作者 | 清晖
当地时间 9 月 24 日上午，中美两国元首在白宫举行会谈。人工智能成为双方谈及的议题之一。中方在会谈中表示，中美都是人工智能大国，双方有竞争，也可以合作，并提出继续开展人工智能对话，就风险和收益进行交流，"要保持人类对人工智能技术的管控"。美方也表示，人工智能关乎人类未来，美中应就此保持对话、加强合作。
这场对话划出了一条共同的边界：AI 可以继续变强，但人不能把判断全部交给 AI。对教育而言，这条边界关系到十年、二十年后两国的人才能力。今天的技术优势，只有转化为下一代人的学习能力，才可能成为长期竞争力。
在学校里，这个变化已经很具体。学生拍下一道题，几秒钟就能得到解法。作文可以修改，材料可以整理，一份复习计划也能马上生成。过去要等老师回答的问题，现在大多不必等了。
答案来得越快，另一个问题就越难回避。学生是理解了，还是只完成了眼前的任务？工具拿走以后，他还知不知道下一步怎么走？
当 AI 可以回答几乎一切，教育更需要守住孩子自己寻找答案的能力。
中美都已经把 AI 教育纳入国家层面的安排。美国在 2025 年发布行政令，推动青少年 AI 素养、教师培训和学生挑战项目。中国在今年 4 月印发《"人工智能 + 教育"行动计划》，把人才培养、学生学习和教师教学放进同一套部署。
与此同时，两国也在给 AI 划边界。纽约市公立学校在 2026 至 2027 学年暂停学前班至八年级学生直接使用生成式 AI，高中阶段只在经过审核的项目中有限开放。中国 2025 年发布的使用指南也明确，小学生不应独自使用开放式内容生成功能。
这并不矛盾。让孩子认识 AI，又让 AI 参与孩子的每一次学习，本来就不是一回事。比谁先把聊天机器人装进更多课堂更重要的，是回答同一道难题。AI 提供帮助之后，孩子有没有变得更会学习？
答案越多，为什么反而更难学
过去，一个学生遇到不会的数学题，要翻课本、找例题，或者等到第二天再问老师。现在，他只要拍一张照片。AI 不会嫌问题简单，也不会因为同一个问题问了五遍而失去耐心。
这种方便很容易被当成学习效果。2025 年发表于《美国国家科学院院刊》的一项研究，却把两者分开了。
研究由宾夕法尼亚大学等机构的学者参与，在土耳其一所高中进行，覆盖近千名学生。学生分别使用普通的 GPT 工具、加入教学约束的 GPT 辅导工具，或只用课本和课堂笔记练习数学。
有 AI 帮助时，两组学生的练习成绩都明显更好。普通 GPT 组比对照组高 48%，加入教学约束的 GPT Tutor 组高 127%。但到了不能使用 AI 的考试，普通 GPT 组反而比对照组低 17%。GPT Tutor 组没有出现同样明显的下滑。
研究者查看对话记录后发现，一些学生会直接索取答案，再把结果搬进作业。GPT Tutor 则尽量不给出完整答案，而是先提示和追问。教师还为它准备了题目解法、常见错误和反馈方式，减少模型随意发挥。
差别不在于 AI 会不会做题，而在于它替学生做到了哪一步。
另一个美国研究把 AI 放到了教师身边。斯坦福大学团队开发的 Tutor CoPilot 不会直接面对学生。学生答错后，它先给辅导教师几种建议。教师可以换一种问法，让学生找出关键数字，画出数量关系，再继续推理。
在一项覆盖 700 多名辅导教师和约 1000 名学生的随机实验中，使用这一工具的教师所带学生，掌握数学主题的概率提高了 4 个百分点。原先评价较低的辅导教师，其学生的增益达到 9 个百分点。
两个实验都谈不上替所有课堂下结论。第一个来自土耳其一所高中，第二个主要服务资源支持不足的学生。但它们指向了同一个位置。AI 可以给提示，可以补充教学策略，也可以把反馈送得更及时。学生自己解释、判断和尝试的过程，仍要留下来。
美国实验之外，中国学生真实使用 AI 时，也出现了相似的分界。
香港大学经济学系教授吴延晖和团队在今年公开的一篇工作论文中，分析了中国中部某县 9 所中学 26811 名初高中生、最长 30 个月的数据。吴延晖在接受《人物》采访时介绍，学生使用 AI 完成作业的方式大致可以分成两类：一类是"外包"，学生把题目直接交给通用 AI，再使用生成的答案；另一类是"辅导"，学生同样借助 AI，但仍然要自己花时间理解、推理和完成作业。
两种用法出现了不同结果。研究显示，使用生成式 AI 外包作业后，学生的日常作业成绩短期内平均提高 18%，完成时间也缩短了 30%。但这种优势没有延续到脱离 AI 后的考试中。6 个月内，学生的月考成绩平均下降 20%。两年后，中考和高考成绩也出现更明显的下滑，降幅分别达到 24% 和 18%。
图源：The Generative AI Learning Penalty: Evidence from Chinese Secondary Education（《生成式 AI 的学习惩罚：来自中国中学教育的证据》）
吴延晖和团队把这种现象称为" AI 学习惩罚"。对学生来说，如果把原本应该自己完成的思考和练习交给 AI，眼前的作业可能做得更快、更好，但真正需要长期积累的学习能力却可能因此受损。
这种影响也不只体现在分数上。吴延晖尤其担心那些需要长期训练才能形成的能力，比如分析和逻辑推理。一次次自己做题、犯错、重新理解，看起来效率不高，却正是能力形成的过程。长期把这些环节交给 AI，可能被削弱的还有一个人的耐心、好奇心，以及面对陌生问题时继续追问和自己寻找答案的能力。
一亿多学生，各有各的卡点
如果把中美 AI 教育概括成"美国重探究，中国重基础"，很容易得到一组整齐的对照。今天的现实比这复杂得多。
美国的教育责任主要在州和地方。联邦政府可以通过资金、研究和公私合作推动 AI 素养，各地仍会作出自己的选择。纽约的限制说明，美国并不存在一条整齐划一的"全面拥抱 AI "路线。
中国更容易依托国家课程标准、公共教育平台和地方教育体系组织课程、资源与教师培训。2025 年的两项指南从小学的兴趣和认知，一直安排到高中的系统思维和创新实践。今年的行动计划又提出智能学伴、教师支持和乡村应用。
两种组织方式面对的难题不同。美国要把地方试出的做法带给更多学校。中国则要让大规模提供的资源适应不同的孩子。技术进入课堂以后，两边都绕不开教师，也都要判断学生是否真的学会了。
对中国而言，这首先是一个规模问题。2025 年，全国义务教育阶段在校生达到 1.5688 亿。怎样让个性化帮助成为公共教育体系可以承受的能力，而不是少数家庭才能获得的额外服务，是"人工智能 + 教育"真正需要回答的问题。
同一间教室里的孩子，可能卡在完全不同的地方。有的没有听懂眼前的新概念，有的欠缺更早的基础，还有的看过解答，却说不清为什么要这样做。
教师通常能看到最后的错题，却未必总能及时看到错误从哪里开始。家庭提供的帮助也不一样。有人回家以后可以继续问父母、找老师，也有人只能独自面对没有听懂的内容。设备、网络和一段不受打扰的时间，也会影响学习能不能继续。
洋葱学园提供了一个可以观察的中国样本。
这家公司从 2013 年开始制作动画数字课程。这些年积累下来的内容，如今被接入了 AI 智能体。洋葱学园公开产品页面展示了一个圆锥曲线场景。学生拍摄教材、作业、笔记或教辅后，系统先定位知识点，再向前追溯相关内容。它把椭圆、双曲线和抛物线放回离心率等概念的联系中，再把学生带到对应的课程片段。
进入课程以后，" AI 私人助教"处理学生当下没有听懂的地方。" AI 思维教练"不再继续讲，而是要求学生换成自己的话解释，举一个课程里没有出现过的例子，或者说清两个相近概念有什么不同。
这样一来，拍题只是入口。后面还有定位知识点、追溯前置内容、调用课程、接受提示、再次表达和练习。系统先判断学生应该从哪里重新开始，再处理眼前这道题。
据洋葱学园截至 2026 年 9 月的统计，这套产品背后有超过一万节自研数字课程，系统累计形成超过 5000 亿条学习互动数据。课程被拆成数分钟的知识单元，并通过知识图谱、思维链和内容标签建立联系。这些数字虽不能直接证明学习效果，但它们至少说明，AI 调用的内容经过了长期整理，不只是一段临时生成的解释。
通用模型擅长生成答案，教育产品更难的工作，是知道此刻该讲什么，又该在什么时候停下来。
"自学大师""私人助教"和"思维教练"因此不只是三个并列的聊天入口。前者寻找学习起点，中间处理卡点，后者检查学生有没有把理解留下来。规划和习惯类工具再把一次学习拉长到一周或一个学期。
单看任何一个功能，都很难说是洋葱学园独有。较难复制的部分，是让这些动作接在同一套课程、知识关系和学习记录上，并且在学生需要帮助时连续运行。
课堂里，AI 仍然要经过老师
技术要进入真实课堂，最后仍会遇到教师。
在青海玉树州曲麻莱县麻多乡寄宿制学校，四年级数学教师张老师第一次接触数字课程时并不相信它。
但他还是决定试一试。讲到抽象概念时，先放一段课程。到了关键处，他停下来，让学生自己再说一遍。有人没听懂，就继续讨论和练习，再回头找问题。慢慢地，他摸索出一套"动画课程、小组讨论、阶梯练习"结合的办法。
据洋葱学园对公益项目的记录，一个学年后，他所带班级的数学均分提高 57 分，并在全县统一测评中排名第一。成绩变化还受到教师投入、学校管理和学生基础等因素影响。这个案例更有价值的地方，是教师把数字内容变成了学生能够参与的课堂过程。
在岳阳市第二十中学，技术又往前走了一步。学生在课前或晚自习先学习课程并完成练习。系统记录完成情况、错误和薄弱点，教师再决定哪些问题要在课堂集中讲，哪些学生需要不同的任务。课后，学生通过新的练习继续巩固。
过去，老师常常要等到作业收上来，甚至考试结束，才知道几十名学生分别在哪里掉了队。现在，一部分差异可以在学生自己学习的过程中提前暴露。AI 提供信息，教师作出判断。
据洋葱学园提供的项目资料，在相关合作期间，该校学生的数学优秀率从 18% 提高到 60%，在该校 2025 年首届中考中，有学生获得全市总分第一。这个变化不能只归因于产品。学校把这套方式从试点带入日常教学，反而更能说明问题。一个学习流程能否持续运行，比一节展示课是否热闹更重要。
在对外经济贸易大学附属中学，AI 未来课堂已经成为常态化的教学模式。数学教师邢涛会一边讲解，一边查看屏幕上的学生反馈，谁在哪一步遇到了问题，又如何与 AI 交互，系统已经作出标记和提示。
在一节涉及物理情境的数学自习课上，学生与 AI 互动 55 次。她注意到，学生刘勤（化名）在跟 AI 交流完"弹簧测力计的数学表达式"后，又在对话框中输入了关于"水银体温计的测量原理"的相关疑问。
"现在每个学生的卡点都变得可见，学生也不必把疑问都留到答疑课。"邢涛说。
自主学习不是把孩子留给机器，而是让他在没有老师站在身边时，仍然知道怎样继续。
这一点与 Tutor CoPilot 有些相通。两种产品服务的对象和场景不同，但 AI 都没有取代教师。它们把一部分反馈和教学支持送到需要它的位置，再把决定权交还给课堂中的人。
人才的竞争，最终落到学习能力
今天谈 AI 教育，很容易先谈模型能力。下一阶段的竞争，可能会转向另一些问题。
一个产品能否发现学生的实际卡点，能否调用适合这个年级的内容，能否在给出提示后让学生重新作答。老师能否看到学习过程，并据此调整课堂。工具进入资源较少的地区以后，是否还有培训、教研和持续服务。
这些事情没有一次模型升级那么醒目，也更难用一张排行榜衡量。
美国的地方探索有机会较快试出不同做法，也要面对地区之间的资源差异。中国可以依托课程体系和学校网络扩大覆盖，但同样要检验，大规模提供的资源是否真正适合不同的孩子。两边都绕不开教师，也都要面对一个朴素的问题。技术带来的究竟是更快完成任务，还是更持久的学习能力？
这也意味着，教育 AI 需要一套不同于通用模型的评价标准。答题准确率、互动次数和作业成绩可以衡量效率，却不能单独证明学习已经发生。
对学校和政策制定者而言，更值得长期追踪的，是学生在提示撤去后能否继续推理，换一道题能否迁移方法，以及教师能否看见学习过程并保有最终判断。
产品能不能进入课堂，不能只看数据安全和内容合规。它是否把思考留给学生，把判断留给教师，同样重要。会学习的人，知道怎样借助 AI，也知道离开 AI 以后怎样继续。
中美科技竞争常用芯片、算力、模型和投资额来计数。教育给出的刻度更慢。今天坐在教室里的孩子，十年后会面对什么技术、进入什么职业，没有人能够替他们安排妥当。
学校至少可以给他们一种准备。面对陌生知识时，知道怎样开始。面对机器的结论时，知道怎样核查。遇到困难时会求助，得到帮助后也能把路继续走下去。
元首会晤讨论的是今天最紧迫的问题。课堂里的选择，决定的却是两国更长远的能力。
大模型还会更新，孩子的成长不能靠下一次更新。
- End -
七星配资提示：文章来自网络，不代表本站观点。
