AI通识课的十种偏差

上一篇讨论了人工智能通识课的独特价值，以及它为什么需要在课程体系中获得独立地位。这一篇讨论当前AI通识教育实践中的十种常见偏差。

需要首先说明的是，我们所有的讨论，都是从AI通识教育的角度出发给出的判断。这些判断并不是对这些实践活动的价值评价，而是为了澄清它们与AI通识教育在目标和方向上的错位。

一、工具化倾向

工具化是人工智能通识教育中最容易出现的偏差，即以AI工具使用为主要授课内容，比如如何与大模型对话，如何一键生成PPT、图像、视频、公文，如何用WorkBuddy做Vibe编程、如何搭建工作流，等等。

这样的课堂实操性强，学了就能用，有实实在在的效果，因此是很多人工智能课程的设计方案。

然而，这样的人工智能课程不能称为“人工智能通识课”。

工具使用当然值得教，它能帮助学生学习、表达和解决实际问题。然而，再熟练的工具使用，也不能形成对AI的系统理解和基础认知，更无法锻炼出认知自治能力。更糟糕的是，如果课堂只训练工具使用而不锻炼思维，学习者会被训练得更乐于无条件接受系统的回答。这不是在锻炼人的认知能力，而是在损害人的认知能力。

从操作层面，人工智能发展迅速，工具快速迭代，所学内容很快失效。学习者不理解工具背后的基础原理，只能被动接受各种升级，结果很可能是疲于奔命，浪费了大量时间和成本，越学越缺少信心。

人工智能通识教育给出的方案是：在课程里把工具背后的基本原理传递给学习者，并告诉学生如何查找、判断相关资源，快速学习新工具的使用方法。

这种以“系统学习原理”带动“自主学习工具使用”的模式背后是“授之以渔”的思路。

未来，随着工具的智能化水平越来越高，使用起来也会越来越便捷，并不需要刻意学习。这种以工具使用为主要内容的课程，不仅不能作为AI通识课，本身的存在价值也会越来越低。

二、技术化倾向

与工具化相对的另一类偏差，是过度技术化，比如把编程、算法、模型训练等人工智能专业课的核心内容进行简化后作为通识课进行普及。

AI知识和技术是帮助学习者理解 AI 系统内部机制的必要内容，学习 Python、分类器、神经网络、数据标注、模型调参，实践机器学习项目，本身具有合理性。

然而，单纯的技术学习并不能实现人工智能通识教育的目标。

学生可能会训练一个图像分类器，却没有理解训练数据如何反映社会偏差；可能会实现一个推荐算法，却没有理解推荐目标如何影响人的注意力；可能会知道神经网络由层和参数组成，却无法判断一个人工智能医疗建议是否需要医生复核；可能会写出代码，却不懂得在高风险场景中如何说明责任边界。技术知识是人工智能通识教育的重要基础，但技术知识不会自动生成社会判断和认知自治。

人工智能通识教育需要重新组织知识。数据、表示、学习、推理、模型和反馈等基本内容应当保留，并围绕理解智能机制、认识能力边界和形成自主判断展开。编程与模型训练可以成为培养方式，但其深度和要求应当服从通识教育的目标。

例如，同样学习一个分类模型，通识课可以通过改变样本和测试条件，让学生理解经验的来源与局限，并反思自己的判断是否也受到有限经验的影响。这样的课程转变涉及学习内容、任务和评价的重新设计，远比“把专业课讲简单一点”更为深入。

三、去知识化倾向

与技术化倾向相对的，是去知识化倾向。持有这种思路的人认为，通识教育重在培养思维和素养，不必深入学习人工智能知识。因此，课程主要讲人工智能发展史、科学家故事、前沿技术名词和应用案例、技术的社会影响，组织学生阅读材料、交流感想、讨论伦理问题，对人工智能本身的原理和方法则一带而过。

这样的课程容易理解，便于讨论，也降低了对教师专业知识和教学准备的要求。然而，如果缺少对AI知识的系统学习，就难以达成“认知自治”的教学目标。

原因很简单：认知自治需要以坚实的人工智能知识为基础。不理解模型判断的依据，就难以分析它的错误；不理解训练数据与应用环境的关系，就难以判断它的适用范围。缺少这些知识，所谓的独立判断很容易变成主观意见，所谓的批判性思维也容易变成盲目怀疑。

这里所说的知识，不是名词概念，而是对人工智能基础方法和底层逻辑的理解。有的课程虽然介绍了数据、算法、模型、神经网络等概念，但不解释概念之间的关系，也不分析系统运行的过程，学生仍然不理解人工智能为什么能够完成任务，又为什么会出错。这样的学习同样是不充分的。

因此，该深入学习的关键内容，就必须深入学习。数据和知识如何表示，规则和模型如何参与推理，机器如何从样本中学习，系统的能力与局限如何形成，这些构成理解人工智能的基础，不能以“通识”之名删除或浅化。

面向不同学段，课程可以调整数学要求、技术细节和任务难度，但必须保留关键的原理关系和必要的学习过程。通俗应当体现在讲解方式、案例选择和教学步骤上，不能以牺牲知识深度为代价。

总之，人工智能通识教育必须保持足够的知识深度，使学习者通过扎实的学科学习，逐步形成有依据的理解和判断。人工智能通识课不能上成以人工智能为话题的“历史课”“语文课”或“道法课”。

四、活动化倾向

人工智能教育在许多学校首先以科普讲座、科技节、夏令营和项目展示的形式出现。这种路径具有现实合理性。一门新课程走进校园时，常常先通过兴趣活动试点，积累教师经验和学生案例。然而，这些活动不是人工智能通识教育的正常形态。

首先，这些活动周期短，当时热闹，过后就忘，无法形成对AI的系统、全面的理解。

第二，这类活动往往只能覆盖少数学生，难以扩展成覆盖全体的通识教育。

第三，活动化还容易带来“成功样例偏差”，那些效果好的项目获得更多关注，那些真正磨炼思维的试错反而得不到重视。

人工智能通识教育需要的不是零散的活动，而是科学、完整的知识体系。有了这一体系，就可以设计相应的活动。这样的活动才具有生命力，也更容易产出成果。

五、竞赛化倾向

一些学校采用“以赛促学”的方式，选拔对人工智能感兴趣的学生，组建社团和竞赛团队，集中教师、设备和课外时间进行训练，再用比赛名次和获奖作品展示学校的人工智能教育成果。

竞赛能够激励学生深入学习，也有利于发现和培养优秀人才。奖项明确、作品直观，容易成为学校展示办学成果的依据，可以作为人工智能通识教育全面铺开的先导，也可以作为人工智能通识教育的补充动作。

然而，这种“以赛促学”的方式不能被等同于人工智能通识教育。

首先，竞赛方式只针对某些学生，大部分学生是旁观者。学校可以获得很多奖项，但和大多数学生没有关系。

第二，当前很多竞赛与编程、建模相关，与人工智能通识所追求的“培养认知自治能力”的核心使命没有关系。

第三，如果学校的经费、师资和课时都围绕竞赛团队安排，可能导致“奖项至上”的畸形政绩观，挤占通识教育的教育资源，以公共利益换取少数学生的成就。

我们主张的是，人工智能通识教育需要先保障全体学生的共同学习，再为有兴趣、有能力的学生提供社团、项目和竞赛等深入发展的机会。两类教育可以相互支持，但应当分别评价：竞赛成绩体现部分学生的探索水平，通识教育则要考查全体学生获得的基础知识和认知能力。

总之，一所学校首先需要保证每个学生都能获得应有的培养，不能用少数人的竞赛成绩代替多数人的通识教育。

六、前沿化与碎片化倾向

人工智能发展迅速，大模型、智能体、多模态、具身智能等新名词不断涌现。一些课程以“紧跟前沿”作为主要特色，介绍新概念、新成果、新应用。

前沿内容能够吸引学生，也能让课程与现实技术发展保持联系。对于人工智能这样快速发展的领域，长期不更新内容显然不合适。

然而，如果课程通篇都在追热点，那么基础知识就容易被忽视。学生听过很多模型和产品的名字，却没有理解数据、模型、训练和生成之间的关系。下一批新技术出现时，仍然需要从头听一遍介绍，难以依靠已有知识自主理解。这不仅无助于基础能力的养成，还会因为碎片化让学习者更加混乱。

前沿展示还容易带来过度解读，产生认知偏差。AI能写诗、作画、生成视频、控制机器人，这些结果很吸引人，但演示所依赖的数据、环境和限制往往不容易看见。缺少基础原理和失败分析，学生容易把对演示的惊叹当成对技术的理解，并高估系统在真实场景中的能力，反而带来认知偏差。

人工智能通识教育当然需要介绍前沿进展，但前提是有稳定的知识结构，使得前沿成果可归类、可分析、可理解。例如，介绍智能体时，可以把感知、任务、行动和反馈联系起来；介绍生成模型时，可以结合数据、学习和生成的基本机制。前沿内容由此成为学生运用知识、认识新现象的材料，而非走马观花看热闹。

同时，人工智能通识课也应不断更新知识结构。今天的前沿内容，过一段时间之后就可能成为基础技术。深度学习是如此，大模型也是如此。通过对技术发展脉络的分析总结，对知识体系进行持续整理优化，是人工智能通识教育的一项长期任务。

七、伦理附加化倾向

人工智能伦理已经进入多数AI 教育框架。隐私保护、算法偏见、公平、透明、深度伪造、版权、学术诚信和高风险应用等问题，经常出现在教材和课程中。

提示风险、讨论伦理问题是人工智能通识教育的应有之义。然而，很多课程只是在课程结尾处安排一节伦理与安全教育内容，并提醒学生负责任地使用人工智能。

这样的安排容易实施，也能够覆盖常见的伦理教育要求。学生知道人工智能存在风险，当然比毫无风险意识要好。

然而，了解到风险，并不等于能够处理风险；知道“保护隐私”，未必能判断数据采集时的合理做法；明白“模型可能有偏见”，未必能理解偏见来自哪里、如何改进。

更大的问题是，伦理提示可能传递出自相矛盾的认识：前面只展示人工智能的强大，后面提示人工智能的危险。学生既没有理解能力形成的原理，也没有理解风险产生的机制，容易在盲目信任和笼统畏惧之间左右摇摆。

人工智能通识教育应当把伦理和责任放进具体学习过程。这不是说要在学习过程中时时刻刻跳出伦理提醒，而是从基础原理上讨论伦理问题的成因与影响，并进行针对性的思想训练和动手实操。

例如，在介绍语音识别系统时，通过比较不同口音的数据量，分析样本量与识别率的关系；结合模型的可扩展性讨论对老人或儿童的性能偏差，并通过可信度判断这种偏差的影响。

这样，学生能够从原理上解释风险，并根据具体条件作出判断和选择，从而让伦理讨论有根有据，防止流于空谈。

八、评价浅层化倾向

人工智能通识教育的另一个突出问题，是与其目标相匹配的评价体系尚未形成。许多课程用概念测验、工具操作、项目作品、竞赛成绩和课堂展示评价学生。这些方式各有功能：概念测验能够检查基础知识，工具操作能够检查实践能力，项目作品能够展示综合应用，竞赛成绩能够体现部分学生的创造性。

然而，如果对应通识教育的目标，不足之处就立刻显现出来：这些方式无法评价学生能否解释 AI 输出为何可能错误，能否把一个判断框架迁移到新场景，能否识别证据不足和边界条件，能否反思自己对 AI 的依赖。

具体而言，评价浅层化有如下表现：

第一个表现是术语化。学生能够背出监督学习、训练集、神经网络、生成式人工智能、算法偏见等概念，却未必能用这些概念分析真实案例。术语记忆是学习的起点，却不能作为人工智能素养的终点。人工智能概念的教育价值在于帮助学生解释现象和作出判断，名词清单只能提供最初的知识线索。

第二个表现是作品化。学生完成一个 AI 项目后，评价往往集中在界面是否美观、功能是否可运行、展示是否流畅。作品质量容易掩盖学习过程。尤其在生成式 AI 环境中，工具辅助可以显著提高作品的完整度，仅凭作品很难判断学生本身的理解与收获。若评价只看结果，学生可能获得高分，却缺少问题定义、证据核验、错误分析和责任判断。

第三个表现是竞赛化。竞赛能够激励优秀学生，也能推动学校资源投入。但竞赛成绩不适合代表全体学生的通识发展。通识教育强调面向所有学习者的共同基础，评价应覆盖不同能力层次、不同学段和不同学习方式。若评价过度依赖竞赛，人工智能通识教育会向少数学生集中，公平性和普及性受到影响。

对于人工智能通识教育来说，评价应该围绕这门课程的根本目标，即认知自治能力是否真正形成。

红皮书将这一能力细分为归纳、泛化、判断和自醒。这为学习效果评价提供了可操作的维度。归纳考查学生能否总结规律，解释现象；泛化考查学生能否把所学用于新情境；判断考查学生能否权衡证据、风险和责任；自醒考查学生能否反思自己的判断过程。

这种评价既包括标化测试，也包括项目式任务。对于后者，评价应该侧重过程导向。学生需要说明作品诞生的背景与过程，明确人与AI的分工及参与比例，回答教师和其他同学的质疑。

这样的评价更耗时，也更要求教师的专业能力，但更符合人工智能通识教育的目标。若人工智能通识教育要发展学习者的认知自治能力，评价就不能只看结果，而要深入到思考过程之中。

九、以“赋能”代替“教育”倾向

一些学校将“人工智能赋能教育”作为“人工智能通识教育”来汇报，显示已经开展了人工智能相关工作。一些以“人工智能教育”为主题的会议、论坛，大量内容是“人工智能赋能教育”。

首先应该明确，人工智能教育（AI Education）和人工智能赋能教育（AI for Education）是完全不同的两件事。

人工智能教育是一种教学设计，教授人工智能知识，训练人工智能技能。人工智能通识教育是以“认知自治”为目标重塑之后的人工智能教育。

人工智能赋能教育是一种技术方向，用人工智能工具、系统提高教学质量和效率，包括课程准备、教学实施、学情收集、个性化辅导、学校管理等与教育组织和流程相关的方方面面。

对于教育来说，AI教育和AI赋能教育二者都很重要，但不能用赋能教育来代替教育本身，这是一种概念性错误。

同时，二者也并非没有关联。

从某种意义上说，AI教育，特别是AI通识教育，是AI赋能教育的基础。AI通识教育顺利开展，可以提高教师和学生群体的整体人工智能素养，包括对AI工具的使用能力。有了这个基础，师生在使用AI助教助学工具的时候才更加得心应手，才更有底气、更有方向感和掌控力，得到的效果才更明显。

反过来，使用AI工具助教助学，本身也是AI通识教育重要的实践环节。如何判断AI输出的可信度，如何对内容进行审查与取舍，如何合规合理地使用人工智能，符合伦理规范，都是在训练认知自治能力，都是对AI通识教育的印证和反哺。

十、教师训练表层化倾向

人工智能通识教育的质量很大程度上取决于教师，但当前很多教师培训流于表面化。大量教师培训以AI备课、生成课件、出题批改和办公提效为主要内容。这类培训确实满足教师工作中的某些实际需要，也能帮助教师熟悉新的技术环境。但这类培训并不能让教师获得完成AI通识课的底蕴和能力。

人工智能通识课首先需要教师掌握人工智能的基本原理、基本思维方式、基本知识框架，对AI应用、AI前沿有较为深入的认知。如果没有这些作为基础，是无法走上讲台的。

特别是当这门课的目标校准到“认知自治”以后，对教师的要求大幅提高。教师既要有对人工智能的透彻理解，还要有设计认知训练案例的能力，更要有组织探究性课堂的技巧。

因此，人工智能通识教育需要建设专门的教师培养体系。培训应当帮助教师建立基本概念和知识结构，学习设计能够训练分析、判断和反思的任务，学习相应的评价方法和评价手段。

结语

需要再次强调的是，前述各种做法，都具有其相应的价值，都是对人工智能教育的重要探索。

我们所讨论的，是从“AI通识教育（而非AI教育）”的视角来看，这些做法无法完成通识教育“培养认知自治能力”的时代使命，存在目标上的错位与偏差。

同时我们也强调，这些偏差并非“背离”；相反，大量工作已经为培养认知自治打下了坚实的基础。

对大多数前期实践而言，所需要的，只是一次校准和对齐：将培养目标明确定位到“培养认知自治能力”上来，解决智能社会里“人之为人”的根本问题。

唯其如此，才无愧通识教育的时代使命，也才有资格成为人人可学、人人应学的通识课程。