演讲回顾 | 迪显咨询：AI进校园，通过十个发现洞见教育如何进化？

在长沙举行的第88届中国教育装备展示会上，迪显咨询主编孙潮劲用展会上一个亮点产品——智慧批阅机，分析了作业批阅环节的“AI进入校园”——AI终端把作业批完，辅助教师弄清全班错在哪里、学生需要个别帮助，以及下一堂课该怎样讲。

批阅结果用于讲评和分层练习，节省的是教师一段完整工作中的时间。这也是他在《“智变”之后，教育如何进化？》主题演讲中追问的核心：AI多做了一些事，师生由此获得了什么？

围绕《2026未来教育：AI+教育智变，人工智能落地实践与创新发展洞察报告》，演讲梳理了十项发现。以下，enjoy！

一份批阅，怎样进入教学链路？

报告的前三项发现，集中在教师的日常工作。第一项是减负从单点延伸到流程。批阅结果保留下来以后，教师可以先查看共性错误，再调取典型作答备课。讲评后，系统还可依据教师确认的薄弱点匹配不同练习。尤其在主观题上，教师共同制定评分标准、复核有争议的作答，有助于让后续分析建立在一致的评价口径上。

第二项发现关乎课堂设备，教室里的屏幕、录播与拾音设备开始为同一节课留下可以相互对照的线索。把学生的回答同当时的板书或课件关联起来，教师回看时就更容易找到某个问题是怎样提出的、学生在哪里卡住，也能在教研中围绕具体片段讨论。第三项发现则强调反馈的及时性。课堂、作业与测评逐步衔接，教师既可据此调整讲解和练习，也可用下一轮作答检验先前的判断。

图1　AI在作业批阅、课堂记录和学情反馈中的应用（来源：演讲报告）

校园AI的长期成本怎样算

演讲随后把视角从课堂转向教育装备。

一台批阅机、一间录播教室、一部学生平板，各有明确用途。当它们需要共同支持一项教学任务时，决定使用体验的，还包括不同设备能否读懂彼此留下的信息，以及教师是否有权查看、修正和继续使用这些信息。

第四项发现指向学校长期积累的数据与经验。演讲中指出，随着通用模型的接入门槛降低，校本资料、学科组的评价标准、历次作业和连续的学习记录，逐渐成为影响系统表现的因素。例如，同一个错因分类，脱离本校教学进度和教师的评价标准，可能只能给出笼统判断。数据需要准确、连续、可复核，也要明确哪些人可以在什么情形下调用。

第五项发现是按任务配置算力，课堂互动要求快速响应，部分处理适合就近完成。涉及学生身份与学习记录的任务，要先考虑校内处理和授权边界。对时效要求较宽松、计算量较大的课后分析，则可在符合数据管理要求的条件下调度云端资源。终端、校内和云端各自承担什么，应从教学任务倒推。

第六项发现涉及长期账本，即使单次模型调用变便宜，系统集成、权限管理、教师培训、运维和场景适配仍要投入。报告提出用多模型路由控制这部分开支中的模型与算力成本。资料归类、格式整理可以交给轻量模型，跨材料分析或复杂推理可以选用能力更强的模型。遇到敏感数据，先按学校授权确定可用范围，再在范围内分配任务。对学校而言，采购时还要看高峰时段能否稳定运行，以及模型或服务调整之后，原有教学流程能否接续。

图2　教学设备的协同应用与校园AI的部署条件（来源：演讲报告）

自习与科创需要两种不同的支持

谈到学生怎么用AI时，孙潮劲举了历城二中自习室的例子。演示材料呈现了两条路径：一条从学情诊断走向自主练习，另一条从提出问题走向动手验证。两条路径都可以借助数字工具，但学生面对的任务、工具介入的时机和教师观察的重点各有不同。

第七项发现着眼于日常自习，智能学伴或学习平板可以关联个人错题、练习进度和阶段反馈，帮助学生找到学习起点。学生遇到困难时，系统可以先给一条线索，再视情况提供例题或补充练习。随着反馈持续积累，学生有机会从接受练习建议，逐渐走向自己判断哪些内容需要重学、下一步该怎么安排。评估这类支持时，可以观察学生在提示减少后，能否独立解释错因，并把掌握的方法用到新题中。

第八项发现关乎科创与探究，例如在创客项目、实验或竞赛准备中，学生有时面对的是一个还没有现成解法的问题。AI可以帮助梳理问题背景、寻找跨学科资料、比较设计思路，或者提示需要控制的实验变量。此后，学生仍需亲手搭建、测量和记录，并根据实际结果修改方案。一次试验未达到预期时，学生能否说明从哪里排查、为什么修改，也是探究过程的一部分。

历城二中的自习案例让这一区别变得具体：自习关注学生能否逐步管理自己的学习，科创关注学生能否把一个想法变成可检验的方案。前者可以追踪学习计划与错题反馈，后者需要保留实验记录和方案修改过程。相应地，教师可以调整AI提示的深浅，为学生留出尝试和判断的空间。

图3　历城二中自主学习与创客实践案例（来源：演讲报告）

课堂如何分配时间与判断权

AI能够参与备课、记录和分析之后，课堂里的时间怎样分配？演讲的第九项发现把问题落在教师的专业引导上。假如部分资料整理和课堂回顾可以交给系统，教师就有条件把更多时间用于设计任务、组织讨论和追问学生的理由。课堂记录可以提示一个值得回看的片段，学情分析可以指出某类错误较集中。至于何时停下来讲解、哪些学生需要再试一次，教师还要结合现场反应和课程目标作判断。

演讲中呈现的教学关系图，强调学生参与讨论、探索与展示的机会。比如，小组提交一份看似完整的方案后，教师可以进一步问：引用的材料从哪里来？哪个步骤有真实观察支持？如果换一组条件，结论是否还成立？这些问题让教师看见学生形成判断的过程，也让学生有机会修正自己的解释。

第十项发现进一步把知识与真实情境连起来。一个项目可能同时需要查找资料、理解学科原理、处理数据和解释结果。AI可以帮学生把这些资源组织起来，师生还需要逐项判断材料是否可靠、生成的方案是否符合实际条件。相应地，学习评价可以把目光从最后提交的答案移向提问、查证、协作和反思的过程。

这种分工在低龄学生的课堂里尤其需要细化。何时允许工具给出提示、何时让学生先独立完成、哪些环节必须自己动手和说明理由，都应和学习目标、年龄阶段一起考虑。对教师而言，核对和修正系统结论的权限同样重要。

图4　AI参与课堂后教师引导与学生探究的分工（来源：演讲报告）

从试点到常态教学还要验证什么?

演讲最后按短期、中期和长期给出观察尺度。未来一至三年，首先要看备课整理、作业批阅和课堂记录等用途能否经得住日常使用。教师是否在演示之后继续使用，遇到批阅结果不一致时能否方便地复核，学生收到反馈后是否有机会订正，这些都是比工具启用次数更贴近教学的检验。

三至五年的观察重点是学校能否积累起持续提供个性化支持的能力。一位教师发现某种练习有效，如何将经验变成其他教师可以理解和使用的资源？换一个班级或年级之后，还需要调整哪些条件？这些问题关系到校本资料的整理、反馈记录的连续性，也关系到学校是否能把个别教师的尝试纳入日常教研。

图5　演讲提出的校园AI短期、中期与长期观察方向（来源：演讲报告）

更长远看，演讲将跨学科探究、跨场景实践和持续学习视为值得观察的方向。随着多模态能力和智能体逐步进入教育场景，学生可能有更多机会在不同环境里处理真实问题。但使用越深入，越需要分清系统提供了什么帮助，学生在其中做出了哪些判断，教师可以依据什么观察学习变化。学校对一项应用的评价，也可以沿着这些具体问题持续展开。

“技术向前，教育向人。”孙潮劲在结尾用这句话回应了演讲开头的追问。回到那份批完的作业，系统生成一张学情图只是工作中的一步。教师能否据此发现此前遗漏的问题，学生能否在反馈之后讲清自己为什么错、下一次准备怎么做，才是这项工具走进课堂以后值得追踪的变化。