贵州这所学校的AI教育实验：上午课堂学习 下午项目实战

周一下午，在城市机器人企业PIX Moving的智能工厂里，贵阳海嘉学校“AI未来学部”五年级学生正开展实践活动：他们手持任务卡在无人驾驶小巴中穿梭，向工程师了解车辆参数、成本等关键信息，探究“无人驾驶汽车能否取代现有校车”这一真实课题。

新学期伊始，以四、五年级和初一年级为试点的AI未来学部，正践行“使命驱动、真实挑战、意义建构”的育人新模式——上午开展AI深度融合的学科教学，每节课1小时；下午则走进企业与社区，在真实项目场景中实现高阶学习。

当“人工智能+教育”亟需走向全要素融合、全过程贯通、全场景覆盖，这所学校的AI未来学部究竟如何构建，又怎样运作？

传统45分钟课堂，教师通常需大量时间用于讲解、示范和重复练习。引入AI学伴后，学生可直接与AI对话、自主探究、即时检测。60分钟的“AI+课堂”，表面上只是时间表的调整，背后则是教育逻辑的根本重塑。

以七年级数学教师张元涛的一节课“两个数的和的平方公式”为例，学生的核心任务围绕四项递进式探究活动展开。

代数推导——记录并理解 (a+b)²公式的代数推导过程，完成展开式。

几何验证——借助几何图形，直观验证公式的正确性，回答“为什么”。

自适应测验——完成针对性的课堂练习，即时检验理解程度。

知识迁移——自行推导 (a−b)² 的展开结果，并完成几何验证。

课前，AI已通过学生的历史互动与预习数据，绘制出个性化的“认知地图”。学生开始第一项任务时，AI并不会直接给出答案或步骤，而是根据其掌握程度基于“最近发展区”进行引导。

例如，若学生对核心概念模糊，AI会从最直观的地方启发——

我们先从一个具体的算式开始：如果把（m+3）²视为两个相同的括号相乘，也就是（m+3)(m+3)，你能试着把它展开并计算结果吗？

当学生输入错误，AI学伴会鼓励并纠正：

很有意思的尝试，不过，当我们展开（m+3)(m+3)时，需要用第一个括号里的m分别去乘第二个括号里的m和3，你会得到哪两项呢？

通过层层递进的“搭梯子”式提问，AI学伴将推导过程分解为学生垫垫脚就能够到的小台阶。

为什么(a+b)²不等于a²+b²？多出的2ab从何而来？第二项任务“几何验证”便是要回答这个问题。

AI学伴为学生提供了三种截然不同的学习情境：足球、拼豆、游戏。学生可依据兴趣偏好，选择最吸引自己的入口。对于每种场景，AI都会提供相匹配的定制化课件和动态视频讲解。

比如，选择“足球”的学生会看到一个被分成四块的球场：中间边长为a的正方形（核心中场），角落边长为b的小正方形（角旗区），以及两个完全一样的长方形（边路），每个面积a×b。学生可借助几何画板功能，拖动图形，直观验证公式。

这样的设计，是为了实现多重学习价值的叠加——

情境代入：将抽象的数学概念与学生感兴趣的现实或虚拟场景绑定，降低认知门槛，激发内在动机。

多模态学习：结合视觉、听觉（视频讲解）和动觉（拖拽操作），适应不同学习风格的学生。

概念具身化：公式变得可触摸、可理解。

“课堂测验”环节，不再是全班学生做同一张卷子，而是一场动态、自适应的个人能力诊断。测验内容覆盖从基础计算、简便运算到多项式展开、公式的顺用与逆用。

AI学伴会根据学生在前面两个任务中的表现，如推导的流畅度、提问的质量、操作的准确性，实时生成并动态调整每一道后续题目的难度。

在这个阶段，教师的角色也发生了根本性的转变：作为课堂的观察者、协调者和高阶思维的激发者，他更多的时间会花在观察学生与AI的互动，洞察每个人的思考路径和在关键时刻追问，将学生的思考引向更深层次，以及基于数据进行精准干预。

课后，一份份个性化的学习报告会自动生成，发送给家长、教师和学生本人，形成家校共育的闭环。

AI学伴的搭建与设计，其核心在一套深度融合教育现场、技术工程与课程设计的系统方法中。

教育科技产品开发最常见的困境，莫过于工程师在办公室里想象出来的“完美功能”，到了真实课堂中却水土不服。贵阳海嘉学校的做法是：让工程师成为教育现场的亲历者。

课程研发部拥有一支由产品经理、前端工程师、后端工程师组成的5人技术团队。他们每周的核心工作之一，是像教师一样备课、授课，承担实际的教学任务。

一位产品经理田嘉玉分享了初上讲台的挫败感：按照大学授课模式，试图用严谨、抽象的逻辑讲清楚一个知识点，结果发现学生完全跟不上。“我必须不停地为他们搭梯子，把一个大台阶拆成无数个小碎步，再喂给他们无数个具体的例子，他们才能一步一步爬上来。”

另一位产品经理谭金浩发现，他越来越像学生的“朋友”——一个能够带来真实世界反馈和元认知视角的伙伴。这种身份转变，使得在设计AI学伴时，会天然地倾向于打造“引导者”与“对话者”，而非“答案生成器”。

这种真实体感，直接转化为产品设计中的核心功能：AI学伴必须具备动态拆解问题、多层搭建脚手架的能力，真正成为学生的“学习伙伴”。

懂学生的AI，必须首先“懂知识”，有对学科知识内在结构、发展脉络和认知规律的深刻把握，这背后是一套人机协同的知识工程体系。

谭金浩介绍，首先，工程师团队利用AI技术，对国家课程标准和教学大纲进行深度拆解。AI会将每个学科的知识点梳理成一个网状、可视化的知识图谱。然后，与学科教师协同，将知识点和素养目标拆解成真实可执行的任务。后者会逐一审查AI生成的任务序列、提问逻辑和互动环节，确保其教学逻辑严谨、学科语言准确、认知路径科学。

AI构建的图谱和素材，是未经雕琢的“粗胚”。学科教师的专业介入，是将其打磨成“精品”的关键。这是一个教师主导、AI辅助的协同过程。

一个真正“懂”学生的AI学伴，除了传递知识，更重要的职责是激发学习动机、培育学习能力。这意味着它的设计起点要从学习体验出发。

工程师团队会研究大量AI学习案例，寻找能够提升学习沉浸感和主动性的“玩法”。比如发现“闪卡”有效，就纳入课程。用闪卡、动画还是交互游戏？和学科老师一起定。验证有效的工具，就用Agent或Skill固化，下次直接调用；效果不佳就换。检测标准很简单：看学生的内驱力有没有提升。

AI进入课堂也带来信息素养的挑战。一开始，学生普遍面临两个问题：一是不会提问，工程师便从零搭建符合不同年龄段的语言体系：低年级用填空式句式，高年级用开放性问题引导；二是缺乏信息筛选能力，容易在AI的情绪化话术里迷失——于是得教他们分辨：AI要告诉我什么？我认同吗？不认同的话，提什么新问题？

当AI大幅降低知识获取成本，“为何而学”成为教育必须直面的第一性原理问题，而答案，就在学生与真实世界的深度互动之中。这正是“AI未来学部”引入MBL（Mission-Based Learning，使命驱动学习）的根本动因。

“PBL是你给一个任务，MBL是学生自己找到使命——学生源于生活观察或兴趣自发生成课题，建立长期探究动力。”贵阳海嘉副校长、AI未来学部执行主任张雯雯说。

以文章开头的“无人驾驶小巴是否可以代替现有校车”为例——

通过与PIX Moving的场景共建，学生们得以走进这家前沿科技企业的智能工厂。对PIX而言，这种合作旨在通过中小学阶段就与学生建立真实的项目连接，探索未来产业人才的早期发现与长期培养机制。面对真实的无人驾驶小巴，学生们产生了一个问题：“智能驾驶小巴，能不能替代校车？”于是在MBL学习中，学生们完成了探究闭环：实地考察RoboBus的车辆结构、传感器布局、内部空间设计；亲身体验自动驾驶巴士的启动、行驶、避障、泊车全过程；了解车辆行驶速度、安全距离、响应时间等关键参数。

最终，学生围绕核心问题展开公开辩论。有的学生基于安全数据和效率分析，论证无人驾驶小巴替代校车的可行性；有的抓住技术不成熟、极端天气适应性、法律法规空白等提出质疑；也有的提出分阶段、分场景的过渡方案。

在张雯雯看来，MBL颠倒了传统学习中“知识”与“任务”的时序关系。

传统路径：

系统学习知识点 → 掌握知识体系 → 期末完成综合项目 → 将知识“用出去”

MBL路径：

遭遇真实挑战性任务 → 在探究中发现知识缺口 → 产生强烈的学习动机 → 主动获取知识 → 解决问题

“我们必须克制提前教学的冲动，让孩子在解决问题的过程中自己发现‘我需要这个知识’，然后再提供支持。”当学习源于真实的需求缺口时，内驱力便会自然生长。

任务在前，知识在后；使命驱动，学习自生，这种任务驱动会自然生长出新的课题。比如在讨论中有学生追问：“如果无人驾驶替代了司机，司机叔叔是不是就失业了？”

在这一探究过程中，AI学伴扮演了一个恰到好处的“研究助手”：

研究启动阶段，学生面对开放性问题不知从何入手时，AI可生成多种研究方案框架，帮助学生结构化自己的思考。

信息获取阶段，学生遇到具体数据需求（如“自动驾驶事故率统计”“校车安全标准对比”）时，AI提供高效的信息检索与整理支持。

边界意识培养方面，AI的支持始终伴随着对批判性思维和证据意识的提醒——教师会引导学生追问：AI提供的信息