摘要：在新一轮科技革命和产业变革背景下，人工智能正以认知参与者的身份深度嵌入知识生产、科研组织、人才成长与教育教学过程，推动教育、科技、人才关系发生结构性重塑。从认知外包的理论视角出发，将分析尺度由个体—工具关系拓展至制度化人机系统层面，可见人工智能作为公共认知基础设施，对教育与科研体系产生结构性影响。教育科技人才一体发展已呈现出以智能认知基础设施为核心的显著特征，一体推进的逻辑正由制度协同转向认知结构层面的深度耦合，一体治理将转向基于智能认知基础设施对认知流程、认知权力与认知责任的制度化调控。
引言
习近平总书记指出，“坚持教育科技人才一体发展，提升国家创新体系整体效能”。从政策文本看，教育被定位为基础性工程，科技被视为第一生产力，人才被强调为关键性资源，三者既同根同源，又同轨同向，其一体发展强调三者作为相互作用的有机整体协同推进。然而，在学理层面，相关研究往往将三者理解为相对独立的系统，通过行政协调与政策统筹形成合力。这种分析范式认为知识生产主要发生在科研系统内部，教育系统的核心功能是为科研系统提供合格的人力资源，创新能力主要是个体或组织的内部属性，而非跨主体、跨系统的认知结构。这在解释工业化与信息化阶段的创新体系运行时具有合理性，但在智能化背景下显现适应性不足。
进入智能时代后，人工智能不再是单纯的技术工具。其在教育与科研领域的应用，不仅体现在效率提升或辅助操作层面，更逐渐介入问题的界定方式、方案生成路径，以及推理过程的组织之中，因而，在客观上构成一种嵌入实践过程的外部认知结构。由此带来的变化是，知识生产与创新活动开始突破原有单一系统的运行边界，教育、科技与人才之间的分工关系趋于交叠甚至重组。在此情形下，建立在明确制度分工假设之上的传统一体化理论框架，已难以充分解释现阶段复杂而动态的协同现实。因此，有必要在理论层面重新审视教育、科技、人才之间的关系结构及其一体推进的逻辑。
新型一体化的逻辑起点：认知外包变革知识生产与传播方式
生成式人工智能的出现，所带来的影响并不止于增加一种新的技术工具形态，而是在更深层次上重塑知识生产、传播与应用的基本方式。以专家为中心的传统知识生产模式，依托学科共同体、实验室体系与正式出版机制展开，其运行特征体现为门槛高、产出节奏缓慢且专业边界清晰。相较之下，生成式人工智能通过大规模数据训练与概率性生成机制，使知识生产从“专家主导的稀缺活动”转向“人机协同的高频运行”，知识的生成、重组与扩散呈现明显的即时性与可扩展性。
在这一条件下，知识不再仅被视为等待发现、验证与传播的静态对象，而逐步转化为可以被持续生成、反复模拟与不断推演的动态过程。生成式人工智能能够在既有知识结构之上进行跨领域组合、假设构造与情境化表达，使知识生产过程本身呈现出显著的认知外包特征。认知外包是个体将记忆、信息加工、问题求解、推理等认知过程的部分或全部环节依托于外部智能系统，以实现认知能力的增强、扩展或替代的过程，其核心特征是认知系统内部的功能模块发生结构性迁移，部分认知加工不再由人类主体主导，而是由外部智能体承担。由此，一部分原本依赖人类专家完成的认知操作，被系统性地转移至人工智能系统之中，知识生产的组织形态、评价标准，以及参与主体结构随之发生重组。鉴于科技创新本质上是一种高度社会化且制度化的高阶知识生产活动，这种转变势必对既有科技创新体系的运行逻辑形成冲击，并由此构成教育、科技与人才系统协同变革的重要逻辑起点。
科技创新范式的转型：从科研组织变革到人机共智网络。传统科研组织以学科分工和层级结构为核心，依托专家个体或小规模团队的长期专业积累开展研究活动。该模式建立在“认知活动主要发生于人类研究者内部”的前提之上，技术工具通常被视为辅助性的支持手段，用于信息存储、计算处理或实验操作，而非认知主体本身。然而，生成式人工智能的介入实质性地打破这一前提。当问题提出、文献综述、研究假设生成乃至方案推演等科研活动的关键认知环节，开始由人机协同系统共同完成时，知识生产便不再局限于人类专家内部展开，而是分布于研究者、算法模型、数据结构与智能工具交互界面所构成的整体系统之中，智能系统直接介入知识的生成与结构化过程，逐步演变为知识生产中的关键认知参与者。
这一认知结构层面的转向，引发科技创新范式的系统性重塑。生成式人工智能显著压缩了复杂知识生成所需的时间成本与专业门槛，使假设构建、多方案比对，以及跨领域推演得以在更高频率、更大尺度上展开。由此，科研领域的知识生产开始摆脱低频、高成本与高度垄断的专家模式，转而呈现为一种可在广泛人机协同条件下持续运行的开放过程。在这一过程中，人工智能通过嵌入式的人机协作机制，深刻改变知识创新的运作逻辑与实践路径，使其在运行形态上表现出自主化、平台化与融合化等特征，并推动知识创新活动朝向更高程度的效率集成与系统协同演进。
以学科边界与专业分工为基本组织原则的传统科研组织形态，在面对开放性不断增强且高度依赖协同运作的知识生产格局时，正愈发显露出其内在张力与适配困境。一方面，现实中的创新活动倚重跨领域要素的深度整合，以及快速试错的运行机制，单一学科或相对封闭的研究团队，往往难以独立承载复杂问题所要求的系统性探索；另一方面，科研能力的呈现方式本身也在悄然转变，其决定性因素不再是个体专家能力的线性累积，而越来越取决于整体系统在数据处理效率、认知分工结构与协同调度能力上的配置水平。这一变化，正在从根本上动摇以个体专家为中心的传统科研组织逻辑。
在此情境下，科技创新实践正由以专家为中心的研发范式，逐步转向以人机协同为特征的异构智能融合创新形态。这一转向的实质，并非仅体现为研发效率的提升，而是指向科研认知结构本身的重构。人工智能系统通过承担信息汇聚、模式识别，以及初步推演等认知密集型任务，使人类研究者得以将有限的认知资源更多地配置于价值判断、研究方向选择与理论建构等高阶认知活动内。正是在这种基于认知功能互补所形成的人机协作关系中，科研组织的内涵发生变化：其不再只是研究人员的简单聚合，而逐步演化为由人、算法、数据与制度共同参与并协同运作的复合型认知系统。进一步而言，这种人机共智网络具有鲜明的认知基础设施属性。随着人工智能平台逐渐演变为科研活动的基础性条件，其技术架构、模型能力、训练数据质量，以及接口与治理机制，开始在结构层面塑造知识生产的可能空间与运行路径。在这一意义上，科研水平的高低与创新活动的成败，已不再仅由研究者个体能力或组织规模所决定，而在相当程度上取决于其所依托的认知基础设施配置水平。不同科研主体之间的差异，越来越表现为对智能认知资源的可获得性、可调控性与可解释性的差异。由此，科技创新体系的转型不再只是组织形态或管理方式的调整，而是上升为对认知基础设施如何建设、优化与治理的系统性问题，这也构成科研组织由专家汇聚向人机共智网络演化的关键结构性前提。
人才能力结构的重塑：从知识掌握到认知架构参与。在智能时代，人才的核心能力不再体现为独立完成全部认知加工的能力，而更多体现为在复杂的人机共构系统中合理联结、调度和利用外部认知资源的能力。人才由此从知识掌握者转向认知架构参与者，其价值不在于替代认知基础设施，而在于与之形成高效协同。这一转向表现为对认知基础设施的高度依赖性。智能时代的科研与创新活动，越来越难以脱离算法模型、数据平台和智能工具而独立开展，在新材料、创新药研究领域，这一趋势已经十分明显。对个体而言，能否进入并有效使用高水平的认知基础设施，将直接影响其研究视野、问题复杂度与成果质量。人才能力由此不再体现为孤立的个体属性，而是嵌入于特定认知基础设施条件下的情境性能力。这种依赖并非能力退化的标志，而是认知活动组织方式升级的结果，其关键不在于是否依赖，而在于如何依赖。
进一步而言，人才能力结构的核心正在转向对认知基础设施的联结与驾控能力。联结能力不仅意味着工具使用的熟练程度，更涉及对不同类型认知资源的理解与整合能力，包括模型能力边界、数据适用条件、算法偏向，以及平台之间的协同方式。高水平人才能够在多样化的认知基础设施之间建立有效联结，将分散的智能体能力组织为服务于特定研究目标的认知系统。在此基础上，更为关键的是对认知基础设施的驾控能力。所谓驾控，并不等同于对具体技术细节的全面掌握，而更接近一种结构性能力，其内涵在于对整体认知流程的统筹设计、对关键认知节点的有效把控，以及对生成结果进行判断、修正与回溯的能力。尽管生成式人工智能可以在技术层面不断扩展可能性空间，但哪些问题具有提出的必要性、哪些研究路径具备理论展开的价值、哪些结论能够获得科学意义上的认可，依然取决于人类主体的价值取向与元认知调节。在这一意义上，高水平人才的核心作用，并非替代技术运行，而是通过对认知基础设施的合理驾控，使外部智能系统的运行逻辑与既定研究目标保持方向上的一致。
能力结构的这一变化，也直接触及人才评价体系的深层重构。以往以知识存量、成果数量或操作熟练度为主要指标的评价方式，已难以充分揭示个体在智能环境中的真实能力状况。随着智能系统深度嵌入科研与创新实践，人才之间的差异越来越体现为其进入、配置并调节认知基础设施的能力差异，即是否能够在复杂的人机共智网络中承担关键的认知架构角色。从这一角度看，科研水平的高低，正逐渐表现为主体在认知基础设施使用方式与驾控层级上的分化。相应地，人才评价标准亦需进行调整，其重点应放在个体在认知基础设施中的定位能力、调控能力及其对关键认知节点的把握水平的关照上。
教育形态的系统性转型：从人才供给机制到认知基础设施组成部分。在生成式人工智能深度介入知识生产与重组过程的情形下，教育已难以继续被理解为单向服务于科技创新的人才供给环节，而是在事实上被纳入人机共智认知系统的整体结构之中，成为其中不可或缺的组成部分。教学活动不再只是促进学生内部认知加工的过程，而是一个由学习者、教师与智能系统共同构成的复合认知系统的运行过程。这一转变意味着教学活动将不可避免地内在包含对外部认知结构进行配置、引导与调控的内容。在这一意义上，“教学是什么”这一基础问题需要被重新界定。教学活动的核心不再仅限于知识内容的传递或学习行为的组织，而在于对认知系统运行方式的制度化设计。通过课程结构、任务情境与技术接口的配置，教学实际承担着引导学习者进入特定认知结构、并在其中形成稳定认知路径的功能。在此框架下，通过外部认知资源的介入，推动学习者内部认知结构在复杂任务中实现重组与提升，使主体获得更广阔的结构迁移空间与策略学习路径，从而形成一种增长性耦合，实现主体认知能力的持续提升。
由此可见，新形态下的学习并非人工智能的简单使用，而是通过制度化、可反思的方式，将生成式认知外包有机嵌入学习过程。具体而言，学习者基于自身的认知网络，对外部智能系统生成的表征、解释与推理结果进行主动筛选、批判性内化与有机整合，使外部“认知组块”被重新编码并嵌入既有的认知链条之中，从而形成异质认知整合与结构更新的路径，最终获得新的理解与认识。鉴于此，教学重心应从单纯的知识传授转向对认知结构、策略能力与生成性思维的系统培育，使学习者在人机协同的复杂环境中既能拓展认知边界，又能保持思维独立与创新活力。此时，教育的关键功能，不在于减少学习者对智能系统的依赖，而在于引导其形成对认知基础设施的理解、联结与驾控能力，从而避免认知依赖或能力空心化。这也使得教育从被动适应技术变革的系统，转变为主动塑造人机共智条件的制度力量。
当教学与学习共同转向对高阶认知系统的理解、配置与驾驭时，其与科研活动在认知机制层面呈现日益明显的“同构性”。在生成式人工智能的支持下，教学活动与科研活动共享着高度相似的问题生成工具、推理模型与表达系统，使学习活动逐渐具备知识生产的基本特征。这一变化为长期讨论的教学科研一体化提供了新的认知基础。科研活动本身就是一种高度复杂的人机协同认知系统，而生成式人工智能的普及，使这一系统的核心认知工具向教育场域下沉，让学生得以在学习阶段参与原本主要发生于科研系统中的认知过程。此时，教学在结构上演变为一种受控的、低风险的认知探索过程，这构成学习活动获得准知识生产属性的关键机制，为其在创新体系中的功能转变提供了内在解释。但这并不意味着教学活动与科研活动在功能意义上发生简单合并，而是指二者在更深层的认知结构上逐步形成可对接、可转译的关系。
总而言之，教育系统通过共享的认知工具、数据资源与推理机制，在认知结构层面被纳入国家知识生产体系。这一关键要点为重新理解教育、科技与人才之间的关系，提供了全新的理论视角。
新型一体化框架：以智能认知基础设施为核心的人机共智系统
人工智能通过重塑知识生产与传播方式，正在引发科技创新范式转型、人才能力结构重构与教育形态的再定位。教育、科技与人才不再仅通过外在制度简单联结，而是在认知基础设施层面形成深度耦合，教育科技人才三者一体也因此进入以智能认知基础设施为核心的新阶段。
从“要素整合”到“结构耦合”：一体化理论范式的根本转向。在既有关于教育—科技—人才一体化的理论研究与政策话语中，“一体化”往往被理解为不同要素之间的协同配置问题，其核心关注点在于如何通过制度设计、资源统筹和组织协调，实现教育系统、科技系统与人才系统之间的功能互补。这一范式在逻辑上继承了新制度经济学和国家创新体系理论的基本假设，即各系统本身具有相对稳定的内部结构，一体化主要表现为系统之间的接口优化与协同效率提升。
然而，伴随人工智能持续向认知活动内部渗透，这种以要素整合为主要取向的一体化理解，已逐渐显露出解释力上的不足。正如前文所述，当假设生成、逻辑推演、知识重组和情境化表达等核心认知环节，开始在不同制度场域中依托同一类智能系统与认知工具加以展开时，各子系统原本相对封闭的运行逻辑便难以继续保持清晰边界，而是在更深层的认知结构上发生趋同、叠加乃至相互嵌入。
据此，“新型一体化”的本质不再是不同要素或功能之间的简单叠加，而是以人工智能为核心的认知基础设施，对教育、科技与人才系统的底层认知结构进行统一重构。这种重构使得原本分属不同系统的认知活动，在同一人机共智框架中展开，从而形成结构性的内在联结。一体化由此从制度层面的外在协调与行政整合转化为体现认知结构层面的深度耦合。
认知基础设施的内涵界定：从物理基础设施到认知协作系统。“基础设施”这一概念最初源自工程学与公共经济学，用以指称支撑社会正常运行的底层系统形态，如交通体系、能源网络与通信设施等。这类系统往往并不直接显现于日常经验之中，却以结构性的方式为社会活动提供必要条件。随着20世纪后半叶信息社会与知识经济的兴起，研究者逐渐意识到，现代社会的运行已不再仅依赖物质层面的流通体系，同样深度依赖于认知活动的组织与协调方式。在这一语境下，认知基础设施的概念逐步形成。认知基础设施通常被理解为认知活动的外部支撑条件，其主要功能在于降低认知成本、提升知识可获得性，并提高认知活动的组织效率。在大模型广泛应用的当下，认知基础设施根本变化在于，基础设施不再仅是影响认知，而是开始直接执行认知过程本身。具备生成、推理、协作与情境化表达能力的智能系统，被系统性地嵌入知识生产、学习与决策过程之中，使原本依赖人类完成的认知操作转移至外部系统稳定运行。由此，认知基础设施不再只是认知活动的支撑平台，而演化为具备主动认知能力的协作系统，推动认知活动整体呈现明显的认知外包特征。
基于上述演进，智能时代的认知基础设施可界定为：由智能技术、数据资源、算法模型、技术标准、符号系统与制度规则等要素结构化集成而形成的社会-技术系统，该系统直接参与并嵌入认知任务的执行过程，为认知活动的生成、组织与协同提供系统性、稳定性的支撑架构。其本质并非单一技术或工具的集合，而是具有内在结构分化与功能耦合特征的复杂体系，既支撑和拓展人类认知能力，也通过自主执行部分认知流程，深度融入认知实践之中，从而重塑认知分工模式、能力结构，以及人类认知主体性的构成与边界。首先，在结构要素上，认知基础设施呈现出多层嵌套的体系结构。其底层是以算力、数据与网络为核心的技术基座，为认知活动的外包、加速与规模化提供物质条件；中间层由算法模型、推理机制与知识表示系统构成，承担信息加工、模式识别、推断生成等核心认知职能；上层则体现为语言、符号、界面与交互机制，它们将复杂的计算过程转译为可被人类理解、操控和整合的认知对象。同时，贯穿各层的是制度、规范与价值导向，包括数据治理规则、技术使用边界、教育评价与责任分配机制等，它们对认知权力的分布格局与运行机制持续调控。其次，就其具体存在形态而言，智能时代的认知基础设施并不是以单一、可辨识的实体形式出现，而是以平台化、网络化并高度嵌入的方式，分散却持续地渗透于社会运行的多个层面。一方面，这种基础设施以多种智能系统形态被显性地感知和使用；另一方面，认知基础设施深度嵌入教育、科研、治理及日常工作流程之中，通过技术标准、系统接口与算法规则的设置，其在无形中塑造着问题的提出方式、知识的组织结构，以及行动路径的选择逻辑。正是这种高度嵌入性与结构性介入，使认知基础设施逐渐超越外在、可替换的工具属性，而演变为认知活动得以展开的环境条件与前提框架。
智能认知基础设施表现出较为突出的参与式介入与前置性引导特征。其并非仅在认知结果形成之后承担加速处理或优化输出的功能，而是在认知活动尚未充分展开之前，便通过算法机制介入注意力的配置、问题的界定，以及推理路径的初步筛选，从而对认知走向进行先行性的结构约束。就其整体结构与功能作用而言，智能认知基础设施呈现出一种高度智能化、平台化与模块化相互交织的形态特征。它们以相对独立的外部认知单元嵌入人类思维活动之中，并与个体内部认知机制形成某种并非对等、却相对稳定的分工关系。在这一结构之下，认知活动已不再完全依赖个体内部的加工与调节，而是越来越多地转移至由“人—机—制度”共同构成的复合系统中完成。基础设施由此超越了单纯提供信息或工具支持的角色，通过算法直接承担起模式识别、预测判断与方案生成等关键认知任务，并悄然改变着认知活动的节奏、内在逻辑与评价标准，推动认知过程朝向分布式、协同化的方向演进，且使认知基础设施由此从“中性的技术背景”转化为塑造思维形态、知识结构与决策方式的重要力量。与之相伴，主体性呈现出分布化、交互化乃至动态重组的特征，认知主体的形态逐步表现为由人类、算法与智能体共同参与的异构融合认知共同体。
基于智能认知基础设施的新型一体化：教育科技人才融合发展框架。基于智能认知基础设施的新型一体化，是指在人工智能深度嵌入人类认知活动的情境下，以共享的智能认知基础设施为核心媒介，将教育活动、科技创新与人才能力发展统一纳入同一人机共智认知系统之中的结构性理论框架。该框架突破了传统以制度分工与职能衔接为中心的一体化理解方式，转而从认知结构与认知资源配置层面，解释教育、科技与人才之间关系的内在统一性。在该框架中，智能认知基础设施构成系统的底层支撑，其核心不再仅是物理意义上的技术平台，而是由人工智能模型、知识工程体系、推理与生成机制、交互接口，以及相应的治理规则共同构成的复合型认知环境。这一环境为不同主体提供共享的认知工具与认知路径，提供与主体认知相匹配的认知外包服务，使学习、研究与创新活动在认知层面具备可对齐、可复用、可迁移的基础条件。
在上述底层结构的持续支撑下，教育、科技与人才不再被理解为彼此分离、依次展开的功能子系统，而是共同嵌入于同一认知操作空间中，形成在同一认知框架中承担不同任务侧重的并行模块。教育系统依托人机共智的学习环境，更多承担的是认知生成及其初步组织的职责，其关键在于引导个体在认知基础设施中逐步形成问题意识、摸索基本的认知路径，并真实参与到初级知识生产活动之中。科技创新系统则在相同的认知条件下，对这些问题展开更高强度的推理、建模与验证，发现新的知识，推动认知向更高层次的深化。科研活动中日益常态化的认知外包方式，又不断反向渗透至学习过程，对学习目标的设定、课程内容与实施方式，以及评价方式产生持续影响。与之相应，人才发展不再表现为脱离实践情境的能力积累过程，而更体现为个体在认知外包中逐步生成的一种系统性协同能力，即在统一的认知基础设施中进行跨任务、跨角色切换与协作的能力结构。
从发展与形成的角度看，基于智能认知基础设施的新型一体化体系，并非主要通过自上而下的制度设计一次性完成，而是在技术条件、制度安排与实践活动的持续互动中，逐步生成并固化为新的结构形态。随着智能认知基础设施日益成为学习、研究与创新活动的共同依托，其将从工具层面主体上升为长期性的结构变量，对创新体系的运行逻辑和能力分布产生深层形塑作用。在这一过程中，融合关系呈现明显的路径依赖特征，早期的技术选择、平台规则与治理方式，可能在较长时期内锁定教育、科研与人才发展的基本走向。由此，未来竞争的关键，或将不再取决于单一领域的资源投入规模，而更多体现在对智能认知基础设施整体配置能力、演化方向及其边界的系统性驾驭水平上。
面向智能认知基础设施的一体化治理：政策范式的系统转型
在智能认知基础设施成为关键认知执行载体的条件下，治理问题的核心不再是单纯的资源配置或部门协同，而需要关注基于认知基础设施的认知流程、认知权力与认知责任的制度化调控。
治理对象的转变：从人工智能应用到认知基础设施。在实践中，人工智能通常被视为一种具体技术或应用形态，其治理对象主要指向算法系统、数据资源及其使用方式，由此形成以安全、合规、伦理与责任划分为核心的治理框架。这一治理模式的适用前提在于，人工智能主要作为外在技术被嵌入既有组织与制度结构之中，其影响范围可以通过对应用场景的限定加以控制。
随着生成式人工智能持续进入教育、科研与创新实践的核心环节，人工智能不再仅以单一应用的形式出现，而是通过统一的模型体系与交互机制，贯穿多类认知活动过程，逐步构成支撑知识生产与学习活动运行的基础性条件。在这一过程中，其作用范围由具体应用场景扩展至认知活动的整体结构，治理所面对的对象亦随之发生转移。在此背景下，教育科技人才一体治理所需要回应的，不再只是人工智能在何处、以何种方式被使用的问题，而是以人工智能为核心构成要素的认知基础设施如何被整体设计、配置与运行的问题。治理对象由此从分散的技术应用，转向对跨越教育体系、科研体系与人才培养体系的认知基础设施整体进行认知流程设计、认知权力分配与认知责任归属等方面的规制与引导。
治理逻辑的重构：从制度协调到认知工程。在治理对象发生转变的同时，既有的一体化治理逻辑亦面临调整。传统的一体化治理主要依托制度层面的协调机制，通过部门协作、政策对接与资源统筹，实现教育、科技与人才系统之间的联动。这一治理逻辑在很大程度上假定各系统内部的运行机制相对独立且稳定，一体化问题主要体现为制度接口与管理层级之间的协调问题。
然而，当教育、科研与创新活动通过共享的技术架构与认知流程展开时，仅依靠外部制度协调已难以有效回应系统内部结构的变化。生成式人工智能通过持续介入认知活动的具体过程，使不同领域在操作层面形成高度相似的认知模式，一体化的实现方式由制度联动逐步转向结构耦合。在这一条件下，治理的关键不再只是制度之间如何衔接，而是这些制度如何共同作用于认知系统的运行方式。
由此，新型一体化治理的逻辑逐渐呈现认知工程的特征，即通过制度安排与技术架构的协同设计，对认知流程、认知分工与认知责任进行有意识的引导与塑形。治理关注的重点不在于简单增强制度联动强度，而在于通过对人机共智系统运行机制的设计，促进高阶认知活动、原创性知识生产，以及公共价值导向的实现。
治理路径的转向：以认知基础设施为抓手。从政策实践的角度观察，以认知基础设施为枢纽的一体化治理思路，强调将人工智能平台、智能算力体系、数据资源、可持续演化的知识库，以及相应的算法治理机制，作为支撑国家创新体系运行的基础性条件进行整体布局。这类基础设施并非仅服务于某一单一领域，而是在同时支撑教育活动、科技创新与人才能力发展的过程中，构成三者共同依赖的底层认知环境，从而在认知条件层面实现教育、科技与人才之间的结构性联动。
在教育领域，该框架要求将智能认知基础设施纳入国家教育数字化战略的核心议程之中，推动学习环境由以信息化工具为主的教学支持系统，逐步转向人机共智的学习空间。通过在课程设计、教学实施与学习评价环节中有序引入生成式认知工具，引导学生参与问题建构、知识生成与证据审查等认知活动，使教育过程在认知结构上与科研创新保持内在连通，为高水平科技创新提供持续的认知准备与能力基础；在科技领域，该框架强调科研活动应依托相对统一的智能认知基础设施展开，实现科研工具、知识资源与认知路径的更大范围共享。通过推动科研平台向教育体系与青年人才开放，使科研问题、研究方法与工具配置向学习阶段前移，有助于提升科技创新体系的开放性与延展性，并逐步形成以认知基础设施为纽带的协同创新生态；在人才能力发展层面，以认知基础设施为枢纽的一体化治理思路，主张有必要将培养对象对智能认知基础设施使用方式、运行逻辑及其影响边界的理解，纳入人才培养计划，并在此基础上强化其对相关系统进行调节与干预的能力建设。相应地，与智能系统协同开展工作的能力，应逐步进入人才自主培养机制中，推动人才评价标准由以知识存量和个体技能为中心的取向，转向更加重视认知资源配置能力与人机共智系统协同能力的方向调整。
治理风险的防范：关注人机共智中的认知主权。生成式人工智能所引出的深层治理议题，集中地指向认知主权的潜在削弱。当问题界定、推理路径与判断依据在日常实践中被持续外移至生成式系统时，个体与组织往往在不自觉中让渡对关键认知环节的控制权。这一过程并非突发性的制度断裂，而是以渐进、隐性的方式嵌入认知实践之中，因而，更具结构性风险。
从认知外包的理论视角看，外部认知结构的引入始终伴随着能力扩展与依赖风险的并存。治理的关键并不在于是否开展人机协作，而在于能否在制度层面保障人类主体对价值判断、问题设定与意义解释的最终主导权。若缺乏清晰的边界与约束，认知外包可能压缩思维路径的多样性，弱化原创性探索所需的认知张力，并通过知识生成过程的“黑箱化”，模糊责任归属与判断依据，进而影响认知主体性与创新性。因此，基于智能认知基础设施推进一体化发展，必须将认知主权置于治理核心。一方面，需要通过算法透明、数据安全与公共可控性的制度安排，防止关键认知资源被平台垄断，诱发新的结构性不平等；另一方面，应在教学规范、科研伦理与评价机制中明确认知外包的适用边界，区分可被制度化外移的认知环节与必须由人类主体承担的关键判断。唯有如此，人机共智方能沿着认知增强而非技术替代的方向演进，使智能认知基础设施在制度保障下真正服务于人的发展，并成为支撑创新体系长期稳健运行的基础性条件。
余胜泉，北京师范大学未来教育高精尖创新中心执行主任、二级教授、京师特聘教授、博士生导师。研究方向为人工智能教育应用、教育大数据、移动教育与泛在学习、区域性教育信息化，主要论文有《跨越人工智能教育应用的认知外包陷阱》《教育数字化转型的关键路径》《教育数字化转型的层次》等。
来源：《学术前沿》杂志2026年第3期（注释从略）
