以史观今：AI 对教育的冲击，和历史上的哪些变革最相似？

当前人工智能对教育领域产生的冲击与影响，在历史上是否有相似的变革可供借鉴？抑或这是一次史无前例的颠覆？以史为鉴，AI 时代教育的未来走向将如何发展？或者说，面对此次技术浪潮，传统的历史经验是否已经完全失效？

一、历史上有哪些真正可比的变革？

文字、印刷、计算器、学校制度与慕课的历史参照

1. 文字与印刷：知识可以外存，但理解不会自动发生

在柏拉图《斐德若篇》中，苏格拉底借一个故事提出对文字的忧虑：人依赖外部记录，可能疏于记忆；接触大量文字，也可能只获得“仿佛有智慧”的表象，而不是真正理解。这与今天担心学生依赖 AI、把流畅答案误认成自身能力，有明显相似之处。[1]

这种担忧不能简单以“古人多虑了”一笔带过。**一种技术提高社会整体的知识能力，与某些个人技能退化，可以同时发生。**更有价值的比较，在于看认知能力如何在人与工具之间重新分工与组合，而不是抽象地判断技术究竟“全好”还是“全坏”。

欧洲早期印刷业的研究提供了另一层启示。印刷不只降低了思想传播的成本，还吸引了学校、学生与翻译者等聚集；印刷作坊甚至促进了学者、商人与工匠之间的面对面交流。[2]

远程传播能力增强，并不必然消灭现场交流，还可能创造新的交流需求。

这对理解 AI 的借鉴在于：教学内容更便宜、更容易获得，不足以推导出学校和教师将会消失。知识易得之后，更关键的问题是：理解、讨论、反馈、评价和共同生活等活动，该如何重新组织。

不过，这个类比也有明确边界：书本主要保存和传播人类既有的表达，生成式 AI 却能参与表达的生成，并在持续对话中影响学习者接下来的思考路径。

2. 计算器：外包什么运算，保留什么理解

计算器最接近今天关于“基础能力是否还要练”的争论。2003 年一项汇总 54 项研究的元分析发现，当计算器被有机纳入教学与测评时，学生的运算与问题解决表现可以改善；不允许使用计算器的测评结果则更复杂。作者也明确指出，长期保持与跨领域迁移仍需要研究。[3]

计算器的经验表明：工具的教育效果，取决于教学安排与具体的使用方式。

例如，学习统计分析时，省去繁琐的手算，可以让学习者集中理解变量、分布、误差以及方法的适用条件。省下机械运算可以服务于更深入的理解，但若缺乏概念基础，也可能只是让人更快得到自己看不懂的结果。

AI 比计算器又向前走了一步：它不仅可能代算，还可能代为选择方法、组织论证、解释结论。过去“把计算交给工具，保留概念理解”的分工，现在需要重新设计——因为概念解释本身，如今也能被工具生成。

3. 近代学制与制度转型：改变教育的不仅是工具，还有对能力的认定标准

教育史不能只写成“黑板—广播—电视—电脑—AI”的设备更替史。

教育史学者 Tyack 和 Tobin 用“学校教育的语法”研究年级制、学分与学时安排等制度为何长期延续，以及许多改革为什么最终被边缘化。他们强调，需要从政治和制度层面理解教育的连续与变化。[4]

中国近代的制度转折也是一个参照。1905 年科举废除，同期新式学校的组织方式与培养方向发生变化。例如，南洋公学转为商部上海高等实业学堂，专业设置与工商业、工程技术人才需求及经费来源有关。[5]

这里改变的不只是学生能读到什么，还包括什么知识能够通向职业和社会认可。

这并非 AI 的技术先例，却是一个关键的制度先例。它提醒我们：教育转型的深度，取决于招生、考试、文凭、就业与资源配置等制度是否同步调整。如果升学体系依然主要奖励同一种可标准化的应试成绩，先进的 AI 也可能成为更高效的应试工具，并不会自动带来探究式学习。技术本身并不会自行选择教育目标。

4. 互联网与慕课：资源开放，不会自动转化为教育公平

慕课曾承载过大规模开放优质教育的期望。Reich 与 Ruipérez-Valiente 在 2019 年发表于《科学》的研究中，分析了哈佛与麻省理工学院六年的 edX 数据，发现参与增长主要集中在富裕国家，课程完成率并没有随时间明显改善；相关平台则转向与大学合作提供职业导向的在线学位。这并不构成对所有在线教育的否定，完成率也不是衡量学习价值的唯一尺度。[6]

这项研究提示：把课程放到网上，解决了部分“资源在哪里”的问题，却未必解决“谁有时间学习、谁能坚持、谁得到帮助”等现实支持问题。

生成式 AI 具备交互与反馈能力，有机会弥补慕课的部分不足，但我们依然不能从“每个人都能打开一个聊天窗口”，直接推导出“每个人都获得了同等质量的教育”。

历史比较的共同启示是：技术扩大可能性，而制度与教学设计决定其中哪些可能性最终能够实现。

二、那么，AI 究竟新在哪里？

AI 的新意，不在于人类第一次使用外部认知工具，也不在于出现了第一批自动辅导系统。OECD《2026 年数字教育展望》指出的关键变化在于：生成式 AI 具备通用性与自然语言交互能力，且其大量使用发生在学校的直接控制之外；它也可能让原先较为固定的数字辅导系统，更灵活地提问、提示和调整策略。[7]

在此基础上，三个变化尤其值得注意。

第一，它可能同时介入学习的多个环节，而不只是某一个步骤。

从一道题的读题理解、方案选择、推导计算到解释与修改，从一篇文章的立意、资料组织、论证展开到表达润色，AI 都能提供协助。这时，教育面临的问题不再是查资料是否快捷，而是：在整个过程中，哪些认知活动还由学习者本人完成？这并不意味着每一步都必须人工进行，但学校必须分清：一项活动究竟是在培养学生的能力，还是只是在生产结果。

第二，它使“作品质量”与“作者能力”之间的联系更不确定。

假设一名学生交来一篇结构完整、文笔流畅的文章。生成式工具介入后，仅凭成品，我们更难判断他是否理解其中的概念、能否识别反例，或者是否清楚论据来自哪里。

这不只是作弊管理问题，更是测评问题：当工具可以生成能力的外观，教育就需要重新寻找能力的证据。

第三，它可能在改变学习过程的同时，也影响教育所面向的工作与成长路径。

这种风险值得提前审视：如果初级写作、基础编程和日常数据分析工作逐渐由 AI 完成，那么一些专业领域中“通过做基础工作逐渐积累经验成为专家”的传统路径，可能会受到削弱。这并不证明相关岗位必然消失，而是提出一个现实问题：如果各类组织只追求当下的产出效率，谁来承担培养下一代专家的长期成本？

这比“学生作业是否可以用 AI”更深，因为它牵涉整个社会如何培养下一代专业人才。

三、现实研究已经说明：帮人做对，不等于帮人学会

直接拿到答案与自己思考练习验证的区别

目前最有启发性的证据，来自结果不同、能够说明使用条件差异的实验。

2025 年发表于 PNAS 的一项随机试验，在土耳其一所高中纳入近千名数学课学生。使用普通聊天式 AI 的学生，练习成绩相对高出对照组约 48%；但撤去 AI 后，独立测试成绩反而相对低约 17%。加入教师设计的提示与学习保护措施后，负面影响大体消失，但该组在独立测试中并未显著优于对照组。[8]

另一项 2025 年发表于《科学报告》的随机试验，则在哈佛大学物理课程中，比较了专门设计的 AI 辅导与课堂主动学习。纳入分析的 194 名学生，在两次特定课程内容的学习中，使用 AI 辅导取得了更高的即时学习增益，并使用了更少时间。研究者同时强调，系统包含专家设计的材料、提示和教学支持，不能据此推断 AI 在所有学习情境中都更优。[9]

这两个实验结果并不矛盾。它们比较的不是抽象的“有没有 AI”，而是不同学习者、内容和教学安排下的具体使用方式；同时，这些短期实验也都不足以直接回答多年之后的能力变化。

它们共同提出的核心问题在于：

AI 是否增加了学生的有效思考、练习与反馈，还是帮助学生绕过了这些过程？

教育与一般生产活动在这里有一个重要区别：生产活动通常希望更快获得合格产品；教育还必须关心，完成活动之后，人的能力发生了什么变化。学习效率的提高，应当体现为更有效地形成自身能力，而不只是更快交出成果。

四、这些变化之下，教育需要怎样调整？

没有AI与使用AI时的两类互补能力证据

结合历史经验与上述机制，以下讨论教育面对的压力，以及值得探索的应对方式。

1. 课程需要重新划定基础，而不是宣布基础知识过时

“以后知识都能问 AI，所以只需要培养提问能力与批判性思维”，这样的说法把知识与思维错误地分开了。

美国国家科学院在《人是如何学习的 II》中指出，已有知识可以减轻注意负担、支持新知识学习；建立知识结构与运用知识进行推理，本来就是相互联系的过程。当然，已有知识也可能形成偏见，需要主动修正。[10]

如果缺乏领域知识，人很难稳定判断一个回答是否遗漏条件、混淆概念或引用失当。脱离了具体的知识基础，“善于提问”往往只是一句空泛的要求。

未来更合理的目标，是把三种能力结合起来：能够独立理解核心问题，能够借助工具扩大解决问题的范围，能够核验并承担使用结果的责任。

这不等于把所有旧训练都保留下来。“基础”本身需要重审：应保留支撑理解、迁移和判断的核心知识，减少只是因为过去工具有限而不得不进行的繁琐机械劳动。

面对儿童、初学者与成熟专业人士，工具的使用安排也应有所区别。教育需要保护必要的思考过程，但不能把所有困难都美化为“有益的磨炼”。

2. 考核会受到直接压力，但不必退回全面封闭考试

值得探索的方向，是在评价中结合两类能力证据：

一类是在适当受控、没有 AI 代答的条件下，确认学生掌握了哪些核心概念与基本技能；

另一类是在允许使用 AI 的真实任务中，评价学生如何提出问题、选择证据、验证结果并处理不确定性。

例如，一项研究型作业可以允许使用 AI，但要求学生说明关键判断的依据，并在简短答辩中解释：为什么采用这个方法？哪些建议被拒绝或修改了？换一个条件，结论是否仍然成立？

不同证据需要互相补充，考核也要兼顾公平与可及性。过程记录并非绝对可靠，把所有考核都变成口试或高压现场测试，也不是合适的做法。这也不意味着应当不断增加监控。未来有价值的考核，重心在于确认学生“究竟懂什么、能做什么”，而不只是检查文本归属。

3. 教师的任务组合会变化，但岗位数量不能只靠技术能力推算

“AI 能讲题，所以教师会被替代”和“教师有人情味，所以永远不会被替代”，都把复杂的制度机制简单化了。

一个值得注意的方向，是用 AI 帮助教师或辅导员，而不是直接绕过他们。Tutor CoPilot 的随机试验预印本涉及约 900 名辅导员和 1,800 名学生：辅导员获得 AI 实时建议后，学生达到知识点掌握标准的概率提高约 4 个百分点，原先评分较低的辅导员所带学生受益更明显。[11]

这提示，技术也可能扩大优质教学方法的覆盖面，而不只是替代教学劳动。

但节省下来的时间究竟用于个别辅导、课程设计和学生支持，还是用于增加班额、削减人员，并不是模型本身的能力能够决定的。教师职业会受到重新分工的压力，具体结果取决于教育系统如何使用效率收益。

我们也不必把教育的意义寄托在“机器永远不会拥有某项能力”的假设上。即使机器表现得越来越出色，社会仍然需要决定：由谁确定培养目标，由谁为学生的发展承担责任，由谁接受质询。

4. 学校、课堂与文凭更可能分化，而不是整齐地一起消失

如果知识讲解和个别反馈变得更容易获得，学校确实需要重新证明集体学习、实践活动、同伴交往和可信评价的价值。但这不等于每所学校都能成功转型，也不等于所有教育都应回到校园。

一种可以争取的组织方式，是让个别化练习与共同学习互相补充：学生在某些环节按照自己的节奏获得帮助，再在课堂、实验室和真实项目中进行讨论、协作与验证。

文凭的走向同样受到两股相反力量的拉扯。假如雇主可以更方便地直接验证能力，某些文凭的价值可能下降；但假如表面漂亮的作品越来越容易生成，可信、严格的能力认证也可能变得更重要。

因此，不能从“AI 能教很多知识”直接推出“大学文凭必然失去意义”。教学、选拔与认证是不同的社会功能，技术对它们的影响方向可能彼此相反。

5. 效率收益如何使用，教育质量如何验证

技术降低成本本身可以服务于改善教育，让更多人接触到优质资源；关键在于节省下来的资源用在哪里，以及教育质量是否经过了实际验证。

可以设想三种并存的路径：

路径	AI 的主要使用方式	可能出现的结果
改善教学	帮助教师识别困难、提供细致反馈，把节省的时间投入学生支持	更多人获得有针对性的高质量辅导
廉价替代	主要用自动化替代原有人员和服务，缺少质量验证	表面覆盖面扩大，但实际支持与反馈不足
强化应试	围绕既有选拔标准进行更密集、更精准的训练	学习效率可能提高，但竞争结构未必改变

教育质量需要根据实际的学习支持来判断，技术配置和人工比例都不足以单独说明质量。弱势学生同样需要有效的支持，不应被默认只能接受未经验证的低成本方案。

还有一个容易忽略的现实区别：把每个人都教得更好，与让每个人都进入数量有限的名校，是两个不同的问题。AI 可以帮助提高个体的绝对能力，却不能仅凭提高效率，消除由相对排名和稀缺机会带来的竞争。

因此，教育公平不仅涉及设备和账号，还涉及师资支持、时间条件、可信评价，以及平台对学生数据和判断过程的影响。UNESCO 的生成式 AI 教育指南也将隐私、年龄适宜性、人的自主性，以及教育与伦理有效性审查列为重要原则。[12]

五、历史经验的边界在哪里？哪些仍然有效，哪些不能再照搬？

面对 AI 的冲击，审视历史经验时，需要区分“历史结论”与“历史机制”。

**不能直接照搬的是具体结论。**过去新技术最终创造了新职业，不足以保证这次每一种被替代的能力都能顺利找到新位置；过去大学适应了印刷和互联网，不足以保证每类大学都能适应 AI；过去一些技术恐慌被夸大，也不足以证明今天的依赖风险不存在。社会总体获益，也不代表转型中的学生、教师和劳动者不需要承担真实成本。

**仍然有效的是对机制的追问。**技术降低了什么成本？把新的稀缺性推到了哪里？谁控制工具与标准？学校奖励什么行为？哪些群体能够把工具转化为能力？这些问题不会因为技术变得更强而自动失效。

对生成式 AI 的长期影响，仍需要长期追踪、跨情境实验和持续修正。历史类比可以帮助提出假设，不能替代关于当下技术的直接证据。

更深一层，假设未来 AI 在绝大多数认知任务上都明显超过人类——这应当被作为一种条件情景讨论，而不是既定事实——那么，把教育主要理解为“训练人去完成机器不擅长的工作”，确实会受到根本挑战。

然而，从“机器比人做得好”，并不能直接推出“人不再有学习的理由”。人学习，也可以是为了理解自己的处境、参与公共决策、欣赏和创造文化、与他人建立关系，而不只是为了在产出竞赛中胜过机器。这时需要重审的，是教育的目的及其资源分配，而不只是教学技术本身。

因此，AI 时代教育的变化，需要放在能力、评价与制度的重新组织中理解。

技术可以替人完成一项学习任务，但任务完成，并不自动等于这个人已经成长。

未来真正需要保护的，是每个人形成理解、判断、行动与共同生活能力的机会。历史仍能帮助我们看清这些条件，避免把技术的可能性误认成教育的必然命运。

资料来源：

[1] Phaedrus — Plato（Internet Classics Archive）

[2] Information technology and economic change: The impact of the printing press（CEPR）

[3] A Meta-Analysis of the Effects of Calculators on Students’ Achievement and Attitude Levels in Precollege Mathematics Classes

[4] The “Grammar” of Schooling: Why Has it Been so Hard to Change? — David Tyack、William Tobin，1994