智能时代的认识论转向：面向大语言模型的儿童未来学习

感谢您关注“永大英语”！

张敬威

大语言模型技术的发展与应用是数字化学习环境变革的节点，在教育数字化转型过程中厘清大语言模型对教育实践、儿童未来学习的影响尤为重要。“数字模式”与“模拟模式”是人工智能与人脑思维的两种形式，在这两种思维形式的人机互动中，儿童学习发展的主要变化体现为从身体感知到机器感知。大语言模型带来的学习环境变化为儿童的未来学习提出了新的要求：指向通论的学习，以面对作为“通”家的大语言模型；指向人机互通的学习，以面对作为“他者”的大语言模型；指向对符号体系反思的学习，以面对作为未来环境重要构成的大语言模型。所以，在儿童未来学习的研究与教育实践中,应以“机器感知”开辟未来学习的新视角，以“数字情境探索”作为未来学习的新领域，以教育技术伦理作为构建教育大语言模型的限度，进而迎接大语言模型为教育带来的机遇与挑战。

生成式人工智能的发展史最早可以追溯到20世纪50年代，在生成式人工智能发展的早期，主要集中在语言生成领域。此时的生成式人工智能主要能够开展简单的语法及句法分析。[1]1980年后，随着计算机技术的发展，生成式人工智能在语音识别及文字转化方面取得重要发展，这也使得生成式人工智能得以应用于语音助手、智能客服等方面。[2]2010年至今，生成式人工智能领域高速发展，不论是基于深度学习技术和强化学习算法结合的AlphaGo打败人类顶尖棋手，还是OpenAI于2022年11月30日发布的基于GPT-3.5模型的ChatGPT技术，都有力地证明了生成式人工智能在很多领域获得了显著成就。至此我们已经见证了四次数字革命：个人电脑的出现和普及、互联网和搜索的扩张、社交媒体的兴起和影响力，以及移动的计算和连接的日益普及。[3]

自此，AIGC、大语言模型（LLM）[大语言模型（LLM）是指使用大量文本数据训练的深度学习模型，可以生成自然语言文本或理解语言文本的含义。]、ChatGPT等词汇成为诸多学科研究的热点词汇，而技术的快速发展及其带来的时代变革，也直接影响着教育学研究重要前提性问题：“培养什么人”与“如何培养人”。探讨“培养什么人”的问题需厘清未来生产力条件下对人才的定位与劳动价值的指向，探讨“如何培养人”的问题则需讨论清楚新兴技术对教育进行变革的可能性、应用场景与伦理限度。新的数字化学习环境的创生与应用直接促成儿童学习样态的变革。

一、 大语言模型下的认识论挑战

大语言模型作为21世纪以来生成式人工智能最重要的发展领域之一，对人们生产生活产生极为广泛的影响，并不断促进着儿童学习的认识论转向。大语言模型是数字化学习变革过程中的节点技术，其带来的认知变革区别于以往的数字化转型，进一步促进了人们从身体感知向机器感知的过渡，为智能时代的教育发展带来了机遇与挑战。

（一） 大语言模型：数字化学习环境变革的节点

日本学者松伟丰将人工智能发展历程划分为三大演进阶段，分别是自20世纪50 年代兴起的“推理和搜索的时代”、自20世纪70年代兴起的“知识的时代”、进入21世纪的“机器学习与特征表示学习的时代”[4]。以第三阶段为代表的人工智能学习能力强大，已经在多种领域展现出优于人类的能力。此外，利用改进的计算能力、合成神经网络和大型语言建模，人工智能技术即使不能破解，至少也能巧妙地伪装成人类文明的关键：语言。人类语言是人类区别于其他动物的重要特征，生成式人工智能对人类主体性的挑战也是以语言为基点逐渐展开的。所以，从认识论变革的视角，人们在数字化技术的影响下产生的认知方式的变革呈现两个主要的阶段，第一个阶段以互联网产生为节点的早期数字化阶段，第二阶段则是以ChatGPT等大语言模型的产生为节点的生成式人工智能环境阶段。

在第一阶段中，数字化时代的到来已经对人们的思维方式带来了重大的改变。当下的儿童往往被称为“数字化原住民”，他们是在网络时代成长起来的一代人，他们习惯并善于通过数字化手段获取信息与完成交流。当下儿童认知世界的方式以及呈现出利用社交媒体进行在线交流、通过在线学习获取教育资源、习惯性使用移动互联网和智能设备、初步接受虚拟现实和增强现实技术的新型视觉方式以及开展电子游戏和数字娱乐等新型特征。

相比过去，他们的认知思维方式具有诸多特征：第一，数字化原住民善于以多元化渠道获取信息，数字化环境能够促使儿童更容易地接触到不同领域、文化和观点；第二，获取与处理信息的过程被加速，便捷的信息获取渠道与数字化环境下更具透明度的绩效标准促使使用者更加注重效率和快速决策，进而更快地适应快节奏的信息环境；第三，能够更好地打破学科间的边界，数字化环境能够更广泛地获取信息，并将不同领域的知识和思维模式结合起来；第四，能够更好地开展合作与共享，在线协作与共享平台促进了数字化参与者进行合作与交流的意愿，并进一步提升团队合作能力和开放创新的思维。

而大语言模型的普及则会进一步加速数字化原住民的思维转变，与早期的数字化环境不同的是，新环境下的思维转变处于初始阶段，尚需学者基于较少的证据进行预测。大语言模型作为本次科技发展浪潮中的重要代表，其由具有大量参数的神经网络组成[5]，基于Transformer构架整合了输入嵌入、定位编码、编码器和解码器，展现出了良好的可迁移性特征[6]，为对话式人机协同学习与个性化数字资源检索、整合等活动提供了技术支持，模型实现了计算机能力从“搜索”到“认知与学习”，进一步发展为“行动与解决方案”层面。

大语言模型相比之前的数字化技术，其具有诸多新的特征。第一，大规模。大语言模型通常需要处理大规模的文本数据，以提高模型的准确性和泛化能力。第二，高维度。大语言模型通常具有高维度的特征表示，以捕捉文本数据中的语义信息。第三，深度学习。大语言模型通常采用深度学习技术，如神经网络，以提高模型的性能和准确性。其在对使用者提高信息处理效率、促进多元化思考、提高语言表达能力等方面都有进一步的提升，但是也出现了使用者过度依赖大语言模型、信息过载、易出现误解和误判以及限制了批判性思维的发展等问题。总的来说，大语言模型相较于传统的信息化技术，展现了更多的信息处理能力，进而产生了使用者的信息处理工作由人向机器的转移。

（二） 数字模式与模拟模式：人机互动下的认知发展挑战

2018年图灵奖得主、具有“深度学习之父”之称的杰弗里·辛顿（Geoffrey Hinton）在2023年5月25日于剑桥大学的讲座《通向智能的两条道路》中提出了“能动者共同体”分享知识的两种模式：“数字模式”与“模拟模式”[7]。大语言模型（人工智能）与人类（智人）分别是这两种模式的典型案例，大语言模型由多个终端构成，每一终端均可看作一个共同体内的能动者，他们具有及时获得其他终端（能动者）的学习成果的特征，即其在信息维度上是共享互通的；而以人类为代表的“模拟模式”中个体分享信息、知识的效率则低得多，由于不同人类个体的神经网络内部架构的区别，所以无法完成如“数字模式”中权重共享方式的数据无损传输。[8]

在传统的“应试”教育实践中，其底层逻辑与“数字模式”的运行方式有很大的相似之处。“填鸭”是用以批判“应试教育”最多的词汇之一，“填鸭”恰恰是指向“数据无损传输”的一种路径，在已有的论证中已经对“填鸭”的方式进行了批判，并且确定了“人”所应独有的学习与认知方式。进化心理学提出了一套关于人认知机制的假设：第一，人类的心理由一套在进化过程中发展起来的信息处理机制组成，并深深嵌入人类的神经系统；第二，这些机制及其发展程序是在远古进化环境中通过自然选择产生的适应器；第三，这些机制有许多具有专门功能，使它们能够产生适合解决特定适应性问题的行为，如择偶、学习和合作；第四，人类的心理是自然选择过程的结果，构建这些功能机制的过程必须涉及具体的处理内容[9]。尽管人的“模拟模式”认知方式在“数据传输”方面要比“数字模式”低得多，但是其具有更高维度的价值，如爱因斯坦（Albert Einstein）所说：“关于对自然界作严格因果解释的假设，并不是起源于人类精神。它是人类理智长期适应的结果。”[10]

“数字模式”的工具性普及，迫使我们进一步思考人类在“模拟模式”中的进路。换言之，我们需要思考在具有数据无损传输、分享以及自主学习能力的工具普及环境下，人在认知、学习乃至劳动等多维度的优势与价值。恰如大卫·李嘉图（David Ricardo）的比较优势理论[李嘉图在其代表作《政治经济学及赋税原理》中提出了比较优势理论（Law of Comparative Advantage），即交易方根据“两利相权取其重，两弊相权取其轻”的原则，集中生产并出口其具有“比较优势”的产品，进口其具有“比较劣势”的产品。在此主要用于强调寻找人脑与人工智能之间的比较优势的重要性。]中所启示的，寻找人在智能环境下的优势方面是指向未来的教育目的的重要依据。至此，生成式人工智能在为人类的“填鸭”式学习方式画上了句号的同时，为基于“数字模式”工具环境的“模拟模式”认知方式的新变革吹响了号角。

（三） 从身体感知到机器感知：技术促使认知样态变革

在人与世界的互动关系中，有三个基本的分析对象：第一，人本身；第二，人认知世界的方式或渠道；第三，人所需认知的世界。在这三个对象中，人认知世界的方式与所认知的世界都迎来了巨大的改变——“数字模式”冲击下的改变，进而推动了人的“模拟模式”思维的改变。马克思（Karl Marx）指出，“五官感觉的形成是迄今为止全部世界历史的产物”[11]，数字化变革之下儿童的五官感觉形成、与空间感知迎来了新的发展阶段。恰如加拿大媒介理论家马歇尔·麦克卢汉（Marshall McLuhan）所宣称的，“一切媒介作为人的延伸，都能提供转换事物的新视野和新知觉”[12]，“人所需认知的世界”的变化决定了人的认识的指向，即什么知识更有价值、什么技能更加实用等问题，而“人认知世界的方式或渠道”的变化则直接决定了人们可以用何种方法、视角认识世界，以及可感世界的范畴。

数字化环境的变革引起了主体认知方式的变革，在“数字模式”技术环境驱动下儿童具有更强的认知欲望与可塑性，儿童的“模拟模式”思维认知方式迎来了较大的改变，总体来说儿童从相对具有线性、单一性、去远性的真实此在的环境互动发展向了更具非线性、多元化、远程在场特点的环境互动。马克思曾指出“小孩的推断和他的实践思维首先具有实践和感性的性质。感性的禀赋是把小孩和世界连接起来的第一个纽带。实践的感觉器官，主要是鼻和口，是小孩用来评价世界的首要器官”[13]；亦如海德格尔（Martin Heidegger）在《存在与时间》中所说的，“人的‘空间性’是其肉体性的一种属性，它同时总是通过身体性‘奠定根基’的”[14]；梅洛·庞蒂（Maurice Merleau-Ponty）在《知觉现象学》中论述道：“我的身体为了某个实际的或可能的任务而向我呈现的姿态。事实上，身体的空间性不是如同外部物体的空间性或‘空间感觉’的空间性那样的一种位置的空间性，而是一种处境的空间性……。总之，之所以我的身体能是一个‘完形’，之所以在我的身体前面可能有出现在无关背景上的享有优先的图形，是因为我的身体被它的任务吸引，是因为我的身体朝向它的任务存在，是因为我的身体缩成一团以便达到它的目的，总之，‘身体图式’是一种表示我的身体在世界上存在的方式。”[15]总而言之，主体对世界的认识源于一种“空间性”的互动，而在数字化技术环境下，这种“空间性”不再局限于物理空间，而是扩展到了数字化空间。

在数字化空间中，机器感知成为了一种新的体认世界的方式。人类感知世界的方式经历着“身体感知——借助实体工具感知（如眼镜、刀具等）——虚拟工具感知（如搜索引擎等）——智能机器感知（如ChatGPT等）”的感知样态变革。当前，随着人工智能以及VR等虚拟现实技术的发展，从与人类互动的层面上，人工智能能够通过自身的学习与迭代作为独立的他者与人类进行互动，并采用数据与算法将人类的行为转化为数据参数，从与世界互动的层面上，技术能够绕过人的主体感知，将现实世界转化为数据世界，并基于无限数据的重组，构筑出与现实世界截然不同的多元虚拟世界。[16]在此背景下，学习作为认知世界的重要途径，不仅需要依赖于身体直接感知和接触事物，还应逐步掌握机器感知的方式去理解被技术中介的世界。因此，面对生成式人工智能时代的到来，具有未来属性的教育更应及时预测未来发展导向、调整教育策略。

二、 大语言模型下儿童未来学习的新要求

大语言模型所构建的学习环境为儿童的学习提出了新的要求，生成式人工智能“数字模式”的普及应用促使教育界进一步思考“模拟模式”思维的重要性。面对生成式人工智能对人脑的挑战，儿童未来学习的新要求应该指向能够以跨学科进行通论思考、善于开展人机互通学习以及对符号化反思的能力。

（一） 指向通论的学习：面对作为“通”家的大语言模型

自亚当·斯密（Adam Smith）的《国富论》问世之后，人们便已经深刻认识到了“分工”之于“效率”的重要性[亚当·斯密在《国富论》第一章伊始便举了一个制作扣针的例子，以此说明分工对于效率的重要性：如果由一个人制作扣针，若未经专门训练可能一天也无法制作成功一枚；但是若由十个人分十八道工序进行制作，一天则可制作四万八千枚，即每人每天能制作四千八百枚。]，并将之作为一种价值判断的基础延续至今。“分工”以及其后期衍生而出的“分门”“分科”，都是提升劳动效率、学习效率、研究效率的有效途径。具有某一特殊视角或学科属性的、具有功能性的参考框架之于人类的学习与认知而言：一方面更为方便于深入说明其探究目的和准备探讨的方向，一方面又在某些情况下是唯一可行的方法，因为其能够在特殊视角下找出那些零散的社会行动过程之间的关联性。[17]

但是伴随着大语言模型等新型生成式人工智能技术的开发与应用，要求学习者不仅能够基于某一独特视角训练思维、掌握知识，更需要以点生面、跨领域地综合看待问题。传统工业中培养单向度的、工具化程度高的、具有稳定性的劳动者更符合生产的效率，基于此，传统的学习方式更注重基础知识与技能的传递重复、记忆灌输代入的重复性、机械性劳动，以知识储存与知识组合见长的人工智能能够代替以灌输知识为主的学习活动时，必须重新思考学习的价值并倒促学习的变革。[18]知识经济时代需要学习整合的、可用的知识，而非教授主义所强调的割裂的、脱离情境的知识。[19]

“大语言模型在学习上已经不存在‘舒适区’，无视学科疆域的边界，而超智人工智能的无监督学习，则更加无视人类‘世界’的各种疆界，完全不受影响。”[8]在大语言模型环境下的学习者，若仍然以学科边界作为思考问题的边界，则会脱离未来世界的知识生产与对世界的真实认知。“儿童——任何儿童——都是‘被抛放’到世界中的，‘被抛放’是儿童的一种常态性生存遭遇。”[20]当儿童被成人抛放于某一特定场域——如学校，遵循学校的分科学习制度与考试制度“遭遇”世界，那么他们将以分科的视角认识世界，而这种认知方式的思维惯性则成为其思考问题的舒适区。[我曾有过这样的经历：当我问一个学生关于一道关于自然科学的问题，他首先反问我：“这是一道物理题，还是一道化学题？”此时对于他而言，这个问题的应试属性和科目属性远超于真实问题的探索本身。]

“跨学科”的概念早在20世纪20年代就被提出，其旨在强调通过学科间的综合运用以解决现实的复杂问题。[21]若在概念被提出伊始尚是一种指向未来的教育变革，那么在大语言模型等生成式人工智能被普遍应用的当下，则是人们在“被抛放”于智能化环境中“被动”且“不得不”立刻进行的改革，因为当下的儿童已“遭遇”未来，“被抛放”于跨学科的强人工智能环境之中。所以，在大语言模型下的学习目标应指向各个学科间的贯通，使儿童从“解答某一学科的问题”转为“探索某一真实问题的答案”。

（二） 指向人机互通的学习：面对作为“他者”的大语言模型

儿童的身体本身是一种作为经验存在的“活的身体”(corps vecu) ，而技术成为身体延展的同时向儿童提供着具身经验。[22]“赫伯特·德雷弗斯等当代后认知主义学者，强调大脑之外的身体对认知进程所起到的构成性作用：除了身体的感觉体验外，身体的解剖学结构、身体的活动方式、身体与环境的相互作用皆参与了我们对世界的认知…如果我们拥有蝙蝠的身体，则会有全然不同的具身认知。从后认知主义视角出发来考察，当下的大语言模型，具有的诚然只是‘离身认知’（disembodied cognition）。”[8]海德格尔曾提出“去远性”（de-distancing）[“去远性”是海德格尔用语，海氏认为去远性是指此在通过关涉环顾接近周围世界而获得空间性。南京大学的张一兵教授在其《败坏的去远性之形而上学灾难——维利里奥的〈解放的速度〉》一文中提出“我们面对的世界已经龟缩为一个电视—电脑屏幕和手机显示屏的间接光建构起来的电子窗口，人将不再真实地踏上道路”，在数字化环境中海氏层面的去远性被“败坏”，数字化世界迎来了新的存在论层面的变革。]的概念，传统的存在论中“存在”拥有“此时”和“此地”两种属性，即儿童只有在与现实周遭世界的互动中，通过“意识驱动—身体执行—周遭世界反馈意识”的方式完成其自我同一性的建构，以证明其自身的存在并认识个体与周遭世界的关系——其能力可以干什么以及可能产生的后果。

作为学习者的儿童的世界是一个以自我为中心内外兼容的世界，对物质现实准确表征的能力发展取决于观察、聆听和触摸图式的逐步协调。[23]但是伴随着人工智能技术与远程在场技术的普及应用，“周遭世界”的概念被改变了，进而出现了一种“去远性的败坏”，人们认识世界的方式从“人—世界”进一步转为了“人—技术—世界”，在强人工智能的数字化环境中，儿童的“观察、聆听和触摸图式”已经从真实世界快速转向了数字化世界，人机协同的认知方式称为新的认识论课题。

人机互通下的儿童所面对的世界呈现出两种状态：第一，作为真实样态的周遭世界，这是儿童所处空间能够获得现实物理反馈的真实空间，其在认识论本质上与几千年来儿童认识世界的方式别无二致；第二，作为技术中介物映射而出的世界，这是技术变革的直接影响对象。早期的诠释关系（Hermeneutic Relations）的技术[美国技术哲学家唐·伊德（D.Ihde）认为，人与技术之间存在四种关系形式：第一，具身关系（Embodiment Relations）的技术，即借助技术把实践具身化；第二，诠释关系（Hermeneutic Relations）的技术，伊德把诠释学作为一种技术情境中的特殊的解释活动，这类技术人工物被看作解读内容的对象；第三，他异关系（Alterity Relations）的技术，他异关系的技术人工物具有了一种“拟人”的特性，人们与这类技术人工物互动时，技术人工物具备了一种准他者性（Quasi-Otherness）；第四，背景关系（Background Relations）的技术，技术作为塑造场域的背景，如暖气、教室等技术人工物在背景的位置上起到场域的作用，虽然通常不在焦点位置却调节并影响人们的生活情境。（参见：IHDE D.Technology and the life world.Bloomington：Indiana University Press，1990。）]——如书籍，已经具备映射远方世界的功能，这种映射既包含描述性的、又包含分析性的。所以人们自有书籍伊始，便已经习惯于通过技术认识世界，并以此作为学习的主要手段。

大语言模型直接改变的是人认识世界的技术中介的描述属性与分析属性。单纯的书籍是一种符号的承载物，语言符号体系由人构建，而大语言模型等生成式人工智能则承担了“分析”的职能，进一步展现了其他异关系（Alterity Relations）的技术的特征，进而具备了一种“准他者性”[24]——当前的数字化技术已经能够支持儿童的个性化学习、扮演虚拟教学角色、实现人机情感交互等功能[25]。所以，人机协同的适应能力、基于机器感知的认知能力、新兴技术的接受能力都是面向大语言模型儿童学习的关键素养。

（三） 指向对符号体系反思的学习：面对作为未来环境重要构成的大语言模型

联合国教科文组织于2023年7月发布的《生成式人工智能与教育的未来》（Generative AI and the future of education）强调：儿童和青年极易受到操纵，比成年人更容易受到操纵。有很多例子表明，生成式人工智能从其创造者设置的规定中滑出，并参与各种不适合儿童及可能对他们产生不利影响的“对话”[26]。同时期发布的第六份《全球教育监测报告》（Global Education Monitoring Report）同样强调：在线教育内容质量良莠不齐，且并未得到合理监管。近90%的内容是在欧洲和北美创建的；OER Commons全球图书馆中92%的内容为英文。大规模开放在线课程（MOOC）的主要受益者为受过教育的学习者和来自较富裕国家的学习者。大规模在线教育资源的使用会加大监管难度以及引发道德方面的挑战。[27]

联合国教科文组织于2023年9月7日出版的《教育与研究领域生成式人工智能指南》（Guidance for Generative AI in Education and Research）进一步指出ChatGPT超越国家监管、未经同意运用不真实内容、造成更深层次的伪造问题。占主导地位的生成式人工智能提供商不允许其系统接受严格的独立学术审查，并因此而受到批评。许多开始使用生成式人工智能的公司也发现维护其系统的安全性越来越具有挑战性。[28]许多图像生成式人工智能系统和一些代码生成式人工智能系统因此被指控侵犯知识产权。ChatGPT除数据来源不真实饱受争议外，还存在改变或操纵现有的图像或视频，以生成难以与真实图像区分的假图像或视频的问题。[27]

人类从儿童时期开始，几乎所有实质性的教学实践都是通过作为“指号化系统”的语言来完成的。[29]在大语言模型诞生之前，不同教学情境所产生的指号化是相互独立的，而数字化与智能化加速了不同个体面对的“指号化系统”的统一。从本质上讲，技术构建了一个统一的虚拟中介世界， 人们在数字化世界中则会产生与拉康所提出的“镜子阶段”相似的情况——主体将自己从根本上与自己身体的视觉格式塔认同起来[30]。技术的每一个设计选择都是由具有自己文化背景的设计者做出的决定，并伴随他们有意识或无意识的偏见[31]，而当下大多数有影响力的工具提供商都是资金雄厚的公司[26]，进而可以预见：儿童在公司控制下的教育平台完成机器感知——它自主地形成一套规范，其目的不是让主体的生活和工作变得便利，而是对主体的身体进行规训，让主体更适合机器感知和检测形成的规范系统[32]。那么，培养儿童在大语言模型环境下对信息流的批判性思维、对信息的筛选能力以及对信息茧房下的符号化体系的反思能力则尤为重要。

三、 指向儿童未来学习的教育实践方向

大语言模型的普及应用既是一种指向学习过程的赋能技术，又是影响未来教育目的改变的生产力基础。基于大语言模型背景下对儿童学习的新要求，应积极探索在新技术、新环境下儿童学习的转向，厘清分析未来学习的新视角、新领域与技术赋能未来学校的伦理限度。

（一） 以“机器感知”开辟未来学习的新视角

在智能时代讨论学习问题，需要思考一组具有前提性的关系：“真实世界的虚假情境”与“虚拟世界的真实情境”。在数字化普及之初的很多非数字化原住民的眼中，非现实世界的事物均为虚假的，如在20世纪初人们无法接受虚拟货币，也不认同虚拟产品的价值性（影视会员、电子版游戏等）；但是在“Z”世代的数字化原住民看来，虚拟产品与真实产品具有一样的价值，因为在他们看来无论是虚拟产品还是现实产品对他们来说提供的都是“效用”。由此，作为非数字化原住民的教育研究者在思考数字化原住民的学习问题时，需要首先区分两个群体之间对于“效用”的认知偏差。

在已有的线下教学中存在着大量模拟现实情境的虚假问题[如一些经典的数学应用题：一个水池装一个进水管和三个同样的出水管．先打开进水管，等水池存了一些水后，再打开出水管。如果同时打开2个出水管，那么8分钟后水池空；如果同时打开3个出水管，那么5分钟后水池空。那么出水管比进水管晚开多少分钟？]，强行编撰的情景使对这类问题定位为“应试”而非对现实问题的探索，并不能真正激发儿童的兴趣，我们将这类问题称之为“真实世界的虚假情境”。而伴随着虚拟技术进一步融入生活，儿童作为数字化原住民，他们的真实经验有很大比例由虚拟世界的经验所构成，而这些虚拟世界形成的真实经验促进了儿童的主体性建构，同时也使他们能够相较于非数字化原住民更好地认识智能化的世界。

在虚拟世界的情境中产生了大量真实问题[如当代科学作家万维钢在一次与华东师范大学吴冠军教授的公开对谈中提到了一个关于自己孩子的例子：有一次他想带孩子出门办事，但是孩子说在网上要开一个政治会议，于是他很好奇会议的内容。原来在一个网络游戏的公会中有一名成员违背了所有成员共同制定的规则，其他人以会议的形式商讨是否将其踢出公会。这种基于虚拟世界现实需求的实践方式是在现实生活中很难遇到的。]——这些问题在现实生活中由于诸多条件限制无法频繁出现，使儿童在解决这一系列问题中既具有探索世界的自主性，又剔除了对“应试”标签的抵触，将“应试”与“问题”相分离，我们将这一系列情境称为“虚拟世界的真实情境”。

所以，强调“机器感知”作为一种智能时代学习的新路径尤为必要，恰如前文所提到的“如果我们拥有蝙蝠的身体，则会有全然不同的具身认知。”随着数字技术、人工智能以及网络环境的综合应用，机器赋予了我们一种新的“身体”——使现实的身体以虚拟的形式延伸，我们在此借用蓝江教授的概念对其进行讨论：称之一种“宁芙化”的身体——“宁芙式化身利用它独有的凝视，利用不可能的并存性关系，实现了在现实世界中不可能具有的事物的秩序”[33]。恰如德勒兹所言：“大脑就是屏幕”[34]，康德当年所发起的“认识论转向”使科学研究从做本体论判断转到认识论探索，我们将世界中的一切体验判定为“真实”，就在于它们是可感（诉诸感官）的——在这一层面，即眼见为“实”[35]211-212。在生物技术、数字技术与智能技术的发展下，人的身体已不只是纯生物意义上的肉身，还是社会意义上的文化身体，以及以肉身身体和文化身体为基础、通过具身性而形成的技术身体。[36]所以，数字化情境中的“机器感知”看似“离身”，实则是虚拟情境中的一种新的感知形式，它不与“具身认知”相对立，而是基于一种新的“身体”定义对“具身认知”学习的研究进行扩展，从而促进“具身”认知的新型学习路径。

构建基于“机器感知”新型学习路径，需要在教学中引入虚拟与现实结合的情景模拟。第一，通过虚拟现实（VR）或增强现实（AR）技术构建具有真实感的虚拟场景，使学习者能够沉浸在模拟环境中解决复杂的真实问题甚至未来产生的可能问题。这类虚拟情境的设计不仅要忠实于现实，还要超越现实中的局限性，提供现实中难以体验的情境，从而丰富知识的获取方式，并在多元、多变的虚拟世界与真实世界中探索与创造不同规则，发现认识事物的不同规律。第二，基于“宁芙化身体”的概念，将教师置于虚拟数字空间中，通过虚拟角色的方式模拟真实问题解决情境，可以有效缓解传统教学中固有的权力不平等问题，消弭角色身份带来的认知偏差和沟通障碍。

同时，在虚拟环境中，师生间的互动不再受到现实环境的约束，可以在匿名或角色化的身份下表达真实想法和创意，从而增强自主性与参与感。这种去权威化的互动模式有利于推动合作学习和协作探究，使师生关系从传统的“垂直式”转向“水平式”。第三，教育者应重视儿童在学习过程中的具身操作与体验，积极运用人机交互来实现儿童身体感知与机器感知的融合。在与技术的直接交互中，儿童能够将身体感知深度整合在学习活动中，增强对抽象概念的理解，并通过多重感官获取更加全面的学习体验。例如，AR应用让儿童在操作虚拟生物模型或历史遗址时获得身临其境的体验，逐步建立多维度的知识体系。通过这种融合，儿童的认知不仅基于身体的感知，也开始涵盖虚拟技术所提供的扩展视角，有助于他们在复杂多变的智能环境中培养适应力和创新性思维。通过直接、具体且沉浸式的人机交互方式，儿童能够与虚拟对象更紧密地互动，从而获得更强的具身感和主观能动性。

（二） 以“数字情境探索”作为未来学习的新领域

伴随着当下的智能虚拟世界愈加具有世界生成属性，我们则需要正视一个指向未来的问题：“我们培养儿童进行学习，是期望他们具有本体论判断的能力，还是期望他们掌握认识论探索的能力？”在大语言模型等人工智能技术进入人们的生活之后，这一问题的解答变得更为迫切了。儿童被“抛入”到现实世界或虚拟世界之中，进而带来本体论层面的焦灼体验——在虚拟世界中积累的感性经验，同“现实”中的经验并无本体论的差异[35]243。若如康德的“认识论转向”所指向的，“体验”即为“真”；抑或如史蒂芬·霍金（Stephen William Hawking）所宣称的：“依赖模型的实在论（model dependent reaslism）：我们智能通过模型来认识‘现实’。”[37]14那么，引导儿童学习的目的是指向发现本体论的真理，还是指向通过发现真理的过程生成构建认识世界框架的能力？换言之，是指向认识世界发展过程中的固定规律；还是指向怀疑确定性的规律，并能够基于已知证据在不同情境中构建分析框架。

我们的知觉（以及我们理论所建立起来的种种观察）并不是直接的，而是被一种镜片（我们头脑的阐释性结构）所建构起来的[37]267，恰如诺贝尔物理学奖得主尼尔斯·玻尔（Niels Bohr）由于“量子世界”是一个由量子力学的各种概念与方程式所构建的世界而宣称“‘量子世界’并不存在”[38]。那么，科学行动的本质决定了儿童学习的目标方向，其指向康德“认识论转向”下的结果，即霍金层面的“阐释性结构”的构建与在这种“镜片”下的探索，而确定性的知识结论则相对没有那么重要了——“诸种头脑概念（mental concepts）是我们唯一能够知道的现实。不存在对现实不依赖于模型的检验。”[39]

面对充满不确定性的未来世界，智能化数字世界构建的多种情境，为儿童探索不同世界的“规则”提供了实践条件。在这种由智能化与数字化构成的参与性宇宙中，“认识论就是本体论——关于‘现实’的知识，就是‘现实’；认识论局限，实则就是本体论悖论。”[35]394-395所以，对于儿童在虚拟世界中的娱乐与探索不应盲目地阻拦，因为“玩”与“探索”就是面向未来的学习方式。正如一个人在电子游戏中探索游戏机制以期获胜的过程，就是一个主动探索所在世界规律、认识世界的过程，这种规律性探索与霍金所说的“镜片”是一致的。基于此，应为儿童充分创设具有无限可能性的“虚拟情境”。通过“玩”，儿童能在一个相对无压力的环境中自由尝试和体验，在游戏机制中探索规则、检验假设，并直观地感受因果关系的存在。例如，在探索性沙盒游戏中，儿童通过控制角色、操控资源、解决虚拟问题，可以自然地培养推理能力、策略思维和适应性。这种“玩”中的探索体验，与科学家在真实世界中试图验证理论的过程并无二致：每一次尝试、失败与成功，都是构建认知框架的重要环节。一方面，这是一种能够迁移于现实世界的能力训练；另一方面，这是一种面向未来的、对智能化数字世界探索的经验积累。总而言之，在生成式人工智能的环境下，教育研究者应打破对“数字化产物”的偏见，基于“认识论转向”，构建指向未来的学习路径。

（三） 以教育技术伦理作为构建教育大语言模型的限度

由于大语言模型的技术黑箱问题，对其在教育实践的应用则需更为审慎。文本gpt有时被贬义地称为“随机鹦鹉”，因为正如前面所指出的，虽然它们可以产生看起来令人信服的文本，但这些文本通常包含错误，并且可能包括有害的陈述[40]。人工神经网络(ann)通常是“黑盒子”，也就是说，即使我们对生成式人工智能的运作模式有一定了解，但在输出结果时它们的内部工作原理是不允许检查的。换言之，虽然运作模式总体上来看(包括所使用的算法)通常是可解释的，但特定模型及其参数(包括模型的权重)是不可检查的，这就是为什么生成的特定输出无法解释。[26]随着生成式人工智能的运作模式不断复杂化发展，其透明度和可解释性问题越来越难以探寻。此外，生成式人工智能的输出结果还被发现具有极为隐蔽的偏见与歧视因素，但这种因素却很难被完全消除与解决。

首先，保证教育大语言模型与数字化平台的公共属性。作为资本属性的收益意向与教育技术的育人意向之间具有天然的意向性冲突，收益倾向的系统标准化权利破坏了教育的公平性，以流量为结算标准的运行机制与作为公共产品的教育平台的运行机制亦相违背，公共属性是教育技术平台构建的前提[这一问题的详尽论述参看张敬威、苏慧丽、谢明月：《公共属性抑或资本属性：元宇宙教育的前提性批判》，载《中国电化教育》2022年第6期，第64-70页。]。为此，可在平台建设中确立公共教育价值优先的原则，并对平台的算法推荐机制进行伦理审查，确保流量导向不影响教育内容的公平性与公共性。

其次，应积极推动教育领域数据保护法规的制定或完善，建立保护隐私和敏感信息的法规框架。该框架需涵盖数据的收集、存储、共享与删除等方面，确保数据伦理性符合教育环境的特殊需求。例如，欧盟的《通用数据保护条例》（General Data Protection Regulation，简称GDPR）于2018年颁布，是通用数据保护条例的先驱之一。再如根据联合国贸易和发展会议(UNCTAD)的数据保护和隐私立法世界门户网站，已经有137个国家制定了保护数据和保护隐私的立法。[26]此外，应建立专属的教育大语言模型，如基于ChatGPT的EdGPT[41]，专门针对教育需求进行优化和训练，以避免通用大模型中因数据来源不均衡而引发的偏见与歧视问题。EdGPT应使用特定数据进行训练，并严格控制数据来源和内容，通过筛选优质教育资源作为训练数据集，减少有害内容生成的风险，以服务于教育目的。

最后，教育管理部门、学校与教师需积极构建多层面的教育技术使用伦理规范，保证技术使用的透明与公正。第一，保证技术使用时，算法输入与运行的透明。[42]为实现技术透明性，可要求开发方公开模型的部分结构性信息及算法原理，设立独立的第三方监督机构，定期评估模型的安全性与伦理风险。这些举措将有助于构建符合伦理限度的大语言模型生态，为教育的公平性、透明性及公共利益提供坚实保障。第二，保障内容公正性，避免算法偏见。教育管理部门应推动算法可解释性标准的实施，对教育平台的推荐系统和决策模型进行定期审查，保障教学内容推荐、成绩评估等方面的公正性和无偏性。开发者应公开部分算法规则，使学校和教师了解模型的基本原理，防止算法偏见影响教育公平性。第三，在技术适用性和教师专业素养方面，需加强教师和管理者的伦理意识培养，通过开展技术使用培训和道德教育，使其具备识别和管理技术应用中潜在伦理风险的能力。教育管理部门应提供技术使用的指导方针，帮助教师合理、有效地在教学中应用新技术，确保技术工具的使用符合教育目标，避免因过度依赖技术而对人的成长产生不利影响。

大语言模型等生成式人工智能技术在未来的教育改革中将呈现三种样态：第一，赋能教育改革的技术支持；第二，未来社会生产生活所需人才掌握的重要技能对象；第三，构建未来与改变未来的过程性要素。总而言之，对大语言模型的教育应用既应保持开放包容、积极接纳科技创新的态度，又需以技术伦理限度为基本底线，警惕技术更迭对教育带来的负面影响。

参考文献

[1] DAI J，WANG J，HUANG W，et al. Machinery Health Monitoring Based on Unsupervised Featur Learning via Generative Adversarial Network[J]. IEEE/ASME Trans-actions on Mechatronics，2020（99）：2252-2263.

[2] YOO J.A Study on AI Education in Graduate School through IPA[J]. Journal of The Korean Association of Infor-mation Education，2019（6）：675-687.

[3] STEPHEN HOLOROYD：From the world wide web to Al：11t echnology milestones that changed ourlives[EB/OL].（2024-03-14）.https://www.weforum.org/stories/2024/03/11-technology-milestones-ai-quantum-computing-vr/.

[4] 松尾丰．人工智能狂潮:机器人会超越人类吗?[M].赵函宏，高华彬，译．北京:机械工业出版社，2016: 41．

[5] CARLINI N，TRAMER F，WALLACE E，et al. Extracting Training Data from Large Language Models[C]. 30th USENIX Security Symposium. USENIX Security 21,2021：2633-2650.

[6] VASWANI A，SHAZEER N，PARMAR N，et al. Attention is All You Need[J].Advances in Neural Information Processing Systems, 2017: 6000-6010.

[7] GEOFFREY HINTON :中文字幕Geoffrey Hinton杰弗里·辛顿2023年5月25日，剑桥大学公开讲座，通往智能的两条路[EB/OL].（2023-08-19）.https://www.bilibili.com/video/BV19P411s7EU/?spm_id_from=333.880.top_right_bar_window_history.content.click&vd_source=dbd2dd1b4e4f86dc22be0ca37a362b92.

[8] 吴冠军.面向大语言模型的知识实践[J].人民论坛·学术前沿,2023(21):45-56.

[9] 戴维·巴斯.进化心理学——心理的新科学[M].4版.张勇,蒋柯,译.北京：商务印书馆，2015：415-416.

[10] 阿尔伯特·爱因斯坦.爱因斯坦文集：第1卷[M].许良英，等译.北京：商务印书馆，2010: 345.

[11] 中共中央马克思恩格斯列宁斯大林著作编译局.马克思恩格斯全集：第三卷[M].北京：人民出版社，2002：305．

[12] 马歇尔·麦克卢汉.理解媒介：论人的延伸（增订评注本）[M].何道宽,译.南京:译林出版社，2011：80．

[13] 中共中央马克思恩格斯列宁斯大林著作编译局.马克思恩格斯全集：第一卷[M].北京：人民出版社，2016:38．

[14] 海德格尔.存在与时间：中文修订第二版[M].陈嘉映,王庆节，译.北京：商务印书馆，2016：84.

[15] 莫里斯·梅洛-庞蒂.知觉现象学[M].姜志辉,译.北京：商务印书馆，2021: 137-138.

[16] 苏慧丽. 从身体感知到机器感知：教育数字化转型下学习变革的关键视角[J].自然辩证法研究，2023（12)：108-114.

[17] 马克思·韦伯.社会学的基本概念[M].顾忠华,译.广西桂林:广西师范大学出版社, 2005：19.

[18] 张敬威,王珏.教育数字化转型下学习生态建设的定位与路径——基于他异技术转向的学习样态变革[J].东北师大学报(哲学社会科学版),2023（5):67-75，127.

[19] Ｒ．基斯·索耶.剑桥学习科学手册[M].徐晓东，等译．北京：教育科学出版社，2010:2.

[20] 吴康宁.“被抛放”的儿童：审视与反思[J].教育研究,2023(11):53-65.

[21] WALL S，SHANKAR I．Adventures in Transdisciplinary Learning[J].Studies in Higher Education，2008，60（5)：551-565．

[22] 张敬威,苏慧丽.远程在场的知识延展与存在收缩——对在线教育的存在论阐释[J].开放教育研究, 2021（1): 65-70.

[23] 约翰·D·布兰思福特，等.人是如何学习的：大脑、心理、经验及学校：扩展版[M]．程可拉, 等译.上海:华东师范大学出版社，2013：71．

[24] 张敬威. ChatGPT的教育审思：他异关系技术的教育挑战及应用伦理限度[J].电化教育研究, 2023（9): 5-11，25.

[25] 徐振国,刘志,党同桐，等.教育智能体的发展历程、应用现状与未来展望[J].电化教育研究, 2021(11): 20-26，33.

[26] UNESCO. Guidance for Generative AI in Education and Research[EB/OL].（2023-09-07）.https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research.

[27] UNESCO.2023 Global Education Monitoring Report——Technology in education：A tool on whose terms?[EB/OL].（2023-07-26）.https://gem-report-2023.unesco.org/zh/home-2/.

[28] LIN B.AI is Generating Security Risks Faster than Companies Can Keep Up[J]. The Wall Street Journal, 2023(15):2023.

[29] 吴冠军.后人类状况与中国教育实践:教育终结抑或终身教育?——人工智能时代的教育哲学思考[J].华东师范大学学报(教育科学版), 2019（1): 1-15，164.

[30] 雅克·拉康.拉康选集[M].褚孝泉，译.上海:华东师范大学出版社, 2001:110.

[31] WHITTLESTONE J, NYRUP R，et al. The Role and Limits of Principles in AI Ethics：Towards a Focus on Tensions[C]. Proceedings of the 2019 AAAI/ACM Conference on AI，Ethics，and Society. New York: ACM, 2019:195-200.

[32] 蓝江.从身体感知到机器感知——数字化时代下感知形式的嬗变[J].西北师大学报(社会科学版), 2023（3):13-20.

[33] 蓝江.双重凝视与潜能世界：电子游戏中的凝视理论[J].上海大学学报(社会科学版), 2022（3): 78-89.

[34] GILLES D. The Brain is the Screen: An Interview with Gilles Deleuze[M].M.T. Guirgis trans. MN: University of Minnesota Press, 2000:47.

[35] 吴冠军.从元宇宙到量子现实[M].北京：中信出版集团，2023.

[36] Ihde D. Bodies in technology[M].MN: University of Minnesota Press,2002:XI.

[37] STEPHEN W，HAWKING，LEONARD. The Grand Design[M].New York: Bantam, 2010.

[38] SHIMONY A. Metaphysical problems in the foundations of quantum mechanics[J].International Philosophical Quarterly, 1978，18(1):3-17.

[39] FERGUSON K. Stephen Hawking：An Unfettered Mind[M]. New York: St Martin’s Griffin,2012:433.

[40] BENDER E M, et al. On the Dangers of Stochastic Parrots：Can Language Models Be Too Big?[J].Proceedings of the 2021 ACM conference on fairness，accountability，and transparency,2021(3):610-623.

[41] BOMMASANI R, et al. On the Opportunities and Risks of Foundation Models[EB/OL].（2022-07-12）.https://arxiv.org/abs/2108.07258.

[42] 苏慧丽,张敬威. 机器的“人化”与人的“机器化”：智能时代教育的主体性危机与破解[J]. 现代远程教育研究, 2024（1)：12-20，28.

（本文首次发表在《教育学报》2025年第3期）