ARTICLE · 1084022
AI正在编教材,谁来守住那道知识边界?
AI正在编教材,谁来守住那道知识边界?过去一年，AI加速进入课堂。它帮老师写教案，帮学生答疑，帮教材生成插图和习题。效率的提升，让人欣喜。但欣喜之下，暗流涌动。 当AI从“辅助工具”变成“内容生产者”，它产出的每一个字，都直接进入育人的场景。 这是生成式人工智能进入教材后，每天都在发生的事。它暴露的是一个被忽视的问题：AI生成的内容，谁来守住知识边界？ 教材是有边界的，由四道线共同划定。课程标准，划定知识范围之线；学段安排，划定认知水平之线；学生身心发展，划定适切区间之线；教材建设国家事权，划定育人底线之线。 这四重边界，是教材区别于一般读物的根本。教材是育人的载体，是“国之重器”。它教给学生的每一个知识，都经过课标的遴选；它呈现知识的每一种方式，都经过学段的斟酌。AI生成的内容，可能超出课标、越过学段、虚构事实、制造幻觉。 数字教材以多模态、强交互、智能化为特征，天然是AI的用武之地。AI为它生成讲解、绘制插图、设计示例、批改答疑。生成的讲解，可能引入课标之外的概念；绘制的插图，可能传递不当的暗示；设计的示例，可能编造不存在的史实。效率的另一面，是失守的风险。 已有的两套制度，各有其守。教材审核制度，管“人写的稿子”；内容标识制度，管“AI生成的内容”。两套制度各管一段，但可能都漏掉了同一个对象，即数字教材里由AI生成、又进入育人语境的内容。 漏掉的原因很简单。教材审核制度，建立于“人写教材”的年代，它默认审的对象是人写的稿子，从未预设“AI生成的内容”这个新物种。内容标识制度，则针对网络信息传播场景，管的是微博、短视频、公众号等。 教材的知识边界，可否被技术性地守住？ 2026年7月，一项名为LittleLearner的研究，给出了一个耐人寻味的回答。研究者构建了一个88B token的语料库，严格限定美国小学K-5学段的内容，明确剔除五年级以上的概念、事实与词汇，再用这一语料从零训练一个5B参数的模型。 结果是，这个模型获得了足以应对开放式评估的语言能力，其知识边界却被牢牢钉在课标划定的范围之内。 更耐人寻味的是它的一连串发现。扩大模型规模，无法把边界推向外围；施加后训练，无法恢复范围外的能力；注入上下文示例，也无法越出暴露范围。规模、后训练、上下文学习，三条本可“越界”的路，统统被堵死。 还有一个反直觉的细节。研究者发现，LittleLearner的能力排序，并不遵循人类课程的顺序。它对多位数除法的掌握，反而优于个位数除法，尽管在人类课程里，后者是前者的先修。 这个细节藏着深刻的含义：模型的知识边界，不等于人类认知的路径。边界可以划定知识的范围，却划不出认知的次序。 LittleLearner对数字教材的启发，不在模型本身，而在它揭示的三重可能性。 边界可界定。知识边界不是玄学，它可以被语料的范围所划定。语料严格到什么程度，边界就清晰到什么程度。推及教材，AI内容的知识范围，同样可以被“标注”所界定，打上学段、知识点、认知水平的标签，边界的轮廓便浮现出来。 边界可映射。LittleLearner的能力边界，可以逐条对应到课标，做到可解释。推及教材，AI内容与课标的偏离，同样可以被“检测”所度量，以课标知识图谱为基准，超纲、越级、幻觉，皆可被机器识别。 边界可审核。LittleLearner的沙盒，能评估内容“在界内还是界外”。推及教材，AI内容可以被人机协同审核所把关，在边界的标尺上逐条检验。 当然，它划的是预训练层面的边界，教材需要的是应用层面的边界。要迁移的，不是它的方法，而是它的思想。 LittleLearner的边界，映射的是美国的共同核心州立标准（CCSS）。它把知识边界锚定在“年级—知识点”的线性对应上。语义清晰而简单。 中国义务教育课程标准（2022年版，2025年修订）的“一致性”，语义更为厚重。它以核心素养为纲，不止于知识点的线性罗列。 每一个知识点，都连着“内容要求—学业要求—教学提示”三个层次；每一个学段，都对应着学业质量标准刻画的素养水平。 更关键的是学业质量标准。它以核心素养发展水平为尺度，明确学到什么程度。这个程度，就是素养的边界。 这一差异，决定了中国数字教材的知识边界，不能照搬CCSS的“范围匹配”。一个知识点，即便在课标范围内，若呈现方式超出了该学段的认知水平，同样是越界。 因此，落到中国语境的知识边界，是一重“双重边界”。外层，是知识范围之界；内层，是素养水平之界。越出外层，是显性失范；越出内层，是隐性失范。前者易察，后者难辨。 这重素养边界，恰恰是AI最容易失守的地方。AI擅长生成“正确”的内容，却不擅长判断内容“适不适合”眼前这个年龄段的学生。 它可以把一个概念讲得滴水不漏，却未必知道这样的讲法，对某个年龄段的学生来说，是恰到好处，还是揠苗助长。 笔者认为守住边界需要三层机制：边界标注、一致性检测、适切性审核。 第一层，边界标注。审核者若不知内容的来历，审核便无从下手。数字教材中的AI生成内容，应当逐段标注知识范围。还要区分AI参与的程度：占比低于15%，标“AI辅助”；15%到50%，标“AI协作”；超过50%，标“AI主导”，触发额外审核。 第二层，一致性检测。以课标知识图谱为基准，机器可以逐条比对，检测三类偏离。超纲，是范围之失，教了课标之外的知识；越级，是时序之失，把高学段知识提前塞给低学段；幻觉，是真实之失，把不存在的事实写得煞有介事。三类检测并行，汇总成一份“偏离清单”。 三类偏离中，超纲和越级靠课标知识图谱的匹配，相对可控；幻觉则更难缠，需要调用事实核查、来源追溯、一致性校验等手段。 第三层，适切性审核。标注与检测，是机器的活；审核，必须是人的事。流程可以设计成“机筛—人审—归档”三步：机器先筛查，标记疑似越界；审核者逐条判断，或改、或删、或保留；判断结果归档，反哺机器迭代。 以浮力学习为例。标注层，挂上“八年级·物理·浮力”的标签；检测层，发现“液体压强微分推导”属于高中内容，标记“越级”；审核层，审核者据此删除或改写。三层协同，一次越界被及时拦截。 这就是机制的价值。它不是要阻止AI进入教材，而是要确保AI进入教材的每一步，都有边界可依、有标尺可量、有判断可守。 知识边界的意义，不止于一项技术机制。它揭示的，是数字教材治理的一个新维度。 过去，教材治理守着“内容”这一维，AI介入后，治理必须新增“边界”这一维。内容治理管“是什么”，边界治理管“该不该”。 欧盟把教育列入高风险AI系统，中国的内容标识制度已先行一步，但教材领域的专门标注，仍是空白。 谁先建立数字教材AI内容的知识边界制度，谁就握住了这一领域的规则制定权。 边界这一维度，与笔者一直主张的“支架而非替代”一脉相承。 AI在教材中，应当扮演支架的角色：它提供标注、提供检测、提供偏离清单，却把“是否适切”的最终判断，交还给人。 机器守得了范围之界，守不住素养之界。后者关乎人的判断，关乎教育者的专业智慧。 边界的意义，不在拒绝技术，而在让技术各安其位。AI生成内容，可以成为教材的支架，却不可越出知识的边界。 支架搭得好，判断才立得稳；主体不缺席，支架才有意义。这道知识边界，守的不仅是教材的规范，更是育人的底线。