AI时代,什么学习不能被外包?——从 AI-resistant learning 谈真实学习的重新设计

▲图源

过去一段时间，学校里关于人工智能的讨论，常常从一个焦虑开始：学生会不会用AI代写作业？作文是不是AI生成的？数学题是不是AI帮忙解的？这些问题当然重要。但如果学校只停留在“防作弊”的层面，可能反而错过了AI对教育提出的更深问题：当AI能够写文章、做总结、模拟辩论、设计海报、解释知识点时，学校到底还要学生学什么？什么样的学习，才是真正不能被外包的学习？

美国教育者 A.J. Juliani 近来围绕 Learning 3.0、AI-resistant learning 和学习可见性写了一系列文章。他并没有简单地把AI看作教育的敌人，也没有把AI神化为万能的学习助手。他追问的是：AI正在改变学习的底层结构，学校必须重新设计学习，既要借AI看清学习如何发生，又要守护学生亲身思考、判断、表达、互动、反思的完整成长路径。

一

AI-resistant learning 不是反AI，而是反“伪学习”

“AI-resistant learning” 很容易被理解为“抗拒AI的学习”。但在Juliani的语境中，它不是把AI挡在校门之外，也不是设计一些AI做不了的刁钻题目。它真正追问的是：哪些学习过程一旦被AI替代，学生就失去了真正成长的机会？

例如，学生可以让AI写一篇关于气候变化的文章。但他是否真正理解了不同证据之间的关系？他是否知道某个数据来源是否可靠？他是否能解释为什么选择这个观点而不是另一个观点？他是否能面对同伴质疑，重新修正自己的判断？他是否能把这个问题和自己的生活、社区、行动联系起来？

如果这些过程都没有发生，即使学生提交了一篇结构完整、语言流畅、看似成熟的文章，也未必发生了真正的学习。AI时代最大的风险，可能不是学生“交不出作业”，而是学生交出了更漂亮的作业，却没有经历必要的认知劳动。

因此，AI-resistant learning 的核心不是“防AI”，而是防“伪学习”。它保护的不是作业形式，而是学生的真实思考。真正需要被保护的学习过程包括：亲自记忆、亲自解释、亲自判断、亲自讨论、亲自反思、亲自迁移。学生可以使用AI，但不能把理解、判断和责任一起交给AI。

二

Learning 3.0：AI正在改变学习的底层结构

Juliani 在 “Learning 3.0: From Analog to AI” 中提出，教育正在经历一个深层转变。过去的学校学习，大多建立在标准化、同步化、同质化的逻辑之上：同一时间、同一教室、同一教材、同一进度、同一考试。教师很努力，但在一个班级中同时照顾几十个学生，个性化反馈始终是一件困难的事情。

AI的出现，正在改变这个结构。AI不只是帮助教师生成教案、制作练习、批改作文。更重要的是，它可能让学习过程变得更加可见。过去，教师常常只能看到学生最终交上来的作业或考试成绩；而现在，AI可以帮助捕捉学生在学习过程中的许多行为证据：学生在哪里停顿，在哪里反复出错，修改了几次等。

学习评价可以从“看结果”转向“看过程”；教师反馈有可能从“事后批改”转向“即时支持”；学生学习有可能从“统一进度”转向按自己的节奏和深度进行的“个性化学习”。这就是Juliani所说 Learning 3.0 的关键：AI的真正价值不是替学生完成任务，而是帮助教师和学生更清楚地看见学习如何发生。

三

AI能看见什么，又看不见什么

Juliani 在 “What AI Can Actually See When It Watches You Learn” 中提出一个非常重要的问题：当 AI 介入学习观测，它看到的绝不只是简单的对错结果，还有诸多以往教师很难全程跟进的学习过程。学生反复做错的题目，指向理解上的薄弱环节；收到反馈后的修改动作，反映出知识内化的真实情况。课堂上沉默寡言的学生，或许会在线上学习平台反复钻研；部分学生答案虽正确，实则只是机械套用方法。合理运用这些学习轨迹与错题规律，可以帮助教师更好地优化教学。

Juliani同时提醒我们：AI可以看见很多学习行为，却不能完整看见一个学生。AI可以看到学生在某道题上停顿了很久，但它不一定知道学生为什么停顿。也许是知识不会，也许是语言障碍，也许是焦虑，也许是前一天没有睡好，也许是家庭问题影响了状态，也许只是他在认真思考。

四

AI-resistant learning 的真正含义：学生必须亲自经历什么

AI-resistant learning并不是回到纸笔时代，而是重新识别那些不能被外包的学习环节。它要保护的，是学生作为学习主体必须经历的认知劳动。

亲自回忆

学生需要先从已有知识和理解中提取信息，而不是一开始就把问题交给AI。

2.亲自解释

学生不仅要提交答案，更要说明答案为什么成立。解释，是理解是否真正发生的重要证据。

3.亲自判断

AI可以提供多个方案和观点，但哪个更可靠、更有价值，必须由学生作出判断。

4.亲自讨论

真实学习需要人与人之间的倾听、质疑和修正，而不是人与机器之间的单向问答。

5.亲自反思

学生要能说明自己如何使用AI，AI帮助了什么、误导了什么，自己又做了哪些修改。

6.亲自迁移

真正学会不是复述答案，而是能在新的情境中使用知识，付诸行动、解决问题。

这些要素共同构筑起 AI 时代真实学习的底线。

核心目的：防止学生在学习进程中沦为旁观者、失去主体地位。

五

不是所有学习都要AI-resistant：三类学习设计要并存

并不是所有任务都必须禁止AI。事实上，如果学校只设计无AI任务，也会带来另一个问题：学生无法学习如何负责任地使用AI。更合理的做法，是根据学习目标区分不同类型的任务。

AI时代的教学设计，既要为学生保留必要的独立思考与判断的空间，也要主动创造机会，引导学生学会合理、有效、负责任地使用AI。教师不能只告诉学生“能不能用AI”，更要帮助学生理解：什么时候应当先自己思考，什么时候可以借助AI拓展思路，怎样判断AI输出的可靠性，如何修改、整合并承担最终责任。只有这样，AI才不会替代学习，而会成为促进学生思考与创造的工具。

六

评价改革：从单个作品走向多重证据

AI时代最需要改变的是评价逻辑。如果评价只看最终作品，学生自然会把精力放在优化成品上；当AI能够快速生成高质量文本和PPT时，单一作品就越来越难以证明真实学习。Monash University在AI与评价指南中提出了一个很值得教师参考的问题：在学生可以使用生成式AI的前提下，这个评价作业是否仍然能够提供有效的学习证据？如果答案是否定的，这个作业就需要调整。因此，学校应把评价从“作品评价”转向“证据评价”。作品仍然重要，但不再是唯一证据，研究日志、草稿记录、口头解释、同伴反馈、现场答辩、个人反思和AI使用声明，都应共同构成学习证据链。

Assessment Twins是个不错的策略：用两个相互关联的任务交叉验证学习。例如，论文加口头答辩，项目报告加现场演示，小组作品加个人解释，AI辅助成果加过程反思。

七

AI时代真实学习的五个保护机制

综合Juliani、UNESCO、Monash、AI Assessment Scale等相关研究，可以把AI时代真实学习的设计概括为五个保护机制。

这五个机制的共同目标，让AI成为学习的支持者，而不是学习的替代者；让技术帮助教师看见学生，而不是把学生简化为数据；让学生学会使用AI，而不是被AI利用。

八

学校可以怎么做：从政策到课堂的几个抓手

第一，建立分层AI使用框架。学校需要按照任务目标明确AI使用边界，例如：完全不用AI、可以用AI获取反馈、可以用AI辅助研究、可以用AI共同创作等。学生真正需要的不是笼统的“可以”或“不可以”，而是清楚知道AI在这个任务中能做什么、不能做什么，以及最终责任由谁承担。

第二，重构作业和评价。重要评价应尽量避免只靠一篇文章或一个项目作品判断学生学习，而要加入研究日志、修改记录、口头答辩等。对于AI辅助作品，还应要求学生说明使用了什么工具、用于哪个环节。

第三，保留必要的“无AI思考时间”和“Defend your learning”（为你的学习辩护）环节。在使用AI之前，学生应先独立写下自己的初步观点和疑问；提交作品之后，还要能回答：为什么这样做？反馈如何吸收？如果换一个情境，如何迁移应用？

第四，提升教师的AI评价素养，把AI政策与学校育人目标联系起来。教师需要学习的不只是工具操作，更是如何判断学生理解、设计过程证据、提出追问、组织讨论和答辩。

结语

AI时代，更要重新发现“学习”

AI时代的教育，不是要退回到没有技术的过去，而是要更清楚地定义什么是真实学习。真实学习，核心并非获取标准化答案，而是内化认知、形成深度理解；并非产出终结性作品，而是持续推演、敞开思维过程；并非片面追求分数提升，而是着眼于丰盈生命成长。

AI可以帮助我们看见学习，但不能代替学生学习。AI可以支持教师教学，但不能替代教师理解学生。

我们真正要做的，是重新设计学习：赋能AI充当学情观测、思辨培育的辅助工具，确立教师理解与关怀学生的核心角色，依托评价培育综合素养，推动学生全人发展。

AI-resistant learning本质并非抵御技术，而是守住学习不可外包的人性底色。

参考资料与数据来源

A.J. Juliani. “The Next Layer of AI-Resistant Learning: What the Research Says and What It Looks Like in Practice.” Beehiiv, 2026.
A.J. Juliani. “Learning 3.0: From Analog to AI (and back again).” A.J. Juliani / Beehiiv, 2026.
A.J. Juliani. “What AI Can Actually See When It Watches You Learn (And What It Can’t).” A.J. Juliani / Beehiiv, 2026.
UNESCO. Guidance for Generative AI in Education and Research. Paris: UNESCO, 2023, updated 2026.
Monash University. “AI and Assessment.” Learning and Teaching: Teach HQ, 2025.
Perkins, Mike; Roe, Jasper; Furze, Leon. “The AI Assessment Scale Revisited: A Framework for Educational Assessment.” 2024.