【摘要】腦認知科學與人工智能快速發(fā)展，推動人類社會加速向智能時代演進，對人類生存發(fā)展能力提出了全新要求，也推動教育目標和方式發(fā)生根本性變革。未來教育體系的設計需要突破知識傳遞的限制，以推動人類持續(xù)繁衍與進化為目標、以學習力培養(yǎng)為核心、以個性化按需學習為導向、以人腦學習規(guī)律為指導、以技術創(chuàng)新為依托，幫助個體培養(yǎng)有機的知識體系、強大的認知能力和持久的學習動力。實現未來教育目標，需要社會各界從教育政策、科學研究、教師教育、考試評價、課程設置和技術創(chuàng)新等方面協同行動，推動未來教育變革從理論走向實踐。
【關鍵詞】腦科學 人工智能 教育變革 學習力
【中圖分類號】TP18/G521 【文獻標識碼】A
【DOI】10.16619/j.cnki.rmltxsqy.2024.17.001
【作者簡介】薛貴，北京師范大學認知神經科學與學習國家重點實驗室教授，教育部“長江學者”特聘教授。研究方向為人類學習和記憶的認知和神經機制。主要論文有《內部動機、外部動機與創(chuàng)造力的關系研究》《事件相關功能磁共振成像研究及其在認知神經科學研究中的運用》《Transformative Neural Representations Support Long-Term Episodic Memory》《Individual-Specific and Shared Representations During Episodic Memory Encoding and Retrieval》等。劉德建，北京師范大學智慧學習研究院聯席院長，教授級高級工程師。研究方向為人工智能與大數據教育應用、數字教育。
教育通過傳授知識、培養(yǎng)技能和塑造價值觀來促進個體的全面發(fā)展，并進一步推動社會進步和人類文明發(fā)展。隨著腦認知科學和人工智能技術的不斷發(fā)展，世界正在加快進入智能時代。在歷史上，每一次科技革命都對教育產生了深遠的影響，推動了教育目標、內容、評價和技術的變革。[1]如果說以蒸汽機發(fā)明和機械制造技術進步為代表的第一次工業(yè)革命促進了教育的普及和職業(yè)教育的興起，以電氣化和大規(guī)模生產為代表的第二次工業(yè)革命推動了學科的專業(yè)化，以信息化和自動化為代表的第三次工業(yè)革命推動了教育的信息化和個性化，那么腦認知科學和人工智能推動的以智能化為代表的第四次工業(yè)革命則將從根本上改變教育的目標、內容和實現方式，從而帶來史無前例的教育底層變革。這是因為，不同于之前任何一次工業(yè)革命，智能化不僅將以更快的速度和在更大范圍內推動技術變革和生產關系的改變，同時將第一次對人類最引以為傲的核心能力（即智力）和尊嚴構成挑戰(zhàn)。未來已來，教育也必須迅速行動，以幫助兒童為未來做好準備。在這樣的背景下，深入探討腦認知科學和人工智能背景下的未來教育變革就顯得尤為重要與緊迫。本文將首先介紹腦認知科學和人工智能技術的發(fā)展趨勢，分析智能時代對人類生存和發(fā)展的新要求；繼而，重點闡述智能時代創(chuàng)新教育的設計原則和體系；最后，就智能時代創(chuàng)新教育實踐的實施路徑給出建議。
腦認知科學和人工智能技術的發(fā)展趨勢
腦認知科學范式變革和前沿進展。隨著神經科學研究技術和方法不斷進步，研究者能夠在前所未有的規(guī)模和分辨率上記錄和分析神經細胞結構、連接方式、基因表達和活動模式，這推動了人們對大腦結構和功能的理解。[2]在2020年被Nature Methods評為年度技術的空間轉錄組技術，[3]可以清晰描述大腦的細胞類型，[4]啟發(fā)其功能。結合空間轉錄組技術，研究者構建了小鼠[5]和靈長類動物[6]的大腦細胞類型圖譜、初步刻畫了人類大腦圖譜[7]以及海馬單神經元的全腦空間組織投射[8]。還有研究者結合空間轉錄組技術和顱內腦電技術，將基因表達與腦振蕩聯系起來，確定了與記憶形成振蕩特征相關的基因。[9]
在腦認知領域，2017年Neuropixels的出現使得大規(guī)模記錄單個神經元活動成為現實，幫助人們更好地理解大腦的復雜動態(tài)網絡。[10]采用這種方法，研究者揭示了人腦在細胞層面如何編碼、理解和產生語言，[11]甚至發(fā)現單個細胞就可以“聽懂”詞義。[12]另外，采用先進的分析思路，研究者也可以解析大腦復雜認知功能的神經機制，包括獼猴在空間序列記憶時的環(huán)狀結構表征，[13]前額葉通過增強和轉換記憶表征來減少干擾等，[14]以及人類認知地圖形成的機制。[15]
腦認知科學的進展還帶來臨床應用的突破。比如，腦機接口技術構建了人腦和外部設備之間的直接信息橋梁，在動作、[16]語言、[17]精神疾病診斷、[18]盲人重獲視力（如借助Neuralink的新產品Blindsight）、動作想象和思維[19]等領域取得了廣泛進展，從而被Nature提名為2024年七大關鍵科學技術之一。[20]使用全新的雙向腦機接口技術，研究者可以通過對體感皮層的微刺激讓患者產生觸覺，使抓握物體所花費的時間從20.9秒減少到10.2秒，更接近健全人類能力。[21]最新的語音腦機接口可以通過將嘗試講話引起的神經活動解碼為文本或聲音，幫助癱瘓患者實現快速交流，解碼速度能達到每分鐘62個單詞；[22]甚至還可以生成語音和虛擬形象，交流準確率可以達到85%以上。[23]
人工智能技術路線和最新進展。近年來人工智能無論在AI芯片、[24]網絡架構和算法，[25]還是在基礎和科學應用領域[26]都取得了較大進展。在大家耳熟能詳的圖像識別、自然語言理解和強化學習等三大基礎領域，人工智能更是取得了令世人矚目的進步。隨著2013年Word2Vec等詞嵌入技術的出現，以及后來的長短時記憶網絡和注意力機制的廣泛應用，機器對自然語言的理解程度得到極大加深。Transformer模型通過自注意力機制（Self-Attention Mechanism）能夠捕捉序列數據中長距離依賴的關系。[27]隨后幾年里，基于Transformer的大規(guī)模預訓練語言模型迅速崛起，極大提高了自然語言理解和生成能力。在大模型基礎上，通過微調（Fine-Tuning）的方式適應各種下游任務，極大地拓展了大語言模型的應用范圍。另外，將圖神經網絡與多模態(tài)學習結合，AI能更好地理解和生成復雜的人類語言和視覺場景，推動了Midjourney V5、ChatGPT-4o和Sora等多模態(tài)理解和場景生成的應用。在強化學習領域，繼2016年DeepMind公司開發(fā)的AlphaGo戰(zhàn)勝圍棋世界冠軍李世石之后，[28]2019年AlphaStar又在《星際爭霸2》中戰(zhàn)勝了人類頂級選手，[29]2020年DeepMind開發(fā)的MuZero，不僅在圍棋，還在國際象棋和日本將棋等項目上展現出超越人類的游戲策略。[30]
除了這些通用領域的應用，AI for Science是另一片人工智能大展身手的領域。AI在生物、[31]化學、[32]數學、[33]神經[34]乃至考古[35]等領域取得了重大的進展。比如，DeepMind團隊開發(fā)的幾代AlphaFold破解了蛋白質結構這一困擾學界數十年的難題。[36]2024年6月，Evolutionary Scale AI發(fā)布蛋白質語言模型ESM3，支持蛋白質序列、結構和功能這三種模態(tài)的任意組合轉換。團隊用其設計出新型綠色熒光蛋白，而自然界可能需要5億年進化才能產生這樣的結果。[37]2023年12月，DeepMind用AI研究數學中的帽子集問題，發(fā)現了新的大型帽子集構造。[38]2024年1月，AlphaGeometry可以解答國際數學奧林匹克30道題目中的25道，達到競賽金牌得主的水平；[39]2024年5月，MIT科學家用AI發(fā)現了3個新的可積偏微分方程。[40]
腦認知科學和人工智能的協同發(fā)展。腦認知科學與人工智能在各自取得迅猛發(fā)展的同時，近年來也逐步融合并相互促進。一方面，人工智能可以為腦認知科學提供強大的分析和解釋工具。比如，通過深度學習算法模擬人腦的神經活動，可以實現對人腦如何進行圖像識別、[41]自然語言處理、[42]語音識別[43]以及視頻觀看[44]等的解釋和預測。從人工智能算法中獲取啟發(fā)，科學家還能解析大腦的計算過程，發(fā)現人腦中遞歸的網絡架構有助于快速識別物體、[45]嬰兒可以通過無監(jiān)督學習進行圖像識別[46]以及額頂皮層在語言加工中存在高層次、長時程的預測性編碼[47]等現象。
另一方面，腦認知科學可以深入評估人工智能的能力特征，理解其作用機制，啟發(fā)新的人工智能算法。認知科學建立了完善的評估方法論用以準確評估模型的能力，提供了多維度的基準測試。比如，研究發(fā)現以ChatGPT為代表的大語言模型在瑞文矩陣推理、[48]情感識別、[49]文本注釋[50]等多項能力上接近甚至超越人類表現，以及表現出與人類非常相似的心智理論模式[51]。然而，模型在復雜類比推理、[52]因果推理[53]以及言語推理和計劃[54]等方面仍有待提高。更為重要的是，認知科學通過研究心智、大腦和行為，為人工智能提供了重要的理論基礎和靈感。早期的人工神經網絡和深度學習借鑒了神經元和視覺系統的工作原理，主流的Transformer則模仿了人類選擇性注意的方式，[55]最新的GPT模型結合了基于人類反饋的強化學習機制（Reinforcement Learning from Human Feedback, RLHF）[56]。還有研究發(fā)現，在神經網絡中引入人類的元學習方法可以讓模型表現出與人類相似的系統性和靈活性；[57]模擬海馬和內嗅皮層的工作機制，可以成功實現認知地圖的形成[58]。最后，通過人類思維鏈（chain-of-thought）的方式給予GPT提示，可以顯著提高模型在任務中的表現。[59]
可以看到，腦認知科學和人工智能作為兩個前沿領域，近年來取得了飛速進步。一方面，腦認知科學通過刻畫神經元集群和環(huán)路層面的大腦結構和功能，正在深入揭示人腦智能的機制，推動大腦解碼（讀腦）和調控（寫腦）的相關研究及快速落地；另一方面，人工智能在硬件和算法架構、基礎大模型和行業(yè)應用，以及專業(yè)和科學領域也取得了很大進展，正在日益推動各個行業(yè)的深度變革。隨著腦認知科學和人工智能的深度融合，人類社會將很快進入全面智能時代。
智能時代對人類生存和發(fā)展的新要求
時代演變帶來的是不斷變化的挑戰(zhàn)和機遇，也對個體能力提出了全新的要求。理解不同時代的特征和對能力的需求，能夠讓人們更好地應對變化并保持競爭力。農耕時代大約從公元前9000年至17世紀（在不同地區(qū)開始和結束的時間有所不同），是以農業(yè)為主要經濟活動的時期。社會結構以家庭和部落為單位，生產活動依賴自然環(huán)境和勞動力。這個時代要求人擁有強壯的體力和長時間的耐力，掌握種植、養(yǎng)殖、灌溉等農業(yè)技能，強調家庭和社區(qū)合作，互助勞作是常態(tài)。特別是水稻的種植所需要的灌溉系統的建立，需要廣泛的人際合作，中國南方人民合作精神的建立[60]即是典型例子。
工業(yè)時代開始于18世紀的第一次工業(yè)革命（1760年～1840年），其主要特征是機械化生產、大規(guī)模工廠和城市化。工業(yè)時代要求人具有操作和維護機器的技能，機械工程和技術知識變得重要。特別是從機械化到電氣化的發(fā)展，對體能的要求逐步降低，但對專業(yè)分工和效率的要求越來越高。這就要求勞動者具有較高的基礎素質，閱讀和書寫能力成為必需；同時也強調人的紀律性和守時性，按時上下班、嚴格遵守規(guī)章制度。亞當·斯密（Adam Smith）在《國富論》中強調了勞動分工的重要性，認為產業(yè)工人需要高度的專業(yè)化技能以提高生產效率。工業(yè)時代對基礎教育、專業(yè)技能、分工合作和紀律性的強調，成為現代教育體系設計的關鍵考量，其影響一直持續(xù)至今。
從20世紀末開始，人類進入了信息化時代。信息和通信技術（ICT）快速發(fā)展，互聯網、大數據等技術顯著改變了人們的生活和工作方式。這個時代要求人具備數字素養(yǎng)，掌握使用計算機和互聯網以及應對信息冗余的能力。比爾·蓋茨就一直強調編程、數據分析等技能的重要性，他指出，創(chuàng)新和快速適應變化能力是適應信息化時代的關鍵。同時，面對信息化時代的復雜問題（如全球化、網絡安全等），需要人們具備系統思維和解決復雜問題的能力。世界經濟論壇（WEF）在《未來就業(yè)報告》中提到，信息時代的勞動力需要具備“復合技能”，如復雜問題解決、批判性思維和情緒智能。然而，雖然教育信息化在技術層面逐步普及，但當下的教育內容和目標卻還遠沒有滿足信息時代對人的要求。
更具有挑戰(zhàn)的是，隨著科技的不斷發(fā)展，世界正在加快進入智能時代，從而對人提出更為不同的要求。
第一，智能時代更加突出人腦智能的價值。前文提到，腦認知科學和人工智能在理解大腦運行模式的基礎上，還在模仿大腦的工作方式，在大數據和強計算支持的弱人工智能基礎上，將進一步實現通用的強人工智能。正如工業(yè)革命后機器替代了大量的體力勞動，智能時代來臨人工智能會替代大量的技能勞動，包括生產線工人、汽車司機、外語翻譯、職業(yè)棋手、初級會計、律師、程序員、外科醫(yī)生等。以前人們認知中的創(chuàng)新勞動，比如原畫師，甚至某些專業(yè)的科學領域，包括數學、化學、生物、考古等，其中部分有明確定義的邊界和目標、可以依據大數據進行計算和預測的領域勞動也逐步被人工智能所取代。這些新的變化迫使人們更加深入地思考人腦智能的本質，并不斷提高智能的水平。如何突出人腦智能的優(yōu)勢，實現人腦智能和人工智能協作共生，教育必將在其中承擔更大責任，也必須作出重要變革。
第二，智能時代更加強調個體的學習能力。在人工智能時代，知識的爆炸式增長將成為常態(tài)，職業(yè)和工作的更迭也將更加頻繁，從而更加強調新知識技能的學習。依托互聯網以及生成式人工智能，知識獲取更加便捷高效；基于人工智能的知識圖譜構建，知識分析和整合也更加精確；穿戴式甚至微創(chuàng)侵入式腦機接口將使得人機協作更加自然順暢。在這個背景下，生僻的知識、碎片化的知識、僵化的知識將失去在大腦中存儲的意義，而系統的知識、廣泛聯系的知識、能靈活應用的知識才是能支撐創(chuàng)新問題解決的知識，才是人腦最值得識記的知識，也才是教育需要重點傳授的知識。同時，知識獲取的場所也從教室擴展到全空間，獲取的媒介從書本拓展到混合現實，獲取的途徑從被動接受拓展到主動構建。因此，傳統的知識教育模式必將進行重大變革，旨在培養(yǎng)強大的學習能力以及“學會學習”的學科也將變成像語文、數學等一樣的、人人必修的基礎學科。
第三，智能時代更加青睞綜合和專項知識技能兼具的T型人才。隨著知識獲取容易程度的提高，以及共用智能工具平臺的涌現，一個人能掌握的知識和使用的工具將越來越多。因此，掌握多學科領域知識，熟練使用多種工具的個體會越來越多，他們將展現出更大的競爭優(yōu)勢。未來，一個人將承擔多個人的角色，從而降低人際溝通和團隊管理的成本；少數人甚至一個人的企業(yè)在市場中將擁有更大的靈活性、更高的效率以及更強的競爭力。除了掌握多種知識和技能外，如果個體在某些特定領域擁有超過AI的專業(yè)技能，成為某個領域的頂尖專業(yè)人才，能夠創(chuàng)新知識產品，將具有更強大的競爭優(yōu)勢。從這個意義上講，智能時代更加青睞擁有綜合和專項能力的T型人才。
第四，智能時代將對個人成長動力提出更高要求。生命長度的增加和知識演變的加速讓一勞永逸式的學習成為過去。終身學習不僅是高品質生活的必然要求，更是個體在未來生存和發(fā)展的前提。一方面，雖然腦認知科學與人工智能的發(fā)展在客觀上能提高個體學習效率，但也極大地加劇了競爭的激烈程度，提高了取得競爭優(yōu)勢的門檻，從而對人的學習動力和耐力提出了更高的要求；另一方面，基于人工智能技術的消費品正在精準地“劫持”個體的獎賞系統，通過高脂高糖食品、高情緒價值商品、沉浸式虛擬游戲、個性化短視頻推送、便捷的購物體驗、針對性廣告，乃至定向推送的消費貸，助推消費主義和享樂主義，分散精力并消磨意志，還可能導致抑郁焦慮等精神心理問題。因此，未來影響個人終身發(fā)展的最大挑戰(zhàn)不是資源的多少，而是個體是否擁有抵制誘惑的強大意志力和渴望成長的強大動力。
可以看到，智能時代將帶來全新的社會和經濟形態(tài)，也對人的能力構成提出了全新要求。同農耕時代、工業(yè)時代和信息時代不同，智能時代要求人擁有更強大的智能、學習能力和學習動力，才能掌握多領域的知識和技能，在某些專業(yè)領域開拓創(chuàng)新并出類拔萃，抵擋誘惑并努力實現個人成長目標。從這個意義上講，教育的目標應該遠遠超越傳統的知識講授，并回歸到支撐人類生存和發(fā)展的最底層能力，也就是人類適應快速變化的不確定環(huán)境的能力，這也是未來教育要遵循的第一性原理。
智能時代的創(chuàng)新教育體系設計
教育是為未來培養(yǎng)人才。處在迅猛發(fā)展變化的時代，教育必須未雨綢繆、提前行動，這已經成為了社會的廣泛共識。歷史上，應對科技和社會的變革，教育也作出了積極的應對。因應工業(yè)革命而產生的教育1.0，是傳統的教師主導型教育。其主要特征是以教師為中心，教師是知識的主要傳授者，學生主要是被動接受者。同時采用固定的教材和標準化的考試。在教育2.0階段，教育所指向的學習則是以學生為中心的主動學習。其主要特征是強調學生的主動性和參與感，鼓勵自主學習，倡導教師與學生、學生與學生之間的互動，同時采用更加豐富的學習資源，以及項目、論文、實踐等更加多元的評估形式。信息技術的引入推動了教育3.0的發(fā)展，互聯網、計算機、多媒體等廣泛應用于教育，在線學習，個性化學習和數據驅動成為其主要特征。那在智能時代，我們需要什么樣的教育呢？
一些專家強調科技進步對教育的促進作用，提出了教育4.0的概念。在教育4.0階段，智能化與全方位個性化教育成為主要特征。AI和大數據可以提供超個性化的學習路徑和資源，VR和AR則能夠提供沉浸式和實踐性的學習體驗。正如世界經濟論壇在2024年4月的報告中指出，AI如一把雙刃劍，給未來教育帶來了巨大挑戰(zhàn)的同時，也有助于應對教育的問題。為應對挑戰(zhàn)，未來教育需要聚焦全球公民技能（global citizen skills）、創(chuàng)新和創(chuàng)造技能（innovation and creativity skills）、技術技能（technology skills）、人際交往技能（interpersonal skills）。而AI也能夠推動個性化的自適應學習（personalized and self-paced learning）、可獲得與包容性的學習（accessible and inclusive learning）、問題導向的合作學習（problem-based and collaborative learning），以及學生驅動的終身學習（lifelong and student-driven learning）?？梢姡逃?.0的核心在于實現個性化和自驅動的學習，以使個體更好掌握未來所需的核心技能。
教育4.0是否能成為未來教育的答案呢？前文提到，腦認知科學和人工智能所推動的智能化革命，和之前的任何一次技術革命都有著顯著的不同。依據慣性和線性思維所設想的未來教育，可能無法真正全面反映時代變化的趨勢，以及對教育的全新需求。設計智能時代的教育體系，需要遵循全新的理念。這里，我們重點從五個方面進行討論。
思維破界為前提。腦認知科學和人工智能的快速發(fā)展趨勢，以及對人的能力要求的根本變化，要求我們全面突破習慣思維的模式，跳出傳統教育的框架，從第一性原理來重新認識教育的作用，這是真正實現教育變革的前提。
第一，未來教育需要突破知識傳遞的界限，轉向推動人類傳承和進化的根本任務。智能時代的加速到來，給人類帶來翻天覆地的變化。知識迭代的加快、知識范圍的擴增、知識獲取的便利，都極大地降低了通過正規(guī)教育來獲得有限范圍、標準化知識的必要性?，F有教育體系中所規(guī)定的全員必須掌握的基礎知識，不僅缺乏系統科學的論證，也無法適應時代發(fā)展的需求。而人類面臨的成長動力缺失、心理健康危機等更加嚴峻的考驗，迫切需要通過教育的變革來積極應對。從這個意義上來講，教育的目的應該從傳遞知識和技能轉向推動人類繁衍和進化。這是教育使命的一個巨大轉變，也指引著未來教育變革的方向。
第二，未來教育需要突破傳統學科專業(yè)的界限，實現多學科和跨學科的教育創(chuàng)新。教育的學科劃分是基于工業(yè)時代的勞動分工而建立起來的。無論從大腦知識存儲的原理、學科發(fā)展趨勢、社會需求變化，還是人類發(fā)展需求來看，這種學科劃分的必要性都在日益降低。從知識獲取上看，跨學科的主題式、項目制學習將能更好促進知識體系的形成和靈活應用；從學科發(fā)展上看，學科交叉融合將是創(chuàng)新的源泉；從社會需求上看，未來專業(yè)分工將更加模糊，多專業(yè)和跨專業(yè)將更加普遍；從人類發(fā)展上看，教育需要從對人的知識技能的培養(yǎng)轉向對人的綜合培養(yǎng)，除了傳統的數學、語文、英語、物理、地理、生物、化學、計算機等基礎學科之外，如體育和健康科學、心理學、認知科學與神經科學、社會學以及其他更多與人相關的人文學科將更能促進個人發(fā)展。
第三，未來教育需要突破教育方式的邊界，實現大腦塑造的全景教育。面臨智能時代的挑戰(zhàn)，教育的根本任務是提升人的學習能力，其本質是對大腦的科學塑造。除了傳統的教育教學活動，還有很多的方式可以實現對大腦的科學塑造。比如，除了知識的講授，通過動手實踐不僅有助于知識的掌握，還有助于技能的習得；體育鍛煉，特別是有氧運動，是強身健體、調節(jié)情緒、鞏固記憶的有效方法；充足有效的睡眠是改善情緒、提升注意力和學習記憶的有效策略；基于大腦的學習原理的計算機游戲是提高學習動機和學習效率的科學方式；當然，對大腦活動的直接調控，如采用藥物、神經反饋和腦刺激等方式，雖然目前更多用于腦功能疾病治療、障礙康復以及學習困難矯正中，但未來在充分考慮安全和倫理的前提下，也將有可能應用到正常人群的學習能力增強中。
最后，未來教育需要突破教育技術的邊界，實現符合大腦規(guī)律的高效教育。雖然信息技術和人工智能正在快速地改變教育樣態(tài)，但目前更多表現為技術能力，而更少考慮學習的規(guī)律和需求；更多注重數據的采集，而缺少有效分析和規(guī)律提取，沒有完成從數據到證據的轉化。為真正實現技術賦能的未來學習，一方面，需要更加突出腦認知科學的重要地位。腦認知科學不僅能夠為人工智能和大數據提供理論基礎和關鍵指標，還能提供直接高效的技術，包括數據采集技術、指標分析技術、評估診斷技術、干預訓練技術等。另一方面，需要打破技術壁壘，實現腦認知科學與物聯網、大數據和人工智能技術的深度有機融合，這將為未來教育提供強大技術支撐。
能力提升為核心。未來究竟需要什么樣的能力？傳統做法是基于對未來趨勢的洞察，定義一系列能夠符合未來社會形態(tài)的能力和素養(yǎng)體系，比如教育4.0所強調的技能素養(yǎng)、人際交往、全球意識，等等。雖然這樣的預測具有積極的意義，但也往往存在明顯的局限。這是因為人類往往高估短時間技術變革的影響，而低估長時間技術變革的力量。特別是基于腦認知科學和人工智能技術的迅猛發(fā)展，未來社會形態(tài)必然會加速演變。對科學技術進步、社會生產組織形態(tài)、人際交往模式乃至國際競爭形勢的預測，都會面臨極大的不確定性。
面對復雜多變，難以預測的未來世界，我們究竟需要什么樣的能力呢？對于這個問題，我們或許可以從人類漫長的進化歷史中尋求啟示。人類經過幾百萬年的進化，大腦體積明顯增大，認知能力顯著提高，知識技能獲取速度極大加快。盡管如此，個體在成長過程中所獲取的知識并不能通過基因遺傳給后代。嬰兒在出生的時候，除了本能行為，頭腦中并沒有外顯的知識和技能，包括語言、運動和社會交往，等等。相反，嬰兒卻擁有異常強大的學習能力，確保其在世界任何地方都能學會當地的語言，適應當地的自然和社會環(huán)境，熟悉當地的文化，掌握生存和發(fā)展的技能。這種強大的學習能力就是人類能夠以不變應萬變，在數百萬年復雜的氣候環(huán)境變化中得以生存的根基，也應該成為我們要重點強調的在未來快速多變的時代所要具備的關鍵底層能力。
未來人類所需具備的關鍵底層能力就是人類強大的學習力。學習力這個概念最早由美國麻省理工學院的佛睿斯特（Jay Forrester）于1965年在《一種新型的公司設計》一文中提出。[61]20世紀90年代中期，學習力逐漸成為一項前沿的管理理論，被廣泛應用在企業(yè)管理和企業(yè)文化領域。在教育學領域中，學習力是一個新的概念。國內外的研究者對其內涵的一般定義為：一個人的學習動力、學習毅力、學習能力和學習創(chuàng)新力的總和，是人們獲取知識、分享知識、運用知識和創(chuàng)造知識的能力。聯合國教科文組織出版的《學會生存》一書中提出：“未來的文盲不是目不識丁的人，而是沒有學會怎樣學習的人。”
對學習力的要素，英國布里斯托爾大學Claxton教授于2002年首先提出了學習力構成的四個要素“4R”：堅韌力（resilience）、策應力（resourcefulness）、反省力（reflection）、關系力（relationships）[62]。在此基礎上，英國ELLI項目進一步豐富了學習力的構成要素，提出了七要素理論，分別是：變化和學習（changing and learning）、批判性好奇心（critical curiosity）、意義形成（meaning making）、創(chuàng)造性（creativity）、學習關系（learning relationships）、策略意識（strategic awareness）、堅韌力（resilience）。美國哈佛大學Kirby教授在長期的教學實踐中豐富了學習力的內涵，并于2005年出版了專著《學習力》。他認為學習力應該是一個包括學習動力、學習態(tài)度、學習方法、學習效率、創(chuàng)新思維和創(chuàng)造力的綜合體。
在總結學習力的既有研究，結合腦認知科學的發(fā)現后，我們從腦科學的視角提出了面向未來的學習力的三大要素，包括有機的知識體系、強大的認知能力和持久的學習動機。[63]其中有機知識體系，是指能夠從具體到抽象之間形成多個層級，各層級內部和層級之間緊密聯系，從而構成復雜的、有結構性的知識網絡，進而加快新知識掌握的速度，促進知識的遷移、靈活應用和創(chuàng)新。人腦的感知運動皮層、顳葉皮層和頂下小葉等區(qū)域構成了人腦有機知識知識存儲的主要生理載體。強大的認知能力是指人們獲取和加工信息并且創(chuàng)造知識的一系列認知能力的組合，包含了信息的選擇（注意力）、短時存儲（短時記憶）、分析與加工（計劃與推理）、更新與抑制（執(zhí)行功能）、長時保存和轉化（長時記憶）以及元認知監(jiān)控等成份。這些高級的認知功能主要由大腦前額葉及其所在的執(zhí)行控制網絡來完成。持久學習動機則包含了充滿激情、熱愛和好奇，渴望成長的動力系統；善于調節(jié)情緒、控制沖動、延遲滿足，擁有強大復原力和堅韌力的控制系統；追求卓越，擁有明確的人生目標和意義的方向系統。這個部分需要大腦古老的邊緣系統和最近進化的內側前額葉系統的共同作用。
大量的研究表明，學習力不僅是預測一個學生學習成績的重要指標，[64]更是預測個體長遠發(fā)展，包括職業(yè)、收入、生活滿意度，甚至身體健康和壽命的關鍵。[65]因此，基于腦認知科學的學習力體系，不僅可以幫助學生適應未來，也能夠解決當下的現實需求，從而實現教育中短期目標和長遠目標的協調統一，以及應試教育和素質教育協調統一。
按需學習為導向。每個人的大腦都是獨一無二的，這是個人獨特的基因和環(huán)境因素共同作用的結果，也是人腦充分成熟的標志。腦功能影像的研究發(fā)現，成人個體的腦功能連接模式具有獨特的特征。就像指紋一樣，我們也可以通過個體的腦網絡連接模式來準確識別個人。[66]這種大腦結構和功能的獨特性，是個性化的教育底層生物基礎。近年來，“內卷”現象在教育領域表現得尤為明顯，主要特征表現為社會、學校和家庭以單一和統一的標準為目標，在狹窄的賽道激烈競爭，從而導致學生壓力過大，身心健康遭受威脅。而個性化教育被認為是破解教育內卷的最有效方法。因人而異、因材施教，這不僅是教育的理想狀態(tài)，更是教育的最終目標；這不僅是尊重個體差異、充分實現個人潛能的重要途徑，也是破除教育內卷的必然要求。而學生數量減少和人工智能技術的應用普及將大大提升個性化教育的可行性。未來，按需學習將成為一種必然的學習范式，[67]學習者可以在自然情境中，根據多樣化的學習需求，滿足多層次學習目標的進階要求，通過智能技術有效連接學習資源、環(huán)境與服務。更重要的是，以按需學習為導向，將能更好地提升學生學習能力。
首先，按需學習可以幫助個體更好構建有機知識體系。根據加德納的“多元智能理論”，不同個體可能在語言、邏輯數學、空間、音樂、身體運動、人際、內省和自然觀察等方面具有不同的智能優(yōu)勢。在具體的知識領域，不同學生在知識背景、學習風格、興趣愛好和能力水平上存在差異。通過按需學習，可以依據學生自身的知識背景選擇恰當的教學內容，根據學生的學習風格調整學習方式，從而使得教育資源的投入更加高效和有針對性，避免教育資源和時間的浪費，從而提高教育效率。
其次，按需學習能更好照顧每個孩子的認知能力，提供針對性的訓練。教師可以根據每個學生的認知能力水平，提供適當支持和任務挑戰(zhàn)。對于學習困難的學生，按需學習可以提供額外的資源和幫助，讓其趕上進度；對于學習優(yōu)秀的學生，按需學習可以提供更高難度任務和機會，激發(fā)其潛力。此外，按需學習可以在精準評估學生學習能力的基礎上，有針對性地改善學生認知能力短板，強化優(yōu)勢能力，從而實現“均衡＋優(yōu)勢”的能力發(fā)展模式。
最后，按需學習能最大程度激發(fā)學生的學習動機和興趣。按需學習根據每個學生的優(yōu)勢量身定制學習計劃，使他們能夠在自己的擅長領域得到認可。按需學習注重學生的興趣和內在動機，通過關注和利用學生的興趣點來設計課程內容和教學方法，能夠更好地激發(fā)他們的學習熱情和主動性。按需學習還注重學生的心理和情感需求，通過建立良好的人際關系和學習環(huán)境，更好地支持學生的心理健康和情感發(fā)展。內卷現象往往源于外在動機（如排名和升學壓力）驅動下的同質競爭，而按需學習通過關注和培養(yǎng)學生的內在動機，培養(yǎng)其發(fā)自內心的熱愛，為自我發(fā)展注入持久的動力。
可以看到，通過按需學習，可以更好匹配學習內容、學習難度和學習方式，從而實現高效的有機知識體系建構；也能夠通過認知能力的精準評估和個性化干預訓練，實現認知能力的科學提升；最后，還通過匹配個體目標與價值來提高學習興趣和內在動機，從而提升學習動力。因此，按需學習可以更加有效地培養(yǎng)學習力，從而成為未來教育的必然選擇。
大腦規(guī)律為指導?；趯W習力的培養(yǎng)目標，為實現科學高效、切實可行的教育變革，我們還需要尊重大腦發(fā)育規(guī)律、大腦運作規(guī)律、大腦學習規(guī)律，制定科學的課程大綱和培養(yǎng)體系，應用有效的學習方法和策略，實施科學準確的考核評估方式。
學習的一個主要目的就是要建立有機的知識體系。有機知識體系的重要特征是模塊化、層級性和結構化。[68]為了建立有機的知識體系，可以依據材料之間的相似性和聯系性來安排學習材料，開展大單元、跨主題和項目制學習，通過運用組塊或思維導圖等方式來更好組織知識。[69]更重要的是，有機知識的形成需要從根本上轉變教育方式，要從“老師的教”轉向“學生的學”，實現從輸入到輸出的轉變，包括采用“費曼學習法”以及布置完成綜合性作業(yè)等，從而更好地發(fā)現知識間關系、更有序組織知識，構建符合自己已有知識背景的知識體系。[70]另外，大量研究表明，分散學習[71]和以測代練[72]是非常有效的學習方法，當前卻沒有被師生很好地使用。
我國現有的教育體系還沒有將認知能力培養(yǎng)提高到其應有的重要地位。除了少數學校在拔尖創(chuàng)新人才選拔中開展認知能力測試，大多數學校還是更看重學習成績和學科競賽。這里面有多方面原因。首先，學校長期以來都是通過考試來進行評價，而對認知能力的影響認識不足；其次，雖然有些教育工作者認識到認知能力的重要性，但錯誤地認為其是先天決定的，后天無法改變；再次，部分教育工作者重視認知能力評估和訓練，但認為常規(guī)教學就能很好地培養(yǎng)學生的認知能力，無需開展專門訓練；最后，部分教育工作者認識到系統性、針對性培養(yǎng)學生認知能力的必要性，但尚未掌握認知能力的科學定義、還不會使用科學的測評工具和訓練手段?；谀X科學的認知能力培養(yǎng)，需要認識到認知能力在學生學習和長遠發(fā)展中的重要作用，認清其發(fā)展規(guī)律和影響因素。同時要掌握科學的測評方法，更要掌握科學訓練認知能力的方法。[73]比如，小學階段是大腦前額葉成熟的一個主要時期，也是大腦注意、工作記憶等認知能力快速發(fā)展的時期，是通過教育促進前額葉發(fā)展的重要機會窗口。對學生開展科學的學習能力評估和干預訓練，是提高學生學習能力的一個重要策略。[74]大量研究表明，通過長期針對性的工作記憶訓練，并注重訓練的生態(tài)學效度和可遷移性，確實可以提高學生的認知能力以及學業(yè)表現。[75]
人的動力系統的培養(yǎng)也同樣需要遵循大腦的規(guī)律。人的情緒動機包含了多條復雜的通路，包括多條多巴胺通路，負責預期、學習、決策和愉悅體驗等；五羥色胺通路則與人的情緒狀態(tài)密切相關，其異?？赡軐е乱钟?、沖動、酗酒、自殺、攻擊及暴力行為等；下丘腦-垂體-腎上腺軸（HPA）則與人的壓力水平和應激反應密切相關，調節(jié)消化系統、免疫系統、情緒系統、代謝系統以及性行為等。這些通路共同構成了人的基本動力系統，比如接近和規(guī)避。喜好和厭惡影響人是否增加或者減少某種行為；面對未知與不確定性，人會產生強大的好奇心，但也會規(guī)避風險；自控力使人可以根據目標，對動機進行調節(jié)；而習慣是經過長期行為所習得，不依賴外在獎勵和懲罰的持久穩(wěn)定動力。這些基本的情緒動機系統與各種學習生活經驗進行連接，就會產生個體獨特而復雜的動機模式。
從腦科學的角度認識人的動力系統，可以為動機塑造提供很多創(chuàng)新的思路。一是學校要特別關注動機情緒的培養(yǎng)，將之放在與知識和能力同等甚至更高的位置，而不是僅僅為了減少心理健康問題或者進行危機干預；二是在教學的組織中，在注重知識技能傳授效率的同時，要更多培養(yǎng)學生的內在學習動機和興趣，例如，通過建立起知識與真實生活的聯系，適宜的難度以及及時正面的反饋，鼓勵創(chuàng)新和包容失敗的氛圍，等等；三是在各個學習階段都要特別注重生涯規(guī)劃和價值觀的塑造，這不僅決定了人才成長的方向，也決定了成長的動力和個性化的發(fā)展路徑；四是鑒于現階段學生的物質生活水平和發(fā)展需求，要用更高的目標和價值觀，包括全球視野、家國情懷、探索未知、科技創(chuàng)新、社會平等、人際關懷等來激發(fā)其成長動力；五是要綜合利用各種動機系統的力量，包括獎勵、懲罰、習慣和自控力，等等，提升動機系統的持久性和靈活性；六是在傳遞學習動機相關知識的同時，更要注重社會情緒技能的培養(yǎng)，將強大的學習動力變成一種自發(fā)的習慣。
在未來教育的設計中，我們還需要充分認識到體育的重要作用。體育活動尤其是有氧體育運動不僅有助于增強體質，還對學業(yè)成績和心理健康有顯著影響。大量有關青少年的研究發(fā)現，體育運動與學校表現，[76]如閱讀和數學成績[77]甚至是平均績點[78]和認知之間存在正相關關系。有氧體育鍛煉可以促進腦源性神經營養(yǎng)因子（BDNF）分泌，增加海馬體的體積——海馬體在記憶習得和鞏固中起著關鍵作用，從而增強記憶能力和提升學習成績。[79]另外，有氧運動對青少年情緒調節(jié)和心理壓力釋放具有顯著的積極作用。一方面，體育鍛煉通過改善內分泌系統，如促進多巴胺、血清素等神經遞質的分泌，可減輕抑郁和焦慮等負面情緒。[80]另一方面，體育鍛煉可以幫助青少年轉移負面情緒并增加積極情緒體驗。[81]根據世界衛(wèi)生組織最新的身體活動指南建議，5歲～17歲的兒童青少年每天應至少進行60分鐘以有氧運動為主的中等到劇烈強度的身體活動，每周至少應有3天進行劇烈強度有氧運動以及增強肌肉和骨骼的運動。
可以看到，腦認知科學的研究可以為學習力的培養(yǎng)提供全新的認識，為科學和高效學習力提升提供重要的理論支撐和實踐指導。未來教育的設計，包括相關的政策制定、課程體系，教學方法以及評價體系，都需要充分依據大腦的規(guī)律。
技術創(chuàng)新為依托。在智能時代，科技進步將有可能為未來教育的變革提供強有力的支撐，但前提條件是要符合未來的教育的目標以及學習的規(guī)律。其中，腦認知科學將為未來教育設計提供理論基礎、關鍵指標和科學方法，而人工智能和物聯網等技術則將一方面為教育提供強大的工具來變革傳統的教育手段和評價方式，另一方面通過對管理和教學工作的自動化和提質增效來釋放教育管理者和教師的時間，讓他們有更多精力從事人工智能無法勝任的工作；最后，虛擬現實和游戲引擎等技術將為教育提供更加真實的環(huán)境，提高學習動機和效率。
腦認知科學除了能加深對人腦功能的本質認識，幫助重新定義未來教育的目標外，還將從多個方面推動未來教育技術的進步。首先，腦認知科學揭示了人腦發(fā)育的規(guī)律以及人腦學習記憶的規(guī)律。這些規(guī)律不僅可以在認知層面更新教育管理者、教師和學生的觀念，改善教育政策、教學行為和學習方式，更可以為人工智能和虛擬現實等未來教育技術的應用提供科學的指引，包括產品理念和功能設計、關鍵指標的制定、針對性的數據收集，以及基于腦認知科學原理的模型建構和數據驗證等。
其次，腦認知科學能提供很多用于學習能力評估和訓練效果提升的技術。比如，認知測評技術結合腦影像技術可以更加精準測量個體的大腦功能和認知能力。根據Anderson于1982年提出的認知技能發(fā)展理論和Glaser等人于1985年對認知技能維度的分類理論，一些認知技能測量的技術可以更好地實現，包括知識獲取、組織和結構的測量；問題表征深度的測量；心理表征模型的測量；元認知技能的測量；任務完成自動化程度的測量；程序技能效率的測量。這些都大大超過了傳統的教育測評手段，能夠實現對有機知識體系和認知技能的深度評估。腦認知科學還能夠更好地評估學生的學習動力，相關技術包括：傳統的問卷測量、心理投射技術、內隱聯系技術以及腦影像，等等。這些技術和人工智能、大數據以及虛擬現實相結合，未來將使評估和輔助具有更好的精度和干預效果。
最后，教育的本質就是塑造大腦，腦認知科學所提供的技術和方法，可以實現對大腦的精準調控。一些相對無損的技術，比如，神經影像技術、無損腦刺激和腦機接口技術，以及一些神經類的藥物，已經在醫(yī)療領域得到了廣泛的應用，在治療大腦疾病和改善大腦認知和情緒功能等方面起到了良好的作用，未來也有可能成為改善和治療學習障礙以及使正常人認知增強的技術。還有一些微創(chuàng)技術，如侵入式腦機接口、侵入式神經刺激調控（包括光、電、聲、磁、光遺傳等），神經遞質、荷爾蒙和激素等藥物技術等，在解決了安全和倫理問題的前提下，未來都有可能成為有效的教育手段。
在人工智能領域，菲爾茲數學科學研究院院長庫馬爾·默蒂表示：“人工智能帶來的機遇，超越了技術層面，超越了特定學科，而是為全球范圍教育領域帶來革新。”世界經濟論壇在2024年4月發(fā)布的報告中也指出，AI可以通過修改（augmentation）和自動化（automation）來支持教師的角色。可以自動化的工作包括：編制特定主題的書籍、期刊、文章和視聽材料清單；使用標準參考資料核實事實、日期和統計數據；使用答題紙或電子標記設備對家庭作業(yè)和考試進行評分，計算和記錄結果?？梢再x能的工作包括：分析績效數據以確定教學系統、課程或教學材料的有效性；設計學習產品，包括基于網絡的輔助工具或電子績效支持系統；開發(fā)教學或培訓材料，如講義、學習材料或測驗；為教師助理或志愿者布置作業(yè)。這樣老師有更多的時間從事課程設計，完善教學方法，提供社會情緒支持，提供個性化的教學指導和與家長交流等。
與此同時，我們也要警惕人工智能技術的誤用、濫用。比如，在傳統的應試教育思想的指導下，人工智能可能被作為高效的刷題機器。通過知識點的精細拆分和習題匹配，人工智能指導下的習題推送可以幫助學生掌握碎片化的知識點，但卻不利于有機知識體系的形成。這種基于有限知識邊界來促進知識掌握的學習模式，只能培養(yǎng)更多千人一面的學生，而與因人而異、按需學習的個性化教育模式背道而馳。還有一些人工智能技術采集了大量數據，但并沒有形成有效共享，從而成為信息孤島；更沒有通過科學系統的分析形成有價值的科學證據，因而難以對教學實踐形成指導，造成大量資源的浪費；更有一些人工智能技術被濫用為隨時監(jiān)視教師和學生的工具，加大師生壓力和不安全感，甚至阻礙學習。
除了腦認知科學和人工智能技術，虛擬現實和游戲技術也可以為未來教育賦能。虛擬現實技術通過模擬現實情景，在培養(yǎng)學生學習力方面具有眾多獨特價值。首先，它可以讓學生更加具身地體會文字所不能描述的信息，更好構建具體與抽象知識相融合的有機知識體系。更重要的是，通過與生成式AI技術相融合，人工智能和虛擬現實可以形成有關數量、幾何、物理、化學、生物、政治，經濟、歷史、社會和心理等的世界模型。學生通過與虛擬的世界模型的交互來獲得科學的知識。這將從根本上改變教師傳授的方式，真正實現知識的生長，促進有機知識體系的形成。其次，虛擬現實和游戲技術可以用于認知能力的測評和提升。相較于傳統的認知測評和訓練，結合虛擬現實的游戲化測評和訓練技術將具有生態(tài)化的優(yōu)勢，從而大大提高測評的準確性與訓練的效果，特別是訓練效果的遷移。最后，虛擬現實和游戲技術有助于學習動機的培養(yǎng)。虛擬現實和游戲技術所提供的良好的視聽效果、沉浸式體驗和及時反饋，可以極大提高學生的學習動機和興趣，甚至可能上癮。此外，這兩類技術還可以用以提高學生的心理品質和學習動力。比如，通過模擬物理和社會壓力環(huán)境，可以訓練學生的抗壓能力和心理韌性；通過創(chuàng)設個性化的成功環(huán)境，可以增強學生的成功體驗，極大提高成長動力。
可以看到，腦認知科學和人工智能技術可以在多個方面推動未來教育體系的設計，包括對教育本質的重新定義、重新設定以學習力為核心的教育目標、提供尊重大腦規(guī)律的學習方法、千人千面的按需學習路徑，以及切實助力完成上述目標的全新教育科技。這些將為未來教育變革的實現提供全面的支撐。
智能時代創(chuàng)新教育實踐的實施路徑
為推動智能時代的教育深度變革，社會各界，包括政府和教育管理者、科研工作者、教師、學生和家長，以及教育科技的從業(yè)者，等等，都必須統一認識、協調步伐、積極行動，從而實現教育變革從理論走向實踐。
在政府和政策層面，需加大和加快教育的科學化和智能化轉型，加快相關政策出臺和標準制定，加大在基礎和應用研究與實施中的經費投入、過程監(jiān)管和證據累計，強調依據科學證據指導教學變革并客觀獨立評估實施效果，從而實現從數據、證據到實踐的正向循環(huán)。同時，要大力推進優(yōu)質均衡教育的全面落地，特別是要實現因材施教的公平而不是絕對的平均主義。要為拔尖創(chuàng)新人才、學習困難兒童提供充分的資源以促進其發(fā)展，也要為具有不同能力特長和興趣愛好的學生提供充分的選擇和差異化發(fā)展路徑；積極推動小班化教學，更好照顧到每個學生的需求；在學校辦學模式上，要鼓勵學校特色化辦學，為不同孩子提供充分的選擇；在考核指標和方式上，要發(fā)展多元綜合考核，避免單一標準。
在科學研究方面，我們對大腦的認識還有待持續(xù)深入，對微觀大腦活動與教育實踐的關系也需要持續(xù)研究。人工智能底層技術和教育領域的應用需要加快發(fā)展。國家應在腦認知科學、人工智能與教育融合領域進行重大戰(zhàn)略布局和資源投入，加快相關的研究基地建設、項目立項、人才引進和培養(yǎng)；面對未來教育的重大問題，腦科學、信息科學、計算機科學、教育科學等相關學科的工作者應該開展跨學科交叉聯合攻關。
在教師教育方面，要加強對教師的腦認知科學知識、研究方法和實踐應用的教育。在師范院校開設腦科學通識課程；在心理學、教育學等相關專業(yè)開設腦與學習、腦科學與教育等專業(yè)課程；對現有教師加強腦認知科學的繼續(xù)教育和實踐指導；加強對教師人工智能和信息素養(yǎng)的培養(yǎng)，使其熟練掌握教育相關人工智能工具，提高教學效率和質量；引導教師轉變思想、提升技能，使其對學生的學習能力、心理品質和知識體系狀況能夠進行科學評估，充分了解學生興趣和需求，成為學生個性化發(fā)展的有力指導者。
在課程建設方面，學校需要改革現有的學科課程，加大主題式和項目制等深度學習課程，促進有機知識體系形成；學校要積極推動學生學習能力課程的建設，通過設置專門“腦育”課程，改造“心理健康”課程，發(fā)展腦科學與學科教學結合的“融合”課程，設置腦科學理論指導下的課后選修等“輔助”課程，組織多種特色活動或主題活動等“活動”課程，將腦科學融入學校教學的各個方面；加強信息和人工智能素養(yǎng)課程，提高學生的人工智能思維，促進其對人工智能底層知識的掌握并培養(yǎng)其相關技能；同時，更加重視體育課程，特別是有氧運動，改善學生身體素質、心理品質和學習能力；最后，加強人文學科課程，提升學生的人文素養(yǎng)，為學生長遠發(fā)展提供正確方向和持續(xù)動力。
在考試評價方面，要突破傳統單一考試模式，拓展多種測查形式，更加強調對基礎素養(yǎng)、學習能力和優(yōu)勢特色的考察，形成“綜合性＋個性化”的評估體系；突出對學生知識體系掌握、基礎認知能力水平的測查，以及對知識靈活使用和創(chuàng)新能力的考察；采用多種手段對學生的學習動機和心理品質進行精準有效評價，將其作為教育質量監(jiān)測以及升學和選拔的重要依據；在考試評價實施上，要科學設置考察節(jié)點和反饋機制，形成報告和發(fā)展性評價以促進學生發(fā)展。
在技術研發(fā)方面，要圍繞基于腦認知科學和人工智能時代下的教育目標，創(chuàng)新融合人工智能技術、腦認知測評和干預技術，虛擬現實技術、物聯網和大數據技術，神經反饋和調控技術，開發(fā)和推廣能真正推動學生有機知識體系的形成、強大學習能力的培養(yǎng)和持久學習動機的塑造，且符合人腦學習和教育規(guī)律的產品和技術體系；在加強產品研發(fā)的同時，也要注重實踐驗證，特別是在嚴謹科學實驗基礎上的數據化驗證、數學模型發(fā)展和一般性科學規(guī)律總結，讓上述科學技術成為推動學習力提升、促進未來教育變革的強大力量。
總之，腦認知科學和人工智能正在以前所未有的廣度、深度和速度推動著科技進步和社會轉型，給人類提出全新的要求并帶來前所未有的挑戰(zhàn)。在全新的時代，未來教育擔負著促進人類發(fā)展和推動人類進化的使命，需要迎接挑戰(zhàn)、主動變革并立即行動。腦認知科學基于對人腦智能本質、大腦發(fā)育規(guī)律、學習記憶規(guī)律、動機情緒規(guī)律等的深入認識，以及創(chuàng)新的大腦評估和調控技術，通過與人工智能技術等的有機融合，將為未來教育提供目標定位、實施路徑和技術手段等方面的強大支持，推動未來教育變革的真正實現。
注釋
[1]薛貴：《腦科學與學習變革》，《教育家》，2018年第4期。
[2]A. T. Lee; E. F. Chang et al., "Large-Scale Neurophysiology and Single-Cell Profiling in Human Neuroscience," Nature, 2024, 630(8017).
[3]V. Marx, "Method of the Year: Spatially Resolved Transcriptomics," Nature Methods, 2021, 18(1).
[4]E. Lein; L. E. Borm and S. Linnarsson, "The Promise of Spatial Transcriptomics for Neuroscience in the Era of Molecular Cell Typing," Science, 2017, 358(6359).
[5]Z. Yao et al., "A High-Resolution Transcriptomic and Spatial Atlas of Cell Types in the Whole Mouse Brain," Nature, 2023, 624(7991).
[6]A. Chen et al., "Single-Cell Spatial Transcriptome Reveals Cell-Type Organization in the Mmacaque Cortex," Cell, 2023, 186(17).
[7]K. Siletti et al., "Transcriptomic Diversity of Cell Types Across the Adult Human Brain," Science, 2023, 382(6667).
[8]S. Qiu et al., "Whole-Brain Spatial Organization of Hippocampal Single-Neuron Projectomes," Science, 2024, 383(6682).
[9]S. Berto et al., "Gene-Expression Correlates of the Oscillatory Signatures Supporting Human Episodic Memory Encoding," Nature Neuroscience, 2021, 24(4).
[10]J. E. Chung et al., "High-Density Single-Unit Human Cortical Recordings Using the Neuropixels Probe," Neuron, 2022, 110(15).
[11]M. K. Leonard et al., "Large-Scale Single-Neuron Speech Sound Encoding Across the Depth of Human Cortex," Nature, 13 December 2023; A. R. Khanna et al., "Single-Neuronal Elements of Speech Production in Humans," Nature, 2024, 626(7999).
[12]M. Jamali et al., "Semantic Encoding During Language Comprehension at Single-Cell Resolution," Nature, 3 July 2024.
[13]Y. Xie et al., "Geometry of Sequence Working Memory in Macaque Prefrontal Cortex," Science, 2022, 375(6581).
[14]M. F. Panichello and T. J. Buschman, "Shared Mechanisms Underlie the Control of Working Memory and Attention," Nature, 2021, 592(7855).
[15]A. O. Constantinescu; J. X. O'Reilly and T. E. Behrens, "Organizing Conceptual Knowledge in Humans with a Gridlike Code," Science, 2016, 352(6292).
[16]F. R. Willett et al., "Hand Knob Area of Premotor Cortex Represents the Whole Body in a Compositional Way," Cell, 2020, 181(2).
[17]A. B. Silva et al., "The Speech Neuroprosthesis," Nature Reviews Neuroscience, 2024, 25(7).
[18]L. L. Oganesian and M. M. Shanechi, "Brain-Computer Interfaces for Neuropsychiatric Disorders," Nature Reviews Bioengineering, 3 June 2024.
[19]C. Lai et al., "Volitional Activation of Remote Place Representations with a Hippocampal Brain–Machine Interface," Science, 2023, 382(6670).
[20]M. Eisenstein, "Seven Technologies to Watch in 2024," Nature, 2024, 625(7996).
[21]S. N. Flesher et al., "A Brain-Computer Interface that Evokes Tactile Sensations Improves Robotic Arm Control," Science, 2021, 372(6544).
[22]F. R. Willett, et al., "A High-Performance Speech Neuroprosthesis," Nature, 2023, 620(7976).
[23]S. L. Metzger et al., "A High-Performance Neuroprosthesis for Speech Decoding and Avatar Control," Nature, 2023, 620(7976).
[24]Z. Xu et al., "Large-Scale Photonic Chiplet Taichi Empowers 160-TOPS/W Artificial General Intelligence," Science, 2024, 384(6692).
[25]D. P. Kingma and M. Welling, "Auto-Encoding Variational Bayes," 20 December 2013; I. Goodfellow et al., "Generative Adversarial Nets," in M. Ranzato et al. (eds.), Advances in Neural Information Processing Systems, 2014, 27; D. J. Rezende; S. Mohamed and D. Wierstra, "Stochastic Backpropagation and Approximate Inference in Deep Generative Models," International Conference on Machine Learning, 30 May 2014; A. Radford; L. Metz and S. Chintala, "Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks," 19 November 2015; M. Arjovsky and L. Bottou, "Towards Principled Methods for Training Generative Adversarial Networks," 17 January 2017; I. Higgins et al., "Beta-VAE: Learning Basic Visual Concepts with a Constrained Variational Framework," ICLR 2017 Poster, 22 July 2022.
[26]T. N. Kipf and M. Welling, "Semi-Supervised Classification with Graph Convolutional Networks," 9 Sepertember 2016; W. Hamilton; Z. Ying and J. Leskovec, "Inductive Representation Learning on Large Graphs," in M. Ranzato et al. (eds.), Advances in Neural Information Processing Systems, 2017, 30.
[27][55]A. Vaswani et al., "Attention Is All You Need," in M. Ranzato et al. (eds.), Advances in Neural Information Processing Systems, 2017, 30.
[28]D. Silver et al., "Mastering the Game of Go with Deep Neural Networks and Tree Search," Nature, 2016, 529(7587).
[29]O. Vinyals et al., "Grandmaster Level in StarCraft II Using Multi-Agent Reinforcement Learning," Nature, 2019, 575(7782).
[30]J. Schrittwieser et al., "Mastering Atari, Go, Chess and Shogi by Planning with a Learned Model," Nature, 2020, 588(7839).
[31]J. T. Rapp; B. J. Bremer and P. A. Romero, "Self-Driving Laboratories to Autonomously Navigate the Protein Fitness Landscape," Nature Chemical Engineering, 2024, 1(1).
[32]F. Wong et al., "Discovery of a Structural Class of Antibiotics with Explainable Deep Learning," Nature, 2023, 626(7997).
[33][38]B. Romera-Paredes et al., "Mathematical Discoveries from Program Search with Large Language Models," Nature, 2023, 625(7995); S. Kantamneni; Z. Liu and M. Tegmark, "OptPDE: Discovering Novel Integrable Systems via AI-Human Collaboration," 7 May 2024.
[34]E. J. Bacon et al., "Neuroimage Analysis Using Artificial Intelligence Approaches: A Systematic Review," Medical & Biological Engineering & Computing, 2024, 62.
[35]A. Balla et al., "Locating Macedonian Tombs Using Predictive Modelling," Journal of Cultural Heritage, 2013, 14(5).
[36]P. Cramer, "AlphaFold2 and the Future of Structural Biology," Nature Structural & Molecular Biology, 2021, 28(9); J. Jumper et al., "Highly Accurate Protein Structure Prediction with AlphaFold," Nature, 2021, 596(7873); J. Abramson et al., "Accurate Structure Prediction of Biomolecular Interactions with AlphaFold 3," Nature, 2024, 630(8016).
[37]T. Hayes, et al., "Simulating 500 Million Years of Evolution with a Language Model," https://www.biorxiv.org/content/10.1101/2024.07.01.600583v1.
[39]T. H. Trinh et al., "Solving Olympiad Geometry Without Human Demonstrations," Nature, 2024, 625(7995).
[40]S. Kantamneni; Z. Liu and M. Tegmark, "OptPDE: Discovering Novel Integrable Systems via AI-Human Collaboration," 7 May 2024.
[41]T. Horikawa et al., "Neural Decoding of Visual Imagery During Sleep," Science, 2013, 340(6132).
[42]A. G. Huth et al., "Natural Speech Reveals the Semantic Maps That Tile Human Cerebral Cortex," Nature, 2016, 532(7600).
[43]A. Défossez et al., "Decoding Speech Perception from Non-Invasive Brain Recordings," Nature Machine Intelligence, 2023, 5(10); Y. Li et al., "Dissecting Neural Computations in the Human Auditory Pathway Using Deep Neural Networks for Speech," Nature Neuroscience, 2023, 26(12).
[44]J. Tang et al., "Semantic Reconstruction of Continuous Language from Non-Invasive Brain Recordings," Nature Neuroscience, 2023, 26(5).
[45]K. Kar et al., "Evidence That Recurrent Circuits Are Critical to the Ventral Stream's Execution of Core Object Recognition Behavior," Nature Neuroscience, 2019, 22(6).
[46]C. Zhuang et al., "Unsupervised Neural Network Models of the Ventral Visual Stream," Proceedings of the National Academy of Sciences, 2021, 118(3).
[47]C. Caucheteux; A. Gramfort and J. R. King, "Evidence of a Predictive Coding Hierarchy in the Human Brain Listening to Speech," Nature Human Behaviour, 2023, 7(3).
[48][52]T. Webb; K. J. Holyoak and H. Lu, "Emergent Analogical Reasoning in Large Language Models," Nature Human Behaviour, 2023, 7(9).
[49]Z. Elyoseph et al., "ChatGPT Outperforms Humans in Emotional Awareness Evaluations," Frontiers in Psychology, 2023, 14.
[50]F. Gilardi; M. Alizadeh and M. Kubli, "ChatGPT Outperforms Crowd Workers for Text-Annotation Tasks," Proceedings of the National Academy of Sciences, 2023, 120(30).
[51]J. W. A. Strachan et al., "Testing Theory of Mind in Large Language Models and Humans," Nature Human Behaviour, 2024.
[53]M. Binza and E. Schulz, "Using Cognitive Psychology to Understand GPT-3," Proceedings of the National Academy of Sciences, 2022, 120(6).
[54]R. Loconte et al., "Challenging ChatGPT 'Intelligence' with Human Tools: A Neuropsychological Investigation on Prefrontal Functioning of a Large Language Model," SSRN Electronic Journal, 2023.
[56]L. Ouyang et al., "Training Language Models to Follow Instructions with Human Feedback," in M. Ranzato et al. (eds.), Advances in Neural Information Processing Systems, 2022.
[57]B. M. Lake and M. Baroni, "Human-Like Systematic Generalization Through a Meta-Learning Neural Network," Nature, 2023, 623(7985).
[58]J. C. Whittington; J. Warren and T. E. Behrens, "Relating Transformers to Models and Neural Representations of the Hippocampal Formation," 7 December 2021.
[59]J. Wei et al., "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models," in M. Ranzato et al. (eds.), Advances in Neural Information Processing Systems, 2022, 35.
[60]T. Talhelm et al., "Large-Scale Psychological Differences Within China Explained by Rice Versus Wheat Agriculture," Science, 2014, 344(6184).
[61]J. W. Forrester, "A New Corporate Design," Industrial Management Review (pre-1986), 1965, 7(1).
[62]GL Claxton, Building Learning Power: Helping Young People Become Better Learners, Bristol: TLO Ltd, 2005.
[63]薛貴：《腦科學時代的未來教育目標變革》，《人民教育》， 2020年第10期。
[64]I. J. Deary et al., "Intelligence and Educational Achievement," Intelligence, 2007, 35(1).
[65]T. Duster; R. J. Herrnstein and C. A. Murray, The Bell Curve, Washington: Free Press, 1994.
[66]E. S. Finn et al., "Functional Connectome Fingerprinting: Identifying Individuals Using Patterns of Brain Connectivity," Nature Neuroscience, 2015, 18(11).
[67]劉德建等：《智能技術賦能按需學習：理論進路與要素表征》，《電化教育研究》，2023年第4期。
[68][69][70]曹怡然、薛貴：《構建有機知識體系，促進學生學習能力發(fā)展》，《教育家》，2024年第17期。
[71]周鈺、薛貴：《“熟能生巧”：如何通過分散學習提高學習效率》，《教育家》，2020年第24期。
[72]劉楚麒、薛貴：《科學設置測試，促進知識獲得》，《教育家》， 2020年第24期。
[73]尹媛媛、薛貴：《人類智力與大腦的發(fā)展》，《教育家》，2020年第24期。
[74]薛貴：《基于腦科學的學習能力測評與提升》，《教育家》，2018年第28期。
[75]王思思、薛貴：《提升大腦潛力：工作記憶訓練能夠提高智力嗎？ 》，《教育家》， 2020年第24期。
[76]D. Martínez-Gómez et al., "Active Commuting to School and Cognitive Performance in Adolescents: The AVENA Study," Archives of Pediatrics & Adolescent Medicine, 2011, 165(4); J. Morales et al., "Physical Activity, Perceptual-Motor Performance, and Academic Learning in 9-to-16-Years-Old School Children," International Journal of Sport Psychology, 2011, 42(4); D. P. COE et al., "Effect of Physical Education and Activity Levels on Academic Achievement in Children," Medicine & Science in Sports & Exercise, 2006, 38(8); A. K. Travlos et al., "High Intensity Physical Education Classes and Cognitive Performance in Eighth-Grade Students: An Applied Study," International Journal of Sport and Exercise Psychology, 2010, 8(3).
[77]B. Sibley and J. Etnier, "The Relationship Between Physical Activity and Cognition in Children: A Meta-Analysis," Psychology, Education, Medicine·Pediatric Exercise Science, 2003, 15(3).
[78]C. K. Fox et al., "Physical Activity and Sports Team Participation: Associations with Academic Outcomes in Middle School and High School Students," Journal of School Health, 2010, 80(1); K. J. Lindner, "The Physical Activity Participation-Academic Performance Relationship Revisited: Perceived and Actual Performance and the Effect of Banding (Academic Tracking)," Pediatric Exercise Science, 2002, 14(2).
[79]K. I. Erickson et al., "Exercise Training Increases Size of Hippocampus and Improves Memory," https://doi.org/10.1073/pnas.1015950108, 2011; D. K. Binder and H. E. Scharfman, "Brain-derived neurotrophic factor," Growth Factors, 2004, 22(3); H. Park and M. Poo, "Neurotrophin Regulation of Neural Circuit Development and Function," Nature Reviews Neuroscience, 2013, 14(1); M. M. Herting and X. Chu, "Exercise, Cognition, and the Adolescent Brain," Birth Defects Research, 2017, 109(20); É. W. Griffin et al., "Aerobic Exercise Improves Hippocampal Function and Increases BDNF in the Serum of Young Adult Males," Physiology & Behavior, 2011, 104(5).
[80]X. Wang et al., "Systematic Review and Meta-Analysis of the Effects of Exercise on Depression in Adolescents," Child Adolesc Psychiatry Ment Health, 2022, 16(1); A. Philippot et al., "Impact of Physical Exercise on Depression and Anxiety in Adolescent Inpatients: A Randomized Controlled Trial," Journal of Affective Disorders, 2022, 301.
[81]Q. X. Ng et al., "Managing Childhood and Adolescent Attention-Deficit/Hyperactivity Disorder (ADHD) with Exercise: A Systematic Review," Complementary Therapies in Medicine Journal, 2017, 34; N. J. Thom et al., "Effect of Acute Aerobic Exercise on Ocular Measures of Attention to Emotionally Expressive Faces," International Journal of Behavioral Medicine, 2021, 28(3).
The Future Educational Evolution Driven by Brain and Cognitive Science and Artificial Intelligence
Xue Gui Liu Dejian
Abstract: The rapid development of brain and cognitive science and artificial intelligence is accelerating the evolution of human society into the intelligent era, placing new demands on human survival and developmental capabilities. This also drives fundamental changes in educational goals and methods. The design of future education systems needs to go beyond the transmission of knowledge. Instead, it should aim to promote continued human development and evolution, by focusing on cultivating learning capabilities, being oriented towards personalized learning on demand, being guided by the principles of human brain learning, and relying on technological innovation. This approach will help individuals develop an organic knowledge system, strong cognitive abilities, and enduring learning motivation. To achieve the goals of future education, all sectors of society must collaborate on education policies, scientific research, teacher education, assessment and evaluation, curriculum design, and technological innovation. This collaborative effort will drive the transformation of future education from theory into practice.
Keywords: brain science, artificial intelligence, educational transformation, learning capability
責 編∕桂 琰 美 編∕梁麗琛
