谢作如：青少年AI教育为何需要走向“通识化”

2026年8月8日，由中国教育技术协会学术委员会主办、智能学习与评价江苏省产业技术工程化中心（江苏师范大学）承办的数字教育大讲堂第29期如期举行。本场活动特邀温州科技高中AI科创中心主任谢作如担任主讲嘉宾，报告题目为"青少年人工智能教育何以通识"。

以下为谢作如老师报告内容的整理稿：

一、厘清"通识"：从工具应用迈向本质认知

人工智能已迅速渗透至教育、工作和日常生活的各个领域，青少年人工智能教育的重要意义也日益获得广泛认同，但在"教什么、如何教、教到什么深度"等根本性问题上仍分歧明显。部分观点将人工智能看作信息科技的延伸，认为开展信息科技教学就等同于开展人工智能教育；另有观点认为人工智能学习门槛高，中小学生难以真正掌握，只需学会大模型对话、文本生成、图像生成等基本应用即可。这些不同认识的背后，其实是对"人工智能通识"内涵与边界缺乏清晰把握。然而，会用人工智能仅仅是一个起点，真正理解人工智能才是通识教育的核心目标。

所谓通识，并非要求所有学习者接受专业化、工程化的人工智能训练，而是帮助普通人建立起理解人工智能世界所必需的基础知识、基础方法与基础判断力。人工智能技术仍在快速演进，具体的工具和产品持续更迭，基础教育更需要把握相对稳定的内核内容，在实践中重新回应人工智能"何以成为通识"。

（一）"会用"并不等同于具备人工智能通识

当下，人与大模型对话、借助大模型撰写文章、制作演示文稿、生成图片和视频的门槛已大幅降低。许多未经过系统人工智能学习的人，也能通过简单摸索熟练操作相关工具。这意味着，部分人工智能产品正逐渐演变为可经由日常使用自然习得的生活工具。若学校人工智能教育仍将这些具体操作作为教学核心，就容易重新滑入"软件操作培训"的窠臼。

学校教育的价值不应仅仅体现为帮助学生掌握那些在现实生活中"自然就能学会"的操作技能，更应聚焦于具有迁移价值的知识、方法与思维。具体产品会迭代，交互界面会变迁，今天需要专门学习的操作，未来或许只需一句自然语言便可完成。因此，人工智能通识教育真正需要回应的，是"学生能否理解人工智能为何能够解决问题，以及能否借助人工智能形成新的解决方案"。

即便同属"使用人工智能"，也存在不同的层级。第一层是运用已有人工智能工具解决问题，比如借助大模型完成问答、写作与内容生成；第二层是利用已有模型、代码或智能体创造出新的人工智能工具；第三层则是依托数据、算法与算力训练全新的人工智能模型。三个层级虽均属人工智能应用范畴，但在认知深度、创造程度和问题解决能力上存在显著差别。人工智能教育应引导学生从单纯的技术使用者逐步迈向技术创造者，而不能长期停留在对现成工具的简单消费层面。

（二）理解人工智能，关键在于把握"智能从何而来"

人工智能通识至少需要回答两个根本问题：人工智能是什么，以及人工智能如何解决问题。进一步而言，还需理解智能如何形成，数据、算法与算力为何构成人工智能演进的重要基石，模型参数有何含义，模型怎样完成训练与推理，Token与Embedding为何重要，大模型与智能体之间存在何种关联，多模态模型如何在文本、图像、声音等不同信息间搭建桥梁。

提出这些内容并非要求每个学生都成为人工智能专业人才，而是帮助其搭建理解人工智能的基础概念框架。若仅知道人工智能能做什么，却不了解其能力大致从何而来，便难以形成稳定的技术判断。面对大模型偶尔出现的幻觉，可能轻易断定"人工智能没有用"；面对模型表现出的强大能力，也可能走向无条件信赖。唯有理解其底层运行机制，才能在使用人工智能时保持必要的审慎判断。

理解人工智能还需首先理清人工智能与计算机之间的关系。计算机与人工智能联系紧密，但不能简单画等号。计算机产生的核心动因，是借助机器突破人工计算能力的局限，其长期核心围绕计算与信息处理展开；人工智能关注的则是如何利用机器模拟、获取与应用智能。二者共享计算机这一重要技术基础，但问题意识与发展路径并不一致。因此，会编程并不意味着已经理解人工智能，学习信息科技也不能自然等同于完成了人工智能教育。

从问题解决的视角看，传统计算与新一代人工智能体现出两种截然不同的基本范式。传统计算通常由人预先制定规则，再由机器按照规则执行；机器学习则让机器从数据中自行发现规律，并将规律固化为模型。前者强调"人制定规则"，后者突出"机器从数据中学习规律"。这一差异构成了理解新一代人工智能的关键入口。

（三）从数字化迈向计算化与向量化

传统信息技术已经较为成熟地解决了现实世界如何转化为数字信息的问题。文字可以被编码，声音、图片和视频也可以实现数字化，但完成数字化并不意味着机器已经"理解"了这些信息。普通的字符编码虽能将文字转换为数字，却无法直接呈现词语之间的语义关联。

Embedding进一步将文字、图像等对象表示为富含特征意义的向量，使不同信息之间的距离、关系和相似性得以被计算。文本间的语义关联、图像与文字之间的跨模态匹配，以及RAG等人工智能应用，都与向量表征紧密相关。由此，人工智能在传统数字化基础上进一步实现了对信息特征的表达与计算。

模型中的"参数"同样可以用较为直观的方式来理解。神经网络训练的整个过程，本质上就是在特定网络结构中不断调整大量参数，使模型逐步建立起输入与输出之间的映射关系。参数依照特定结构组织并参与后续计算，由此构成了模型能力的重要基石。

人工智能通识因此可以从"万物皆可数字化"进一步延展至"万物皆可计算、万物皆可向量化"。信息科技更多解决的是物理世界如何转化为数字世界的问题，人工智能则进一步探究数字信息如何凝聚为特征、进入模型并催生智能。教师自身也需要构筑相应的人工智能通识底线，对模型训练、神经网络、特征提取与多模态关联等基本机制形成必要认知，才能带领学生跨越具体工具操作的局限，进入人工智能的内在逻辑。

（四）明确人工智能教育的知识边界

人工智能教育与编程教育、创客教育、机器人教育、STEAM教育、项目式学习之间存在广泛联系，但不能彼此替代。创客教育着重通过制作形成作品，编程教育着重利用程序语言表达规则并解决问题，机器人教育通常以机器人作为学习和实践的载体，STEAM教育关注跨学科整合，而人工智能教育需要回应一个更具自身特征的问题：智能如何获得，以及如何利用智能解决问题。

如果一门所谓的人工智能课程始终未涉及机器学习、模型训练、模型推理和模型应用，而只是将原有的编程、机器人或创客活动简单贴上"人工智能"的标签，就难以真正体现新一代人工智能教育的核心特征。

人工智能通识并不意味着无限堆叠专业知识，而是要抓住区别于其他技术领域的核心命题。学生需要理解数据、算法、算力与模型之间的基本关系，知晓机器如何从数据中学习规律，并进一步理解人工智能如何融入真实问题的解决。只有形成这样的认知框架，才能在具体工具不断更迭的情况下保持相对稳定的理解能力。

二、落地"通识"：以教材与工具化解实施障碍

在明确人工智能通识"教什么"之后，更为现实的问题是如何真正走进课堂。人工智能教育的常态化实施至少涵盖三个方面：一是"人"，即由谁来教，需要专任教师、相关学科教师以及必要的专业力量；二是"物"，即用什么来教，需要教材、人工智能学习工具、应用工具和学习平台；三是"政策"，即如何形成稳定的课程设置、实施机制和保障体系。

在一线教育实践中，教材建设和工具开发是两个能够持续发力的重要维度。2019年以来的实践逐渐形成了"教材—工具—教材—工具"的迭代路径：在编写教材过程中发现现有工具难以支撑相关学习活动，进而开发和改进工具；工具能力提升之后，又反过来拓宽教材能够设计的问题与活动。教材与工具由此形成了相互支撑、同步迭代的关系。

（一）化解实施障碍，而非降低学习目标

人工智能教育常被误解为必须依赖大量昂贵硬件。一些学校一提到人工智能，首先联想到的便是机器人、无人机和专用设备。实际上，这些硬件更多是人工智能与科技教育、创客教育融合后的具体载体，并非开展人工智能通识教育的必备条件。

人工智能学习所需的许多基础实验，完全可以依托普通计算机、浏览器和云端算力完成。条件较好的学校可以进一步通过机器人、智能小车等设备拓展应用场景；没有相应设备，也不妨碍学生学习模型训练、模型推理和人工智能问题解决。真正需要降低的是课程的实施门槛，而不是人工智能教育的知识含量和学习目标。

问题解决的难度在很大程度上取决于工具。同样一枚钉子，徒手拔出十分困难，借助合适工具即可显著降低难度。人工智能学习也是如此。许多教师和学生将模型训练视为"高不可攀"，并非完全因为模型训练本身难以理解，而是传统工具往往要求学习者首先掌握大量程序设计知识。

优秀的教育工具应剥离与学习目标无关的工程复杂度，使学生将更多注意力聚焦于问题、数据、模型与结果之间的关系。模型训练既可以通过几行代码完成，也可以借助可视化平台实现，但操作简化不能削弱学习过程本身的真实性。

XEdu及相关工具正是在这一思路下逐步发展而成的。数据处理、机器学习、深度学习、模型推理与模型应用被拆分为相对独立又彼此衔接的模块，学生既可以调用已有模型，也可以训练自己的模型，并将模型进一步用于真实任务。人工智能学习由此可以回归一个更清晰的过程：明确问题—准备数据—选择模型—训练模型—评价模型—应用模型。真正需要掌握的，不是复杂代码本身，而是这一完整的问题解决逻辑。

（二）搭建分学段螺旋进阶的课程体系

人工智能教材需要尽可能呈现其基本全貌，使学生逐步理解人工智能从何而来、如何运转以及可能走向何方。因此，课程不能只围绕当前流行的生成式人工智能，还应适当涵盖人工智能发展史、机器学习、深度学习、大模型、智能体乃至科学智能等内容。

但人工智能课程不能完全照搬数学、科学等成熟学科严格线性递进的知识体系。人工智能教育是在较短时间内进入基础教育的，若建立完全非冗余的知识结构，就意味着当前已处于初中、高中的学生可能因未接受小学阶段的前置学习而无法进入课程。与此同时，人工智能技术迭代极快，一个小学阶段学生七八年后升入高中时，今天预设的具体技术内容很可能已经发生明显变化。

因此，当前阶段需要容忍一定程度的知识冗余。小学、初中和高中分别形成相对完整的学习循环，在不同学段再次接触机器学习、生成式人工智能、智能体等核心内容，但理解深度、任务复杂度和问题解决要求不断提高，由此形成分学段相对完整、总体螺旋上升的课程结构。

这也意味着不能机械地将"小学—初中—高中"理解为彼此割裂的"体验—理解—应用"。小学阶段需要突出体验，但体验不能止步于看一看、玩一玩。学生完全可以从真实使用和实际操作入手，在活动中逐步建构理解。不同学段的差异，应主要体现在理解深度和任务复杂程度上，而不是人为限定某一年龄阶段只能体验、不能应用。

（三）以"体验—实践—实验"组织真实学习

人工智能课程不能长期停留在概念讲授和案例展示层面。教师即便能够把"机器学习""神经网络"等概念解释清楚，也不意味着学生已经理解了人工智能如何解决问题。

具体课程可以围绕"体验"与"实践或实验"两个基本活动来组织。体验帮助学生建立直观认识，实践和实验则使学生形成可观察、可验证的学习成果。活动设计坚持趣味性、低门槛、低代码或无代码、跨学科和问题导向等原则，尽可能使学生在真实任务中接触人工智能。

实验既可以在本地运行，也可以通过浏览器或云端环境完成，以缩小不同学校设备条件造成的差距。更重要的是，学生参与的应是真实的人工智能活动，而非模拟性的"AI体验"。通过平台训练得到的模型应能够真实导出、部署和应用，使学生切实建立数据、模型与问题解决之间的联系。

（四）面向不同群体强化"学以致用"

人工智能通识不仅需要适应不同学段，也需要适应不同类型的学习者。围绕不同地区的课程安排，教材可以采用相对独立开设或与信息科技适度融合等不同形式，但无论课程载体如何变化，核心始终是帮助学生认识人工智能、理解人工智能并利用人工智能解决问题。

职业教育更需要强化人工智能学习的实用价值。人工智能不应只是计算机专业学生的学习内容。旅游、财会、电商、设计、制造等职业领域均在快速受到人工智能影响，人工智能正逐渐成为跨专业的通用能力。

中职人工智能课程可以采用项目式、活页式组织，将"走进人工智能的世界""职业场景中的人工智能应用""人工智能发展与职业挑战"等内容贯通起来。从数据到模型、生成式人工智能、智能体，再到不同职业场景中的真实任务，始终围绕"学习以后能够解决什么问题"展开。

职业教育也不应因学生当前所学专业而过早限定其未来发展。人工智能正在降低许多职业活动的技术门槛，一些过去难以进入的工作正在涌现新的实现方式。人工智能教育不仅是帮助学生适应既有岗位，也应帮助其理解新的职业可能，拓展未来发展空间。

三、实践反思：以"学用结合"深化人工智能教育

教材、工具和平台能够降低人工智能教育的实施门槛，但真正进入课堂之后，仍需进一步回答模型训练是否有必要、人工智能与信息科技如何处理关系、教师培训如何开展以及怎样避免机械操作等问题。这些问题最终都指向同一个基本原则——学用结合。

（一）模型训练仍具有不可替代的教育价值

大模型快速发展之后，有观点认为，普通学生已没有必要训练模型，直接调用成熟模型即可。模型训练的教育价值却并不在于培养专业算法工程师，而在于帮助学生理解人工智能能力如何形成。

只有亲身经历数据收集、数据标注、模型训练和结果评价，学生才能更直观地理解模型能力与数据之间的关系，也更容易进一步认识数据偏差为何可能影响模型输出。对基础模型、本土数据以及自主人工智能技术重要性的理解，同样需要建立在"模型能力从何而来"的基本认识之上。

普通学生需要适当经历模型训练，并不意味着必须首先掌握复杂的数学推导。训练模型与完整理解底层算法原理之间并不存在严格的先后关系。许多技术都可以先使用、再逐步理解，人工智能教育也需要根据不同学习者确定适宜的理解深度。

对于普通学生，与其过早进入复杂的算法公式，不如适当增加与当前人工智能应用联系更为直接的知识，如向量、Embedding和相似度等。RAG、图文检索、多模态匹配以及AI for Science中的众多应用，都与向量表征紧密相关。人工智能的发展也由此对既有数学与信息科技课程提出了新的内容调整需求。

（二）人工智能与信息科技不能简单等同

人工智能与信息科技具有天然联系，也可以在课程层面进行融合，但首先需要明确二者各自的知识边界。

若融合之后，人工智能课程重新退回一般数字工具操作、图像处理或传统程序设计，而机器学习、模型训练、模型应用等内容被逐渐弱化，就容易形成"有人工智能之名、无人工智能之实"的问题。教师面对自身不熟悉的人工智能内容，也可能重新选择最熟悉的信息科技知识进行教学。

"人工智能向左，信息科技向右"所体现的正是二者在问题解决逻辑上的差异。传统信息科技更多依赖规则设定与程序执行，新一代人工智能则突出数据驱动与模型学习。二者可以交叉，但不能在概念上简单混同。

人工智能与信息科技最终采取分科还是融合实施，可以根据现实课程条件进行选择，但无论采取何种组织形式，都需要确保体现人工智能核心特征的内容不被消解。

（三）教师培训同样需要"学用结合"

人工智能教育最终需要通过教师进入课堂。教师培训若长期停留在理念介绍、政策解读和案例展示层面，很难真正形成课堂实践能力。

有效的培训需要让教师亲自解决问题。通过工作坊开展人工智能编程、智能体设计、模型应用和工具开发，使教师真正经历从"使用工具"走向"创造工具"的过程，才能更准确地理解人工智能能够改变什么，以及如何将其融入自己的学科教学。

生成式人工智能正在显著降低技术创造的门槛。没有程序设计基础的教师，也可以借助大模型生成网页，再利用相关工具实现数据存储、分析与交互功能。其目的并非将教师培养成程序员，而是使其具备利用人工智能创造教育工具、解决真实教育问题的能力。

如果人工智能逐渐成为类似电和互联网的基础性技术，教师自身首先需要成为人工智能的真实使用者和问题解决者，才能进一步成为学生学习人工智能的引导者。

（四）从"完成操作"转向"解决真实问题"

可视化平台使模型训练变得越来越简单，但操作越简单，越需要重新判断学生是否真正理解了人工智能。按照预设流程依次点击按钮，最终生成一个模型，并不能证明学生已经理解了模型训练。

真正具有学习价值的活动，应让学生围绕一个具体问题自主收集数据、整理数据、训练模型、评价结果，并将模型重新用于解决最初提出的问题。问题需要学生分析，数据需要学生选择，模型结果也需要学生解释。即便操作界面十分简单，学习者仍然经历了人工智能问题解决的完整过程。

因此，某一内容是否有必要进入人工智能通识课程，可以回到一个基本标准：学完之后能否帮助学生解决新的问题。若某项学习只能完成固定操作，却无法形成理解、迁移和应用，就需要重新审视其教育价值。

四、面向未来：把握人工智能教育的稳定内核

人工智能教育面临的突出挑战之一，是技术更新速度远快于传统教材和课程的更新周期。某一阶段广泛使用的智能体平台可能仍依赖拖拽式工作流，数月之后，自然语言便能够直接完成相同任务。若教材大量呈现具体平台、操作界面和步骤，内容很容易随着工具更新迅速失效。因此，课程不能围绕"掌握某一个平台"展开，而应进一步提高内容的抽象层级，从具体技术操作转向问题解决。平台和工具可以持续变化，但问题分析、数据准备、模型选择、方案实施与效果评价等基本过程具有更强的稳定性。教材主体应更多承载相对稳定的基本概念、技术原理和问题解决方法，将变化较快的平台操作与应用案例纳入数字资源持续更新，在课程稳定性与技术迭代之间形成动态平衡。

人工智能持续演进也意味着，今天形成的通识体系不可能一劳永逸。教育者既需要保持对新技术的敏锐，也应避免简单追逐每一种短期流行工具，更重要的是形成热爱学习、快速学习和持续学习的能力。机器曾拓展人的体力边界，计算机和互联网不断提升信息处理与连接能力，人工智能正在进一步拓展人的认知与创造能力。人工智能教育的意义在于帮助青少年理解一种将长期影响学习、工作和社会生活的基础性技术，学会拥抱人工智能、理解人工智能、驾驭人工智能，并在技术赋能中保持独立判断与主动创造。教师也需要在持续学习和实践中不断更新自身认知，成为连接当下教育与智能时代未来的"摆渡人"。