马来西亚已经超越了讨论人工智能是否应该纳入国家教育讨论的阶段。人工智能早已融入其中。现在更重要的问题是，马来西亚能否将政策行动转化为可持续的课堂实践。这完全是另一个挑战，也更为重要。

马来西亚人工智能生态系统的发展势头可见一斑。该国已开始投资开发本地语言模型，这些模型的设计充分考虑了当地的需求、价值观和语境。在一个语言、教育体系和本地使用习惯都至关重要的国家，这无疑是一项具有战略意义的举措。<div><br><div>但本地模式的开发与教育实践并非同一概念。这一区别应成为马来西亚政策讨论的核心。世界各国政府都在迅速行动，以示对人工智能的积极应对。然而，国际经验已然明晰：政策措辞的更新速度远超制度能力的提升。 <a href="https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research" target="_blank" rel="noopener noreferrer">联合国教科文组织</a> 有警告称，生成式人工智能的发展速度超过了教育领域负责任使用所需的治理、人力和保障措施。 <a href="https://www.oecd.org/en/publications/the-potential-impact-of-artificial-intelligence-on-equity-and-inclusion-in-education_15df715b-en.html" target="_blank" rel="noopener noreferrer">经合组织</a> 也提出了类似的观点：人工智能是促进包容还是加剧现有差距，很大程度上取决于机会、制度设计和教师准备情况。</div></div><div><br></div><div>马来西亚目前正处于这一关键节点。该国的政策变革是切实存在的。更棘手的问题在于，普通学校能否将这股势头转化为可复制的实践。而这正是第一个主要制约因素：教师的准备情况。</div>

教师的准备情况将决定改革能否真正实现。

任何教育改革，仅仅出现在官方战略中并不足以使其真正发挥作用。只有当教师能够自信、判断准确且始终如一地运用改革措施时，它才能真正具有意义。在马来西亚，相关培训活动已经存在，但显而易见的模式仍然显示出不均衡性。风险不在于缺乏兴趣，而在于改革的进展过于依赖于少数早期实践者，而非覆盖普通学校普通教师的常规支持体系。<div><br><div>这一点比许多人工智能讨论所承认的更为重要。如果能力建设仍然参差不齐，那么实施效果也会参差不齐。问题不在于教师是否愿意学习，而在于系统是否使这种学习成为常态、得到支持并能够规模化。正因如此，教师的准备情况应该被视为改革的结构性条件，而不是可有可无的补充。</div><div><br></div><div>第二个制约因素是分配。马来西亚的人工智能教育发展历程不应仅仅被描述为一个创新故事，它还关乎谁能率先获得有意义的机会，在何种条件下，以及获得何种支持。在实践中，条件优越的城市家庭和学校更有可能更早、更灵活地进行尝试，而低收入社区可能仍然面临着设备共享、网络连接不均和支持体系薄弱等问题。如果这些情况持续存在，那么人工智能的机会从一开始就将分配不均。</div></div>

获取资源的不平等可能演变为人工智能学习的不平等

这并非次要问题，需要稍后再处理，而是核心政策问题。如果设备、网络连接和指导使用方面的资源分配不均，那么人工智能学习机会也将不均。如果人工智能素养在学生接受教育期间出现分化，那么日后就业市场中的技能水平也可能出现分化。虽然这尚未成为全国性的普遍现象，但这确实是一个严重的战略风险，也是政策制定者应该在差距固化成结构性问题之前加以解决的风险。<div><br><div>第三个制约因素是农村基础设施。教育领域的人工智能不仅仅是软件；它依赖于学校层面可靠的设备、稳定的网络连接和完善的支持体系。而这些基础尚未均衡发展。世界银行报告称，2020年马来西亚农村家庭中只有约28%拥有可靠的互联网接入，而城市地区的这一比例超过56%。马来西亚教育部也公开承认，农村学生的数字能力低于城市学生，沙巴、砂拉越和偏远地区的学校仍然面临着城市学校不存在的网络连接和设备差距。诸如JENDELA之类的国家项目正在努力缩小这一差距，但差距尚未消除。在农村学校的基础设施达到可靠水平之前，在现有系统之上叠加人工智能只会加剧差距，而无法弥合差距。</div></div>

这一点在全球人工智能辩论中理应得到更多关注。太多讨论将基础设施视为采购问题，但事实并非如此。在教育领域，基础设施很快就演变为系统设计问题。它关乎工具、指导和支持体系能否可靠地覆盖每一所学校，包括那些边缘学校，使其成为教学的常规组成部分。这正是马来西亚案例如此具有启发意义的原因之一。它迫使人们的讨论不再局限于抽象的能力，而是回归到连接、设备和支持这些看似不起眼的基础层面。<div><br><div>这一切背后还隐藏着第四个问题：生态系统活动并不必然意味着系统协调。马来西亚并非从零开始。公共机构、大学、国际组织、大型企业和本地机构都在更广泛的领域积极开展工作。这是一项优势。但仅靠这些活动并不能保证建立起连贯的学校层面教育体系。更棘手的治理问题在于，这些努力是否与教师支持、基础设施建设、课堂指导和有效的监督相衔接。</div></div>

这正是国际比较的价值所在。最有价值的全球性经验并非探讨人工智能原则上是否能造福教育，而是探究在哪些条件下，这些益处才能在实践中得以持久和普惠。 <a href="https://www.weforum.org/publications/shaping-the-future-of-learning-the-role-of-ai-in-education-4-0/" target="_blank" rel="noopener noreferrer">World Economic Forum</a> 它强调了人工智能在支持教学方面的潜力，但它将成功定义为系统如何整合工具、工作流程和人工支持，而不是将人工智能视为一种插件式解决方案。这对于马来西亚来说也是合适的视角。<div><br><div>目前，政策含义已相对明确。首先，课程整合不应被视为实施成功的标志。其次，支持措施应面向所有教育工作者，而不仅仅是最早一批采用者。第三，应将获取机会的不平等视为核心设计问题，而非边缘的社会问题。第四，应将农村基础设施建设视为人工智能有效部署的前提条件，而非需要稍后解决的问题。</div></div>

政策制定者接下来应该关注什么？

这些任务都不特别引人注目。但它们往往决定着一项改革能否创造持久的公共价值，还是仅仅停留在象征意义上。许多国家都能宣布其人工智能发展雄心，但能够建立起让这些雄心在实际学校中得以实现的制度条件的国家却少之又少。<div>这就是为什么马来西亚的影响力超越了马来西亚本身。它并非一个简单的展示平台，也并非一个缺席案例。它是一个中等收入国家，正在认真推进人工智能发展，同时也面临着诸多严峻的制约因素，这些因素将决定改革是真正惠及大众，还是流于形式。这远比盲目乐观更有价值，也更能为政策制定提供借鉴。</div><div><br></div><div>马来西亚大力推进人工智能教育是切实的，但最严峻的考验还在后头。</div>

Legacy education-era analysis preserved as evidence of institutional capability-building work.

马来西亚在教育领域人工智能的运用方面取得了显著进展。现在更棘手的问题是，这种发展势头能否经受住实际应用的考验：教师的准备情况、资源分配不均以及农村基础设施的不足。

马来西亚已经超越了讨论人工智能是否应该纳入国家教育讨论的阶段。人工智能早已融入其中。现在更重要的问题是，马来西亚能否将政策举措转化为实际行动……

Malaysia’s AI Education Push Is Real. Its Hardest Test Is Still Ahead

Stay ahead of the policy curve

Related analysis

AI in Education Policy: What Five Countries Reveal About Readiness, Inclusion and Implementation

China’s AI Education Transition: Rapid Adoption, Institutional Friction, and the Future of Assessment

AI Governance Is Becoming an Operating-Speed Problem: China and the United States in Action