一、三种路径的分野
2026年9月，纽约市长马姆达尼宣布了一项被媒体称为全美“范围最广”的课堂AI禁令：纽约市公立学校在2026-2027学年禁止幼儿园至八年级学生使用面向学生的生成式人工智能工具，影响约60万名学生。与此同时，教育局将停用或禁用此前获准使用的38个程序中的AI组件。这项禁令并非“一刀切”——身心障碍者、多语言学习者和部分职业项目存在例外，教师仍可使用符合安全标准的AI工具进行教学规划和行政工作，但不得进行评分等评价性工作。高中则走了一条不同的路：纽约市将为所有公立高中学生开设每年两次的人工智能素养课程，并面向约5万名学生推出5个经过严格筛选的AI试点项目。
纽约的禁令并非孤例。此前，洛杉矶联合学区已全面限制低年级学生使用学校配发的电子设备；美国至少有37个州制定了官方的人工智能指导方针。支持禁令的理由是多重的：布鲁金斯学会全球教育中心的研究发现，AI在教育场景中的广泛应用可能侵蚀儿童认知根基，聊天机器人正以“陪伴”之名蚕食孩子社交中真实人际关系的空间。美国教师联合会主席兰迪·温加滕的表述更为直白：“年龄较大的学生需要具备数字素养，并谨慎学习使用人工智能工具，但年龄较小的学生则需要学会独立思考——这需要减少平板电脑等电子设备使用和思考外包。”
与美国部分学区的“禁令路径”不同，中国的政策选择了一条更系统性的道路。2025年5月，教育部基础教育教学指导委员会发布《中小学生成式人工智能使用指南（2025年版）》，要求小学阶段禁止学生独自使用开放式内容生成功能，教师可在课内适当使用辅助教学；初中阶段可适度探索生成内容的逻辑性分析；高中阶段允许结合技术原理开展探究性学习。该指南还明确规定，教师不得将生成式人工智能作为替代性教学主体，禁止直接使用AI回答学生问题或提供咨询。2026年4月，教育部等五部门进一步印发《“人工智能+教育”行动计划》，提出到2030年基本形成人工智能与教育深度融合的格局，坚持“育人为本、素养为先、应用导向、智能向善”的原则。
高校层面的规范则更为具体。清华大学于2025年发布《人工智能教育应用指导原则》，明确“积极而审慎”的基本立场，确立“主体责任、合规诚信、数据安全、审慎思辨、公平包容”五大核心原则，并明确禁止用人工智能代替本应由本人进行的学术训练，严禁使用人工智能实施代写、剽窃、伪造等行为。复旦大学则提出了更严格的“六个禁止”，包括禁止使用AI工具进行研究方案设计、创新性方法设计、算法框架搭建、论文结构设计、研究选题、数据分析等核心环节，禁止使用AI工具生成或改动本科毕业论文中的原始数据、原创性结果图片，禁止直接使用AI生成本科毕业论文的正文文本。
值得注意的是，美国多所大学的AI政策也在2026年全面收紧。UC Berkeley法学院的新政策规定，用于拿学分的作业默认不得使用AI进行conceptualize、outline、draft、revise、translate或edit；波士顿大学要求任何阶段未经教授明确授权即违规，且AI已被纳入plagiarism的“source”范围。违规边界已从“代写”扩展到brainstorm、outline、润色等辅助环节。
这些政策的共同张力在于：禁令可以划出清晰的红线，但无法回答“如何用”这个更具建设性的问题。正如可汗学院创始人Sal Khan所指出的，简单禁止AI并不能解决学术诚信和学生依赖技术等核心担忧，反而可能让学生失去学习驾驭这项技术的机会。更值得警惕的是，如果学校完全禁止学生接触AI，而家庭条件更好的学生仍可通过私人设备学习，反而可能扩大教育差距。
二、AI是在削弱学习，还是改变学习？
这个问题的答案，取决于我们如何理解学习的本质。
麻省理工学院媒体实验室的一项神经科学研究提供了关键证据。研究团队将54名大学生随机分为三组——LLM组使用GPT-4o完成写作，搜索组使用传统搜索引擎，纯脑组独立写作——历时四个月，通过脑电图（EEG）实时追踪大脑活动。结果显示，使用AI工具的学生大脑活动显著降低，神经连接数量比纯人工组减少了45%至55%。更令人警觉的是，AI组的神经连接在前三轮写作中持续下降，研究者解释，这是因为大脑正在“适应”将认知负担转移给AI的过程，也就是逐渐放弃自己思考的责任。访谈结果更具震撼力：超八成AI组学生在写作后无法准确回忆起他们刚刚写下的句子。
研究者由此提出“认知负债”概念：一种因为过度依赖AI而削弱思维能力和学习过程的心理状态。AI组的文章在结构和语气上更加统一，但整体思路重复性高，语言风格趋于刻板，频繁使用第三人称描述，缺乏个性表达。
这一发现与学习理论的研究形成了呼应。北京师范大学马健生、刘天雨的研究指出，在学习理论视阈下，生成式人工智能诱导下的认知外包可能剥离学习所必需的“必要难度” ，导致学生认知结构的建构过程受阻；全能全知式的“虚假支架”容易引发能力错觉，致使学生的元认知监控休眠。在认知神经科学层面，潜在风险体现为学生大脑执行功能减弱、奖赏系统取向偏置以及社会认知弱化，其内在机制在于真正学习活动长期缺位所导致的关键认知负荷持续削减。
学者易凯谕则进一步提出了 “认知摩擦” 概念。人工智能加速了任务完成周期，挤压了认知发展的加工空间，学习者面临 “周期加速”与“发展停滞”并存的悖论。当学习者通过连续追问迅速获得学习支持时，这种近乎零延时的即时交互消解了认知迭代过程中深度加工的阻滞感，使原本需要较长时间思考、试错和修正的过程被高度集成在“提问—生成—反馈—再生成”的循环中。这种流畅性被称为“流畅性陷阱”——当学习者阅读信息非常流畅时，他们往往会高估自己的理解程度，减少对内容的深入解读，产生元认知惰性。
但这些发现并不意味着AI注定削弱学习。易凯谕指出，当低阶认知任务被有限外包时，技术能有效降低学习者的内在认知负荷，释放认知资源；只有当原本应由个体承担的高阶认知加工任务完全外包让渡给机器时，才演变为“认知卸载”，主体维持认知在场的意志与能力随之弱化，学习者也可能由意义的主动建构者退化为知识产品的被动消费者。
因此，更准确的判断是：AI正在改变学习，但这种改变是可调控的。它改变了信息获取的方式、认知加工的节奏和成果产出的路径，但学习的本质——认知结构的建构、思维方式的形成、价值判断的建立——不会因为技术的介入而自动发生，也不会因为技术的介入而必然消失。正如苏格拉底当年对“文字”的担忧一样，新技术总会引发认知方式的深刻变化，但变化的方向取决于我们如何设计人与工具的关系。
三、驾驭AI的核心能力：提问、判断、重构
如果AI改变的是学习的方式而非本质，那么教育的目标就应该从“传授知识”转向“培养驾驭AI的能力”。
第一，深度提问力。 华中科技大学董毓教授提出应遵循“先思考，后AI”的深度学习原则，以“探究—理解—反思”三大类问题驱动学习走向深入。他指出，简单的提问往往只能引出平庸的回答，而嵌入记忆、理解、应用、分析、创造等认知层级的结构化提问，则能引导生成层层递进、富有深度的高质量教学内容。清华大学在《指导原则》中明确要求教师“主动引导学生辨识人工智能”，培养其核心素养。教育部指南也要求教师在教学中组织学生分析AI生成文本的“逻辑缺陷、价值倾向及文化偏差”，培养对技术输出内容的“质疑精神与甄别能力”。
第二，选择判断力。 当AI能够生成海量选项时，人的价值不在于生成，而在于选择。清华大学《指导原则》中的“审慎思辨”原则提醒师生“通过多源验证防范因过度依赖导致的思维惰化”。这意味着学生需要发展一种“元认知监控”能力——不仅知道AI说了什么，还能判断它说得对不对、为什么对、有没有更好的选择。Sal Khan也指出，要有效地使用AI，“你实际上必须是一个非常非常强的批判性思考者”。
第三，重构创新力。 智能时代的学习不能止于“理解和使用AI”，更要能够“创造人类增量知识的价值”。教育部《“人工智能+教育”行动计划》明确提出要“提升学生智能素养，激发学生好奇心，培养创新思维，提高认知思考和解决复杂问题的能力”。这要求教育从“知识传授”转向“问题驱动”，让学生在AI提供的丰富素材和快速反馈基础上，进行更高层次的整合与创造。
四、未来探索路径：制度、教学与评价的同步转型
将上述能力框架落地，需要在制度、教学和评价三个层面同步推进。
制度层面：从“堵”转向“导”。 中国“分学段差异化”的路径提供了一个可借鉴的框架。清华大学参与《指导原则》制定的王帅国表示，“希望它不是一个‘束缚手脚’的文件，而是一个有生命力的、能随着技术演进不断生长的指导体系”。纽约市的高中AI素养课程和试点项目也体现了一种“在有限范围内引导学生学会使用”的思路。
教学层面：设计“认知摩擦”的合理范围。 如果AI的最大风险是消除学习所必需的认知摩擦，那么教学设计的核心任务就是有意识地保留和调控这种摩擦。北京师范大学的研究建议，通过“重塑‘必要难度’激活深度思维，建立对抗性的人机协作机制以强化元认知能力，回归具身化的社会交互与实践场域”。这意味着不是简单地在“用AI”和“不用AI”之间做二元选择，而是根据学习目标决定哪些环节可以外包、哪些环节必须由学生独立完成。
评价层面：从结果评价转向过程性评价。 当AI可以生成形式规范的完整成果时，仅靠最终成果判断学生能力已不再可靠。香港教育大学团队研发的“学习动态分析法”通过追踪学生在探究、协作和解题过程中的学习轨迹，提供协作、回应反馈及逐步形成想法过程中的客观证据。AI赋能的过程性评价框架则通过多模态数据采集、智能学习分析与可视化成长画像，构建“学生主导、AI支持”的人机协作学习场景。这些探索的核心逻辑是：当AI使“成果”变得廉价时，“过程”就成为衡量学习质量的关键标尺。
结语
AI+教育的未来，不是一个“用不用AI”的二元选择题，而是一个“如何设计人与AI的认知分工”的系统工程。纽约的禁令划出了清晰的红线，中国的指南提供了分学段的框架，高校的规范明确了学术诚信的底线——但所有这些制度设计的最终落脚点，都应当是同一个目标：培养能够驾驭AI而非被AI驾驭的人。
麻省理工学院的研究提醒我们，认知负债是真实的风险。但正如易凯谕所指出的，风险不在于AI本身，而在于应用过程中存在的认知偏差与方法失当。当低阶认知任务被有限外包时，技术可以释放认知资源；但当高阶认知加工被完全让渡给机器时，学习的主体性才真正受到威胁。因此，最终的路径或许可以概括为一句话：在制度上划定底线，在教学上调控摩擦，在评价上关注过程，在目标上培养驾驭AI的人。
引用文献来源：
- 《中小学生成式人工智能使用指南（2025年版）》，教育部基础教育教学指导委员会，2025年5月发布。
- 《“人工智能+教育”行动计划》，教育部等五部门，教科信〔2026〕1号，2026年4月2日。
- Kosmyna, N. et al. “Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task.” MIT Media Lab, 2025. 论文地址：https://arxiv.org/pdf/2506.08872v1
- 马健生、刘天雨：《论生成式人工智能介入中小学生学习过程的潜在风险——基于学习视角的审视》，《北京师范大学学报（社会科学版）》，2026年第4期，第69-77页。
- 易凯谕：《认知摩擦：人工智能介入学习何以未必促进认知发展》，中国教育科学研究院，2026年9月8日。
- 《清华大学人工智能教育应用指导原则》，清华大学，2025年发布。
- 复旦大学《关于规范本科毕业论文（设计）中使用AI工具的规定》，2024年发布。
- 纽约市公立学校AI禁令相关报道，2026年9月。
- UC Berkeley Law AI Policy, effective Summer 2026.
- Sal Khan关于AI教育禁令的评论，CNBC节目，2026年9月。
- 香港教育大学“学习动态分析法”研究，2026年发布。
注：部分搜索结果为中文媒体转载内容，原始论文和研究报告可通过标注的链接或学术数据库进一步查证。
