人工智能重塑千行百业，学校教育不仅不例外，更是首当其冲了！
因为学校教育既是被仍人工智能重塑的千行百业中的一行一业，又是为正在被人工智能重塑的各行各业培养人才的一个重要行业。
因此，人工智能教育变成了许多国家的国家意志。正因为如此，这些年，国内国外，官方到民间，人们大谈人工智能赋能教育，重塑学校。
然而，在这股热潮中，我们必须清醒地意识到：教育的重塑，必先始于学习的重塑；技术的赋能，最终要落脚于学习方式的变革；任何宏大的教育变革，其真正的起点，永远是学习方式的变革。
可是，那个正在被人工智能重新定义的“学习”，究竟长什么样呢？
1、对话式学习
2023年12月2日，2023中国基础教育年度议题暨第一届神仙湖教育论坛在香港中文大学（深圳）举行。
研讨活动以“重置系统·ChatGPT生成式人工智能与教育的未来”为主题，分为“ChatGPT生成式人工智能：挑战&应对”和“拔尖创新人才培养：拔尖VS掐尖”两大模块。
在论坛上，我围绕《人工智能重塑学习、课程与教学》，分享了生成式人工智能赋能教师的五种具体路径和教学的五大走向。
其中，我谈到，“大语言模型让具有悠久历史和古老传统的对话回归教育生态，再度成为人类学习的主流”。
在搜索引擎的时代，我们说，搜索就是学习。“知之为知之，不知谷歌之”。
搜索引擎带来的是“检索—筛选—阅读”的单向信息获取模式，它高效，但把学习简化成了“找答案”。
本来，人类学习的主流形态就是对话性的：孔子的“问答”、苏格拉底的“产婆术”、书院里的讲问、师徒之间的口耳相传。
而在大语言模型流行的背景下，我们甚至可以说，“知之为知之，不知对话之”。
大语言模型让“提问—回应—追问—修正”的循环重新成为可能，这确实是一次回归。
对话式学习是人工智能时代学习的一种重要样态。
2、生成式学习
“生成式学习”这个词在不同领域有不同含义。
机器学习/人工智能领域的“生成式学习”指学习数据的概率分布，从而能够生成新的数据样本的学习方式。
与之相对的是“判别式学习”（只学习区分不同类别的边界）。
而在认知科学/教育心理学领域的“生成式学习”，是指学习者主动构建意义、生成自己的理解，而不是被动接收信息。
代表性理论是威特罗克（Wittrock）的“生成学习理论”（Generative Learning Theory）。
“生成式学习”的核心思想是学习不是信息输入到大脑的简单复制，而是学习者将新信息与已有知识主动联系，生成新的理解。
AI时代，学习者与人工智能对话，LLM生成学习材料，学习者将自己头脑中的已有认知结构与LLM所生成的材料进行同化和顺应，从而产生生成式学习。
典型应用如 ima Copilot 和 NotebookLM（Google）的”生成学习材料”功能。学习者上传自己的资料（论文、笔记、教材章节），AI基于这些材料生成摘要、问答、学习指南，甚至生成一段”音频概览”（两个AI主持人对话讲解这份材料）。
学习内容不是预先编好的，而是按学习者自己的材料即时生成；学习者从”消费现成内容”转为”用生成来重组和理解自己的材料”。
这与”生成式”的核心——内容随需而生、以生成促理解——高度吻合。
3、人机协作式学习
人机协作式学习的核心是人与人工智能系统作为共同的学习主体或伙伴，通过分工、互动与互补来完成学习任务或共同提升能力。
教育场景中对“人机协作式学习”最常见的理解，是人作为学习者，AI作为协作伙伴。
AI不是单纯的“工具”或“答案机器”，而是参与学习过程的伙伴，与人形成协作关系。
与此同时，在更技术化的语境中，“协作式学习”指人类反馈帮助AI改进，同时AI的输出帮助人学习，形成双向循环。这个我们可以将其理解为“人与AI共同学习”（机器也在学）。
在人机协作式学习中，人和AI围绕同一学习任务协作。各自承担擅长的部分（AI做规模化、即时性、生成性工作；人做判断、价值取舍、创造性整合）。不是一次性使用工具，而是持续反馈循环。人保持目标设定和批判性判断，避免认知卸载过度导致“学不到”。
例如，GitHub Copilot 在编程学习中的使用，学习者与AI结对编程：自己写一部分，Copilot补全另一部分，学习者审阅、修改、追问AI的建议。
4、个性化自适应式学习
个性化自适应式学习”指系统根据每个学习者的知识状态、能力水平、学习偏好和进度，动态调整学习内容、路径、节奏和反馈，使学习体验因人而异、随人而变。
Scrimba Explain、可汗学院的 Khanmigo + mastery learning，或 Duolingo 的自适应练习，都可以说是典型应用。
以 Duolingo为例：人工智能系统会根据学习者的答题正确率、错误类型、遗忘曲线动态调整下一题难度和复习节奏，错得多的知识点反复出现，掌握好的快速跳过。
学习路径由系统按个体表现实时生成，”一人一路径”而非统一进度，这正是自适应学习的定义性特征。
大模型加入后，它的解释和纠错反馈也更个性化。
5、AI 增强的反思式学习
AI 增强的反思式学习是指利用人工智能系统来支持、激发和深化学习者的反思过程。
反思式学习本身强调学习者对自身学习过程、策略、理解和结果进行回顾、审视与重构（典型如舍恩的“反思性实践”、Kolb经验学习循环中的反思环节）；
而AI 的加入，是让这种通常依赖教师引导或学习者自觉的高阶活动变得更可触发、可支撑、可规模化。
一个具体可操作的例子：
学习者写完一篇议论文或研究设计后，用提示词让大模型”以最严格的匿名审稿人身份，列出这篇论证的三个致命漏洞，并追问作者如何回应”。
学习者被迫反思自己的推理链。
在这个实际例子中，AI并不给学习者提供答案，而是制造认知冲突、暴露思维漏洞，学习发生在”被挑战—自我修正”的循环里。
这是对话式学习的一个特殊变体，重点在反思而非获取。
AI重新定义学习的实质并非用AI替换既有学习环节，
而是对诊断、内容、互动与反思四个环节进行结构性重构：
诊断从统一、滞后转向个体化、实时建模；
内容从统一预设转向动态生成与适配；
互动从单向传授转向对话式追问与协作；
反思从偶发、依赖自觉转向数据触发、结构化支撑的持续实践。
人工智能正深度介入学习过程，
但AI对学习的改变究竟属于工具效率层面的改良，
还是学习结构的重构，尚缺乏清晰界定。
对此，您怎么看？