执行摘要
教育系统正走向2030年代,其赖以运作的一项假设正在瓦解:学校、大学、培训系统、部委、雇主和国际组织能够为人们准备应对那些仍然足够稳定、因而能够被理解和塑造的未来。2030年之后的核心教育危机,是技术加速、生态压力、劳动扰动、人口分化与制度滞后之下准备的崩塌。
图1
学校再也无法想象的未来
本报告将*技术奇点(Technological Singularity)*用作压力临界点(stress horizon),而非预测,以识别一个人类与治理的阈值:在该阈值上,技术变革、制度依赖、生态压力、劳动扰动与治理失灵超出了人们和公共机构进行连贯想象、解释、治理与回应的能力。
当前信号已指向这一压力临界点。人工智能的采用速度正在超越教育治理。生成式人工智能正在任务层面改变工作,这使得宽泛的技能重塑叙事显得不足。气候灾害已经扰乱了数亿学习者的教育。人口压力正将一些系统推向收缩和财政压力,并将另一些系统推向过度拥挤、流离失所和未被满足的需求。与此同时,基础学习问题仍未解决:许多系统将在确保基本读写能力和计算能力之前,便要面对人工智能、气候、劳动和人口冲击。
2030年之后的主导轨迹指向的未来,可能在物质条件上比大多数教育政策所允许自己言说的更糟。崩塌并非不可避免,但Dator的四种未来有助于澄清这一危险:崩塌与规训可能成为2030年代的默认未来。转型仍然是首选未来,但它不会通过乐观主义的意志而实现。
人类滞后(human lag)可能界定2030年代。法律将滞后于工具。学校将滞后于学习者。证书将滞后于劳动力市场。适当使用框架将滞后于部署。公共语言将滞后于技术现实。在这些条件下,熟悉的应对措施——面向未来的技能、终身学习、技能重塑、人工智能素养、个性化、微证书、创新和劳动力对接——可能看似进步,却会加深对学习者和机构无法治理的系统的依赖。这是缺乏权力的准备(preparation without power):要求人们变得更具适应性,同时将工作、学习、数据、气候韧性和技术的基础设施置于外部控制之下。
通用人工智能(AGI),或接近可比广度与自主性的系统——但尚未形成关于该阈值已被跨越的共识——通过压缩准备本身的有效期限,加剧了这一时间性问题。对一名刚开始四年制课程的学生来说,到毕业时,劳动力市场可能已被课程获批时尚不存在的技术能力重塑。在这种条件下,预测、课程设计、审批、教学、评估和证书授予的制度周期,可能比其试图为之准备的变化更为缓慢。问题不仅在于毕业生可能学到错误的技能。职业准备本身也可能在毕业前过时。
反制策略并非更快地与机器能力对接。在此前关于知识游牧学习与工作的研究基础上,它是对知识游牧能力(knowmadic capacity)的投资:即跨情境学习、创造知识、界定问题、行使判断、建立网络与社群、跨领域整合知识,以及在既定角色改变或消失时创造新形式价值的能力(Moravec, 2013)。这些能力并不消除对专业知识的需求。它们改变了专业知识的目的:从契合一个被预测的角色,转向在预测失效时以能动性(agency)行动。
与此同时,对学习者和机构无法治理的系统日益加深的依赖,带来了能动性的崩塌(agency collapse)的风险。人们可能保有形式上的选择,却失去对塑造其生活的系统的实际权威。学习者、劳动者、家庭和公民将日益依赖于他们无法检查、质疑、修订或退出的自动化系统、数据基础设施、平台规则、风险评分、预测模型和证书制度。教育随后可能再生产它声称要克服的那种依赖。
2030年之后的教育议程必须始于治理,而非技术采用。UNESCO关于生成式人工智能的指导同样将监管、隐私、机构验证和人的能力置于不加批判部署之前(UNESCO, 2023b)。人工智能的采用在成为采购问题之前,首先是权力问题。面向未来的准备应意味着治理界定学习、工作、证据、身份与机会的平台、模型和规则,而不是更快地适应由他人设计的安排。
教育主权(educational sovereignty)是为一种不同未来提出的框架:社会公众能够集体治理支撑学习的基础设施、数据系统、技术和评价机制,为这些系统设定约束,在必要时退出,并建设替代方案(Williamson & Eynon, 2024)。它还揭示了当前教育治理中的一个缺失的中间层(missing middle):能够跨学校、大学、图书馆、工会、市政当局和公益技术团体汇聚法律、技术、财政和政治力量的公民中介机构(Mulgan, 2018)。没有这一中间层,国家行动可能滞后,或转向安全控制,而地方社区则只能依靠生存策略,而非真正的反制力量。
准备的崩塌并未抹去教育的未来,也未免除教育帮助学习者走向更好未来的责任。它剥去了教育的一项旧有正当性,并使任务更具政治性:当我们预测近期未来的能力失效时,保护人们能够思考、判断、创造、归属、挑战权力并采取行动的条件。
引言:未来的压缩
2030 年距离现在不到四年,但它已经显得不稳定,因为教育正被要求同时应对多种形式的加速。时间、空间、工作、知识与制度响应,正被一些运行速度快于学校、大学和公共机构原本所能管理的系统所压缩。不确定性始终是教育规划的一部分,但技术变迁与制度理解之间的时间间隔正在缩短。学校和大学被要求利用为较慢速的世界设计的结构,帮助人们为尚无法想象的处境与未来做好准备(preparation)。想象力成为关键限制。人类、制度和政策的想象力已无法跟上机器加速,而判断、语言、伦理、记忆和集体意义建构也无法与之同速扩展。
图 2
未来的压缩
因此,“2030 年之后”应被理解为一个被压缩的转型时期。核心关切在于 2030 年代:这是一个实际的时间窗口,在此期间,关于基础设施、数据、劳动、气候韧性和 AI 治理的决策可能会变得日益难以逆转。预测各不相同,但 2040—2045 年已成为对奇点提出更强断言的一个可信时间范围,其中包括 Kurzweil 关于 2045 年前后出现技术奇点(Technological Singularity)的预测 (Kurzweil, 2024)。Kurzweil 从其对指数型技术趋势的解读中推导出这一日期,但本文所展开的论证并不依赖于该时间表。核心要点在于,合同、数据架构、采购实践、政治利益和制度取向正在当下被固化。
因此,2030 年之后的教育始于这样一个问题:在技术加速、生态压力和政治封闭的条件下,人类如何保持可生存性。教育政策的主导语言仍然假定,学校、大学、培训体系、部委、雇主和国际组织能够帮助学习者为一个人们仍可充分理解并加以塑造的未来做好准备。技能预测、毕业生画像、劳动力对接模型、AI 素养框架、就业能力议程和终身学习政策,都假定未来条件仍可被以足够的确定性预见,从而指导准备;它们往往将劳动力对接置于建构替代性未来的民主能力之上 (Facer, 2011)。
这一前提正变得难以维持。正在崩塌的是准备本身的承诺:即制度能够可靠地帮助人们为仍相对稳定、可以理解和治理、也可以据此制定计划的未来做好准备。教育必须停止假装准备已经足够。其任务是保护判断力、自我建构、技术素养、集体能动性(agency),以及为那些将学习简化为服从的系统设定限度的制度权力。
在方法论上,本文将奇点用作一种压力临界点,而非预测。其目的在于考察:当技术、生态、劳动和制度变迁超出教育所依赖的人类能力——想象力、判断力、语言、记忆、信任、伦理和集体意义建构——时,教育将会发生什么。以这种方式使用时,技术奇点(Technological Singularity)即使在尚未到来之前也具有解释力,因为它揭示了教育假设在极端加速之下会变得多么脆弱。
技术奇点(Technological Singularity)的概念通常与 Vernor Vinge (1993) 和 Ray Kurzweil (2024) 相关:前者赋予该理念具有影响力的现代阐释,后者则通过对加速技术变迁的预测使其普及。本文对该术语的使用方式有所不同。本报告谨慎地使用这一术语:并非将其视为技术未来预测,而是将其作为识别一个迫近的人类与治理阈值的方式;在这一阈值上,技术变迁、制度依赖、生态压力、人口压力和劳动扰动超出了人们与公共机构进行想象、阐释、治理和连贯回应的能力。从这个意义上说,想象力应被理解为一种治理力量,而非一个软性关切。当人类、制度和政策的想象力失效时,制度仍会继续行动,但它们将通过已无法把握重塑世界之力量的遗留范畴来行动。
大众论述常将技术奇点(Technological Singularity)视为这样一个节点:在此之后,由机器驱动的技术变迁超出了普通人类预测下一步将发生什么的能力。变迁发生得如此迅速,以至于即使是近期的未来也无法预测。对于教育而言,更有用的解读是人类性和政治性的。技术奇点(Technological Singularity)标志着这样一个阈值:由于重塑社会的力量变化速度快于人类认知、公共机构、法律制度和学校的适应速度,人们无法再以足够的连贯性去想象、建模或治理接下来会发生什么。人类可以改进工具,但想象力、判断力、记忆、伦理和集体意义建构并不会以同样的速率升级。其结果是,技术能够做什么,与人们能够理解、治理并与之共处什么之间的鸿沟不断扩大。
这一视角并不直接依赖于奇点论者对 2045 年的判断是否正确。即使嘲笑技术奇点(Technological Singularity)时间表的读者,仍然可以理解其潜在论证:无论何处,只要制度滞后、平台依赖、生态压力和劳动扰动超出公众治理它们的能力,同样的教育问题便会出现。本文使用“奇点(Singularity)”来标示准备模型的外部极限,而不是要求教育政策领导者接受某一项特定的 AGI 预测。
这一鸿沟最初不会被体验为一种哲学问题,而会被体验为困惑、依赖、社会羞辱和愤怒。人们会感到世界不再有意义,制度不再解释现实,工作不再回报努力,公共语言已变得过于抽象或遭到腐蚀,无法指引行动。在这些条件下,简单答案会变得诱人。威权人物和企业解决方案不必解决复杂性;它们只需让复杂性显得可以忍受。
教育牵涉于这一鸿沟之中,因为现代教育依赖于准备的承诺。它假定社会能够识别理想的未来、界定相关知识、设计课程、培养教师、为学习者授予证书,并通过学校、大学和培训体系分配机会。当变迁超出想象力时,这一序列便会瓦解。教育随之显露其双重特性。它能够培育自我实现、判断力和集体能动性(agency);它也能够通过课程、分类、规训、证书授予、监控和劳动力市场筛选来施加他人的意志。
因此,2030 年代应被理解为人类滞后(human lag)的十年。技术或许尚未达到技术奇点(Technological Singularity)的最强形态,但人类制度将日益从滞后的位置运作。法律将滞后于工具。学校将滞后于学习者。证书将滞后于劳动力市场。伦理框架将滞后于部署。公共语言将滞后于技术现实。这种滞后正是加速的人类面貌。
压力信号
这里所描述的未来仍然是开放的,但压力的方向可以测量。这些信号并非孤立的警告,而是在汇聚。AI 的扩散速度快于制度对其进行治理的速度。劳动力暴露并不均衡,且以任务为基础,而非被清晰地限制在特定行业内部。气候压力已从预测转变为运营层面的扰动。人口变化正在扩大那些管理收缩的系统与那些管理过度拥挤的系统之间的差异。准备本身已呈现分层。
图 3
人类滞后
学生对 AI 的使用已经超越学校治理的速度,使制度不得不在其扩散之后而非之前进行监管(Stanford Institute for Human-Centered AI, 2026)。国际劳工组织关于生成式 AI 职业暴露的精细化全球指数,基于 29,753 项任务、2,861 项任务评级以及 52,558 个工人和专家数据点,衡量不同职业、行业和国家的暴露程度(Gmyrek et al., 2025)。OECD 数据显示,受过高等教育的劳动者平均收入仍比具有高中阶段教育水平的劳动者高出 54%,这有助于解释为何社会仍将教育作为流动性叙事加以依赖,即使这一叙事对许多人而言正在弱化(Organisation for Economic Co-operation and Development, 2025)。气候科学指出了制度抱负与物质现实之间类似的不匹配:IPCC 第六次评估报告确认,在金融、治理、基础设施和减缓措施仍然不足的地区,适应限度、不断扩大的残余风险以及日益加剧的脆弱性正在显现(Intergovernmental Panel on Climate Change, 2023)。
教育进入这一时期时已然脆弱。UNESCO 估计,2024 年有 2.73 亿儿童和青年失学;自 2015 年通过 SDG 4 以来,全球失学人数仅减少了不到 1%(UNESCO, 2025a)。UNESCO 还报告称,全球 57% 的儿童缺乏基本技能;世界银行则估计,中低收入国家每十名儿童中有七名在 10 岁时无法阅读并理解一篇简单文本(UNESCO, 2025d; World Bank, 2022)。UNICEF 估计,2024 年气候灾害在 85 个国家扰乱了至少 2.42 亿名学生的学习,仅热浪就影响了估计 1.71 亿名学生(UNICEF, 2025)。这些数据表明,教育将以薄弱的基础、不均衡的能力以及来自部门外部的不断上升的冲击进入 2030 年后的时期。
基础学习是同一危机的一部分。许多系统将在仍难以保障基本读写能力和计算能力的同时面对这些压力。这使准备的崩塌更为严重。尚未提供基础学习的系统,如今被要求治理连资源充足的机构都准备不足以应对的未来。
人口结构又增加了一层压力。2030 年代将受到 AI、气候、人口老龄化、一些地区出生率下降、另一些地区青年人口激增、移民压力、农村人口减少、城市集中以及财政压力的塑造。联合国人口预测表明,未来的人口增长将集中于相对少数的国家,而许多其他系统将进一步进入老龄化和低生育率状态(United Nations Department of Economic and Social Affairs, Population Division, 2024)。一些教育系统将面临学生群体缩减、学校关闭、学费基础削弱以及劳动力老龄化。另一些系统则将面临过度拥挤、流离失所、未获满足的需求,以及来自制度权力有限的年轻人口日益升高的期待。人口结构将有助于决定哪些机构能够吸收扰动,哪些机构将在技术和气候压力之下、财政与社会层面已经弱化的状态中前行。
2030 年之后的主导轨迹指向的未来,可能在物质条件上比大多数教育政策所允许自己表述的更糟。许多人将把这些未来体验为物质上严酷、政治上收窄、心理上失序以及社会上受辱。指出这一点是一种分析纪律。它防止乐观主义取代分析。可信的教育回应必须从这样一种可能性出发:主导未来在物质上会更糟,同时拒绝将这一轨迹视为不可避免。
表 1
2030 年后教育的汇聚性压力指标
| 压力指标 | 近期数据点 | 对 2030 年后教育的解释性意义 |
|---|---|---|
| 学生使用 AI | 超过 80% 的美国高中生和大学生将 AI 用于与学校相关的任务(Stanford Institute for Human-Centered AI, 2026)。 | 应用速度已超越政策、教师准备和制度治理。 |
| 学校 AI 治理 | 仅有 50% 的美国初中和高中制定了 AI 政策,且只有 6% 的教师认为这些政策清晰明确(Stanford Institute for Human-Centered AI, 2026)。 | 学校是在扩散之后而非之前进行治理。 |
| 全球职业暴露 | ILO 的 2025 年指数评估了跨职业的 29,753 项任务和 2,861 项任务评级(Gmyrek et al., 2025)。 | AI 暴露在任务层面重组工作,这使宽泛的技能重塑叙事不足以应对。 |
| 高等教育收入溢价 | 在 OECD 国家中,受过高等教育的劳动者平均收入比具有高中阶段教育水平者高 54%(Organisation for Economic Co-operation and Development, 2025)。 | 教育仍具有经济价值,但这一价值可能集中于分层化的培养形式。 |
| 失学人口 | 2024 年有 2.73 亿儿童和青年失学(UNESCO, 2025a)。 | 关于未来准备的讨论起点是不完整的教育可及性,而非普及教育。 |
| 基础学习 | 中低收入国家每十名儿童中有七名在 10 岁时无法阅读并理解一篇简单文本(World Bank, 2022)。 | 许多系统在实现基础学习之前便已面临 AI 和气候冲击。 |
| 气候扰动 | 2024 年,85 个国家至少 2.42 亿名学生的学习受到气候灾害扰乱(UNICEF, 2025)。 | 气候已作为教育基础设施问题发挥作用。 |
| 全球创纪录高温 | Copernicus 报告称,2024 年是有记录以来最暖的一年,也是第一个平均气温比工业化前水平高出 1.5°C 以上的日历年(Copernicus Climate Change Service, 2025)。 | 气候压力正加速演变为教育连续性、降温、保险和基础设施问题,而不再仅仅是未来课程议题。 |
| 人口结构分化 | 联合国人口预测表明,未来增长将集中于相对少数的国家,而许多其他国家将进一步进入老龄化和低生育率状态(United Nations Department of Economic and Social Affairs, Population Division, 2024)。 | 2030 年代将扩大管理青年需求的系统与管理收缩、关闭和财政压力的系统之间的差距。 |
| GEFRI 准备差距 | GEFRI 2025 年年末快照报告称,177 个非微型国家的全球均值为 48.85,得分范围为 13.56 至 81.98(Education Futures, 2025)。 | 教育未来准备并不均衡,许多系统在建立适应能力之前就已暴露于冲击之中。 |
GEFRI 增加了一个准备视角,因为它将教育未来准备视为多维度问题,而非学校绩效问题,并使用可比较的指标来近似衡量教育基础、基础设施、公平、创新和韧性。此处使用它作为补充性的分析视角,而非作为本报告论点的独立证据。它的价值在于比较:它综合了近似衡量教育未来准备的指标,并有助于展现各系统以何种不均衡程度进入下一阶段的扰动。它应与 UNESCO、World Bank、OECD、UNICEF、ILO、IPCC 和 IEA 的证据一并阅读,而非取而代之。由于 GEFRI 主要基于 World Bank 数据构建,它有助于识别可比较指标上的准备差距,同时也为有关治理、殖民性、制度权力和地方情境的定性判断留下空间。其区域中位数显示出明显不平等的起点:北美报告的未来准备中位数得分为 72.7,而撒哈拉以南非洲为 26.4(Education Futures, 2026)。这些差异至关重要,因为 AI 扩散、气候压力、平台依赖和劳动力市场波动将叠加既有的准备差距。
缺乏权力的准备
对这些压力,可预见的回应将是又一轮面向未来的议程:技能框架、AI 素养倡议、技能重塑 reskilling 路径、微证书、就业能力仪表板、个性化学习系统、创新战略,以及劳动力对齐计划。正如自动化教学的历史所表明,个性化学习框架长期以来一直服务于在企业效率议程之下圈定教学权威并标准化教学的功能(Watters, 2021)。其中一些将帮助学习者应对眼前需求。但如果这些举措使学习者和机构依赖于其无法治理的系统,那么没有任何一项会是足够的。
这是缺乏权力的准备。它要求人们适应平台、劳动力市场、数据系统、气候风险和证书认证制度,而这些体系的规则由别处制定。其语言往往是乐观的:灵活性、敏捷性、韧性、就业能力、终身学习、个性化支持与创新。其功能可能更为严酷。学习者被告知要持续更新自身,而界定机会的系统却变得更加不透明、自动化、攫取性更强,并受外部治理。
技能仍然至关重要:基础读写能力、技术流畅性、公民理解和 AI 素养都不可或缺。失败始于将技能视为权威的替代品。学习者可以拥有技能,却仍然对衡量、定价、分类和规训这些技能的系统缺乏权力。学校可以教授 AI 素养,却仍依赖于其无法审计的 AI 系统。大学可以扩大微证书,却仍将育人窄化为短周期的劳动力信号。部委可以推动创新,同时将公共权威移交给私人基础设施。
就业能力与能动性 agency 提出的是不同的问题。就业能力所问的是,一个人能否在不断变化的系统中继续保持有用;而能动性所问的是,人们能否塑造决定何为有用的系统。当劳动力市场不稳定、自动化且由教育无法追责的行动者所治理时,劳动力对齐就会变得危险。当人们被要求无休止地更新自身,而雇主、平台和国家拒绝承担对等义务时,终身学习就变成了劳动规训。
这一差异也将知识游牧式学习与许多面向未来议程所要求的适应性区分开来。适应性要求人们在外部系统变化时继续保持有用。知识游牧能力 knowmadic capacity 所问的是,人们能否在不断变化的情境中创造知识、关系、工作和替代方案,同时保有对其目标的权威。它结合了自主学习、问题界定、判断力、知识创造、协作、网络建设、技术流畅性,以及在不同领域和情境之间迁移知识的能力。
然而,若没有主权,知识游牧式的流动性可能会崩塌为不稳定性。一个能够持续学习、在不同情境之间移动并创造新型工作形式的人,仍可能依赖于由他人治理的平台、劳动力市场、数据系统和基础设施。因此,知识游牧能力只有在与权利、社会保护、谈判力量、公共基础设施以及对于人们学习和工作的系统所拥有的实质性权威相结合时,才具有解放性。
面向未来教育所作出的安慰性承诺是,更好的准备 将保全机会。更艰难的事实是,准备不能替代权力。只有当人们同时拥有权利、制度、基础设施,以及对于使用这些技能的系统所具有的集体权威时,技能才有意义。没有能力的权利会沦为纸面保护。没有权威的能力会沦为适应。教育主权 是对缺乏权力的准备的回答。
教育的多种可能未来
达托的四种未来原型——持续增长、崩塌、规训与转型——有助于防止论证坍缩为单一的反乌托邦预测。将其应用于2030年后的教育,它们勾勒出一个相互竞争的未来场域,而非一个预先确定的终点(Dator, 2009)。当前信号指向崩塌与规训,但当制度继续基于过时的假设运作时,这些未来将变得更有可能。
本分析并不提出单一预测。当前信号识别出一条主导轨迹,达托式原型框定替代性未来,奇点作为压力临界点发挥作用,而转型仍是一种优选未来,而非可预测的结果。
规训也可以借用转型的话语。个性化学习、安全、效率、创新与韧性,都可能成为依赖关系被常态化的词汇。真正的检验在于,一项改革是否扩展权威、能动性、隐私、人的形成,以及退出的权力。
表2
应用于教育的达托四种替代性未来
| 达托式未来图景 | 2030年后的教育表现 | 对人的后果 |
|---|---|---|
| 持续增长 | 教育进一步强化创新、就业能力、AI采用、全球排名和证书扩张。 | 随着人们通过承诺不断弱化的系统追逐流动性,证书通胀、倦怠和更深层的筛选随之加剧。 |
| 崩塌 | 气候扰动、劳动替代、公众不信任和制度脆弱性压垮教育连续性。 | 学校和大学成为分诊、损失管理、学习中断与社会筛选的场所。 |
| 规训 | 教育通过被设计出来的依赖关系运作:监控、技能重塑、行为助推、风险分类和服从。 | 学习者受到监控、分类,并被训练去适应他们无法治理的系统。 |
| 转型 | 教育围绕人的能动性、社区韧性、教育主权以及新的工作与归属形式进行重组。 | 学习成为构建替代方案、保护人的形成并扩展集体力量的场所。 |
危险在于,崩塌和规训可能成为2030年代阻力最小的路径。优选未来仍然是转型性的,但转型不能通过乐观主义来断言。它要求制度、社区、教师、学习者和社会运动创造条件,使人们能够学习、工作和行动,而不至于完全依赖那些对他们进行分类、监控和指挥的系统。
关键不确定性包括:一个获得广泛接受的AGI门槛是否会达成、何时达成以及以何种形式达成;以及日益通用且自主的AI系统是否会在任何此类共识出现之前重组认知工作。它们还包括:国家能否监管AI基础设施,公共教育能否保有民主合法性,劳动保护能否适应机器中介的工作,气候适应能否得到公平融资,学习者能否保有隐私和正当程序,人口压力是否会以快于制度调整的速度削弱制度权力,以及社区能否在平台依赖变得不可逆之前建立替代方案。这些不确定性将塑造何种未来成为主导。
转型性未来的弱信号具有价值,因为它们显示主导轨迹已在何处受到挑战。不应将其视为转型必然发生的证据。它们分散、不均衡、在政治上脆弱,而且往往资金不足。它们的价值在于表明,在平台依赖、生态分诊或精英圈闭被常态化之前,何种制度想象仍然可能。
表3
转型性教育未来的弱信号
| 弱信号 | 它所挑战的对象 | 2030年后的影响 |
|---|---|---|
| 公共数字基础设施 | 将对私人平台的依赖视为学习的默认架构。 | 它将获取、数据、身份和治理问题置于公共权威之内,而非供应商控制之下。 |
| 开源学习工具 | 教育智能必须是专有的这一观念。 | 它们为可审计性、适应性、本地所有权和共同改进创造可能。 |
| 教师主导的AI治理 | 由采购驱动的采用模式,在其中教育者接手他们并未参与塑造的系统。 | 它将教师视为技术的制度性诠释者,而非实施劳动。 |
| 气候韧性学校 | 气候教育仅仅是课程。 | 它将学校定位为支持连续性、照护、降温、沟通和本地适应的公民基础设施。 |
| 图书馆和社区学习公地 | 教育是一项有边界的学校或大学职能。 | 它们提供值得信赖的公共空间,用于数字支持、公民学习、工具获取和代际意义建构。 |
| 合作社和社区所有的工作模式 | 将灵活性转化为个体不稳定性的做法。 | 它们将知识游牧能力与共享基础设施、议价能力和本地价值创造联系起来。 |
| 学习者控制的记录和档案袋 | 制度对学习历史的所有权。 | 它们将学习证据转向可携带性、同意、自我书写和正当程序。 |
这些弱信号尚未构成一场连贯的运动。更恰当的理解是,它们是可能转型的碎片:是教育仍可围绕公共权威、社区力量、人类判断和学习者能动性,而非被设计出来的依赖关系加以组织的早期证据。它们还揭示了一项将在整个2030年代都具有重要意义的区别。一些地方实践建立生存能力:照护、连续性、注意力、信任、降温、食物、连接以及安全的学习空间。另一些则建立反制力量:共同采购、审计能力、开放基础设施、数据治理、劳动协议以及制度性的退出权。教育主权两者都需要。生存能力使社区在扰动期间保持运作。反制力量则减少依赖。
另一个弱信号指向与AI加速相反的方向:回归非数字化学习。随着公众对注意力、心理健康、分心和屏幕中介的童年日益担忧,世界各地政府正在限制学校中的智能手机。UNESCO的GEM监测报告称,截至2024年底,79个教育系统——约40%——已在法律或政策中实施智能手机禁令;后续报告发现,到2026年,全国性手机禁令已扩大至114个教育系统,约占国家的58%(UNESCO, 2025b; UNESCO Global Education Monitoring Report, 2026)。回归非数字化学习是一种矛盾的弱信号。同一发展对某些学习者可能指向转型,对另一些学习者则可能指向规训。它质疑了更多屏幕中介学习始终意味着进步的假设,但也可能加深不平等。在富裕环境中,减少设备使用的教育或许能够保护注意力、隐私和人的形成。在大规模教育系统中,同样的回归可能与自动化教学、监控和资金不足的人类支持并存。其政治意义取决于它是否为所有人扩展以人为本的丰富学习,还是沦为精英的救生艇。
技术奇点作为教育想象力的界限
未来框架澄清了技术奇点在这一论证中的作用。在此,它作为教育想象的一个极限概念发挥作用。如果教育无法理解2030年代的加速、不透明性、生态不稳定性与劳动力市场波动,那么在2040—2045年时间范围内出现的更深层技术断裂,将暴露出一个已经难以理解其声称要为人们准备的世界的领域。
教育规划依赖于这样一种信念:未来可以被转化为制度性的准备。战略规划、情景推演、能力框架、资格体系、毕业生特质、劳动力市场预测和创新议程,都依赖于这样一种假设,即新兴条件能够被充分清晰地解读,以指导教育设计。即使这些工具承认不确定性,它们通常仍保留这样一种观念:不确定性可以被界定、建模,并转化为适应性行动。实证问题在于,教育变革的制度周期已经落后于技术扩散。制度仍在行动,但越来越多地是通过错误描述其试图治理的系统的范畴来行动。
这一实践危机并不需要AGI。学校已经通过平台依赖、自动化评估、供应商控制的数据系统、算法化管理,以及发展速度快于政策的AI工具,面对同一问题的较弱版本。技术奇点放大了这些问题;它并不创造这些问题。其教育价值在于诊断性:当制度失去解读和治理其所依赖基础设施的能力时,它揭示了规划会多快地失效。
AGI与技术奇点并非可互换的概念。AGI的定义仍存在争议,尤其是围绕被认定为AGI所需的机器能力的广度、水平和自主性(Morris et al., 2024)。这一争论已不再完全具有前瞻性。2026年9月,当OpenAI (2026) 推出GPT-6 Astra时,公司总裁Greg Brockman认为,将该模型视为标志着“AGI时代”开端是合理的。Astra本身是否应被称为AGI,对于这里的讨论而言不如这一模糊性所揭示的内容重要:教育机构可能已经进入了它们一直视为遥远预测的转型。对于当前前沿系统位于这一连续谱的何处,并不需要达成共识。AGI至关重要,因为日益通用的机器能力的持续发展可能使准备视野本身崩塌。进入四年制学位课程的学生,是通过基于当前知识、职业结构、技术以及对未来需求假设的课程来获得准备的。如果能够执行广泛类别认知工作的系统在同一时期不断改进,毕业生进入劳动力市场时所具备的能力,可能在他们入学时稀缺,却在毕业时不再具有同等价值。风险比技能错配更为根本。预测、课程设计、认证、教学、评估和毕业的循环,可能变得比其试图预见的变化更慢。
在这种条件下,劳动力对接变得自我挫败。教育无法赢得这样一场竞赛:它反复围绕机器能力重新设计人类准备,而机器能力的变化速度可能快于制度批准新项目的速度。机器能力越具通用性,围绕数年后人类仍将执行哪些职业任务的预测来组织教育,就越难以辩护。准备必须从预测的工作职能转向跨情境仍然有用的能力:学会如何学习、问题框定、判断、综合、协作、知识创造、网络构建、技术素养,以及创造新型工作和价值形式的能力。
这些是知识游牧能力。其目的不是让人们与任何可能出现的劳动力市场保持同步。它们帮助人们在预期的角色、制度、职业或职业路径消失时采取行动。知识游牧型学习者能够在不同情境之间迁移知识,建立新的关系,学习新情境所要求的内容,创造而非仅仅消费知识,并在既有路径不再奏效之处构建可能性。然而,知识游牧能力不能替代权力。没有教育主权,流动性就会变成不稳定性,持续学习就会变成永久性的就业能力劳动规训,而自主导向则发生在规则仍由外部控制的系统之内。
教育始终依赖于过去、现在与未来之间的某种连续性。课程建立在既有知识之上。评估依照已知标准评价当前表现。证书将学习转化为社会信任。教师准备假定教学实践可以跨届转移。制度规划假定未来会不同于现在,但不会激进到使准备变得不连贯。技术奇点扰乱了这种连续性。它提出了一种可能性:机器不再仅仅作为人类目的之内的工具发挥作用,而是成为人类能够知晓、决定、建构和赋予价值之物的中介(Bostrom, 2014)。
这也与对技术社会的较早批判相联系。Ellul (1964) 警告说,技术将社会生活置于效率之下,而Winner (1980) 则表明基础设施体现了政治安排。AI系统进入学校和大学时,携带着关于优化、知识、劳动、注意力和权威的假设。一旦被嵌入其中,它们就不再仅仅支持教育判断。它们塑造了制度认为什么是合理的、可衡量的和可治理的。
正如前文所述,“面向未来的技能”这一语言在这里变得不充分,原因相同:它将一个权力问题转化为一个准备问题。它假定未来虽然困难,但仍足够可知,以至于可以明确何为准备就绪。如果技术奇点标志着教育想象的极限,那么,准备就绪便不能通过与其社会后果超出现有概念框架的未来系统保持对接来界定。任务从预测转向保存:当外部环境超越规划时,人们和制度如何保护判断、能动性、伦理导向以及不可谈判的人类目的。
前瞻仍然发挥作用,但其主要不再是预测劳动力需求,或在可管理的不确定性下完善制度战略的工具。其更紧迫的任务是识别脆弱性、揭示假设、描绘依赖关系,并决定哪些形式的人类发展不应屈从于技术必然性。关键在于增强当预测失效时采取行动的能力。
能动性的崩塌
想象力的崩塌产生了第二种状况:能动性的崩塌。能动性不仅依赖于形式上的选择。它要求人们对塑造其生活的系统有足够的理解,从而作出真实的选择、质疑决策,并参与集体自我治理。当系统变得过于复杂、不透明且变化迅速,以至于普通人或公共机构无法理解时,即使法律权利在形式上仍然完好无损,能动性也会被削弱。
图 4
能动性的崩塌
这种削弱将通过累积性的依赖而非一次戏剧性的权利丧失发生。劳动者将依赖算法排班系统、自动化评估、声誉评分以及由平台中介的收入获取渠道。学生将依赖自适应学习系统、自动化反馈、AI 导师、远程监考以及机器生成的评估环境。家庭将依赖数字身份系统、福利门户、风险模型、保险算法、健康平台和学校管理系统。公民将依赖自动化公共行政、生物识别验证、预测性警务、信用评分、边境系统以及信息过滤基础设施。
在每一种情况下,个人看似仍保有选择。然而,可理解且可行的选择范围却在缩窄。劳动者可以选择遵从算法排班,或承担失去收入的风险。学生可以选择使用平台,或无法参与课程。家庭可以选择共享数据,或失去获得服务的机会。公民可以选择接受自动化流程,或进入一个无法进行有意义申诉的官僚迷宫。选择的语言依然存在,但能动性的条件正在恶化。
分类不仅对人进行排序,也对知识进行排序。自动化系统决定何种语言听起来流畅、何种证据显得可信、何种历史能够被检索、何种例证被视为常态,以及何种认知方式仍处于边缘。正是在这里,能动性的崩塌与认识论围闭相交汇:人们失去的权威不仅涉及评判他们的系统,也涉及使这种评判成为可能的知识系统。
当学校成为数据环境时,能动性的崩塌便在经济上变得合理。行为痕迹被捕获,预测成为一种商业模式,教育支持开始与行为管理相融合。学习者并非只是数字系统的用户。他们的写作、停顿、错误、搜索、注意力模式、生物识别数据、位置、点击和互动,都成为由他人拥有的系统的潜在输入。于是,教育面临沦为这样一种场所的风险:人类发展被捕获为数据废气,并被转化为预测、助推、监控和分类(Zuboff, 2019; Couldry & Mejias, 2019)。
自动化系统已经表明,形式权利如何能够与实践上的无力并存。福利系统、风险评分、不透明模型和分类机制能够决定、排序、拒绝或规训人们,同时将这些决定呈现为公平治理(Eubanks, 2018; O’Neil, 2016; Fourcade & Healy, 2017)。因此,能动性的崩塌不仅是一种心理状态。它还是一种制度模式:人们遭遇塑造其人生机会的自动化系统,而这些系统却仍然难以被审查、质疑、修订或退出。
教育之所以被卷入其中,是因为它既回应也再生产依赖。学校和大学日益依赖于它们并不治理的平台、无法完全审计的数据系统、无法始终解释的评估工具,以及其模型、训练数据和优化目标仍处于公共教育权威之外的 AI 系统。这造成了一种矛盾。教育宣称要培养自主的人,却将他们嵌入使人们对不透明系统的依赖常态化的基础设施之中。
技术不透明性与制度性置换相结合。决策从负责任的教育共同体转移至采购合同、供应商平台、技术标准、云基础设施、专有模型以及滞后于实践的监管制度之中。于是,教师和学生将技术系统体验为行政事实,而非民主选择。其结果是教育隐性课程的转变。学习者通过日常经验被教导:智能系统界定了人类行动必须在其中发生的环境。至此,政策想象力也会收窄。公共决策沦为在其已无法治理的系统内部进行的反应式行政管理。
新卢德主义与威权式简化
能动性的崩塌有助于解释,为何技术加速可能同时催生新卢德主义(neo-Luddism)以及对威权式简化的接受。这些反应看似相互矛盾,因为前者拒绝技术系统,而后者拥抱机器中介的权威。然而,两者都源自同一种社会经验:复杂性条件下的社会羞辱。
不应将新卢德主义(neo-Luddism)简化为对机器的非理性敌意。历史上的卢德主义是一场围绕生产的社会组织、劳动尊严和工匠自主性遭到摧毁的斗争,而非对机械的简单拒斥 (Hobsbawm, 1952)。当代的新卢德主义反应同样包含正当的批判。它将质疑那些贬损劳动、侵蚀隐私、自动化判断、削弱民主监督,并使人类从属于围绕攫取或控制而设计的系统的技术。从这个意义上说,新卢德主义可能成为人们表达技术性剥夺经验的少数大众语言之一。
然而,当新卢德主义攻击象征物而保留所有权和治理结构不变时,它可能变得反动。它可能责怪 AI 工具而非部署这些工具的机构,或摧毁界面而让底层架构毫发无损。退出也可能再生产不平等。如果边缘化社群放弃 AI,而精英机构利用它来扩展研究能力、个性化支持并增强人类能动性,结果将加速其试图抵制的同一种教育新封建主义。一种严肃的回应必须区分拒绝与治理:有些工具应在公共规则下采用,有些应受到限制,有些应被拒绝;而在依赖不可接受之处,则应建设公共替代方案。
与此同时,许多人将通过威权式引导寻求摆脱复杂性的解脱。2030 年之后的威权秩序可能将自身呈现为协助、安全、效率、儿童保护、公共秩序和认知减负。在信息过载的条件下,人们即使在这些系统削减自由时,也可能接受能够降低复杂性的系统。同一个人可能拒绝学校中的 AI,却接受自动化福利监控、预测性警务、生物识别边境,或机器中介的公共服务,只要这些系统被表述为保护。两种立场都表达了在一个已变得过于复杂而难以理解的世界中重新获得清晰性的愿望。
阿多诺、阿伦特和福柯有助于解释这种吸引力。在迷失方向之时,人们可能以判断力交换确定性、归属感和秩序;随后,规训性权力便表现为行政管理而非奇观 (Adorno et al., 1950; Arendt, 1951; Foucault, 1977, 2007)。在教育中,平台、仪表板、评估、助推和预测性干预可以塑造行为,同时看似提供支持。
读写能力仍然是必要的,但这还不够。基础读写能力、技术素养、AI 素养、公民素养和气候素养仍是能动性的先决条件。问题始于将素养视为终点。理解一个系统并不能保证拥有治理它、质疑其主张、修订其条款或退出其控制的权威。因此,教育回应必须超越素养,迈向教育主权。一个教导人们使用自己无法治理的工具的社会,并不会产生能动性。它只会使人适应外部权力。
劳动规训与技能重塑的局限
人工智能驱动的劳动扰动最常见的政策回应,是呼吁开展技能重塑(reskilling)、技能提升、终身学习、STEM 教育、创业和数字素养。这些回应在有限范围内仍然有用,但如果高级人工智能改变了对人类认知劳动的结构性需求,它们就误判了核心问题。危机更多是权力鸿沟,而非技能鸿沟。这正是为何缺乏权力的准备如此危险。技能重塑将失业和替代视为个人提升问题,而更深层的问题在于:谁拥有这些系统,谁攫取收益,谁设定条件,以及谁的劳动仍被界定为有价值。
国际劳工组织对生成式人工智能暴露程度的 2025 年分析颇具价值,因为它考察的是任务,而非关于自动化的笼统论断。该研究基于波兰职业分类系统中的 29,753 项任务,以及来自劳动者和专家的 52,558 个数据点,构建了跨职业的暴露梯度(Gmyrek et al., 2025)。生成式人工智能并非导致均质化的劳动替代,而是改变任务层面的需求,并在不同职业之间重新分配专业知识(Autor, 2024),这使得宽泛的技能重塑叙事不足以应对问题。任务层面的暴露可以重组工作,而无需消除整个职业。工作岗位可以继续存在,但其自主性、工资、技能要求和议价条件会发生变化。平台资本主义赋予这一模式以经济形式。平台通过数据提取、网络效应以及对数字基础设施的控制来组织工作(Srnicek, 2017)。在劳动力市场中,这意味着工作可以通过劳动者无法治理的系统被碎片化、衡量、定价、分配和规训。
后果不会均匀分布。生成式人工智能可能提升某些形式的生产率,同时通过任务分解、监控和议价能力减弱而削弱其他形式的生产率。自动化可能产生无法纳入简单生产率叙事的替代效应(Acemoglu & Restrepo, 2019; Brynjolfsson et al., 2025)。仅靠培训无法解决这种不对称性,因为它是通过所有权和制度权力组织起来的。结构性不安全被转译为个人学习不足,而所有权、再分配、劳动权利以及对技术部署的民主控制则始终被排除在框架之外(Labaree, 2008; Smeyers & Depaepe, 2008)。
表 4
劳动力市场扰动与技能重塑的局限
| 政策语言 | 宣称目的 | 若不受挑战,2030 年后可能发挥的功能 |
|---|---|---|
| 技能重塑(reskilling) | 帮助劳动者适应技术变革。 | 将权力问题视为个人提升项目,从而将替代个体化。 |
| 终身学习 | 支持持续发展。 | 当劳动力市场拒绝承担对等义务时,将永久性的就业能力考验常态化。 |
| 微证书 | 提供灵活的机会获取渠道。 | 在扩大获取机会的同时,将教育缩减为短周期的劳动力市场信号。 |
| 人工智能素养 | 帮助人们使用智能系统。 | 教导学习者操作他们可能不被允许治理的系统。 |
| 个性化 | 使学习适应个体需求。 | 当数据提取和预测占据主导时,将关怀转化为分类。 |
| 劳动力市场对接 | 将教育与经济需求相连接。 | 使教育从属于正被教育无法治理的系统重组的劳动力市场。 |
| 气候素养 | 教授生态责任。 | 当基础设施和适应措施缺失时,将系统性失败转化为个人意识任务。 |
| 创新 | 实现制度现代化。 | 当公共权威被转移给私人基础设施时,使依赖关系正当化。 |
如果机会的语言依然完整,而机会本身却不断侵蚀,主导性的劳动未来将会严酷。人们仍会被告知,教育是向上流动的道路。对许多人而言,教育将成为解释他们为何未能向上流动的系统。另一种未来需要的不仅是技能重塑(reskilling)。它需要能够重新分配技术收益、保护劳动权力、支持合作性工作,并赋予学习者对于塑造其经济生活的基础设施以真实权威的制度。知识游牧能力(knowmadic capacity)只有在能够防止流动性沦为可弃置性的制度条件下,才属于这一讨论。没有共享制度、基础性学习、可携带权利、公共基础设施、议价能力和社会保护,流动性就会成为可弃置性的同义词。
高等教育的收窄
2030年后,高等教育将面临不断加剧的压力。其中一些批评是合理的。大学往往变得昂贵、官僚化、维护既有地位,并且对社会需求反应迟缓。它们在捍卫公共知识的同时,却依赖私人债务、专有平台和排他性的声望体系。然而,高等教育可能出现的重组未必会使其民主化。相反,它可能在为多数人扩大低成本培训的同时,收窄获得广泛养成教育的机会。
养成教育与培训并不相同。培训使个人准备好执行由他人界定的任务。养成教育则发展判断力、身份认同、历史意识、伦理推理、审美体验、政治想象力,以及参与社会阐释与重构的能力。民主社会需要广泛提供养成教育,因为公民身份、能动性(agency)和集体自治依赖于技术能力之外的更多条件。
广泛的养成教育是民主基础设施的一部分,它使人们能够判断、审议、想象、创造和治理。AGI将使这一视角更具紧迫性,因为它冲击了用以证明狭隘职业准备合理性的经济逻辑。如果机器系统能够以快于完成一个学位的速度获得具有经济价值的认知能力,那么围绕预测的工作职能来组织高等教育将在时间上失去连贯性。针对某一特定角色的培训可能在毕业前就已贬值,而判断力、自我塑造、知识创造、伦理推理、协作能力以及跨情境学习的能力则变得更加重要,恰恰因为它们并不依附于某一种被预测的职业未来。AI能力越强,围绕劳动力市场匹配来收窄教育的理由就越弱,而支持广泛的人类养成教育和知识游牧能力(knowmadic capacity)的理由就越强(Nussbaum, 2010; Giroux, 2014)。
危险在于,2030年后的体系可能会为精英保留养成教育,同时向其他所有人提供培训。精英院校将保留人际导师指导、研究资源、智识广度、受保护的实验空间、文化资本、同侪网络,以及AI能够增强能动性(agency)的环境。体系的其余部分则将被推向短周期证书、与雇主需求对齐的模块、适应性学习平台、自动化辅导,以及与波动的劳动力需求相绑定的可测量能力。
不同类型的机构将面临不同压力。
表5
迈向更狭窄且分层更严重的高等教育之路径
| 机构类型 | 2030年后可能面临的压力 |
|---|---|
| 精英大学 | 利用AI扩展研究能力、保护声望,并为已具优势的学生深化个体化养成教育。 |
| 区域性公立大学 | 面临招生压力、财政不稳定、劳动力市场匹配要求,以及通过短期劳动力市场回报来证明项目合理性的压力。 |
| 社区学院 | 成为成人学习、转学、技能重塑(reskilling)、地方适应和气候韧性的关键场所,同时在严重的资源约束下运作。 |
| 小型私立学院 | 面临关闭、合并、使命漂移,或转型为利基服务提供者。 |
| 在线大型服务提供者和平台大学 | 大规模扩展自动化教学和证书碎片化。 |
| 非正式学习网络、图书馆、合作社和地方公地 | 构建地方生存能力、人类关注、公共信任和替代性学习空间,但需要更强的中介机构才能成为反制力量。 |
OECD数据持续显示,高等教育学历与经济优势相关。在OECD国家中,拥有高等教育学历的劳动者,其平均收入比具有高中阶段学历且全年全职工作的劳动者高54%(Organisation for Economic Co-operation and Development, 2025)。这一溢价维系着旧有的社会流动叙事,但平均数可能掩盖一个分层更严重的未来。如果广泛教育在顶层仍受到经济和文化层面的保护,而大规模中学后教育供给转向狭隘培训,那么机会可能扩大,但教育不平等将加深。问题在于,不同群体被允许获得何种人类发展。
David Blacker关于“学习率下降(falling rate of learning)”的论述在此颇具启发性,因为它并未将新自由主义对教育的攻击视为偶然的政策失败,而是将其视为更大规模社会重组的一部分:随着资本主义对广泛人类发展失去兴趣,教育的解放性主张也随之被削弱(Blacker, 2013)。如果AGI降低了对大量人类认知劳动的需求,这一逻辑可能会加剧。该体系可能不再需要以任何深层意义教育多数人。它可能需要的是对他们进行筛选、安抚、培训、监控和证书化。
这可能导致教育新封建主义。高质量职业教育能够提供尊严、能力和社会贡献,但广泛的人类发展绝不能成为只为那些被期待去治理、设计、继承和指挥的人保留的特权。当多数人被导向狭隘的劳动力市场服从形式时,养成教育便成为精英财产,而培训则成为面向大众的供给。教育由此丧失其民主功能。
未来的分野将不仅存在于受过教育者与未受教育者之间。它还将区分:获得养成教育者与获得培训者;运用AI延展能动性(agency)者与将AI遭遇为监督者;以及其错误成为学习者与其错误成为数据者。
隐私与独立自我的消蚀
2030年后的新封建治理将不会呈现为中世纪式的等级秩序。它将通过对基础设施准入的控制而运作:计算能力、云服务、数据、土地、住房、能源、水资源、物流、安全、金融、资质凭证、数字身份,以及调节机会的机器学习系统。权力将通过依赖关系而非仅仅通过正式支配来行使。个人需要获得平台准入才能工作,需要资质凭证才能被纳入考量,需要支付系统才能交易,需要身份系统才能流动,需要声誉系统才能被信任,需要数据系统才能持续为机构所识别。
如果学习记录成为一体化分类机制的输入,教育将助推这一秩序。学生数据、评估历史、行为指标、生物识别痕迹、平台互动、写作模式、出勤记录、资质凭证档案以及由人工智能调节的反馈,都可能成为更广泛的预测与风险管理系统的输入。教育评估与社会筛选之间的边界将被削弱。学习者将同时呈现为学生、未来劳动者、借款人、患者、公民、消费者和风险对象。
这将侵蚀教育所预设的独立自我。自由主义教育主体被想象为能够反思、发展、犯错、修正、保有隐私并进行自我书写的人。这样的人需要拥有让思想在被捕获和评估之前得以发展的空间。它还要求人们能够改变,而不会使此前的每一项行动都成为持久的行政证据。当学习环境变为持续的数据生产系统时,内在性的条件便会被削弱。
隐私必须被视为不止是遵守数据保护规则。对政策制定者而言,这意味着教育数据治理必须围绕发展性保护来设计,而不能仅围绕机构风险管理来设计。隐私是一种发展性和政治性条件。无法在不被追踪的情况下阅读、搜索、写作、实验、失败或质疑的学生,是在约束之下进入教育的。一个在儿童能够形成稳定自我之前便将其记录进永久档案的社会,会破坏其声称要教育的人类主体。
Neil Selwyn 关于人工智能与教育的研究具有启发性,因为它拒绝将学校中的人工智能视为仅仅是一个有关效率的技术问题的幻想。他强调教学的社会、情感、政治和制度维度,并警示不要将教育缩减为机器能够执行的功能 (Selwyn, 2019)。随着人工智能系统从辅助走向调节,这一关切变得更加紧迫。更迫切的问题在于:当人工智能系统将互动、努力、犹豫和错误转化为数据时,它们如何改变学习本身的性质。
UNESCO 的 2023 年《全球教育监测报告》关于教育技术的论述同样警告,技术采用可能会超前于证据、监管和公平保护措施 (UNESCO, 2023a)。这一警告至关重要,因为即便机构缺乏明确的治理、教师支持、隐私保护或学习收益证据,在教育中采用人工智能的压力也很可能加剧。结果不会是向智能教育的平稳过渡,而将是在制度压力下的不均衡采用:脆弱学习者将首先暴露于低质量自动化和薄弱保障之中。
人工智能在教育中的兴起加剧了这一关切,因为机器调节的个性化需要数据提取。一个系统越是声称了解学习者,就越必须捕获学习者的信息。在某些情境中,这可能支持学习。在另一些情境中,它可能将监控常态化为关怀。一个在受保护、富有人际支持的教育环境中使用人工智能的富裕学生,可能会将个性化体验为能动性。一个被分配给自动化补救、风险评分、行为监控或预测性干预的贫困学生,则可能将个性化体验为分类。同一套技术词汇可以掩盖截然相反的社会功能。
这一差异十分重要,因为人机整合将产生社会影响。在精英群体中,整合很可能通过个人人工智能系统、认知助手、健康优化工具、神经接口、自适应环境、合成导师,以及嵌入财富、隐私、流动性、人类导师支持和制度保护等更广泛条件中的决策支持系统来扩展能动性。在贫困和处境不稳定者之中,整合则更常呈现为规训形式:生产率监控、自动化福利控制、欺诈检测、补救系统、日程分配、身份验证和合规仪表板。特权群体可以利用机器扩展选择;下层阶级则可能日益由替他们作出选择的机器加以处理。
未来将对那些其人性对系统最为可见、却最少受到权利保护的人造成最大的伤害。他们将被持续知晓、被有条件地帮助、被自动纠正,并被剥夺不可见性。他们不会处于教育之外。他们将身处教育之中,被教育衡量,并通过教育而受到归责。
气候作为教育的物质条件
气候变化通常被作为课程、素养或公民责任的问题引入教育。2030年之后,这一框架将失效。气候是学校教育和机构存续的物质条件。联合国儿童基金会估计,2024年气候灾害在85个国家至少扰乱了2.42亿名学生的学习;热浪是影响最大的单一灾害,估计影响了1.71亿名学生(UNICEF, 2025)。高温、烟霾、洪水、干旱、疾病、粮食不安全、流离失所、基础设施失效和保险撤离,将影响校历、设施、交通、人员配置、出勤、公共财政和社区连续性。气候与AI正在汇合为教育的未来。AI压缩认知、劳动和治理。气候则破坏基础设施、地方与连续性。二者共同冲击了使现代学校教育得以成立的假设:稳定的机构、可预测的校历、面向未来的证书价值以及代际连续性。
AI与气候并非沿着彼此分离的轨道运行。先进计算依赖电力、水、芯片、冷却系统、电网容量和土地。这为无摩擦加速的幻想创造了一个生物物理学限制。国际能源署预测,到2030年,全球数据中心的用电量将增加一倍以上,达到约945 TWh;与此同时,美国能源部报告称,美国数据中心负荷在过去十年中已增长两倍,并且到2028年可能再次翻倍或增长至三倍(International Energy Agency, 2025; U.S. Department of Energy, 2024)。AI或许会加速认知与行政管理,但它也与能源系统、水系统、供应链和气候适应的物质限制发生碰撞。
未能实现气候目标,将把减缓与适应推入不平等且往往不足的条件之中。IPCC指出了适应的限度,并强调随着减缓、融资、制度权力和政治行动不足,气候风险将不断升级(Intergovernmental Panel on Climate Change, 2023)。较富裕的社区将通过基础设施、保险、流动性、私人服务和政治影响力购买韧性。较贫困的社区将被要求变得有韧性,却缺乏韧性所必需的资源。学校将因此承受环境压力的后果,却无法控制分配脆弱性的系统。
这再次揭示了教育化的局限。气候素养或许有助于学习者理解生态系统、排放、风险与责任,但知识本身无法弥补失败的住房政策、薄弱的基础设施、掠夺性的土地利用、不充分的公共卫生系统或政治不作为。教育可以促进适应,但不能替代适应。向人们传授危机知识,无法保护他们免受持续制造危机的系统之害。
未来的学校或许需要较少地作为内容传递机构运作,而更多地作为社区生存系统中的节点。这意味着需要对教育基础设施作出更广泛的理解。食物、水、降温、健康、通信、交通、心理支持、地方修复、公众信任与互助,可能会变得与学习不可分割。继续将气候视为一门学科而非一种条件的教育系统,将误解这一问题。
将学校视为气候韧性基础设施,并不意味着将气候危机教育化。它意味着拒绝让学校独自应对危机。只有当学校获得资金、人员配置、保护,并与卫生、住房、能源、交通和应急管理系统相连接时,它们才能作为连续性、降温、通信、照护和地方适应的公共节点。缺少这些支持,气候韧性就会成为又一种强加给本已脆弱机构的不可能负担。
气候失效也改变了教育公平的含义。当一些社区反复遭受学习所需基本条件的中断时,公平不能被简化为获得设备、课程或证书的机会。问题在于,教育系统能否在环境压力下维持连续性、尊严与能动性。它要求气候课程、与社区治理相连的气候韧性机构,以及物质支持。
主导性的未来将是残酷的,因为儿童将被要求在未能保护他们的系统中学习韧性。学校将因适应而受到赞誉,同时却吸纳高温、烟霾、饥饿、流离失所、焦虑与基础设施衰败。大学将发布可持续发展计划,同时为学生进入仍然围绕攫取而组织的经济体作准备。这一矛盾将变得难以掩盖。
GEFRI有助于阐明各系统吸收这种压力的程度何其不均(Education Futures, 2026)。此处的相关要点体现在其揭示的模式中:面临最严峻气候、人口和财政压力的一些系统,往往最缺乏经测量的准备来吸收这些压力。因此,气候同时将教育不平等转化为基础设施问题、治理问题和融资问题。
气候还改变了知识游牧能力得以行使的物质条件。跨情境的知识创造不应被误认为是无摩擦的流动性。它依赖于日益脆弱的物质基础设施:电力、降温、宽带、交通、公共空间、健康与照护。在气候危机中,流动性只有在被锚定时才能存续。未来的知识游牧者并非一个在平台之间自由移动的无重量数字劳动者。未来的知识游牧者需要具有韧性的地方锚点:图书馆、学校、合作社、社区网络、避暑中心以及公共基础设施;这些设施使流动成为可能,而不必放弃地方。
缺失的中间层
教育主权不能仅依赖国家行动或地方韧性。国家可能滞后、失灵,或强加以安全为导向的技术治理体系。地方社区或许能够构建关怀、延续性、注意力与信任,但它们很少拥有独自对抗平台垄断所需的法律、技术或财政力量。这暴露出当前教育治理中缺失的一个层次:能够汇聚学校、图书馆、大学、工会、市政机构和社区组织能力的公民中介机构。
这些中介机构不应被视为现成的解决方案。许多此类机构尚未以必要的规模存在。另一些虽已存在,却缺乏稳定资金、技术人员、法律授权、民主治理机制,或缺少免受供应商俘获的保护。若构建不当,缺失的中间层将成为一条更高效的、通过设计制造依赖的采购管道。若没有能够立于国家失灵、市场力量与地方耗竭之间的机构,教育主权不太可能存续。
图 5
缺失的中间层
缺失的中间层只有在汇聚力量时才具有作用。仅为学校提供咨询的中介机构仍只是象征性行动者。能够汇集采购、发布共同合同条款、认证工具、资助维护、支持迁移并协调集体退出的中介机构,则可以改变学校和社区的议价地位。其力量既是经济性的,也是道德性的:它将分散的机构转化为一个谈判集团。
缺失的中间层不必从零开始构建。它可以由已经掌握部分公共信任、技术能力、采购权力和地方合法性的机构组合而成:图书馆联盟、区域教育合作社、公立大学推广网络、教师工会、认证机构、市政契约、州采购协作组织,以及公益技术团体。挑战在于,将这些碎片连接为具备足够权威、资金和反俘获设计的结构,使其能够采取行动。
在实践中,这一中间层可以采取多种形式:共享采购与技术人员的区域合作社;支持评估和数据治理的大学—公立学校契约;提供公民技术支持的图书馆系统;就 AI 使用与监控限制进行谈判的工会和专业机构;维护开放工具的公益技术信托;执行公共标准的认证机构;以及协调学校与应急管理、卫生、交通、降温、食物和通信系统的市政或区域契约。
实际检验标准在于:一个中介机构能否行使反制力量,而非仅仅召集讨论。
表 6
地方行动者与系统层面力量之间的制度缺口
| 中介力量 | 影响 |
|---|---|
| 汇集采购 | 将孤立的购买者转化为一个谈判集团。 |
| 共同合同条款 | 使审计权、数据限制、互操作性和退出权成为标准而非例外。 |
| 公益认证 | 识别符合公共标准的工具,并揭示不符合标准的工具。 |
| 维护资金 | 防止开放基础设施因被弃置而崩塌,并避免再次陷入供应商锁定。 |
| 技术审查能力 | 汇聚稀缺专业知识,使每所学校不必被期待独自审计系统。 |
| 迁移支持 | 通过帮助机构转移数据、记录、工作流程和培训,使退出成为现实可行的选择。 |
| 公开报告 | 对供应商和机构形成声誉与政治压力。 |
| 集体退出 | 使学校能够共同而非单独离开有害系统。 |
不应夸大这些力量。公民中介机构无法击败地缘政治封闭化,无法替代国家层面的监管,无法使贫困的系统变得富裕,也无法仅凭道德呼吁就获得超越全球科技公司的杠杆力量。它们更现实的作用在于:降低协调成本,使依赖关系可见,使不良合同更难被隐藏,汇集学校无力独自承担的专业知识,并创造足够的集体压力,从而使公共机构、监管者和资助方拥有可供支持的有组织对象。
防止俘获的设计
如果缺乏反制度俘获设计,公民中介机构可能成为一种更高效的、通过设计制造依赖的采购渠道。关键不仅在于在学校与供应商之间建立一个组织,更在于建立一种公共利益结构,使其比孤立行动的机构更难被俘获。
表 7
公民中介机构的反俘获保障措施
| 俘获风险 | 最低保障措施 |
|---|---|
| 供应商俘获 | 利益冲突规则、离职冷却期、公开披露与供应商的关系,以及限制由供应商资助者担任治理角色。 |
| 采购俘获 | 通用合同条款、公开招标、公共合同资料库,以及公布工具选择的理由。 |
| 技术俘获 | 独立审查小组、开放标准、在可能情况下开展可复现审计,以及评估职能与销售职能相分离。 |
| 民主俘获 | 教育者、学习者、家庭和社区代表应拥有实质性投票权,而非仅具咨询地位。 |
| 使命漂移 | 公共利益章程、终止日审查、年度公共问责报告,以及退出违反教育主权的合作关系的明确标准。 |
| 基础设施衰退 | 专门的维护资金,而不仅是试点资金或短期拨款。 |
| 安全俘获 | 对与执法机构、移民系统、军事承包商或国家安全机构共享数据设定明确限制,除非透明的法律程序要求共享。 |
建设这一层本身就是一项政策挑战。中介机构需要资金模式、公共利益章程、利益冲突规则、教育者和学习者代表、开放标准、公开报告、技术人员、代表参与机构进行谈判的权力,以及可执行的反俘获保障措施。缺少这些条件,缺失的中间层就会变成又一行政层级、又一供应商渠道,或又一无资金支持的授权任务。
在地缘政治性的技术栈封闭之下,这一缺失的中间层同样重要。教育主权不应被混同为完全的技术自给自足。学校无法退出全球半导体供应链、云计算地缘政治或国家网络安全体制。然而,它们仍可在教育实际运作的层面争取权威:采购、数据保留、评估系统、平台选择、学习者档案、教师监控、正当程序、地方基础设施以及人的形成。具有透明治理、安全标准、审计轨迹和公共问责机制的公共利益联盟,更有可能在国家和区域技术体制之中保护地方教育权威,但即便如此,这种保护也并不确定。在安全驱动的数字环境中,地方主权将较少依赖孤立的试验,而更多依赖于仍有待建设、捍卫和资助的联邦式公共利益基础设施。
社区行动仍然不可或缺,但不应被浪漫化。无屏学习空间、以图书馆为基础的支持、地方作品档案和互助网络,能够在人们遭遇扰乱期间维持其学习、安全与联结。它们建设的是生存能力。但它们本身并不能创造审计平台、谈判合同、捍卫权利或替代企业基础设施所需的反制力量。教育主权既需要生存能力,也需要反制力量。不能要求社区取代国家,也不应援引公民中介机构,仿佛它们已经解决了这一问题。本白皮书的主张有限但务实:若要使教育主权不止于一种愿景,就必须审慎地建设、资助和治理这一中间层。其杠杆作用在于使集中式控制在操作上代价高昂,并使民主治理在操作上切实可行。
这将带来哪些变化
2030年后的教育议程必须从治理开始,而不是从技术采用开始。AI采用在成为采购问题之前,首先是一个权威问题:任何系统都不应在缺乏关于可审计性、正当程序、数据最小化、人工审查和有意义退出机制的明确规则的情况下,将AI嵌入学习、评估、咨询或行政管理之中。相关的政策检验很简单:某项工具是否在设计上加深依赖,还是扩大学习者和社区的能动性?
未来准备不能被简化为与劳动力市场的对接。学校、大学和教育部需要追问,学习者是否正在获得判断力、隐私、广泛的培养,以及在预测失灵时采取行动的能力。脱离再分配、劳动者发言权、集体谈判权利和公益技术治理的技能重塑政策,会将结构性替代个体化。教育中的气候政策不能止步于素养或意识。学校和大学需要作为韧性基础设施,为照护、连续性、降温、食品、健康、通信和地方适应提供支撑。
其政策含义是务实的。当机构采用这些系统时,它们必须能够理解这些系统如何运作,限制所收集的数据,并在相关安排不再服务于自身时退出。资金模式必须保护广泛的培养,而非仅保护短周期培训。社区需要的不只是决策作出后的咨询。它们需要对目标、数据、评估和机构红线拥有权威。
眼前的危险在于,将活动误认为准备就绪。AI试点、微证书战略、个性化学习平台、就业能力仪表板和气候素养课程,都可能呈现出面向未来的表象,同时却加深了未来要求教育抵制的同一种依赖。没有治理、再分配、隐私、劳动权力和制度韧性,这些举措就会沦为受管控适应的预演。
通过测量实施治理
教育离不开测量。公共系统需要关于学习、排斥、气候脆弱性、基础设施脆弱性、AI 使用、劳动影响、公共支出、隐私风险和制度能力的证据。没有证据,依赖关系就会被隐藏。学校无法治理其看不见的系统。
当测量成为治理逻辑而非公共判断的工具时,危险便随之而来。教育数十年来一直面临这一问题:考试分数成为目标,排名重塑制度行为,审计系统奖励能够被记录的内容,而仪表板使某些形式的伤害可见,同时将另一些形式排除在视野之外。坎贝尔定律和古德哈特定律指出了这一基本问题:当指标成为决策、资金分配、排名或惩罚的工具时,个人和机构会学会优化指标本身,而非其所服务的根本目的 (Campbell, 1979; Goodhart, 1975)。关于审计文化和排名的研究表明,测量系统能够重塑那些它们声称仅仅是在描述的机构 (Power, 1997; Espeland & Sauder, 2007)。在教育领域,Biesta 警告说,测量的兴起可能会取代关于教育目的、价值和民主判断的更困难问题 (Biesta, 2010)。
这正是为何测量必须与教育主权相联系。更困难的问题涉及:谁决定何者重要,谁拥有数据,谁能够质疑解释,会产生何种后果,以及哪些形式的人类发展应受到保护,免于被简化为信号。测量可以揭示依赖,但也可能加深依赖。学习者档案可以帮助协调支持,也可以成为永久性的行政阴影。气候准备指数可以引导投资,也可以成为一种将脆弱系统归咎于其未曾造成之条件的方式。AI 仪表板可以改善监督,也可以将监控常态化为关怀。
应当像谨慎测量绩效一样谨慎测量依赖,但不能将主权变成一个分数。机构和供应商会很快学会表演合规。一所学校可能报告其使用开源工具,却仍依赖专有云基础设施。一家供应商可能围绕一个攫取性系统出售一层符合主权要求的包装。一个部委可能按依赖程度对机构进行排名,却忽视造成这种依赖的政治和财政条件。因此,对依赖的测量应服务于诊断、公共审议、采购审查和制度学习,而不应作为排名系统或惩罚工具。其目的在于揭示权威在何处丧失,机构是否能够审计并退出有害系统,以及恢复控制需要具备什么条件。
检验标准在于,测量是否增强公共权威,还是仅仅提高可见性。如果它帮助机构治理、质疑、退出和修复,它就应属于教育主权议程。如果它为学习者无法质疑的系统制造合规信号,它就属于分类机器的一部分。
教育主权
教育主权是学习者、教育工作者、机构和社区对学习发生所依赖的目的、基础设施、数据、技术和评价系统进行治理的权力;它包括对监控和攫取设定限制、保留退出有害安排的权利,以及建设公共替代方案的能力。当教育的核心基础设施由外部主体拥有时,教育便失去公共权威。这是一种设计使然的依赖关系,即数字圈地的一种形式:学校和大学沦为其无法检查、改变、退出或治理的系统的使用者。
对于许多系统而言,技术依赖同样遵循一种殖民模式:数据向外流动,基础设施由外部主体拥有,标准在外部设定,而本地机构只能适应它们既未设计、也无法治理的系统(Ahmed, 2026; Moravec, 2026)。在有关 AI、殖民性与教育主权的早期研究中,Moravec (2026) 描述了平台权力进入教育的四条路径:基础设施、分类、认识论和劳动。基础设施指云服务合同、锁定式采购和由供应商控制的技术栈。分类指预测、检测、评分、语言规范和风险标签。认识论指安全层、排序系统和模型行为塑造何种知识被视为正当知识的方式。劳动指教育工作者和学生以公共时间稳定私人系统时所从事的无偿修复工作。这些路径使依赖关系具体化。当教育的基础设施被租用、其学习者由其无法审计的系统进行分类、其知识在外部被过滤、其劳动被用于降低私人产品的风险时,教育便变得更不具主权。
这将 AI 的核心问题从采用转向权威:谁控制这些系统,谁审计它们,谁拥有数据,谁界定正当知识,谁从自动化中获益,谁承担伤害,以及谁有权提出异议、修改或退出。一个缺乏这些形式的权威却使用 AI 的学校系统,可能在变得更高效的同时,也变得更缺乏主权。
素养仍然是能动性的前提,但教育主权始于素养获得制度性力量之处:即学习者和机构能够治理、质疑、修订并退出他们所理解的系统之时。
表 8
教育主权的领域
| 领域 | 主权问题 | 2030 年后的影响 |
|---|---|---|
| 课程 | 谁决定何种知识重要? | 社区需要拥有界定超越劳动力市场匹配之目的的权威。 |
| 数据 | 谁拥有、访问、删除并从学习者数据中获益? | 数据最小化、同意、删除权和本地控制成为教育保障措施。 |
| AI 系统 | 谁能够检查、审计、质疑、修订或退出自动化系统? | 采购必须维护公共权威,而非将治理权转移给供应商。 |
| 教师劳动 | 谁解释学习并行使专业判断? | 教师不得被降格为自动化教学的监控者。 |
| 证书 | 谁界定有效的学习证据? | 作品集、公共信任和广泛养成不得被狭隘的平台信号所取代。 |
| 气候韧性 | 谁保护学习的物质条件? | 学校成为保障连续性、关怀与适应的公民基础设施。 |
| 工作 | 谁攫取学习和技术所创造的价值? | 知识游牧能力必须与谈判能力、合作性基础设施和社会保护相联系。 |
这些回应是关于权威的主张,而非技术修补方案。教育主权追问的是:学习者和社区是否对那些界定学习、衡量发展、分配机会并确立何种知识形式被认可的系统拥有实质性的权力。
教育主权提供了使知识游牧能力不仅仅成为个人适应力的结构性框架。它赋予学习者、教育工作者、机构和社区在既有系统和路径失效时采取行动所需的集体权威。
知识游牧能力应当置于教育主权之内,而非其边缘。只有当流动性受到可携带权利、公共基础设施、社会保护、谈判能力和合作社所有权的保障时,它才具有解放性。缺乏这些支持,流动性便会坍缩为可弃置性。
教育主权的运作机制
教育主权(educational sovereignty)意味着治理、限制、退出和建设的权力。社区无法仅凭愿望来治理系统,尤其是在供应商拥有基础设施、国家控制资金、而学校缺乏技术人员、法律支持和议价能力的情况下。主权取决于能够写入法律、合同、预算、认证规则、采购标准、劳动协议和公共基础设施规划的杠杆。
图 6
教育主权(Educational Sovereignty)
国家行动至关重要,因为只有法律、公共资金、劳动保护、采购规则和监管,才能在规模上约束强大的供应商。但公共权力并不天然具有民主性。同一个为权利和基础设施提供资金的国家,也可能集中数据、施加安全驱动的技术治理体系,并将地方反对视为失序。因此,教育主权(educational sovereignty)不能仅仅依赖一个仁慈的国家。机构和社区可以通过制定地方规则、谨慎选择工具、保护注意力、限制数据攫取、保留人类判断、建立共享记录、创建低设备依赖空间,以及发展符合公共利益的替代方案,来构建部分主权。地方行动不能取代公共责任,但可以在更大规模的政治斗争持续进行之际减少依赖。
表 9
教育主权(Educational Sovereignty)的运作机制
| 层级 | 可采取的行动 |
|---|---|
| 国家 | 法律、资金、采购规则、数据权利、劳动保护、反垄断、公共基础设施、气候韧性资金。 |
| 公民中介机构 | 联合采购、供应商审计、符合公共利益的技术支持、开放基础设施、示范政策、工具认证、法律模板、安全审查和共享技术人员。 |
| 机构 | 供应商标准、AI 使用规则、数据最小化、人工审查、评估保护、低设备依赖的学习空间、退出条款、工会协议。 |
| 社区 | 学习公地、以图书馆为基础的支持、家长—教师数据协议、地方档案袋、合作式技术支持、气候互助、无屏学习空间。 |
这些层级彼此不同,通常不能相互替代。社区无法取代公共资金,也无法独自监管全球平台。机构在作为孤立买方行动时,无法进行公平谈判。若国家缺乏技术专长,或默认采取安全驱动的统一化做法,也无法保护教育主权(educational sovereignty)。本文提出公民中介机构是作为缺失的中间层(missing middle),而非有保证的解决方案。其作用在于汇集专长、合法性、议价能力和基础设施,使学校和社区不被迫孤军作战。建设这类机构,是 2030 年后教育尚未解决的制度性任务之一。
公民中介机构处于公共权力与国家控制之间的张力之中。其作用并非取代国家,而是使公共权力更加分布化、可争议,并且更难被供应商或安全机构所俘获。它们通过汇集实施能力、专业合法性、公共报告、法律挑战、采购专长和社区信任来迫使对方让步。一个安全驱动的国家可以强制实施集中化系统,但仍然需要教育工作者、学校、市政当局、家庭、记录系统和地方基础设施,才能使这些系统具有合法性并切实可行。公民中介机构在将这些实施节点组织成一个集团时获得杠杆。
教育主权(educational sovereignty)不能意味着要求每所学校独自检查深度学习模型、谈判云服务合同,或维持技术审计团队。那将再生产本报告所批评的同一种负担转移。技术、法律和采购负担必须被汇集。学校和社区需要可执行的选择,而不是不可能的期待——即每个机构都能独立掌握其正被施压采用的系统。
因此,主权的运作机制取决于共享能力。当教育机构共同行动时,它们便获得了杠杆:共同采购、设定共同条款、共同拒绝不良条款、共同维护替代方案,以及共同退出有害系统。单个学校的议价能力可能很弱。拥有共享标准、法律模板、技术审查和迁移支持的网络,则能够改变采用的条件。
表 10
治理杠杆与分布式责任
| 杠杆 | 作用 | 五年行动 |
|---|---|---|
| 公共采购规则 | 防止公共教育通过供应商合同让渡权力。 | 要求审计权、数据最小化、互操作性、终止权、模型文档,以及禁止对学习者数据进行隐蔽的二次使用。 |
| 算法正当程序 | 保护学习者和教育工作者免受其无法挑战的自动化决策影响。 | 对用于评估、分流、纪律处分、咨询、资助、招聘或风险分类的 AI,要求提供通知、解释、人工审查、申诉权和独立审计。 |
| 学习者数据权利 | 防止学习历史沦为由他人控制的永久行政档案。 | 保障访问、更正、删除、可携带性,以及对数据保留和再利用的限制。 |
| 公共数字基础设施 | 降低对私有平台作为学习默认架构的依赖。 | 资助开源、符合公共利益且可互操作的工具,使学校能够检查、调整并退出这些工具。 |
| 劳动治理 | 赋予教育工作者对改变教学、工作负荷、监控和专业判断之工具的权力。 | 将 AI 采用、工作负荷规则、监控限制、评估自动化和教师审查权纳入劳动协议和机构政策。 |
| 气候韧性资金 | 防止气候适应成为又一项无资金支持的学校任务。 | 为降温、空气质量、紧急通信、食品连续性、交通、心理健康支持和跨机构韧性计划提供资金。 |
| 反锁定标准 | 保留退出有害或过时系统的能力。 | 要求开放标准、数据导出、API 访问、合同可移植性以及对关键记录的公共所有权。 |
| 公共 AI 能力 | 防止教育部和学校系统依赖供应商的主张。 | 建立能够评估模型、审计系统、谈判合同和支持学校的公共技术团队。 |
| 认识论审计与多元知识治理 | 防止教育系统将主导性数据集、语言、基准和分类法视为普世知识。 | 要求数据集文档、基准审查、地方语言测试、课程与文化审查、教育工作者和社区监督,以及就哪些知识被呈现、排除或扭曲进行公开报告。 |
教育主权(educational sovereignty)还需要认识论权威。一个系统可以是开放的、可审计的和本地托管的,同时仍然再生产嵌入其数据、基准、语言模型和分类方案中的知识等级。关于全球教育中生成式 AI 的近期研究警告称,模型可能再生产西方文化假设、边缘化非主导语言,并将原住民或地方知识系统扁平化(Nyaaba et al., 2024; UNESCO, 2025c)。对大型语言模型的研究也显示,文化偏见和基准设计缺陷持续存在,尤其是在评估忽视文化和意识形态规范时(McIntosh et al., 2024; Tao et al., 2023)。因此,公民中介机构不仅需要技术审查能力,也需要认识论审查能力。它们应能够追问:谁的知识得到呈现,谁的语言被贬损,谁的历史被扁平化,谁的劳动被当作训练材料,以及谁的认知方式被隐形化。若缺乏这种能力,教育或许能够保障管道,却会让底层的知识等级原封不动。
只有在责任得到分配时,这些杠杆才会具有可信度。国家设定权利和资金条件。公民中介机构汇集专长和议价能力。机构设定教育要求和不可逾越的底线。社区提供合法性、地方知识和问责。学校不应被期待独自承担技术负担。
教育主权(educational sovereignty)还将受到地缘政治技术栈封闭化的制约。未来互联网不太可能仍然是一层中性的全球基础层,地方机构只需在其上选择工具。数字主权、数据本地化、网络安全政策、出口管制、云依赖、AI 模型访问和国家安全关切,已经在将数字环境分裂为相互竞争的集团。对于教育而言,平台、课程、数据系统和 AI 工具可能成为地缘政治影响力的工具,同时也是学习基础设施。地方主权固然重要,但它将在国家和区域技术治理体系之内运作;这些体系决定了哪些工具可用、合法、可获资助且安全(Musoni et al., 2023)。
这些杠杆并不能解决每一个结构性问题。它们创造了教育主权(educational sovereignty)得以成为可能的最低条件。没有这些条件,地方活力将停留在象征层面,知识游牧能力(knowmadic capacity)将变得岌岌可危,公共机构则将继续适应其无法治理的系统。
结论
准备的崩塌并不意味着教育没有未来。它意味着,教育不能再通过承诺与制度无法可靠想象的未来实现稳定对接来证明自身的正当性。它的任务变得更加困难,也更加具有政治性:当预测失效时,保护人们能够思考、判断、创造、归属、争辩和行动的条件。
如果机器能力的变化速度可以快于课程、证书、资格认定和职业路径,那么教育就无法通过预测下一组稳定的技能来保障未来。它更为持久的任务是发展知识游牧能力:当既有路径消失时,学习、判断、创造、协作、建立关系、整合知识并开辟新路径的能力。教育主权提供制度条件,使这种能力成为能动性,而非又一种要求永久适应的诉求。
2030年之后教育的未来,不会由工具的复杂程度所驱动。它将取决于学校、大学、社区、公民中介机构和公共机构能否治理它们所依赖的系统。主导路径指向缺乏权力的准备:自动化培训、平台控制、监控、地缘政治封闭、气候分流,以及对由他方治理的系统进行无休止的适应。另一条路径要求教育主权:治理、限制、退出和建设的公共权力。缺乏权力的准备,不过是对他人所偏好未来的适应。
附录:关键术语表
表 A1
关键术语表
| 概念 | 本报告中的工作定义 |
|---|---|
| 能动性的崩塌 (Agency collapse) | 一种状态:个人和机构保留形式上的选择权,却失去对塑造其生活的自动化基础设施、预测模型、数据系统、平台规则和分类体系的实质权威。当人们无法有意义地理解、质疑、修订或退出支配重大决策的系统时,能动性便会崩塌。 |
| 回归非数字化学习 (Analog retreat) | 在学习环境中限制屏幕、智能手机及其他形式数字媒介的运动。它可以保护注意力、隐私、童年和人的形成,但如果为一部分人保护了以丰富人际互动为基础的学习,而大规模教育却变得更加自动化,它也可能成为一种精英特权。 |
| 通用人工智能 (Artificial general intelligence, AGI) | 一个存在争议的门槛,指 AI 系统获得跨领域的广泛认知能力,而不再局限于狭窄任务。本报告不依赖于具体定义或到达日期。对教育而言,机器能力的变化可能快于课程、资格认证、职业标准和学位项目的调整速度。学习者还没完成学业,为预期中的认知工作所做的准备就可能已经贬值。 |
| 公民中介机构/缺失的中间层 (Civic intermediaries / the missing middle) | 能够在学校、大学、图书馆、工会、市政机构和公益技术组织之间汇聚技术、法律、采购、财务和政治能力的公共、非营利、专业或合作机构。它们构成国家权威、市场力量与孤立的地方机构之间缺失的一层,并能够提供行使教育主权所需的集体能力。 |
| 准备的崩塌 (Collapse of preparation) | 教育的传统承诺之瓦解,即机构能够让人们为足够稳定、因而能够被理解、预测和围绕其进行设计的未来做好准备。随着技术和制度变革加速,预测、课程设计、审批、教学、评估和认证的周期可能变得比其旨在应对的条件更慢。 |
| 反制力量 (Counter-power) | 改变谈判条件而非仅仅表达关切的实践能力。在教育中,它可以包括联合采购、共同合同条款、公益认证、维护资金、技术审查、迁移支持、公开报告、集体谈判,以及共同退出有害系统的能力。 |
| 设计性依赖 (Dependency by design) | 一种模式:教育在结构上依赖于它无法检查、修改、治理,或无法在不付出重大代价的情况下离开的系统。这种依赖通过基础设施、合同、专有平台、数据提取、标准、技术锁定,以及对关键教育功能的外部控制而产生。 |
| 数字圈地 (Digital enclosure) | 将教育权威、基础设施、数据、知识系统或决策权转移至私人或由外部治理的技术系统。它包括对云平台、专有模型、锁定性合同、数据基础设施和认证系统的依赖,而这些依赖会削弱教育共同体治理自身机构的能力。 |
| 教育新封建主义 (Educational neo-feudalism) | 一种分层的教育未来:广泛的人文形成、导师指导、隐私、技术增强和能动性受到精英群体保护,而大多数学习者则接受自动化培训、监控、合规系统和狭窄的劳动力市场准备。该术语指认的是一种可能的不平等教育发展模式,而非预测。 |
| 教育主权 (Educational sovereignty) | 学习者、教育工作者、机构和共同体所拥有的公共和集体力量,用以治理、限制、退出和构建学习得以发生的目的、基础设施、数据、技术和评价系统。它包括对监控和提取设定限制、保留人类判断、质疑自动化决策,以及在依赖变得不可接受时创建公共替代方案的权威。 |
| 殖民性的四条路径 (Four lanes of coloniality) | 数字依赖和殖民权力能够进入教育的四条路径:基础设施、分类、认识论和劳动。该框架追问:谁拥有教育系统,谁对学习者进行分类,谁的知识得到呈现或被边缘化,以及谁的劳动维护着受其他地方控制的技术。 |
| 人类滞后 (Human lag) | 技术、生态、劳动和制度变革的速度,与法律、治理、伦理、公共语言、课程、证书和集体理解的较慢步调之间不断扩大的差距。人类滞后描述这样一种状况:机构继续通过已无法跟上其试图治理的系统的类别和过程来行动。 |
| 知识游牧能力 (Knowmadic capacity) | 跨情境学习、创造知识、界定问题、行使判断、建立网络和共同体、跨领域整合知识、以能动性使用技术,并在既有路径发生改变或消失时构建新型工作和价值形式的能力。它不同于永久适应性,因为其目的不是持续对外部治理的系统保持有用,而是在不确定条件下行动和创造的能力。若缺乏可携带的权利、公共基础设施、社会保护、谈判力量和教育主权,知识游牧能力可能崩塌为不稳定状态。 |
| 缺乏权力的准备 (Preparation without power) | 一种政策陷阱:要求学习者、劳动者和机构变得更具适应性,同时却将工作、学习、数据、气候韧性和技术的基础设施置于外部控制之下。当面向未来的技能、技能重塑、终身学习、AI 素养、微证书、个性化、创新和劳动力对接以个人适应取代制度权威和集体能动性时,它们便成为缺乏权力的准备。 |
| 作为压力临界点的奇点 (Singularity as stress horizon) | 一种方法论视角,而非预测。它标示出准备模型的外部极限:技术、生态、劳动和制度加速超出个人和公共机构进行连贯想象、解释、治理和回应的能力的状态。即使没有发生技术奇点 (Singularity),这一概念依然有用,因为它揭示了教育规划如何在极端加速下失效。 |
参考文献
Acemoglu, D., & Restrepo, P. (2019). Automation and new tasks: How technology displaces and reinstates labor. Journal of Economic Perspectives, 33(2), 3–30. https://doi.org/10.1257/jep.33.2.3
Adorno, T. W., Frenkel-Brunswik, E., Levinson, D. J., & Sanford, R. N. (1950). The authoritarian personality. Harper & Brothers.
Ahmed, S. A. (2026). Algorithmic dependence and digital colonialism: A conceptual framework for artificial intelligence in education and knowledge systems of the Global South. Frontiers in Education, 11, Article 1720563. https://doi.org/10.3389/feduc.2026.1720563
Arendt, H. (1951). The origins of totalitarianism. Harcourt, Brace.
Autor, D. (2024). Applying AI to rebuild middle-class jobs (NBER Working Paper No. 32140). National Bureau of Economic Research. https://doi.org/10.3386/w32140
Biesta, G. J. J. (2010). Good education in an age of measurement: Ethics, politics, democracy. Paradigm Publishers.
Blacker, D. (2013). The falling rate of learning and the neoliberal endgame. Zero Books.
Bostrom, N. (2014). Superintelligence: Paths, dangers, strategies. Oxford University Press.
Brynjolfsson, E., Li, D., & Raymond, L. R. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044
Campbell, D. T. (1979). Assessing the impact of planned social change. Evaluation and Program Planning, 2(1), 67–90.
Copernicus Climate Change Service. (2025). Global climate highlights 2024. European Centre for Medium-Range Weather Forecasts. https://climate.copernicus.eu/global-climate-highlights-2024
Couldry, N., & Mejias, U. A. (2019). The costs of connection: How data is colonizing human life and appropriating it for capitalism. Stanford University Press.
Dator, J. (2009). Alternative futures at the Manoa School. Journal of Futures Studies, 14(2), 1–18.
Education Futures. (2025). 2025 GEFRI finds wide readiness gaps and a global innovation bottleneck. https://educationfutures.com/post/2025-gefri-finds-wide-readiness-gaps-and-a-global-innovation-bottleneck/
Education Futures. (2026). Global Education Futures Readiness Index (GEFRI). https://gefri.educationfutures.com/
Ellul, J. (1964). The technological society (J. Wilkinson, Trans.). Knopf.
Espeland, W. N., & Sauder, M. (2007). Rankings and reactivity: How public measures recreate social worlds. American Journal of Sociology, 113(1), 1–40.
Eubanks, V. (2018). Automating inequality: How high-tech tools profile, police, and punish the poor. St. Martin’s Press.
Facer, K. (2011). Learning futures: Education, technology and social change. Routledge. https://doi.org/10.4324/9780203817308
Foucault, M. (1977). Discipline and punish: The birth of the prison (A. Sheridan, Trans.). Pantheon Books.
Foucault, M. (2007). Security, territory, population: Lectures at the Collège de France, 1977–1978 (G. Burchell, Trans.). Palgrave Macmillan.
Fourcade, M., & Healy, K. (2017). Seeing like a market. Socio-Economic Review, 15(1), 9–29. https://doi.org/10.1093/ser/mww033
Giroux, H. A. (2014). Neoliberalism’s war on higher education. Haymarket Books.
Gmyrek, P., Winkler, H., & Garganta, S. (2025). Generative AI and jobs: A refined global index of occupational exposure. International Labour Organization. https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure
Goodhart, C. A. E. (1975). Problems of monetary management: The U.K. experience. Reserve Bank of Australia.
Hobsbawm, E. J. (1952). The machine breakers. Past & Present, 1(1), 57–70. https://doi.org/10.1093/past/1.1.57
Intergovernmental Panel on Climate Change. (2023). Climate change 2023: Synthesis report. Contribution of Working Groups I, II and III to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. IPCC. https://www.ipcc.ch/report/ar6/syr/
International Energy Agency. (2025). Energy and AI. https://www.iea.org/reports/energy-and-ai
Kurzweil, R. (2024). The Singularity is nearer: When we merge with AI. Viking.
Labaree, D. F. (2008). The winning ways of a losing strategy: Educationalizing social problems in the United States. Educational Theory, 58(4), 447–460. https://doi.org/10.1111/j.1741-5446.2008.00299.x
McIntosh, T. R., Susnjak, T., Arachchilage, N., Liu, T., Watters, P., & Halgamuge, M. N. (2024). Inadequacies of large language model benchmarks in the era of generative artificial intelligence. arXiv. https://arxiv.org/abs/2402.09880
Moravec, J. W. (2013). Knowmad society: The “new” work and education. On the Horizon, 21(2), 79–83. https://doi.org/10.1108/10748121311322978
Moravec, J. W. (2026). Beyond the digital enclosure: AI, coloniality, and the pursuit of educational sovereignty. Learning Futures and Emerging Technologies, 1–10. https://doi.org/10.1108/LFET-01-2026-0004
Morris, M. R., Sohl-Dickstein, J., Fiedel, N., Warkentin, T., Dafoe, A., Faust, A., Farabet, C., & Legg, S. (2024). Position: Levels of AGI for operationalizing progress on the path to AGI. In Proceedings of the 41st International Conference on Machine Learning (Vol. 235, pp. 36308–36321). PMLR. https://proceedings.mlr.press/v235/morris24b.html
Mulgan, G. (2018). Big mind: How collective intelligence can change our world. Princeton University Press. https://doi.org/10.1515/9781400888511
Musoni, M., Karkare, P., Teevan, C., & Domingo, E. (2023). Global approaches to digital sovereignty: Competing definitions and contrasting policy (Discussion Paper No. 344). ECDPM. https://ecdpm.org/work/global-approaches-digital-sovereignty-competing-definitions-and-contrasting-policy
Nyaaba, M., Wright, A., & Choi, G. L. (2024). Generative AI and digital neocolonialism in global education: Towards an equitable framework. arXiv. https://arxiv.org/abs/2406.02966
Nussbaum, M. C. (2010). Not for profit: Why democracy needs the humanities. Princeton University Press.
O’Neil, C. (2016). Weapons of math destruction: How big data increases inequality and threatens democracy. Crown.
OpenAI. (2026). Path to Astra: Critical capabilities and frontier safeguards. OpenAI.
Organisation for Economic Co-operation and Development. (2025). Education at a glance 2025: OECD indicators. OECD Publishing. https://www.oecd.org/en/publications/2025/09/education-at-a-glance-2025_c58fc9ae.html
Power, M. (1997). The audit society: Rituals of verification. Oxford University Press.
Selwyn, N. (2019). Should robots replace teachers? AI and the future of education. Polity Press.
Smeyers, P., & Depaepe, M. (Eds.). (2008). Educational research: The educationalization of social problems. Springer.
Srnicek, N. (2017). Platform capitalism. Polity Press.
Stanford Institute for Human-Centered AI. (2026). The 2026 AI Index report. Stanford University. https://hai.stanford.edu/ai-index/2026-ai-index-report
Tao, Y., Viberg, O., Baker, R. S., & Kizilcec, R. F. (2023). Cultural bias and cultural alignment of large language models. arXiv. https://arxiv.org/abs/2311.14096
UNESCO. (2023a). Global education monitoring report 2023: Technology in education: A tool on whose terms? UNESCO. https://www.unesco.org/gem-report/en/technology
UNESCO. (2023b). Guidance for generative AI in education and research. https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research
UNESCO. (2025a). Out-of-school rate. https://www.unesco.org/en/education/view/outofschool
UNESCO. (2025b). Smartphones in school? Only when they clearly support learning. https://www.unesco.org/en/articles/smartphones-school-only-when-they-clearly-support-learning
UNESCO. (2025c). Languages matter: Global guidance on multilingual education. https://www.unesco.org/en/articles/new-unesco-report-calls-multilingual-education-unlock-learning-and-inclusion
UNESCO. (2025d). What we stand to lose: The costs of children and youth not learning by 2030. https://www.unesco.org/en/articles/what-we-stand-lose-costs-children-and-youth-not-learning-2030
UNESCO Global Education Monitoring Report. (2026). Phone bans in schools are spreading worldwide as the policy debate rages. https://www.unesco.org/gem-report/en/articles/phone-bans-schools-are-spreading-worldwide-policy-debate-rages
UNICEF. (2025). Learning interrupted: Global snapshot of climate-related school disruptions in 2024. https://www.unicef.org/reports/learning-interrupted-global-snapshot-2024
United Nations Department of Economic and Social Affairs, Population Division. (2024). World population prospects 2024: Summary of results (UN DESA/POP/2024/TR/NO. 9). United Nations. https://desapublications.un.org/publications/world-population-prospects-2024-summary-results
U.S. Department of Energy. (2024). 2024 report on U.S. data center energy use. https://www.energy.gov/articles/doe-releases-new-report-evaluating-increase-electricity-demand-data-centers
Vinge, V. (1993). The coming Technological Singularity: How to survive in the post-human era. In G. A. Landis (Ed.), Vision-21: Interdisciplinary science and engineering in the era of cyberspace (NASA Conference Publication 10129, pp. 11–22). NASA.
Watters, A. (2021). Teaching machines: The history of personalized learning. MIT Press.
Williamson, B., & Eynon, R. (2024). Sociodigital futures of education: reparations, sovereignty, care, and democratisation. Oxford Review of Education, 50(3), 335–351. https://doi.org/10.1080/03054985.2024.2334495
Winner, L. (1980). Do artifacts have politics? Daedalus, 109(1), 121–136.
World Bank. (2022). 70% of 10-year-olds now in learning poverty, unable to read and understand a simple text. https://www.worldbank.org/en/news/press-release/2022/06/23/70-of-10-year-olds-now-in-learning-poverty-unable-to-read-and-understand-a-simple-text
Zuboff, S. (2019). The age of surveillance capitalism: The fight for a human future at the new frontier of power. PublicAffairs.
