高意識生成式學習：AIGC技術賦能的學習范式創新

祝智庭 戴嶺 胡姣

[摘? ?要] AIGC以開啟教育數字化轉型的新格局、創新多模態學習的新體驗、賦能人機協同的新智慧為教育領域帶來新的變革機遇，教育工作者亟須對這場即將到來的變革作全面冷靜的思考。文章旨在把握AIGC帶來的變革機遇，探索創新性的學習范式，引領教育數字化轉型和智慧教育發展。圍繞AIGC的生成特征和本質機理以及AIGC技術在教育中應用的實踐反思，文章通過探索其技術賦能的教育創變，提出高意識生成式學習是AIGC賦能未來學習范式的創新點，進而剖析AIGC諸多算法模型疊加和各要素間的關聯機制來明晰高意識生成式學習的內在機理和發展需要。文章認為，高意識生成式學習由五種要素構成：自主學習是高意識生成式學習的內驅力、自監督學習是高意識生成式學習的保障、思維技能是高意識生成式學習的關鍵、創新意識是高意識生成式學習的生命力、情感技能是高意識生成式學習的增強劑，五者共同構建了新學習范式的邏輯機理與實踐路徑。

[關鍵詞] 高意識生成式學習； 人工智能生成內容； 教育數字化轉型； 思維技能； 創新意識

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 祝智庭（1949—），男，浙江衢州人。教授，博士，主要從事教育信息化系統架構與技術標準、信息化促進教學變革與創新、技術賦能的智慧教育、面向信息化的教師能力發展、技術文化等研究。E-mail：ztzhu@dec.ecnu.edu.cn。

一、引? ?言

Science公布2022年十大科技突破，正值火爆的AIGC赫然在列。高納公司（Gartner）更是將AIGC列入2022年頂級戰略技術之一，《MIT科技評論》也將其歸為2022年突破性技術[1]。隨后，ChatGPT的問世將AIGC行業徹底點燃，吸引了眾多用戶、投資人和教育研究者。2022年可謂是AIGC的元年，AIGC被給予了無限的期待。人工智能技術推動AIGC行業不斷發展，其中模型結構的升級賦予了AI模型學習、歸納與創新能力，學習范式的更新賦予了AI模型主動學習能力。AIGC學習范式從基于規則的機器學習躍升到基于損失函數與梯度下降的大模型，模型自身可以對數據內容進行深度學習和生成創造。生成式學習概念由來已久，技術迭代帶來的應用和范式的進化是教育自我改革的一次重大機遇，教育領域應把握人工智能帶來的便利，推動大規模生成式學習的推廣和實施。生成式AIGC不僅直觀地展示出其洞見未來的諸多可能性，而且推動著新范式的形成、新文化的構建和新型學習型人才培養模式的誕生。對此，本研究擬探索AIGC的發展背景及其帶來的機遇和挑戰，提出高意識生成式學習的概念，并闡述AIGC賦能下高意識生成式學習的實踐路徑，為促進技術與教育融合、創新學習范式提供思路。

二、AIGC的發展背景及其帶來的機遇和挑戰：技術賦能的教育創變探索

AIGC獨特的智能模型能“理解”對話者的語義，并進行有效的反饋，達到“以假亂真”的程度，從之前的理解世界變為現在的生成世界。生成的內容和形式也得到空前的強化，引領人工智能走向“模型即服務（Model as a service）”的未來。那么，什么是AIGC，其演進歷程和技術特征如何，為何能引領學習范式的變革？

（一）AIGC的概念、演進和生成特征

1. AIGC的內涵解構

從概念本體的角度，人工智能生成內容（AIGC）是根據輸入指令通過人工智能算法模型對數據或媒體（圖像、音頻、視頻）進行生產、操控和修改的統稱[2]。從生產方式的內涵出發，AIGC是利用AI自動生成內容的生產方式，是繼PGC（Professionally-Generated Content）、UGC（User-Generated Content）、AGC（AI-assisted Generated Content）等由人主導的內容生成技術后，利用深度學習網絡等框架將內容的制作者從人或機構變成了AI[3]，從而實現模糊搜索到精準推送的躍遷。從內容發展的內涵來定義，AIGC是擁有和人類一樣生成和創造信息能力的AI技術，能基于訓練數據和生成算法等模型自主生成新文本、圖像、音樂、視頻等形式的內容，擁有抓取、分析、創造信息等價值意義[4]（如圖1所示）。

2. AIGC的演進和生成特征

AIGC技術的演進階段受技術發展的影響，累積融合生成算法、預訓練模型、多模態等AI技術，從而催生了AIGC的無限創造潛力和應用前景。系統回顧AIGC主要支撐技術的誕生和進化可知，AIGC的發展主要分為四個階段：早期萌芽階段（1957年—2014年）、沉淀積累階段（2014年—2017年）、漸變發展階段（2017年—2021年）、快速發展階段（2021年至今）。各階段轉折點代表性技術分別為：（1）2014年一經問世就被楊立昆（Yann Lecun）譽為“十年來機器學習領域最有趣的想法”的GAN（生成對抗網絡）[5]，并在短時間就發展為生成式學習的主流模型；（2）2017年，Google團隊提出的Transformer模型，基于Transformer模型，BERT、GPT-3、LaMDA等能引發AIGC技術能力發生質變的預訓練模型才得以建立；（3）OpenAI在2021年發布的跨模態深度學習模型（CLIP）推動了AIGC的內容多樣性、多模態發展，成為DALL·E2.0等突破性AIGC技術成果的基石。各階段形態和特征見表1。

（二）AIGC為教育領域帶來的發展機遇

1. 開啟教育數字化轉型的新格局

目前深入推進教育數字化轉型最基本的要素與首要瓶頸就是教育應用場景的限制，亟須技術賦能突破路徑依賴，創新應用場景。教育數字化不是簡單把數字技術疊加在已有的教育場景上，而要在人機有效融合上實現突破。雖然，教育具有比較明顯的路徑依賴特征，但AIGC多模態場景交互技術能突破既有制度限制，創新應用場景，有助于統籌推進“學—教—管—評—研”五大應用場景的數字化進程，將數字技術深度融入教學的全方位、全流程。在有限的校園區域創設無限的學習情境，在無垠的虛擬空間構建有效的學習場是教學環境建設的重要支撐點。學習空間的優化是教育應用場景的基礎，也是AIGC多模態應用教育領域的基本趨勢。基于多模態的特征，AIGC在教與學內容呈現、課堂環境管理、教學互動方面能靈活調整和升級原有方式，通過物理空間與虛擬空間相融合的學習環境，創設靈活多變的適應性環境，推動應用混合式教學的發展，打造以智能終端為學習載體的課堂并使之常態化，構建學生協作學習、個性化學習的網絡環境，滿足教師和學生多樣化的需求。多模態的人機交互方式能打造全面感知的校園環境，重塑教育形態，促進技術與學校全業務和教學全流程的深度融合，推動教學組織形態的轉變與優化，通過提供精準、便捷的校園數據支持，創建人人皆學、時時能學、處處能學的智慧教育服務空間。

2. 創新多模態學習的新體驗

作為基于GPT-3.5的對話式AI，ChatGPT的爆發式發展首次讓各行各界感受到了AIGC的強大魅力。隨后，AIGC火速擴展到數字建模、虛擬人物、場景構建、藝術創新等領域。AIGC不止于圖像和文本的生成，它的創作同樣也是多元化的，如音樂、視頻、編程等領域的生成技術在飛速沿革。教育的發展是一個因變量，通常來說是由若干個自變量推動的，多模態內容生成方式和交互方式則是推動教育發展最大權重的自變量。AIGC的出現，昭示著技術對教育影響的變革性突變點已經來臨。在ChatGPT4.0和更高版本的運行系統中，多模態會是用戶端交互的常態，例如：多模態升級交互體驗，實現“數字人”向“數智人”轉變等。隨著圖像、音視頻生成技術的突破，使得“元宇宙+教育”的應用場景能普及和落實到真切的教育情境中。人工智能將在根據用戶的需求實時創建生成式體驗方面發揮重要作用，AIGC讓人人都能創造自己的“元宇宙”。元宇宙是一個多元技術集合，包含了現存大部分互聯網技術，其中人工智能占據重要位置。AIGC技術的進化為元宇宙的普及和應用掃清了諸多障礙，走出了關鍵的一步。AIGC將會極大促進虛擬人和數字生命領域的進一步拓展，多模態化的生成空間將完善元宇宙的交互系統，類人化的對話機制和逼真的應用場景將為學習者提供極致的學習體驗。

3. 賦能人機協同的學習智慧

學習必須從獲得知識向獲得智慧進行升維，如何利用人工智能協同學習亦是一種智慧。人與人工智能的智慧提升是相互的，AIGC的正向發展必然有利于人類從當前煩瑣、重復的生活中解放自我，引導人類重新構建新的社會秩序，帶領人類進入更高階的智慧文明。隨著對人工智能研究的深入，制造者和學習者也在認識其意識和智能的過程中提升自我智慧。在教育領域，AIGC推動著教育理念、教育組織方式和教學運行方式的智慧化轉變，促使“工業化教育”向“智慧型教育”轉變，形成全新的跨班級、跨學科、跨學校、跨時空的學習共同體和人機協同的群智決策系統。根據智慧的層次結構模型，數據是基礎的現象和事實，需要由人歸類成為有意義的信息。信息則需要進行組織和聯系才能成為知識。在知識中獲得啟發，外推指導解決問題便形成智慧，這個過程中需要“洞察”來從知識中汲取智慧。智慧層次結構的頂層為智慧，而智慧的源頭是數據。由數據提煉為有意義的信息、探索知識間的相互聯系，最后逐層向上進化為智慧，這個過程就是智慧形成的機理。“洞察”的產生機理現在還是一個“黑匣子”，等待人類破解，但在ChatGPT4.0千億級的參數和龐大的算力下，冰冷的計算模型產生出了類人的“意識”和智能，這種“量變導致質變”“大力出奇跡”的操作也使得“黑匣子”的封印漸漸松動。可見，在AIGC的賦能下，人機協同的學習方式更能觸及智慧教育的本質。

AIGC賦能的學習智慧還體現在AIGC不是簡單的替代學習者，它拓展和改變了內容服務供給的結構和機制。適需服務是教育發展的本質特征之一，而AIGC時代最大的特點是創造需求與供給。從社會經濟學的角度來思考人工智能，本質上它是一個智能化的形態，是有創造力但沒有工資的非機器的智能形態。由于AIGC的迭代進化和大量使用，把原本經濟學中最簡單的“ABC”，也就是需求和供給的背后邏輯和“S（Saving）=I（Investment）”模型顛覆了。即投入產出比無限小，編輯成本無限小，以AIGC為主導的內容創新已經突破了生產力和勞動的邊界，生產的經濟周期的改變直接導致人才培養周期的改變。本質上，AIGC技術的最大影響在于能將整合和創造知識性工作的邊際成本降至零，以產生巨大的勞動生產率和經濟價值。正如互聯網實現信息傳播和復制的零成本，AIGC將會實現自動化內容生產的零成本，這一內容生產的范式轉變會重塑整個內容供需體系，給依賴于內容、信息生成和處理的行業帶來巨大影響。另外，其多模態應用場景僅是滿足人機交互的人類需求并不是其自身發展的需求，多模態只是其多維發展史中的階段性特征，可見AI具有不可想象的優勢。人類中心主義發展的狀態會因為AI、AIGC的發展而被徹底打破，通往人機協同智能為中心的發展即將到來。

（三）AIGC為教育領域帶來的新挑戰

以AIGC技術引領的新一輪數字化革命正飛速地重塑教育系統格局。ChatGPT的爆發式發展讓業界深感到AIGC的強大能量，其擁有超強的信息抓取能力、邏輯推理能力、自然語言處理能力以及內容生成能力，將生成式人工智能推向新的高度，實現人工智能從感知、理解世界到生成、創造世界的躍遷。目前，在技術創變的轉折點上，人文社會科學正面臨著第四次工業革命的沖擊，將迎來與新一輪信息技術革命的交叉融合趨勢，這種趨勢會推動人文社會科學學科研究范式等的演進與迭代[6]。

“生成式”是AIGC人工智能的內容產出特征，也是基于人工神經元網絡的深度學習的應用方向，可以理解為其“智能”的來源。紅杉美國2022年發文《生成式AI：充滿創造性的新世界》，認為AIGC的誕生代表新一輪范式變革的開始[7]。“范式”是常規科學所賴以運作的理論基礎和實踐規范[8]，是學科或行業內所共同遵從的世界觀和行為方式，能為科學共同體提供標準的理論框架與方法[9]。在學習領域，范式是一種符合人類學習基本規律和發展方向的學習理念，即被社會所承認的學習模式和思想框架。隨著生成式AIGC技術的出現，基于算法模型、知識圖譜、大數據的生成系統取得了超出意料的輸出效果，對學習范式和學習生態系統的改變產生重要的指導作用。AIGC所引領的學習范式的變革可以從以下三個方面探究其遞進迭代關系：本體論層面（學習形態）上，人機協同、虛擬現實交融、混合云學習、泛在學習、終身學習等趨勢正打破原有的學習場域和時空邊界，為學習范式創新提供條件和支撐；認識論層面（學習內容）上，核心素養、關鍵能力、社會情感能力、思維技能等已成為人工智能時代下學習者必備的生存條件；從方法論層面（學習策略）上，發現式、合作探索式、游戲化、碎片化、項目式等學習方式更能觸及學習本質和學習規律的掌握，既提高學習效率，又提升學生素養，適應智能時代社會發展的需求。近年來，學界對學習范式變遷的研究集中于情境學習、設計型學習、技能本位學習等，而以方法論為主導的生成式學習范式的創新亟須得到更多關注。

以互聯網、人工智能等為代表的數字技術將對教育產生革命性影響，但教育變革的過程往往復雜且緩慢。如何突破技術層面的一階障礙，發展新的學習范式，以培育適合未來社會和生活的人，是AIGC等技術發展對教育提出的新挑戰。

三、高意識生成式學習：AIGC賦能的

未來學習范式反思和探索

當從業者局限于AIGC所呈現出的技術表象時，一定要深入思考隱藏在人工智能冰山底下的人才、文化、環境的變化以及更深層次的價值理性和規范秩序，以免落入人和人類社會被機器所異化的困境?；谌斯ぶ悄芗夹g對教育領域的沖擊和對范式變革的促動，需要從一種嶄新、高緯度的視角來審視現存的教育方式，設計面向未來的教育舉措。

（一）生成式學習作為一種學習范式

1. 技術領域的生成式學習

在技術領域，生成式學習是一種機器學習的方法，它通過對數據的聯合分布進行建模來學習數據本身的特征和規律，并能夠根據模型生成新的數據。它能夠反映數據本身的分布信息，具有更強的泛化能力和表達能力，能夠處理更加復雜的語言任務。生成式學習在近幾年取得了令人矚目的進展。例如：使用GAN（生成對抗網絡）生成超真實的人臉圖片，使用GPT-2（自然語言處理模型）生成高水平的文章，使用MuseGAN（音樂生成模型）生成多軌道音樂等。目前，生成式學習已在很多場景中得到廣泛應用，如圖像生成、文本生成、語音合成、異常檢測等。

2. 教育領域的生成式學習

在教育領域，“生成式學習”也被稱為“生成性學習”。 Osborne和Wittrock認為，生成性學習是學習者在原有認知結構基礎上，與學習資源、環境、人員等因素相互作用，主動建構信息意義的過程[10]。也有學者指出，狹義的“生成性學習”是在預設的前提下，教師和學生自主構建教學活動的過程；而廣義的“生成性學習”則指向主體自身的學習思維和學習模式的生成性[11]。生成性學習理論認為，生成性學習過程是指學習者對重要信息進行選擇后，在工作記憶中將其組織成連續的新的心理表征信息，最終與先前知識整合并存儲在長時記憶之中[12]。學習者對新知識的理解， 通常是建立在已有的認知結構基礎上，即人的學習過程是主動建構的過程， 主動地接受或者摒棄信息， 并從中做出自己的推論。

具體來看，“生”即產生、出生，指事物從無到有，含有創造之意；“成”即形成、成果，強調事物的變化過程及其結果。生成式學習的“生成”包含兩層含義：一是非預設性，二是發展性?！吧伞北砻髡嬲膶W習是在活動過程中產生的，強調學習者個體的特征及其潛在的創造價值。生成式學習則是指學習者在面對一個問題時，能夠主動探索和嘗試，尋求高質量和創新性的問題解決方案。Fiorella和Mayer提出的“選擇—組織—整合”（SOI）模型[13]劃分了生成式學習的三個階段：選擇階段，學習者從感知外界的內容中選擇特定的信息；組織階段，這些信息在大腦已有的知識體系中流動，并可能構建出新的分支以解決不同的問題；整合階段，學習者將新信息整合到既存圖式中，使先驗知識能夠指導新知識的思考，并能對既存圖式進行調整和適配。

（二）高意識生成式學習：學習范式的創新發展

1. AIGC技術在教育中應用的實踐反思

隨著人工智能的飛速發展，人類正在加速邁向人工智能時代。在教育領域，先進的高新技術手段無疑能夠使教、學、管、測、評等各個方面產生巨大的變化，但也為教育提出了新的挑戰。對AIGC技術而言，其帶來的挑戰和問題可能有以下五個方面：第一，從人學的角度來看，便捷化和精準化的AIGC會消弭學生的自主能動性，使得學生過度沉迷于智能技術所帶來的新鮮感。這樣，學生的創造性、進取心等會被隱退和遮蔽，同樣也會導致學生身體和認知的隱退[14]。第二，技術的發展給教育帶來的最大沖擊就是學生評價的失衡。如今，人工智能能夠輕松擁有人類經過多年學習才能掌握的邏輯運算、語言表達、文章寫作、總結概括、虛擬假設等能力，當知識能被便捷調取并能基于知識形成解決方案時，必須發展新的評價工具、評價方式，也必須發展新的評價理論和哲學。學生在智能化時代需要學什么知識，教育該評價什么，如何評價學生真實水平，值得教育工作者深究。第三，只有基于真實師生關系的教育情境才是充滿愛和溫暖的，面向彼此心靈世界的互動才能稱之為好的教育，它帶有顯著的倫理性與精神性[15]。學生將解決問題的希望寄托于AIGC等技術上，導致學生對教師的依賴減弱。同時，AIGC技術的發展對教師的能力提出了更高的要求，教師的數字素養變成教師培養的重點指標。第四，AIGC生成的信息準確性和內容的正向價值觀還無法保證[16]，這將直接影響教育發展的歷史脈絡延續和學生的主體認知、價值觀。AIGC還會帶來數據泄漏風險和原創性知識的評判等挑戰。第五，由于國家間技術發展水平和知識語言體系的隔閡，跨國界、跨文化的數字治理難度進一步加大。若AIGC技術成為資本逐利的工具，有可能會進一步加劇全球區域間的教育差距，勢必影響全人類的共同發展。

人工智能的快速迭代進化已在知識記憶提取、分析運算、學習語言、解釋預測等方面體現出特有優勢。Genefe認為，世界是個多維的現實體，在低維度中充滿了無意識和斗爭，但在高緯度中充滿了美、極樂和圣賢[17]。面對步步緊逼的人工智能，人類不但需要以高意識來應對挑戰，還需要立足高意識來設計人類世界。

2. 高意識生成式學習的內涵闡釋

“意識”被視作衡量人工智能是否智慧的標準之一。Noam認為，人工智能和人類在思考方式、學習語言與生成解釋的能力，以及道德思考方面有著極大的差異，這類程序還停留在認知進化的前人類或非人類階段，它們最大的缺陷是缺乏任何對產生智慧至關重要的能力[18]。

什么是高意識？意識邏輯層次模型（Neuro-Logical Programming，NLP）由格雷戈里·貝特森（Gregory Bateson）提出，經羅伯特·迪爾茨（Robert Dilts）修改整理。NLP將意識分為六個層次，從下至上為：環境、行為、能力、信念價值觀、身份、精神愿景。在不同層次上思考問題，最終得到的答案和解決方案是不一樣的[19]。在NLP模型中，環境、行為、能力被稱為低三層，這是我們大多數人都可以抵達的層次，而信念價值觀（做某件事的意義）、身份（要有一個怎樣的人生，將如何實現生命的最終意義）、精神愿景（我與世界的關系，對世界的貢獻及影響）被稱為高三層，一般個人的最高（或者最深的）境界是第五層。目前，人工智能和人的差異便體現在低三層和高三層的區分。國內學者蔡曙山等將人類心智和意識分為神經、心理、語言、思維、文化五個層級[20]。在ChatGPT誕生前，人工智能已經在以計算和推理為主要思維和決策方式的領域超過人類智能，如今在AIGC技術時代，人工智能已經在第四層思維層級的認知上有能與人類智能相匹敵的趨勢，但在一些看似容易，但需要直覺、靈感、頓悟和創造性思維的領域，人工智能還有待升級。文化意識是五個層級中最高層級的認知形式，是以思維和文化為特征的高階認知，人工智能仍然不可企及。由此可見，人類需要在深意識，也就是高意識層級中強化自身的優勢，同時提前布局數字社會的文化建設，構建數字文明來引領人工智能的高度發展，從而實現人機共善并構建網絡命運共同體。

如何立足于高意識層級？高意識指的是一種高度的認知和理解狀態，與精神成長和精神啟蒙有關。Filipe將意識分為了六個關鍵形態，理解每個形態的定義和內容有助于學生達到高意識學習。第一層：意識到自己的生活（Life happens to you），能對經歷和遇到的事情做出反應，能規避某事；第二層：意識到生活由自己決定（Life happens by you），發掘自身的能力去控制生活，但也會導致壓力、焦慮和不滿；第三層：意識到生活由自己體驗（Life happens in you），發現自身能力的局限和事與愿違后，開始意識到生活是通過思想來體驗的，理解負面的情緒不是由事物所決定的，而是由自己的思想所引起的；第四層：意識到生活為你而生（Life happens for you），開始接受生活的波折并體驗生活，不再把它看作是一種需要塑造的東西，而是一種自然而然的生命體驗；第五層：意識到生活因你而起（Life happens through you），能明白生活中沒有平凡，每一刻都是獲得積極體驗的機會；第六層：意識到生活即自我（Life is you），人類意識的最終層次是在逐漸進化后才形成的，不斷地培養一種更開放、包容的生活態度，學生能將自己視為人類共同體的一部分，能肩負起人類的使命[21]。處于低意識層級，會使人對事物的看法變得狹隘，會將關注點局限于自身的生存發展，高意識則會超越自我利益和渴望，能對現實的本質有深刻的理解，能以更開放的心態對待世界。Filipe用六個簡單的介詞和動詞（to，by，in，for，through，is）區分出了意識的形態差異，并提出了培養同理心、高理解力、正念呼吸、正念冥想（Mindfulness Meditation）等策略來提升自身的意識層級（如圖2所示）。

基于上述分析，本研究認為高意識生成式學習是學習者在對新舊知識建立關聯的基礎上，立足于高意識層級，首先能提出問題、設定議題，利用技術和工具幫助調查問題空間、解法空間等，接著學習者能甄別、篩選信息，最后經過創新意識和思維技能（如邏輯、發散性、批判、設計思維等）重組和創生，構建出自己的作品的學習范式。高意識學習的核心為主體意識，圍繞主體意識有六個要素：問題意識、協同意識、審辨意識、價值意識、創造意識和愿景意識。高意識生成式學習具體可以分為三個階段：（1）定題階段，技術賦能問題空間調查；（2） 設計方案，技術賦能解法空間調查；（3） 測試評價，技術賦能檢驗。

四、AIGC賦能下高意識生成式學習的實踐路徑

高意識生成式學習不僅是生成式人工智能技術發展對學習范式的大規模創變，也是通往人工智能時代人機協同智慧教育的階梯和圖式。基于生成式人工智能學習機理圖示，進而剖析諸多算法模型疊加和各要素間的關聯機制，有助于明晰高意識生成式學習的內在機理和發展需要，即高意識生成式學習包含什么，該如何去做。

（一）自主學習是高意識生成式學習的內驅力

主動學習是機器學習中的一種數據策略，是指挑選有價值的數據進行標記和優先度排序，確定哪些數據對訓練監督模型影響最大，以便在任何給定的時間獲得最相關的數據，從而最大化模型性能。映射在學習中，主動學習是學生利用原有的認知結構和知識記憶，主動用腦進行信息加工的策略。知識工作者的時代，解決教育組織內部問題的主要著力點就是學生，根本途徑是激活、萃取學生的智慧。教育需要推動學生不斷建立學習的主體責任，引導學生從單一的外部輸入轉向兼顧內外輸出。所以，主動選擇信息并構建信息的意義是生成式學習的內驅力。

在以往的教育教學模式中，學生處于泛化的被動接受狀態，教育者忽視了學生對學習資源的理解與思考，從而導致學生不能將知識與社會、文化、實踐相結合。由于學習內驅力不足，學生會產生對學習的消極、敷衍和逃避情緒，因此，把自主學習能力培養融入學校教育之中，是教育教學的首要任務?？梢詮囊韵滤膫€方面培養學生的自主學習能力：第一，明確學習動機，掌握學習策略，形成個性化學習機制。第二，激發學生學習內驅力，引導學生進入學習的“自燃狀態”。古人云：“不憤不啟，不悱不發?！?“憤者，心求通而未得之狀也；悱者，口欲言而未能之貌也。”“自燃狀態”就是指學習個體在深度學習后逐漸達成的一種憤悱狀態。第三，優化教學資源、創新教學方式，提升學生學習興趣。第四，整體創設情境與任務，增強學生交流互動，從而培養學生的主動性，強化學習者的內驅力，激發學生的“自燃狀態”，實現學生的主體性。

同時，人機協同學習作為未來教育的基本特征，加快了人腦和人工智能的合成智商。AIGC作為外化于個體的外腦，需要通過訓練加強與內腦的相互作用，不斷調整內外腦的能力關系，從而強化個體的決策行為。所以，自主學習中需要引導學習個體與外部世界建立積極的互動行為，幫助個體復合腦的建構與整體能力提升，讓個體在健康的學習生態系統中學習，打造教育數字生態的基本樣貌。

（二）自監督學習是高意識生成式學習的保障

學習者要在學習上完全達到自主性狀態，除了有明確的學習目標和充足的學習動機外，還應具備自我監控和自我調節的能力。自監督學習（Self-supervised Learning）主要是通過解決自定義的輔助任務（Pretext Task），從大規模的無監督數據中挖掘自身的監督信息，利用這種構造的監督信息進行模型的預訓練，從而學習到對下游任務有價值的表征。自監督學習可以被解釋為一種無監督的、半監督的或其自我訓練的策略。自監督學習是自主學習的重要組成部分，包含對知識的監控、對體驗的監控和對監督認知的元監控三個方面。對知識的監控體現在對學習材料和學習策略的認知，對體驗的監控體現在對自身認知體驗或情感體驗的意識，也是培養“乞火不若取燧，寄汲不若鑿井”的探索性精神的關鍵，監督認知的元監控體現在主體反思和評價對自監督的認知和自監督全過程的調節。

自監督學習是學習者擺脫外驅力，發揮自主作用，促進自我學習，實現內驅力發展這一目標的前提和基礎。例如：對學生進行元認知的訓練（如自我提問、自我反思、自我評價等）、高階思維的培養、豐富情感能力的鍛煉等，可以提高學生的自監督學習能力。同時，AIGC讓每個學生都有了自己的博學導師、人工智能助理和私人學習顧問，提供個性化的反饋，促進人機協同學習。

（三）思維技能是高意識生成式學習的關鍵

知識讓我們看到表象，而思維能讓我們洞察底層規律，思維是我們認識這個世界的工具和方法，認識的過程和結果便是可以傳遞的知識。目前，技能本位的學習范式已然成為全球共識[22]。《教育2030：未來的教育和技能》報告、教育4.0框架、《未來技能：學習和高等教育的未來》報告等均凸顯了技能本位學習范式的教育理念。世界銀行（The World Bank）則將現代社會所需的技能類型分為認知、社會和行為、技術技能三大類，進一步強調了認知技能和解決問題能力的重要性，并提出高階思維技能（如計算思維、推理、創造性思維等）是認知技能的核心[23]。人工智能技術深度學習算法中分類思維、聚類思維等能實現機器利用加注標簽信息將數字信息轉化為超常知識，達到“淺入深出”“無師自通”的效果，證明了思維技能在深度學習神經網絡中的核心作用。愛因斯坦曾說：“教育就是當一個人把在學校所學全部忘光之后剩下的東西。”[24]即強調教育的核心價值并不在于學科本身傳遞的知識，而在于學生獲得更好的思維技能。杜威認為，教育的目的應該是教人如何思考，而不是教人思考什么，教育需要改善學生的頭腦，使學生能夠自己思考，而不是讓記憶中充斥著別人的想法[25]?？梢?，在目前知識化智能社會， 進行高級思維技能的培養對社會發展和知識創新尤為重要。

思維技能是成功執行、解決復雜任務和問題的基礎，也是實現高意識生成式學習的核心要素。那應該培養哪些思維技能，如何培養思維技能？例如：布魯姆修訂后的認知目標分類理論將認知過程分為記憶、理解、應用、分析、評估、創造，其中，前三者是認知的基礎目標，即低階思維能力，后三者涉及更復雜和更具挑戰性的工作，是高階思維能力。加涅認為，學習智慧技能有五個層次，依次是：辨別、具體概念、定義性概念、規則和高級規則，其中，高級規則是思維技能的頂層，即運用規則來解決問題。高階思維技能建立在低階思維的基礎上，與先前的知識建立聯系，再對知識進行分析和處理，并用來解決問題和創造性地產出新的知識[26]。低階思維技能包括理解、辨別、分類等，高階思維技能包括邏輯、發散性、創造性、批判性、問題解決、系統性、計算、設計、文化思維等，是面向復雜高難度和人機協同活動的必備思維，需要學生靈活根據情況調整知識應用，要求學生具備主動性和獨立的理性思考。思維的養成需要刻意和充分的練習，教學中培養思維技能主要有融合路徑和綜合路徑兩種方式。融合路徑指更具思維技能和學科知識的特點，將具體某一思維技能融入某一學科的單元課程中，選擇合適的教法針對性地加以提升。綜合路徑則以學生能綜合運用知識技能解決問題為導向，強調跨學科融合和情境創設，采用基于問題的學習（PBL）、翻轉課堂、角色扮演、團隊合作、頭腦風暴等教學方式來幫助提升高階思維能力。可見，發展思維技能不僅需要學生在特定情境中獲得知識，建立知識邏輯體系以形成高階技能，并將學到的技能遷移到不同場景中，還需要對已有的思維技能加以調整、監控和融合。最終上升到融合了系統、批判、創新、設計、數字等思維的綜合智慧，形成升維思考、降維行動的態勢[27]。

（四）創新意識是高意識生成式學習的生命力

教育的兩大功能：一是為促進社會經濟發展，二是為實現人自由而全面的發展，都離不開創新意識的驅動。AIGC以高效率、低成本滿足個性化需求，完成基礎性工作，釋放人類創造力，推動教育創造領域與基礎概念革新。教育的目的不僅是引導學生理解已知世界，還需要讓學生能不斷地適應未知世界和創造性地設計未來。人的創新意識體現在兩個方面：一是從0到1的洞見與靈感，二是基于原有知識結構創造性生成新的觀點和處理方式。由于AIGC創造性意識的不確定性，是否能脫離已有數據創造性地提出靈感還待有考證，但是AIGC已經能提供從1到10的所有解決方案，而從0到1的創造則體現人類創新意識的魅力。

在人工智能飛速發展的時代，教育需要的是更高層次的學習內容和新的思維能力的構建，培養能獨立思考和有正確價值判斷能力的人，而不再是獲取和記憶陳舊的知識。知識本身固然重要，但是知識背后蘊含的大量價值判斷、思維工具和解決問題的方法更重要。即衡量學生學習的成效度，不能以速度為標準，也不能以記憶性知識的背誦量為標準，應該是超越知識學習，關注學生創新意識的提升。例如：培養學生的判斷力、創新創造力、協作交流能力和發掘學生的“靈感（Eureka）”和“超感（Extra Sensory Perception，ESP）”等均有助于培養學生的創新意識。從0到1的創造體現在牛頓發現了萬有引力、阿基米德發現了浮力定律、瓦特發明了蒸汽機等無數推進了人類文明進化的創新發現，證明了人類所特有的靈感和洞察是人類文明得以延續、不被取代的瑰寶。同時，在人機協同學習范式下，AIGC目前雖然還未擁有真正的創造力，但是它賦能學習者擁有創新知識的新能力，以開拓知識創造的邊界，探索新形式和新方向。

（五）情感技能是高意識生成式學習的增強劑

情感交互是人主體性發展的必須，也是人工智能時代虛擬交往和人機協同的盲區。《未來簡史》的作者尤瓦爾·赫拉利表示，人類與人工智能真正的區別在于“意識”[28]。人工智能在意識領域短期內無法媲美人類，它不能理解人類使用高層次意識和情感感受解決的問題。情感技能指人的情感品質和社會技能， 包括情緒、興趣、動機、理想、意志、品德、信念與價值觀、態度等情感品質和語言能力、社交能力等社會技能。人類的生存價值或將在很大程度上取決于我們的社會情感能力。學術、社會和情感學習聯合組織（Collaborative for Academic，Social，and Emotional Learning，CASEL）界定了社會情感學習的五種核心能力：（1）自我意識，即準確地判斷和認識自身的感受、興趣、信念與價值觀和能力優勢；（2）自我管理，能夠有效管理自身情緒、控制沖動，在挫折與阻礙面前堅持不懈，設置學業目標并監督自己不斷向目標靠近和進步；（3）社會意識，能夠理解并同情他人，接受來自不同文化背景的人的觀點及思維方式；（4）人際交往能力，即溝通、協商、合作能力；（5）做出負責任決策的能力[29]。對照意識邏輯層次模型，高意識層級的“身份”和“愿景”正是通過情感技能的增強達到思維的理性和情感的感性融合，從而通往精神愿景的最高意識境界。學習品質的培養，向來與技術無直接關聯，技術只供輔助和參考，學生學習從興趣上升到志趣，從外驅力內化為內驅力，從專注力提高到鉆研精神和韌性，從隨性發展到有責任的發展等，這些品質和意識的生成是人不被人工智能代替的必要條件，也是未來人類引領科技發展的充要條件。此外，學生在處理日常交往問題時，通過向AIGC提問：“朋友要求抄我的作業，如何拒絕？”“我可以通過哪些具體方式向他人表示善意或歉意？”“明天要考試了，我很緊張，你能給我一些放松的策略嗎？”等問題，能夠提升自身的社會交往技能。

五、結? ?語

人的智慧來源于從知識和經驗中洞察“新知識”，從不確定中尋找確定，如今的AIGC正是用這種確定去重塑一個不確定的未來。在智能時代，教育領域一定要堅守“有教無類、因材施教、寓教于樂、教學相長、學以致用、學而時習、循序漸進、持之以恒”的原則。同時，應對未來種種的不確定性和人工智能所帶來的道德倫理危機，可以提前預訓練AI技術的意識形態和核心價值觀。意識形態和核心價值觀是建構社會秩序的內核部分，或曰“新禮”，或曰“新綱?！保葱聲r代倫理觀、道德觀。最后，我們應抱著“不畏浮云遮望眼，自緣身在最高層”“前路漫漫亦燦燦”“不懼歲月不懼風”“平蕪盡處是春山”的心態面對AIGC所贈予我們的新未來。

[參考文獻]

[1] GARNTER. Generative AI， machine customers and AR/VR are expected to transform sales in the next five years[EB/OL].（2022-10-10）[2023-03-01]. https：//www.gartner.com/en/newsroom/press-releases/2022-10-10-gartner-identifies-seven-technology-disruptions-that-willimpact-sales-through-2027.

[2] 詹希旎，李白楊，孫建軍.數智融合環境下AIGC的場景化應用與發展機遇[J].圖書情報知識，2023，40（1）：75-85，55.

[3] 翟尤，李娟.AIGC發展路徑思考：大模型工具化普及迎來新機遇[J].互聯網天地，2022（11）：22-27.

[4] 騰訊研究院.AIGC發展趨勢報告2023：迎接人工智能的下一個時代[EB/OL].（2023-02-16）[2023-03-01]. http：//www.199it.com/archives/1558601.html.

[5] MIT TECHNOLOGY REVIEW.一項AI革命性技術將“造假”推向極致[EB/OL].（2017-12-09）[2023-03-13].https：//www.mittrchina.com/news/detail/873.

[6] 黃萃，陳靜，陳惠玲.第四研究范式：數據驅動下的人文社科研究模式躍遷[J].中國高校科技，2021（10）：10-14.

[7] SEQUOIA. Generative AI： a creative new world[EB/OL].（2022-09-19）[2023-03-13]. https：//www.sequoiacap.com/article/generative-ai-a-creative-new-world/.

[8] KUHN T S. Book and film reviews： revolutionary view of the history of science， the structure of scientific revolutions[J]. The physics teacher， 1970，8（2）：96-98.

[9] 祝智庭，胡姣.教育數字化轉型：一個劃時代的教育范式躍遷[J].中國教育政策評論，2022（1）：3-21.

[10] OSBORNE R J， WITTROCK M C. Learning science： a generative process[J]. Science education， 1983，67（4）：489-508.

[11] 劉同舫.如何理解和貫徹“生成性學習”[N].寧波日報，2021-07-22（07）.

[12] MAYER R E.Multimedia learning：second edition[M].Cambridgeshire：Cambridge University Press， 2009：318.

[13] FIORELLA L， MAYER R E. Learning as a generative activity[M]. Cambridgeshire：Cambridge University Press，2015：21.

[14] 邱燕楠，李政濤.挑戰·融合·變革：“ChatGPT與未來教育”會議綜述[J/OL].現代遠程教育研究：1-10[2023-03-14].http：//kns.cnki.net/kcms/detail/51.1580.g4.20230309.1125.002.html.

[15] 鐘秉林，尚俊杰，王建華，等.ChatGPT對教育的挑戰（筆談）[J].重慶高教研究，2023，11（3）：3-25.

[16] 蔣華林.人工智能聊天機器人對科研成果與人才評價的影響研究——基于ChatGPT、Microsoft Bing視角分析[J].重慶大學學報（社會科學版），2023，29（2）：97-110.

[17] GENEFE N. Higher consciousness： the epic guide to your higher self[EB/OL].（2019-06-07）[2023-03-13]. https：//ideapod.com/higher-consciousness-the-epic-guide-to-your-higher-self/.

[18] NOAM C. The false promise of ChatGPT[EB/OL]. （2023-03-08）[2023-04-25]. https：//www.nytimes.com/2023/03/08/opinion/noam-chomsky-chatgpt-ai.html.

[19] SAJJAD H， DURRANI N， DALVI F. Neuron-level interpretation of deep nlp models： a survey[J]. Transactions of the association for computational linguistics， 2022（10）： 1285-1303.

[20] 蔡曙山，薛小迪.人工智能與人類智能——從認知科學五個層級的理論看人機大戰[J].北京大學學報（哲學社會科學版），2016，53（4）：145-154.

[21] FILIPE B. What is higher consciousness？ A deeper look at an elusive concept [EB/OL]. （2022-06-16）[2023-03-13]. https：//mindowl.org/higher-consciousness/#.

[22] 祝智庭，趙曉偉，沈書生.技能本位的學習范式：教育數字化轉型的認識論新見解[J].電化教育研究，2023，44（2）：36-46.

[23] ETF. Digital skills and competence， and digital and online learning[M]. Torino：European Training Foundation，2019：17.

[24] 余小茅，毛丹丹.愛因斯坦“忘掉……留下”的教育定義及其當代教育意蘊[J].現代大學教育，2020，182（2）：9-15.

[25] 張麗，闞閱，張雪軍.大學通識教育：杜威的經驗啟示[J].高教探索，2022（2）：107-112.

[26] 鄧莉.美國21世紀技能教育改革研究[D].上海：華東師范大學，2018：12-15.

[27] 祝智庭，戴嶺.綜合智慧引領教育數字化轉型[J].開放教育研究，2023，29（2）：4-11.

[28] 尤瓦爾·赫拉利.未來不是科幻小說[J].中國經濟周刊，2018，731（31）：82-83.

[29] JAGERS R J，RIVAS-DRAKE D，WILLIAMS B.Transformative social and emotional learning（SEL）：toward SEL in service of educational equity and excellence[J].Educational psychologist，2019，54（2）：1-23.

[Abstract] AIGC brings new opportunities for change in the field of education by opening a new pattern of digital transformation in education， innovating a new experience of multimodal learning， and empowering a new wisdom of human-computer collaboration. It is urgent for educators to think about the upcoming reform comprehensively and calmly. This paper aims to grasp the transformative opportunities brought by AIGC， explore innovative learning paradigms， and lead the digital transformation of education and the development of intelligent education. Focusing on the generative characteristics and essential mechanism of AIGC and the practical reflection on the application of AIGC technology in education， this paper proposes that higher consciousness generative learning is the innovation of AIGC to enable future learning paradigm by exploring its technology-enabled educational innovation. Furthermore， the superposition of many AIGC algorithm models and the correlation mechanism among various elements are analyzed to clarify the internal mechanism and development needs of higher consciousness generative learning. This paper argues that higher consciousness generative learning consists of five elements： self-directed learning is the internal drive， self-monitoring learning is the guarantee， thinking skills are the key， innovative consciousness is the vitality， and emotional skills are the enhancement of higher consciousness generative learning. The five elements jointly construct the logical mechanism and practical path of the new learning paradigm.

[Keywords] Higher Consciousness Generative Learning; AIGC; Digital Transformation of Education; Thinking Skills; Innovative Consciousness