教育系统作为社会巨系统的一个关键子系统，在人工智能技术的驱动下，教育现象变得日益错综复杂，教育动因更加难以解析，教育风险也愈发难以预见。为了有效应对人工智能技术对教育系统的挑战与机遇，必须进行跨学科、跨圈层和跨领域的深入对话。
为此，北京大学教育学院汪琼教授团队与腾讯研究院杨健、孙怡、吴朋阳、张鸿茹等合作，产学研共创AI教育课题组，开展AI+教育思想系列沙龙，旨在推动各方对话，为智能时代的教育提供有价值的思路借鉴和参考。
第4期于2024年12月至2025年1月开展，聚焦“AI时代的人才培养”，
本期围绕智能冲击下人才培养目标的应变与坚守
，邀请嘉宾各抒己见。以下是内容选编，推荐阅读。
参与嘉宾
特别致谢
周昌华、左正
腾讯可持续社会价值事业部科技生态实验室
核心目标其实是一致的，
但时代变了。以前受限于工具和数据，我们只能把问题抽象化、简单化，甚至牺牲实用性去追求理论完美；现在有了AI和大数据，我们终于能直面真实复杂的科研问题。在技术的加持下，对学生的数学要求在降低，比如过去学生得死磕数学证明，像传统机器学习还要算上下确界，但现在深度学习更看重实际效果，数学要求某种意义上反而降低了。当然，AI时代对提问能力的要求更高了，就像博士生需要导师引导提问一样，
未来人才得学会用AI工具探索未知。
培养目标现在更注重激发兴趣和实践能力，而不是死记硬背。
在知识储备上，AI早已超越人类。未来会更加看中人与AI合作的能力，比如学生可以把模糊的想法表达出来，在AI的帮助下梳理完善，有好问题，AI就有好的回答，不断拓展个人认知的边界。
这种快速学习迭代的能力才是关键。
未来职场就是"会用AI的人吃肉，不会用的喝汤"，老板巴不得你带着AI快速上岗，用AI增强人的工作，剩下就看你如何借助它快速成长了。
咱们现在面临的不是单纯教技能的问题了，
如会计、法律、编程这些老饭碗说碎就碎。前两天团队投票，学生们自己大都说最想要的是跨学科思维和终身学习能力。就像我带的学生，一个零基础的生物工程专业小姑娘，硬是通过参与多个计算课题成了团队软件项目顶梁柱，特别是研发和使用AI大数据工具。
现在培养目标得转向找问题的火眼金睛、抗压的钢筋铁骨，特别是价值观这块得筑牢。
信息爆炸时代，年轻人要是被海量信息冲垮了三观，社会都得跟着遭殃。AI工具是好工具，可以注重个性化教育，但也要避免搞成“躺平式教育”。
当前的AI工具并非简单的傻瓜相机，仅靠基础指令无法充分发挥其潜力。使用者需要撰写精确的提示词，并持续与AI进行互动训练，这一过程类似于健身时通过不断努力才能增强肌肉力量。以前中间层"半吊子"最危险，例如在某些领域如写作，技能水平中等的人可能面临被AI替代的风险，然而顶尖专家和善于利用AI技术的学习者将脱颖而出。因此，
在人才培养过程中应着重强调以下三点：首先，培养主动探索精神，将AI视为辅助学习的伙伴而非代劳的工具；其次，发展批判性思维能力，以便能够有效评估AI输出内容的质量；最后，提升人机协作技巧，明确分工，合理分配任务给人类或AI。
目前，一些师生在使用AI时仍局限于“提出问题—复制答案”的初级模式，这种做法犹如拥有一辆高性能跑车却仅仅用于日常代步，不仅浪费了强大的资源，也可能因使用不当而带来负面效果。
培养目标现在更偏向“埋种子”而不是“填鸭子”。
以前是堆填知识点，现在是把学生扔进问题里自己折腾。比如初二初三开设AI工具支持主题探索课，让学生从时间轴、发展历程这些维度在一个大主题下琢磨自己感兴趣的问题，哪怕想不全所有维度，能理出线索就一定会有成长。老师就像园丁，只需在思维层面埋下不同类型
（角度）
的种子，保不齐哪天哪个点就萌发了。现在AI搭建的智能体可以帮我们显化学生的思考过程——通过他们向AI智能体提出的问题内容与问题链就能看见学生思维的轨迹，这比过去通过批改学生的传统作业才能了解学生的思维发展有价值多了。
教育变成慢功夫，这一过程如同神经元的发育，需历经多次刺激、连接才能稳固地构建起稳固的思维回路，
而这个过程并不是一步步主观控制的。与之相应，课程设计也愈发展现出开放性建构的特征，不再局限于传统学科教教材那种封闭、刻板的框架。
以前喜欢教标准答案，现在得把科学思维和批判性思维当基本功。
老外搞创新为啥猛？人家从小就在培养假设-论证的科学思维，连人性都在用神经的电和化学活动层面做分析。不仅如此，科学课得改路子，不能光讲牛顿时代的老古董，得把量子的、不确定的世界通过数智化、虚拟化的实验带到学生面前。
为了提升科学思维，还要学点统计和逻辑这些AI的“底层代码”，不管AI技术如何迭代更新，但会用统计和逻辑、会抽象、会建模的人永远吃香。
现在，既要敢用AI当工具，比如让中学生用AI用大数据探索未知，又得保持警惕别被AI带沟里，这时候批判性思维就是防弹衣，既可以自我逻辑防御、支持多角度思索，又能把AI的60分答案打磨到90分。
述评：
在生成式人工智能时代，人才培养目标或许正经历系统性重构，传统教育追求的知识完备性正在让位于思维延展性。其核心转向构建“人-AI互补性协同”的新型能力框架，具体表现为：学习者需从技术工具使用者升级为与AI协作的思维协商者，既要掌握技术的原理性应用方式
（如生成式AI工具操作与提示词工程优化）
，更要建立对系统性核心知识的理解
（如算法逻辑、数据模型及伦理风险的元认知）
，才能卓有成效地开展与AI的协同创新
（如批判性转化AI输出的能力）
。
我觉得最大的变化是AI让因材施教不再是空话。
AI能24小时跟踪学生，分析每个人的知识频谱，比如有的擅长分子生物学，有的对免疫学更敏感，AI都能定制学习计划。我们实验室招的生命科学背景学生，没编程基础也能通过边做项目边自学而达到胜任，导师给个课题方向，师兄师姐带一把，通过目标倒逼，加上快速学习，完成项目。在这个环节中，可以通过AI学AI，也就是拿AI做学习助手
（agent）
，更好地帮助学习AI。另外，我一直强调国内的课程要改革，直接让学生做真实科研项目，效果比填鸭式教学强多了，清华应该带头。
AIGC+XR变革教育形态，特别对设计领域的人才培养产生很大的影响，以前培养学生做一个角色动画，制作周期长，现在借助AIGC，一张线稿图就可以快速生成效果图-3D模型-角色动画，再利用XR技术进行呈现，所以
我们培养人才的方法跟思路都得与时俱进。
目前的各种AI开源技术大大降低了AIGC应用门槛，如我们现在做的数字人实时互动项目，就是利用了各种开源的项目，如语音分析，表情驱动，大模型接入等技术，
开源促进了AI在教学中的应用。
在教学平台方面，现在主流的教学平台也提供AI工具集，如深职大的深职i学习平台能训练课程专属AI助手，提供24小时在线答疑功能，有助于提高教学效果。
今后的教学应该全面转向与AI协同的苏格拉底式。根据我的经验，
借
助AI智能体开展的苏格拉底式教学，可通过“回应-解释-追问”三步法引导学生
：首先给予积极回应与学生建立情感联结，其次对内容展开解释或探讨，最后通过追问激发深度思考。
这种模式下，教学本质发生双重变革
——一方面，学生可无缝切换与虚拟教师
（如AI分身）
及真人教师的互动，通过高频对话实现个性化学习；另一方面，AI作为"智能他者"的角色优势显著：学生与机器对话是无情感负担的，错误回答不会引发心理压力，反而会促进自尊自信的培育——学生可以实现自主掌控的学习进程和方向。
教师的教学也可以更加灵活运用三种教学场景，
或AI单独辅导，侧重培养独立思考能力；或学生小组讨论，发展人际协作能力；或师生对话，做更高阶的引导。
我们经常列多个可以做的项目让学生自己挑。最近有个学生嫌我推荐的工具不好用，自己闷头重写了一个更牛的，
我觉得这种主动性才是真本事
。现在培养讲究实战练兵，编程课都用上Copilot了。但得留个心眼，去年Python底层函数出错，带崩一堆研究，这就是过度依赖AI的教训。团队合作倒是常态，可论文署名制度还逼着学生抢头功，这不拧巴吗？
现在的路子是既要把AI当趁手工具，又要守住基础知识的底线。
我觉得培养方式正从统一流水线转向自驱式生态圈。
我们对社团进行了细分，成立了前端、后端等基于兴趣的小分队，活动的参与完全由兴趣驱动。热门活动能够吸引七八十名参与者，而即使是较为冷门的领域，也至少有五六位忠实的支持者。
我们的核心模式是“脚手架支持+学生主导”，
作为指导者，我的职责主要包括三个方面：首先，担任技术雷达的角色，根据行业趋势如AI软硬件的发展动态，鼓励并组织学生团队开展项目；其次，搭建资源桥梁，邀请企业导师举办技术咨询会；最后，通过真人播客的形式，每两周与活跃成员进行直播交流，讨论进展，促进自助式参与。我们组建了一个名为“AI俱乐部”的线上社区，让感兴趣的学生和老师们在轻松愉快的氛围中交流新技能，随时分享各自的使用场景。
如今培养人才就像开源社区的学习一样，需要为每个人提供在其兴趣领域内探索和创造的机会。
我觉得培养方式正从确定知识的精细堆栈转向开放式问题链驱动。
像我们在参与的中学AI工具应用课程设计，以引导式智能体启发学生提问，平均一堂45分钟的课每个学生能持续提问/追问12-17次，这是传统课堂难以见到的。课堂实操方面，利用自研的提示词工程和数据集，在传统封闭式学科知识教学中寻找切口，通过人机交互赋能学科教学环节实现学习思维可视化。AI的实时伴学，既管注意力监控，如发现走神就弹趣味问答，又支持认知管理，如给每个学生定制学习进度条，为学生提供个性化概念解析与知识支持。
教师在AI时代转型“课程教学架构师”，
国家新课改推动教师掌握两个重要能力，既要会设计开放性任务，又要懂技术融合。在这里很重要的是当这些新技术带入学习流中，我们始终需要把握技术的定位不是主角而是强力辅助，
生成式内容永远只是认知拼图的补充，真正的C位还是学生的思维内核与评价能力。
述评：
人工智能驱动下的教育培养方式呈现三重核心转向：其一，在培养路径上，实现从统一课程体系向个性化认知图谱的跃迁，借助知识频谱分析、AI智能体等，构建动态适应的学习路径，如苏格拉底式追问机制与AI进度条监控系统；其二，在主体关系上，形成“人机共生”的新型教育生态，教师角色从知识权威转变为教学架构师，学生从被动接受者升级为项目主创者，通过开源协作、工具再造等实践完成能力跃升；其三，在培养机制上，突破传统课堂边界，构建虚实融合的跨学科实践场域，依托问题链生成器、思维可视化工具等技术脚手架，将企业项目攻关、科研问题解决等真实情境转化为教学资源，形成"做中学-错中学-创中学"的闭环培养模式。
AI带来了几个头疼事。
一是AI幻觉坑学生
，他们拿ChatGPT编的“科学回答”当真理，老师还得练就“闻机油味”的鉴伪能力；
二是高校和企业脱节
—
—阿尔法折叠这种突破是谷歌做的，高校反而落后了；
三是交叉培养太难
，生物学生既要补编程，又要跟上AI三天一变的算法，最后全靠实验室“传帮带”，导师自己有时候都追不上技术迭代。
我觉得目前主要有几个问题。一、很多设计类的AIGC平台，免费用户不是功能限制，就是使用次数有限，大家都能感受到AIGC的强大功能，但是
没法把AIGC真正作为一种生产工具来使用
，而且学生基于这些平台的实操作品，教师也无法进行管理跟评价，需要建设校本AIGC实训管理平台。二、由于这一波AIGC浪潮来得太快，
很多学校的专业人才培养方案没有及时跟上
，需要变革原来的课程体系，把AI技术融入人才培养方案中。三、AIGC带来的安全问题，还没有具体的应对方法。像我们的微课都是网络上公开发布的，如果有不法分子，就可以利用AIGC技术，克隆我们的声音，我们的形象，所以
AIGC方面的安全制度得尽快出笼
。
现在一个头疼的因素是
新知识的保鲜保质期往往很短，
学生刚学会可能就过时了。更麻烦的是
系统性偏差
，比如用AI写代码的学生越来越多，能看懂底层原理的反而成了稀有动物，就像看着马斯克的火箭放烟花，没人知道为啥炸。团队合作明明天天搞，考核还逼着学生当独狼。
两极分化也厉害
：有的学生压力变动力自创工具，有的直接躺平觉得“有AI还学啥”。
最要命的是价值观这块
，海量信息把年轻人认知冲得七零八落，这可是社会隐患。
在指导学
生时，我发现他们常遇到几个问题。
首先，他们往往不清楚自己所做的项目的意义和价值
，这导致他们在执行过程中容易偏离初衷。此外，由于缺乏对行业动态的了解，他们在项目定位上也可能不够准确。随着AI辅助编程的普及，技术已不再是主要障碍，关键在于如何使项目产生实际价值并满足用户需求。因此，我的角色不仅是技术指导，更是激励他们坚持完成项目，避免因困难或忙碌而放弃。其次，对于小孩子使用AI工具，便利性是一个关键因素。例如，如果像小爱同学这样的工具能够轻松语音问答，孩子们会更频繁地使用它。但如果需要复杂的操作步骤，他们的使用动力就会大大降低。因此，
工具的易用性和可获得性对于促进使用至关重要。
AI协作的教育新问题是普通教师做不好教育智能体。不过，不必强求，但所有教师都需要掌握基础AI工具。建议发力的方向是
推动新潮的优秀教师转型为教育智能体设计师
，当前热议的“提示词工程师”，对优秀教师来说既是专业门槛也是时代机遇。可以预见，未来的教师可能都会具备智能体设计能力，将教学的目标内容和自己的教学智慧都体现在智能体中，作为自己的分身或学生的学习伙伴。但现阶段更需要建立分层协作机制：让部分顶尖教师构建优质教育智能体，而普通教师则侧重运用，
逐步形成“设计者-使用者-智能体”三者协同增强的教育新生态。
述评：
当前AI技术在教育领域的深度渗透催生出多重隐忧：其一是教育系统的结构性错位，高校知识生产与企业技术前沿形成鸿沟，如蛋白质折叠等突破性成果多诞生于企业实验室，传统专业培养方案难以及时响应AI引发的职业重构；其二是认知能力的系统性退化危机，学生群体中普遍出现“工具依赖症候群”，即能熟练调用AI生成代码却丧失底层原理理解能力，擅长获取信息碎片却缺乏批判性整合能力，形成技术赋权下的认知贫困；其三是伦理规约与制度建设的双重真空，数字人克隆、AI幻觉误导引发的教育事故缺乏应对框架，而陈旧的知识认证体系难以评估AI辅助成果，导致师生在创新与合规间陷入两难；其四是教育公平的新形态异化，当技术迭代速度超越教师培训效能，资源禀赋差异正从硬件设备差距演变为认知代际鸿沟，形成数字原住民与技术难民的分化。
回头看历史或许就有答案。互联网兴起那阵，大家也慌得不行。
AI这波冲击就像杠杆，用好了能撬动地球，用砸了能把自己撬飞。
未来肯定要培养能驾驭这种杠杆的人才，像工业革命催生工程师那样，未来可能会出现AI伦理师、认知架构师这些新行当，培养方案得跟手机系统似的持续更新。
关键是要让学生既懂AI的通用逻辑，又有深耕领域的看家本领，这才是未来二十年不过时的硬功夫。
我觉得未来一定需要人机协作。AI当“博士生”负责海量数据探索，人类做“导师”创造性提问和验证。
