中国在人工智能领域发展迅猛。公众认知度高，国产工具应用广泛，人工智能不再局限于精英技术圈，而是日益融入日常教育和职业生活：它成为搜索、总结、撰写、辅导以及应对学术和工作需求的工具。从这个意义上讲，中国的人工智能发展是实实在在的。人工智能不再是教育体系的边缘，而是已经融入其中。
但扩散并不等同于制度准备。
如今，更重要的政策挑战不再是人工智能是否应该进入教育领域，而是现有体系能否适应其带来的影响。随着人工智能改变学生获取知识、撰写作业和展现能力的方式，长期以来关于成绩、评估和教育目的的固有观念正面临挑战。因此，中国的教育转型不再仅仅是快速应用人工智能的过程，它日益成为对制度清晰度的考验。
这远不止关乎课堂。对政策制定者而言，问题在于在新的技术条件下，选拔和评估体系是否还能保持其合法性。对中小学和大学而言，问题在于评估是否还能区分原创思维和机械的表达能力。对家庭而言，问题在于教育投入是否还能转化为有意义的机会。而对整个社会而言，问题在于人工智能的融合究竟是拓展了人类的能力，还是逐渐削弱了教育旨在培养的能力。
一个由新的知识条件和旧的过滤机制共同塑造的系统
中国人工智能教育转型中最明显的矛盾之一是新知识条件与旧制度过滤机制之间日益扩大的差距。
人工智能降低了学习门槛。学习者可以跨领域获取解释，更快地培养工作能力，并且比以往更轻松地跨越学科界限。但是，招生系统、学科路径以及后续的招聘结构仍然沿用着关于知识获取方式和能力评估方式的旧有假设。
正如伦敦政治经济学院博士研究员张一文所观察到的那样，“就人类知识获取而言，这些障碍已经被打破。但学科招生和最终录取仍然按照旧的障碍进行。”
这一观察揭示了一个更深层次的结构性错配。中国的教育体系已不再处于传统意义上的信息匮乏状态，但其运作方式却依然如旧。学习者受制于一种现实，而教育机构却依然试图用另一种现实来筛选他们。长此以往，这种差距不仅会导致效率低下，还会引发人们对既定荣誉是否仍与实际能力相符的日益增长的不满。
“就人类知识获取而言，这些障碍早已被打破。但学科招生和最终录用仍然沿用旧的规则。”— 张怡文
评估不能再仅仅依赖于产出。
第二个紧张点涉及评估。
一旦人工智能能够生成越来越流畅的回答、润色过的草稿、称职的摘要，甚至构建合理的推理结构，教育机构就不能再想当然地认为最终成果本身就能可靠地证明思考能力。这不仅仅是抄袭问题，更是一个评估问题。
如果学校继续奖励那些人工智能可以轻易模拟的表现形式，那么评估的公信力就会开始下降。问题不仅仅在于学生可能会使用工具，更在于教育机构可能会继续评估错误的信号。
这意味着，在人工智能高度发达的环境下，评估系统需要更加注重过程、判断和推理。张老师举的课程作业例子很有启发性。一位老师要求学生在一个能够追踪写作过程的平台上写作，从第一次敲击键盘到修改历史，正是因为评估的对象不仅仅是最终的文本，更是学生最初的写作过程。
这个例子指向一个更广泛的政策方向。随着人工智能在教育领域的普及，教育系统需要更加注重过程的评估方式：分阶段布置作业、口头答辩、反复修改、记录推理过程，以及能够展现学生思考过程而非仅仅评判最终成果优劣的评估形式。
核心问题不再是人工智能是否应该应用于教育，而是人工智能支持在哪些方面适用，原创的人类工作在哪些方面必须保持核心地位，以及教育机构如何区分这两者。
Stay informed on AI education policy
Policy briefs, event invitations, and analysis — delivered weekly.
人工智能正在加剧教育领域长期存在的社会压力。
这不仅具有技术意义，也具有社会意义。
在中国，教育仍然承载着巨大的意义，是通往社会流动、获得认可和安全保障的途径。家庭并不仅仅将学校视为学习场所，而是将其视为通往未来稳定和社会地位的途径。因此，人工智能进入这一体系并非作为一种中立的效率提升工具，而是一股可能动摇人们长期以来所获努力价值的力量。
当某些认知工作更容易实现自动化时，焦虑情绪的加剧不仅是因为人工智能的强大，更是因为它似乎模糊了多年学术竞争的回报。在人工智能普及浪潮到来之前就业前景就不明朗的领域，这种焦虑尤为强烈。在此背景下，关于人工智能在教育领域的应用，不仅仅是关于教学法的争论，更是关于公平、抱负以及围绕教育成就的社会契约合法性的争论。
因此，政策应对不能仅仅局限于鼓励数字素养或课堂实验，还必须解决一个更广泛的问题：当技术变革速度超过制度规则时，教育系统如何才能维护信任。
更深层次的问题不在于课堂上使用人工智能，而在于学校的办学目的。
第四个矛盾点涉及学校本身的角色。
如果人工智能能够越来越多地辅助检索、撰写、总结以及某些形式的常规认知生产，那么学校和大学就不能再仅仅依靠内容传授作为其存在的核心理由。挑战变得更加根本：当某些形式的学术产出不再能可靠地代表理解时，教育究竟应该培养什么？
张的洞见在此再次凸显其重要性。除非选拔制度发生改变，否则学校不太可能从根本上改变教学方式，因为它们仍然会根据现有机制下的绩效以及谁能通过该机制获得更好的机会来评判。改革的主要障碍并非缺乏意识，而是激励机制。正如她所说，“如果不改变教育选拔制度，学校就不会改变教学内容。”
因此，政策挑战远不止于课堂人工智能的整合。核心问题在于，现有体系是否仍然清楚应该奖励哪些类型的人才。
如果一个系统继续奖励速度、流畅度和精雕细琢的成果，而不重新思考这些指标在人工智能环境下究竟意味着什么，那么它就难以维护“优秀”的真正含义。更严肃的应对措施不应过多关注人工智能是否存在，而应更多地关注机构能否界定辅助和替代之间的界限。
以人为本的人工智能应用需要的是界限，而不是口号。
这就引出了第五个也是更棘手的问题：以人为中心的使用。
真正的风险不在于人工智能在教育领域的应用，而在于其使用可能变得懒惰、专断，或者对它可能逐渐侵蚀的事物漠不关心。张警告说，如果教育机构过度依赖生成的语言和标准化的输出，人类表达的局限性就会凸显。用她的话来说，人工智能会“不断限制人类的表达”，而这正是“我们需要警惕的”。
这一警告至关重要，因为公众讨论往往过于二元化。要么将人工智能视为现代化的象征，要么将其视为必须抵制的威胁。这两种立场都不够全面。
更严肃的教育应对措施会区分人工智能能够拓展学习的领域和过度使用可能削弱原创性、判断力、写作能力、解读能力以及缓慢思考能力的领域。以人为本的人工智能应用并非一句口号，它需要制度界限、明确的规范，以及足够的信心去认识到，并非所有教育中有价值的东西都应该以速度为导向。
对中国人工智能教育转型政策的影响
中国在人工智能应用方面取得的进展意义重大，但仅靠应用本身并不能解决目前日益凸显的摩擦。下一阶段的人工智能教育政策需要的不仅仅是技术上的应用，还需要制度上的调整。
以下三点尤为突出。
首先，评估改革应该更加紧密地置于人工智能教育政策的核心位置。
只要学校和大学继续主要依赖人工智能可以轻松复制的成果，它们就难以识别真正的能力。注重过程的评估、分阶段的推理、口头答辩以及其他能够展现思维过程的形式，其重要性可能会增加，而不是降低。
其次，遴选改革值得更多关注。
如果人工智能已经降低了跨领域知识获取的门槛，那么传统的招生和招聘筛选机制将面临越来越大的压力。未能适应变化的系统或许能在短期内维持秩序，但也可能加剧公认的才能与实际能力之间的差距。
第三，人工智能教育政策应该明确指出，其目标不仅仅是技术适应。
它还包括保护和培养不应随意外包的能力：原创表达能力、判断力、语境理解能力、诠释能力以及在不丧失独立思考能力的情况下跨界学习的能力。
这并非怀旧，而是制度上对当前形势的务实回应，在这种形势下，速度、流畅度和技巧已不再足以代表学习成果。
对制度清晰度的检验
中国人工智能教育转型不再仅仅是快速普及的故事，它越来越考验教育机构能否以同样的严肃态度应对人工智能带来的挑战。
各种工具正在迅速涌现，而更艰巨的任务在于，在变革之中，教育究竟应该守护什么。