夜雨聆风6月18日，我带着一节科学课，参加了市里面人工智能赋能教学的展示交流活动。在场许多老师纷纷在课后与我探讨交流，询问我具体的技术路径。
（AI工具在文章末尾拿，本周都会发出来）
与其说是一次展示，不如说是一次反思的机会。因为在这个过程中，我反复追问自己一个问题：当课堂里多了技术的影子，它到底改变了什么？
一、为什么是这节课
我选了一节看起来很“传统”的科学课。五年级《温度不同的物体相互接触》，讲的是温度不同的物体相互接触之后会发生什么。教材编排很清晰，实验也不复杂——热水和凉水，测温度、记数据、看变化。几乎所有科学老师都能上，也几乎都按差不多的方式上。
但恰恰是这种“大家都熟悉”的课，让我更清楚地看到了问题的所在。那段时间我反复在想：学生到底在哪一步最容易卡住？是实验操作，还是记录数据，还是理解结论？
我观察到的现象是：每个孩子都能读出温度计上的数字，但把这些离散的数字连成一条变化曲线，在脑海里形成一幅动态的画面，对很多孩子来说是困难的。他们记得住“最后温度变得差不多了”，却说不清“它是怎么一步一步变成这样的”。
另一个问题是：课堂上有很多好的行为瞬间——某个小组配合得很好，某个孩子读数特别规范——但这些“好”往往只留在教师的印象里，没有办法即时反馈给学生。等到课后总结时再提，那份激励的力量已经弱了很多。
还有一个更根本的问题：这节课的核心概念是“热传递”，但热是看不见的。学生能测量温度，却“看不见”热在流动。怎样让一个抽象的过程变得可以被感知、被理解？
这些问题一直存在，只是以前我习惯了用“科学课就是这样的”来回应。但这一次，我决定换一个思路。
二、教学思路：先立目标，再谈技术
我的第一个冲动是：做一个工具来解决这些问题。但我很快意识到，如果连自己要解决什么问题都没想清楚，做再多工具也是盲目的。
于是我退回到最原始的地方：翻开课程标准，把这一课的教学目标重新梳理了一遍。
这节课有三个层面的目标。第一是让学生通过实验认识到，温度不同的物体接触后，热量会从高温物体传向低温物体，最终趋于热平衡。这是科学观念层面的。
第二是让学生能够基于数据进行分析和推理，而不是凭感觉下结论。这是科学思维层面的。
第三是让学生在小组合作中认真履行职责，养成尊重证据、倾听他人的习惯。这是态度责任层面的。
这三个目标列出来之后，我才开始问自己：在达成这些目标的过程中，哪些环节是常规手段做不好的？哪些地方学生最容易产生认知障碍？哪些教学行为因为工具的限制而无法即时发生？
换句话说，我给自己定了一条原则：先想清楚教什么、怎么教，再想技术能在哪里帮上忙。 不是为了用技术而上课，而是为了上好课而用技术。
三、工具的定位：解决具体问题，不做多余的事
基于上面的思考，我设计了几样东西。它们的技术含量其实都不高，但每一个都有一个明确的靶子。
第一个解决的是时间管理的问题。科学实验对时间同步的要求很高，如果每个小组读数的节奏不一样，汇总出来的数据就会缺乏可比性。所以我做了一个提醒工具，在固定的时间点自动提示全班同时读数。这样一来，所有小组的数据都建立在同一个时间坐标上，可比性自然就增强了。
第二个解决的是数据可视化的问题。我让数据的呈现方式变得更直观——学生每输入一个数据，大屏幕上图上就多一个点，所有的点利用代码动态地连起来，就成了一条变化曲线。最关键的是这个连线过程不是一次性完成的，而是一点一点长出来的。学生能亲眼看到两条线各自延伸、逐渐靠近，最终交汇在一起。这个动态的过程，比任何语言描述都更有说服力。
第三个解决的是评价即时性的问题。课堂上有太多值得肯定的瞬间，但传统的评价方式是滞后的——课后总结时提一句，效果已经打了折扣。我让评价变得轻量和即时，教师可以在巡视过程中随时给出反馈，大屏同步显示。学生看到好的行为被当场肯定，其他同学也会自然地调整自己的行为。评价从“事后总结”变成了“过程导航”。
第四个解决的是概念可视化的问题。这节课最难讲清楚的地方是“热传递”这个看不见的过程。常规手段只能靠语言描述，学生听完了还是一知半解。我用一种模拟的方式，把抽象的“热”变成了可以观察的“颜色变化”。学生亲手操作、亲眼看见，不需要老师反复解释，概念就在体验中建立起来了。
四、活动的体会：好的技术是“隐身”的
参加完这次展示活动，我最大的体会是：一堂课上得好的标志，不是学生觉得“今天用了高科技”，而是他们觉得我理解了这节课的内容。技术越成功，越不容易被注意到——它像一个隐形支架，撑起了教学的骨架，却不喧宾夺主。
反过来，如果一个学生上完课的印象是“今天我们用了平板”，而不是“我明白了温度为什么会变化”，那技术就失败了。
这让我反思：现在很多关于AI赋能教学的讨论，重心都放在了“技术能做到什么”，却很少追问“课堂上真正需要什么”。其实，技术能做很多事，但课堂上需要的并不多。教师的责任，就是在“能做的”和“该做的”之间划一道线。
我给自己定的标准很简单：如果一个功能说不出它对应的教学问题是什么，它就不该出现在课堂上。每增加一个功能，必须能回答“没有它，教学会有什么损失”。回答不出来，就不加。
五、我理解的AI赋能教学：四条原则
通过这次实践，我对自己理解的“AI赋能教学”有了更清晰的认识，可以概括成四句话：
第一，教学设计在先，技术赋能在后。
这听起来像废话，但我确实走过弯路。一开始我也先做了几个“看起来很酷”的功能，结果发现教学设计里根本用不上。后来推倒重来，先写教学设计，再对着教学流程问“哪里常规手段不够用”，最后才决定做什么工具。顺序不能反。不是为了用技术而设计课，而是设计好课之后才思考AI能在哪里帮忙。
第二，赋能要实用、具体，落实到每一个功能。
“赋能”这个词很容易喊空。落到课堂上，必须能说出每个功能对应的教学问题是什么、解决了什么、怎么解决的。如果说不清楚，说明这个功能是多余的。
第三，赋能要多元，但多元不是堆砌。
不同环节需要不同类型的帮助，有的管节奏，有的管数据，有的管评价，有的管概念理解。它们各自独立，又形成闭环。少了任何一个，对应的环节就会退回传统教学的困境。但多元不等于多，每一个都应该是必要的。
第四，重点难点是赋能的靶心。
每节课都有它的核心目标和关键障碍。所有技术工具的设计，都应该指向这两个地方。如果工具不服务于重点难点，它就是装饰，不是工具。
六、回到教育的本质
参加这次活动，让我重新思考了一个更根本的问题：在AI越来越强大的时代，一个老师最不可替代的能力是什么？
我的答案是：判断“哪里该用技术、哪里不该用”的能力。
技术能做很多事，但它不知道“这节课最重要的目标是什么”。只有教师知道。技术不知道“哪个环节学生最容易卡住”。只有教师知道。技术不知道“什么样的反馈对这个孩子最有效”。只有教师知道。
所以，AI赋能教学，不是把决定权交给技术，而是用技术去实现教师已经想清楚的教学设计。技术是执行者，教师是设计者。这个主次关系，任何时候都不能颠倒。
回到我上的那节课。课后有学生跑过来跟我说：“老师，我回家也想做一个这样的实验。”
我觉得，这就够了。技术没有成为课堂的主角，但它悄悄地帮助学生理解了知识、产生了兴趣。它像温度一样，在看不见的地方传递着能量——而教师，是那个把“热”引向正确方向的人。
如果有想交流的，欢迎留下你的想法！
（温度统计小程序自取学习）
