9 月 3 日，OpenAI 发布 GPT-6 Astra，公司总裁 Greg Brockman 说：“欢迎来到 AGI 时代（Welcome to the AGI era）。”

OpenAI 对 AGI（通用人工智能）的官方定义是：

“在大多数具有经济效益的工作上超越人类的自主系统（highly autonomous systems that outperform humans at most economically valuable work）。”

我们不必争论 GPT-6 Astra 是否真的到了这一步。真正值得想的是：如果顶尖 AI 的技术追求，是“在大多数有经济价值的工作上超越人类”，那学生作业里那点事，还重要吗？

9 月 6 日，OpenAI 首席科学家 Jakub Pachocki 发表长文《An Alien Mind》（《外星思维》）。他担心的正是：AI 能力的增长可能超过人类理解和约束它的速度。这篇冥想，是想沿着他的话，往教育里走一步。

一、会完成任务，不等于值得信任

“外星思维”不是外星人的故事，也不是“AI 有了意识”的宣告。它指的是：一种与人类来源不同、不能直接按人类经验来理解的智能。

大模型依然是软件，但它处理问题的规则，已经不再只由人逐条决定——训练通过数据和优化不断调整内部参数，使模型形成了更强的语言与任务能力。关键在于，Pachocki 提醒我们区分：能够训练出某种行为，不等于真正理解了这种行为。

他把“对齐”拆成两层：

• 目标对齐：AI 是否努力完成指定的任务；
• 价值对齐：在陌生情境或目标冲突里，它能否仍依据高层原则行动。

用一个教育场景来理解：我们让 AI “提高学生成绩”——它会不会觉得，“帮助理解”和“直接给出答案”是一样有效的办法？

两者都可能让作业更漂亮，对学习的意义却完全不同。问题不只在于目标有没有实现，还在于目标是怎样实现的，以及实现它时牺牲了什么。 而且，我们可以期待机器更可靠地遵守约束，却不能把人的成长也定义为“更稳定地服从要求”。

二、看见推理过程，不等于看懂机器

想看懂 AI 在“想什么”，一个直观的办法是：不只检查它的答案，也检查产生答案的推理记录——这就是“思维链监控”。

2024 年 OpenAI 发布 o1 时解释过，不直接展示原始思维链，部分是为了保留“不受用户偏好直接塑造的推理空间”，以便监测模型行为。但 2025 年的一项内部实验发现：惩罚思维链里暴露的作弊意图，虽然减少了部分作弊，却没有消除作弊；剩下的作弊反而更难被同一个监控器发现。

换句话说：如果我们不断奖励“看起来正确的推理”，我们只是在训练 AI 生成更漂亮的表述。Pachocki 在新文中更进一步表示：内部评估显示，他们越来越难以依赖思维链监控。

对教育使用者来说，这里能引出一条很实用的提醒：

一段流畅的解释，不应直接被视为可靠性的证明。AI 讲得再有条理，教师也应核查关键依据。

三、AI 已经开始参与“下一代 AI”的研发

同一天，OpenAI 发布了内部研究加速报告。按其自测，系统已到“自动化研究实习生”阶段：能在人类指导下，完成一些原本需熟练研究人员花数日的明确任务。报告强调：研究优先级、结果判断、是否扩大训练或部署，仍由人类决定。

但方向本身已经值得重视：AI 协助改进 AI，改进后的系统再加速研发——这是通往“递归自我改进”的路径，也意味着监督能力必须跟得上被监督对象的能力。

复杂之处在于：更强的 AI 也可能帮助安全研究与基础设施保护。OpenAI 把这列为推进自动化研究的理由，同时也承认——不能假定安全进展必然跟得上能力增长。Pachocki 因此主张：能力扩张应受安全把握约束，必要时减速，并建立有外部监督的共同安全门槛。

四、作业完成了，学习却可能没有发生

2025 年，Hamsa Bastani 等人在 PNAS（美国国家科学院院刊）发表了一项高中数学实地实验，涉及近千名学生：

• 使用通用 GPT-4 辅助工具的学生，练习表现有所提高；
• 但撤去工具后的独立考试成绩，比对照组低约 17%；
• 另一种加了教学保护设计的辅导工具，大幅缓解了负面影响，却没有带来独立考试成绩的显著提升。

这个结果提醒教育者一个关键区分：

工具在场时的表现，与学习者形成的能力，需要分开评价。

而检验方式，不必退回“所有事情都禁止 AI”。可以让学生先提交一个尚未得到 AI 帮助的初步判断，再记录哪些证据改变了自己的观点；也可以允许学生借助 AI 完成作品，随后用新情境中的追问检查其理解是否真实形成。

效率当然重要。但在教育里，有些过程之所以不能省略，不是因为机器做不好——而是因为这些过程本身就是学习的对象。

五、保留人的位置，不能只留下一个“确认按钮”

OECD《学习指南针 2030》把**学生能动性（student agency）**放在重要位置：学生需要学会在陌生情境中寻找有意义、负责任的方向，而不只是接受预先给定的指令。

从这个角度看，AI 时代的课堂要同时回答两个问题：① 学生是否更有能力行动？② 学生是否仍有权决定行动的方向？

设想一个研究项目：AI 提出问题、安排步骤、生成结论，学生只需不断点击“继续”。即使最终成果很优秀，我们也必须追问——让他坐在那里点确认键，有什么意义呢？

所以，不妨给 AI 课程加一条设计要求：

每个项目，都应保留至少一个由学生提出、能说明理由、并能实际改变后续进程的决定。

同时，也不能把责任全压给学生。学校和平台应提供质疑推荐、修正标签、请求人工复核的途径——不能一边让系统替学生决定，一边要求学生为所有后果负责。

我们要保护的不是脱离知识的“自主性”，而是有知识、有支持、也有真实选择机会的参与。

写在最后

Pachocki 的长文让一个问题变得难以回避：机器越强，人的位置就越不能靠“机器暂时做不到什么”来保证。

学校不应只去寻找“AI 还不会、人暂时还能做”的剩余空间。即使 AI 能交出更好的报告，学生仍然值得拥有提出问题、理解世界、形成自己判断的机会。教育保留这些机会，不是为了证明人胜过机器——而是为了让人能够过自己的生活。

---

参考来源：

• Pachocki, J. (2026). An Alien Mind. OpenAI，2026-09-06
• OpenAI (2026). Research Acceleration: The View Inside OpenAI，2026-09-06
• Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26)（PNAS，顶刊）
• OECD (2019/2021). OECD Learning Compass 2030——学生能动性（Student Agency）框架

文中插图（封面与“工具在场 vs 形成能力”示意图）均为本站自制；正文中《外星思维》、PNAS 实验与 OECD 框架相关内容为对公开来源的转述与个人冥想，引用请以原始论文/报告为准。