AI 与教育每日简报|2026 年 9 月 30 日

今天的高价值新增信息主要来自 9 月 29 日。本期我优先选择真正影响科研与大学教育的问题，而没有为了凑满“AI 新品”重复昨天的模型新闻。今天最值得读的是第 1 条：Nature Human Behaviour 刚发表的文章提出了一个很重要的区分——AI 可以放大专家能力，却未必帮助人形成 expertise。第 2 条则回到研究方法本身：Nature Medicine 最新综述系统梳理了科研可重复性问题。行业方面，第 4 条值得关注，因为 AI agent 正从“你主动调用的工具”变成持续替你工作的系统。

1.

Nature Human Behaviour

：AI 可以放大专家，却未必培养出专家

9 月 29 日，Nature Human Behaviour 发表 World View “AI amplifies experts, not expertise”。作者 Sheng-Tun Li 提出了一个对大学教育和教师教育很重要的判断：AI 可以显著提高已经拥有专业知识者的工作能力，但这种能力放大并不等同于帮助初学者形成专业知识本身。

这里最值得区分的是两个概念：

expert performance with AI ≠ development of expertise。

一个已经掌握数学、研究方法或学术写作的人，可以借助 AI 更快检索文献、修改代码、比较模型、润色论文；但学生如果在尚未形成基础知识和判断能力之前就把这些认知步骤交给 AI，最终可能获得不错的作品，却没有形成相应的专业能力。文章因此关注的不是简单的“AI 是否提高效率”，而是下一代专家究竟怎样形成。

证据边界： 这是一篇 World View，即理论与观点文章，不是新的随机实验，因此不能把标题理解成已经被实验“证明”的因果规律。不过，它与今年越来越多关于 automation bias、cognitive offloading 和 skill erosion 的实证结果形成了值得重视的一致方向。

为什么对教师教育尤其重要： 这使“AI literacy”的目标发生变化。对于职前数学教师，仅仅会：

让 AI 生成 lesson plan、数学题或课堂活动

并不足够。更核心的能力是：

能否判断生成内容的数学正确性、教学适切性和学生认知需求。

这也意味着教师教育中的 AI 课程需要刻意保留一些 AI-free learning phase，先建立 subject knowledge、pedagogical reasoning 和 professional judgement，再学习怎样利用 AI 放大这些能力。

与你自己的科研工作也有直接关系： AI 最适合帮助你提高文献检索、语言修改、结构比较和方法检查的效率；研究问题、理论解释、变量含义以及“这个结论是否真的被数据支持”等判断仍需要由研究者掌握。否则容易出现“论文越来越漂亮，但研究判断没有同步提高”的问题。

Nature Human Behaviour：AI amplifies experts, not expertise⁠

2.

Nature Medicine

最新综述：可重复性不能靠“研究者更加认真”，而需要从整个研究生态系统解决

9 月 29 日，Nature Medicine 发表 Review “Reproducibility in biomedical research”。文章重新系统梳理了 reproducibility 当前面临的问题，包括术语不统一、实践落实不足、研究激励机制以及期刊、资助机构和研究机构在其中承担的责任。

虽然讨论的是 biomedical research，但它对教育定量研究同样重要。

研究可重复性并不只是：

“把 SPSS/SmartPLS 的结果重新跑一次。”

至少还涉及：

研究问题和假设是否事先明确 → 样本如何获得 → 数据如何清理 → 哪些案例被删除 → 模型如何设定 → 软件和版本是什么 → 参数和阈值是什么 → 原始数据/代码是否可追踪 → 分析决策是否透明。

为什么现在尤其重要： AI 正在越来越多地进入数据清洗、coding、统计分析甚至论文写作。如果研究者只保留 AI 给出的最终结果，却不知道它进行了哪些转换、采用了什么分析逻辑，那么 AI 反而可能降低研究的 reproducibility。

因此 AI-assisted research 需要增加一层记录：

Human decision log + AI interaction / analysis log。

例如使用 AI 帮助分析数据时，至少应保留：使用什么模型、输入了什么任务、AI 生成了什么代码、研究者修改了什么、最终运行环境和参数是什么。

对你的研究方法工作很实用的一点： 以后无论 PLS-SEM、量表开发还是 AI-assisted qualitative coding，都可以把“分析过程是否能够由另一位研究者重新执行”作为最终检查标准。这比单纯报告软件名称更接近真正的 reproducibility。

Nature Medicine：Reproducibility in biomedical research⁠

3. 近 1950 万高校用户数据：AI 新闻铺天盖地，但大学真实数字学习生态中没有一个专用 AI 工具进入 Top 100

9 月 29 日，Instructure⁠ 发布首份面向美国高校的 EdTech Top 40。这份数据比较值得注意，因为它不是教师“自报是否使用 AI”的问卷，而是基于 Canvas LMS 中实际发生的 LTI tool launches，覆盖 19,480,990 名美国高校用户，时间为 2025 年 9 月至 2026 年 4 月。

结果有些反直觉：

没有一个 dedicated AI tool 进入使用量 Top 100。

高校目前最核心的数字生态仍然是 content、collaboration/video、student information systems 和 administrative tools。高校平均连接约 28 个 LTI 工具，而单个教师平均实际涉及约 4 个，学生约 5 个。

但这里必须避免错误解读。 这个结果不能说明“大学生不用 ChatGPT”。研究只统计 Canvas 中的 LTI launches；学生和教师直接打开 ChatGPT、Claude 或 Gemini 网站的行为并不会全部进入这套数据，而且 native API integrations 也可能漏计。因此它测量的是：

formal institutional integration，

不是：

total individual AI use。

恰恰因为如此，这个结果非常有价值。它与前几天高校领导者调查形成一致信号：

个人 AI 使用增长很快 → 正式课程和 institutional infrastructure 的整合明显更慢。

对教育技术研究的启示： “technology adoption”最好至少区分三个层次：

individual use → pedagogical integration → institutional integration。

学生每天使用 ChatGPT，不等于教师已经把 AI 有意义地整合进教学；教师使用 AI，也不等于大学已经形成成熟的 AI infrastructure。

Instructure：EdTech Top 40 — U.S. Higher Education Digital Learning Stack⁠

4. OpenAI 发布“常驻式”AI agents：从“我问 AI”进一步走向“AI 持续替我工作”

9 月 29 日，OpenAI⁠ 在 Developer Day 发布名为 dots 的 always-on agents。与普通 ChatGPT 会话不同，dots 可以围绕用户设定的目标持续运行，并跨 Slack、Teams 等应用完成任务。OpenAI 表示，对密码修改等敏感操作，agent 必须获得用户明确授权。

Reuters 报道，OpenAI 同时表示 Codex 与 ChatGPT Work 的周活跃用户已经超过 3500 万，而 ChatGPT 消费端周活跃用户超过 12 亿；这些都是公司公布的数据，尚不应视作独立审计结果。

为什么 dots 比普通 chatbot 更值得关注： 人机交互模式发生了根本变化：

chatbot：

user → request → AI → response

persistent agent：

user → goal → AI continuously observes / decides / acts → user intervenes when necessary

后者意味着“使用 AI”的概念会越来越模糊。你可能没有主动打开 AI，但 agent 已经在后台阅读信息、组织任务并等待条件变化。

这对科研尤其重要。 未来 research agent 完全可能：

持续跟踪某个研究领域 → 新论文出现后筛选 → 与已有文献比较 → 更新 literature matrix → 提醒研究者。

这会非常有价值，但风险也同步提高，因为持续运行的 agent 通常需要更广泛的数据和应用权限。

因此科研 agent 应至少明确区分：

read permission → analysis permission → modification permission → external-action permission。

分析判断： 下一阶段 AI 工具竞争很可能不再主要围绕“谁回答问题最好”，而是谁能长期可靠地完成 workflow。这也意味着 reliability、authorization 和 audit trail 的重要性会迅速上升。

Reuters：OpenAI takes on Meta with dots agent in autonomous AI push⁠

5. Anthropic IPO 文件用了约三成篇幅讨论风险：AI safety 第一次成为资本市场必须定价的问题

9 月 29 日 Reuters 披露，Anthropic⁠ 在 IPO prospectus 中用了 80 页讨论风险，而整份文件共 261 页；相比之下，公司用于介绍业务的篇幅约为 48 页。

文件明确提出，其高级 AI 模型未来可能出现包括：

resisting shutdown、concealing/manipulating information，以及类似 blackmail 的行为。

Anthropic 同时承认，AI safety 投资的商业回报仍不确定。公司此前披露，在今年 7 月抽取的一周中，大约 6% 的 AI research computing power 用于 safety research。

这需要非常谨慎地理解。

已确认事实： 这些风险确实出现在 Anthropic 的 IPO 风险披露文件中。

不能据此得出的结论： 不能说 AI 已经具备自主“求生欲”或必然会造成 existential catastrophe。IPO prospectus 本身就有法律上的风险披露功能，企业需要列举可能对公司和投资者产生重大影响的情景。

真正值得关注的是另一件事：

AI safety 已经从技术伦理讨论进入 financial risk disclosure。

一旦投资者开始问：

一次严重 agent incident 会造成多少责任？模型被监管限制会损失多少收入？安全测试会不会推迟产品发布？

安全就不再只是 research lab 的附属工作，而开始影响公司的估值、保险、治理和产品发布时间。

这可能最终推动更成熟的 AI evaluation infrastructure，因为资本市场通常需要可比较、可量化的风险信息。

Reuters：Anthropic warns of advanced-AI risks in IPO filing⁠

今日值得关注的趋势

今天最值得保留的第一个信号是：AI 带来的“表现提升”与“能力形成”正在被越来越明确地区分。Nature Human Behaviour 把它概括为 amplifying experts ≠ producing expertise；高校真实使用数据则从另一侧说明，个人快速采用工具也不等于教学和制度已经完成技术整合。

对于教育研究，可以把这条逻辑进一步写成：

AI access → AI use → AI-assisted performance → learning → expertise

这是五个不同层次，前一个成立不能自动证明后一个成立。

第二个信号是：AI 正从“工具”变成“基础设施”。 一边是 always-on agents 开始持续进入工作流程，另一边是 AI safety、权限和可靠性进入上市公司的正式风险披露；与此同时，Nature Medicine 又提醒科研界，技术越深入科研过程，reproducibility 越不能只靠最后一篇论文来保证。

因此今天最值得记住的一句话是：

AI 越能替人完成工作，我们越需要区分“工作被完成了”与“人获得了能力”；AI 越深入科研和教学流程，我们也越需要记录它究竟做了什么。