《National Catholic Register》4 月 13 日刊发评论，借约翰·弥尔顿 1644 年《论教育》谈生成式 AI。弥尔顿说，教育要“repair the ruines”，修补人的废墟；语言只是把“有用之事”传递给我们的工具，不是知识本身。

这篇文章刺中的不是“ChatGPT 能不能代写作业”。它问得更狠：当大模型几秒钟就能交出一篇体面文章，学校还敢不敢承认，自己太久以来把文字顺滑误当成了理解力。

发生了什么：AI 能生成答案，教育要生成会判断的人

大模型已经是一台好用的文本发动机。ChatGPT、Claude、Gemini 这类工具可以总结书籍、起草论文、翻译段落、生成代码、整理文献，也能辅助备课和处理模板化写作。

原文没有反 AI。它承认 AI 有工具价值。问题在于，工具一旦替代学习过程，教育就被偷换了。

场景AI 能做什么教育该检验什么主要风险
写作生成结构完整的文章阅读、追问、草稿、修订学生交出文本，却没有形成判断
研究整理资料和摘要看清问题边界摘要像懂了，问题仍没想明白
教学辅助备课、翻译、出题带学生进入问题教师退成内容分发员
评价让成果更像成果检验思考过程学校只看终稿，不看心智劳动

受影响最直接的是三类人。

学生更容易跳过慢工夫：读原文、卡住、犹豫、重写。教师必须重新判断：一篇漂亮作业到底证明了什么。学校则要面对硬问题：如果论文和作业只奖励最终文本，大模型就是这个体系最顺手的外挂。

这也是为什么“禁不禁 AI”不是最关键的问题。关键在于，学校到底还验不验过程。

为什么重要：语言不是理解，流畅会遮住空心

弥尔顿当年批评过一种教学顺序：学生还没有经过“long reading and observing”，就被要求写主题文、诗和演说。今天的大模型把这个错误放大了。以前是学生硬凑漂亮话，现在是机器直接批量生产漂亮话。

这和计算器进入数学课堂不完全一样。计算器替代的是部分计算动作。数学教育还能转向建模、证明和问题设定。

生成式 AI 麻烦得多。很多学校恰好把“写出一段像样解释”当成理解的证据。它替代的不是一道工序，而是评价系统最常用的表面信号。

历史上类似的冲击并不少。印刷术让背诵不再是知识的唯一门槛，互联网让查资料不再稀缺。每一次工具降价，教育都要回答同一个老问题：还剩什么必须由人亲自完成？

答案并不玄。判断、责任、品味、追问，以及面对不确定时不急着装懂。

行业现实更粗糙。学校口头上重视批判性思维，日常评价却常靠页数、格式、引用数量和表达流畅度。天下熙熙，皆为利来；教育现场里的“利”，很多时候不是钱，而是省事。

教师要批改更多学生。学生要更快完成更多任务。管理者要可量化成果。AI 一来，所有人都得到了省事的理由。这不是 AI 的原罪，是旧评价体系露了底。

谁该怎么做：教师改作业，学生留痕迹，家长别只问禁令

教师最该调整的不是口号，而是作业结构。只交一篇终稿，已经越来越难说明学习发生过。更靠谱的设计，是把过程拆出来：阅读笔记、问题清单、分阶段草稿、课堂讨论、口头答辩、修订说明。

这些做法不保证没人偷懒，但能提高偷懒成本。也能让 AI 回到工具位置：帮学生整理材料、比较表达、检查逻辑，而不是替学生完成思考。

家长问学校时，也别只问“能不能用 AI”。更该问三件事：作业是否要求展示过程？课堂有没有追问和讨论？评分是否区分成品质量和思考痕迹？

大学生和知识工作者要更现实一点。以后能写一段顺滑文字不再稀缺，甚至会快速贬值。真正值钱的是你能不能提出好问题，能不能判断材料质量，能不能解释自己为什么这样写。

接下来最该观察的也很具体：课程设计有没有改，评分表有没有改，课堂有没有增加现场表达和追问。若仍然只收终稿，AI 检测器也救不了教育。

限制也要说清。并不是所有学段都该用同一套办法。低年级学生还需要基础阅读和表达训练，过早把生成式 AI 当默认助手，可能会削弱基本功。大学和职业教育则更适合把 AI 纳入流程，但必须要求学生说明使用边界和判断依据。

我不太买账那种轻飘飘的“拥抱 AI 教育”。拥抱什么？如果拥抱的是更快复制标准答案，那只是给旧毛病换电池。真正该拥抱的，是更难作弊、也更难偷懒的学习设计。

教师不会消失。会失去遮羞布的是偷懒的教学。内容分发员会被机器挤压，带学生辨析混乱、修正判断、承担责任的教师反而更重要。