人工智能通识教育（二）理论基础：它为何能训练认知自治

文献：王东、马少平：《人工智能通识教育：智能社会中的认知自治》，清华大学计算机系人工智能通识教育研究中心，2026（《人工智能通识教育红皮书》v2.3.1，266 页）。DOI: 10.5281/zenodo.21959557

本文是这套红皮书四篇连续推送的第二篇：第一篇时代背景｜第二篇理论基础｜第三篇内容框架｜第四篇分层实施。引文均出自原书，章号随文标注。

一、这一篇要回答的问题，比第一篇更难

第一篇确立了目标——智能社会的通识教育要培养认知自治能力，人工智能通识教育承担这一使命。但原书没有停在直觉上：

「『人工智能造成了智能社会的认知困境，因此认知自治能力应该通过学习人工智能来培养』这类主张固然具有直觉上的合理性，但还需要更深入的理性讨论来支撑。」（第二篇导言）

于是第二篇分三步论证：为什么能（第五、六章：科学基础）、怎么教（第七章：能力模型与训练路径）、为什么必须由它来做（第八章：与其他学科心智训练的比较）。

二、智能活动的计算化：人工智能何以成为一门科学

第五章的论证起点，是「智能」原本难以直接观察：

「人工智能之所以能够逐渐发展为一门科学，关键在于把难以直接观察的『智能』转化为可观察的任务、可计算的表示、可构建的机制和可检验的系统，使智能活动获得能够分析、实现、比较和修正的形式。这一过程构成智能活动的计算化，也是人工智能通识教育培养认知自治能力的科学基础。」（第五章摘要）

该章把人工智能定义为「用计算机模拟人类智能行为的科学」，并区分行为主义与内在主义两条基本探索道路（前者以实现和检验智能行为为目标，后者以复制或逼近人的认知过程与神经实现为目标，两者都需接受科学实践检验），进而把学科体系概括为三个相互贯通的层次：

表 5.2 人工智能科学体系的三个层次 — 表 5.2（原书第 79 页起）：数学与计算基础、智能实现的机制与方法、问题形式化与系统实现——三层贯通，是课程「教什么」的底层坐标。图片来源：原书

一个对教学很关键的提醒是：人工智能仍是快速发展、边界开放的科学，「其中既有相对稳定的基础知识，也有正在展开的学术争论和面向未来的研究设想。区分不同知识所处的证据状态，是准确理解人工智能科学及其认知教育价值的重要基础。」

三、社会活动的计算化：AI 如何从技术变成「环境」

第六章接着回答：可计算之后，人工智能怎样进入社会并产生持久影响。原书给出的链条是：

现实对象、历史经验、社会目标进入数据、模型与指标；
模型输出经由组织流程与制度规则获得行动权限，参与信息传播、资源配置与社会决策；
当这些局部作用被大规模复制、在不同系统间连接，并引发个人与组织的持续适应，它们就累积为「相对稳定的信息分布、行为规范、机会结构和权力关系」。

结论是：人工智能由此从特定技术，逐渐转化为人们获取信息、形成认识和采取行动时共同面对的环境条件——这也正好接回第一篇的「认知环境」。

四、把目标落成能力：归纳、泛化、判断、自醒

第七章是全书教学转化的枢纽。它把认知自治落成四能力模型：

归纳：从有限材料中形成有依据、可检验的理解；

泛化：把已有理解迁移到新情境，并识别其适用条件和边界；

判断：在证据不完全、后果不确定和价值冲突中作出有理由的选择；

自醒：监控自身的理解、信任、依赖和判断，并根据新证据进行修正。（第七章摘要）

原书明确说明，这是一个面向课程设计与学习评价的教育模型，「并不试图穷尽认知自治的全部心理结构」。同时给出三条训练路径：理解智能机制（认识计算结论形成的条件、依据与边界）、参与计算建构（让学习者的假设与判断接受明确化与运行检验）、分析社会嵌入（识别计算系统进入现实活动时的价值、权限、影响与责任）。

四能力在课堂任务中如何展开、每一阶段常见什么风险、教师应提供什么支架，原书用一张表固定下来：

表 7.5 四能力循环在课程任务中的展开 — 表 7.5（原书第 114 页起）：归纳、泛化、判断、自醒四阶段的核心动作、常见风险与教学支架。这张表可以直接用来设计一次作业的评分维度。图片来源：原书

该章最后一节专门讨论评价证据：它提醒「作品完成度或模型性能无法单独证明认知自治已经形成」，教师还应观察学生能否说明样本和证据、比较新旧情境、安排人机分工、权衡风险与责任，以及反思 AI 带来的认知增益与依赖（表 7.6）。

五、为什么必须由人工智能通识教育来做

第八章处理的是一个课程体系问题：数学、语言与文学、物理、历史、计算机科学已经训练了形式推理、意义理解、因果解释、情境判断、可执行建构等心智能力，人工智能通识教育还有什么独特作用？

原书的回答是：它把这些分散的认知资源，组织进**「数据—模型—输出—行动—反馈」的完整链条**——

表 8.1 主要学科的核心心智训练与典型判断标准 — 表 8.1（原书第 121 页起）：五种代表性学科的核心心智训练与典型判断标准。人工智能通识教育不是替代它们，而是把它们组织到一条完整的计算链条上。图片来源：原书

由此形成的认知自治训练「具有相对独立的内容与课程结构，并与批判性思维、媒介素养、统计思维和计算思维相互支持」（第八章摘要）——注意这里的措辞是支持，不是取代。

精读笔记

第二篇给出的是「可教性」的论证：科学基础（第 5、6 章）→ 能力模型与训练路径（第 7 章）→ 学科独特性（第 8 章）。三者的关系是：前者说明人工智能为什么可以被理解，中者说明学生为什么能因此变得更有判断力，后者说明这件事为什么不必挤进其他学科的课时里。

三点值得带走的东西：

四能力模型可以直接当课程骨架。归纳—泛化—判断—自醒，配表 7.5 的风险与支架、表 7.6 的评价证据，就是一学期课程的目标、任务与评分表。
「理解机制—参与建构—分析社会嵌入」三条路径，区分了三种学习深度。会讲原理是第一条，跑过一遍是第二条，能讲清它对谁有权力、由谁负责才是第三条——多数 AI 通识课停在第二条。
「作品好」不等于「学会了」。第 7.8 节那句提醒，对今天用 AI 完成作业的课堂尤其适用：能生成不等于能重建。评价必须去看学生能否说明证据、边界与人机分工。

引用提示：本书为研究报告（非同行评议论文），引用请标注版本号与 DOI；正文及作者原创图表为 CC BY-NC-ND 4.0，可原样引用、不宜改绘后再发布。