Observatory team 

你是否也有过这样的奇特经历：在异地生活多年后回到家乡，一切看起来都那么熟悉——却又怪异得不真实，仿佛置身于自己记忆的电影场景中。街道变化不大，气味也依旧如故，但你的思绪却感觉……有些脱节。

现代交通工具把我们瞬间传送到了另一个世界。

在过去，跋涉数千公里需要数天甚至数周。一路上，你的大脑会逐渐适应：不同的天气、不同的口音、不同的风景、不同的节奏。这段旅程并非浪费时间，而是一种心理缓冲。它让你的情绪和自我认知有时间跟上。

但当你乘坐飞机时，几个小时就能从“这里”到达“那里”。你的身体已经抵达目的地，但你的大脑仍在加载。

现在，让我们把这种感觉带入教育——以及人工智能领域。

生成式人工智能可以做到类似的事情，但更加极端。它可以让你瞬间从输入到达输出：从“写一篇关于法国大革命的文章”到10秒钟内完成一篇精炼的文章；从“解决这道微积分题”到立即得到完整的答案；从“拟定一份教案”到一份简洁明了的计划，无需任何通常产生理解的繁琐思考。

我们不妨称这种人工智能传送为“传送术”：一条捷径，跳过了中间环节——挣扎、推理、反思以及缓慢构建意义的过程。

这并非反对技术的论点。这是以人为本的。

因为当学习变成纯粹的瞬间移动时，我们就有可能失去教育本应保护的东西：在尚未找到答案时发生的内在成长。联合国教科文组织关于教育领域生成式人工智能的指导意见警告说，这些工具可以赋予人力量——但前提是治理、保障措施和人类能力必须与应用速度保持同步。 

人们一听到“科技超越人类”，有时会联想到反乌托邦：机器人取代教师，学生变成行尸走肉，社会在自动化浪潮下崩溃。但这并非我的意思。

我的意思更为微妙，也更为普遍。

当工具的更新速度超过我们调整价值观、习惯和制度以明智运用这些工具的能力时，科技就超越了人类。当能力飞速提升，反思却停滞不前时，科技便超越了人类。

在教育领域，这种情况尤为突出：为追求速度而设计的工具与为追求深度而设计的人类学习过程相冲突。

学习不仅仅是给出答案。学习是形成判断力，是培养品味，是培养耐心、诚实和韧性。学习是训练思维的“肌肉”——注意力、推理能力和自控力。

人工智能的“传送”威胁着这中间地带。它让输出结果看起来像是精通，即使学习者跳过了构成精通的认知过程。

而讽刺的是：社会往往仍然会奖励这种输出结果。如果学生提交了一篇完美的论文，这就算“成功”。如果老师更快地制作教学材料，这就算“成功”。如果学校提高了各项绩效指标，这就算“成功”。但是，如果产出背后的人变得缺乏好奇心、缺乏韧性、缺乏独立思考的能力——那么一些至关重要的东西就丢失了。

这就是为什么我说我们并非反对科技，而是反对不加思考地盲目应用。

经合组织的人工智能原则强调，人工智能应当以人为本、值得信赖，并与民主价值观相符——这意味着科技应当服务于人，而不是在未经同意的情况下悄悄地重塑我们的价值观。（经合组织人工智能）

因此，问题就变成了：我们构建人工智能教育的方式，是能够促进人的发展，还是会悄悄地用一场作秀来取代它？


以下列举了人工智能发展速度超过我们伦理和制度“同步速度”时出现的四个问题。每个问题都对应着现实世界的某种模式，并蕴含着更深远的意义。

问题一：捷径学习与“混乱中间环节”的崩溃

现象：学生利用人工智能直接跳到完成作业。他们或许仍然能学到一些东西，但默认模式变成了跳过挣扎。例如：“写我的反思”、“总结本章”、“解决这组习题”、“撰写我的大学申请文书”。输出结果流畅，但学生的内在模型却很薄弱。

意义：教育沦为“结果导向，缺乏培养”。人们的效率提高了，但能力却可能下降——尤其是在没有模板的陌生情境中。

联合国教科文组织明确强调，在生成式人工智能时代，我们需要重新审视学习的原因、内容和方式——因为人工智能工具本身就能重塑学习过程。 （Table Media）

问题二：信任危机——人工智能检测、虚假指控和隐形不平等

后果：学校采取监管措施。人工智能检测器被部署。但检测并不可靠；学生可能被错误指控；教师失去信任；学生尊严受损。

例如：麻省理工学院斯隆教学与学习技术中心直言不讳地总结了这种风险：人工智能检测工具“远非万无一失”，可能导致虚假指控。（麻省理工学院斯隆教学与学习技术中心）（如果您曾与国际学生共事，您大概已经猜到接下来会发生什么：伤害并非人人平等。）

影响：当机构依赖不可靠的检测手段时，它们将教育变成了一场军备竞赛：学生学会逃避；教师学会怀疑；最终人人受损。

问题三：偏见放大——尤其是在高风险的教育路径中

后果：人工智能工具反映并可能放大偏见：在语言规范、文化假设、谁的写作听起来“更像人”的判断，甚至在谁被标记为可疑人员方面。示例：针对 GPT 检测器的研究表明，它们可能会不成比例地将非英语母语写作错误地归类为 AI 生成，从而引发公平性问题。(PMC)

启示：在教育领域，偏见并非抽象的伦理辩论，而是关乎奖学金机会、纪律记录、录取结果、自信心和归属感。

问题 4：市场高速发展下的治理滞后

现状：人工智能的普及加速，是因为资本、竞争和炒作推动其发展——其速度往往超过学校制定规范和保障措施的能力。

示例：斯坦福大学人工智能指数报告显示，2024 年生成式人工智能领域的私人投资达到 339 亿美元，机构使用量也激增——这些都表明该生态系统正在快速扩张。(斯坦福大学 HAI)

启示：当市场快速发展时，旨在谨慎、包容和负责的教育系统，即使伦理基础仍然不稳固，也面临着“跟上步伐”的压力。

World Economic Forum 在生成式人工智能治理方面的工作强调，需要建立具有韧性的框架，以平衡各利益相关方和司法管辖区之间的创新与风险。(World Economic Forum)


教育是引入强大工具最敏感的领域之一，因为它塑造着人们的身份认同和发展机遇。如果我们把人工智能仅仅视为“又一款效率应用”，就忽略了它独有的风险：人工智能不仅能帮助我们完成任务，还能改变我们对“善”的定义、奖励机制以及日常行为。
这就是技术决定论悄然滋生的地方：它认为，既然某项技术已经存在并传播开来，社会就必须适应它，而不是选择如何塑造它。在实践中，这种观点听起来像是：“学生们反正都在用，所以我们没办法阻止它。”或者：“如果我们不采用人工智能，我们就会落后。”
但必然性并非智慧。
市场激励机制显而易见：人工智能可以缩短时间、提高效率，并给人以胜任工作的假象。这对面临压力的机构来说极具吸引力——学校竞相争夺声誉，学生争相取得好成绩，教师则被繁重的行政工作压得喘不过气来。
与此同时，公共利益激励措施的落实则较为缓慢：需要进行认真评估、公平性审计、隐私保护、教师培训、提高透明度，并获得有意义的社区同意。这些都需要时间——我称之为合乎伦理的时间。
World Economic Forum 的全球风险工作强调了快速发展的数字系统（尤其是人工智能生成的内容）如何加剧虚假信息和不信任。（World Economic Forum 报告)）这对整个社会都至关重要，对教育内部也同样重要：如果真相变得模糊不清，信任崩溃，学习就会变得愤世嫉俗。
所以，人工智能确实可以提高生产力。但如果盲目应用，我们可能会培养出一代人，他们能创造出令人瞩目的成果，却缺乏内在能力；而机构则会以监控而非信任来应对。
那不是进步，那是没有方向的加速。
建设性转型：人类应该如何应对？（原则，而非官僚主义）
目标不是放慢一切的步伐，而是使技术发展与人类发展同步。
以下是学校、家长和学习者可以立即使用的五个实用原则——框架层面，而非政策层面。
原则一：设计时要考虑到人工智能的瞬间移动能力
在学习中使用人工智能之前，先问自己一个简单的问题：这个工具是辅助学习过程，还是取代学习过程？
利用人工智能搭建思考框架（生成练习题、提供提示、模拟辩论伙伴）。避免将人工智能作为思考的替代品（撰写文章、解决整个问题、撰写反思）。这符合负责任的人工智能教育指南中强调的“目标驱动型”使用原则。
原则二：使“过程证据”正常化
如果人工智能使产出成本降低，那么教育就应该奖励那些仍然有价值的东西：推理、修改历史、口头辩护和真正的反思。
这并非为了惩罚学生，而是为了重新设计评估方式，让学习成果再次变得可见。
原则三：政策应支持读写能力（读写能力应使政策切实可行）。
当学校采取探测器和监控措施时，学生则选择逃避。但解决之道并非“政策与读写能力二选一”，而是制定能够促进读写能力的政策——以及能够使政策有效执行、公平公正且合法合规的读写能力。
良好的政策奠定了基础：明确的隐私、透明度、数据保留、适龄使用、问责制和采购标准。但单靠政策无法解决所有问题，因为课堂上充满了人为的判断，而这些判断的更新速度远超任何规则手册的更新速度。这就是读写能力发挥作用的地方。
人工智能素养应被视为治理体系的一部分，而非“软性附加功能”。它有助于教师和学生将规则转化为日常实践。
人工智能擅长什么
它所创造的（幻觉)
偏见是如何体现的
如何诚实地披露和引用人工智能辅助信息
如何在实际情况下保护隐私
联合国教科文组织的指导意见反复强调人力资源开发——因为没有识字能力的治理会沦为文书工作，而没有治理能力的识字能力会沦为临时拼凑。
原则四：像保护学习权一样保护隐私
教育数据极其敏感：它涉及儿童的学习困难、心理状态、家庭背景以及身份认同发展等各个方面。学校应像对待医疗保健数据环境一样，严肃对待人工智能供应商和平台：尽量减少数据量，要求透明度，并避免“默认共享”。
原则五：构建“人机协作”文化，而不仅仅是制定规则。
经合组织将可信赖的人工智能构建在问责制、透明度、稳健性和以人为本的价值观之上。（经合组织法律文书)但这些不能仅仅停留在文件层面。它们必须融入文化：赋予教师质疑工具的权力，培养学生反思能力，让家长参与决策，以及当伦理基础尚未成熟时，领导者勇于说“暂不”。）

6) 结论：重新定义进展（以及前瞻性说明)）
那么——人工智能是否正在超越人类？
在很多课堂上，确实如此。这并非因为人工智能是邪恶的，而是因为人工智能的“瞬间移动”功能极具诱惑力：它能提供结果，却无需经历成长这一令人不快的必要过程。
但我们仍然有选择。
进步不是“更快的产出”。进步是培养出更优秀的人——更有能力、更诚实、更自由、更智慧。
因此，教育领域的问题不是“我们是否应该使用人工智能？”我们已经在使用人工智能了。真正的问题是：人工智能会帮助学习者成为更强大的思考者，还是会悄然取代那些使学习者强大的思考能力？
如果我们把伦理反思视为可有可无，那么我们将来会为此付出代价——在信任、公平和意义方面。
如果我们把伦理时间视为创新的一部分，我们就能获得一些难得的东西：一种既能加速世界发展，又不会削弱人类生存的技术。
这才是值得构建的转型。


参考页：

参考文献（脚注）

经合组织。《经合组织人工智能原则（概述）》。（经合组织人工智能）

经合组织。《人工智能理事会建议》（OECD/LEGAL/0449）。（经合组织法律文书）

联合国教科文组织。《教育和研究中生成式人工智能指南》。（Table Media）

World Economic Forum。《教育中负责任地使用人工智能的7项原则》。（World Economic Forum）

斯坦福大学人工智能研究所。《2025年人工智能指数报告（主要发现/投资和应用）》。（斯坦福大学人工智能研究所）

World Economic Forum。《2025年全球风险报告（错误信息/虚假信息；人工智能生成内容风险）》。（World Economic Forum 报告）

World Economic Forum。生成式人工智能时代的治理：构建韧性政策与监管的360度全方位方法。(World Economic Forum)

麻省理工学院斯隆商学院教学与学习技术中心。人工智能检测器不起作用。以下是替代方案。(MIT Sloan TLT)

《麻省理工科技评论》（Melissa Heikkilä）。如何识别人工智能生成的文本。(archive.ph)

Liang等人。GPT检测器对非英语母语作者存在偏见。(PMC)


引言：人工智能瞬间移动的时刻……

我们不妨称之为人工智能传送：一种跳过中间环节——挣扎、推理、反思、缓慢构建意义——的捷径。

Is AI Outrunning Humanity? Age of Acceleration

Stay ahead of the policy curve

Related analysis

When Opportunity Is Unequal: Girls, Access, and the Fight for AI Education in Nairobi

China’s 15th Five-Year Plan: How AI Is Reshaping Governance and the Future of Work

What Anthropic–PwC Reveals About the Limits of Outsourcing AI Readiness

人工智能正在超越人类吗？加速时代