人工智能算法融合思想政治教育的技術邏輯審視

摘" "要：人工智能時代，智能算法與思想政治教育的深度融合，加速推動其在教育理論和實踐領域的信息化應用，也重構著網絡生態，把擔負著鑄魂育人使命的思想政治教育推向重要的歷史方位。當前階段，應以智能技術為視角，將智能算法與思想政治教育深度融合，將正反兩面基本特性的科學審視作為前提，視算法內容設計中問題界定、模型建構與算法選擇三重環節為技術關鍵，從計算機科學中的“計算不可約性”和“計算等價原理”推定，將算法的邏輯旨歸作為核心升華。據此，算法設計的宗旨是對人性的回歸，也是思想政治教育中智能應用的核心所在，人機共生關系下的思想政治教育，應回歸至以人為本的邏輯內核和價值理性。而未來智能算法跟人類思想政治教育個體的關系，不是“降臨”“拯救”，也不是“幸存”，而是“共存”；不是人類思想政治教育個體的勞動被智能算法所取代，而是以人為本的思想政治教育，因為有了智能算法的賦能而變得更加智能。

關鍵詞：人工智能；思想政治教育；深度融合；算法 ；技術邏輯

中圖分類號：G434" " " " "文獻標志碼：A" " " " "文章編號：1673-8454（2024）03-0099-10

一、 引言

智能算法是思想政治教育中人工智能應用的技術基石，如今學界對其相關內容的研究如雨后春筍，迸發出對技術與思政協同育人一般規律性探索的旺盛活力。目前對智能算法賦能思想政治教育領域的研究，多集中在應用的風險研判和應對進路的現實考量，鮮有基于技術視域對其契合思想政治教育內在邏輯的深層次探賾。面對人工智能與思想政治教育深度融合的現實，不得不重新審視智能算法與教育之間的關系。基于此，本研究以思想政治教育中人工智能算法的特性審視為前提，視其內容設計為關鍵，將其邏輯旨歸為核心，對智能算法應用于思想政治教育領域的科學內核進行挖掘和探析，以期助力思想政治教育中人工智能算法的理論建構和實踐創新研究。

二、算法特性：融合思想政治教育的兩面性

思想政治教育中智能算法的應用，有著基于教育和技術雙重視角的基本特性，要對其優越性和局限性進行科學而嚴謹的審視。

（一）思想政治教育中人工智能算法的優越性

智能算法以其科學的技術邏輯和工具理性，與思想政治教育的嶄新特征和價值理性產生高度契合，體現出技術賦能教育的顯著優越性。

1.思想政治教育的不確定性要用算法的確定性來界定

當思想政治教育步入智能時代，“確定性”面臨重大挑戰。一方面，當人們把關于物質本身的規律挖掘到量子力學這一層面時，發現結果真是隨機的；另一方面，當今國際國內形勢風云變幻，多元社會思潮良莠不齊，加之受教育者成長內外環境復雜多變，導致其思想變化的必要條件太過繁復，導致教育者對受教育者教育現象的內在歸因無法窮盡其極。當教育者無法將受教育者行為現象背后的原因都做到清晰可視時，必將導致受教育者行為軌跡的不可完全預期性，所以，才會出現一些受教育者心理和行為的突發性事件。面對教育過程中的種種不確定性，算法以其解決現實問題確定性的內在科學邏輯，為思想政治教育提供多種明確性和精準性的約束和界定。基于計算機技術的智能算法要求對現實問題的分析理路清晰準確，有明確的輸入、輸出和計算過程。算法要求在輸入端出現思想政治教育相同的變量特征及數據信息后，經計算處理，在輸出端產生相同的輸出結果，并可無限次重復和演繹。不會因執行的計算機不同和計算操作主體的變化，而導致不同的結果。思想政治教育過程中亟待算法解決的任何問題，必須持續精細化每個細節，保證算法執行之后結果能夠復現。算法環境中，要對思想政治教育個體的種種模糊邏輯進行精確描述和界定。本質上，算法是通過確定性保證解決問題的工具。

2.思想政治教育的差異化要用算法的模型化來審視

人工智能時代，思想政治教育客體的個性差異和需求在教育過程中最大限度地體現。受教育者既存在個性優勢、個性需求、個性偏好、學習能力、知識經驗等不同的心智特征，又需要培養記憶、需求、推理、解決問題、獲取新知等多階能力，同時對教育內容、教育方式、教育路徑乃至教育評價都存在差異性的習慣養成和服務需求。教育的過程中，教育客體引發行為、能力和心理傾向上比較顯著的變化。受教育者要求多樣化的教育服務，例如，他們需要電子教材和數字資源提供符合其口味和興趣的學習內容；需要教育云服務平臺進行學習評價和反饋；需要結構化、半結構化、非結構化的數據信息處理，以記錄和分析個性化教育信息。受教育者的目標導向差異是其結果追求上的特征體現。受教育者的知識基礎和學習能力差異，直接導致其對教育目標自主定義的不同，且會對受教育過程自我監控，以此來控制其受教育的進程，最終達到不同的教育目標。

人工智能可以依據受教育者的不同個性特征提供有針對性的服務支持，以促使其行為發生持久的變化。例如，通過情緒識別、情感計算、自然語言處理、自適應學習分析等技術提供支持和幫助，提升受教育者對教育本質有更深刻的理解和獨到的見解，幫助他們成為自我精進的終身受教者，[1]同時也培養他們活躍的知識觀、高度的行為自覺和強烈的學習動力。對思想政治受教育者差異化的需求，采取精準化的教育服務和定制化的教育知識供給，源于模型化的算法優勢。思想政治教育過程中的差異化問題，脫去現實描述，背后隱藏的是用多個變量來估計一個目標變量的統計預測模型。

3.思想政治教育的意識形態屬性要用算法的主體性來踐行

隨著人工智能的不斷發展，算法展現出日益多元化的技術功能，不僅對人類的經濟行為有所影響，且在意識形態、道德情感及價值取向方面也可以加以引導和輔以塑造，表現出與思想政治教育實踐的強關聯性。思想政治教育可視為以思想觀念、理想訴求、道德規范為核心的思想政治教育信息傳播行為與過程。[2]但身處智能時代，信息的多樣化呈現出涌現效應，一定程度上讓思想政治教育個體產生信息焦慮感。使得思想政治教育信息的有效傳播徒增掣肘。伴隨萬物互聯時代的到來，思想政治教育個體在虛擬和現實雙重空間，制造和生成信息的速率比其處理信息的速率超越了數倍。這種“信息爆炸”所引發的“山洪效應”，觸發思想政治教育個體產生通過技術途徑篩選和過濾無效信息的思慮。

思想政治教育領域，算法推送在個體與信息之間形成了有效連接，在向受教育個體推送特定文化信息的過程中，其強大而隱匿的權力被凸顯出來。思想政治教育個體的網絡閱讀、碎片化學習、沉浸式獲取信息的習慣被算法潛移默化地加以培養，進而思想意識和道德觀念在不知不覺中被加以塑造，最終行為習慣和生活方式也被改變。因此，算法成為人與信息之間的有效介體，具有潛在引導受教育者思想價值觀念傾向和影響社會情感的功能。正確有效運用算法將直接影響智能時代思想政治教育的成果。反之，算法的“非價值中立性”會使信息傳播存在某種意義上的傾向性，如不加以合理利用和規約，可能會帶來網絡社會價值失序的算法危機。

思想政治教育在算法中體現價值理性。智能算法本著對資本邏輯的遵循，忽視對信息深刻內容和崇高意義的深度挖掘，由此會引發一系列社會負面效應，觸發受教育者的倫理反思。基于數字的算法應然且必然在思想政治教育的充分耦合過程中，在正確價值觀念引領下，才能保持正確的發展方向。“算法也有價值觀”，價值判斷寓于算法過程中，“人設”的價值因素貫穿始終。算法技術為人所研發，算法推薦同樣需要人的信息把控，而且，智能算法推薦以用戶的信息偏好為模型和基準，因此，算法本身同時承載著設計者、把關人以及用戶價值取向的“三重門”。然而，只有通過思想政治教育活動，給三重“人設”以正確的價值關懷、價值批判和價值引領，提升其價值判斷力、價值覺悟性和對核心價值觀的踐行力，才能在源頭上賦予算法正確積極的價值理性。

4.思想政治教育的高效性要用降低算法的時間復雜度來保障

伴隨人工智能的迭代升級，不久的將來，6G將使思想政治教育更加高效。6G支持更多維度的虛擬現實，不僅可以看3D圖像，還可以實現更多維度感官信息的傳輸，如嗅覺、味覺、觸覺。通過6G營造的多維思想政治教育信息環境，學生可以獲得多感官投入的沉浸式學習體驗，并獲得對知識更佳的理解和記憶效果。6G能夠實現端到端的人工智能技術，更多地擺脫對遠程服務器的依賴，實現實時準確的機器翻譯。6G場境下的機器翻譯技術，可以更好地幫助當代青年拓展與國際環境的交流溝通，對于拓展國際視野大有裨益。思想政治教育的過程中，無論是對教育內容或是教育載體，抑或是思想政治管理的過程，以及教育個體的身份信息等內容，信息的安全性和保密性十分重要。6G可以使教育信息在安全性上得到更有效的保證。

思想政治教育中應用的算法，是一套通過確定性保證解決問題的工具，以追求時間復雜度低來確保思想政治教育的高效性。時間復雜度是算法中某些基本操作的總數量，是隨著算法輸入規模而增長的函數關系。一方面，降低算法的空間復雜度（即衡量不同算法運算時需要占據空間資源的大小）可以保證更快的運行時間；另一方面，傅里葉變換可以將時間復雜度降低量級，采用“分治”思想保障算法的高效。算法工程師不斷追尋更行之有效的技術，以降低算法的時間復雜度，從而為思想政治教育提供內容更豐富、方法更科學、效能更卓越的人工智能技術環境，助力思想政治教育的卓效性與便捷性。

5.思想政治教育的規律性要用算法的有效性來探究

思想政治教育過程基本規律的探究在人工智能時代備受學界關注。列寧指出：“規律就是關系……是本質的關系或本質之間的關系。”思想政治教育中人工智能算法的基本規律，指教育過程中存乎于以人為核心的教育主客體、以智能技術為手段的教育介體和以互聯網為介質的環體之間的本質聯系，及其矛盾運動的必然趨勢。例如，智能技術工具理性與思想政治教育價值理性之間的聯系及其相互作用；智媒視域下思想政治教育者、受教育者之間的相互轉化及互動趨勢等。而要揭示思想政治教育中人工智能算法各要素之間的內在規律性，要以算法的有效性作為基本審視和切入點。

思想政治教育中人工智能算法的有效性體現在三個方面：一是數學建模。數學模型應貼近思想政治教育實踐且保持可解釋性，即數學建模應與教育實踐高度擬合。算法是用數學公式表達的計算方法，與思想政治教育實踐之間有一條鴻溝。數學模型是連接兩端的橋梁和中介。如果數學建模疏于思想政治教育實踐問題的重點，算法得到的結果就不能重新應用于教育過程；如果數學模型非常貼近教育實踐，算法卻設計得不夠嚴謹有效，也不利于挖掘思想政治教育過程中的內在規律。二是問題規模。探究思想政治教育中人工智能算法過程的規律，意味著需要探索教育各要素之間的內在矛盾和實際問題。如果問題規模體量過大，會超越計算機的實際算力。所以，需要在算法開發時摒棄一些信息，把規模龐大、無法計算的問題減小到計算機可以處理的規模。三是通過迭代得到結果。人工智能算法在實踐中有很多問題，僅僅通過數學建模和縮小規模，無法一蹴而就地得到答案。這類問題需要算法通過不斷迭代，最終得到解決方案。同時又能保證很高的效率，這個過程在算法領域叫“探索與利用”。例如，我們常常需要研究智能技術賦能下精準教育問題的內在規律，不斷在教育平臺為受教育者推薦個性化和定制化的教育內容。所謂“探索”，就是不斷推薦各類教育內容信息，探析受教育者對教育內容的個人偏好；所謂“利用”，就是在“探索”出受教育者更感興趣的教育內容后，根據其興趣點更多地推薦相關的教育信息。從以上三個方面提升算法有效性，才能最終推進思想政治教育中人工智能算法過程規律的挖掘和探索。

（二）思想政治教育中人工智能算法的局限性

智能算法對思想政治教育賦能的同時，也會因其內在技術邏輯質的規定性而產生一定局限性，這也是馬克思主義哲學關于矛盾的對立統一性描述的現實寫照。

1.算法與思想政治教育實踐問題存在間隙

思想政治教育實踐過程中，當受教育個體產生解決實際問題的訴求，意欲通過算法實現和解決時，常會出現算法和教育實踐問題之間的間隙。換言之，算法無法對教育實踐問題的解決和處理直接負責。例如，思想政治教育實踐中，學生出現人生壓力和挫折時，教育者（輔導員）常會對其提出保障個人生命財產安全的要求。就教育者而言，對學生生命安全的期許，蘊含對他們身處挫折和逆境時內心調適方法和生命智慧的教育，體現了對受教育者的人文關懷。但就算法而言，無法對生命財產安全這一總體訴求有任何人文意義的價值理性，取而代之的是基于機器學習的純工具理性。算法會從經驗主義視角，對學生壓力值指標位于何種區間，以及學生人臉識別后面部表情和肢體動作指標的外在表現，進行用戶畫像，在輸入端攝取大量學生信息數據后，在輸出端進行學生心理和行為的預測。算法并不能像人類教育者一樣產生對學生心理健康和生命安全的關愛，無法產生對生命智慧的具身智慧，更無以從受教育者生命安全人文關懷角度，靈活而全面地產生心理健康教育工作進路。可見，當運用智能算法助力思想政治教育發展之際，人們不能忘卻科技進步畢竟只是人的進步，終究代替不了人類智能。算法僅僅是人的一部分能力的擴展與延伸，在面對人類智能時，無非是一個工具而已，其確定性邏輯掩飾的是科技背后人與世界的不確定性。這也提醒人類教育者，算法距離思想政治教育實踐問題的解決存在間隙，人工智能算法的應用，在一定程度上不可忽略背后教育者和被教育者主體的作用，促進思想政治教育提質增效的是活動場域內主體教育能力的實現，而算法作為技術手段僅僅在某個領域內扮演著工具作用。

2.算法受思想政治教育數據源制約

思想政治教育中的人工智能算法，需要有輸入端的教育數據源，經過計算的過程，在輸出端產出計算結果。其間，算法執行的主要是計算過程的實現。換言之，算法只負責思想政治教育過程的“算”，無法決定輸入和輸出。現階段，人工智能在思想政治教育中的應用，就是將受教育者的思想和實踐視為大數據“樣本空間”，通過搜聚和剖釋教育者和受教育者各種活動產生的數據印記，進而對其思維及舉止特點進行全程、立體“畫像”；通過深度學習算法挖掘和探索個體的行為演化規律，實現教育過程的數字化、智能化、精準化和個性化；通過采集大體量思想政治教育數據樣本，獲得統計學意義上具有潛在價值的規律、趨勢或創見，使教育者和受教育者的思想和行為實現從微量數據到海量數據、從小到大、從因果關系到相關關系的具象更動。按照以上技術邏輯，將智能算法嵌入思想政治教育中的首要條件，是最大限度地收集高校思想政治教育要素以及過程中的歷史數據，特別是由學生在平時學習或日常生活中不同空間場景所形成的活動痕跡等歷史數據，包含文字、各種報表、圖片、XML、HTML、聲音、視頻等。唯有通過采集和分析這些數據，算法才能實現對學生思想動態、價值傾向和行為規律的整體把握以及科學預測。可見，沒有數據源的支持，算法設計就沒有生存和研究的信息土壤，更無法實現思想政治教育的精準化和針對性。

3.算法無法對思想政治教育結果進行解釋

算法應用于思想政治教育領域，可以為教育實踐過程提供針對性解決方案，有助于“精準思政”的實現。但其無法對其賦能實施的思想政治教育結果進行科學有據的解釋，這也是人類思想政治教育主體選擇算法面臨的最大困境。例如，算法工程師耗力研發的心理健康水平測評算法在應用時，一定程度上能對受教育者心理狀況進行診斷和預測，然而，經常受到從事心理工作的思想政治教育者的排斥。從算法測評結果看，多數情況下，如果成功預測了受教育者潛在的心理危機，教育者得知和自己的預期心理判斷一致，便會認為算法不存在實際價值；反之，如果算法測評結果、治療推薦方法，與思想政治教育者的判斷背離，算法無法對心理測評和診斷過程提供詳實有力的解釋，就會使教育者陷入矛盾，進而出現認知失調。[3]有些機器學習算法內在的技術邏輯過于復雜，人類教育者根本無法理解和接受，導致在對受教育者重大心理危機的預測和研判上，無法信任算法，導致從事心理工作的思想政治教育者認為算法非科學、不可用。不同的算法復雜程度各異，意味著算法解釋性水平也會迥異。算法設計者有時在緩解算法應用于思想政治教育實踐過程時，因無法解釋自身矛盾的結果，甚至寧可放棄算法一定的準確性，轉而選擇更易被人類思想政治教育者解釋和接受的算法。如此一來，算法無法對其實施后的結果進行有效解釋，成為思想政治教育中，人工智能算法應用過程的又一個矛盾和局限。

三、算法設計：嵌入思想政治教育的過程

“人工智能+”思想政治教育的算法在明確了基本特性之后，實際的設計環節是關鍵。具體言之，先要明確算法擬解決的思想政治實踐問題的方向和邊界，然后建立數學模型，再找到合適的算法[4]，如圖1所示。

（一）智能算法的問題界定

算法設計存在一個基本前提，就是對思想政治教育過程中亟待解決的實踐問題進行清晰界定。算法設計師要對思想政治教育實踐問題的研究對象、各個要素、目的和任務，以及宏觀和微觀環境特征中包含的思想政治教育內容、可能運用到的方法和手段等作出準確而清晰的研判和定位。算法設計之前，算法設計師應先對欲解決實踐問題的“方向”和“邊界”達成共識。具體明確問題有三個要素，以研發一款高校大學生《形勢與政策》課程知識定制化推送算法為例：一是明確目的。對目的的描述可以有很多種，比如“匹配到所有在校大學生”，目的不同會直接影響到后續算法的設計。二是明確限制條件。比如“每位在校生獲得前后兩方面定制化紅色文化知識推送的時間差不超過1秒鐘”，等等。這個環節要將各個指標以量化的形式確立下來。整個過程還要考慮到合理性和復雜性，能否準確快速判斷限制條件的合理性是關鍵一環。三是明確評價標準。即問題得以解決的標準維度，如時間、成本、效率等。設立標準才能有效判斷思想政治教育實踐問題是否得以解決。

（二）智能算法的模型建構

人工智能算法的數學模型建構，是思想政治教育實踐問題與算法最終研發之間的橋梁。介于思想政治教育實踐中存在諸多矛盾和相互關系，數學建模無法描述實踐中的全部客觀現實，常常需要在其間作出取舍，尋找到最貼合現實問題的數學描述。數學建模過程包括三個步驟：第一步是確定假設。思想政治教育涉及以馬克思主義哲學為基礎的人學研究，現實中涉及的因素紛繁復雜，包括多種人口統計學變量的考量、國家和社會宏觀環境的變遷、人作為社會個體思想觀念的演化等。建模過程不可能面面俱到，統攝盡包，要明確后期算法預測結果的精度后再有所取舍。確定假設是逐步確立重要變量和明晰核心關系的過程。舍棄擬解決問題中的非主要細節，將模糊問題廓清和量化，如此方能把復雜的現實問題，轉化為計算機可以理解、算法可以處理的數學問題。第二步是驗證模型。思想政治教育中的人學研究，可以根據實際情況的不同，設計不同數學模型，如常用的馬爾薩斯模型、萊斯利矩陣模型、凱菲茨矩陣模型、ARMA模型、邏輯斯蒂增長模型等。對選取模型的驗證，可以采用常識、時間尺度等不同思路和角度，通過不斷比較，迭代出更恰切的模型，盡可能將思想政治教育現實問題無損地映射入計算機。第三步是權衡可行性。數學建模初步確定后，要在模型的準確性和實現成本上進行認真取舍和全面考量。所選模型是否能確定為最優選擇，不僅要驗證模型的科學性，還要衡量其應用于思想政治教育實際問題的可行性。通常對模型的準確性要求高，便會帶來變量多、邏輯復雜、數據不可得等實際困難，對后續算法設計的要求也會更高，這種高要求會體現在算法設計的成本、復雜度等方面。模型的選擇過程存在主觀成分，沒有統一的標準。但核心和底線是，模型必須能夠為算法帶來有效解。由此可見，有針對性地解決思想政治教育中的實踐問題，不僅要追求模型準確，還必須權衡其可行性高低，從而最終探究到既能準確描述現實，又能有效求解的數學模型。

（三）智能算法的空間選擇

在對智能算法的實踐問題進行清晰而準確的界定，又將復雜的實踐問題通過建模轉化為數學語言之后，便進入通過算法解決問題的最關鍵步驟。數學模型與算法并非一一對應的關系，同樣一個數學模型，可以對應較多種類的算法。為此，數學模型探究到合適的算法，需要根據思想政治教育實踐的具體場景和問題解決的目標，從算法處理問題的質量、算法的效率（時間復雜度）和對數據源的敏感度（容錯度）三方面做出權衡和考量。智能算法的空間選擇，亦存在諸多策略。例如：迭代算法可逐步接近問題的答案；分治算法有助于將實踐中的宏大問題進行拆解，進而各個擊破；動態規劃算法著眼于從實踐中的細小問題出發，逐級解決更高層次的問題；分支定界算法助力淘汰問題中的次要環節和因素；啟發式算法擅長處理放棄思想政治教育實踐最優解之后的其余問題；蒙特卡洛算法著重處理實踐中丟失確定性解后的后續問題，等等。由此，思想政治教育中人工智能算法的錨定，可根據權衡標準在諸多算法策略空間中進行思酌和探索。

四、 算法宗旨：“人工智能+”思想政治教育的邏輯旨歸

思想政治教育中人工智能算法的設計，離不開對邏輯旨歸的基本遵循。算法設計的宗旨是對人性的回歸，也是思想政治教育中人工智能應用的核心所在。

（一）“計算不可約性”對智能算法的固有約束

計算機科學中存在一個關鍵的數學概念，叫作“計算不可約性”（Computational Irreducibility）。約化（Reducible）是用一個濃縮的陳述（一個理論或一個公式）概括一個現象，是對現實信息的壓縮表達。馬克思主義哲學中有關自然科學、社會科學的理論、世界觀和方法論，歷史唯物主義視角下人和社會發展演進的一切規律，還有中華優秀傳統文化中的各類成語典故等都是對現實世界的某種約化。約化帶來特有的快捷思維方式，使得人類可以對事物的發展做出預測。然而，數學家早已證明，真正可約化的都是一些簡單系統，或是真實世界的一個簡單近似模型，一切足夠復雜的系統都不可約化。就思想政治教育而言，科技進步無法約化一切教育現象，更無法約化整個復雜的思想政治教育生態。蒂姆·帕爾默（Tim" Palm）在《首要懷疑》（The Primacy of Doubt）一書中提到：“哪怕只有三個天體在一起運動，它們的軌道也會通往混沌的亂紀元，不能用公式描寫，不可預測。”[5]這便是人類客觀世界的“計算不可約化”實證。

思想政治教育中人工智能算法的應用，是計算不可約的教育過程，本質上沒有任何理論能提前作出預測，只有伴隨智能技術的進步逐漸演化，也沒有任何人可以知道演化的最終結果。計算不可約性揭示，任何復雜系統本質上都是沒有公式、沒有理論、沒有捷徑，不可概括、不可預測的，思想政治教育更是如此。人類思想政治教育主體對教育生態和過程的理解是不可窮盡的。這意味著無論科技如何進步、人工智能算法多么先進，思想政治教育生態中總會有全新事物出現。

根據“計算不可約性”的特點進一步推演可知，在任何一個不可約化的系統之中，總有無限多個“可約化的口袋”（Pockets of Computational Reducibility）。雖然人類教育者無法通過算法總結、計算思想政治教育系統的完整規律，但是可以找到一些局部的規律。例如，人類教育者無法通過算法精確預測一年以后的思想政治教育狀況，但可以探究到一些局部有效的思想政治教育學理論。這些通過算法計算得來的局部理論，無法稱之為客觀規律，但也有著一定效用。這就意味著，思想政治教育本質上是復雜和不可預測的，而人類教育個體可以作一些科學探索和研究，如總結一些規律、發表一些學術觀點、安排一些事情和工作。絕對的無序之中存在著無數個相對的秩序。思想政治教育中有無限多個“可約化的口袋”，通過算法科學探索教育一般規律就是一項永無結束、絕不停息的崇高事業。

“計算不可約性”意味著，人類思想政治教育個體不可能對智能算法保持絕對的控制和約束。基于思想政治教育實踐事實的數學模型訓練好之后，人工智能設計者會對其進行大量的微調和強化學習，并約束起來，確保其不說出容易引起爭議的言語，不做可能威脅和影響主流意識形態的事宜。然而，不排除有些設計人員試圖用提示語，幫助智能算法繞過思想政治教育話語域限，像越獄一樣自由發表言論。遇到這種情況，思想政治教育隊伍中的技術專家會設法補上漏洞。而“計算不可約性”的特點，限定技術專家不可能用若干條有限的規則把人工智能“封死”。因此，一些思想政治教育者倡導的聯合起來設計一套人工智能防范機制算法，注定不可能完全實現。導致出現一個疑問：既然人類思想政治教育個體無法完全控制人工智能，那會不會出現一個終極人工智能，把思想政治教育生態的一切控制住呢？答案是不可能的。同樣，因為“計算不可約性”，人工智能再強，也不可能窮盡所有算法和功能。思想政治教育生態系統的復雜性和矛盾存在的普遍性，決定了總有些環節和問題是人工智能想不到也做不到的。這也意味著，所有智能算法全部加在一起也不可能窮盡所有功能，總會有些事情留給人類教育個體去做。“計算不可約性”使利用智能算法代替思想政治教育者勞動是“不可能完成的任務”。同時，人工智能作為教育主體最終控制思想政治教育生態的擔憂更是杞人憂天。[6]

（二）“計算等價原理”對智能算法的價值推定

計算機科學中的“計算等價原理” （Principle of Computational Equivalence）指所有復雜系統，不管多么復雜，都是“同等”復雜，無法判定一個系統比另一個系統更復雜。例如，一袋空氣中有很多空氣分子，分子的運動非常復雜，而人類社會也非常復雜，是否高于那一袋空氣分子運動的復雜程度呢？“計算等價原理”的答案是兩者同等復雜。從數學上講，這意味著人類文明并不比一袋空氣分子更高級。其實，思想政治教育個體都應成為一位“不特殊論者”。古希臘天文學家認為地球是宇宙的中心，后來發現地球不是宇宙的中心，人類也只是生命演化的產物。站在宇宙的廣義視角，人類的存在沒有什么本質的特殊之處。[7]

現階段，人工智能數學模型告訴人們，人的智力沒有什么特殊之處。任何一個足夠復雜的神經網絡都與人的大腦同等復雜，不能一概而論地認為，人能理解的科學理論就高級，人工智能通過算法計算和識別二進制數字的過程就低級。[8]由此進一步推論，既然都是平等的，那硅基生命和碳基生命自然也是平等的。面對基于算法的人工智能，人類思想政治教育個體又如何自詡自己更有價值？

馬克思主義歷史唯物主義哲學擲地有聲地對此問題作出回答：人之為人高于人工智能算法的價值在于歷史。人類思想政治教育個體之所以高揚人的主體性價值而不是人工智能算法，正是因為人類教育個體身上的基因背負億萬年生物演化的歷史包袱，人類創造的文化承載了無數的歷史記憶。[9]

從數學視角審視，一切價值觀都是主觀的。對于思想政治教育中人工智能算法的審視而言，一個剛剛搭建好、所有參數都是隨機的、尚未訓練的神經網絡，和一個訓練完備的神經網絡，它們的復雜程度其實是一樣的。[10]人類之所以更欣賞訓練完備的神經網絡，認為它“更智能”，只因為它是用人類思想政治教育個體語料訓練出來的，它更像人類。因此，思想政治教育中人工智能算法的最高價值在于它像人，其核心是以人為本。試問，如果智能算法不以人為本，那它又要以何為本？如果解決思想政治教育復雜問題的智能算法不接受人類教育個體的價值觀，那它還有什么價值觀？

當前，人工智能算法幾乎已經擁有了人類思想政治教育個體的各項能力。以美國Open AI公司開發的ChatGPT為例：創造力上，它可以撰寫思想政治教育科研論文；情感方面，它可以根據教育客體的設定和需求生成情感內容反饋；能力層面，它還有遠超普通人的判斷能力、推理能力和算力；知識維度，它還有海量的馬克思主義學科知識儲備[11]。

思想政治教育中的人工智能算法代碼，是人類技術專家臨時編寫，而不是經億萬年演化而來；算法的記憶是人類用思想政治教育大數據“喂養”而來，而不是所謂的“硅基祖先”所遺傳。算法無法通過代碼計算形成人工智能自己的價值觀，更無法比肩和超越人類思想政治教育個體的價值觀。這就是人類思想政治教育個體相對于智能算法最核心的優勢。只要人工智能還不完全是人，決定思想政治教育未來發展方向的就只能是人，而不是算法。所以未來智能算法跟人類思想政治教育個體的關系，不是“降臨”“拯救”，也不是“幸存”，而是“共存”；不是人類思想政治教育個體的勞動被智能算法所取代，而是以人為本的思想政治教育，因為有了智能算法的賦能而變得更加智能。

參考文獻：

[1]牟智佳.“人工智能+”時代的個性化學習理論重思與開解[J].遠程教育雜志，2017，35（3）：11-16.

[2]崔聰.人工智能時代思想政治教育的算法風險及其應對[J].思想理論教育，2020（5）：76-81.

[3]周源源.算法推薦環境下的大學生認知心理困境及應對策略[J].思想理論教育，2022（10）：91-96.

[4]吳晶辰.算法通識16講[EB/OL].（2023-09-08）[2023-11-08].https：//www.douban.com/note/853714655/？_i=8927466sllwIO4.

[5]PALMER T. The primacy of doubt： from climate change to quantum physic[M]. Oxford： Oxford University Press， 2022：142.

[6]張馳.思想政治教育智能化發展的算法審視[J].思想教育研究，2022（9）：45-51.

[7]申曉騰，崔金奇.“5G+人工智能+”背景下教育生態模式的建構[J].中國教育信息化，2021（23）：39-42.

[8]申曉騰，崔金奇.人工智能時代思想政治教育文化的傳承與更始[J].中國教育信息化，2021（19）：18-23.

[9]韋恩·霍姆斯，孫夢，袁莉.人工智能與教育：本質探析和未來挑戰[J].中國教育信息化，2023，29（2）：16-26..

[10]托雷·霍爾，李思琦，孫波.生成式人工智能對歐洲教育的影響及對中國的啟示[J].中國教育信息化，2023，29（6）：8-16.

[11]史蒂芬·沃森，喬納森·羅米，文森特·連恩，等.ChatGPT與社會、教育和技術的糾纏進化——基于系統論視角[J].中國教育信息化，2023，29（9）：12-20.