AI正在改写教育问题的"出题权"——高职院校如何参与建构中国自主的AI教育知识体系

一、棋盘上那一手，正在逼问所有课堂

2016年，AlphaGo 对李世石下出第37手——一种在此前所有人类棋谱中都找不到依据的落法。事后人们才知道，这一手来自一套"策略网络提方案、价值网络做评估"的双层结构，其中那个负责评估局面的价值网络，恰恰对应着人类直觉能力在大脑里的工作位置。十年过去，Demis Hassabis 在2026年3月的一条公开动态里复盘说，正是那一手宣告了现代人工智能时代真正开启。

这个细节之所以值得高职的管理者和专业负责人停下来想一想，是因为它揭示了一个此前被视为"不可触及"的边界正在被突破——那些长期依赖教师经验、掺杂大量直觉与临场判断的教育动作，正在被拆解成可计算、可编码的规则。

体验很直观。一位带班多年的教师，面对做题卡壳的学生，会在心里做出一套快速权衡：该用一道相似的题目去引导，还是先做情感安抚，抑或是让他把已知条件列出来再判断。这些反应背后是多年积累形成的价值判断，却从来没有人要求老师把这套东西讲清楚。而现在，当AI介入到反馈和评价环节，每一种回应都必须转换成代码才能运行。开发的工程师和做课程建设的专业负责人，真的准备好了吗？——建构中国自主的AI教育知识体系，正是在这个背景下，成了一个绕不开的课题。

二、为什么现成的理论工具突然"不够用"了

要理解这个问题，先得回看一个政策源头。2022年4月，习近平总书记在考察中国人民大学时强调，构建中国特色哲学社会科学，归根结底是建构中国自主的知识体系，要以中国为观照、以时代为观照，立足中国实际、解决中国问题。这句话放在AI教育语境里，落到高职层面，意味着什么？紧迫感又来自哪里？

目前国际AI教育研究里被反复引用的几套框架——TPACK模型、批判性教育技术研究、各种AI素养框架、计算思维框架——各有价值，但共享一个深层前提：技术的作用是把人的既有认知能力放大和增强，而人的主体性与完整性始终被默认保留在分析框架的原点。这套前提在大模型出现之前是站得住的。可当GPT-4、Claude 这一代生成式AI不但能执行认知任务，还能生成、评估、修改知识本身时，这个前提就被动摇了。AI在人类认知系统里占据的节点，已经从被动调用的"工具"，变成了主动参与的合作者。

更隐蔽的问题出在模型训练上。大语言模型通常分两段：先大规模预训练，再通过人类反馈强化学习这类技术做对齐训练，把特定的价值取向、话语风格和认知惯性写进模型的行为方式。对齐，本质上就是一次价值编码。设想一位青年研究者想探索"AI个性化学习与学生自我效能感的关系"，她请模型帮忙搭研究框架——很快会得到一份看起来相当标准的建议：文献综述要覆盖某某理论、伦理部分要参考某国际标准、研究假设聚焦在"AI是否提升自我效能"。每一步都有出处、都严谨。但她几乎意识不到，自己思考的边界已经被悄悄圈定——她研究的已不再是一个开放的学术问题，而是一道被预设好的判断题。这套看上去中立的建议背后，是某种被挑选过的价值倾向。

这就是高职在做AI相关专业建设时，最容易被忽略的一个事实：当你把调研问题、课程设计、甚至实训方案的初稿交给AI，你已经在无意识地接受一套由模型编码好的价值框架。研究如此，课程的本土化改造更是如此。

三、一门新学科的轮廓：计算教育学

AI教育目前找不到一个干净的学科归属。放进计算机科学，学习动机、教师角色这些人文议题没有落脚点；放进教育技术学，对AI系统内部机制的理解又超出了它的边界；放进教育心理学，制度和政策维度又被悬置。这种"三不管"的状态，恰恰说明它正在长成一门独立的东西。

教育实践高度依赖那种说不太清、却真实存在的隐性知识。哲学家Polanyi早就指出，专家的多数知识无法被完整言明，它藏在感知与经验里，而不是命题陈述里。前面那位老师对学生的四种反应，就是隐性判断的典型样本。OECD在2023年的调查也印证了这一点——一线教师对AI用于差异化教学的期待，明显高于内容生成和作业批改。当一个班里既有学力超前、又有中等水平、还有明显跟不上的学生，教师备课时要反复权衡该照顾谁、节奏贴合谁、分组怎么搭，这些权衡几乎从不写下来，它们随班级氛围、学生关系、家长期待不断变动。可一旦教师和AI协同备课，这些问题的答案就必须被明确给出。即便是把选项做成"教师自主设置"，本身也成了一种价值姿态——它把不可言说的伦理判断，变成了一道多项选择题。

把这些现象收拢起来，就浮现出一门可以初步命名为"计算教育学"的新学科。它的核心研究对象，是教育价值判断如何在计算系统里被形式化表示：哪些可以形式化？形式化过程损失了什么？又有哪些本质上抵制形式化？

这里必须泼一盆冷水。AlphaGo和后来更强的AlphaZero可以碾压所有人类对手，但"会下围棋"和"会教人下围棋"之间，隔着一条深沟——专家知识的要害在于高度的情境敏感性，专家知道在什么条件下该调用哪部分知识，而这种"知道"极难被直接传授。从"会做"到"会教"，需要对学生认知状态的精确感知、对发展路径的理解、对介入时机的判断，这正是教育哲学、学习科学与神经科学交汇处最棘手的难题，也是计算教育学最该下功夫的地方。

四、高职触手可及的三笔"沉睡资产"

在多数领域，中国学者做知识建构都带着"后发劣势"——西方先把范式立起来，我们再去做本土化，更多是接受概念，而非生产概念。AI教育是少数例外。2023年以来国际主流教育技术学期刊的综述显示，AI教育至今没有形成国际共识的框架，AI素养由什么构成、生成式AI怎么改变评价、它到底是促进还是阻碍深层认知，这些基本问题仍在吵。共识缺位，意味着全球学者站在同一条起跑线，对中国而言并不多见。而窗口期不会自动变成成果，能否抓住，取决于能不能激活三笔中国独有的资源。

第一笔，是全球规模最大的教育田野。 中国各级各类学校超过50万所，在校生逾2.9亿，教师约1900万。这个体量，任何国家都难以复制。学习科学要想从真实情境里提炼出有普遍解释力的规律，数据越丰富、越真实，可能性越大。同一项AI个性化学习的研究，在中国可以同时覆盖超大城市、中小城市和农村的学习者，得出的结论远比拿单一地区当样本的研究更经得起检验。

第二笔，是尚未被系统理论化的师道传统。 "师者，所以传道授业解惑也"，这背后是一整套教育伦理学——教师不只是知识传递者，更是学生精神成长的引路人。这份传统在今天的课堂里并未褪色：学生对教师权威的文化认同、家长对学校的委托性信任、教师职业自带的社会尊严，都与西方去权威化的教育文化存在系统性差异。这意味着当AI走进这种结构，产生的影响也会不同：当AI能把"授业"做得比教师更精准时，人类"传道"的分量反而可能被放大；而多年面授沉淀出的师生情谊，更不是冷冰冰的算法能替代的。从《学记》到书院的"师生共学"理想，这片疆域还是空白。

第三笔，是"全球南方"语境下的教育公平经验。 义务教育普及、教育扶贫攻坚、数字资源下乡，几十年沉淀出一套"在资源约束下推进系统性公平"的制度经验。AI有机会把这套经验推得更远：国家平台把优质资源送进偏远地区、智能体补上师资缺口、用数字化缩小城乡差距。这构成了一种与西方"精英教育拔高"完全不同的叙事——中国实践致力于把教育的底线一寸寸抬起来。文献综述也印证了缺口：一项基于146篇文献的系统梳理发现，以教育不平等为核心议题的研究严重不足，而这恰恰是中国经验能够填补的地方。

五、必须绕开的三类坑

抓得住机会，还得防得住误区。结合原文的分析，面向高职院校的AI教育建设，有三类高发误判最值得警惕。

误区一：把"建构"做成了"扩充"。 建构知识体系和生产知识内容，是性质完全不同的两件事。前者是认识论工程，要划定问题边界、组织概念逻辑、确立检验标准、规定方法论规则；后者只是在既定框架里产出合规内容。不少执行层面的做法，是把"建构中国自主的知识体系"悄悄降格成"在既有体系下多增发一点任务"——开几门AI课、编几本教材、立几项专项就算交差，至于概念框架从哪来、问题预设是否适配中国现实，反而没人追问。库恩在《科学革命的结构》里把"既有范式内的线性累积"和"促使范式转变的异常问题"做了严格区分，建构自主体系要的是后者。

误区二：把"自主"理解成了"封闭"。 自主指的是知识生产主体的独立思考，绝不是与外部学术共同体切断联系。恰恰相反，科学革命往往依赖跨学科、跨文化的概念迁移与碰撞。国际AI教育虽然不成熟，但关于学习效果、教师角色、评估变革的实证积累已经不少，把这些也排斥掉，是一种自我削弱。正确姿态是带着批判性去参与，而不是做本土主义者。

误区三：把"本土材料"当成了"自主框架"。 知识的本土来源，和知识体系的建构自主，是两回事。前者描述材料的地理文化出处，后者描述生产框架本身的独立性。最常见的误判，是用"用了中国案例"来证明"实现了自主"，却不追问概念框架从哪来、是否真正适配中国场景。真正的自主性，标准在于一个体系能不能提出别人替代不了的问题、生产别人提供不了的理论工具，并经得起跨文化检验。

六、高职院校的落地动作清单

理论讲清楚了，落到院校层面到底怎么做？综合上面的分析，这里给出一份可以按序推进的必做动作清单，供管理者和专业负责人对照参考。

① 先做"自主性体检"，再谈新专业。 别急着申报新的AI专业或实训室，先组织一次内部盘点：现有专业的人才培养目标、课程设置、教学问题，有多少是直接从国外教材和头部企业方案里平移过来的？这些框架里的价值预设适不适应本校学生的真实情况？把体检结论当成专业调整的输入，比盲目上新专业更稳妥。

② 把AI能力分层收进课程体系。 在通识层面普及最基本的AI素养，让每个专业的学生都会用、能判断；在专业层面把AI工具嵌入具体岗位对应的课程，而不只是加一门孤立的"AI导论"。目标是把AI从"一门课"变成"渗透到课程骨架里的能力"。

③ 警惕模型带进来的"隐性价值框架"。 在教师做课程设计、做学情分析、甚至拟定期末题目时，都要对AI的产出多问一层"这是谁的价值判断"。可以建立一条校本红线：重要的人才培养方案和评价方案，必须经过人工的批判性复核，不能直接采用AI给出的初稿。

④ 从真实教学场景里提炼问题。 高职最大的优势是场景真实、规模可观。把课堂里那些"不可言说"的教学决策——差异化教学怎么做、怎么评价、怎么分组——记录下来、整理成可讨论的结构化问题，这本身就是参与知识建构的第一步，远比堆砌案例材料更有价值。

⑤ 主动加入区域和行业的知识共同体。 跟着行业产教融合共同体的节奏，把本校的实践问题带进去碰撞，而不是关起门来"本土化"。带着批判性参与国际讨论，才能真正长出属于自己的框架。

七、节奏与时间节点

AI教育知识体系的建构是长线工程，但有几个节点值得提前锚定。结合"十五五"规划周期，建议按下述节奏推进，逐年评估、滚动调整。

八、给专业负责人的三条提醒

行文至此，再补几句务实的提醒。其一是别把"用AI教学"等同于"建构知识体系"——应用做得多，不等于体系建得快，两者要分开衡量。其二是别在细节上追求一步到位，高校的知识建构本来就是慢变量，高职参与的方式，是贡献真实的问题与鲜活的田野，而不是指望短期内立起宏大的理论。其三是多留意"隐性知识"这个抓手——无论是学生的学习状态，还是教师自己的教学判断，那些说不清道不明、却每天都在发生的细节，恰恰是过去最被忽略、也是最值得被计算教育学认真对待的地方。

结语

回看那盘棋，AlphaZero只用几个小时的自对弈，就创出了人类四千年未曾触及的围棋新范式，可十年过去，它始终没能学会像一位顶尖棋手那样去教人下棋。这道横在"会做"与"会教"之间的深沟，正摆在每一间教室、每一位教师和每一个专业面前。对于高职院校而言，处在中国规模最大、场景最真实、又最贴近一线产业的教育现场，与其在一旁等着别人把这套规则定义好再被动接受，不如把今天课堂上那些"不可言说"的判断，当成下一轮知识建构的原料。这扇窗口不会一直开着——它已经开始计时了。你所在的专业，打算从哪一步开始，把这盘棋亲手接过来？

如果你觉得这篇文章对专业建设有参考价值，欢迎转发给同样在做AI教育探索的同事。