【摘要】腦認(rèn)知科學(xué)與人工智能快速發(fā)展，推動(dòng)人類(lèi)社會(huì)加速向智能時(shí)代演進(jìn)，對(duì)人類(lèi)生存發(fā)展能力提出了全新要求，也推動(dòng)教育目標(biāo)和方式發(fā)生根本性變革。未來(lái)教育體系的設(shè)計(jì)需要突破知識(shí)傳遞的限制，以推動(dòng)人類(lèi)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(gè)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(gè)體培養(yǎng)有機(jī)的知識(shí)體系、強(qiáng)大的認(rèn)知能力和持久的學(xué)習(xí)動(dòng)力。實(shí)現(xiàn)未來(lái)教育目標(biāo)，需要社會(huì)各界從教育政策、科學(xué)研究、教師教育、考試評(píng)價(jià)、課程設(shè)置和技術(shù)創(chuàng)新等方面協(xié)同行動(dòng)，推動(dòng)未來(lái)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(lèi)號(hào)】TP18/G521 【文獻(xiàn)標(biāo)識(shí)碼】A

【DOI】10.16619/j.cnki.rmltxsqy.2024.17.001

【作者簡(jiǎn)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(guó)家重點(diǎn)實(shí)驗(yàn)室教授，教育部“長(zhǎng)江學(xué)者”特聘教授。研究方向?yàn)槿祟?lèi)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(dòng)機(jī)、外部動(dòng)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(zhǎng)，教授級(jí)高級(jí)工程師。研究方向?yàn)槿斯ぶ悄芘c大數(shù)據(jù)教育應(yīng)用、數(shù)字教育。

教育通過(guò)傳授知識(shí)、培養(yǎng)技能和塑造價(jià)值觀(guān)來(lái)促進(jìn)個(gè)體的全面發(fā)展，并進(jìn)一步推動(dòng)社會(huì)進(jìn)步和人類(lèi)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(shí)代。在歷史上，每一次科技革命都對(duì)教育產(chǎn)生了深遠(yuǎn)的影響，推動(dòng)了教育目標(biāo)、內(nèi)容、評(píng)價(jià)和技術(shù)的變革。[1]如果說(shuō)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(dòng)了學(xué)科的專(zhuān)業(yè)化，以信息化和自動(dòng)化為代表的第三次工業(yè)革命推動(dòng)了教育的信息化和個(gè)性化，那么腦認(rèn)知科學(xué)和人工智能推動(dòng)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(shí)現(xiàn)方式，從而帶來(lái)史無(wú)前例的教育底層變革。這是因?yàn)椋煌谥叭魏我淮喂I(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(dòng)技術(shù)變革和生產(chǎn)關(guān)系的改變，同時(shí)將第一次對(duì)人類(lèi)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(lái)已來(lái)，教育也必須迅速行動(dòng)，以幫助兒童為未來(lái)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(lái)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(shì)，分析智能時(shí)代對(duì)人類(lèi)生存和發(fā)展的新要求；繼而，重點(diǎn)闡述智能時(shí)代創(chuàng)新教育的設(shè)計(jì)原則和體系；最后，就智能時(shí)代創(chuàng)新教育實(shí)踐的實(shí)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(shì)

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(dòng)模式，這推動(dòng)了人們對(duì)大腦結(jié)構(gòu)和功能的理解。[2]在2020年被Nature Methods評(píng)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(lèi)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(zhǎng)類(lèi)動(dòng)物[6]的大腦細(xì)胞類(lèi)型圖譜、初步刻畫(huà)了人類(lèi)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(lái)，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(gè)神經(jīng)元活動(dòng)成為現(xiàn)實(shí)，幫助人們更好地理解大腦的復(fù)雜動(dòng)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(yǔ)言，[11]甚至發(fā)現(xiàn)單個(gè)細(xì)胞就可以“聽(tīng)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(shí)的環(huán)狀結(jié)構(gòu)表征，[13]前額葉通過(guò)增強(qiáng)和轉(zhuǎn)換記憶表征來(lái)減少干擾等，[14]以及人類(lèi)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(lái)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(dòng)作、[16]語(yǔ)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(dòng)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(guò)對(duì)體感皮層的微刺激讓患者產(chǎn)生觸覺(jué)，使抓握物體所花費(fèi)的時(shí)間從20.9秒減少到10.2秒，更接近健全人類(lèi)能力。[21]最新的語(yǔ)音腦機(jī)接口可以通過(guò)將嘗試講話(huà)引起的神經(jīng)活動(dòng)解碼為文本或聲音，幫助癱瘓患者實(shí)現(xiàn)快速交流，解碼速度能達(dá)到每分鐘62個(gè)單詞；[22]甚至還可以生成語(yǔ)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(xiàn)和最新進(jìn)展。近年來(lái)人工智能無(wú)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(shí)別、自然語(yǔ)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(lái)的長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)和注意力機(jī)制的廣泛應(yīng)用，機(jī)器對(duì)自然語(yǔ)言的理解程度得到極大加深。Transformer模型通過(guò)自注意力機(jī)制（Self-Attention Mechanism）能夠捕捉序列數(shù)據(jù)中長(zhǎng)距離依賴(lài)的關(guān)系。[27]隨后幾年里，基于Transformer的大規(guī)模預(yù)訓(xùn)練語(yǔ)言模型迅速崛起，極大提高了自然語(yǔ)言理解和生成能力。在大模型基礎(chǔ)上，通過(guò)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(yǔ)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(lèi)語(yǔ)言和視覺(jué)場(chǎng)景，推動(dòng)了Midjourney V5、ChatGPT-4o和Sora等多模態(tài)理解和場(chǎng)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(kāi)發(fā)的AlphaGo戰(zhàn)勝?lài)迨澜绻谲娎钍朗?，[28]2019年AlphaStar又在《星際爭(zhēng)霸2》中戰(zhàn)勝了人類(lèi)頂級(jí)選手，[29]2020年DeepMind開(kāi)發(fā)的MuZero，不僅在圍棋，還在國(guó)際象棋和日本將棋等項(xiàng)目上展現(xiàn)出超越人類(lèi)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(duì)開(kāi)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(yǔ)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(duì)用其設(shè)計(jì)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(wèn)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(guó)際數(shù)學(xué)奧林匹克30道題目中的25道，達(dá)到競(jìng)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(gè)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(shí)，近年來(lái)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(guò)深度學(xué)習(xí)算法模擬人腦的神經(jīng)活動(dòng)，可以實(shí)現(xiàn)對(duì)人腦如何進(jìn)行圖像識(shí)別、[41]自然語(yǔ)言處理、[42]語(yǔ)音識(shí)別[43]以及視頻觀(guān)看[44]等的解釋和預(yù)測(cè)。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(jì)算過(guò)程，發(fā)現(xiàn)人腦中遞歸的網(wǎng)絡(luò)架構(gòu)有助于快速識(shí)別物體、[45]嬰兒可以通過(guò)無(wú)監(jiān)督學(xué)習(xí)進(jìn)行圖像識(shí)別[46]以及額頂皮層在語(yǔ)言加工中存在高層次、長(zhǎng)時(shí)程的預(yù)測(cè)性編碼[47]等現(xiàn)象。

另一方面，腦認(rèn)知科學(xué)可以深入評(píng)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(píng)估方法論用以準(zhǔn)確評(píng)估模型的能力，提供了多維度的基準(zhǔn)測(cè)試。比如，研究發(fā)現(xiàn)以ChatGPT為代表的大語(yǔ)言模型在瑞文矩陣推理、[48]情感識(shí)別、[49]文本注釋[50]等多項(xiàng)能力上接近甚至超越人類(lèi)表現(xiàn)，以及表現(xiàn)出與人類(lèi)非常相似的心智理論模式[51]。然而，模型在復(fù)雜類(lèi)比推理、[52]因果推理[53]以及言語(yǔ)推理和計(jì)劃[54]等方面仍有待提高。更為重要的是，認(rèn)知科學(xué)通過(guò)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(jué)系統(tǒng)的工作原理，主流的Transformer則模仿了人類(lèi)選擇性注意的方式，[55]最新的GPT模型結(jié)合了基于人類(lèi)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(lèi)的元學(xué)習(xí)方法可以讓模型表現(xiàn)出與人類(lèi)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(shí)現(xiàn)認(rèn)知地圖的形成[58]。最后，通過(guò)人類(lèi)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(gè)前沿領(lǐng)域，近年來(lái)取得了飛速進(jìn)步。一方面，腦認(rèn)知科學(xué)通過(guò)刻畫(huà)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(dòng)大腦解碼（讀腦）和調(diào)控（寫(xiě)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(zhuān)業(yè)和科學(xué)領(lǐng)域也取得了很大進(jìn)展，正在日益推動(dòng)各個(gè)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(lèi)社會(huì)將很快進(jìn)入全面智能時(shí)代。

智能時(shí)代對(duì)人類(lèi)生存和發(fā)展的新要求

時(shí)代演變帶來(lái)的是不斷變化的挑戰(zhàn)和機(jī)遇，也對(duì)個(gè)體能力提出了全新的要求。理解不同時(shí)代的特征和對(duì)能力的需求，能夠讓人們更好地應(yīng)對(duì)變化并保持競(jìng)爭(zhēng)力。農(nóng)耕時(shí)代大約從公元前9000年至17世紀(jì)（在不同地區(qū)開(kāi)始和結(jié)束的時(shí)間有所不同），是以農(nóng)業(yè)為主要經(jīng)濟(jì)活動(dòng)的時(shí)期。社會(huì)結(jié)構(gòu)以家庭和部落為單位，生產(chǎn)活動(dòng)依賴(lài)自然環(huán)境和勞動(dòng)力。這個(gè)時(shí)代要求人擁有強(qiáng)壯的體力和長(zhǎng)時(shí)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(guó)南方人民合作精神的建立[60]即是典型例子。

工業(yè)時(shí)代開(kāi)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(chǎng)和城市化。工業(yè)時(shí)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(shí)變得重要。特別是從機(jī)械化到電氣化的發(fā)展，對(duì)體能的要求逐步降低，但對(duì)專(zhuān)業(yè)分工和效率的要求越來(lái)越高。這就要求勞動(dòng)者具有較高的基礎(chǔ)素質(zhì)，閱讀和書(shū)寫(xiě)能力成為必需；同時(shí)也強(qiáng)調(diào)人的紀(jì)律性和守時(shí)性，按時(shí)上下班、嚴(yán)格遵守規(guī)章制度。亞當(dāng)·斯密（Adam Smith）在《國(guó)富論》中強(qiáng)調(diào)了勞動(dòng)分工的重要性，認(rèn)為產(chǎn)業(yè)工人需要高度的專(zhuān)業(yè)化技能以提高生產(chǎn)效率。工業(yè)時(shí)代對(duì)基礎(chǔ)教育、專(zhuān)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(jì)的關(guān)鍵考量，其影響一直持續(xù)至今。

從20世紀(jì)末開(kāi)始，人類(lèi)進(jìn)入了信息化時(shí)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(gè)時(shí)代要求人具備數(shù)字素養(yǎng)，掌握使用計(jì)算機(jī)和互聯(lián)網(wǎng)以及應(yīng)對(duì)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(shí)代的關(guān)鍵。同時(shí)，面對(duì)信息化時(shí)代的復(fù)雜問(wèn)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(wèn)題的能力。世界經(jīng)濟(jì)論壇（WEF）在《未來(lái)就業(yè)報(bào)告》中提到，信息時(shí)代的勞動(dòng)力需要具備“復(fù)合技能”，如復(fù)雜問(wèn)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(méi)有滿(mǎn)足信息時(shí)代對(duì)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(shí)代，從而對(duì)人提出更為不同的要求。

第一，智能時(shí)代更加突出人腦智能的價(jià)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(jì)算支持的弱人工智能基礎(chǔ)上，將進(jìn)一步實(shí)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(dòng)，智能時(shí)代來(lái)臨人工智能會(huì)替代大量的技能勞動(dòng)，包括生產(chǎn)線(xiàn)工人、汽車(chē)司機(jī)、外語(yǔ)翻譯、職業(yè)棋手、初級(jí)會(huì)計(jì)、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(dòng)，比如原畫(huà)師，甚至某些專(zhuān)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(jì)算和預(yù)測(cè)的領(lǐng)域勞動(dòng)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(shì)，實(shí)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(shí)代更加強(qiáng)調(diào)個(gè)體的學(xué)習(xí)能力。在人工智能時(shí)代，知識(shí)的爆炸式增長(zhǎng)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(shí)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(shí)獲取更加便捷高效；基于人工智能的知識(shí)圖譜構(gòu)建，知識(shí)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(gè)背景下，生僻的知識(shí)、碎片化的知識(shí)、僵化的知識(shí)將失去在大腦中存儲(chǔ)的意義，而系統(tǒng)的知識(shí)、廣泛聯(lián)系的知識(shí)、能靈活應(yīng)用的知識(shí)才是能支撐創(chuàng)新問(wèn)題解決的知識(shí)，才是人腦最值得識(shí)記的知識(shí)，也才是教育需要重點(diǎn)傳授的知識(shí)。同時(shí)，知識(shí)獲取的場(chǎng)所也從教室擴(kuò)展到全空間，獲取的媒介從書(shū)本拓展到混合現(xiàn)實(shí)，獲取的途徑從被動(dòng)接受拓展到主動(dòng)構(gòu)建。因此，傳統(tǒng)的知識(shí)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(huì)學(xué)習(xí)”的學(xué)科也將變成像語(yǔ)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(shí)代更加青睞綜合和專(zhuān)項(xiàng)知識(shí)技能兼具的T型人才。隨著知識(shí)獲取容易程度的提高，以及共用智能工具平臺(tái)的涌現(xiàn)，一個(gè)人能掌握的知識(shí)和使用的工具將越來(lái)越多。因此，掌握多學(xué)科領(lǐng)域知識(shí)，熟練使用多種工具的個(gè)體會(huì)越來(lái)越多，他們將展現(xiàn)出更大的競(jìng)爭(zhēng)優(yōu)勢(shì)。未來(lái)，一個(gè)人將承擔(dān)多個(gè)人的角色，從而降低人際溝通和團(tuán)隊(duì)管理的成本；少數(shù)人甚至一個(gè)人的企業(yè)在市場(chǎng)中將擁有更大的靈活性、更高的效率以及更強(qiáng)的競(jìng)爭(zhēng)力。除了掌握多種知識(shí)和技能外，如果個(gè)體在某些特定領(lǐng)域擁有超過(guò)AI的專(zhuān)業(yè)技能，成為某個(gè)領(lǐng)域的頂尖專(zhuān)業(yè)人才，能夠創(chuàng)新知識(shí)產(chǎn)品，將具有更強(qiáng)大的競(jìng)爭(zhēng)優(yōu)勢(shì)。從這個(gè)意義上講，智能時(shí)代更加青睞擁有綜合和專(zhuān)項(xiàng)能力的T型人才。

第四，智能時(shí)代將對(duì)個(gè)人成長(zhǎng)動(dòng)力提出更高要求。生命長(zhǎng)度的增加和知識(shí)演變的加速讓一勞永逸式的學(xué)習(xí)成為過(guò)去。終身學(xué)習(xí)不僅是高品質(zhì)生活的必然要求，更是個(gè)體在未來(lái)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(guān)上能提高個(gè)體學(xué)習(xí)效率，但也極大地加劇了競(jìng)爭(zhēng)的激烈程度，提高了取得競(jìng)爭(zhēng)優(yōu)勢(shì)的門(mén)檻，從而對(duì)人的學(xué)習(xí)動(dòng)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(gè)體的獎(jiǎng)賞系統(tǒng)，通過(guò)高脂高糖食品、高情緒價(jià)值商品、沉浸式虛擬游戲、個(gè)性化短視頻推送、便捷的購(gòu)物體驗(yàn)、針對(duì)性廣告，乃至定向推送的消費(fèi)貸，助推消費(fèi)主義和享樂(lè)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(wèn)題。因此，未來(lái)影響個(gè)人終身發(fā)展的最大挑戰(zhàn)不是資源的多少，而是個(gè)體是否擁有抵制誘惑的強(qiáng)大意志力和渴望成長(zhǎng)的強(qiáng)大動(dòng)力。

可以看到，智能時(shí)代將帶來(lái)全新的社會(huì)和經(jīng)濟(jì)形態(tài)，也對(duì)人的能力構(gòu)成提出了全新要求。同農(nóng)耕時(shí)代、工業(yè)時(shí)代和信息時(shí)代不同，智能時(shí)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(dòng)力，才能掌握多領(lǐng)域的知識(shí)和技能，在某些專(zhuān)業(yè)領(lǐng)域開(kāi)拓創(chuàng)新并出類(lèi)拔萃，抵擋誘惑并努力實(shí)現(xiàn)個(gè)人成長(zhǎng)目標(biāo)。從這個(gè)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(shí)講授，并回歸到支撐人類(lèi)生存和發(fā)展的最底層能力，也就是人類(lèi)適應(yīng)快速變化的不確定環(huán)境的能力，這也是未來(lái)教育要遵循的第一性原理。

智能時(shí)代的創(chuàng)新教育體系設(shè)計(jì)

教育是為未來(lái)培養(yǎng)人才。處在迅猛發(fā)展變化的時(shí)代，教育必須未雨綢繆、提前行動(dòng)，這已經(jīng)成為了社會(huì)的廣泛共識(shí)。歷史上，應(yīng)對(duì)科技和社會(huì)的變革，教育也作出了積極的應(yīng)對(duì)。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(shí)的主要傳授者，學(xué)生主要是被動(dòng)接受者。同時(shí)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(dòng)學(xué)習(xí)。其主要特征是強(qiáng)調(diào)學(xué)生的主動(dòng)性和參與感，鼓勵(lì)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(dòng)，同時(shí)采用更加豐富的學(xué)習(xí)資源，以及項(xiàng)目、論文、實(shí)踐等更加多元的評(píng)估形式。信息技術(shù)的引入推動(dòng)了教育3.0的發(fā)展，互聯(lián)網(wǎng)、計(jì)算機(jī)、多媒體等廣泛應(yīng)用于教育，在線(xiàn)學(xué)習(xí)，個(gè)性化學(xué)習(xí)和數(shù)據(jù)驅(qū)動(dòng)成為其主要特征。那在智能時(shí)代，我們需要什么樣的教育呢？

一些專(zhuān)家強(qiáng)調(diào)科技進(jìn)步對(duì)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(gè)性化教育成為主要特征。AI和大數(shù)據(jù)可以提供超個(gè)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(shí)踐性的學(xué)習(xí)體驗(yàn)。正如世界經(jīng)濟(jì)論壇在2024年4月的報(bào)告中指出，AI如一把雙刃劍，給未來(lái)教育帶來(lái)了巨大挑戰(zhàn)的同時(shí)，也有助于應(yīng)對(duì)教育的問(wèn)題。為應(yīng)對(duì)挑戰(zhàn)，未來(lái)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(dòng)個(gè)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(wèn)題導(dǎo)向的合作學(xué)習(xí)（problem-based and collaborative learning），以及學(xué)生驅(qū)動(dòng)的終身學(xué)習(xí)（lifelong and student-driven learning）?？梢?jiàn)，教育4.0的核心在于實(shí)現(xiàn)個(gè)性化和自驅(qū)動(dòng)的學(xué)習(xí)，以使個(gè)體更好掌握未來(lái)所需的核心技能。

教育4.0是否能成為未來(lái)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(dòng)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(xiàn)性思維所設(shè)想的未來(lái)教育，可能無(wú)法真正全面反映時(shí)代變化的趨勢(shì)，以及對(duì)教育的全新需求。設(shè)計(jì)智能時(shí)代的教育體系，需要遵循全新的理念。這里，我們重點(diǎn)從五個(gè)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(shì)，以及對(duì)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(lái)重新認(rèn)識(shí)教育的作用，這是真正實(shí)現(xiàn)教育變革的前提。

第一，未來(lái)教育需要突破知識(shí)傳遞的界限，轉(zhuǎn)向推動(dòng)人類(lèi)傳承和進(jìn)化的根本任務(wù)。智能時(shí)代的加速到來(lái)，給人類(lèi)帶來(lái)翻天覆地的變化。知識(shí)迭代的加快、知識(shí)范圍的擴(kuò)增、知識(shí)獲取的便利，都極大地降低了通過(guò)正規(guī)教育來(lái)獲得有限范圍、標(biāo)準(zhǔn)化知識(shí)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(shí)，不僅缺乏系統(tǒng)科學(xué)的論證，也無(wú)法適應(yīng)時(shí)代發(fā)展的需求。而人類(lèi)面臨的成長(zhǎng)動(dòng)力缺失、心理健康危機(jī)等更加嚴(yán)峻的考驗(yàn)，迫切需要通過(guò)教育的變革來(lái)積極應(yīng)對(duì)。從這個(gè)意義上來(lái)講，教育的目的應(yīng)該從傳遞知識(shí)和技能轉(zhuǎn)向推動(dòng)人類(lèi)繁衍和進(jìn)化。這是教育使命的一個(gè)巨大轉(zhuǎn)變，也指引著未來(lái)教育變革的方向。

第二，未來(lái)教育需要突破傳統(tǒng)學(xué)科專(zhuān)業(yè)的界限，實(shí)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(shí)代的勞動(dòng)分工而建立起來(lái)的。無(wú)論從大腦知識(shí)存儲(chǔ)的原理、學(xué)科發(fā)展趨勢(shì)、社會(huì)需求變化，還是人類(lèi)發(fā)展需求來(lái)看，這種學(xué)科劃分的必要性都在日益降低。從知識(shí)獲取上看，跨學(xué)科的主題式、項(xiàng)目制學(xué)習(xí)將能更好促進(jìn)知識(shí)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(huì)需求上看，未來(lái)專(zhuān)業(yè)分工將更加模糊，多專(zhuān)業(yè)和跨專(zhuān)業(yè)將更加普遍；從人類(lèi)發(fā)展上看，教育需要從對(duì)人的知識(shí)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(yǔ)文、英語(yǔ)、物理、地理、生物、化學(xué)、計(jì)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(huì)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(gè)人發(fā)展。

第三，未來(lái)教育需要突破教育方式的邊界，實(shí)現(xiàn)大腦塑造的全景教育。面臨智能時(shí)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(duì)大腦的科學(xué)塑造。除了傳統(tǒng)的教育教學(xué)活動(dòng)，還有很多的方式可以實(shí)現(xiàn)對(duì)大腦的科學(xué)塑造。比如，除了知識(shí)的講授，通過(guò)動(dòng)手實(shí)踐不僅有助于知識(shí)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(dòng)，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(jì)算機(jī)游戲是提高學(xué)習(xí)動(dòng)機(jī)和學(xué)習(xí)效率的科學(xué)方式；當(dāng)然，對(duì)大腦活動(dòng)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(lái)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(lái)教育需要突破教育技術(shù)的邊界，實(shí)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?cái)?shù)據(jù)的采集，而缺少有效分析和規(guī)律提取，沒(méi)有完成從數(shù)據(jù)到證據(jù)的轉(zhuǎn)化。為真正實(shí)現(xiàn)技術(shù)賦能的未來(lái)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?yàn)槿斯ぶ悄芎痛髷?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(píng)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(shí)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(lái)教育提供強(qiáng)大技術(shù)支撐。

能力提升為核心。未來(lái)究竟需要什么樣的能力？傳統(tǒng)做法是基于對(duì)未來(lái)趨勢(shì)的洞察，定義一系列能夠符合未來(lái)社會(huì)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(shí)，等等。雖然這樣的預(yù)測(cè)具有積極的意義，但也往往存在明顯的局限。這是因?yàn)槿祟?lèi)往往高估短時(shí)間技術(shù)變革的影響，而低估長(zhǎng)時(shí)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(lái)社會(huì)形態(tài)必然會(huì)加速演變。對(duì)科學(xué)技術(shù)進(jìn)步、社會(huì)生產(chǎn)組織形態(tài)、人際交往模式乃至國(guó)際競(jìng)爭(zhēng)形勢(shì)的預(yù)測(cè)，都會(huì)面臨極大的不確定性。

面對(duì)復(fù)雜多變，難以預(yù)測(cè)的未來(lái)世界，我們究竟需要什么樣的能力呢？對(duì)于這個(gè)問(wèn)題，我們或許可以從人類(lèi)漫長(zhǎng)的進(jìn)化歷史中尋求啟示。人類(lèi)經(jīng)過(guò)幾百萬(wàn)年的進(jìn)化，大腦體積明顯增大，認(rèn)知能力顯著提高，知識(shí)技能獲取速度極大加快。盡管如此，個(gè)體在成長(zhǎng)過(guò)程中所獲取的知識(shí)并不能通過(guò)基因遺傳給后代。嬰兒在出生的時(shí)候，除了本能行為，頭腦中并沒(méi)有外顯的知識(shí)和技能，包括語(yǔ)言、運(yùn)動(dòng)和社會(huì)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(huì)當(dāng)?shù)氐恼Z(yǔ)言，適應(yīng)當(dāng)?shù)氐淖匀缓蜕鐣?huì)環(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(lèi)能夠以不變應(yīng)萬(wàn)變，在數(shù)百萬(wàn)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(diǎn)強(qiáng)調(diào)的在未來(lái)快速多變的時(shí)代所要具備的關(guān)鍵底層能力。

未來(lái)人類(lèi)所需具備的關(guān)鍵底層能力就是人類(lèi)強(qiáng)大的學(xué)習(xí)力。學(xué)習(xí)力這個(gè)概念最早由美國(guó)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(jì)》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(xiàng)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(gè)新的概念。國(guó)內(nèi)外的研究者對(duì)其內(nèi)涵的一般定義為：一個(gè)人的學(xué)習(xí)動(dòng)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(shí)、分享知識(shí)、運(yùn)用知識(shí)和創(chuàng)造知識(shí)的能力。聯(lián)合國(guó)教科文組織出版的《學(xué)會(huì)生存》一書(shū)中提出：“未來(lái)的文盲不是目不識(shí)丁的人，而是沒(méi)有學(xué)會(huì)怎樣學(xué)習(xí)的人。”

對(duì)學(xué)習(xí)力的要素，英國(guó)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(gè)要素“4R”：堅(jiān)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(guó)ELLI項(xiàng)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(shí)（strategic awareness）、堅(jiān)韌力（resilience）。美國(guó)哈佛大學(xué)Kirby教授在長(zhǎng)期的教學(xué)實(shí)踐中豐富了學(xué)習(xí)力的內(nèi)涵，并于2005年出版了專(zhuān)著《學(xué)習(xí)力》。他認(rèn)為學(xué)習(xí)力應(yīng)該是一個(gè)包括學(xué)習(xí)動(dòng)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(lái)的學(xué)習(xí)力的三大要素，包括有機(jī)的知識(shí)體系、強(qiáng)大的認(rèn)知能力和持久的學(xué)習(xí)動(dòng)機(jī)。[63]其中有機(jī)知識(shí)體系，是指能夠從具體到抽象之間形成多個(gè)層級(jí)，各層級(jí)內(nèi)部和層級(jí)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(shí)網(wǎng)絡(luò)，進(jìn)而加快新知識(shí)掌握的速度，促進(jìn)知識(shí)的遷移、靈活應(yīng)用和創(chuàng)新。人腦的感知運(yùn)動(dòng)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(shí)知識(shí)存儲(chǔ)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(shí)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(shí)存儲(chǔ)（短時(shí)記憶）、分析與加工（計(jì)劃與推理）、更新與抑制（執(zhí)行功能）、長(zhǎng)時(shí)保存和轉(zhuǎn)化（長(zhǎng)時(shí)記憶）以及元認(rèn)知監(jiān)控等成份。這些高級(jí)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(lái)完成。持久學(xué)習(xí)動(dòng)機(jī)則包含了充滿(mǎn)激情、熱愛(ài)和好奇，渴望成長(zhǎng)的動(dòng)力系統(tǒng)；善于調(diào)節(jié)情緒、控制沖動(dòng)、延遲滿(mǎn)足，擁有強(qiáng)大復(fù)原力和堅(jiān)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(gè)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(cè)一個(gè)學(xué)生學(xué)習(xí)成績(jī)的重要指標(biāo)，[64]更是預(yù)測(cè)個(gè)體長(zhǎng)遠(yuǎn)發(fā)展，包括職業(yè)、收入、生活滿(mǎn)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(lái)，也能夠解決當(dāng)下的現(xiàn)實(shí)需求，從而實(shí)現(xiàn)教育中短期目標(biāo)和長(zhǎng)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(gè)人的大腦都是獨(dú)一無(wú)二的，這是個(gè)人獨(dú)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(gè)體的腦功能連接模式具有獨(dú)特的特征。就像指紋一樣，我們也可以通過(guò)個(gè)體的腦網(wǎng)絡(luò)連接模式來(lái)準(zhǔn)確識(shí)別個(gè)人。[66]這種大腦結(jié)構(gòu)和功能的獨(dú)特性，是個(gè)性化的教育底層生物基礎(chǔ)。近年來(lái)，“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(huì)、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(jìng)爭(zhēng)，從而導(dǎo)致學(xué)生壓力過(guò)大，身心健康遭受威脅。而個(gè)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(gè)體差異、充分實(shí)現(xiàn)個(gè)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(gè)性化教育的可行性。未來(lái)，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(mǎn)足多層次學(xué)習(xí)目標(biāo)的進(jìn)階要求，通過(guò)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(gè)體更好構(gòu)建有機(jī)知識(shí)體系。根據(jù)加德納的“多元智能理論”，不同個(gè)體可能在語(yǔ)言、邏輯數(shù)學(xué)、空間、音樂(lè)、身體運(yùn)動(dòng)、人際、內(nèi)省和自然觀(guān)察等方面具有不同的智能優(yōu)勢(shì)。在具體的知識(shí)領(lǐng)域，不同學(xué)生在知識(shí)背景、學(xué)習(xí)風(fēng)格、興趣愛(ài)好和能力水平上存在差異。通過(guò)按需學(xué)習(xí)，可以依據(jù)學(xué)生自身的知識(shí)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(duì)性，避免教育資源和時(shí)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(gè)孩子的認(rèn)知能力，提供針對(duì)性的訓(xùn)練。教師可以根據(jù)每個(gè)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(duì)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(duì)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(huì)，激發(fā)其潛力。此外，按需學(xué)習(xí)可以在精準(zhǔn)評(píng)估學(xué)生學(xué)習(xí)能力的基礎(chǔ)上，有針對(duì)性地改善學(xué)生認(rèn)知能力短板，強(qiáng)化優(yōu)勢(shì)能力，從而實(shí)現(xiàn)“均衡＋優(yōu)勢(shì)”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(dòng)機(jī)和興趣。按需學(xué)習(xí)根據(jù)每個(gè)學(xué)生的優(yōu)勢(shì)量身定制學(xué)習(xí)計(jì)劃，使他們能夠在自己的擅長(zhǎng)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(dòng)機(jī)，通過(guò)關(guān)注和利用學(xué)生的興趣點(diǎn)來(lái)設(shè)計(jì)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(dòng)性。按需學(xué)習(xí)還注重學(xué)生的心理和情感需求，通過(guò)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(dòng)機(jī)（如排名和升學(xué)壓力）驅(qū)動(dòng)下的同質(zhì)競(jìng)爭(zhēng)，而按需學(xué)習(xí)通過(guò)關(guān)注和培養(yǎng)學(xué)生的內(nèi)在動(dòng)機(jī)，培養(yǎng)其發(fā)自?xún)?nèi)心的熱愛(ài)，為自我發(fā)展注入持久的動(dòng)力。

可以看到，通過(guò)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(shí)現(xiàn)高效的有機(jī)知識(shí)體系建構(gòu)；也能夠通過(guò)認(rèn)知能力的精準(zhǔn)評(píng)估和個(gè)性化干預(yù)訓(xùn)練，實(shí)現(xiàn)認(rèn)知能力的科學(xué)提升；最后，還通過(guò)匹配個(gè)體目標(biāo)與價(jià)值來(lái)提高學(xué)習(xí)興趣和內(nèi)在動(dòng)機(jī)，從而提升學(xué)習(xí)動(dòng)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(lái)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(shí)現(xiàn)科學(xué)高效、切實(shí)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(shí)施科學(xué)準(zhǔn)確的考核評(píng)估方式。

學(xué)習(xí)的一個(gè)主要目的就是要建立有機(jī)的知識(shí)體系。有機(jī)知識(shí)體系的重要特征是模塊化、層級(jí)性和結(jié)構(gòu)化。[68]為了建立有機(jī)的知識(shí)體系，可以依據(jù)材料之間的相似性和聯(lián)系性來(lái)安排學(xué)習(xí)材料，開(kāi)展大單元、跨主題和項(xiàng)目制學(xué)習(xí)，通過(guò)運(yùn)用組塊或思維導(dǎo)圖等方式來(lái)更好組織知識(shí)。[69]更重要的是，有機(jī)知識(shí)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(shí)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(shí)間關(guān)系、更有序組織知識(shí)，構(gòu)建符合自己已有知識(shí)背景的知識(shí)體系。[70]另外，大量研究表明，分散學(xué)習(xí)[71]和以測(cè)代練[72]是非常有效的學(xué)習(xí)方法，當(dāng)前卻沒(méi)有被師生很好地使用。

我國(guó)現(xiàn)有的教育體系還沒(méi)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(kāi)展認(rèn)知能力測(cè)試，大多數(shù)學(xué)校還是更看重學(xué)習(xí)成績(jī)和學(xué)科競(jìng)賽。這里面有多方面原因。首先，學(xué)校長(zhǎng)期以來(lái)都是通過(guò)考試來(lái)進(jìn)行評(píng)價(jià)，而對(duì)認(rèn)知能力的影響認(rèn)識(shí)不足；其次，雖然有些教育工作者認(rèn)識(shí)到認(rèn)知能力的重要性，但錯(cuò)誤地認(rèn)為其是先天決定的，后天無(wú)法改變；再次，部分教育工作者重視認(rèn)知能力評(píng)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(wú)需開(kāi)展專(zhuān)門(mén)訓(xùn)練；最后，部分教育工作者認(rèn)識(shí)到系統(tǒng)性、針對(duì)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(huì)使用科學(xué)的測(cè)評(píng)工具和訓(xùn)練手段。基于腦科學(xué)的認(rèn)知能力培養(yǎng)，需要認(rèn)識(shí)到認(rèn)知能力在學(xué)生學(xué)習(xí)和長(zhǎng)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(shí)要掌握科學(xué)的測(cè)評(píng)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(gè)主要時(shí)期，也是大腦注意、工作記憶等認(rèn)知能力快速發(fā)展的時(shí)期，是通過(guò)教育促進(jìn)前額葉發(fā)展的重要機(jī)會(huì)窗口。對(duì)學(xué)生開(kāi)展科學(xué)的學(xué)習(xí)能力評(píng)估和干預(yù)訓(xùn)練，是提高學(xué)生學(xué)習(xí)能力的一個(gè)重要策略。[74]大量研究表明，通過(guò)長(zhǎng)期針對(duì)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(shí)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(dòng)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(dòng)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(yàn)等；五羥色胺通路則與人的情緒狀態(tài)密切相關(guān)，其異常可能導(dǎo)致抑郁、沖動(dòng)、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(dòng)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(duì)未知與不確定性，人會(huì)產(chǎn)生強(qiáng)大的好奇心，但也會(huì)規(guī)避風(fēng)險(xiǎn)；自控力使人可以根據(jù)目標(biāo)，對(duì)動(dòng)機(jī)進(jìn)行調(diào)節(jié)；而習(xí)慣是經(jīng)過(guò)長(zhǎng)期行為所習(xí)得，不依賴(lài)外在獎(jiǎng)勵(lì)和懲罰的持久穩(wěn)定動(dòng)力。這些基本的情緒動(dòng)機(jī)系統(tǒng)與各種學(xué)習(xí)生活經(jīng)驗(yàn)進(jìn)行連接，就會(huì)產(chǎn)生個(gè)體獨(dú)特而復(fù)雜的動(dòng)機(jī)模式。

從腦科學(xué)的角度認(rèn)識(shí)人的動(dòng)力系統(tǒng)，可以為動(dòng)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(dòng)機(jī)情緒的培養(yǎng)，將之放在與知識(shí)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(wèn)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(shí)技能傳授效率的同時(shí)，要更多培養(yǎng)學(xué)生的內(nèi)在學(xué)習(xí)動(dòng)機(jī)和興趣，例如，通過(guò)建立起知識(shí)與真實(shí)生活的聯(lián)系，適宜的難度以及及時(shí)正面的反饋，鼓勵(lì)創(chuàng)新和包容失敗的氛圍，等等；三是在各個(gè)學(xué)習(xí)階段都要特別注重生涯規(guī)劃和價(jià)值觀(guān)的塑造，這不僅決定了人才成長(zhǎng)的方向，也決定了成長(zhǎng)的動(dòng)力和個(gè)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(jià)值觀(guān)，包括全球視野、家國(guó)情懷、探索未知、科技創(chuàng)新、社會(huì)平等、人際關(guān)懷等來(lái)激發(fā)其成長(zhǎng)動(dòng)力；五是要綜合利用各種動(dòng)機(jī)系統(tǒng)的力量，包括獎(jiǎng)勵(lì)、懲罰、習(xí)慣和自控力，等等，提升動(dòng)機(jī)系統(tǒng)的持久性和靈活性；六是在傳遞學(xué)習(xí)動(dòng)機(jī)相關(guān)知識(shí)的同時(shí)，更要注重社會(huì)情緒技能的培養(yǎng)，將強(qiáng)大的學(xué)習(xí)動(dòng)力變成一種自發(fā)的習(xí)慣。

在未來(lái)教育的設(shè)計(jì)中，我們還需要充分認(rèn)識(shí)到體育的重要作用。體育活動(dòng)尤其是有氧體育運(yùn)動(dòng)不僅有助于增強(qiáng)體質(zhì)，還對(duì)學(xué)業(yè)成績(jī)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(dòng)與學(xué)校表現(xiàn)，[76]如閱讀和數(shù)學(xué)成績(jī)[77]甚至是平均績(jī)點(diǎn)[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(yíng)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(jī)。[79]另外，有氧運(yùn)動(dòng)對(duì)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(guò)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(yàn)。[81]根據(jù)世界衛(wèi)生組織最新的身體活動(dòng)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(dòng)為主的中等到劇烈強(qiáng)度的身體活動(dòng)，每周至少應(yīng)有3天進(jìn)行劇烈強(qiáng)度有氧運(yùn)動(dòng)以及增強(qiáng)肌肉和骨骼的運(yùn)動(dòng)。

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(shí)，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(shí)踐指導(dǎo)。未來(lái)教育的設(shè)計(jì)，包括相關(guān)的政策制定、課程體系，教學(xué)方法以及評(píng)價(jià)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(shí)代，科技進(jìn)步將有可能為未來(lái)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(lái)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(lái)教育設(shè)計(jì)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(lái)變革傳統(tǒng)的教育手段和評(píng)價(jià)方式，另一方面通過(guò)對(duì)管理和教學(xué)工作的自動(dòng)化和提質(zhì)增效來(lái)釋放教育管理者和教師的時(shí)間，讓他們有更多精力從事人工智能無(wú)法勝任的工作；最后，虛擬現(xiàn)實(shí)和游戲引擎等技術(shù)將為教育提供更加真實(shí)的環(huán)境，提高學(xué)習(xí)動(dòng)機(jī)和效率。

腦認(rèn)知科學(xué)除了能加深對(duì)人腦功能的本質(zhì)認(rèn)識(shí)，幫助重新定義未來(lái)教育的目標(biāo)外，還將從多個(gè)方面推動(dòng)未來(lái)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(guān)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(shí)等未來(lái)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(jì)、關(guān)鍵指標(biāo)的制定、針對(duì)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(yàn)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(píng)估和訓(xùn)練效果提升的技術(shù)。比如，認(rèn)知測(cè)評(píng)技術(shù)結(jié)合腦影像技術(shù)可以更加精準(zhǔn)測(cè)量個(gè)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(duì)認(rèn)知技能維度的分類(lèi)理論，一些認(rèn)知技能測(cè)量的技術(shù)可以更好地實(shí)現(xiàn)，包括知識(shí)獲取、組織和結(jié)構(gòu)的測(cè)量；問(wèn)題表征深度的測(cè)量；心理表征模型的測(cè)量；元認(rèn)知技能的測(cè)量；任務(wù)完成自動(dòng)化程度的測(cè)量；程序技能效率的測(cè)量。這些都大大超過(guò)了傳統(tǒng)的教育測(cè)評(píng)手段，能夠?qū)崿F(xiàn)對(duì)有機(jī)知識(shí)體系和認(rèn)知技能的深度評(píng)估。腦認(rèn)知科學(xué)還能夠更好地評(píng)估學(xué)生的學(xué)習(xí)動(dòng)力，相關(guān)技術(shù)包括：傳統(tǒng)的問(wèn)卷測(cè)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(shí)相結(jié)合，未來(lái)將使評(píng)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(shí)現(xiàn)對(duì)大腦的精準(zhǔn)調(diào)控。一些相對(duì)無(wú)損的技術(shù)，比如，神經(jīng)影像技術(shù)、無(wú)損腦刺激和腦機(jī)接口技術(shù)，以及一些神經(jīng)類(lèi)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(lái)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(wèn)題的前提下，未來(lái)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(zhǎng)庫(kù)馬爾·默蒂表示：“人工智能帶來(lái)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(lái)革新。”世界經(jīng)濟(jì)論壇在2024年4月發(fā)布的報(bào)告中也指出，AI可以通過(guò)修改（augmentation）和自動(dòng)化（automation）來(lái)支持教師的角色。可以自動(dòng)化的工作包括：編制特定主題的書(shū)籍、期刊、文章和視聽(tīng)材料清單；使用標(biāo)準(zhǔn)參考資料核實(shí)事實(shí)、日期和統(tǒng)計(jì)數(shù)據(jù)；使用答題紙或電子標(biāo)記設(shè)備對(duì)家庭作業(yè)和考試進(jìn)行評(píng)分，計(jì)算和記錄結(jié)果。可以賦能的工作包括：分析績(jī)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(jì)學(xué)習(xí)產(chǎn)品，包括基于網(wǎng)絡(luò)的輔助工具或電子績(jī)效支持系統(tǒng)；開(kāi)發(fā)教學(xué)或培訓(xùn)材料，如講義、學(xué)習(xí)材料或測(cè)驗(yàn)；為教師助理或志愿者布置作業(yè)。這樣老師有更多的時(shí)間從事課程設(shè)計(jì)，完善教學(xué)方法，提供社會(huì)情緒支持，提供個(gè)性化的教學(xué)指導(dǎo)和與家長(zhǎng)交流等。

與此同時(shí)，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(guò)知識(shí)點(diǎn)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(shí)點(diǎn)，但卻不利于有機(jī)知識(shí)體系的形成。這種基于有限知識(shí)邊界來(lái)促進(jìn)知識(shí)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(gè)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(méi)有形成有效共享，從而成為信息孤島；更沒(méi)有通過(guò)科學(xué)系統(tǒng)的分析形成有價(jià)值的科學(xué)證據(jù)，因而難以對(duì)教學(xué)實(shí)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(shí)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(shí)和游戲技術(shù)也可以為未來(lái)教育賦能。虛擬現(xiàn)實(shí)技術(shù)通過(guò)模擬現(xiàn)實(shí)情景，在培養(yǎng)學(xué)生學(xué)習(xí)力方面具有眾多獨(dú)特價(jià)值。首先，它可以讓學(xué)生更加具身地體會(huì)文字所不能描述的信息，更好構(gòu)建具體與抽象知識(shí)相融合的有機(jī)知識(shí)體系。更重要的是，通過(guò)與生成式AI技術(shù)相融合，人工智能和虛擬現(xiàn)實(shí)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(huì)和心理等的世界模型。學(xué)生通過(guò)與虛擬的世界模型的交互來(lái)獲得科學(xué)的知識(shí)。這將從根本上改變教師傳授的方式，真正實(shí)現(xiàn)知識(shí)的生長(zhǎng)，促進(jìn)有機(jī)知識(shí)體系的形成。其次，虛擬現(xiàn)實(shí)和游戲技術(shù)可以用于認(rèn)知能力的測(cè)評(píng)和提升。相較于傳統(tǒng)的認(rèn)知測(cè)評(píng)和訓(xùn)練，結(jié)合虛擬現(xiàn)實(shí)的游戲化測(cè)評(píng)和訓(xùn)練技術(shù)將具有生態(tài)化的優(yōu)勢(shì)，從而大大提高測(cè)評(píng)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(shí)和游戲技術(shù)有助于學(xué)習(xí)動(dòng)機(jī)的培養(yǎng)。虛擬現(xiàn)實(shí)和游戲技術(shù)所提供的良好的視聽(tīng)效果、沉浸式體驗(yàn)和及時(shí)反饋，可以極大提高學(xué)生的學(xué)習(xí)動(dòng)機(jī)和興趣，甚至可能上癮。此外，這兩類(lèi)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(dòng)力。比如，通過(guò)模擬物理和社會(huì)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(guò)創(chuàng)設(shè)個(gè)性化的成功環(huán)境，可以增強(qiáng)學(xué)生的成功體驗(yàn)，極大提高成長(zhǎng)動(dòng)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(gè)方面推動(dòng)未來(lái)教育體系的設(shè)計(jì)，包括對(duì)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(shí)助力完成上述目標(biāo)的全新教育科技。這些將為未來(lái)教育變革的實(shí)現(xiàn)提供全面的支撐。

智能時(shí)代創(chuàng)新教育實(shí)踐的實(shí)施路徑

為推動(dòng)智能時(shí)代的教育深度變革，社會(huì)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(zhǎng)，以及教育科技的從業(yè)者，等等，都必須統(tǒng)一認(rèn)識(shí)、協(xié)調(diào)步伐、積極行動(dòng)，從而實(shí)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(tái)和標(biāo)準(zhǔn)制定，加大在基礎(chǔ)和應(yīng)用研究與實(shí)施中的經(jīng)費(fèi)投入、過(guò)程監(jiān)管和證據(jù)累計(jì)，強(qiáng)調(diào)依據(jù)科學(xué)證據(jù)指導(dǎo)教學(xué)變革并客觀(guān)獨(dú)立評(píng)估實(shí)施效果，從而實(shí)現(xiàn)從數(shù)據(jù)、證據(jù)到實(shí)踐的正向循環(huán)。同時(shí)，要大力推進(jìn)優(yōu)質(zhì)均衡教育的全面落地，特別是要實(shí)現(xiàn)因材施教的公平而不是絕對(duì)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(zhǎng)和興趣愛(ài)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(dòng)小班化教學(xué)，更好照顧到每個(gè)學(xué)生的需求；在學(xué)校辦學(xué)模式上，要鼓勵(lì)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(duì)大腦的認(rèn)識(shí)還有待持續(xù)深入，對(duì)微觀(guān)大腦活動(dòng)與教育實(shí)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(guó)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(xiàng)目立項(xiàng)、人才引進(jìn)和培養(yǎng)；面對(duì)未來(lái)教育的重大問(wèn)題，腦科學(xué)、信息科學(xué)、計(jì)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(kāi)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(duì)教師的腦認(rèn)知科學(xué)知識(shí)、研究方法和實(shí)踐應(yīng)用的教育。在師范院校開(kāi)設(shè)腦科學(xué)通識(shí)課程；在心理學(xué)、教育學(xué)等相關(guān)專(zhuān)業(yè)開(kāi)設(shè)腦與學(xué)習(xí)、腦科學(xué)與教育等專(zhuān)業(yè)課程；對(duì)現(xiàn)有教師加強(qiáng)腦認(rèn)知科學(xué)的繼續(xù)教育和實(shí)踐指導(dǎo)；加強(qiáng)對(duì)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(duì)學(xué)生的學(xué)習(xí)能力、心理品質(zhì)和知識(shí)體系狀況能夠進(jìn)行科學(xué)評(píng)估，充分了解學(xué)生興趣和需求，成為學(xué)生個(gè)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(xiàng)目制等深度學(xué)習(xí)課程，促進(jìn)有機(jī)知識(shí)體系形成；學(xué)校要積極推動(dòng)學(xué)生學(xué)習(xí)能力課程的建設(shè)，通過(guò)設(shè)置專(zhuān)門(mén)“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(dòng)或主題活動(dòng)等“活動(dòng)”課程，將腦科學(xué)融入學(xué)校教學(xué)的各個(gè)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(duì)人工智能底層知識(shí)的掌握并培養(yǎng)其相關(guān)技能；同時(shí)，更加重視體育課程，特別是有氧運(yùn)動(dòng)，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(zhǎng)遠(yuǎn)發(fā)展提供正確方向和持續(xù)動(dòng)力。

在考試評(píng)價(jià)方面，要突破傳統(tǒng)單一考試模式，拓展多種測(cè)查形式，更加強(qiáng)調(diào)對(duì)基礎(chǔ)素養(yǎng)、學(xué)習(xí)能力和優(yōu)勢(shì)特色的考察，形成“綜合性＋個(gè)性化”的評(píng)估體系；突出對(duì)學(xué)生知識(shí)體系掌握、基礎(chǔ)認(rèn)知能力水平的測(cè)查，以及對(duì)知識(shí)靈活使用和創(chuàng)新能力的考察；采用多種手段對(duì)學(xué)生的學(xué)習(xí)動(dòng)機(jī)和心理品質(zhì)進(jìn)行精準(zhǔn)有效評(píng)價(jià)，將其作為教育質(zhì)量監(jiān)測(cè)以及升學(xué)和選拔的重要依據(jù)；在考試評(píng)價(jià)實(shí)施上，要科學(xué)設(shè)置考察節(jié)點(diǎn)和反饋機(jī)制，形成報(bào)告和發(fā)展性評(píng)價(jià)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(shí)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(cè)評(píng)和干預(yù)技術(shù)，虛擬現(xiàn)實(shí)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(kāi)發(fā)和推廣能真正推動(dòng)學(xué)生有機(jī)知識(shí)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(dòng)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(shí)，也要注重實(shí)踐驗(yàn)證，特別是在嚴(yán)謹(jǐn)科學(xué)實(shí)驗(yàn)基礎(chǔ)上的數(shù)據(jù)化驗(yàn)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(dòng)學(xué)習(xí)力提升、促進(jìn)未來(lái)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(dòng)著科技進(jìn)步和社會(huì)轉(zhuǎn)型，給人類(lèi)提出全新的要求并帶來(lái)前所未有的挑戰(zhàn)。在全新的時(shí)代，未來(lái)教育擔(dān)負(fù)著促進(jìn)人類(lèi)發(fā)展和推動(dòng)人類(lèi)進(jìn)化的使命，需要迎接挑戰(zhàn)、主動(dòng)變革并立即行動(dòng)。腦認(rèn)知科學(xué)基于對(duì)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(dòng)機(jī)情緒規(guī)律等的深入認(rèn)識(shí)，以及創(chuàng)新的大腦評(píng)估和調(diào)控技術(shù)，通過(guò)與人工智能技術(shù)等的有機(jī)融合，將為未來(lái)教育提供目標(biāo)定位、實(shí)施路徑和技術(shù)手段等方面的強(qiáng)大支持，推動(dòng)未來(lái)教育變革的真正實(shí)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(shí)代的未來(lái)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(shí)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(guò)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(cè)試，促進(jìn)知識(shí)獲得》，《教育家》， 2020年第24期。

[73]尹媛媛、薛貴：《人類(lèi)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(cè)評(píng)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