导读：2025年1月11日-12日，由中国自动化学会、中国青少年科技教育工作者协会联合主办的2025中国自动化与人工智能科普大会暨创新人才贯通式培养研讨会在中国科学院大学玉泉路校区礼堂隆重举行。此次会议以“跨界融合·创新未来”为主题，聚焦大中小学贯通式培养模式与人工智能教育的科学化、系统化发展，吸引了来自全国高校、科研院所、中小学校等专家学者、师生代表共计500余人现场参会，有效汇聚了领域产学研优质资源，为推动我国教育强国与创新型国家建设贡献了力量。
田锋教授受邀在2025中国自动化与人工智能科普大会暨创新人才贯通式培养研讨会上作题为“结合大模型的混合增强智能赋能教育案例”的专题报告，报告回顾并总结教育技术发展历史，指出教师、学生、机器智能的优势与缺点；提出师-机-生复合主体混合增强智慧教育理论，介绍了结合大模型的情景理解、智能导学、科学评价等核心关键技术研究进展，以及基于这些技术研制的平台。最后给出4点思考。
一、启示与挑战
创新科技在教育中的应用通常存在滞后的现象。第二次工业革命后，经过了50年的时间才将无声电影引入学校。第三次工业革命时这种滞后现象有所缩短。计算机于1946年发明后，仅十多年便开始进入教学领域，电视等技术也出现类似情况。1969年互联网诞生后，相关的闭路电视教学和广播电视教学也在十多年后得到广泛应用。然而，尽管人工智能的概念自1956年便被提出，经过五六十年的不断研究，我们仍然在讨论它的应用，这说明人工智能技术本身还没有发展成熟。
在这种背景下，当一个创新科技，如人工智能，要被引入到教育领域时，会面临一些独特的挑战。教育本身不仅是传承人类文明和价值观的过程，而且在教学场景中的应用创新也对新技术的引入提出了更高要求。因此，人工智能要在教育中得以有效应用，需要克服三个关键挑战：技术的成熟度、教育体系的适应性以及教育应用中的创新实践。只有在这些挑战得到解决之后，人工智能技术才能够充分发挥其在教育中的潜力。
人工智能在教育体系的适应性和应用中需面对学习主体、教学主体以及教学内容的适应性等三方面引起的难题。学生的个性差异是人工智能教育应用的一个核心障碍。学习是一个动态发展的过程，每个学生个体的认知能力、学习需求和兴趣各不相同，AI如何适应这一过程是个性化学习的核心难点。此外，教学内容必须符合学生的认知发展规律。
教师的角色与工作压力也是影响AI应用的重要因素。教师不仅是知识的传递者和引导者，更是学生德智体美劳全面发展的促进者。然而，在当前的教育体系中，生师比例普遍较高，教师的任务繁重，需要在课堂上完成感知、计算、推理、决策等复杂任务，导致他们难以完全适应现代教育的高要求。
二、混合增强智慧教育
混合增强智慧教育的核心特点在于：利用机器的海量存储、检索、计算等能力，结合人类教师的理解、推理、评价和创造等能力，形成“师-机-生”三元复合主体结构。这一模式改变了传统的二元师-生结构，使教师、学生、AI共同成长、相互适应，并通过螺旋式认知协同增强的效果，促进教育质量的提升。
这一理念不仅在学术研究中得到认可，也在政策决策和教育实践中引起广泛关注。在2023世界慕课与在线教育大会上，我国教育部吴岩副部长提出了“构建‘师—机—生’三元一体的教育新模式”，表明这一框架呈现在了世界教育舞台。
三、三个案例
我们课题组围绕人工智能在教育中的应用，开展了多个项目。
案例一是赋能考试。首先，构建了一个包含几十万道历年高考题的数据库。该数据库可用于试题解析、查重检测和试题质量评估，并从多个角度分析知识点分布，提高试题库的智能化水平。
其次，开发了基于大语言模型与符号系统协同的数学几何问题生成。该方法可以根据需求自动生成不同难度的题目。例如，给一个种子问题，在五分钟内，可以生成800道推理题，其中最长推理步骤可达75步，高于国际数学奥林匹克竞赛的平均题目推理步数。
此外，还探索了利用AI发现考生创造性思维的方法。例如，在开放类题目阅卷分析中，AI可以识别并分析标准答案之外的创新性回答，如发现人口增长、道路交通改善等未被阅卷组最初考虑的角度。这一技术为教学和阅卷提供了更广泛的参考价值。
通过这些实践，我们展示了AI在优化教育资源、提高试题质量和挖掘学生创造力方面的潜力。
案例二是探索了如何利用大数据、大模型对教学质量进行实时检测。自2011年起，逐步构建了教育教学质量大数据实时监测系统，实时精准采集数据，目前已覆盖全校，记录了年均6000多门课程的数据，形成了7亿多条教学多模态数据，每年新增6GB；同时也严格保护隐私。
在教学质量监测方面，结合大小模型，利用人物分割与识别技术，对课堂中的每个人进行识别，并分析人物交互和意图推理。通过这一方法，突破了传统评价指标的局限，实现了灵活的指标构建，能够基于学科特点进行课堂评价，并发现新的教学质量评价指标。目前，该系统已迭代到第二版，并应用于课堂互动智能分析，实现表情、动作、交互等联合意图识别。
案例三是知识森林智能导学，服务一带一路国家。我们提出了“知识森林”智能导学系统，主要目的是解决“盲人摸象”学习迷航、认知过载、千人一面的难题。基于知识主题及其关系组织教学，知识森林使学生既能掌握知识的整体脉络，又能深入学习具体知识点，实现个性化搜索和关联推荐。另外，由于学习过程中资源访问存在长尾现象，学生在深入学习时兴趣容易下降，而结合大模型增强后，该问题得到了有效优化，提高了学习的连续性和效率。
该成果入选教育部首批“人工智能+高等教育”应用场景典型案例。
以上技术还被应用于“一带一路”国家的人才培养，已为115个国家培养了工程科技人才，提供了中国的智能教育方案。例如，泰国教育部次长和巴基斯坦驻中国大使都对我们的工作给予了积极评价。这充分体现了我国在智能教育领域的创新实力和国际影响力。
四、四点思考
一是智慧教育理论仍处于探索阶段，目前尚未形成完整的智慧教育理论体系。结合生成式人工智能或大模型的教育模式仍需要多个学科共同研究和探讨。
二是尽管AI技术发展迅猛，但人类社会尚未完全做好迎接这一变革的准备。许多旁观者为技术的进步欢呼，而真正推动技术发展的人则步步为营，谨慎前行。在这个过程中，我们必须保持审慎态度，建立严格的规范和引导机制，确保人工智能的合理应用。
三是对大模型的认识存在误区。在教育领域，大模型的输出质量至关重要，合规的数据，并不代表其训练出的大模型的能生成合规的内容。人工输入反馈学习过程中，反馈者的价值观可能会影响模型的表现，因此需要建立有效的价值观对齐机制。例如，可借鉴国家认可的语料提炼出价值观规则，训练模型能够进行自我批评和修正，以确保其输出符合社会认可的标准和伦理规范。
尽管大模型在许多任务上展现了强大的能力，但其推理能力仍然有限。目前的主流自回归LLM是大量相关性叠加，而非真正具备因果推理能力的智能系统。已有文献的实验表明，只需对某数据集数学题中的关键名词稍作修改，模型的正确率便可能下降65.7%，甚至更低；而人类则能识别这些变化并排除干扰。
四是什么样的架构支撑未来的智慧教育应用。在教育大模型的应用中，仅依靠现有大模型是不够的，一种可能得架构是构建基础模型、学科模型、智能体以及端侧模型相互协同的共同体，以提升模型的推理能力和可靠性，即构建教育大模型，需要在基础模型的框架上进行适配，以满足教育场景的特殊需求。当前的大模型相当于带有噪声和偏差的通识知识表示，必须通过价值观对齐、学科知识导入等方式进行优化。同时，可以结合“知识森林”增强模型、专业知识库增强模型等多种手段，提升模型的知识表达能力。此外，通过端云结合的架构，不仅能够满足个性化需求，还能有效保护用户隐私，降低云端计算负荷，使教育大模型更具实用价值。
*本文根据作者所作报告速记整理而成
嘉宾简介：
田锋，西安交通大学教授，博士生导师，获王宽诚育才奖获、校教学卓越奖，电信学部主任助理，陕西省大数据知识工程重点实验室主任，大数据算法与分析技术国家工程实验室大数据算法测试与示范应用中心主任，中国教育发展战略学会第四届理事，中国自动化学会智慧教育专委会副主任委员。研究方向：人工智能与智慧教育、大数据挖掘应用。承担/完成国家自然科学基金、国家科技部课题/子课题等10余项。已在IEEE TKDE、AAAI、NeurIPS、ACL、ACM SIGIR等国内外高水平期刊会议发表论文120余篇；部分成果已经在全国教育和税务等领域应用，获国/省部/全国学会级科技进步/教学成果奖12项。
