ·A· 比尔德、"新史学"先驱詹姆斯 · 哈维 · 罗宾逊和经济学家托斯丹 · 凡勃伦，他们建立了一个独立的机构，最初名为"社会研究新学院"。
他们对僵化学术正统的反抗，借鉴了实用主义哲学家约翰 · 杜威的思想，杜威的愿景强调成长而非顺从，以及学习者在构建意义中的积极作用。
杜威将学校设想为充满活力的成长实验室，而不是批量生产的工厂。他反对标准化的死记硬背，倡导适应个体需求和情境的学习环境。他写道："学校必须代表当下的生活——对孩子来说，这种生活必须像他在家里、在邻里或在操场上进行的生活一样真实和充满活力。"
一个多世纪后，由人工智能赋能的教学平台终于可以帮助实现杜威的愿景。这些系统不必将一群学生安排进预设的轨道；相反，它们可以从个体学习者现在能做什么开始，并以此为基础向上构建。
"学习是递归的、实验性的，有时也是不舒服的。自适应系统或许可以为这个过程提供支架，但只有人类才能帮助它变得有意义。"
在重返学术界、成为一名教师之前，我曾在弗吉尼亚大学的跨学科研究生项目中，师从哲学家理查德 · 罗蒂——他是杜威的思想继承者和 20 世纪末的传播者。
罗蒂为后现代时期重新构想了美国的实用主义。对他而言，教育不是要揭示永恒的形式或绝对的真理，而是要扩展我们的语言和想象能力：拓宽我们能够言说、理解和成为的范畴。
如今，在我与学生和人工智能技术初创公司的工作中，我看到了 ATL 如何能够将这两个世界连接起来，将罗蒂和杜威所倡导的思想转化为功能性系统。对于像他们这样的思想家来说，教育的希望不是被动地吸收信息，而是扩展一个人解读世界的能力——以更清晰和更富想象力的方式去言说和行动。
在这种观点下，学习当然不是线性的。它是递归的、实验性的，有时也是不舒服的。自适应系统或许可以为这个过程提供支架，但只有人类才能帮助它变得有意义。
一条新路
我的自行车训练应用从未评判过我。它不在乎我比别人快多少。它只是找到了我当前的极限，并制定了一个动态计划来推动我前进。它没有提供排名，而是提供了一个基线和一条向上的路。
教育可以建立在同样的架构之上。
一个多世纪前，杜威警告说："一盎司的经验胜过一吨的理论，因为只有在经验中，任何理论才具有生命力和可验证的意义。"对他而言，学习不是为生活做准备——它就是生活本身。它必须是主动的，并通过学习者与世界的互动来塑造。
罗蒂，这位将杜威的火炬带入我们时代的人，挑战了将真理视为某种固定不变、等待被发现的观念。他将真理视为一种工具——我们为了更好地驾驭世界和重新想象我们可能成为谁而发明和修正的东西。
他写道："教育的目标，是帮助学生看到他们可以通过获得新的词汇、通过学习不同的言说方式来重塑自己——重塑他们自己的思想。"对罗蒂来说，教育无关确定性，而关乎可能性和自由，关乎扩展我们能够言说、理解和行动的空间。
这就是那次自行车爬坡测试给我的东西：不是一个分数，而是一条新的前进道路。而这，也正是一个自适应人工智能学习程序可以给予每个学生的：一个通过倾听和响应，在他们已有的能力之上进行构建的系统。
"课程"一词源自拉丁语 currere，意思是"要跑的赛道"。ATL 将用一张动态的地图取代僵化的赛道，一张为每个学习者提供通往他们目的地个性化路径的地图。
瑞和网配资提示：文章来自网络，不代表本站观点。
