AI通识课与信息科技

人工智能通常依靠计算机实现，而信息科技课的主体正是计算机及相关知识。因此，一种常见主张是：人工智能可以视为信息科技的一部分，是“信息的复杂处理”。在课程实践上，人工智能内容也在进入信息科技课堂。

然而，由此认定人工智能通识课只是信息科技课的延伸，逻辑上并不能自洽；在信息科技课堂上加入部分人工智能模块，也不足以完成通识教育的时代使命。

需要限定的是，这里所说的“信息科技”，主要指中小学课程，而非作为专业学科的“信息科学”。

一、两门课程背后的学科基础和设立动机

讨论课程之间的关系，首先需要了解它们背后的学科基础和设立动机。

人工智能具有深厚的思想渊源。古代逻辑研究如何按照规则进行有效推理，近代数理逻辑进一步将推理转化为可以形式化处理的对象，现代计算理论则为这些过程的机械实现建立了基础。人的某些思维活动能否被明确描述、按照规则执行，成为连接这些探索的一条重要线索。

与此同时，概率与统计提供了从不完整信息和有限经验中形成判断的方法，神经科学和心理学则为理解学习、记忆与行为提供了启发。多种思想传统逐渐汇合，推动人工智能在20世纪中叶形成明确的研究领域。因此，现代人工智能学科只有数十年的历史，其思想来源却可以追溯到数千年前。

这段历史说明，人工智能有自己持续发展的基本问题：如何模拟人的智能行为。这背后涉及一系列关键问题：知识如何表示，推理如何执行，经验如何形成学习，已有规律如何适用于新的情境，系统如何感知环境并作出行动。

围绕这些问题，人工智能已经形成相对独立的科学体系。逻辑、概率统计和计算理论等提供基础，知识表示、搜索、推理、机器学习等构成方法，语言理解、视觉识别、规划与决策等形成具体研究方向。不同部分相互联系，共同支持智能行为如何被描述、实现和检验。

今天，AI的快速发展需要每个人了解AI，与AI共处，同时保持个人的认知自主性。这要求有一门知识体系完备、教育目标清晰的课程，让我们自己和下一代以自信的姿态进入智能社会。清华红皮书将这门课程定义为人工智能通识课，而它的目标，就是“培养认知自治能力”。

信息科技课程的形成，则是以计算机的普及为背景的。20世纪90年代，计算机开始大规模进入社会，学校需要帮助学生掌握相关知识和技能，开始了早期的信息科技课。网络和数字技术进一步普及以后，课程内容也不断扩展，从计算机基础、程序设计和软件使用，发展到数据处理、网络应用、数字化学习和信息社会责任。我国中小学信息技术课程的建设，正是在计算机教育逐步普及的基础上推进的。

2025年的新课标修订，更加突出科学原理、计算思维与实践应用的结合，即“科”与“技”并重，重视解释原理，强化知识体系，重视人工智能等前沿技术。

信息科技课程因而具有鲜明的时代任务：帮助学生理解信息如何表示、处理和传递，掌握数字技术的基本原理，并能够参与信息社会的学习与生活。

这门课程当然也有学科基础，包括计算机科学的逻辑、算法和计算理论以及信息论中的编码与传输理论。但中小学信息科技课程并不以计算机和信息论的理论体系为组织中心。其知识选择主要服务于学生理解和使用数字技术的需要，具有明确的应用导向。

从上述讨论中，可以看到这两门课程有各自的学科基础与设立动机。二者可能在“计算机使用”“信息处理”这些方面有相近与相通之处，但人工智能是一门独立学科，不能视为信息科技的拓展或衍生。

二、信息科技为什么会纳入人工智能

在既有课程体系中，信息科技与人工智能存在知识相关性，因此成为承接人工智能教育的重要课程。

首先是知识上的接近。当前人工智能系统主要依靠计算机运行，其实现涉及数据、算法、程序和网络。信息科技课程已经教授其中的一部分基础知识，学生由此进入人工智能学习，具有较好的衔接条件。

其次是课程自身的发展需要。过去用于检索、编辑、计算和交流的数字工具，正在增加识别、预测、推荐和生成等能力。学生接触到的信息环境也在发生变化。信息科技课程需要解释这些新现象，帮助学生理解数字技术的发展。

从计算机应用和信息处理的角度看，人工智能进入信息科技课程，具有自然的延续性。原有课程从常规信息处理扩展到更加复杂的智能处理，从软件操作扩展到对模型和系统的初步理解，能够使教学内容与现实生活保持联系。

此外，信息科技教师、计算机教室、编程环境和实验平台，也为人工智能教学提供了现成的支持。对于刚刚开始人工智能教育的学校，这些条件尤其重要。

因此，信息科技课程纳入人工智能，既有知识基础，也有课程更新和教学实施方面的合理性。这种合理性是显而易见的。

然而，课程上的承接关系，不能被倒推为学科上的来源关系。人工智能进入信息科技课堂，并不意味着人工智能是信息科技的衍生，更不意味着信息科技能完整实现人工智能通识教育的培养目标。

三、包含人工智能内容，为什么仍不等于完成人工智能通识教育

既然信息科技课程中已经有人工智能，为什么还需要讨论人工智能通识课的独立建设？

首先，包含部分知识，与建立完整的学习体系之间存在明显区别。

一门课程通常依据自身的目标选择内容。信息科技课可以通过图像识别介绍数据处理，通过智能推荐讨论网络应用，通过生成式人工智能讲解数字工具。这些内容有助于理解信息科技，也能够提供人工智能的初步知识。

但如果人工智能内容始终围绕其他教学主题分散出现，学生就可能知道若干应用，却难以建立对人工智能的系统理解。数据如何影响学习，学习如何形成模型，模型如何产生推断，推断如何进入现实行动，这些关系需要被连续地讲授和分析。

其次，人工智能通识教育具有明确的认知培养目标。

前面的解读已经说明，人工智能通识课以认知自治为主要教育目标。学习者既要理解人工智能，也要能够判断自己在什么条件下可以依赖它，哪些结果需要核查，哪些决定应当由自己作出，并对相应行动承担责任。

这一目标需要人工智能知识作为基础，也需要通过原型化训练持续培养。课程的内容选择、活动安排和学习评价，都应当围绕这一目标组织。信息科技课程中的相关知识和活动具有相关成分，但这些成分的存在，并不意味着完整的培养过程已经形成。

最后，还存在实际的课时与进阶问题。

信息科技课原本就承担数据、算法、网络、数字应用等教学任务。如果课程结构和课时总量基本不变，新增加的人工智能内容就必须与既有内容共享有限时间。少量单元能够完成初步介绍，却很难同时承担系统知识学习、原型分析和持续的认知训练。

四、信息科技能够提供哪些学习基础

明确课程边界以后，两者之间的衔接反而更容易安排。

人工智能通识课没有必要把所有计算机相关知识重新讲授一遍。信息科技课程已经建立的计算机知识、计算思维和基础实践能力，可以成为人工智能通识课的学习起点。

计算机与数字系统知识，能够帮助学生理解人工智能系统的运行环境。知道程序如何执行、数据如何存储、网络如何连接，有助于理解一个智能应用由哪些部分组成，以及模型如何与其他系统协同工作。

算法与计算思维，能够帮助学生把现实问题转化为可以处理的任务。问题分解、对象表示、步骤设计、结果测试等训练，为进一步理解人工智能方法提供了基础。例如，学习路径规划之前，学生如果已经能够用图表示地点和道路，就更容易理解搜索算法所处理的对象。

数据处理和基础实验能力，也可以直接支持人工智能学习。整理样本、读取数据、记录结果、比较不同条件下的表现，都是分析智能系统时需要使用的能力。

这些基础值得借用，但借用不意味着依赖。

人工智能通识课仍然需要根据自己的教学任务做出选择：哪些知识可以直接使用，哪些需要重新解释，哪些应当补充。例如，学生知道如何建立一张数据表，并不意味着已经理解这张表中的样本是否具有代表性；能够运行一个程序，也不意味着已经理解模型在新情境中为什么会失效。

同时，信息科技可以提供基础，但不是前趋课程；人工智能通识课也不可能等信息科技把基础知识教完了再开始。对人工智能通识课而言，在信息科技课上已经掌握的内容可以减少重复，尚未掌握而又确有必要的内容应当补齐，节省下来的时间则用于人工智能的关键知识学习与原型化训练。

五、过渡阶段：共享教学资源

人工智能通识课具有独立的教育任务，并不意味着所有学校都能立即配置专门师资、增加课时和建立新的教研体系。现实中的课程建设，需要有合理的过渡安排。

首先，信息科技已有的教学资源，可以在这个过程中发挥重要作用。具备相应基础的教师可以承担人工智能通识教学，机房、实验平台和部分教学材料可以共用，两门课程也可以协同安排基础知识的教学。

第二，如果暂时采用信息科技课内模块、联合教学或跨课程协同的形式，应当注意取舍。尤其需要避免一种情况：原有课程任务没有减少，新增任务也没有相应课时，最终只要求教师“适当融入人工智能”。这样的安排看似灵活，对于教师来讲无所适从，只能停留在个别案例和短期活动上。

第三，在课程设计上，要始终明确“认知自治”的培养目标。只有守住了这一目标，才能说是向人工智能通识的“过渡”，否则只是信息科技中的人工智能单元而已。

第四，教师培养同样需要专门安排。熟悉计算机和程序设计，为教授人工智能提供了有利基础，但人工智能的知识体系、认知自治的培养方式和相应评价方法，仍然需要系统学习。

六、面向未来建设独立的课程

从长远看，人工智能通识教育应当按照独立基础课程的要求进行建设。它所需要的内容体系、学习进阶、教学方法和教师支持，都应当逐步形成。

首先，需要稳定而开放的知识结构。

人工智能发展迅速，具体工具和技术会持续更新。课程需要围绕智能行为的表示、学习、推理和行动等基本问题组织知识，使学生能够在已有理解的基础上认识新成果。同时，课程也需要根据学科发展调整内容，让逐渐成熟的新知识进入基础教学。

其次，需要贯通不同学段的学习进阶。

如果每个学段都从体验聊天、生成图片开始，学生即使上过多次人工智能课，也可能始终停留在相近的理解水平。独立的课程设计应当明确不同阶段的学习任务，使基本概念逐步深化，使原型分析逐步复杂，使认知自治的训练持续发展。

再次，需要与教育目标相适应的评价。

课程评价应当既检查必要的人工智能知识，也观察学生能否解释系统行为、分析错误、识别适用边界，以及反思自己的判断。红皮书提出的归纳、泛化、判断和自醒四种能力，可以为这种评价提供方向。基础知识与认知能力应当在具体任务中接受检验。

最后，需要持续的师资与教研支持。

一门课程要稳定发展，不能长期依赖少数教师的个人兴趣。教师需要能够持续学习学科知识，共同研究教学原型，比较学生的理解困难，并改进培养方式。信息科技教师可以成为重要的建设力量，也可以与人工智能及其他领域的教师共同参与。

结语

信息科技为学生理解和参与数字社会提供重要基础，人工智能通识课承担的是智能社会里认知培养的使命。两门课程有各自的明确责任，也存在知识共通性。

对人工智能通识教育来说，利用这种共通性，可以减少重复建设，支持更多学校快速开始人工智能通识课教学。同时，要始终保持人工智能通识课自身的知识结构和培养目标，以完成“培养认知自治能力”的初心和使命。