AI 语境下的三个根本问题：教什么、怎么教、怎么学

当知识已经被大模型记住，教师还能让学生带走什么？这套"教师是编剧和导演、学生是主演、AI 是伙伴"的教学模式，为高职院校的课程重构提供了一条可落地的思路。

一个绕不开的现实：教会知识这件事，护城河正在消失

过去两年，很多教师都有过类似的经历：布置的编程作业，学生交上来的代码规范得不像初学者；要求写的调研报告，结构完整、引注齐备，但追问细节时学生答不上来。这不是学生变聪明了，而是工具变了。

大模型出现之后，教师在"知识传递"上的优势正在被迅速抹平。一个学生只要有网络，就能随时获得比课堂更详尽、比教材更新、还能反复追问的讲解。如果一门课的价值仍然建立在"把知识讲清楚、让学生记住"上，它的不可替代性会越来越低。

但问题并不止于此。真正让教育界感到棘手的，是现有改革大多停留在表层。不少院校已经在课堂里引入了知识图谱、智能辅导、自动评分，看上去智能化程度不低，可底层逻辑仍然是"系统性地传授知识"——只是把讲授从线下搬到线上，把练习从纸面搬到屏幕。这种改造提升了效率，却没有回应一个更根本的变化：当知识随处可得，教育的目标应该往哪里移？

有研究团队在长期教学实践基础上提出，AI 语境下有三个问题必须正面回答：当知识已被 AI 记住，教师还能让学生带走什么，这是"教什么"；从教师视角看，如何让学生带走这些东西，这是"怎么教"；从学生视角看，如何能真正带走，这是"怎么学"。 围绕这三问，他们构建了一套以 POT-OBE 教育理念为基础、以 5E 教学范式为操作框架的模式，形象的说法是"教师是编剧和导演、学生是主演、AI 是伙伴"。这套模式对高职院校的课程改革有直接的参考价值，以下逐层展开。

AI 带来的不只是便利，还有四重结构性冲击

要理解为什么必须重构课程，先要看清楚 AI 究竟改变了什么。这种改变不只是"多了一个好用的工具"，而是体现在四个层面的结构性松动。

第一重是去教师化。 学生可以接触到全球范围内的优质课程资源，AI 还能通过交互诊断学习特点并提供个性化辅导。这意味着在某些教学环节——尤其是重复性答疑、基础概念讲解——教师并非不可替代。这一变化逼着教学重新回答：教师在课堂上不可替代的价值究竟是什么？

第二重是去班级化。 学习不再受限于固定时空，按进度和兴趣推进的个性化学习成为可能，传统分科、分级、分班的结构难以完全适配。但这里有个需要警惕的侧面：如果班级组织被彻底取消，学生之间的交流协作、团队意识的养成也会失去载体。因此，如何设计一种既能容纳个性化进度、又保留同伴协作的新型组织方式，是需要认真对待的问题。

第三重是去学科化。 大模型能够提供跨学科资源，甚至直接产出跨领域成果——不懂编程的人把需求描述清楚，也能得到可运行的软件。学科边界正在被打破，交叉与融合成为常态。但这同时带来新的要求：AI 生成的结论可能缺乏深度论证，学生必须具备足够的知识基础和批判性思维，才能判断这些结论是否站得住。这恰恰把通识教育的价值重新推到了前台。

第四重是知识碎片化。 这条最容易被忽视，也最值得高职院校警惕。学生借助 AI 可以轻松完成任务，但思维上的惰性随之而来——深度思考减少，知识结构趋于扁平，系统的知识体系难以建立。作业完成的效率提升了，能力是否同步提升却要打个问号。

把这四重变化放在一起看，结论就比较清楚了：AI 语境下的教育目标必须从"传授知识"向"提升认知、生成能力"迁移，知识积累仍然是必要的基础，但不再是终点。下表梳理了这四重冲击的具体表现及对高职院校的直接含义。

这四重冲击叠加，指向一个共同的落点：教育要培养的，是人与 AI 协同解决问题的能力，而不仅仅是掌握某套知识或熟练使用某个工具。

教育目标要挪位置：从知识层往认知层走

明确了冲击，接下来要回答目标该定在哪里。有一个三层框架值得高职院校参考。

最上面是认知层。这一层包含两件事：其一是让学生建立"从基本原理出发探索问题本质"的思维习惯，也就是遇到问题时先追问它到底是什么、边界在哪里，而不是立刻找一个现成答案；其二是让学生理解人与 AI 各自的角色和优势——哪些工作交给 AI 效率更高，哪些判断必须由人来做。后一点尤其重要，它是学生进入"人机共存"工作场景的基本前提。

中间是能力层。核心是与 AI 协同探索未知、开展创新的意识和能力。这里的措辞值得琢磨：重点不是"会用 AI 工具"这项技能，而是在面对新问题时，知道如何调动 AI 参与，同时保持自己的判断。对高职学生来说，这一层可以具体化为：能否借助 AI 完成一个从需求到交付的完整任务，并对结果负责。

最下面是知识层。在 AI 语境下，知识的获取变得容易，但知识层并不能被取消。原因在于，学生需要具备必要的知识储备和批判性思维，才能判断 AI 的输出是否出现了"幻觉"。一个完全不懂专业知识的人，无法分辨 AI 给出的答案是对是错。从这个角度看，知识层的作用从"目的"变成了"判断力的基础"。

三层目标不是替代关系，而是层级关系。对高职院校的专业负责人来说，这个框架的实际用法是：在设计人才培养方案时，先确认课程要支撑哪一层目标，再倒推内容与评价方式。如果一门课的定位仍停留在知识层，而行业岗位已经要求认知层的能力，方案本身就需要调整。

教什么：教师从讲授者变成"编剧"

目标定了，接下来的问题是怎么把目标装进课程。这套模式给出的答案是：教师编写"剧本"，学生按照剧本完成探索。

所谓剧本，不是把知识点罗列成章节，而是基于知识与能力图谱，把需要学生掌握的能力点和知识点嵌入一个个具体的"剧情"中。剧本的推进遵循 5E 步骤：激发兴趣并提出问题、运用基本原理探索问题本质、学习求解所必需的知识与能力、动手解决实际问题、评价与反思。关键在于，剧本中的所有提问、探索和发现，都要从学生视角出发写，而不是从教师视角罗列要点。

举一个具体的剧本设计来说明。在一门 AI 通识课程中，有一个剧集的任务是"制作一个 AI 编程助手"，推进过程大致如下。

第一幕是激发兴趣。 剧本抛出的核心话题是：对很多人来说学习编程充满挑战，那么能否有一位 AI 助手，陪伴一个完全不懂编程的人掌握编程技能？这个问题的设计意图是把学生的注意力从"学语法"拉到"解决一个自己关心的问题"上。

第二幕是探索问题本质。 学生与 AI 一起追问：这样一个助手本质上是什么？探索的结论指向"基于大语言模型应用平台构建的智能体，它需要具备算法设计、编程和对使用者进行语言教学的能力"。这一步是在训练学生从原理层面拆解问题的习惯。

第三幕是学习必要知识。 学生自主选择可行的平台，学习构建智能体的具体步骤。知识在这里不是预先讲授的，而是在解决问题过程中被"按需调取"的。

第四幕是动手解决。 学生运用前一阶段学到的方法，实际把智能体搭建出来。完成任务的过程本身就是能力的检验。

第五幕是评价与反思。 学生总结这次探索中的得失，反思自己与 AI 协作的方式是否有效。有学生在反思中提到，通过这个过程意识到 AI 在教育领域构建辅助学习工具的潜力，也意识到与 AI 协作将成为自己未来重要的努力方向。

从这个剧本可以看出，"教什么"的答案发生了实质变化：教的不是智能体的技术细节，而是"如何提问、如何拆解问题、如何与 AI 协同完成一件完整的事"。技术细节会过时，这套方法会留在学生身上。

剧本探索并非唯一形式。学生也可以在没有剧本的情况下，按 5E 步骤自主发现问题并与 AI 协作求解。两种形式各有适用场景：剧本适合在课程初期建立规范、保证基本覆盖；无剧本探索适合在能力具备后加大开放度。

怎么教、怎么学：把角色重新分配

剧本写好了，谁来演、怎么演？这套模式给出的角色分配是：学生是主演，AI 是伙伴，教师是导演。

学生的角色从被动接受者变为在 AI 辅助下的主动探索者。探索按自己的节奏推进，不受固定时空限制。这一点对高职院校有特别的意义——学生的入学基础差异通常较大，允许按节奏推进，比统一进度更容易兼顾两端。

AI 的角色不只是资源提供者，更是随时可提供帮助和建议的陪伴者。它不替学生做决定，但在学生卡住时给出方向、在学生前行时提供反馈。

教师的角色则从"知识传授者"转向学习方向的引导者和学习过程的指导者，在幕后给学生专业建议和精神支持。这个转变对教师提出的要求并不低：学科界限的模糊意味着教师需要不断更新知识结构、掌握跨学科的方法，才能写出好的剧本；同时，剧本的编写要把能力图谱和知识图谱做碎片化处理，再按问题逻辑重新组织成系统——这是一项相当有技术含量的工作。

三者之间的关系可以用下图表示。

需要说明的是，这套模式在实践中有一个容易被简化掉的环节——反思。很多课堂在完成"解决问题"之后就结束了，学生拿到了结果，但没有停下来想一想"我是怎么做到的""下次遇到类似问题可以怎么做"。而这恰恰是认知层目标能否达成的关键动作。

落地路径：高职院校可以先做四件事

这套模式在本科院校的多门课程中已有应用实践，学生反馈和课程数据显示，多数学生在认知、能力和知识三个层面都有可观察的提升。对高职院校来说，直接照搬学情前提未必合适，但其中的推进顺序可以参考。以下四件事可以按先后启动。

① 先做课程逻辑的重塑，而非内容的增删。 把课程从"按知识图谱堆砌知识点"的逻辑，转向"在人与 AI 共同作用下探索和发现问题"的逻辑。这不是把教材章节重新排序，而是改变课程的推进方式——以问题为主线串联知识，而不是以知识为主线安排练习。

② 从一门课开始编写完整剧本。 选一门基础较好、教师团队稳定的课程，集中力量把完整的剧本体系开发出来。剧本的颗粒度建议控制在"一次课一个剧集"，每个剧集明确对应的能力点和知识点。开发完成后先跑一轮，根据学生反馈迭代。

③ 重新定义教师的课堂动作与考核方式。 教师需要从"把内容讲完"转向"设计探索任务、观察过程、提供方向建议"。与之配套，考核方式也需要调整——如果评价仍然只看最终结果，学生用 AI 生成一份漂亮的作业就能拿高分，过程中的能力成长反而被忽略。建议在评价中提高过程性证据的比重，例如探索记录、阶段性交付物、反思报告等。

④ 评估实践环境与资源支撑。 剧本中的探索环节需要学生能够随时动手、随时获得反馈，AI 工具的接入、任务的布置与提交、过程数据的采集，都依赖可用的平台环境。对于希望快速起步的院校，依托成熟的 AI 实践平台来承载探索环节与过程数据，比从零自建更能压缩启动周期。以实战云面向院校交付的"我在学"AI 实践内容平台为例，可将 Web、云电脑、Docker、Jupyter、命令行到 AI Agent 等多种实验环境与任务管理、过程记录、学情分析集成在同一个环境中，教师只需聚焦剧本设计与教学指导，环境搭建与数据采集由平台承担——这也是当前不少院校选择引入成熟方案而非自行开发的原因。对于同时承担通识课程与专业课程建设任务的院校，这类平台通常还提供可复用的案例资源与提示词模板，能够进一步降低剧本开发的起点难度。

需要提醒的是，剧本开发是持续性工作。行业技术变化很快，今天有效的剧本可能一两年后就需要更新。因此，院校在推进时应当把"剧本迭代机制"一并设计进去，明确谁来更新、按什么周期更新，避免开发完一轮之后就搁置。

通识教育的位置，需要重新认识

讨论到这里，有一个趋势值得高职院校特别关注：AI 语境下学科边界的模糊，让通识教育的重要性上升了。

回看教育史，通识教育的价值在每一次社会转型期都会被重新确认。十九世纪的美国在从农业社会向工业社会转变时，有大学明确坚持文雅教育而非实用技能训练的立场；二十世纪中期，有研究提出通识教育的目标是培养"完整的人"；也有大学校长说过，如果一个学生毕业时只是拥有某种专业知识和技能，那将是教育的失败。这些判断在各自的时代都曾引发争议，但长期追踪的毕业生职业数据支持了通识教育在培养领导力、创新思维和社会责任感方面的作用。

对当下的高职院校来说，这个历史经验有直接的现实意义。目前多数院校的教育重心仍然放在以就业为导向的专业教育上，通识教育往往只由几门课程承载。但 AI 带来的去学科化趋势意味着，学生的职业发展空间很大程度上取决于他能否跨出本专业的边界去调用其他领域的知识。设计一个智能体的能力、判断一份 AI 生成方案是否可行的能力、把行业问题转化成可执行任务的能力，都超出了单一专业的范围。

因此，通识课在 AI 语境下的定位需要从"补充性课程"提升为"能力基础课程"。这不是简单增加课时，而是要重新设计内容——把 AI 素养、批判性思维、人机协作方法作为通识课程的核心内容，并与专业课程形成呼应。对专业负责人来说，一个可操作的切入点是：梳理本专业核心岗位在 AI 语境下新增的能力要求，看其中哪些部分适合由通识课程承担，再与通识课教师对接内容边界。

结语

AI 对教育的冲击，最终会落到一个朴素的问题上：我们希望学生毕业时带走什么。 如果带走的只是若干知识点和使用工具的技巧，那么这些内容会随着技术迭代迅速折旧。真正能长期留存的，是发现问题、拆解问题、调动资源解决问题的能力，以及在与人机协作中保持独立判断的习惯。

对高职院校来讲，这意味着课程改革的方向要变：从"把知识讲清楚"转向"把探索组织好"，从"考核记住了多少"转向"考核能做什么"。这四件事——重塑课程逻辑、开发剧本体系、重定义教师动作与评价方式、配齐实践环境——不必同时铺开，选一门课先跑通一轮完整闭环，比全面启动更容易见到真实成效。技术会继续变化，但这套以问题为中心、以人为本、以 AI 为伙伴的教学逻辑，大概率不会很快过时。