夜雨聆风最近几年，无论是学校、老师还是家长，都越来越频繁地讨论AI与学习。
有些讨论关注学生是否应该学习AI。例如，学校是否应该开设AI课程？学生需要了解哪些关于人工智能的知识、能力与伦理问题？
另一些讨论则关注AI如何参与学习过程。例如，教师应该如何与AI协同工作？学生能否使用AI完成学习任务？AI是否能够成为学习伙伴或导师？
这些讨论经常被放在一起。然而仔细观察会发现，它们实际上对应着两个不同的问题。
国际教育组织 TeachAI 近年来也持续使用“Teaching About AI”和“Teaching & Learning With AI”来区分两类不同的问题：一类关注学生如何理解AI，另一类关注AI如何参与学习和教学过程。
两者并非彼此独立，而是共同构成了当前AI与学习的重要议题。
第一类问题可以称为AI通识教育(AI Education/Teaching About AI)。
近年来，这一领域已经逐渐形成较为系统的发展框架。从 AI4K12 的 Five Big Ideas in AI，到 UNESCO 发布的相关能力框架，再到近期《“人工智能+教育”行动计划》提出构建全学段人工智能通识教育体系，都在尝试回答同一个问题：在AI时代，学生应该理解什么，以及学校应该培养哪些与AI相关的知识、能力与价值观。
虽然技术仍在快速发展，课程内容也需要不断更新，但整体而言，这一方向已经开始形成相对清晰的发展路径。
关于AI素养、AI能力框架以及学校如何帮助学生理解AI，目前已经积累了相当丰富的研究与实践经验。在后续文章中，我也会继续整理和讨论这些框架，以及它们对课程设计和学习活动的启发。
相比之下，另一类问题则更加复杂。
它关注的不是学习AI相关知识或者培养AI素养，而是如何用AI支持学习(AI in Education/Teaching & Learning With AI)。
在这种视角下，AI不再是学习内容，而是学习过程中的参与者。它可能扮演学习伙伴、导师、反馈工具或教学助手等角色。这里真正关心的问题不再是“学生应该学习什么”，而是：
当AI进入学习过程之后，学习会发生什么变化？
过去几十年，教育领域一直在探索如何利用人工智能支持学习。
早期的研究主要集中在智能导师系统（Intelligent Tutoring Systems），希望为学习者提供接近一对一辅导的学习体验。随着计算能力和数据分析技术的发展，研究逐渐扩展到学习分析（Learning Analytics）、教育数据挖掘（Educational Data Mining）以及自适应学习系统（Adaptive Learning Systems）等领域。
这些研究共同关注的问题是：如何利用技术理解学习者，提供个性化支持，并辅助教师进行教学决策。
然而，这些系统通常围绕特定学科、特定任务或预先设计好的学习路径运行。AI能够提供支持，但支持方式往往由研究者和设计者预先设定。
生成式AI则有所不同。
它以一种更加开放和通用的方式进入学习活动。学生可以向它提问、与它讨论、让它解释概念，也可以请它提供反馈和建议，而不再局限于特定课程或预设路径。
因此，讨论的重点已经不仅仅是如何利用技术支持学习，而开始转向一个更根本的问题：
当AI能够参与学习过程本身时，学习会发生什么变化？
与此同时，生成式AI进入教育领域的方式也与过去有所不同。
过去许多教育技术通常需要经过研究、开发、试点和培训等过程，再由学校决定是否采用，最终逐步进入课堂。而生成式AI更像是先到达了学习者的世界：家长开始使用，学生开始使用，老师开始使用，学校随后才开始制定政策和回应策略。
某种意义上，学校和教育系统并不是在决定是否引入AI，而是在学习如何与一个已经到来的现实共处。
也正因为如此，当前关于AI与学习的讨论，不再只是技术应用的问题，而更多地触及学习本身。
最近网络上有一个对一种AI辅助教育的描述。
教师使用AI备课、出题和生成反馈；学生使用AI解题、写作和完成任务；家长使用AI辅导孩子、检查作业和与学校沟通。
整个系统运转得越来越高效，每个人似乎都从AI中获得帮助。
在这样的场景中，有老师，有学生，有家长，也有AI。
然而，一个看似简单的问题却值得认真思考：
有人，有AI，但是有学习吗？
或者换一种说法：
当AI参与甚至完成越来越多学习相关任务时，我们应该如何区分“完成任务”和“学习”？
生成式AI最擅长的事情之一，就是能够帮助人们更快地完成许多原本需要花费大量时间和精力的任务。从效率的角度来看，这些能力无疑具有吸引力。
但教育的目标从来不只是完成任务。
学生写作文，不只是为了得到一篇文章。
学生解题，不只是为了得到答案。
学生完成项目，也不仅仅是为了交出一个作品。
在这些过程中，思考、尝试、犯错、修正和反思本身就是学习的重要组成部分。
因此，当AI能够越来越高效地完成这些任务时，一个新的问题开始浮现：
如果AI完成了越来越多原本由学习者完成的工作，那么学习者究竟学到了什么？
那么，一个促进学习的AI应该是什么样的？
Khan Academy 推出的 Khanmigo 曾经吸引了极大的关注。与许多生成式AI追求快速给出答案不同，Khanmigo通过持续提问引导学生思考，来代替直接回答问题。
但是，现实是，学生对这种设计的评价呈现出明显差异。一些学生认为它能够帮助自己真正理解问题；另一些学生则更希望获得直接的答案，因此觉得这种持续追问的方式效率不高。
这种差异本身或许就值得关注。对于希望理解问题的人来说，持续追问可能是一种支持；对于希望快速完成任务的人来说，同样的设计却可能成为一种阻碍。
这种差异本身或许说明，学习者并不是以同样的方式参与学习活动。
除了答案是否正确之外，学习还受到学习动机、情绪状态、认知负荷、先备知识、自我效能感以及学习目标等多种因素的影响。同样的学习支持，对于不同学习者而言，可能产生完全不同的效果。
这也是为什么，当AI开始进入学习过程之后，我们所面对的问题往往不仅仅是技术问题，更多是关于学习本身的问题。
事实上，对于这些问题的关注并不是随着生成式AI的出现才开始的。
早在生成式AI出现之前，教育研究者 Roy Pea 就曾提出“分布式智能（Distributed Intelligence）”的观点。他认为，人类的思考和问题解决能力并不仅仅存在于个人头脑之中，而是分布在个体、工具、符号系统以及社会互动之中。
从这个角度来看，AI似乎只是又一种新的认知工具。
但Pea同时提醒我们，更重要的问题并不是工具本身，而是如何设计学习。
当工具能够承担越来越多认知工作时，我们究竟应该把哪些工作交给工具？又有哪些经历仍然需要学习者亲自完成？
这些问题并不会因为工具变得更强大而自动消失。相反，它们可能变得更加重要。
如果说AI通识教育主要关注的是：
学生应该学习什么？
那么AI支持学习所面对的问题则是：
当AI成为学习过程中的参与者之后，学习会发生什么变化？
这些问题看似简单，但答案或许并不容易找到。
教育技术的发展史某种程度上也是一部不断降低预期的历史。几乎每一种新技术出现时，人们都会期待它能够改变教育；但最终人们发现，真正决定学习质量的，往往并不只是技术本身，而是技术如何与学习活动、教学设计以及社会情境结合。
关于前者，我们已经开始建立课程框架和能力模型；关于后者，我们仍然面对大量开放问题。
而这些问题，或许比AI技术本身更加值得关注。
在接下来的文章中，我会继续围绕这两个问题展开讨论：学生应该如何理解AI，以及当AI成为学习过程中的参与者之后，学习可能会发生什么变化。
