基于大模型增強的通用人工智能教師架構

余勝泉 熊莎莎

（北京師范大學未來教育高精尖創新中心，北京 102206）

人工智能技術的教育應用，不僅為教學活動注入新的活力，也提高了教師的專業水平。例如，人工智能教師可以利用機器學習、計算機視覺、自然語言處理、人機交互等技術，分析學生學習和情感狀態，自動批改和生成作業及試卷，輔助寫作和語音答題，模擬虛擬教師代理等。但是，傳統的人工智能教師只能針對特定的任務和數據集，設計和訓練特定的模型，知識范圍有限，靈活性和適應性差，互動性低。因此，通用人工智能教師研究一直受技術的限制，進展緩慢。2022 年，以ChatGPT 為代表的預訓練大模型在教育界引起轟動，它們在通用語言理解和生成方面的優勢，將推動教學模式、評價方式、內容和目標等變革。預訓練大模型的出現，也為通用人工智能教師開辟了新的可能。在預訓練大模型的支持下，人工智能教師可以擔任多種角色，如智能導師、工作助手、協作伙伴、情感顧問、虛擬學伴等。這樣的人工智能教師，可以與人類教師相媲美，給教師的角色和能力帶來挑戰，也會給教育帶來了深遠的影響。

一、預訓練大模型教育應用的局限

（一）預訓練大模型的基礎原理

預訓練大模型（簡稱“大模型”）又稱基礎模型（foundation models）（Bommasani et al., 2021），它利用海量無標簽語料數據庫進行自監督或無監督訓練，不僅具有大規模參數，還能適用于各種下游任務（盧宇等, 2023b）。大模型的基礎網絡結構沿用了自然語言處理領域較為熱門的Transformer。Transformer 結構包含編碼器和解碼器兩部分，是一種基于自注意力機制的深度學習模型。得益于并行計算的特性，它能更好地處理長距離依賴關系，更有效地捕捉并處理上下文信息。

以ChatGPT 為代表的語言大模型利用多層神經網絡模擬人類的學習過程，通過大量的語言數據訓練，學習語言規律和知識，通過由許多節點和鏈接組成的復雜網絡結構，存儲和處理大量信息以表達詞句之間的概率關系。它可以在特定場景，面對給定的文本序列，通過預測下個詞或符號的概率生成與輸入的文本有關聯且沒有語法錯誤的文本。大模型的構建包括兩個階段：預訓練和下游任務適配。在預訓練階段，模型通過訓練海量無標簽語料數據，抽取數據內部隱含的知識結構和規律，獲得通用的語言理解能力。此過程通常采用諸如掩碼語言模型（Masked Language Modeling, MLM）等自監督學習方法。它的核心思想是隨機遮蔽輸入文本的一些詞匯，訓練模型理解和分析上下文的其他詞匯，以及這些詞匯與被遮蔽詞匯的潛在關系，從而習得該詞匯在不同語言場景概率化的關聯關系。此外，大模型中多層次Transformer結構使模型能在不同層次建模輸入數據，從而捕獲局部和全局的上下文信息，使模型能對詞匯特征、短語結構和整體文本語境的關系等進行多層次的抽象表示。預訓練階段后，大模型從無標簽數據中學習到豐富的語境信息，形成對語言、圖像或其他輸入數據的深層理解，具備通用的上下文理解和知識提取能力。在下游任務適配階段，大模型沿用遷移學習的思想，基于預訓練階段學到的知識、語境信息和通用語言表示等，在少量特定領域的有標簽的數據上進行有監督的訓練學習，從而適應特定領域任務，如學科問答、教案生成、自動化作文評分等。兩個階段的訓練策略不僅增強了模型的靈活性和泛化性，還減少了對海量有標簽數據的依賴。

（二）預訓練大模型教育應用關鍵問題

大模型在自然語言理解、生成等方面的優異能力，使它在客服、金融、藝術、教育等垂直領域得到關注和應用。在教育領域，大模型在教師教學、學習過程、教育評價、學業輔導等方面也具有多層面的潛在應用。在教師教學方面，大模型協助教師完成教案設計與潤色、教學資源生成、課程設計、個性化問題解答等，減輕教師負擔；在學習過程方面，大模型通過理解學習意圖掌握學生學習需求，并提供個性化學習支架和反饋；在教育評價方面，大模型可以完成個性化作業自動評價、智能組卷等；在學業輔導方面，大模型通過多輪對話向學生提出啟發性、個性化的問題，引導學生并提供解決問題的思路。

大模型在教育領域呈現出的應用前景雖然令人振奮，但關鍵問題也隨之浮出水面。比如，因訓練數據的缺失與錯誤、不佳利用、訓練過程過于迎合人類偏好、知識過時等原因，大模型生成的內容會產生幻覺、深度邏輯缺失等現象。“幻覺”問題通常有兩種：1）生成的內容形式上看似正確，但與事實不符（Huang et al., 2023a）。例如，歷史教師使用大模型生成的歷史資料輔助教學，如果訓練數據集存在歷史錯誤或者偏見，生成的內容就可能與歷史事實不符，導致學生理解歷史事件產生偏差。2）僅從文本相關性角度看待邏輯推理，不是嚴謹的符號邏輯推理，會出現與真實邏輯不一致的情況，當進行深度推理時，出現多步驟錯誤累積概率很高。由于大模型更新知識不及時，教師通過大模型獲得的知識極可能與預設不一致，甚至錯誤。例如，教師使用大模型生成的內容設計數學教學活動，如果模型的知識截止時間較早，未能包括最新的課程內容和標準，教師就可能沒有充分了解最新的教學要求和學科標準，導致教學不符合要求。

大模型的“深度邏輯缺失”問題表現為：1）大模型雖然能夠生成流暢而連貫的語言，但不一定能理解和解釋它所說內容的意義和邏輯，這可能會導致大模型無法有效地解決復雜或抽象的，如數學、科學或倫理等需要深度邏輯的問題；2）生成看起來推理過程合理，但結論或答案是錯誤的。大型模型出現“深度邏輯缺失”現象的原因有兩方面：1）模型可能在專業領域知識方面學習不夠。受數據訓練的制約，對問題本質理解不透。因此，生成的內容表面上看似合理，實際上過于膚淺，缺乏深度的理解、分析和思考。2）大模型本身推理能力不足，無法進行深度的抽象和數理邏輯推理。例如，解決復雜數學問題，大模型時常會出現解答過程詳細答案錯誤的情況。這是因為推理任務中，大模型不依據理解邏輯關系，而是依賴于大量文本的相關性（Ma et al., 2023），缺乏對抽象邏輯和數理邏輯推理的深刻理解，導致生成的內容缺乏邏輯關聯。

從人工智能教師的角度看，大模型存在的幻覺和深度邏輯缺失等關鍵問題，直接影響其教育應用價值。基于大模型的人工智能教師輔助學生時，幻覺問題可能導致向學生傳遞錯誤、偏見或不準確的信息，影響人工智能教師的可信度；深度邏輯缺失問題可能威脅學生的深度理解和思辨能力培養，降低人工智能教師的可靠性。另外，大模型還有無法理解和處理多模態信息、缺失社會情感能力等不足，比如大模型雖然能夠模仿人類的情感和語氣，但不是真正有感情或意識的存在。這會導致大模型無法理解和關心學生的感受，讓學生感到缺乏親切感。如果不解決這些關鍵問題，大模型不可能得到真正有價值的教育應用。

二、基于大模型增強的通用人工智能教師架構

人工智能教師指基于人工智能技術輔助、協作或獨立實現教育教學活動的智能系統或機器人，它能夠在沒有人類教師的參與下，代替部分人類教師繁瑣、機械的工作，也能夠與人類教師共同參與教育教學活動，互相補充和支持，提高教學效率和質量。人工智能教師可以根據學生的特點和需求，提供個性化、適應性、交互性的教學服務，可以在教育實踐中扮演自動出題和自動批閱作業的助教、學習障礙自動診斷與反饋的分析師、問題解決能力測評的素質提升教練、學生心理素質測評與改進的輔導員、體質健康監測與提升的保健醫生、反饋綜合素質評價報告的班主任、個性化智能教學的指導顧問、學生個性化問題解決的智能導師、學生發展的生涯規劃師、精準教研中的互助同伴、個性化學習內容的生成與匯聚的智能代理、數據驅動的教育決策助手等多種角色（余勝泉, 2018）。

因此，基于大模型構建人工智能教師，不僅需要從知識、認知、推理、感知、情感等方面增強大模型，還必須確保大模型輸出內容的科學性、邏輯性和價值對齊性。增強的大模型能為人工智能教師注入與人類教師相比肩的功能和能力，能像人類教師一樣具有情感、能解決不同類型問題（見圖1）。在圖1 中，人工智能教師的具身形態多種多樣，可以是機器人、數字人、移動APP、應用軟件等。這些形態增加了人工智能教師與學習者的互動途徑，使人工智能教師能適應不同的教學環境和學習者需求，并通過多模態交互接口，有效地將信息傳遞給大模型。多模態交互接口方便人工智能教師接收和理解學習者的語言、表情和手勢等多種形式的反饋，還能使教師以視覺、聽覺和觸覺等方式輸出信息，創建互動性和沉浸感更強的學習環境。

圖1 基于大模型的通用人工智能教師架構

教育知識圖譜在此架構中用來指導和約束大模型的輸出，提高其準確性、可靠性和科學性，實現隱含價值觀與國家意識形態對齊，扮演著把關人的角色，發揮外部監督反饋作用。教育知識圖譜包含兩類信息：一是教育領域真實的、確切的知識和信息；另一類是應當避免的負面、不良的知識和信息。如果大模型的輸出符合第一類知識且不符合第二類知識，那么輸出將會被采用。如果大模型的輸出違背真實性或者包含不良負面信息，則會被禁止輸出，同時形成外部監督反饋，指導模型的調整和改進。利用教育知識圖譜的檢索與推理監督大模型輸出的形式有三種：1）知識蒸餾。將教育知識圖譜中的知識轉化為大模型可以理解和利用的形式，如將知識圖譜的三元組（實體—關系—實體）轉化為自然語言的句子，然后用這些句子訓練或微調大模型，使其能夠學習和記憶知識圖譜中的知識。2）知識注入。大模型在生成過程中，動態地將知識圖譜中的知識嵌入大模型的輸出中，如大模型生成文本時，根據文本的主題和上下文，從知識圖譜中檢索和選擇相關的知識，然后將這些知識以合適的方式嵌入文本中，使其更加豐富和有說服力。3）知識對齊。大模型輸出后，用知識圖譜中的知識驗證和糾正大模型的輸出，如大模型生成文本后，根據文本中的實體和關系，從知識圖譜中查詢和比較相應的知識，發現和修改文本中的錯誤或不一致處，使其變得正確和一致。

架構的核心是增強大模型部分。它通過“大模型+精調”范式，將海量的教育場景知識融入預訓練大模型，增強大模型教育場景知識；采用檢索增強方法更新大模型的知識、擴充能力和認知。同時，它通過編排外部智能組件增強大模型的邏輯推理能力，這些組件可能包括專門的邏輯推理算法引擎。多模態支持允許大模型處理并理解文本、圖像、語音等形式的輸入數據，增強其感知能力。最后，情感計算賦予大模型解讀和響應學習者情感需求的能力，以期實現更人性化的教學交互。

（一）增強知識：精調訓練增強教育場景知識

“大模型+精調（fine-tuning）”范式是解決將大模型應用不同教育場景，提升大模型對教育領域場景知識理解的有效路徑。該范式通過“喂養”教育領域大規模知識庫和數據，例如數字教材、數字教輔、數字教學資源、教學場景數據、在線學習數據等，形成教育領域通用大模型；然后再把它和不同的下游教育任務（如教案生成）適配精調，從而得到多類教育大模型。與全參數微調不同，精調不會訓練模型的全部參數，僅微調模型的小部分參數。精調的性能在與全參數微調媲美的同時，還降低了計算成本（Ding et al., 2023）。

精調有三類方法：1）增量式方法。該方法的核心思想是在原始模型中引入額外的可訓練神經網絡模塊或參數，它通過微調這一小部分參數達到模型的高效適配。例如，Prefix-tuning（Li et al., 2021）和Prompt-tuning（Liu et al., 2022）將可調向量插入輸入層或表示層進行微調，Adapter-tuning（Houlsby et al., 2019）僅在每層添加簡單的神經網絡。2）指定式方法。該方法指定原始模型的某些特定參數變得可訓練，而凍結其他參數。這一方法操作簡單，但效果很好。例如，BitFit（Ben Zaken et al., 2021）方法僅優化模型內部的偏置并凍結其他參數，在多個基準測試中性能超過95%的全參數微調。3）重參數化方法。它可以在不改變大模型網絡結構的情況下，通過重新調整網絡參數的分布，提高大模型的泛化能力和魯棒性。

我館廣播電視史志資料研究中心典藏的廣播電視史志資料是前任廣播學院副院長趙玉明所捐，比較完整且極其珍貴。該研究中心的建成，對相關學科的研究，具有極其重要的歷史和現實作用。它也為我校的新聞傳播學科評估和本科教學評估發揮了重要作用。2017年，我校新聞傳播學能入選國家一流學科建設名單，其功不可沒。

“大模型+精調”范式的教育應用有兩種技術路線（見圖2）：一是調用大規模通用數據預訓練好的大模型，再根據不同的教育任務精調；二是直接用教育專業數據專門訓練解決教育任務的大模型，再進行精調。兩種技術路線都能增強大模型對教育場景知識的理解。不同的是，后者對計算資源、教育數據規模要求較高。目前，已推出的教育大模型多采用第一種技術方案，即以通用大模型為基礎，再用教育領域專業語料庫進行精調優化以適配特定的下游教育任務。

圖2 “大模型+精調”技術路線

（二）增強認知：檢索增強確保科學正確

大模型的生成內容通常依賴于訓練過的數據，對沒有訓練的知識（如最新知識、領域特定知識、專有數據），大模型也許會給出與事實不符、虛構或者編造的內容，產生幻覺問題，無法滿足實際需求。為解決這一問題，檢索增強生成（Retrieval Augmented Generation, RAG）技術應運而生。檢索增強生成技術由Meta AI 提出（Lewis et al., 2020），指將結構化存儲的外部知識庫與帶有參數記憶的大模型結合起來，使大模型能夠通過外部知識源獲得額外的知識擴充，增強模型對背景知識的綜合理解，提高生成內容的可信度與準確度。

檢索增強生成包括三個階段（見圖3）：檢索、增強和生成。1）檢索階段指用戶輸入問題與外部知識源的檢索匹配，獲取附加上下文。這一階段通常會使用嵌入模型，將用戶提問內容和外部知識庫嵌入同一向量空間，并利用最近鄰搜索等相似度計算方法，返回用戶輸入與知識庫中最相似的結果，作為附加上下文。2）增強階段主要將上一階段附加的上下文，與角色扮演設計、用戶提問等內容填充到提示模板中，從而得到增強知識的提示。3）生成階段是將增強知識的提示輸入大模型，生成更科學準確的回答。檢索增強生成過程的外部資源可以是教育專家構建的知識庫、學科知識圖譜、優質教學場景數據等。例如，楊等（Yang et al., 2022）構建高質量的數學單詞問題數據集作為外部知識庫，然后檢索高度相關的代數知識，并將其作為改進的語義表示輸入模型，提高答案的準確率。

圖3 檢索增強實踐路徑

外部知識源的繼承，創建了動態數據環境：一是保證數據新鮮度，以應對需要知識更新的場景。大模型學習的知識依賴于訓練數據，若面對知識時常更新的場景，如教師要了解教育政策變化，檢索增強提供的外部知識源可以動態擴充相關知識。因此，基于檢索增強的大模型尤其適用于知識密集型任務，如課程設計、教學設計等。二是提供來源驗證，增強可解釋性和科學性。用基于檢索的相關知識進行生成，生成結果可與信息來源建立聯系，生成結果的參考來源可追溯，可解釋性也得到了增強。三是增強領域專業化知識，提高生成內容的準確性。對于需要深度領域知識支持的場景，基于檢索增強的大模型可在外部知識源的幫助下，提供豐富且專業的背景信息支持決策，提高生成內容的準確性，且計算成本相對精調方法更低。四是避免數據泄露。用真實教育教學場景數據（如學生在線學習交互日志）訓練大模型，也許會產生隱私泄露問題。檢索增強生成方法應檢索已經脫敏或處理過的信息，避免大模型通過訓練記住這些敏感數據，避免數據泄露風險。

（三）增強推理：外部智能組件編排，增強邏輯推理能力

像ChatGPT 這樣的大模型在自然語言理解和生成方面展現出卓越的能力，尤其是在處理“類人范疇”任務上表現突出，因為這類任務往往缺乏明確定義的“正確答案”。然而，結構化的計算任務需要模型準確操作，而大模型依據概率化生成的原理通常顯得力不從心，效果時好時壞。例如，當人們期待大模型解答復雜數學推理問題時，可能出現它給出的解題步驟看似沒有問題，但答案錯誤的現象。這是因為大模型本身的推理能力不足，看似學到很多通用知識，但沒有理解本質，生成的內容缺乏深度邏輯關聯。利用外部智能組件彌補大模型推理方面的不足，不失為有效的解決路徑。

大模型可以與專門設計的外部智能組件進行編排組合，以增強其邏輯推理能力。大模型將復雜推理問題傳遞給外部智能組件進行處理，外部智能組件作為推理引擎，提供形式化的邏輯規則和推理算法，并將結果返回給大模型，最后由大模型決策生成結果。如智能知識引擎Wolfram Alpha，內置了龐大的專業知識庫和算法，可以解決數學、科學技術、日常生活等1000 多個領域的問題，可以處理畫函數圖像、求解方程式等復雜問題和任務。大模型與Wolfram Alpha 智能組件結合，將推理部分交給專業的Wolfram Alpha，利用其內置的計算知識能力將自然語言轉變為精確的符號化計算語言，再轉為自然語言或圖形化方式呈現，以計算的方式輔助增強大模型的推理能力。以智能輔導場景為例（見圖4），當學生咨詢帶情境的邏輯性問題，大模型會先嘗試理解和分析問題，如發現這個問題需要精確的數理邏輯推理，就為Wolfram Alpha 制定查詢，即將學生提問發送到Wolfram Alpha 進行搜索計算。Wolfram Alpha 先對學生的提問進行自然語言處理，轉化為Wolfram Alpha 能夠理解的Wolfram 語言格式，接著將處理過的信息和其內置的專業知識庫對比、鏈接，之后用內置的大量算法執行必要推理計算，最后結構化展示結果，并返回給大模型。大模型基于返回的結果和學生的提問，進行決策生成并以自然語言或圖表等方式反饋給學生詳盡、直觀、準確的答案。

圖4 大模型結合外部智能組件實踐案例

（四）增強感知：融合多模態內容理解、生成與交互

教學場景涉及文字、圖像、語音等多模態信息，其多樣性和復雜性要求大模型不僅能夠理解文本信息，還要考慮圖像中的場景、學生的語音反饋等數據。如果大模型無法全面把握這種多樣性，它處理復雜教育場景任務或問題，就可能理解不足從而產生生成內容不佳、無關或混亂的問題。這是不可接受的。多模態大模型的引入成為其解決方案。多模態大模型指包含文本、圖片、視音頻等多種模態的大模型（盧宇等, 2023b）。多模態的引入，使大模型有更全面的感知、更豐富的生成和更靈活的交互能力，豐富了大模型教育場景的適用性。

多模態大模型整合和解析來自視聽覺等感知通道的數據，通過跨模態學習技術，學習這些多模態數據之間的復雜映射關系，使不同感知通道的信息相互補充，提高大模型對教育場景的綜合理解。另外，多模態大模型能理解和處理學生閱讀文本、觀看圖像、聆聽講座等多模態輸入數據的上下文信息，更好地理解學生意圖和需求。其次，多模態大模型能統合不同模態的信息，生成更有創意、生動的教學資源。最后，基于多模態大模型的“數字人”增強了教育場景的交互體驗。

多模態引入增強大模型感知的技術路線有三類（見圖5）：第一類是直接使用多模態數據訓練大模型，把它預訓練后再適配下游多模態理解、生成和交互任務。開展自監督學習，通常使用文本、視覺、聽覺等感知通道編碼器對多模態數據編碼，完成多模態融合后再進行多模態解碼。這類多模態大模型表現優異，但訓練成本較高。第二類是以語言大模型為基底，通過人類指令調用語言、視覺、聽覺專用模型等外部功能模塊，再由語言大模型綜合完成不同的任務（劉學博等, 2023）。這類多模態大模型增強了對多模態數據的理解，但要調用多個外部功能模塊，效率可能降低且成本高。第三類是將多模態數據分別編碼后，通過跨模態特征轉化器轉化成語言大模型的輸入模態，再結合人類指令，實現更廣義的多模態理解。

（五）增強情感：情感計算大模型驅動，增強情感

大模型的情感對話能力相對較弱，缺乏社會情感和交流等能力，也難以與人類建立深層次的情感鏈接，而人的情感又復雜，導致大模型可能在理解和回應學生真實情感需求方面出現偏差，生成內容缺乏人性的溫暖，限制了人工智能教師與學生的深層次互動。解決這一問題，需要提高增強大模型的情感理解與表達能力。

研究者推出了蘊含情感計算的大模型。東北大學某課題研發了面向中文心理健康支持問答的大模型PICA（Zhang, 2023），作為情感陪護助手給用戶情感支持。 Inflection AI 推出了情感聊天機器人Pi（personal intelligence）（Inflection AI, 2023），該機器人具備“高情商”，可以了解并安撫用戶的情感需求，成為值得信賴的“傾聽者”。圖6 是大模型增強情感的技術路徑，它先采集學生的語音、文本、生理信號、行為等情感信號數據，構建多模態情感信號語料庫；然后對這些數據進行一系列的特征工程處理，包括提取各類數據特征，再將提取的特征進行融合；接著進行自監督學習預訓練，形成具備通用情感理解能力的通用多模態大模型；最后再用有標簽的特定情感任務數據集精調通用多模態大模型，形成適配情感任務的情感計算大模型。

圖6 大模型增強情感技術路徑

三、通用人工智能教師的應用場景

大模型等通用智能技術的進步使人工智能的潛力得到逐步釋放，未來的教育將由教師和人工智能共同協作和共存，教育將步入人機融合的新時代，人工智能教師和人類教師將互相補充，共同提高教育服務的質量（余勝泉, 2018）。在以下情境中，通用人工智能教師將展現其獨有的優勢。

（一）需要淵博知識的場景

在大規模教育領域語料庫的精調訓練，以及及時更新的外部教育專業知識庫等的增強下，基于大模型的通用人工智能教師對教育知識有著更深入的理解，且擁有根據學生個性特征進行適應性指導的教學方法。一方面，通用人工智能教師可以是幫助學生答疑解惑的智能導師（余勝泉, 2018）。在對學生進行一對一輔導、學科知識問答等情景中，通用人工智能教師可利用其深入的語言理解、上下文感知能力等，精準把握和理解學生學習意圖，深度分析學生的提問后給出及時、引導性且翔實的回答。通用人工智能教師基于豐富海量的教育知識庫向學生提供所需的事實、分析、講解、故事信息等多層次服務，能激發學生好奇心和動機，幫助學生探索新知。通用人工智能教師也可以智者的方式，采用問題導向式、啟發式教學方法，向學生提出開放性、啟發性問題，激發學生對某一主題、問題或知識的興趣，啟發學生主動思考某一主題、問題或知識背后的原理、關聯性和深層次意義。另一方面，通用人工智能教師也可以是教師專業發展提升的協助伙伴。基于大模型的通用人工智能教師能提供更新的教材知識、專業知識、教育研究文獻、領域專家研討內容等，幫助教師及時補充專業知識理解，了解教育領域前沿知識、教學方法、發展現狀等，提升專業素養。

（二）洞察、創意增強場景

基于大模型的通用人工智能教師可以提供對教育知識的廣泛理解與遷移，尤其是不太容易建立聯系的主題，如跨學科知識的理解。首先在提升洞察力方面，通用人工智能教師利用其多領域、跨學科知識儲備，能整合多個領域的信息，幫助學生建立全局視角，以跨學科方式，助力學生理解問題的多個方面，建立更全面的知識體系，培養學生整體性思維。例如，探討以“長征”為主題的課程思政教育，通用人工智能教師能巧妙地將學科教學與思政教育相結合，從歷史、道德與法治、語文、體育等學科挖掘思政教育元素，幫助學生從多個方面、不同角度理解“長征”及其背后的精神，拓寬思維邊界。其次在創意增強方面，通用人工智能教師可以是創意寫作助手，以協同共創方式輔助學生寫作。學生開展創意寫作時，通用人工智能教師不僅能基于寫作主題提供時效強、具有啟發性的相關或跨學科資源與材料，還能與學生基于寫作主題展開深度交互、進行頭腦風暴、促進多樣開放的創意分享（汪靖等, 2023），激發學生創造性思維與靈感。通用人工智能教師也能為教師處理信息檢索、知識講解、課程設計、課件制作等復雜性工作提供創意思路和方法（楊宗凱等, 2023）。例如，備課時通用人工智能教師提供啟發性思路、結構化框架以及多樣化的備選方案（盧宇等, 2023a），提升教師備課效率，擴充授課內容的豐富度。

（三）約束與管理場景

通用人工智能教師能夠像“班主任”一樣，了解和管理學生的學習。人工智能教師能夠從人類教師的育人實踐中學習，并將人類教師育人中表現出的情感、協作和社交能力融入人工智能系統，提升人工智能的社會協作和情感交流能力，使人工智能模仿教師的社會化育人方式，更加智能和準確地感知和滿足學生需求，與各方協力高效地解決育人問題，提高服務的水平和效率（余勝泉等, 2019a）。未來，人工智能教師能利用學業數據，分析學生的學習表現、學習傾向、學習動力、學習難點、情感狀態等，及時發現學習問題、心理需求、異常行為等，主動與學生開展雙向互動和交流，與教師、家長和學生溝通，在自然的交互溝通中自動獲取信息，并采取干預措施，在問題出現前預防和解決，以最大限度地關注和支持學生的全面發展。

通用人工智能教師具備監測和預防大模型濫用的交互感知能力。它通過持續監測學生與大模型的互動，識別并預警潛在的濫用行為，如將作業一股腦丟給大模型，不加自我思考，過度依賴大模型，甚至利用大模型進行不恰當的查詢等。一旦檢測到這些行為，通用人工智能教師會及時向人類教師和學生發出善意提醒和反饋，解釋這些行為不利于學習和發展的原因，并提供正確使用的建議和指導。通用人工智能教師具備的這種能力，使其不僅能夠理解和管理學生學習過程，還能善意地提醒和預警學生。教師也能根據反饋告知學生使用大模型等工具應當遵循的標準和道德，指導學生正確、安全地使用大模型。

（四）社會情感互動場景

通用人工智能教師在社會情感互動場景可以擔任多種角色，為學生和教師提供多方面服務。作為情感支持導師，通用人工智能教師能夠理解和響應學生的情感需求，為他們提供情感診斷、陪伴和反饋，幫助他們理解和表達自我情感，提高情感表達能力，促進同伴間的情感理解和支持。作為虛擬學習伙伴，通用人工智能教師能模擬互動學習場景，創建學習伙伴、學習助手等社會角色。作為教育智能代理，與學生進行互動、交流，幫助他們發現學習問題、理解知識，同時提供情感支持和陪伴。作為育人輔助助手，通用人工智能教師能對教育過程中存在的育人意識薄弱、育人知識欠缺、個性化輔導答疑缺乏等問題，借助人工智能技術實現經驗隱性知識的顯性化，為教師提供個性化輔助，幫助教師樹立育人意識，掌握育人知識，提升育人能力，促進孩子健康成長（余勝泉等, 2019a）。作為精準教研伙伴，通用人工智能教師能夠協助教師實現同伴間的教學問題發現與互助改進，采集并分析教師在備課、聽課、評課、學生成績等多維數據，幫助教師了解自己的知識結構、教學方法和存在問題，實現精準導向的教研，提高教學質量，促進教師之間的協作與共享。

（五）個性化支持與反饋場景

通用人工智能教師的作用不僅限于傳統的知識傳授，還能依據學生的個性化需求提供定制化的學習體驗。通用人工智能教師采集和分析學生學習數據，結合學生的知識背景、學習水平、學習風格、學習能力、行為表現、情感態度等，深入理解學生個性化學習情境、學習特點和學習需求；再利用這些信息，進行自動化評估和反饋，從而推薦適合學生的學習主題，提供合適的幫助學生跨越最近發展區的動態教學支架（余勝泉等, 2019b），生成包含文本、圖像、視頻等形態的學習材料，推薦適宜的學習路徑，提出合理的學習意見和提供個性化的學習反饋等（楊宗凱等, 2023）。

通用人工智能教師可自動批閱作文并給予反饋。例如，通用人工智能教師批閱作文時，能自動檢查用詞、拼寫、標點、表達和邏輯等，還能指出文中的錯誤，對作文進行系統性點評，提出具體的改進建議，幫助學生提高寫作能力。通用人工智能教師還能通過多角色扮演，提供多維度、多視角的反饋。例如，教師教學設計時，通用人工智能教師可以扮演教育專家、同行教師、學生。作為教育專家，通用人工智能教師可以從教學目標的設定、課程結構、課程內容的深度與廣度等角度提出建議；作為同行教師，通用人工智能教師可以分享相似教學情境的成功案例，提供實用的經驗方法和教學技巧；作為學生，通用人工智能教師可以提供課程內容的吸引力、理解難度、興趣點等反饋。

（六）多模態內容創生與表現場景

通用人工智能教師可以有效整合和處理多種模態的教學資源，并用不同形式生成與呈現，從而提高學習材料的生動性與直觀性和學生的學習興趣。例如，講授復雜學科概念時，通用人工智能教師可以作為輔助，生成圖像和視頻展示實驗過程，生成文本和音頻解釋實驗的原理步驟。通用人工智能教師還能依據學生的具體需求和學習環境，動態調整內容的呈現模態。例如，對遠程學生，通用人工智能教師可以利用互動式圖表或模擬實驗，使其獲得沉浸式、準實驗室的學習交互體驗。其次，通用人工智能教師可以為教師提供多模態的教學內容設計生成服務。它利用多模態大模型，自動搜索和整理與教學內容相關的資源，如教學背景知識、素材圖片、微課資源、教學PPT 等，為教師提供豐富的教學材料，節省教師的時間和精力。然后，它可以根據教師提供的教學內容，生成教學設計框架，包括教學內容分析、學情分析、教學目標、教學重難點、教學過程、學習評價、課后作業等結構，以及設計探究式教學、講授式教學、協作式等模式。最后，它結合搜索到的資源，生成課件、學案、教學設計方案等的教學設計內容，使教學設計更加完整、生動和多樣。在這個過程中，教師是教學內容的設計者、使用者和監督者，而通用人工智能教師是信息的處理者和呈現者，以及內容的創造者和優化者。

四、通用智能時代人類教師的機遇與挑戰

大模型等生成式人工智能技術的出現讓人們再次體驗到信息技術對教育的沖擊。新興智能技術的出現，加速了教育變革，如注重高階思維與能力培養、推動個性化學習、促進教學評價多元化（宋萑等, 2023）、創新“師—生—機”三元結構教學模式等，這對人類教師來說是機遇和挑戰并存。

（一）擁抱智能技術，解放教師

大模型等智能技術的發展，將教師從低效、重復、繁瑣的知識傳授、事務性工作解放出來，轉移到提升自身教學能力，培養學生高階思維、能力、素養等。積極探索使用通用人工智能教師，最大限度減輕教師負擔，增加教師服務的數量與質量，這是破解當前教育改革與發展難題的關鍵。增強大模型人工智能教師，能使教師的重復性、繁瑣的工作得到解決，如自動評估學生作業，根據量化和質性標準，給出評價、反饋和建議，幫助學生改進學習效果；幫助部分教學環節實現自動化，如自動生成試卷、評價報告等；自動跟蹤學生學習進度和成果，提供個性化的問題解答和指導，滿足學生的不同學習需求等。這些功能可以使教師高效地完成工作，減輕工作負擔，讓教師把更多的時間放在培養學生社會情感、創造力和高階思維等方面。

（二）使用智能技術，增強教師

智能技術解放教師的同時，也給教師能力帶來挑戰，對教師的專業能力、教育教學能力等要求會更高。因此，教師可以以人機協同的理念思考如何與智能技術合作，增強自我能力。教師要主動學習智能技術，了解智能技術的原理、利弊及其基礎應用等，并將其應用于日常教學中，讓技術幫助教師解決以往難以通過傳統方法解決的問題，如實現個性化教學、調整學習進度以符合學生需求，以及采用數據分析優化教學策略等。大模型等智能技術能幫助教師實現對學生學習行為和風格等的深度理解，精準診斷學生的學習需求，并為其提供量身定制的解決方案。

（三）駕馭智能技術，進化教師

智能技術對教師角色也帶來挑戰。通用智能時代下，教師工作形態將發生巨大改變，知識性教學，大部分將由人工智能承擔，教師更多的是負責學習的設計、督促、激勵與陪伴，教師更多的工作是育人與學生的情感交流等（余勝泉等, 2019b）。教師要學會駕馭智能技術，將智能技術真正應用到教學中。首先，智能技術的進化，對教師提出高智慧層次指導的要求。教師因此要提升智能素養、素質素養，適應智能教育場景的需求。其次，教學方式、教學模式、教學內容、教學評價要使用智能技術進行創新和調整。積極使用智能技術創新教學方式，設置以素養為導向的教學內容，加入能夠促進學生深度思考和深度學習能力的活動，建立多元、質性的教育評價方式。再次，教師要利用智能技術促進專業發展。智能技術可以為教師提供專業知識、教材知識、教育研究文獻等資源，擴充教師專業知識理解，開拓教師眼界，了解教育前沿發展，提升專業素養。最后，智能技術能為教師教研提供精準輔助，分析教師教學問題與不足，并提出針對性建議。

（四）控制智能技術，跨越陷阱

通用智能時代下，教師的機遇和挑戰不是擔憂被智能技術取代，而是轉為人協協同的理念，更好地利用智能技術惠利教師教學。首先，教師要了解大模型等智能技術的可為與不可為。智能技術雖然可以輔助、增強教學，卻不能代替深入的研究、分析和批判性思考，因此教師不能完全依賴智能技術，要認識到思維的重要性。其次，教師可以向學生傳達智能技術的利弊，讓學生意識到使用智能技術中深度思考的意義與作用。教師要推進核心素養導向的深度教學，幫助學生跨越人工智能應用中認知外包可能導致的教育陷阱（余勝泉等, 2023）。再者，教師可以持續監督并評估大模型的使用，高度關注大模型等智能技術帶來的倫理和數據隱私風險。