去年冬天，新英格兰地区连日严寒，彻底浇灭了我户外锻炼的热情。于是，我在车库里架起了骑行台。搭配上专业的训练应用，它能自动调节踩踏阻力，模拟真实地形：无论丘陵，还是平路，甚至山脉，它都能完美复现。
我的首次训练以功率递增测试（Ramp test）开始：从低阻力档位起步，每60秒自动提升一级强度，直至你无法维持当前节奏为止。我咬牙坚持了22分钟，结束时头晕目眩、汗如雨下，心率已达每分钟166次——这已是我这个年纪的体能红线。
这个力竭点被用于测算""功能阈值功率""（functional threshold power，FTP）——即在持续的一小时内你的双腿能够输出的最高平均功率值。部分骑行应用会基于FTP为你量身定制训练方案：如果你偷懒一周，系统会自动降低负荷；如果你进步迅速，则会推送更高强度课程。此时的FTP不再是一个静态分数，而化身为动态调整的基准线。
对我而言，训练成果振奋人心。当我在春天重返户外骑行时，体能已接近巅峰状态。但比身体蜕变更让我震撼的，是这套系统的设计理念。它能够精准识别我的初始能力，并实时调整，然后灵活调整助我持续突破。如今，搭载人工智能的训练平台正在分析全球数百万运动员的健身数据，借此生成日益高效个性化的训练方案。更精妙的是，这些平台在持续学习，每位新用户都在为其注入新的数据，使得反馈闭环随时间推移愈发强大。
后来，在为曼哈顿新学院的媒体研究研讨课起草教学大纲时，我不禁思考：如果教育也能这样运作会怎样？如果教学不再死守既定的课程表，而是从学习者的能力基线出发，构建一条动态的、个性化的进阶路径会发生什么呢？
教育危机
美国亟需创新的教育模式。2024年，俗称""国家成绩单""的美国国家教育进展评估（National Assessment of Educational Progress，NAEP）证实了教育部长Linda McMahon口中“毁灭性的趋势”：美国K-12教育阶段学生的各项测试成绩均跌至""历史最低点""[1][2]。本月公布的分数显示，近半数高中毕业生的数学水平未达基础标准，约三分之一的阅读能力不达标。平均阅读成绩更是创下了有记录以来的新低。
新冠疫情期间的封锁，彻底戳破了“教育体系具备弹性”的假象。当课堂被骤然搬上屏幕，僵化的教学模式只是被机械地照搬到数字界面，这导致大批学生难以适应、丧失学习动力，其负面影响持续至今[3]。在如此严峻的背景下，另一股力量正蓄势待发，誓将重塑教育的未来，无论结果是福是祸：那就是人工智能。
如今，人工智能正以复杂且快速的方式，融入教与学的各个环节。学生们使用ChatGPT等工具撰写论文、解方程以及制作学习指南。有时是为了深化理解，但更多时候是为了省去甚至规避学习所需付出的努力。根据《高等教育内情》杂志（Inside Higher Ed）在2025年8月的调查，85%的学生承认在过去一年中使用生成式AI辅助课业[4]。在我自己的课堂上，由于AI的使用界限难以确定且变动不居，对AI滥用的怀疑让评分工作变得复杂重重，影响了师生的信任关系。
与此同时，教师们也开始利用AI加速或自动化那些耗时的任务，例如起草教案、生成练习题，这使他们能腾出精力专注于更有价值的教学辅导与个性化支持[5][6]。但AI工具也可能化作""塞壬的歌声""，诱使教育者用算法捷径替代那些需要人力投入的细致工作，比如洞察学生需求、引导学习路径以及启迪思维的火花[7]。
社交媒体为我们提供了一个前车之鉴：平台空间充斥着由AI生成的网红，它们程式化地对着同样由AI生成的粉丝喊话，形成一种自我强化的闭环，真实性却在此间彻底消弭[8]。教育的危险在于重蹈覆辙——效率取代""在场""，教学的人性维度终将被碾为平地。
人工智能与教育的融合已不再停留在理论层面，而是进入了实质性的推进阶段。今年四月，特朗普总统签署行政命令，推动人工智能进入美国课堂；谷歌、亚马逊、微软和OpenAI等科技巨头也已承诺支持这项计划[9][10]。
当前的问题不在于AI是否会影响学习，而在于它将如何影响，以及""最终服务于何种目的""。若任其盲目发展，或完全由逐利的科技公司所主导，AI教育工具非但无法解决现存问题，反而可能加剧教育不公，使其承诺解决的难题固化为顽疾[11]。
然而，若能精心设计，它们便能帮助我们超越僵化的课程体系，转向能灵敏响应个体学习者需求的自适应系统。是任由AI教育工具无序演化，还是在将教育者、学生与机构置于核心的基础上对其进行审慎的塑造。这是我们面临的抉择，它将决定AI教育工具是加深我们的教育危机，还是为更灵活的教育模式奠定基石。
自适应阈值学习
我所使用的这类自行车训练应用程序，为重塑教育提供了有益的范式。其“适应学习者的能力阈值并引导学习者持续向上发展”的核心原则，可成为""自适应阈值学习""（adaptive threshold learning。ATL）的基础。这种由人工智能驱动的系统，能够精准识别每位学生当前的能力边界，并设计个性化的学习经历来持续拓展这些边界。
ATL系统首先会精准定位学习者当前的能力水平。通过PC端、移动应用或VR头显（如果VR技术真能兑现其潜力的话）进行的诊断测试。测试将从简单题目开始，逐步提升难度，直至系统定位到学习者的能力临界点，即回答流畅度出现卡顿、回忆速度放缓或错误开始显现的那个节点。系统可通过设备的内置麦克风、触摸屏、摄像头或动作传感器，采集声音、语音、文本、手势或其组合等多种形式的数据。
从基线出发，ATL将生成个性化的教学方案，旨在以最高效率提升学习者的能力阈值。该系统会根据学习表现持续调整策略，精准追踪学习者的反应模式、自我修正时机及失误节点。随着时间的推移，系统将逐步识别出个体的学习规律。
试想一下用ATL系统学习语言的情景：你开启一场目标语言的对话测试，系统不仅会核查词汇准确性，更会分析语速、发音和语境的细微差别。如果你总是用错时态但发音清晰，系统将动态调整教学重点至语法训练；如果你在回答前犹豫不决，它会放慢节奏，用更简单的语言重述提示；如果你能轻松应对基础对话，它会迅速进阶到抽象话题或复合问题，以挑战理解力与流利度。
应用程序将不再拘泥于固定的课程表，而是动态构建属于你的学习路径。随着语言能力的提升，你的学习画像会愈发精准。进步的衡量标准不再是完成了多少章节，而是可量化的技能提升与行为信号来评估，包括你的反应有多快、表达有多自信，以及应对日益复杂任务时适应得有多灵活。
虽然多邻国、可汗学院和IXL等平台已融入部分自适应元素，但它们主要是在预设的课程框架内调整教学节奏。例如，多邻国的Birdbrain算法会根据用户表现个性化地调整题目难度，但学习者依然需要按固定顺序完成语言单元的学习。
相比之下，ATL将重构学习的底层逻辑与系统架构。它并非仅仅调整固定教学序列的进度，而是持续评估学生在多个维度的状态，包括反应速度、自信程度和情境理解能力，以此动态设定下一个学习环节。这种机制将形成一张实时演进的非线性学习地图，根据学生的独特进展和需求，持续重组专属的学习路径。
所有学习者，无论其背景或年龄，都将有机会拥有一位全天候、跨学科的智能导师。它既能洞悉个体的学习模式并动态调整策略，又不同于那些仅为了美化产品而存在的AI辅导工具[12]。该系统不仅能实现教学自动化，更能基于行为数据作出响应，评估成长轨迹，并提供静态课程永远无法企及的个性化反馈。
随着时间推移，该系统将逐步理解学习发生的机制，并实现持续自我优化。通过精心设计、充足的数据与算力支持，它或可演变为支撑全民发展的教育基础设施：一个分布式的、由人工智能驱动的超级计算网络，能够自适应每个学习者的优势领域、薄弱环节与进步节奏，为跨地域、跨学科、全生命周期的教育提供支持。
课堂中的ATL体系
在美国学校中推行ATL体系，无疑是一场艰巨甚至激进的变革。然而，为了扭转当前教育持续下滑的趋势，我们必须采取果断的干预。如果学校仍满足于修修补补或采取半吊子措施，必将在那股正在重塑乃至侵蚀学生学习方式的技术洪流面前，节节败退。面对如此严峻的形势，我们需要充分利用人工智能技术实现大规模个性化教学的深度改革。
部分企业已在私立教育领域展开AI教学实践。美国的""微型学校""网络Alpha School就是个体化AI学习中心的典型代表：学生们在上午通过AI驱动型应用程序完成两小时的核心课程的学习，下午则参与研讨会和项目制活动，以此培养现实世界所需的实践技能[13]。
若将ATL体系引入规模更大、更传统的公立学校，它并不会取代课堂教学，但将彻底重塑课堂内的教学形态。每个学生都沿着为其量身定制的路径成长：数学课上，学生不再被塞进固定的代数课程，而是领取根据其推理速度动态生成的学习任务；历史课上，学生可以超越教科书，探索原始文献、伦理辩论或对立叙事，按照自己的节奏深化探究；音乐课上，学生则能持续练习音阶、视唱练耳与乐理，直至在节拍精准度、音准控制和即兴反应等维度达到流畅的境界。
这种教学模式并非适用于所有学科。它天然更契合那些进步维度可被客观量化的学科，如数学、科学、工程、语言和音乐，而在以模糊性与多元视角为核心的诠释性与创造性学科，则难以施展。
然而，恰恰因为这种模式能加速学生掌握可被量化的技能，它反而可能成为一种解放性的力量。如果学生能更快掌握代数或化学技能，他们便将拥有更多时间和自由，去探索那些抗拒标准化的教育领域，比如文学、艺术、哲学以及需要深度反思的社会科学。
在ATL模式下，教师依然不可或缺，但他们的角色不再局限于黑板前的讲授者，而是转化为教学教练：解读系统数据、帮助学生分析学习卡点及其根源、组织需要合作或辩论的小组活动。例如，教师可以将三名在微积分单元受阻的学生召集起来开个小型研讨工作坊，而其他学生则继续完成自主进阶任务。这种模式下，教学的重点将从单纯的知识传递转向成长路径的精心规划——不仅是帮助学生学会知识，更是引导他们掌握学习的方法。
再精密的算法，也无法替代人类教师在激发灵感、构建情境和给予慰藉上的作用。教师将成为系统洞察的解读者、有意义挑战的设计者，更是帮助学生将进步转化为意义感的引路人。他们还将承担为这些系统奠定价值基石的重任，确保其能够涵盖新兴领域、呼应文化细节、并应对伦理复杂性。
接纳ATL体系，意味着我们必须对时间、能力掌握和学习进度进行根本性的认知革新。现行教育模式将时间设为固定量，而将学习成果视为变化量：所有人花费相同学期学习生物学，却只有部分人真正掌握精髓。ATL将彻底颠覆这一逻辑——能力精熟成为恒常目标，时间投入转为弹性变量。可能有学生两天内领悟概念，另一人需花费一周，但二者都将达成目标，因为系统会主动适配每个学习者，而非让人去将就系统。
这一转变将引发诸多具有挑战性的问题：学生是否仍按年龄分班，或是转向按实际能力划分的""能力分层""教学？至少，ATL将终结“钟形曲线”（正态分布）的统治地位——该理论假设所有学生在相同时间内接受相同教学，并应通过静态标准来评判。在自适应系统中，学习内容与目标都将个性化，我们将看到多样化的成长路径，而非统一化的成绩分布。
评分体系也需随之变革。现行的字母等级和班级排名，将学习简化为相对的分数，这些分数往往反映的是学生的特权背景而非真实能力。一份更简洁的掌握程度报告，仅标注“通过”或“进行中”（类似如今的“未修满”），再辅以详尽的个性化反馈，将兼具合理性与公平性。在学习时间是弹性的教学模式中，进步应以学习者自身的成长轨迹为衡量标准：表现为更敏锐的记忆力、更缜密的推理能力、更流畅的表达水平。成长不再意味着超越他人，而是不断突破自我的边界。
这样的系统将重新定义""卓越""的内涵。部分学生可能在数周甚至数日内就能精通某个学科，而无需受限于固定时长的学期课程。摆脱这些束缚后，他们能攀得更高、更快，既可在选定领域登峰造极，亦可横向涉猎，博采众长。
与此同时，那资质平平的学生也能按自身节奏掌握实现抱负所需的关键学科，毕业时足以胜任他们向往的职业或使命。从模式识别能力到语言流畅度，通过追踪学生横跨多个维度的能力发展，ATL系统能够揭示那些被掩盖的优势，帮助他们找到能自然绽放才华的发展方向。如此一来，教育不仅更高效，更具个性化，它将成为自我发现的探索之旅。
过度优化的风险
尽管ATL的前景可期，但它所带来的隐患同样不容忽视。若我们真心希望构建更优的教育体系，就必须严肃对待这些风险。
首先值得警惕的是过度适配的危险：当教学被过度精准地迎合学习者当前能力时，反而可能窄化而非拓展其认知疆域。正如社交媒体的算法过滤会限制我们接触新思想的广度，善意的ATL系统也可能使学生回避不确定性、求索时有益的挣扎以及边缘的案例材料。它可能重速度而轻深度，求舒适而避挑战，最终将好奇心碾压成循规蹈矩。个性化若走向极端，实则是在鼓励学生待在舒适区，回避需要激发智力的任务。但真正的成长，往往始于舒适区的尽头。
其次，数据依赖及其背后的监管机制代价高昂。那些能追踪微反应延迟、声调变化、面部表情和认知阈值的系统，将为每位学习者生成一幅异常详尽的""数字肖像""。这幅肖像或许在教学场景中有其价值，但其私密性本身亦可能构成潜在威胁。这些数据归谁所有？如何采集、存储、保护甚至商业化？又有哪些保障措施能防止其被用于对学生进行归类、贴标签，乃至限制他们未来的发展路径？
在此，伦理设计不容妥协。教育系统必须保持透明、包容且可追责，尤其要对被评估者负责。否则，ATL系统恐将沦为控制工具而非成长平台，通过隐形算法对学生进行分类，将无限的潜能压缩为冰冷的概率。
其三，ATL系统可能在不经意间放大既有的不平等。那些依赖丰富数据画像的系统，在面对拥有高速网络、最新设备和成人支持的学生时，表现必然更佳。这些学生能更有效地""训练""系统、获得更快的个性化响应，从而加速进步，如滚雪球般积累优势。除非在设计之初就刻意植入公平性，否则个性化教学恐将沦为阶级分化的帮凶：为优势群体提供深度定制，对其他人则流于形式。
最后，我们还面临文化层面的风险。在热衷优化的过程中，我们可能遗忘教育的本质。学习不仅是技能阶梯的攀爬，更是关于游戏精神、自由探索、意外发现与自我蜕变的旅程。即便引入ATL系统，也绝不能将学习异化为通关关卡。算法可以自适应，但教育必须永远保留让人怦然心动的意外与惊喜。
这些风险要求ATL系统的构建者与推行者必须对可能的后果怀有审慎的关切。然而，尽管ATL系统存在上述风险，眼下固步自封的威胁或许更为严峻：美国学生成绩的惨淡趋势已清晰表明，现行教育模式难以满足学生需求。ATL将成为一个大胆的新方向：既需正视其风险，更应把握其重塑教育的革命性潜力。
历史的启示
在我担任新学院客座教授期间，常深思这所机构的创校使命。1919年，一批进步知识分子，包括历史学家Charles A.Beard、""新史学""先驱James Harvey Robinson和经济学家Thorstein Veblen，从哥伦比亚大学辞职，创立了最初名为""社会研究新学院""的独立机构。他们对僵化学术正统的反抗精神，深受实用主义哲学家约翰·杜威（John Dewey）思想的滋养。杜威的教育哲学强调成长重于顺从，重视学习者在建构意义过程中的能动性。
杜威曾将学校构想为充满活力的成长实验室，而非流水线式生产的工厂。他反对标准化的机械记忆，倡导教学环境应适应个体的需求与具体情境。""学校必须再现真实的生活，""他写道，""这种生活对于儿童而言，应与他在家庭、邻里或游乐场中经历的生活一样真实而鲜活。""
时隔一个多世纪后，人工智能教学平台或许能真正实现杜威的愿景。这些系统并非要将学生群体塞入预设轨道，而是能够从每位学习者当前的能力起点出发，持续向上拓展。
早在重返学术界担任教师之前，我曾在弗吉尼亚大学跨学科研究生项目中，师从哲学家理查德·罗蒂（Richard Rorty），他是杜威思想的传人，也是二十世纪末实用主义思想的传道者，为后现代重构了美国实用主义。对他而言，教育的真谛不在于揭示永恒的形式或真理，而在于拓宽我们的语言与想象的能力：扩展我们所能言说、理解与成为的边界。
如今，在跟学生和AI技术初创公司的接触中，我意识到ATL系统有望成为连接两个世界的桥梁，将罗蒂与杜威所倡导的教育理念，转化为可实际运行的系统。对于他们这样的思想家而言，教育的承诺从来不是被动吸收信息，而在于拓展个体诠释世界的能力：使我们能以更清晰的表达力和更丰富的想象力去言说与行动。
在这种视角下，学习显然不是线性的过程。它是递归循环的、实验性的，有时甚至是令人不适的。自适应系统或许能为这一过程搭建脚手架，但唯有人类才能为之赋予意义。
新的前行之路
我的骑行训练应用从不评判我（尽管有些训练简直像是恶毒的单车之神降下的苦修）。它不在意我比别人快还是慢，它只是精准定位我当下的极限，并构建助我前行的动态路径。它不提供排名，只给予能力基线与进阶之路。
教育同样可以建立在这种架构之上。
一个多世纪前，杜威曾警示：""一盎司经验重于一吨理论，只因任何理论唯有在经验中才能获得鲜活且可验证的意义。""对他而言，学习不是为生活做准备，学习本身就是生命的存在方式。它必须是能动的，由学习者与世界的互动所塑造。
罗蒂将杜威的思想火炬传递至当代，他对“真理是既定存在，只待发现”这一观念提出了挑战。在他看来，真理应被视作一种工具，一种我们通过创造与修正，以便更好地探索世界、重新构想自我可能性的工具。
罗蒂曾写道：""教育的根本目标，是帮助学生认识到他们可以通过习得新词汇、通过学会用不同方式言说，来重塑自我和思维。""对他而言，教育不在于固守确定性，而在于开启可能性与自由，在于不断拓展我们所能言说、理解与实践的边界。
这正是功率递增测试赋予我的启示：它给予我的并非一个分数，而是一条新的前行路径。这也正是自适应AI学习程序能够赋予每位学生的，—套能够倾听学生现有能力，并据此构建成长路径的响应式系统。
课程（curriculum）一词源于拉丁语""currere""，意为""要奔跑的赛道""。而ATL系统将用动态导航图取代固定赛道，为每位学习者提供通往目的地的专属路线，助其抵达属于自己的彼岸。
原文链接：
https://www.noemamag.com/reimagining-school-in-the-age-of-ai/"