【摘要】腦認(rèn)知科學(xué)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(jìn)，對人類生存發(fā)展能力提出了全新要求，也推動教育目標(biāo)和方式發(fā)生根本性變革。未來教育體系的設(shè)計需要突破知識傳遞的限制，以推動人類持續(xù)繁衍與進(jìn)化為目標(biāo)、以學(xué)習(xí)力培養(yǎng)為核心、以個性化按需學(xué)習(xí)為導(dǎo)向、以人腦學(xué)習(xí)規(guī)律為指導(dǎo)、以技術(shù)創(chuàng)新為依托，幫助個體培養(yǎng)有機(jī)的知識體系、強(qiáng)大的認(rèn)知能力和持久的學(xué)習(xí)動力。實現(xiàn)未來教育目標(biāo)，需要社會各界從教育政策、科學(xué)研究、教師教育、考試評價、課程設(shè)置和技術(shù)創(chuàng)新等方面協(xié)同行動，推動未來教育變革從理論走向?qū)嵺`。
【關(guān)鍵詞】腦科學(xué) 人工智能 教育變革 學(xué)習(xí)力
【中圖分類號】TP18/G521 【文獻(xiàn)標(biāo)識碼】A
【DOI】10.16619/j.cnki.rmltxsqy.2024.17.001
【作者簡介】薛貴，北京師范大學(xué)認(rèn)知神經(jīng)科學(xué)與學(xué)習(xí)國家重點實驗室教授，教育部“長江學(xué)者”特聘教授。研究方向為人類學(xué)習(xí)和記憶的認(rèn)知和神經(jīng)機(jī)制。主要論文有《內(nèi)部動機(jī)、外部動機(jī)與創(chuàng)造力的關(guān)系研究》《事件相關(guān)功能磁共振成像研究及其在認(rèn)知神經(jīng)科學(xué)研究中的運(yùn)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(xué)智慧學(xué)習(xí)研究院聯(lián)席院長，教授級高級工程師。研究方向為人工智能與大數(shù)據(jù)教育應(yīng)用、數(shù)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(jìn)個體的全面發(fā)展，并進(jìn)一步推動社會進(jìn)步和人類文明發(fā)展。隨著腦認(rèn)知科學(xué)和人工智能技術(shù)的不斷發(fā)展，世界正在加快進(jìn)入智能時代。在歷史上，每一次科技革命都對教育產(chǎn)生了深遠(yuǎn)的影響，推動了教育目標(biāo)、內(nèi)容、評價和技術(shù)的變革。[1]如果說以蒸汽機(jī)發(fā)明和機(jī)械制造技術(shù)進(jìn)步為代表的第一次工業(yè)革命促進(jìn)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(chǎn)為代表的第二次工業(yè)革命推動了學(xué)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(rèn)知科學(xué)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(biāo)、內(nèi)容和實現(xiàn)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(nèi)推動技術(shù)變革和生產(chǎn)關(guān)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(yán)構(gòu)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(zhǔn)備。在這樣的背景下，深入探討腦認(rèn)知科學(xué)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(rèn)知科學(xué)和人工智能技術(shù)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(shè)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(rèn)知科學(xué)和人工智能技術(shù)的發(fā)展趨勢
腦認(rèn)知科學(xué)范式變革和前沿進(jìn)展。隨著神經(jīng)科學(xué)研究技術(shù)和方法不斷進(jìn)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(jīng)細(xì)胞結(jié)構(gòu)、連接方式、基因表達(dá)和活動模式，這推動了人們對大腦結(jié)構(gòu)和功能的理解。[2]在2020年被Nature Methods評為年度技術(shù)的空間轉(zhuǎn)錄組技術(shù)，[3]可以清晰描述大腦的細(xì)胞類型，[4]啟發(fā)其功能。結(jié)合空間轉(zhuǎn)錄組技術(shù)，研究者構(gòu)建了小鼠[5]和靈長類動物[6]的大腦細(xì)胞類型圖譜、初步刻畫了人類大腦圖譜[7]以及海馬單神經(jīng)元的全腦空間組織投射[8]。還有研究者結(jié)合空間轉(zhuǎn)錄組技術(shù)和顱內(nèi)腦電技術(shù)，將基因表達(dá)與腦振蕩聯(lián)系起來，確定了與記憶形成振蕩特征相關(guān)的基因。[9]
在腦認(rèn)知領(lǐng)域，2017年Neuropixels的出現(xiàn)使得大規(guī)模記錄單個神經(jīng)元活動成為現(xiàn)實，幫助人們更好地理解大腦的復(fù)雜動態(tài)網(wǎng)絡(luò)。[10]采用這種方法，研究者揭示了人腦在細(xì)胞層面如何編碼、理解和產(chǎn)生語言，[11]甚至發(fā)現(xiàn)單個細(xì)胞就可以“聽懂”詞義。[12]另外，采用先進(jìn)的分析思路，研究者也可以解析大腦復(fù)雜認(rèn)知功能的神經(jīng)機(jī)制，包括獼猴在空間序列記憶時的環(huán)狀結(jié)構(gòu)表征，[13]前額葉通過增強(qiáng)和轉(zhuǎn)換記憶表征來減少干擾等，[14]以及人類認(rèn)知地圖形成的機(jī)制。[15]
腦認(rèn)知科學(xué)的進(jìn)展還帶來臨床應(yīng)用的突破。比如，腦機(jī)接口技術(shù)構(gòu)建了人腦和外部設(shè)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(chǎn)品Blindsight）、動作想象和思維[19]等領(lǐng)域取得了廣泛進(jìn)展，從而被Nature提名為2024年七大關(guān)鍵科學(xué)技術(shù)之一。[20]使用全新的雙向腦機(jī)接口技術(shù)，研究者可以通過對體感皮層的微刺激讓患者產(chǎn)生觸覺，使抓握物體所花費(fèi)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(jī)接口可以通過將嘗試講話引起的神經(jīng)活動解碼為文本或聲音，幫助癱瘓患者實現(xiàn)快速交流，解碼速度能達(dá)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(zhǔn)確率可以達(dá)到85%以上。[23]
人工智能技術(shù)路線和最新進(jìn)展。近年來人工智能無論在AI芯片、[24]網(wǎng)絡(luò)架構(gòu)和算法，[25]還是在基礎(chǔ)和科學(xué)應(yīng)用領(lǐng)域[26]都取得了較大進(jìn)展。在大家耳熟能詳?shù)膱D像識別、自然語言理解和強(qiáng)化學(xué)習(xí)等三大基礎(chǔ)領(lǐng)域，人工智能更是取得了令世人矚目的進(jìn)步。隨著2013年Word2Vec等詞嵌入技術(shù)的出現(xiàn)，以及后來的長短時記憶網(wǎng)絡(luò)和注意力機(jī)制的廣泛應(yīng)用，機(jī)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(jī)制（Self-Attention Mechanism）能夠捕捉序列數(shù)據(jù)中長距離依賴的關(guān)系。[27]隨后幾年里，基于Transformer的大規(guī)模預(yù)訓(xùn)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(chǔ)上，通過微調(diào)（Fine-Tuning）的方式適應(yīng)各種下游任務(wù)，極大地拓展了大語言模型的應(yīng)用范圍。另外，將圖神經(jīng)網(wǎng)絡(luò)與多模態(tài)學(xué)習(xí)結(jié)合，AI能更好地理解和生成復(fù)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(yīng)用。在強(qiáng)化學(xué)習(xí)領(lǐng)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(xiàn)出超越人類的游戲策略。[30]
除了這些通用領(lǐng)域的應(yīng)用，AI for Science是另一片人工智能大展身手的領(lǐng)域。AI在生物、[31]化學(xué)、[32]數(shù)學(xué)、[33]神經(jīng)[34]乃至考古[35]等領(lǐng)域取得了重大的進(jìn)展。比如，DeepMind團(tuán)隊開發(fā)的幾代AlphaFold破解了蛋白質(zhì)結(jié)構(gòu)這一困擾學(xué)界數(shù)十年的難題。[36]2024年6月，Evolutionary Scale AI發(fā)布蛋白質(zhì)語言模型ESM3，支持蛋白質(zhì)序列、結(jié)構(gòu)和功能這三種模態(tài)的任意組合轉(zhuǎn)換。團(tuán)隊用其設(shè)計出新型綠色熒光蛋白，而自然界可能需要5億年進(jìn)化才能產(chǎn)生這樣的結(jié)果。[37]2023年12月，DeepMind用AI研究數(shù)學(xué)中的帽子集問題，發(fā)現(xiàn)了新的大型帽子集構(gòu)造。[38]2024年1月，AlphaGeometry可以解答國際數(shù)學(xué)奧林匹克30道題目中的25道，達(dá)到競賽金牌得主的水平；[39]2024年5月，MIT科學(xué)家用AI發(fā)現(xiàn)了3個新的可積偏微分方程。[40]
腦認(rèn)知科學(xué)和人工智能的協(xié)同發(fā)展。腦認(rèn)知科學(xué)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(jìn)。一方面，人工智能可以為腦認(rèn)知科學(xué)提供強(qiáng)大的分析和解釋工具。比如，通過深度學(xué)習(xí)算法模擬人腦的神經(jīng)活動，可以實現(xiàn)對人腦如何進(jìn)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(yù)測。從人工智能算法中獲取啟發(fā)，科學(xué)家還能解析大腦的計算過程，發(fā)現(xiàn)人腦中遞歸的網(wǎng)絡(luò)架構(gòu)有助于快速識別物體、[45]嬰兒可以通過無監(jiān)督學(xué)習(xí)進(jìn)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(yù)測性編碼[47]等現(xiàn)象。
另一方面，腦認(rèn)知科學(xué)可以深入評估人工智能的能力特征，理解其作用機(jī)制，啟發(fā)新的人工智能算法。認(rèn)知科學(xué)建立了完善的評估方法論用以準(zhǔn)確評估模型的能力，提供了多維度的基準(zhǔn)測試。比如，研究發(fā)現(xiàn)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(xiàn)，以及表現(xiàn)出與人類非常相似的心智理論模式[51]。然而，模型在復(fù)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(rèn)知科學(xué)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(chǔ)和靈感。早期的人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)借鑒了神經(jīng)元和視覺系統(tǒng)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(jié)合了基于人類反饋的強(qiáng)化學(xué)習(xí)機(jī)制（Reinforcement Learning from Human Feedback, RLHF）[56]。還有研究發(fā)現(xiàn)，在神經(jīng)網(wǎng)絡(luò)中引入人類的元學(xué)習(xí)方法可以讓模型表現(xiàn)出與人類相似的系統(tǒng)性和靈活性；[57]模擬海馬和內(nèi)嗅皮層的工作機(jī)制，可以成功實現(xiàn)認(rèn)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(wù)中的表現(xiàn)。[59]
可以看到，腦認(rèn)知科學(xué)和人工智能作為兩個前沿領(lǐng)域，近年來取得了飛速進(jìn)步。一方面，腦認(rèn)知科學(xué)通過刻畫神經(jīng)元集群和環(huán)路層面的大腦結(jié)構(gòu)和功能，正在深入揭示人腦智能的機(jī)制，推動大腦解碼（讀腦）和調(diào)控（寫腦）的相關(guān)研究及快速落地；另一方面，人工智能在硬件和算法架構(gòu)、基礎(chǔ)大模型和行業(yè)應(yīng)用，以及專業(yè)和科學(xué)領(lǐng)域也取得了很大進(jìn)展，正在日益推動各個行業(yè)的深度變革。隨著腦認(rèn)知科學(xué)和人工智能的深度融合，人類社會將很快進(jìn)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(jī)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(yīng)對變化并保持競爭力。農(nóng)耕時代大約從公元前9000年至17世紀(jì)（在不同地區(qū)開始和結(jié)束的時間有所不同），是以農(nóng)業(yè)為主要經(jīng)濟(jì)活動的時期。社會結(jié)構(gòu)以家庭和部落為單位，生產(chǎn)活動依賴自然環(huán)境和勞動力。這個時代要求人擁有強(qiáng)壯的體力和長時間的耐力，掌握種植、養(yǎng)殖、灌溉等農(nóng)業(yè)技能，強(qiáng)調(diào)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(tǒng)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(jì)的第一次工業(yè)革命（1760年～1840年），其主要特征是機(jī)械化生產(chǎn)、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(hù)機(jī)器的技能，機(jī)械工程和技術(shù)知識變得重要。特別是從機(jī)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(chǔ)素質(zhì)，閱讀和書寫能力成為必需；同時也強(qiáng)調(diào)人的紀(jì)律性和守時性，按時上下班、嚴(yán)格遵守規(guī)章制度。亞當(dāng)·斯密（Adam Smith）在《國富論》中強(qiáng)調(diào)了勞動分工的重要性，認(rèn)為產(chǎn)業(yè)工人需要高度的專業(yè)化技能以提高生產(chǎn)效率。工業(yè)時代對基礎(chǔ)教育、專業(yè)技能、分工合作和紀(jì)律性的強(qiáng)調(diào)，成為現(xiàn)代教育體系設(shè)計的關(guān)鍵考量，其影響一直持續(xù)至今。
從20世紀(jì)末開始，人類進(jìn)入了信息化時代。信息和通信技術(shù)（ICT）快速發(fā)展，互聯(lián)網(wǎng)、大數(shù)據(jù)等技術(shù)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(shù)字素養(yǎng)，掌握使用計算機(jī)和互聯(lián)網(wǎng)以及應(yīng)對信息冗余的能力。比爾·蓋茨就一直強(qiáng)調(diào)編程、數(shù)據(jù)分析等技能的重要性，他指出，創(chuàng)新和快速適應(yīng)變化能力是適應(yīng)信息化時代的關(guān)鍵。同時，面對信息化時代的復(fù)雜問題（如全球化、網(wǎng)絡(luò)安全等），需要人們具備系統(tǒng)思維和解決復(fù)雜問題的能力。世界經(jīng)濟(jì)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(fù)合技能”，如復(fù)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(shù)層面逐步普及，但當(dāng)下的教育內(nèi)容和目標(biāo)卻還遠(yuǎn)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(jìn)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(rèn)知科學(xué)和人工智能在理解大腦運(yùn)行模式的基礎(chǔ)上，還在模仿大腦的工作方式，在大數(shù)據(jù)和強(qiáng)計算支持的弱人工智能基礎(chǔ)上，將進(jìn)一步實現(xiàn)通用的強(qiáng)人工智能。正如工業(yè)革命后機(jī)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(chǎn)線工人、汽車司機(jī)、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(rèn)知中的創(chuàng)新勞動，比如原畫師，甚至某些專業(yè)的科學(xué)領(lǐng)域，包括數(shù)學(xué)、化學(xué)、生物、考古等，其中部分有明確定義的邊界和目標(biāo)、可以依據(jù)大數(shù)據(jù)進(jìn)行計算和預(yù)測的領(lǐng)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(zhì)，并不斷提高智能的水平。如何突出人腦智能的優(yōu)勢，實現(xiàn)人腦智能和人工智能協(xié)作共生，教育必將在其中承擔(dān)更大責(zé)任，也必須作出重要變革。
第二，智能時代更加強(qiáng)調(diào)個體的學(xué)習(xí)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(qiáng)調(diào)新知識技能的學(xué)習(xí)。依托互聯(lián)網(wǎng)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(gòu)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(jī)接口將使得人機(jī)協(xié)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(tǒng)的知識、廣泛聯(lián)系的知識、能靈活應(yīng)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(kuò)展到全空間，獲取的媒介從書本拓展到混合現(xiàn)實，獲取的途徑從被動接受拓展到主動構(gòu)建。因此，傳統(tǒng)的知識教育模式必將進(jìn)行重大變革，旨在培養(yǎng)強(qiáng)大的學(xué)習(xí)能力以及“學(xué)會學(xué)習(xí)”的學(xué)科也將變成像語文、數(shù)學(xué)等一樣的、人人必修的基礎(chǔ)學(xué)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(xiàn)，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(xué)科領(lǐng)域知識，熟練使用多種工具的個體會越來越多，他們將展現(xiàn)出更大的競爭優(yōu)勢。未來，一個人將承擔(dān)多個人的角色，從而降低人際溝通和團(tuán)隊管理的成本；少數(shù)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(qiáng)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(lǐng)域擁有超過AI的專業(yè)技能，成為某個領(lǐng)域的頂尖專業(yè)人才，能夠創(chuàng)新知識產(chǎn)品，將具有更強(qiáng)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(xué)習(xí)成為過去。終身學(xué)習(xí)不僅是高品質(zhì)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(rèn)知科學(xué)與人工智能的發(fā)展在客觀上能提高個體學(xué)習(xí)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(xué)習(xí)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(shù)的消費(fèi)品正在精準(zhǔn)地“劫持”個體的獎賞系統(tǒng)，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(fèi)貸，助推消費(fèi)主義和享樂主義，分散精力并消磨意志，還可能導(dǎo)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(qiáng)大意志力和渴望成長的強(qiáng)大動力。
可以看到，智能時代將帶來全新的社會和經(jīng)濟(jì)形態(tài)，也對人的能力構(gòu)成提出了全新要求。同農(nóng)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(qiáng)大的智能、學(xué)習(xí)能力和學(xué)習(xí)動力，才能掌握多領(lǐng)域的知識和技能，在某些專業(yè)領(lǐng)域開拓創(chuàng)新并出類拔萃，抵擋誘惑并努力實現(xiàn)個人成長目標(biāo)。從這個意義上講，教育的目標(biāo)應(yīng)該遠(yuǎn)遠(yuǎn)超越傳統(tǒng)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(yīng)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(shè)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(jīng)成為了社會的廣泛共識。歷史上，應(yīng)對科技和社會的變革，教育也作出了積極的應(yīng)對。因應(yīng)工業(yè)革命而產(chǎn)生的教育1.0，是傳統(tǒng)的教師主導(dǎo)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(xué)生主要是被動接受者。同時采用固定的教材和標(biāo)準(zhǔn)化的考試。在教育2.0階段，教育所指向的學(xué)習(xí)則是以學(xué)生為中心的主動學(xué)習(xí)。其主要特征是強(qiáng)調(diào)學(xué)生的主動性和參與感，鼓勵自主學(xué)習(xí)，倡導(dǎo)教師與學(xué)生、學(xué)生與學(xué)生之間的互動，同時采用更加豐富的學(xué)習(xí)資源，以及項目、論文、實踐等更加多元的評估形式。信息技術(shù)的引入推動了教育3.0的發(fā)展，互聯(lián)網(wǎng)、計算機(jī)、多媒體等廣泛應(yīng)用于教育，在線學(xué)習(xí)，個性化學(xué)習(xí)和數(shù)據(jù)驅(qū)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(qiáng)調(diào)科技進(jìn)步對教育的促進(jìn)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(shù)據(jù)可以提供超個性化的學(xué)習(xí)路徑和資源，VR和AR則能夠提供沉浸式和實踐性的學(xué)習(xí)體驗。正如世界經(jīng)濟(jì)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(yīng)對教育的問題。為應(yīng)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(shù)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(yīng)學(xué)習(xí)（personalized and self-paced learning）、可獲得與包容性的學(xué)習(xí)（accessible and inclusive learning）、問題導(dǎo)向的合作學(xué)習(xí)（problem-based and collaborative learning），以及學(xué)生驅(qū)動的終身學(xué)習(xí)（lifelong and student-driven learning）。可見，教育4.0的核心在于實現(xiàn)個性化和自驅(qū)動的學(xué)習(xí)，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(rèn)知科學(xué)和人工智能所推動的智能化革命，和之前的任何一次技術(shù)革命都有著顯著的不同。依據(jù)慣性和線性思維所設(shè)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(shè)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(jìn)行討論。
思維破界為前提。腦認(rèn)知科學(xué)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?nèi)嫱黄屏?xí)慣思維的模式，跳出傳統(tǒng)教育的框架，從第一性原理來重新認(rèn)識教育的作用，這是真正實現(xiàn)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(zhuǎn)向推動人類傳承和進(jìn)化的根本任務(wù)。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(kuò)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(biāo)準(zhǔn)化知識的必要性?，F(xiàn)有教育體系中所規(guī)定的全員必須掌握的基礎(chǔ)知識，不僅缺乏系統(tǒng)科學(xué)的論證，也無法適應(yīng)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(jī)等更加嚴(yán)峻的考驗，迫切需要通過教育的變革來積極應(yīng)對。從這個意義上來講，教育的目的應(yīng)該從傳遞知識和技能轉(zhuǎn)向推動人類繁衍和進(jìn)化。這是教育使命的一個巨大轉(zhuǎn)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(tǒng)學(xué)科專業(yè)的界限，實現(xiàn)多學(xué)科和跨學(xué)科的教育創(chuàng)新。教育的學(xué)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(xué)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(xué)科劃分的必要性都在日益降低。從知識獲取上看，跨學(xué)科的主題式、項目制學(xué)習(xí)將能更好促進(jìn)知識體系的形成和靈活應(yīng)用；從學(xué)科發(fā)展上看，學(xué)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(zhuǎn)向?qū)θ说木C合培養(yǎng)，除了傳統(tǒng)的數(shù)學(xué)、語文、英語、物理、地理、生物、化學(xué)、計算機(jī)等基礎(chǔ)學(xué)科之外，如體育和健康科學(xué)、心理學(xué)、認(rèn)知科學(xué)與神經(jīng)科學(xué)、社會學(xué)以及其他更多與人相關(guān)的人文學(xué)科將更能促進(jìn)個人發(fā)展。
第三，未來教育需要突破教育方式的邊界，實現(xiàn)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(wù)是提升人的學(xué)習(xí)能力，其本質(zhì)是對大腦的科學(xué)塑造。除了傳統(tǒng)的教育教學(xué)活動，還有很多的方式可以實現(xiàn)對大腦的科學(xué)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(xí)得；體育鍛煉，特別是有氧運(yùn)動，是強(qiáng)身健體、調(diào)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(xué)習(xí)記憶的有效策略；基于大腦的學(xué)習(xí)原理的計算機(jī)游戲是提高學(xué)習(xí)動機(jī)和學(xué)習(xí)效率的科學(xué)方式；當(dāng)然，對大腦活動的直接調(diào)控，如采用藥物、神經(jīng)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(fù)以及學(xué)習(xí)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(yīng)用到正常人群的學(xué)習(xí)能力增強(qiáng)中。
最后，未來教育需要突破教育技術(shù)的邊界，實現(xiàn)符合大腦規(guī)律的高效教育。雖然信息技術(shù)和人工智能正在快速地改變教育樣態(tài)，但目前更多表現(xiàn)為技術(shù)能力，而更少考慮學(xué)習(xí)的規(guī)律和需求；更多注重數(shù)據(jù)的采集，而缺少有效分析和規(guī)律提取，沒有完成從數(shù)據(jù)到證據(jù)的轉(zhuǎn)化。為真正實現(xiàn)技術(shù)賦能的未來學(xué)習(xí)，一方面，需要更加突出腦認(rèn)知科學(xué)的重要地位。腦認(rèn)知科學(xué)不僅能夠為人工智能和大數(shù)據(jù)提供理論基礎(chǔ)和關(guān)鍵指標(biāo)，還能提供直接高效的技術(shù)，包括數(shù)據(jù)采集技術(shù)、指標(biāo)分析技術(shù)、評估診斷技術(shù)、干預(yù)訓(xùn)練技術(shù)等。另一方面，需要打破技術(shù)壁壘，實現(xiàn)腦認(rèn)知科學(xué)與物聯(lián)網(wǎng)、大數(shù)據(jù)和人工智能技術(shù)的深度有機(jī)融合，這將為未來教育提供強(qiáng)大技術(shù)支撐。
能力提升為核心。未來究竟需要什么樣的能力？傳統(tǒng)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(qiáng)調(diào)的技能素養(yǎng)、人際交往、全球意識，等等。雖然這樣的預(yù)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(shù)變革的影響，而低估長時間技術(shù)變革的力量。特別是基于腦認(rèn)知科學(xué)和人工智能技術(shù)的迅猛發(fā)展，未來社會形態(tài)必然會加速演變。對科學(xué)技術(shù)進(jìn)步、社會生產(chǎn)組織形態(tài)、人際交往模式乃至國際競爭形勢的預(yù)測，都會面臨極大的不確定性。
面對復(fù)雜多變，難以預(yù)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(jìn)化歷史中尋求啟示。人類經(jīng)過幾百萬年的進(jìn)化，大腦體積明顯增大，認(rèn)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(yùn)動和社會交往，等等。相反，嬰兒卻擁有異常強(qiáng)大的學(xué)習(xí)能力，確保其在世界任何地方都能學(xué)會當(dāng)?shù)氐恼Z言，適應(yīng)當(dāng)?shù)氐淖匀缓蜕鐣h(huán)境，熟悉當(dāng)?shù)氐奈幕?，掌握生存和發(fā)展的技能。這種強(qiáng)大的學(xué)習(xí)能力就是人類能夠以不變應(yīng)萬變，在數(shù)百萬年復(fù)雜的氣候環(huán)境變化中得以生存的根基，也應(yīng)該成為我們要重點強(qiáng)調(diào)的在未來快速多變的時代所要具備的關(guān)鍵底層能力。
未來人類所需具備的關(guān)鍵底層能力就是人類強(qiáng)大的學(xué)習(xí)力。學(xué)習(xí)力這個概念最早由美國麻省理工學(xué)院的佛睿斯特（Jay Forrester）于1965年在《一種新型的公司設(shè)計》一文中提出。[61]20世紀(jì)90年代中期，學(xué)習(xí)力逐漸成為一項前沿的管理理論，被廣泛應(yīng)用在企業(yè)管理和企業(yè)文化領(lǐng)域。在教育學(xué)領(lǐng)域中，學(xué)習(xí)力是一個新的概念。國內(nèi)外的研究者對其內(nèi)涵的一般定義為：一個人的學(xué)習(xí)動力、學(xué)習(xí)毅力、學(xué)習(xí)能力和學(xué)習(xí)創(chuàng)新力的總和，是人們獲取知識、分享知識、運(yùn)用知識和創(chuàng)造知識的能力。聯(lián)合國教科文組織出版的《學(xué)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(xué)會怎樣學(xué)習(xí)的人。”
對學(xué)習(xí)力的要素，英國布里斯托爾大學(xué)Claxton教授于2002年首先提出了學(xué)習(xí)力構(gòu)成的四個要素“4R”：堅韌力（resilience）、策應(yīng)力（resourcefulness）、反省力（reflection）、關(guān)系力（relationships）[62]。在此基礎(chǔ)上，英國ELLI項目進(jìn)一步豐富了學(xué)習(xí)力的構(gòu)成要素，提出了七要素理論，分別是：變化和學(xué)習(xí)（changing and learning）、批判性好奇心（critical curiosity）、意義形成（meaning making）、創(chuàng)造性（creativity）、學(xué)習(xí)關(guān)系（learning relationships）、策略意識（strategic awareness）、堅韌力（resilience）。美國哈佛大學(xué)Kirby教授在長期的教學(xué)實踐中豐富了學(xué)習(xí)力的內(nèi)涵，并于2005年出版了專著《學(xué)習(xí)力》。他認(rèn)為學(xué)習(xí)力應(yīng)該是一個包括學(xué)習(xí)動力、學(xué)習(xí)態(tài)度、學(xué)習(xí)方法、學(xué)習(xí)效率、創(chuàng)新思維和創(chuàng)造力的綜合體。
在總結(jié)學(xué)習(xí)力的既有研究，結(jié)合腦認(rèn)知科學(xué)的發(fā)現(xiàn)后，我們從腦科學(xué)的視角提出了面向未來的學(xué)習(xí)力的三大要素，包括有機(jī)的知識體系、強(qiáng)大的認(rèn)知能力和持久的學(xué)習(xí)動機(jī)。[63]其中有機(jī)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(nèi)部和層級之間緊密聯(lián)系，從而構(gòu)成復(fù)雜的、有結(jié)構(gòu)性的知識網(wǎng)絡(luò)，進(jìn)而加快新知識掌握的速度，促進(jìn)知識的遷移、靈活應(yīng)用和創(chuàng)新。人腦的感知運(yùn)動皮層、顳葉皮層和頂下小葉等區(qū)域構(gòu)成了人腦有機(jī)知識知識存儲的主要生理載體。強(qiáng)大的認(rèn)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(rèn)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(zhuǎn)化（長時記憶）以及元認(rèn)知監(jiān)控等成份。這些高級的認(rèn)知功能主要由大腦前額葉及其所在的執(zhí)行控制網(wǎng)絡(luò)來完成。持久學(xué)習(xí)動機(jī)則包含了充滿激情、熱愛和好奇，渴望成長的動力系統(tǒng)；善于調(diào)節(jié)情緒、控制沖動、延遲滿足，擁有強(qiáng)大復(fù)原力和堅韌力的控制系統(tǒng)；追求卓越，擁有明確的人生目標(biāo)和意義的方向系統(tǒng)。這個部分需要大腦古老的邊緣系統(tǒng)和最近進(jìn)化的內(nèi)側(cè)前額葉系統(tǒng)的共同作用。
大量的研究表明，學(xué)習(xí)力不僅是預(yù)測一個學(xué)生學(xué)習(xí)成績的重要指標(biāo)，[64]更是預(yù)測個體長遠(yuǎn)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(guān)鍵。[65]因此，基于腦認(rèn)知科學(xué)的學(xué)習(xí)力體系，不僅可以幫助學(xué)生適應(yīng)未來，也能夠解決當(dāng)下的現(xiàn)實需求，從而實現(xiàn)教育中短期目標(biāo)和長遠(yuǎn)目標(biāo)的協(xié)調(diào)統(tǒng)一，以及應(yīng)試教育和素質(zhì)教育協(xié)調(diào)統(tǒng)一。
按需學(xué)習(xí)為導(dǎo)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(jié)果，也是人腦充分成熟的標(biāo)志。腦功能影像的研究發(fā)現(xiàn)，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(wǎng)絡(luò)連接模式來準(zhǔn)確識別個人。[66]這種大腦結(jié)構(gòu)和功能的獨特性，是個性化的教育底層生物基礎(chǔ)。近年來，“內(nèi)卷”現(xiàn)象在教育領(lǐng)域表現(xiàn)得尤為明顯，主要特征表現(xiàn)為社會、學(xué)校和家庭以單一和統(tǒng)一的標(biāo)準(zhǔn)為目標(biāo)，在狹窄的賽道激烈競爭，從而導(dǎo)致學(xué)生壓力過大，身心健康遭受威脅。而個性化教育被認(rèn)為是破解教育內(nèi)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(biāo)；這不僅是尊重個體差異、充分實現(xiàn)個人潛能的重要途徑，也是破除教育內(nèi)卷的必然要求。而學(xué)生數(shù)量減少和人工智能技術(shù)的應(yīng)用普及將大大提升個性化教育的可行性。未來，按需學(xué)習(xí)將成為一種必然的學(xué)習(xí)范式，[67]學(xué)習(xí)者可以在自然情境中，根據(jù)多樣化的學(xué)習(xí)需求，滿足多層次學(xué)習(xí)目標(biāo)的進(jìn)階要求，通過智能技術(shù)有效連接學(xué)習(xí)資源、環(huán)境與服務(wù)。更重要的是，以按需學(xué)習(xí)為導(dǎo)向，將能更好地提升學(xué)生學(xué)習(xí)能力。
首先，按需學(xué)習(xí)可以幫助個體更好構(gòu)建有機(jī)知識體系。根據(jù)加德納的“多元智能理論”，不同個體可能在語言、邏輯數(shù)學(xué)、空間、音樂、身體運(yùn)動、人際、內(nèi)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(lǐng)域，不同學(xué)生在知識背景、學(xué)習(xí)風(fēng)格、興趣愛好和能力水平上存在差異。通過按需學(xué)習(xí)，可以依據(jù)學(xué)生自身的知識背景選擇恰當(dāng)?shù)慕虒W(xué)內(nèi)容，根據(jù)學(xué)生的學(xué)習(xí)風(fēng)格調(diào)整學(xué)習(xí)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(fèi)，從而提高教育效率。
其次，按需學(xué)習(xí)能更好照顧每個孩子的認(rèn)知能力，提供針對性的訓(xùn)練。教師可以根據(jù)每個學(xué)生的認(rèn)知能力水平，提供適當(dāng)支持和任務(wù)挑戰(zhàn)。對于學(xué)習(xí)困難的學(xué)生，按需學(xué)習(xí)可以提供額外的資源和幫助，讓其趕上進(jìn)度；對于學(xué)習(xí)優(yōu)秀的學(xué)生，按需學(xué)習(xí)可以提供更高難度任務(wù)和機(jī)會，激發(fā)其潛力。此外，按需學(xué)習(xí)可以在精準(zhǔn)評估學(xué)生學(xué)習(xí)能力的基礎(chǔ)上，有針對性地改善學(xué)生認(rèn)知能力短板，強(qiáng)化優(yōu)勢能力，從而實現(xiàn)“均衡＋優(yōu)勢”的能力發(fā)展模式。
最后，按需學(xué)習(xí)能最大程度激發(fā)學(xué)生的學(xué)習(xí)動機(jī)和興趣。按需學(xué)習(xí)根據(jù)每個學(xué)生的優(yōu)勢量身定制學(xué)習(xí)計劃，使他們能夠在自己的擅長領(lǐng)域得到認(rèn)可。按需學(xué)習(xí)注重學(xué)生的興趣和內(nèi)在動機(jī)，通過關(guān)注和利用學(xué)生的興趣點來設(shè)計課程內(nèi)容和教學(xué)方法，能夠更好地激發(fā)他們的學(xué)習(xí)熱情和主動性。按需學(xué)習(xí)還注重學(xué)生的心理和情感需求，通過建立良好的人際關(guān)系和學(xué)習(xí)環(huán)境，更好地支持學(xué)生的心理健康和情感發(fā)展。內(nèi)卷現(xiàn)象往往源于外在動機(jī)（如排名和升學(xué)壓力）驅(qū)動下的同質(zhì)競爭，而按需學(xué)習(xí)通過關(guān)注和培養(yǎng)學(xué)生的內(nèi)在動機(jī)，培養(yǎng)其發(fā)自內(nèi)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(xué)習(xí)，可以更好匹配學(xué)習(xí)內(nèi)容、學(xué)習(xí)難度和學(xué)習(xí)方式，從而實現(xiàn)高效的有機(jī)知識體系建構(gòu)；也能夠通過認(rèn)知能力的精準(zhǔn)評估和個性化干預(yù)訓(xùn)練，實現(xiàn)認(rèn)知能力的科學(xué)提升；最后，還通過匹配個體目標(biāo)與價值來提高學(xué)習(xí)興趣和內(nèi)在動機(jī)，從而提升學(xué)習(xí)動力。因此，按需學(xué)習(xí)可以更加有效地培養(yǎng)學(xué)習(xí)力，從而成為未來教育的必然選擇。
大腦規(guī)律為指導(dǎo)?；趯W(xué)習(xí)力的培養(yǎng)目標(biāo)，為實現(xiàn)科學(xué)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(yùn)作規(guī)律、大腦學(xué)習(xí)規(guī)律，制定科學(xué)的課程大綱和培養(yǎng)體系，應(yīng)用有效的學(xué)習(xí)方法和策略，實施科學(xué)準(zhǔn)確的考核評估方式。
學(xué)習(xí)的一個主要目的就是要建立有機(jī)的知識體系。有機(jī)知識體系的重要特征是模塊化、層級性和結(jié)構(gòu)化。[68]為了建立有機(jī)的知識體系，可以依據(jù)材料之間的相似性和聯(lián)系性來安排學(xué)習(xí)材料，開展大單元、跨主題和項目制學(xué)習(xí)，通過運(yùn)用組塊或思維導(dǎo)圖等方式來更好組織知識。[69]更重要的是，有機(jī)知識的形成需要從根本上轉(zhuǎn)變教育方式，要從“老師的教”轉(zhuǎn)向“學(xué)生的學(xué)”，實現(xiàn)從輸入到輸出的轉(zhuǎn)變，包括采用“費(fèi)曼學(xué)習(xí)法”以及布置完成綜合性作業(yè)等，從而更好地發(fā)現(xiàn)知識間關(guān)系、更有序組織知識，構(gòu)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(xué)習(xí)[71]和以測代練[72]是非常有效的學(xué)習(xí)方法，當(dāng)前卻沒有被師生很好地使用。
我國現(xiàn)有的教育體系還沒有將認(rèn)知能力培養(yǎng)提高到其應(yīng)有的重要地位。除了少數(shù)學(xué)校在拔尖創(chuàng)新人才選拔中開展認(rèn)知能力測試，大多數(shù)學(xué)校還是更看重學(xué)習(xí)成績和學(xué)科競賽。這里面有多方面原因。首先，學(xué)校長期以來都是通過考試來進(jìn)行評價，而對認(rèn)知能力的影響認(rèn)識不足；其次，雖然有些教育工作者認(rèn)識到認(rèn)知能力的重要性，但錯誤地認(rèn)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(rèn)知能力評估和訓(xùn)練，但認(rèn)為常規(guī)教學(xué)就能很好地培養(yǎng)學(xué)生的認(rèn)知能力，無需開展專門訓(xùn)練；最后，部分教育工作者認(rèn)識到系統(tǒng)性、針對性培養(yǎng)學(xué)生認(rèn)知能力的必要性，但尚未掌握認(rèn)知能力的科學(xué)定義、還不會使用科學(xué)的測評工具和訓(xùn)練手段?；谀X科學(xué)的認(rèn)知能力培養(yǎng)，需要認(rèn)識到認(rèn)知能力在學(xué)生學(xué)習(xí)和長遠(yuǎn)發(fā)展中的重要作用，認(rèn)清其發(fā)展規(guī)律和影響因素。同時要掌握科學(xué)的測評方法，更要掌握科學(xué)訓(xùn)練認(rèn)知能力的方法。[73]比如，小學(xué)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(rèn)知能力快速發(fā)展的時期，是通過教育促進(jìn)前額葉發(fā)展的重要機(jī)會窗口。對學(xué)生開展科學(xué)的學(xué)習(xí)能力評估和干預(yù)訓(xùn)練，是提高學(xué)生學(xué)習(xí)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(xùn)練，并注重訓(xùn)練的生態(tài)學(xué)效度和可遷移性，確實可以提高學(xué)生的認(rèn)知能力以及學(xué)業(yè)表現(xiàn)。[75]
人的動力系統(tǒng)的培養(yǎng)也同樣需要遵循大腦的規(guī)律。人的情緒動機(jī)包含了多條復(fù)雜的通路，包括多條多巴胺通路，負(fù)責(zé)預(yù)期、學(xué)習(xí)、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(guān)，其異?？赡軐?dǎo)致抑郁、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(yīng)激反應(yīng)密切相關(guān)，調(diào)節(jié)消化系統(tǒng)、免疫系統(tǒng)、情緒系統(tǒng)、代謝系統(tǒng)以及性行為等。這些通路共同構(gòu)成了人的基本動力系統(tǒng)，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(chǎn)生強(qiáng)大的好奇心，但也會規(guī)避風(fēng)險；自控力使人可以根據(jù)目標(biāo)，對動機(jī)進(jìn)行調(diào)節(jié)；而習(xí)慣是經(jīng)過長期行為所習(xí)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(jī)系統(tǒng)與各種學(xué)習(xí)生活經(jīng)驗進(jìn)行連接，就會產(chǎn)生個體獨特而復(fù)雜的動機(jī)模式。
從腦科學(xué)的角度認(rèn)識人的動力系統(tǒng)，可以為動機(jī)塑造提供很多創(chuàng)新的思路。一是學(xué)校要特別關(guān)注動機(jī)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(jìn)行危機(jī)干預(yù)；二是在教學(xué)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(xué)生的內(nèi)在學(xué)習(xí)動機(jī)和興趣，例如，通過建立起知識與真實生活的聯(lián)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(xué)習(xí)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(xiàn)階段學(xué)生的物質(zhì)生活水平和發(fā)展需求，要用更高的目標(biāo)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(guān)懷等來激發(fā)其成長動力；五是要綜合利用各種動機(jī)系統(tǒng)的力量，包括獎勵、懲罰、習(xí)慣和自控力，等等，提升動機(jī)系統(tǒng)的持久性和靈活性；六是在傳遞學(xué)習(xí)動機(jī)相關(guān)知識的同時，更要注重社會情緒技能的培養(yǎng)，將強(qiáng)大的學(xué)習(xí)動力變成一種自發(fā)的習(xí)慣。
在未來教育的設(shè)計中，我們還需要充分認(rèn)識到體育的重要作用。體育活動尤其是有氧體育運(yùn)動不僅有助于增強(qiáng)體質(zhì)，還對學(xué)業(yè)成績和心理健康有顯著影響。大量有關(guān)青少年的研究發(fā)現(xiàn)，體育運(yùn)動與學(xué)校表現(xiàn)，[76]如閱讀和數(shù)學(xué)成績[77]甚至是平均績點[78]和認(rèn)知之間存在正相關(guān)關(guān)系。有氧體育鍛煉可以促進(jìn)腦源性神經(jīng)營養(yǎng)因子（BDNF）分泌，增加海馬體的體積——海馬體在記憶習(xí)得和鞏固中起著關(guān)鍵作用，從而增強(qiáng)記憶能力和提升學(xué)習(xí)成績。[79]另外，有氧運(yùn)動對青少年情緒調(diào)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(nèi)分泌系統(tǒng)，如促進(jìn)多巴胺、血清素等神經(jīng)遞質(zhì)的分泌，可減輕抑郁和焦慮等負(fù)面情緒。[80]另一方面，體育鍛煉可以幫助青少年轉(zhuǎn)移負(fù)面情緒并增加積極情緒體驗。[81]根據(jù)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(yīng)至少進(jìn)行60分鐘以有氧運(yùn)動為主的中等到劇烈強(qiáng)度的身體活動，每周至少應(yīng)有3天進(jìn)行劇烈強(qiáng)度有氧運(yùn)動以及增強(qiáng)肌肉和骨骼的運(yùn)動。
可以看到，腦認(rèn)知科學(xué)的研究可以為學(xué)習(xí)力的培養(yǎng)提供全新的認(rèn)識，為科學(xué)和高效學(xué)習(xí)力提升提供重要的理論支撐和實踐指導(dǎo)。未來教育的設(shè)計，包括相關(guān)的政策制定、課程體系，教學(xué)方法以及評價體系，都需要充分依據(jù)大腦的規(guī)律。
技術(shù)創(chuàng)新為依托。在智能時代，科技進(jìn)步將有可能為未來教育的變革提供強(qiáng)有力的支撐，但前提條件是要符合未來的教育的目標(biāo)以及學(xué)習(xí)的規(guī)律。其中，腦認(rèn)知科學(xué)將為未來教育設(shè)計提供理論基礎(chǔ)、關(guān)鍵指標(biāo)和科學(xué)方法，而人工智能和物聯(lián)網(wǎng)等技術(shù)則將一方面為教育提供強(qiáng)大的工具來變革傳統(tǒng)的教育手段和評價方式，另一方面通過對管理和教學(xué)工作的自動化和提質(zhì)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(xiàn)實和游戲引擎等技術(shù)將為教育提供更加真實的環(huán)境，提高學(xué)習(xí)動機(jī)和效率。
腦認(rèn)知科學(xué)除了能加深對人腦功能的本質(zhì)認(rèn)識，幫助重新定義未來教育的目標(biāo)外，還將從多個方面推動未來教育技術(shù)的進(jìn)步。首先，腦認(rèn)知科學(xué)揭示了人腦發(fā)育的規(guī)律以及人腦學(xué)習(xí)記憶的規(guī)律。這些規(guī)律不僅可以在認(rèn)知層面更新教育管理者、教師和學(xué)生的觀念，改善教育政策、教學(xué)行為和學(xué)習(xí)方式，更可以為人工智能和虛擬現(xiàn)實等未來教育技術(shù)的應(yīng)用提供科學(xué)的指引，包括產(chǎn)品理念和功能設(shè)計、關(guān)鍵指標(biāo)的制定、針對性的數(shù)據(jù)收集，以及基于腦認(rèn)知科學(xué)原理的模型建構(gòu)和數(shù)據(jù)驗證等。
其次，腦認(rèn)知科學(xué)能提供很多用于學(xué)習(xí)能力評估和訓(xùn)練效果提升的技術(shù)。比如，認(rèn)知測評技術(shù)結(jié)合腦影像技術(shù)可以更加精準(zhǔn)測量個體的大腦功能和認(rèn)知能力。根據(jù)Anderson于1982年提出的認(rèn)知技能發(fā)展理論和Glaser等人于1985年對認(rèn)知技能維度的分類理論，一些認(rèn)知技能測量的技術(shù)可以更好地實現(xiàn)，包括知識獲取、組織和結(jié)構(gòu)的測量；問題表征深度的測量；心理表征模型的測量；元認(rèn)知技能的測量；任務(wù)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(tǒng)的教育測評手段，能夠?qū)崿F(xiàn)對有機(jī)知識體系和認(rèn)知技能的深度評估。腦認(rèn)知科學(xué)還能夠更好地評估學(xué)生的學(xué)習(xí)動力，相關(guān)技術(shù)包括：傳統(tǒng)的問卷測量、心理投射技術(shù)、內(nèi)隱聯(lián)系技術(shù)以及腦影像，等等。這些技術(shù)和人工智能、大數(shù)據(jù)以及虛擬現(xiàn)實相結(jié)合，未來將使評估和輔助具有更好的精度和干預(yù)效果。
最后，教育的本質(zhì)就是塑造大腦，腦認(rèn)知科學(xué)所提供的技術(shù)和方法，可以實現(xiàn)對大腦的精準(zhǔn)調(diào)控。一些相對無損的技術(shù)，比如，神經(jīng)影像技術(shù)、無損腦刺激和腦機(jī)接口技術(shù)，以及一些神經(jīng)類的藥物，已經(jīng)在醫(yī)療領(lǐng)域得到了廣泛的應(yīng)用，在治療大腦疾病和改善大腦認(rèn)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(xué)習(xí)障礙以及使正常人認(rèn)知增強(qiáng)的技術(shù)。還有一些微創(chuàng)技術(shù)，如侵入式腦機(jī)接口、侵入式神經(jīng)刺激調(diào)控（包括光、電、聲、磁、光遺傳等），神經(jīng)遞質(zhì)、荷爾蒙和激素等藥物技術(shù)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(lǐng)域，菲爾茲數(shù)學(xué)科學(xué)研究院院長庫馬爾·默蒂表示：“人工智能帶來的機(jī)遇，超越了技術(shù)層面，超越了特定學(xué)科，而是為全球范圍教育領(lǐng)域帶來革新。”世界經(jīng)濟(jì)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?？梢宰詣踊墓ぷ靼ǎ壕幹铺囟ㄖ黝}的書籍、期刊、文章和視聽材料清單；使用標(biāo)準(zhǔn)參考資料核實事實、日期和統(tǒng)計數(shù)據(jù)；使用答題紙或電子標(biāo)記設(shè)備對家庭作業(yè)和考試進(jìn)行評分，計算和記錄結(jié)果?？梢再x能的工作包括：分析績效數(shù)據(jù)以確定教學(xué)系統(tǒng)、課程或教學(xué)材料的有效性；設(shè)計學(xué)習(xí)產(chǎn)品，包括基于網(wǎng)絡(luò)的輔助工具或電子績效支持系統(tǒng)；開發(fā)教學(xué)或培訓(xùn)材料，如講義、學(xué)習(xí)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(shè)計，完善教學(xué)方法，提供社會情緒支持，提供個性化的教學(xué)指導(dǎo)和與家長交流等。
與此同時，我們也要警惕人工智能技術(shù)的誤用、濫用。比如，在傳統(tǒng)的應(yīng)試教育思想的指導(dǎo)下，人工智能可能被作為高效的刷題機(jī)器。通過知識點的精細(xì)拆分和習(xí)題匹配，人工智能指導(dǎo)下的習(xí)題推送可以幫助學(xué)生掌握碎片化的知識點，但卻不利于有機(jī)知識體系的形成。這種基于有限知識邊界來促進(jìn)知識掌握的學(xué)習(xí)模式，只能培養(yǎng)更多千人一面的學(xué)生，而與因人而異、按需學(xué)習(xí)的個性化教育模式背道而馳。還有一些人工智能技術(shù)采集了大量數(shù)據(jù)，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(xué)系統(tǒng)的分析形成有價值的科學(xué)證據(jù)，因而難以對教學(xué)實踐形成指導(dǎo)，造成大量資源的浪費(fèi)；更有一些人工智能技術(shù)被濫用為隨時監(jiān)視教師和學(xué)生的工具，加大師生壓力和不安全感，甚至阻礙學(xué)習(xí)。
除了腦認(rèn)知科學(xué)和人工智能技術(shù)，虛擬現(xiàn)實和游戲技術(shù)也可以為未來教育賦能。虛擬現(xiàn)實技術(shù)通過模擬現(xiàn)實情景，在培養(yǎng)學(xué)生學(xué)習(xí)力方面具有眾多獨特價值。首先，它可以讓學(xué)生更加具身地體會文字所不能描述的信息，更好構(gòu)建具體與抽象知識相融合的有機(jī)知識體系。更重要的是，通過與生成式AI技術(shù)相融合，人工智能和虛擬現(xiàn)實可以形成有關(guān)數(shù)量、幾何、物理、化學(xué)、生物、政治，經(jīng)濟(jì)、歷史、社會和心理等的世界模型。學(xué)生通過與虛擬的世界模型的交互來獲得科學(xué)的知識。這將從根本上改變教師傳授的方式，真正實現(xiàn)知識的生長，促進(jìn)有機(jī)知識體系的形成。其次，虛擬現(xiàn)實和游戲技術(shù)可以用于認(rèn)知能力的測評和提升。相較于傳統(tǒng)的認(rèn)知測評和訓(xùn)練，結(jié)合虛擬現(xiàn)實的游戲化測評和訓(xùn)練技術(shù)將具有生態(tài)化的優(yōu)勢，從而大大提高測評的準(zhǔn)確性與訓(xùn)練的效果，特別是訓(xùn)練效果的遷移。最后，虛擬現(xiàn)實和游戲技術(shù)有助于學(xué)習(xí)動機(jī)的培養(yǎng)。虛擬現(xiàn)實和游戲技術(shù)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(xué)生的學(xué)習(xí)動機(jī)和興趣，甚至可能上癮。此外，這兩類技術(shù)還可以用以提高學(xué)生的心理品質(zhì)和學(xué)習(xí)動力。比如，通過模擬物理和社會壓力環(huán)境，可以訓(xùn)練學(xué)生的抗壓能力和心理韌性；通過創(chuàng)設(shè)個性化的成功環(huán)境，可以增強(qiáng)學(xué)生的成功體驗，極大提高成長動力。
可以看到，腦認(rèn)知科學(xué)和人工智能技術(shù)可以在多個方面推動未來教育體系的設(shè)計，包括對教育本質(zhì)的重新定義、重新設(shè)定以學(xué)習(xí)力為核心的教育目標(biāo)、提供尊重大腦規(guī)律的學(xué)習(xí)方法、千人千面的按需學(xué)習(xí)路徑，以及切實助力完成上述目標(biāo)的全新教育科技。這些將為未來教育變革的實現(xiàn)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(xué)生和家長，以及教育科技的從業(yè)者，等等，都必須統(tǒng)一認(rèn)識、協(xié)調(diào)步伐、積極行動，從而實現(xiàn)教育變革從理論走向?qū)嵺`。
在政府和政策層面，需加大和加快教育的科學(xué)化和智能化轉(zhuǎn)型，加快相關(guān)政策出臺和標(biāo)準(zhǔn)制定，加大在基礎(chǔ)和應(yīng)用研究與實施中的經(jīng)費(fèi)投入、過程監(jiān)管和證據(jù)累計，強(qiáng)調(diào)依據(jù)科學(xué)證據(jù)指導(dǎo)教學(xué)變革并客觀獨立評估實施效果，從而實現(xiàn)從數(shù)據(jù)、證據(jù)到實踐的正向循環(huán)。同時，要大力推進(jìn)優(yōu)質(zhì)均衡教育的全面落地，特別是要實現(xiàn)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(xué)習(xí)困難兒童提供充分的資源以促進(jìn)其發(fā)展，也要為具有不同能力特長和興趣愛好的學(xué)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(xué)，更好照顧到每個學(xué)生的需求；在學(xué)校辦學(xué)模式上，要鼓勵學(xué)校特色化辦學(xué)，為不同孩子提供充分的選擇；在考核指標(biāo)和方式上，要發(fā)展多元綜合考核，避免單一標(biāo)準(zhǔn)。
在科學(xué)研究方面，我們對大腦的認(rèn)識還有待持續(xù)深入，對微觀大腦活動與教育實踐的關(guān)系也需要持續(xù)研究。人工智能底層技術(shù)和教育領(lǐng)域的應(yīng)用需要加快發(fā)展。國家應(yīng)在腦認(rèn)知科學(xué)、人工智能與教育融合領(lǐng)域進(jìn)行重大戰(zhàn)略布局和資源投入，加快相關(guān)的研究基地建設(shè)、項目立項、人才引進(jìn)和培養(yǎng)；面對未來教育的重大問題，腦科學(xué)、信息科學(xué)、計算機(jī)科學(xué)、教育科學(xué)等相關(guān)學(xué)科的工作者應(yīng)該開展跨學(xué)科交叉聯(lián)合攻關(guān)。
在教師教育方面，要加強(qiáng)對教師的腦認(rèn)知科學(xué)知識、研究方法和實踐應(yīng)用的教育。在師范院校開設(shè)腦科學(xué)通識課程；在心理學(xué)、教育學(xué)等相關(guān)專業(yè)開設(shè)腦與學(xué)習(xí)、腦科學(xué)與教育等專業(yè)課程；對現(xiàn)有教師加強(qiáng)腦認(rèn)知科學(xué)的繼續(xù)教育和實踐指導(dǎo)；加強(qiáng)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(guān)人工智能工具，提高教學(xué)效率和質(zhì)量；引導(dǎo)教師轉(zhuǎn)變思想、提升技能，使其對學(xué)生的學(xué)習(xí)能力、心理品質(zhì)和知識體系狀況能夠進(jìn)行科學(xué)評估，充分了解學(xué)生興趣和需求，成為學(xué)生個性化發(fā)展的有力指導(dǎo)者。
在課程建設(shè)方面，學(xué)校需要改革現(xiàn)有的學(xué)科課程，加大主題式和項目制等深度學(xué)習(xí)課程，促進(jìn)有機(jī)知識體系形成；學(xué)校要積極推動學(xué)生學(xué)習(xí)能力課程的建設(shè)，通過設(shè)置專門“腦育”課程，改造“心理健康”課程，發(fā)展腦科學(xué)與學(xué)科教學(xué)結(jié)合的“融合”課程，設(shè)置腦科學(xué)理論指導(dǎo)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(xué)融入學(xué)校教學(xué)的各個方面；加強(qiáng)信息和人工智能素養(yǎng)課程，提高學(xué)生的人工智能思維，促進(jìn)其對人工智能底層知識的掌握并培養(yǎng)其相關(guān)技能；同時，更加重視體育課程，特別是有氧運(yùn)動，改善學(xué)生身體素質(zhì)、心理品質(zhì)和學(xué)習(xí)能力；最后，加強(qiáng)人文學(xué)科課程，提升學(xué)生的人文素養(yǎng)，為學(xué)生長遠(yuǎn)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(tǒng)單一考試模式，拓展多種測查形式，更加強(qiáng)調(diào)對基礎(chǔ)素養(yǎng)、學(xué)習(xí)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(xué)生知識體系掌握、基礎(chǔ)認(rèn)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(xué)生的學(xué)習(xí)動機(jī)和心理品質(zhì)進(jìn)行精準(zhǔn)有效評價，將其作為教育質(zhì)量監(jiān)測以及升學(xué)和選拔的重要依據(jù)；在考試評價實施上，要科學(xué)設(shè)置考察節(jié)點和反饋機(jī)制，形成報告和發(fā)展性評價以促進(jìn)學(xué)生發(fā)展。
在技術(shù)研發(fā)方面，要圍繞基于腦認(rèn)知科學(xué)和人工智能時代下的教育目標(biāo)，創(chuàng)新融合人工智能技術(shù)、腦認(rèn)知測評和干預(yù)技術(shù)，虛擬現(xiàn)實技術(shù)、物聯(lián)網(wǎng)和大數(shù)據(jù)技術(shù)，神經(jīng)反饋和調(diào)控技術(shù)，開發(fā)和推廣能真正推動學(xué)生有機(jī)知識體系的形成、強(qiáng)大學(xué)習(xí)能力的培養(yǎng)和持久學(xué)習(xí)動機(jī)的塑造，且符合人腦學(xué)習(xí)和教育規(guī)律的產(chǎn)品和技術(shù)體系；在加強(qiáng)產(chǎn)品研發(fā)的同時，也要注重實踐驗證，特別是在嚴(yán)謹(jǐn)科學(xué)實驗基礎(chǔ)上的數(shù)據(jù)化驗證、數(shù)學(xué)模型發(fā)展和一般性科學(xué)規(guī)律總結(jié)，讓上述科學(xué)技術(shù)成為推動學(xué)習(xí)力提升、促進(jìn)未來教育變革的強(qiáng)大力量。
總之，腦認(rèn)知科學(xué)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(jìn)步和社會轉(zhuǎn)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(dān)負(fù)著促進(jìn)人類發(fā)展和推動人類進(jìn)化的使命，需要迎接挑戰(zhàn)、主動變革并立即行動。腦認(rèn)知科學(xué)基于對人腦智能本質(zhì)、大腦發(fā)育規(guī)律、學(xué)習(xí)記憶規(guī)律、動機(jī)情緒規(guī)律等的深入認(rèn)識，以及創(chuàng)新的大腦評估和調(diào)控技術(shù)，通過與人工智能技術(shù)等的有機(jī)融合，將為未來教育提供目標(biāo)定位、實施路徑和技術(shù)手段等方面的強(qiáng)大支持，推動未來教育變革的真正實現(xiàn)。
注釋
[1]薛貴：《腦科學(xué)與學(xué)習(xí)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(xué)時代的未來教育目標(biāo)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(shù)賦能按需學(xué)習(xí)：理論進(jìn)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(gòu)建有機(jī)知識體系，促進(jìn)學(xué)生學(xué)習(xí)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(xué)習(xí)提高學(xué)習(xí)效率》，《教育家》，2020年第24期。
[72]劉楚麒、薛貴：《科學(xué)設(shè)置測試，促進(jìn)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(xué)的學(xué)習(xí)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(xùn)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(zé) 編∕桂 琰 美 編∕梁麗琛
