写在教师节的思考:AI 能否取代教师
AI 能够替代多少教学工作,值得认真思考。让 AI 承担能够可靠完成的任务,把教师的时间还给真实问题、人的成长与教育创造,是这个时代值得争取的机会。 [English]
教师节很适合表达感谢,也适合重新思考教师的工作。如果 AI 能把知识讲得清楚,能够随时答疑、安排练习、提供反馈,我们当然要问:学生还需要老师做什么?但还有一个同样重要的问题:那些 AI 已经能够可靠承担的工作,为什么必须继续让老师去做?若技术让教师有机会从大量重复劳动中走出来,我们应该认真把握这个机会。
我愿意把 AI 发展的价值理解为解放人:让人拥有更多时间、更强能力和更大的选择空间,去做真正值得投入的事情。在教育中,这意味着把可以可靠交给 AI 的环节交出去,让教师更有条件研究问题、理解学生、组织实践,也让教师本人有时间学习和恢复精力。评价这场变化,应当同时看学生是否获得了更好的教育,以及教师是否获得了开展好教育的空间。
因此,“取代教师”需要分开讨论。一次讲解能否自动完成,一个岗位能否调整,一个学校能否重新分配职责,以及教育是否还需要人类参与,属于不同层次。AI 承接一些任务,可能改变甚至减少某些岗位,也可能使长期缺少时间和资源的教育工作终于得到开展。教育首先应当回应学生的成长需要;具体的职责和组织方式,可以随能力与条件的变化而调整。
在知识传递和练习支持上,可反复解释、按学习进度调整材料、提供及时反馈,原本就是好教学的重要组成部分。AI 若能以更低成本把这些支持提供给更多学生,就具有真实的教育价值。优秀教师花费大量精力做好的工作,同样可以被技术承接。教师不必靠重复执行已经可以交出去的环节来证明勤勉,而可以把精力投向那些过去想做、却一直没有条件做的事情。
已有研究使我们无法简单地把 AI 看成较差的教师替身。Kestin 等人发表于 2025 年的一项大学物理教学随机试验,在所研究的两次课程中发现,经过教学设计的 AI 辅导带来了更高的短期学习增益,所需时间也更少。这支持特定教学任务可以由 AI 有效承担,却不能直接推出 AI 能替代完整课程或长期教育关系。研究原文
另一项高中数学研究提供了必要的补充:Bastani 等人发现,缺少学习保护设计的 AI 使用可以改善练习表现,却损害撤去工具后的独立表现;以提示支持学习的设计缓解了这种负面影响。这里需要检验的是学习者最终获得了什么能力,不能只看当时交出了什么答案。研究原文
两项结果并不矛盾。不同设计、不同学习者和不同任务,可以产生不同后果。它们提示我们,讨论 AI 能否取代教师,应当比较具体的教育安排,而不能比较一个抽象的“人类教师”与一个抽象的“AI”。更不能用一次即时测验的结果,替代对迁移能力、长期保持、学习意愿和独立判断的考察。
这其中有一个容易被忽略的区别。工作中的专家借助 AI 完成任务,可能节省精力而仍然保有判断能力;正在学习的人跳过同一段过程,却可能连这种判断能力都尚未形成。生产系统关心成果怎样更高效地产生,教育还必须关心,学习者经历什么,才能逐渐成为有能力产生和判断成果的人。两种目标有联系,却不能直接互换。
独立能力也不意味着要求学生离开工具,徒手完成所有工作。合理的目标是,学生借助 AI 时仍理解自己要做什么,能够检验关键结果,在工具失效、意见冲突或条件改变时知道怎样继续。教育既要培养必要的基础能力,也要培养有判断地使用工具的能力,不能把禁止使用工具本身当作学习已经发生的证据。
设想三位学生都提交了一份运行正确的程序。一位能解释设计并修复新错误,一位理解局部却不了解整体,另一位主要复制了生成结果。作品相似,下一步教育却应当不同。教师需要通过解释、修改、迁移任务和持续观察,判断学生正处于哪里,并安排合适的挑战。当然,这些诊断和安排也可以由 AI 辅助,甚至在某些条件下由 AI 做得更好。因此,连“了解学生”也不能被草率宣布为人类独占的能力。
若要把问题追问到底,就应该考虑最强的替代情形:假如未来的 AI 能可靠识别误解,记住长期学习过程,提供恰当的鼓励,组织合作,连接真实项目,还能证明它促进了学生独立成长,人类教师是否仍然必然存在?在这些条件都得到满足的任务上,我看不到仅凭“它是机器”就否定替代的充分理由。我们不能先把所有重要能力划入“育人”,再用“AI 不会育人”保护原来的结论。
情感同样需要具体分析。人类教师可能真诚关心学生,也可能疲惫、偏见深重或缺乏耐心;AI 的回应可能只是生成的表达,却仍可能让学生感到被倾听。若只比较某种支持的效果,人类身份本身不能保证优势。与此同时,有些学生珍惜的,是另一个真实的人愿意为自己付出时间、记住共同经历并履行承诺。这种关系具有自身的意义,不能只用答疑速度衡量。是否以及怎样保留它,是教育价值的选择,不能伪装成关于机器能力的永久定理。
“AI 不能承担责任”也不是对所有岗位都有效的终结性答案。教育中的责任可以由学校、系统提供者和具体负责人安排承担;即使需要人类负责,也不意味着每节课都需要一位人类教师完成全部环节。真正需要追问的是,学生遇到错误评价、被忽略或受到不当对待时,谁能听取申诉、改变决定并实际补救。一个只保留签字人、却没有纠错能力的制度,并没有因为有人类在场就变得负责。
由此可见,一些常见的“不可替代性”论据,实际上说的是目前系统尚不可靠、现场条件难以处理,或者我们希望保留某种人际关系。它们都可能构成保留人类参与的重要理由,却属于不同性质的理由。暂时的能力差距可能缩小,现场工作的成本可能变化,社会也可以讨论自己愿意保留什么。把条件说清楚,比宣布“永远不可能”更有力量。
不同教育场景也不会得到同一个答案。能够自主设定目标的成年人学习一项边界明确的技能,与年幼学生在集体生活中学习合作,面对的任务很不一样。实验现场的安全、持续失去学习动力的学生、存在价值分歧的共同决策,也不能只用一次问答来代表。替代会发生在具体环节和具体条件中。把一种场景中的进展推广为所有教师的命运,或者用最复杂的场景保护所有现有岗位,都不够严谨。
因此,教师应该把更多精力放到教育场景中 AI 目前不能可靠独立完成、仍需要真实的人参与的事情上。这里既包括能力尚有不足的任务,也包括需要有人作出承诺、协调现实关系、共同决定教育目标的工作。我们需要把这些事情说具体,并允许其边界随技术发展而变化。守住一个会不断缩小的“机器不会做”的清单,容易使人陷入被动;主动发现尚未被满足的教育需要,才会打开新的工作空间。
这就涉及一个必须认真对待的 gap:教师的能力与 AI 的能力之间,究竟应该扩大什么差距?若把它理解为比 AI 记住更多知识、生成更多材料、在所有问题上回答更快,教师很可能投入巨大的努力,却选错了发展方向。更值得扩大的是,教师发挥专业判断并合理使用 AI 后,相对于学生主要依靠 AI 所能获得的教育,究竟增加了多少有意义的成长。让 AI 承担适合它的工作,与扩大教师的教育贡献可以相互促进:省下的时间和增加的能力,正好可以支持更深入的教育。
为便于讨论,可以把这份增益写成一个简化的关系:教师的教育增益=教师参与的教育效果-缺少该教师直接参与、但可充分使用 AI 的教育效果。 两边应面对相近的学生、目标、时间和资源。右边也应当是设计良好的可行替代方案,而不能故意选一个未经调试的聊天窗口。基础的教材、制度和安全保障仍然存在,比较的是这位教师的直接贡献。
这一比较也有明确的取舍:教师参与的一侧可以合理使用 AI,因此衡量的是教师在现实工作中的贡献,不是脱离工具的人脑与模型之间的纯能力差。教育效果也不是一个天然统一的分数,需要结合独立完成、知识迁移、持续投入和合作判断等结果来观察。图中把它简化为一条纵轴,是为了说明成长方向。
如果教师的教学方式和判断能力长期停留在原处,而 AI 提供的支持不断改进,原有优势就可能缩小,甚至转为劣势。另一条可以争取的路径,是借助 AI 腾出时间、扩展能力,再把这些条件用于设计更有效的学习经历,使学生获得更多靠单独使用工具难以获得的成长。图中扩大的 gap 表示这种努力的目标。教师有机会随着技术一起发展,不必把全部精力消耗在与技术争夺同一项重复任务上。
这里还有一个反直觉的地方:优秀教师的方法一旦被整理、传播并融入 AI,就可能抬高整个社会的教学基线,从而缩小自己的相对优势。这未必是教育的失败,甚至可能是成功。我们不能要求教师为了保持 gap 而保留知识、制造依赖,或阻碍工具变好。扩大教育增益应当通过创造新的价值实现;当某项已有贡献能够普遍获得时,教师也应愿意继续寻找更值得承担的工作。
因此,“必须让 gap 永远增大”更适合作为自我更新的提醒,不能被当作每个岗位都能持续存在的保证。若某个教学环节已经没有必要保留人工执行,就应当允许重组。反过来,有些教师为处境困难的学生提供了微小却重要的支持,其价值也不能因为没有画出一条陡峭上升的曲线而被否定。是否值得保留,还要看收益对谁重要、成本是否合理,以及替代后有没有人被遗漏。
具体到一位教师可以做什么,我愿意提出几个值得尝试的方向。它们不要求教师在所有能力上战胜 AI,而要求教师把工具提供的条件,转化为学生能够亲身经历的成长。
第一个方向,是帮助学生发现值得投入的问题。AI 可以提供许多选题和方案,教师可以带学生走进实际场景,辨认谁遇到了困难、原来的解释遗漏了什么,以及一个问题为什么值得解决。比如改进一项校园服务,先与不同使用者交谈,再决定技术方案。一个没有被写进提示词的需要,可能要经过倾听和现场观察才会显现。教师由此把知识与真实生活连接起来,也让学生练习为问题的选择负责。
第二个方向,是设计学生需要亲自经历的学习。AI 可以减少查找材料、重复说明等负担,却不应替学生经历形成判断所必需的过程。教师可以安排学生先提出解释,再比较 AI 给出的不同方案;也可以要求学生复现一次失败,修改一个新约束下的设计,过一段时间再处理结构相似的问题。这里需要判断哪些困难只是在消耗学生,哪些困难恰好是能力生长的机会。借助 AI 降低无效负担,才能更从容地保留值得经历的挑战。
第三个方向,是把时间还给具体的人。当教师从部分重复讲解和批改中腾出时间,就有机会注意到那个作业整齐却不敢表达的学生,或者一度积极、后来逐渐退出合作的学生。一次认真交谈、一次适合其处境的任务调整,以及之后持续的跟进,可能比再增加一套练习更有意义。AI 可以提供线索和谈话建议,但一段生成的关怀话语本身并不意味着承诺已经兑现。教师可以用真实行动使学生知道,自己的困难有人愿意理解,下一次尝试有人愿意支持。
第四个方向,是组织真实的合作与公共生活。学生需要学会倾听一个有不同利益和观点的同伴,协商分工,履行承诺,并在意见冲突时继续合作。AI 可以模拟不同立场,帮助准备讨论;与模拟对象交谈,却不等于已经与实际参与者形成共识。教师可以创造讨论条件,帮助学生说明理由,保护不易被听见的意见,并推动大家在共同项目中承担后果。课堂由此成为学习如何与他人共同生活的地方。
第五个方向,是和学生一起探索尚无定论的问题。教师可以保持与学科前沿和真实实践的接触,也可以从一项课堂观察、一个反常结果或一个学生的追问开始。不是每位教师都必须成为某个领域的领军者,但每位教师都可以让学生看见,人怎样面对不知道的事,怎样借助 AI 查证和比较,又怎样在新证据面前改变判断。教师亲自参与求知,使“保持好奇”和“尊重证据”成为可观察的行动。
这些方向也需要接受结果的检验。学生离开教师、换一个工具、面对一个新情境,还能做到什么?一次干预是否只改善了当堂表现,却增加了对提示的依赖?可以结合学生的解释、后续表现和不同群体的变化,逐步改进教学。教师并不需要把每一次尝试都包装成成功;愿意观察、调整并继续尝试,就是专业成长的一部分。
一个可行的起点,是从下一轮课程中选择一项重复且耗时的工作,明确质量要求,让 AI 在教师能够复核的范围内承担一部分。再把扣除检查与修正后实际省下的时间,固定留给一次深入交谈、一项真实任务或一段教师自己的学习。几周之后,与学生一起回看:负担是否减少,理解是否加深,学生是否更愿意提出自己的问题。如果节省有限,就调整分工;如果出现有效做法,就与同事共享。希望可以从这样一个小而真实的变化开始。
在这个意义上,教师也应当发展专业思考与深度思考。专业思考帮助我们辨认学生的困难、设计学习任务、检验教育效果;深度思考使我们继续追问,为什么学习这些内容,某种评价保护了什么、忽略了什么,教育正在使学生更自主,还是更善于迎合既有标准。UNESCO 的教师 AI 能力框架也把人的主体性、伦理、教学和专业发展纳入考虑;这是教育方向的规范选择,并非人类能力永远领先的证明。框架说明
这种成长需要制度支持。学校应当让自动化节省的时间真正留给教育、学习与休息,不能立刻用更多报表、更高课时和更多形式化成果把它填满。如果教师的总负担没有减少,自主安排教学的空间也没有增加,仅仅引入 AI 工具,还谈不上实现了解放。学校可以为共同备课、个别交流和小范围教学改进保留时间,允许教师在合理范围内尝试、失败和修正。
这些机会也应向更多学生开放。资源不足的学生同样需要有人跟进其学习处境,不能只得到无人关心后果的自动化服务。AI 若使基础支持更容易获得,学校就更有理由把有限的人力投入被忽略的需要,同时保留发现问题、提出异议和获得帮助的途径。效率带来的收益怎样分配,将影响这项技术最终解放了谁。
教师的权威也会因此改变。答案不再主要掌握在教师手中,权威就更需要来自判断的根据、对承诺的履行,以及允许学生质疑的勇气。教师可以说“我不知道”,可以借助 AI,也可以被学生指出错误。真正削弱权威的,是用身份阻止检验,或把学生对工具的独立使用理解为对教师的冒犯。教师努力扩大的应是自己的教育贡献,同时应努力减少学生对特定老师与工具的盲目依赖。价值应当留在学生身上。
所以,AI 能否取代老师,值得认真思考;AI 能够可靠替代的工作为什么必须继续由老师完成,同样值得追问。对于具体任务,我们应当欢迎有根据的分工调整;对于岗位和教育关系,需要结合学习、成长、公平和可问责性来判断。假如一种新的安排确实更好,就没有必要只为维持旧形式而拒绝它。与此同时,还有许多值得解决的问题、值得开展的实践、需要被看见的学生,等待教师把释放出来的能力投入其中。
写在教师节,我希望教师能在变化中看见这样的可能:让 AI 做它能够做好的事,自己去承担尚未被充分完成的教育。一位教师终于有时间认真听完学生的问题,一个学生第一次愿意提出自己的猜想,一群学生在真实项目中学会合作,这些都可以是星星之火。它们未必立刻改变整个教育体系,却能让一个课堂先发生变化。教师继续学习、分享经验,学校为这种探索保留空间,技术带来的解放才有机会成为可感受到的生活。教师的价值,也会在这些新的教育实践中继续生长。
正在加载留言…
留言区加载较慢时,可在 GitHub 查看讨论。