ARTICLE · 1052368
每个孩子都需要真正的AI教育:家长和老师不能再回避的一堂课——读懂UNESCO学生能力框架
AI × YOUTH OBSERVATORY · ARTICLE 03
面对 AI，孩子需要的不是唯一一条技术跑道，而是一张关于人、伦理、技术与设计的能力地图。
2024 年，联合国教科文组织（UNESCO）发布了《学生人工智能能力框架》。这份文件讨论的，并不是怎样写出更厉害的提示词，也不是怎样让孩子更快地用 AI 完成作业。它提出了一个更根本的问题：
换句话说，AI 教育的目标，不能只是培养熟练的工具使用者。它还需要培养能够理解 AI、负责任地应用 AI，并参与塑造 AI 的未来公民。
一张“4×3”的 AI 能力地图
UNESCO 把学生的 AI 能力分为四个相互关联的面向：
以人为本的思维：人是否仍然拥有决定目标、作出判断和承担后果的主体性； AI 伦理：如何处理公平、隐私、安全、包容和环境影响； AI 技术与应用：是否理解数据、算法和模型的基本原理，并能恰当地使用工具； AI 系统设计：能否从界定问题出发，参与设计、测试和改进 AI 系统。
这四个面向，又分别贯穿三个递进的层级：理解、应用、创造。
四个能力面向穿过三个进阶层级，共同组成 12 个相互关联的能力模块。依据：UNESCO《AI competency framework for students》（2024）。
如果沿着“理解—应用—创造”这条主线往下看，就会发现它并不是一套悬在空中的理论，而是在回答三个非常具体的问题：
孩子能不能看懂 AI 背后发生了什么？ 能不能在真实任务中作出负责任的选择？ 能不能进一步参与设计一个更值得信任的 AI 系统？
第一层：理解——先打破 AI 的“魔法感”
孩子第一次看到 AI 在几秒钟内写出文章、生成图片，或者模仿某个人说话时，很容易觉得它像一种魔法。
而“理解”层首先要做的，就是把这种魔法感拆开。
UNESCO 在建议的教学方法中，提到了一种看起来很朴素的方式：暂时离开屏幕，通过纸笔、讨论和角色扮演，理解 AI 系统的运作过程。
不碰电脑，也可以学 AI
想象一堂课：学生不打开任何 AI 工具，而是在一张大纸上画出一个 AI 系统从开始到结束的过程：
人类决定收集哪些数据； 数据如何被筛选和整理； 算法根据什么目标进行学习； 模型如何产生结果； 最终又是谁使用这个结果作出决定。
画完以后，老师不急着解释技术名词，而是继续追问：
在这条链条上，哪些决定是人作出的？ 哪些环节可能出现错误或偏差？ 如果人把判断完全交给系统，谁来承担最后的后果？
纸笔活动的意义，就在于暂时剥掉 AI 酷炫的外壳，让孩子看见：AI 不是凭空出现的智慧。它的背后始终有人在选择数据、设定目标、设计规则和决定使用方式。
一场关于“AI 监考官”的庭审
理解 AI 也不只是理解算法，还包括看见技术背后的价值判断。
比如，学校安装了一套摄像头系统，通过识别学生的面部表情，判断他们上课是否“专心”。
这时候，可以让学生进行一次“AI 庭审”。
一部分学生扮演系统开发者，一部分扮演学校、家长和被监测的学生，其他人则组成陪审团。大家需要追问：
凭什么认定某种表情就代表“不专心”？ 不同文化背景、性格和身体状况的学生，表达专注的方式一样吗？ 系统收集了哪些面部数据？这些数据会被保存多久？ 如果系统判断错了，谁来解释，谁来负责？ 学校真的需要用 AI 解决这个问题吗？
这样的讨论会让孩子明白：AI 输出并非天然客观。训练数据如何收集、系统优化什么目标、工具被放进什么情境，都可能影响最后的判断。
AI 的偏差也不一定来自某个“坏人”。它可能来自不完整的数据、未经检验的假设，或者一个看似合理、实际上过于简单的目标。
第二层：应用——会用，还要会选择、验证和负责
当孩子知道 AI 大致如何工作之后，下一步才是把它放进真实任务中使用。
但在 UNESCO 的框架里，“会用”不是按下按钮、得到结果就算完成。应用层更看重的是：孩子能不能判断这个工具是否适合当前的问题，能不能检查它的结果，以及是否愿意为使用它产生的影响负责。
历史课上的“苏轼聊天机器人”
例如，在一堂历史课上，学生尝试配置一个能够模仿苏轼回答问题的聊天机器人。
这项活动最重要的，并不是让机器人写出多么漂亮的诗，而是让学生处理一系列真实问题：
它应该参考哪些资料？ 如果只给它一种历史记载，它会不会把某一种观点当成唯一真相？ 它生成的内容哪些来自史料，哪些只是模型根据语言模式作出的推测？ 如果机器人非常自信地编造了一段苏轼从未说过的话，学生能不能发现？
孩子需要比较不同来源、检查回答中的事实，并清楚标出哪些内容是史料支持的，哪些只是 AI 生成的演绎。
到了这一步，AI 不再是一台交作业的机器，而变成了一个需要被审查、被验证的研究工具。
“杀鸡焉用牛刀”：算 1+1，需要调用大模型吗？
应用层有一个重要但经常被忽略的概念：比例原则。它问的是：使用某种 AI 工具带来的收益，是否与它的风险和代价相匹配？
最简单的例子是：如果只是计算“1+1 等于几”，我们当然可以调用一个拥有数十亿参数的大模型。但心算、计算器，甚至两块积木，都能更快、更准确地解决这个问题。
通常来说，规模更大、计算更复杂的模型也需要更多计算资源，并带来相应的能源和用水成本。孩子需要学习的，不是拒绝技术，而是看见便利背后的代价。
这并不是说大型模型不应该使用，而是要先问：
这个问题真的需要 AI 吗？ 需要多复杂的 AI？ 使用它带来的便利，是否值得我们付出算力、能源、隐私或对工具产生依赖的代价？
同样，面对涉及儿童、健康或个人隐私的信息，即使某个 AI 工具功能强大，我们也要判断：是否有必要把这些数据上传到外部系统？能不能用更简单、更安全的方法完成任务？
第三层：创造——从使用工具，到参与设计系统
进入“创造”层，并不意味着每个孩子都必须成为程序员。
更重要的是，孩子开始参与定义问题、设计规则、测试影响，并根据反馈改进系统。
他们不再只是接受别人提供的 AI 工具，而是尝试回答：
我们究竟想解决什么问题？ 什么样的系统才算真正有效？ 哪些伦理要求应该从一开始就被写进设计里？
从混乱的数据开始
在一些进阶项目中，学生可能会尝试收集公开网络资料，并把它们整理成可供分析的数据。
现实中的数据很少像课本里的表格一样干净。网页里可能夹杂着广告、乱码、重复信息、错别字；有些群体留下了大量数字记录，另一些人的声音却几乎没有进入数据库。
学生需要决定：
哪些数据应该保留？ 哪些记录可能不可靠？ 谁的声音被过度代表？ 谁又在数据中消失了？ 清理数据的规则会不会同时删掉一些“不典型”但重要的信息？
亲自经历这个过程之后，他们会发现：数据并不是现实本身，而是现实经过收集、筛选和整理之后留下的痕迹。每一次清理和分类，都可能包含人的判断。
为什么 99% 的准确率也可能没有意义
系统完成之后，还需要测试。
假设每 100 个人中只有 1 个人患有某种疾病。如果一个 AI 面对所有人都回答“没有患病”，它仍然可以得到 99% 的表面准确率。
但那个真正患病的人，却会被它完全漏掉。
这说明，只看一个漂亮的数字，可能远远不够。
学生需要进一步观察：系统漏掉了什么？错误主要发生在哪些人身上？不同类型的错误会带来什么后果？真实用户的反馈是否会改变系统的设计？
随着学习深入，他们可能会接触精确率、召回率、F1 分数或 ROC 曲线等评价方法。但最重要的并不是背下这些术语，而是理解：
任何评价指标都代表了一种取舍。我们选择衡量什么，也就在决定什么样的错误更值得被重视。
创造层真正训练的，因此不只是“把模型做出来”，而是建立一个持续循环：
界定问题—设计系统—测试结果—听取反馈—重新修改。
伦理也不再是产品做完之后贴上去的一张警告标签，而应该从问题定义、数据选择到测试和发布，一开始就进入设计。
从看见机制，到负责任地使用，再到参与设计；人的主体性始终贯穿其中。
这套框架真正改变了什么？
UNESCO 的这套框架提醒我们，AI 教育不能只围绕某一种热门工具展开。
工具会更新，界面会变化，今天流行的提示词技巧可能很快过时。但有些能力不会那么容易过时：
面对 AI 给出的答案，知道继续追问依据； 面对看似客观的数据，知道检查谁被遗漏； 面对方便的自动化功能，知道判断它是否真的必要； 面对一个已经可以运行的系统，仍然愿意问它会影响谁、由谁负责； 不只是适应别人设计的 AI，也能够参与决定 AI 应该成为怎样的技术。
所以，未来 AI 教育最大的挑战，或许不是怎样让孩子把 AI 用得更熟练。
而是当 AI 越来越擅长给出现成答案时，孩子是否仍然能够保留自己的问题、判断和选择。
资料来源：UNESCO, AI competency framework for students, 2024。https://www.unesco.org/en/articles/ai-competency-framework-students
AI × YOUTH OBSERVATORY