【摘要】前瞻性视野是落地人工智能技术应用的关键抓手。美国国家科学基金作为基础人工智能研究的主要非国防联邦资助者，在支持基础研究、推动创新智力资源、培育人工智能专项人才等方面发挥了主导作用。本文试图对美国国家科学基金资助的18个人工智能研究所进行系统分析，旨在明晰人工智能技术应用的国际视野与前瞻规划。研究过程中采用文本分析方法，梳理并规整其2020年以来资助的人工智能研究所，发现其主要聚焦于人工智能社会新产业、人工智能农业新治理、人工智能数字新生活和人工智能教育新生态四个重点领域。本文进一步挖掘人工智能教育生态图景，详尽阐释人工智能助力下的大规模个性化学习、多模态增强的学习力、教育公平的可持续性发展等研究。在此基础上，结合我国人工智能战略现状提出人工智能前瞻性研究的相关建议：立足社会生态，定位人工智能教育驱动下创新人才培养战略；回归学习本质，挖掘人工智能使能的大规模个性化学习变革；瞄准教育创新，探索知识创造和教育创新变革的智能方式；面向教育现状，寻求人工智能时代教育生态重构的技术路径。

【关键词】人工智能应用；国际视野；美国国家科学基金；人工智能研究所；《新一代人工智能发展规划》；人工智能人才培养；人工智能教育生态；教育公平；大规模个性化学习

本研究采用文本分析的方法，梳理了2020年以来NSF官方网站（http：//www.nsf.gov/）所归档的人工智能专项研究所及其具体研究方向。首先，逐一浏览18个人工智能研究所的主要领导机构与合作者（David & Santhosh, 2020; Jason, 2021）。然后，依据研究目的、研究内容等，发现人工智能研究所重点关注人工智能社会新产业、人工智能农业新治理、人工智能数字新生活和人工智能教育新生态四个重点领域，并对其进行系统说明与解释，如表1所示。接着，研究者从四个领域版块中，找寻到与人工智能教育相关的四个研究所，即人工智能动态系统研究所、人工智能参与式学习研究所、人工智能优化研究所和人工智能成人学习和在线教育研究所。最后，进一步挖掘人工智能使能下的教育生态图景，旨在为未来战略规划和行动举措指明前进道路与优化方向。

 表1 NSF人工智能研究研究所一览表

从地域分布情况来看，2020年资助的7所人工智能研究所呈现整体分散、内部聚合的分布情况。而2021年资助的11个研究所覆盖地域更加广泛，几乎包括了美国4/5的州，且呈现出整体聚集、局部分散的分布情况。通过进一步对比我们发现，18个人工智能研究所居多分布于美国沿海地区，而那里正是美国政治、经济和文化发达地区。同时，我们通过检索美国大学排行榜发现，18个人工智能研究所的分布与全美排行前25所高校的地域分布相类似。此外，人工智能研究所的合作单位也逐步递增，更有院校参与了多个人工智能专项研究项目，如佐治亚理工学院、俄亥俄州立大学、华盛顿大学等。这也说明了各个院校都意识到了人工智能技术与社会发展紧密关联，高度重视人工智能主题研究的探索。

可以说，人工智能研究所作为更广泛的社会节点，将人工智能技术应用与社会发展的方方面面连接起来，从新型社会产业到农业生态，再到数字生活经济和教育新生态，都发生了颠覆性变革。本文根据18个人工智能研究所的领域方向，将其分为人工智能社会新产业、人工智能农业新治理、人工智能数字新生活和人工智能教育新生态四个领域，并通过系统分析人工智能在诸多跨领域方向的布局与关键行动，以期为人工智能教育应用的科学落地提供有效举措的建议。

（一）人工智能社会新产业

1. 天气、气候和沿海海洋学可信人工智能研究所

人工智能天生处理大数据以及对不完全、不确定信息的推断能力，成为气候预测的有力武器。德克萨斯大学奥斯汀分校研究者开发了一种新的人工智能代理，通过对周围环境进行了一些“窥探”（占整个360度视野的不到20%）推断整个环境的其余部分。这个系统如此有效的原因在于，它不只是随机拍摄照片的方向，而是选择下一个镜头“窥探”后，可在下一张照片里添加整个场景的最新预测信息。这启示我们：人工智能的意义在于机器学习后能够快速预测未来相似场景的出现并帮助类似情况下问题的解决。

天气、气候和沿海海洋学可信人工智能研究所由俄克拉荷马大学诺曼分校领导，致力于研发可信赖人工智能技术系统，以对气候和沿海灾害进行建模、预测、分析和反馈。具体地讲，该研究所从人工智能基础应用出发，探测如何将多样化的原始数据转变为可操作的指导和预测。此外，通过人工智能培训项目，该研究所也为人工智能专业人才培育贡献力量。

2. 分子发现、合成策略和制造研究所

分子发现、合成策略和制造研究所由伊利诺伊大学厄巴纳-香槟分校领导，以实现基因结构和生物体的快速设计、制造、验证和质量控制等，即简化和加速分子合成和新材料的发现。他们在这个过程中，通过机器学习和人工智能工具，合成化学领域内更有效的分子创造解决方案。此外，他们还将分子设计过程与人工智能自动化合成相结合，以建成下一代具有化学合成和生物工程领域知识的科学家训练基地。

3. 大规模学习优化研究所

大规模学习优化研究所是加州大学圣地亚哥分校领导，由英特尔资助，旨在通过应对规模和复杂性等根本挑战实现“不可能的优化”目标。具体而言，该研究所通过人工智能技术，解决现代计算机科学技术无法解决的大规模优化问题，从而改善半导体的设计和操作。其成果优化将用于对国家发展至关重要的几个重点领域，包括半导体芯片设计、分布式机器人、计算机和通信网络，以及关联国家健康、繁荣和福祉的其他方面应用。同时，该研究所还制定了劳动力发展计划，并提升了从中学到高级研究人员的参与度。

4. 机器学习基础研究所

机器学习基础研究所由德克萨斯大学奥斯汀分校领导，致力于解决机器学习的基本挑战和应用，为更安全、更可靠的人工智能应用（如自动驾驶汽车等）提供基础。该团队通过研究新的理论，系统解释算法如何在实践中成功实现最佳解决方案，以将变化的数据融入环境中。在这个过程中，人工智能要完全复制大脑的决策过程，即科学理解神经网络是如何工作的，其关键在于数据的可解释性和算法的可靠性。

5. 人工智能与基础交互研究所

人工智能与基础交互研究所由麻省理工学院领导，致力于构建融合基本物理原理的人工智能，使数据分析选择更具针对性，以及探索物理概念和人工智能之间的协同作用，以提高对人工智能技术的基本理解，并利用这些技术改善神经网络架构等。同时，该研究所十分重视人工智能技术的社会效应扩散和伦理安全等，即期待利用人工智能技术优势帮助更多人提高幸福感和生活福祉。

（二）人工智能农业新治理

1. 未来食品人工智能研究所

未来食品人工智能研究所由加州大学戴维斯分校领导，遵循食品系统的生物学信息规律，实现了食品制造的绿色化、健康化等安全目标。利用人工智能技术能够科学显示食品信息的生物学规律，通过了解食品生成的具体过程从而解决分子育种问题，优化产量、作物质量以及抗病虫害等。同时，通过包容性教育和外联途径，该食品系统研究所也培育了大量掌握人工智能技术应用的新型职业劳动力。

2. 未来农业管理和可持续性人工智能研究所

未来农业管理和可持续性人工智能研究所是由伊利诺伊大学厄巴纳-香槟分校领导，致力于农业链的可持续发展目标。具体而言，通过计算机视觉、机器学习、软物体操作和人机交互等人工智能技术应用解决了农业领域的诸多挑战，如劳动力短缺、农作物生产率、环境复原力等。长期以来，该研究所持续与计算机科学、农业所、全球信息交换所等协同研究未来农业管理的发展趋势，以期实现人工智能赋能农业管理的跨领域合作交流。

3. 农业人工智能劳动力转型和决策支持研究所

农业人工智能劳动力转型和决策支持研究所由华盛顿州立大学领导，美国农业部与农业研究院提供支持，致力于农业领域的劳动力转型和决策支持。具体来说，应用人工智能技术，根据气候变化科学管理、动态预测农作物的生长周期和培育方法，从而提高水果和蔬菜作物的生产质量和产量。同时，积极调动计算机科学、农业领域的教师和科学家、农民、工人等参与科技农业研究项目，如开展人工智能在劳动力、水资源、气候变化等复杂农业问题上的应用，这也提高了下一代劳动力的技术水平，促进了人工智能人才培训的多元化和公平化。

4. 弹性农业研究所

弹性农业研究所由爱荷华州立大学领导，美国农业部和农业研究院提供支持。该研究所将应用人工智能技术帮助植物更好适应气候变化，同时多元联动合作伙伴，推动植物科学、农业经济学和人工智能的交叉研究，如采用人工智能算法、图像识别、数字孪生技术等，建立并预测植物生长的变化模型，从而实现农业生产的规模化、优质化、弹性化等质量发展目标。

（三）人工智能数字新生活

1. 网络组协作协助和响应式交互研究所

网络组协作协助和响应式交互研究所由佐治亚理工学院领导，亚马逊和谷歌提供部分资助，旨在开发人工智能系统，学习人类行为的个体模型以及研究它们如何随时间变化。在人口老年化趋于严重的社会中，该研究所开发的人工智能护理合作伙伴，让护理人员能够长期响应老年人不断变化的需求，有助于帮助老年人提高生活质量，同时考虑到患者和家庭的隐私问题，提高整个护理协调的有效性。

2. 环境计算学习智能网络基础设施研究所

环境计算学习智能网络基础设施研究所由俄亥俄州立大学领导，NSF全额资助。该研究中心聚焦于开发简化人工智能使用的方法，让研究人员使用人工智能的过程变得更加简单，并将其提供给更广泛的用户，如小型机构、当地社区研究人员或新型职业农民等。具体而言，研究人员基于自适应人工智能、知识图谱等领域的研究进展，计划建立一个可以在精准农业、动物生态学等领域“即插即用”的国家网络基础设施，从而增强了人工智能技术应用的循环性。同时，该所通过引进来自多学科背景的科学家以保障人工智能技术应用方案的可信度和包容性。

3. 下一代边缘网络与分布式智能研究所

下一代边缘网络与分布式智能研究所由俄亥俄州立大学领导，美国国土安全部部分资助。该所利用网络和人工智能之间的协同效应，设计出了高效、可靠、稳健和安全的后代无线边缘网络，并确保这些网络能够进行自我修复和自我优化，从而改善人工智能在智慧交通、远程医疗、分布式机器人和智能航空航天等领域的应用。此外，该研究所创造了一个研究、教育、知识转移和劳动力发展环境，进一步保障了美国在下一代边缘网络领域的领导地位。

4. 利用下一代网络的边缘计算研究所

利用下一代网络的边缘计算研究所由杜克大学领导，美国国土安全部部分出资。该研究所专注于开发具有人工智能功能的边缘计算，为网络边缘、云端用户提供更好的网络访问，同时还致力于控制网络的复杂性和成本。研究所汇聚来自七所大学的科学家、工程师、统计学家、法律学者和心理学家团队，其核心价值观是人工智能的道德和公平，致力于通过未来系统的设计、运行和服务培养多元化的下一代边缘计算和网络领导者。同时，作为社区的一个联系点，该研究所率先开展协作、知识共享和转移，将新兴技术能力转化为新的商业模式和创业机会。

（四）人工智能教育新生态

1. 学生人工智能团队人工智能研究所

学生人工智能团队人工智能研究所由科罗拉多大学博尔德分校领导，致力于开发“人工智能伙伴”技术系统，即让学生与机器人在课堂上通过语言、手势、眼神和面部表情进行自然互动，促进深度合作学习。同时，“人工智能伙伴”基于自主感知、建模和促进协作学习的人工智能引擎，以及整合语音和非语言信号的新算法，能够识别学生的面部表情和手势，进一步评估学生的兴趣和参与程度，通过人工智能技术应用的个性化干预，为每位学生创造了更具包容性、更有吸引力的学习空间和交流方式，这也有助于大规模个性化学习的实现。

2. 人工智能优化研究所

人工智能优化研究所由佐治亚理工学院领导，英特尔出资赞助。该研究所将结合人工智能和数学优化原理，开发出可进行大规模决策的智能应用系统。这将有助于从生态系统的视角，联结人工智能、社会、教育一体化的前瞻视野。同时，人工智能优化研究所把人工智能技术与经典模型的优化技术相融合，以改善教育生态供应链的复杂运营和管理。此外，该研究所还为人工智能研究开拓了疆域和视野，将教育、研究、创业和公众广泛结合起来，开拓了人工智能在教育领域的应用前景。

3. 人工智能动态系统研究所

人工智能动态系统研究所由华盛顿大学领导，部分由美国国土安全部资助。该研究所致力于开展人工智能基础和机器学习算法等创新研究，专门用于实时安全和控制复杂的动态系统。具体地讲，通过将基于物理的模型与人工智能、机器学习方法相结合，为科学和工程领域的实时传感、预测和决策挑战提供基于数据的可解释方案，从而实现对复杂学习进程中的实时监督和有效干预。在这个过程中，训练可理解的教育数据模型至关重要，即如何基于现实语境解读数据模型的内涵意指和内隐风险，以及如何借助人工智能技术精准决策教与学的全过程等，这些将是未来人工智能系统研究的关键趋势。除了研究之外，该研究所还通过项目合作、设立人工智能学士学位、吸纳贤才等多元渠道，积极培育人工智能领域的未来研究人员。

4. 人工智能参与式学习研究所

人工智能参与式学习研究所由北卡罗来纳州立大学领导，NSF全额资助。该研究所致力于人工智能教育场景构建、智能场域优化等研究。如通过教育环境中的自然语言处理、计算机视觉和机器学习等，让学习者能够在以人工智能为中心的叙事学习环境中参与沉浸式学习。同时，丰富的人工智能虚拟代理和强大的传感联动活动组织，可作为校内和校外STEM教育创新的纽带，这也进一步促进了人工智能教育应用的范畴和规模。

5. 人工智能成人学习和在线教育研究所

人工智能成人学习和在线教育人工智能研究所由佐治亚研究联盟牵头，埃森哲提供部分资助。该研究所致力于人工智能教育产品研发，从而提高成人在线教育的质量。他们在这个过程中，借助人工智能技术优势，探索人类认知和学习理论的进阶规律，并以此为证据，积极干预学生的学习过程，进而提高学习效率和学习成就等。同时，该研究所与教育技术部门的合作伙伴共同采用虚拟助理推进在线学习，降低了学习的门槛和费用，一定程度上促进了教育的公平性。

总体来看，人工智能作为一种中介功能的技术，不仅会对社会新产业、农业新治理、数字新生活产生冲击，还具有改变和重塑教育生态系统的潜力。事实上，教育事业是促进社会发展的人力资本发动机。只有教育领跑，才能为社会发展提前做好人力资源布局，整个社会才能共享技术引发的经济回报。因此，为了科学审视人工智能与教育生态融合的前瞻性研究，我们需要基于智能社会的思维路径，从系统结构和功能层面重塑教育生态，并逐渐形成契合人工智能教育战略发展的适应性服务样貌。基于上述概览分析，我们发现人工智能时代教育的结构性重塑聚焦于大规模个性化学习、多模态增强的学习力、教育公平的可持续性发展研究等领域。

（一）人工智能使能大规模个性化学习的落地研究

“学习”是个人的，“教育”是规模化的，如何在规模化教育中实现个性化学习目标，成为我们需要破解的教育难题。学习涉及“学什么”“怎么学”“在哪里学”“什么时间学”等核心问题，与之相应，大规模个性化学习的实现同样取决于能否解决时间、空间、目标、资源和路径等的个性化问题。人工智能技术的出现为大规模个性化学习在实践层面的实现提供了有利契机（Burden & Kearney, 2016; OECD, 2020）。一方面，人工智能支持的学习过程涉及行为、心理和生理等多模态数据，使学生的多维表现和学习过程以细粒度、可追溯的方式被记录和呈现，有助于学习资源和学习路径的个性化目标实现。另一方面，人工智能支持的数据挖掘过程严格遵循数据汇集、问题诊断、精准干预、全方位评估等流程，为形成性评价和预测性分析提供多元证据，经由精准画像分析、群体分层建议、学习诊断报告和个性化学习路径推荐等过程，能够建构“以学定教—因材施教—以评促教”的智适应教育生态圈。

成人学习和在线教育人工智能研究所正是利用人工智能技术优势，改善大规模在线教育的质量，尤其在新冠肺炎疫情期间，该研究将在线教育资源和课程内容融为一体，使教育能够随时、随地、随处传播（Southern Oregon University, 2020）。在这个过程中，将智能数据、知识图谱等嵌入在线学习系统，通过记录学习者的全过程动态化数据，及时为每位学习者推荐个性化的学习资源和学习路径。同时，利用人工智能技术，记录学习者多模态行为数据，如表情、文字、动态等，并通过数据清洗与处理流程，探索学习者认知发生的进阶规律，并给予积极干预与培训，从而优化了学习者的个性化学习体验，提升了学习过程的幸福感和有效性。此外，该研究所已经研发了人工智能双师系统，借助智能化的资源推送和活动组织，有效减轻了教师的教学负担。

（二）人工智能增强多模态融合的学习力提升研究

伴随人工智能计算智能、感知智能和认知智能等的深入发展，多模态学习分析成为可能。通过充分捕捉学习者课堂行为、面部表情、手势姿态等过程性信息，可更精准地判断学情以及更有针对性地为学生提供积极干预，从而有效提升学习者的学习力（熊红凯等, 2018; 陈凯泉, 2019）。其中，人工智能参与式学习研究所和人工智能动态系统研究所分别从多模态场景搭建和优质资源推送等视角，为我们展示了人工智能增强多模态融合的学习力领域的最新研究进展。

人工智能参与式学习研究所聚焦人工智能驱动的以叙事中心的学习、具体对话代理以及多模态学习分析（North Carolina State University, 2021）。其中，以叙事中心的学习，即利用人工智能技术驱动生成引人入胜的故事互动场景，并为学习资源推送、交流互动途径等提供了更加丰富生动的使能条件，从而激发学习者群体协作创造力的发生。具体对话代理，即基于自然语言技术、计算机视觉技术等，将表情、手势、坐姿等多种形态嵌入智能系统中，以支持与学习者的深度交流和互动，从而激发学习者注意力的持续投入，提高学习者有效学习成就的发生概率。多模态学习分析，即研究所通过课堂录播方式，采集学习者的对话、眼神、面部表情、手势和姿势等多模态数据流，并采用人工智能技术清洗、分析多模态行为数据，探索学习者、教师以及师生之间的交互规律，从而为有效教学设计和活动干预等提供证据。事实上，国内已有研究团队率先从技术赋能课堂的视角出发，深刻阐释了依托智能互联技术AIoT（Artificial Intelligence & Internet of Things）如何采集协作课堂、游戏化课堂、创客课堂和实训课堂等典型场景中的多模态教育数据（顾小清, 等, 2021）。

人工智能动态系统研究所通过提供大量开源教育材料，包括讲座、数据和代码包，以推进人工智能增强的学习力研究。为了覆盖更加广泛多样的学习社区，该研究所还将前沿在线讲座、训练营和讲习班等融入课堂学习任务中，有助于学习者从K-12到研究生阶段实现人工智能知识学习和实践技能掌握的贯通性（Kutz & Brunton, 2021）。具体来说，研究所提供的人工智能教育资源包括初级、中级和高级等不同层级，以及大学本科、研究生等不同学段。以研究生阶段的资源包为例，主要开设机器学习、动态系统控制等课程，并提供数据驱动科学与工程（Data-Driven Science and Engineering）、数据驱动建模与科学计算（Data-Driven Modeling & Scientific Computation）、应用线性代数和数值分析导论（Applied Linear Algebra and Introductory Numerical Analysis）复杂系统结构推断（Inferring Structure of Complex Systems）等领域的前瞻性研究资源。学习者可以通过在线方式，随时、随地、随处访问人工智能学习资源，具体资源共享架构如图1所示。

图1 人工智能动态系统研究所资源共享架构

（三）人工智能赋能教育公平的可持续性发展研究

教育生态是在外部社会环境和内部教育规律约束下，由教学方式、学习体验、管理服务、评估应用等多种要素有机结合并形成动态平衡的一种复杂系统。人工智能的发展，一方面推动外部社会环境变革，另一方面又直接影响多种教育要素，从而有力地推动教育生态系统的动态重塑。在这个进程中，如何为急遽变化、不可预知的未来提前布局具有胜任力的人力资本，实现高阶人才个性化的发展需求，既是重要考量又是艰巨挑战。

为构建公平而有质量的人工智能教育生态圈，人工智能优化研究所分别从机会公平、规模化决策和人工智能全纳教育等方面制定了积极的行动举措（McAleer, 2021）。

其一，为解决就业质量悬殊这一现实问题，该研究所提出了人工智能创新教育和劳动力发展行动规划，尤为重视佐治亚州黑人高中和大学以及加利福尼亚州西班牙裔服务高中和大学等地域的智能化认知水平。与此同时，该研究所积极与国家实验室和工程企业等协同制定实习方案，旨在建设多元化、包容性的交流社区，这也对人工智能技术服务的流动性和智能化人才的培养产生积极效应。

其二，研究所从教育生态的不确定性、动态发展性出发优化和协调数据驱动的模型方法，致力于在多线程环境中实现安全、可扩展的决策服务。同时，研究所采用紧凑型表示、数据压缩和概率建模等创新方法，将动态预测和支持决策等紧密结合，从而实现了大规模强化学习、分散优化流程以及数据驱动的设计服务目标。此外，该研究所重视提供跨领域的人工智能交流学习机会，广纳高等院校、研究机构、企业等多元支持联盟的协同力量，并将人工智能伦理安全、科学决策等纳入学习日程中。

其三，该研究所非常关注智能教育的扩大参与和劳动力培养，为学习者从K-12到研究生阶段贯通式教育持续提供支持。高中阶段的教育服务目标是让每位学习者尽早接触人工智能技术应用机会，具体实践支柱包括数据计算科学和人工智能学习训练营、课堂工作坊、大规模在线开放课程等三部分内容。截至目前，该研究所已通过五个在线营地为150名学习者提供了智能化实践服务。本科阶段的教育服务目标是增加人工智能领域的少数族裔人数，具体围绕佛罗里达州、乔治亚州、德克萨斯州和弗吉尼亚州等黑人院校，每年通过暑期夏令营的工作坊以及春秋学期的人工智能课程等，提高学习者的人工智能专业素养。研究生阶段的教育服务目标是让学习者获得人工智能就业机会，具体为通过与其他国家实验室和企业合作形式提供丰富多元化的实习机会。

提及未来，人们总是给予美好期待与无限探索。通过梳理NSF中心所资助的教育领域前瞻性研究我们可以发现，人工智能正在给未来社会以及人类发展带来新的可能，无论是国际视野的前瞻性研究，抑或是顶层规划的国家政策，都体现出未来将大力发展人工智能理论、技术和应用等方面的决心和抱负。

（一）立足社会生态，定位人工智能教育驱动下的创新人才培养战略

随着人工智能的不断发展，社会、经济、文化各领域均受到了剧烈冲击。智能技术和数据算法的不断升级，使得简单的机械工作逐渐被机器取代，社会发展对劳动力素质的要求进一步提高。换句话说，人工智能发展带来了社会全方位的变革，也对教育提前布局人力资本提出前所未有的要求（顾小清, 等, 2021）。因此，面对这一形势培养什么样的人才能应对未来社会的剧烈变化，是当前教育亟须解决的首要问题。从人工智能动态系统研究所基于证据决策的典型做法可以发现，人工智能时代专业人才的培育不仅依托智能化资源与内在价值认同等基础条件，也需要结合社会生态与文化情境的大力支持。目前我国积极提倡人工智能实验室和相关专业的设立，据不完全统计，人工智能领域的国家级实验室有认知智能国家重点实验室、深度学习技术及应用国家工程实验室、类脑智能技术及应用国家工程实验室、智能技术与系统国家重点实验室、视觉与听觉信息处理国家重点实验室、模式识别国家重点实验室等。同时，清华大学、北京大学、上海交通大学、浙江大学等顶尖高校也纷纷设立人工智能学院，重点培养人工智能方面的优秀人才。这也启发我们，未来亟须立足社会生态发展概貌，充分调动多元支持联盟的协同行动，努力实现创新人才培育的贯通式、全纳式等需求样态。

（二）回归学习本质，挖掘人工智能使能的大规模个性化学习变革

每一次技术的发展都会重新定义学习者的角色，基于人机协同的自适应、个性化等学习新形态正在当前的教育环境中得以发展。可以说，人工智能技术融入的教育活动和组织形态，使得个性化学习空间、目标、资源和路径等正在成为可能，这也必定会对未来学习方式产生颠覆性的重塑作用（Ahmad, 2019）。具体来讲，人工智能增强的教育情境释放了学习者机械性的学习时间，同时基于技术支持，能够采集学习者全过程的规模化数据，从而科学干预有效学习的发生机制，提高学习者的学习体验与深度学习倾向。正如人工智能参与学习研究所证实，通过人工智能虚拟助理采集学习者对话、眼神、面部表情、手势等多模态数据流，能够引发师生协作交互的创新能力和生活方式。因此，我们可以预见，未来的学习将更多地走向基于自适应的个性化学习，未来的学校将会是一个注重个性、尊重学生发展的智慧孵化基地，在这种情境下如何充分借助人工智能技术优势回归学习的本质，促成大规模个性化学习的变革，将是后续研究的重要抓手。

（三）瞄准教育创新，探索知识创造以及教育创新变革的智能方式

人工智能技术的出现已经在社会、经济、文化等领域产生了颠覆性影响，尤其是在教育的服务组织方面，人工智能正在改变知识的内涵、生产方式和传播方式，进而推动教育变革。与此同时，技术的持续发展对知识本质的探究创造了更多的可能性，也为知识创造提供了拟真的条件和连接的资源。在NSF资助的前瞻性研究中，我们尤其感受到，在人工智能技术的助力下教育知识传播与生产途径正呈现出多源与多向的融合趋势。例如，在教育知识传播层面，由互联网大众普及化转向了智能时代的个性化推荐方式，这为教育的全民化、终身化和公平化等贡献了巨大力量。在教育知识生产层面，在技术与社会生态的互动支持下，非正式化、小众、颠覆性甚至冷门知识等可以随时进入教育研究视野中，开放性、包容性的知识呈现样态和创造方式也正在为教育系统的创新变革提供可行方向与加速催化作用。

（四）面向教育现状，寻求人工智能时代教育生态重构的技术路径

人工智能已经对社会产生了剧烈的震荡，伴随其在教育领域的延伸，人工智能对于未来教育必然会产生革命性的影响。在这种情势下，如何直面教育系统复杂变化的发展样貌，如何积极干预课程资源、教学服务、管理评价等方面与人工智能技术的融合路径，尝试构建适应性的学校智能教育实践模式和服务体制，以及如何规避人工智能教育生态中的安全和伦理风险等，如何突围技术生态的不强韧状态，正是我们需要正视并审慎对待的。事实上，我们可从三个方面寻找突围路径：一是从智能化学习场域出发，通过探讨人工智能对于学习场域变革所发挥的功效分析智能化学习场域的内涵和外延，从而明确智能教育的形态和特征，定义未来学习的可能发展样态和功能定位。二是根据不同阶段、不同类别教育的规律、特点和目的，分析其与人工智能深度融合的路径和方式，并从整体教育系统的角度构建符合中国国情、发扬中国特色的智能教育体制。三是重视人工智能技术应用研究成果的转化，打造“产—学—研”“家—校—社”等一体化的智能发展态势。总之，基于理性、客观的感知态度，借助多元协同的联盟优势，为正在发生并将持续发生的技术和教育创新提供支持，以形成基于人工智能的未来教育生态。

提及未来，人们总是给予美好期待与无限探索。通过梳理NSF中心所资助的教育领域前瞻性研究我们可以发现，人工智能正在给未来社会以及人类发展带来新的可能，无论是国际视野的前瞻性研究，抑或是顶层规划的国家政策，都体现出未来将大力发展人工智能理论、技术和应用等方面的决心和抱负。

（一）立足社会生态，定位人工智能教育驱动下的创新人才培养战略

随着人工智能的不断发展，社会、经济、文化各领域均受到了剧烈冲击。智能技术和数据算法的不断升级，使得简单的机械工作逐渐被机器取代，社会发展对劳动力素质的要求进一步提高。换句话说，人工智能发展带来了社会全方位的变革，也对教育提前布局人力资本提出前所未有的要求（顾小清, 等, 2021）。因此，面对这一形势培养什么样的人才能应对未来社会的剧烈变化，是当前教育亟须解决的首要问题。从人工智能动态系统研究所基于证据决策的典型做法可以发现，人工智能时代专业人才的培育不仅依托智能化资源与内在价值认同等基础条件，也需要结合社会生态与文化情境的大力支持。目前我国积极提倡人工智能实验室和相关专业的设立，据不完全统计，人工智能领域的国家级实验室有认知智能国家重点实验室、深度学习技术及应用国家工程实验室、类脑智能技术及应用国家工程实验室、智能技术与系统国家重点实验室、视觉与听觉信息处理国家重点实验室、模式识别国家重点实验室等。同时，清华大学、北京大学、上海交通大学、浙江大学等顶尖高校也纷纷设立人工智能学院，重点培养人工智能方面的优秀人才。这也启发我们，未来亟须立足社会生态发展概貌，充分调动多元支持联盟的协同行动，努力实现创新人才培育的贯通式、全纳式等需求样态。

（二）回归学习本质，挖掘人工智能使能的大规模个性化学习变革

每一次技术的发展都会重新定义学习者的角色，基于人机协同的自适应、个性化等学习新形态正在当前的教育环境中得以发展。可以说，人工智能技术融入的教育活动和组织形态，使得个性化学习空间、目标、资源和路径等正在成为可能，这也必定会对未来学习方式产生颠覆性的重塑作用（Ahmad, 2019）。具体来讲，人工智能增强的教育情境释放了学习者机械性的学习时间，同时基于技术支持，能够采集学习者全过程的规模化数据，从而科学干预有效学习的发生机制，提高学习者的学习体验与深度学习倾向。正如人工智能参与学习研究所证实，通过人工智能虚拟助理采集学习者对话、眼神、面部表情、手势等多模态数据流，能够引发师生协作交互的创新能力和生活方式。因此，我们可以预见，未来的学习将更多地走向基于自适应的个性化学习，未来的学校将会是一个注重个性、尊重学生发展的智慧孵化基地，在这种情境下如何充分借助人工智能技术优势回归学习的本质，促成大规模个性化学习的变革，将是后续研究的重要抓手。

（三）瞄准教育创新，探索知识创造以及教育创新变革的智能方式

人工智能技术的出现已经在社会、经济、文化等领域产生了颠覆性影响，尤其是在教育的服务组织方面，人工智能正在改变知识的内涵、生产方式和传播方式，进而推动教育变革。与此同时，技术的持续发展对知识本质的探究创造了更多的可能性，也为知识创造提供了拟真的条件和连接的资源。在NSF资助的前瞻性研究中，我们尤其感受到，在人工智能技术的助力下教育知识传播与生产途径正呈现出多源与多向的融合趋势。例如，在教育知识传播层面，由互联网大众普及化转向了智能时代的个性化推荐方式，这为教育的全民化、终身化和公平化等贡献了巨大力量。在教育知识生产层面，在技术与社会生态的互动支持下，非正式化、小众、颠覆性甚至冷门知识等可以随时进入教育研究视野中，开放性、包容性的知识呈现样态和创造方式也正在为教育系统的创新变革提供可行方向与加速催化作用。

（四）面向教育现状，寻求人工智能时代教育生态重构的技术路径

人工智能已经对社会产生了剧烈的震荡，伴随其在教育领域的延伸，人工智能对于未来教育必然会产生革命性的影响。在这种情势下，如何直面教育系统复杂变化的发展样貌，如何积极干预课程资源、教学服务、管理评价等方面与人工智能技术的融合路径，尝试构建适应性的学校智能教育实践模式和服务体制，以及如何规避人工智能教育生态中的安全和伦理风险等，如何突围技术生态的不强韧状态，正是我们需要正视并审慎对待的。事实上，我们可从三个方面寻找突围路径：一是从智能化学习场域出发，通过探讨人工智能对于学习场域变革所发挥的功效分析智能化学习场域的内涵和外延，从而明确智能教育的形态和特征，定义未来学习的可能发展样态和功能定位。二是根据不同阶段、不同类别教育的规律、特点和目的，分析其与人工智能深度融合的路径和方式，并从整体教育系统的角度构建符合中国国情、发扬中国特色的智能教育体制。三是重视人工智能技术应用研究成果的转化，打造“产—学—研”“家—校—社”等一体化的智能发展态势。总之，基于理性、客观的感知态度，借助多元协同的联盟优势，为正在发生并将持续发生的技术和教育创新提供支持，以形成基于人工智能的未来教育生态。