摘要：现代学校制度形成以来，“竞争-选拔”逐渐成为教育的主导组织逻辑。考试、排名、学历与分流不仅评价学习，也承担分配教育机会和社会位置的功能。这一逻辑之所以长期稳定，并非因为优绩主义天然正当，而是因为在知识、教育机会和社会位置相对稀缺、教育需要大规模协调的条件下，统一尺度上的比较与排序曾提供了一种可操作的组织方式。人工智能正在改变这些条件，并产生双重效应：在操作层面，依赖历史数据和既有指标的AI可能使分类与筛选更加持续、精细和不透明；在结构层面，生成式AI降低了获取知识、解释、反馈和认知工具的门槛，拓宽了能力形成与价值创造的路径。与此同时，高等教育扩张削弱了文凭的区分效力，AI进一步凸显仅凭考试和学历判断人才的局限。由此，教育正在用更先进的技术执行一种越来越不足以充当主导协调原则的制度逻辑。当标准化表现的区分作用下降、个体独特能力的重要性上升时，教育不仅要发展不同的能力组合，还需要在真实而复杂的问题中通过互补、协作和相互依存把差异转化为共同创造的价值。人类相互依存范式不是对竞争的简单否定，而是连接个体发展与共同创造的替代性教育组织原则。教育需要从主要“排序不同的人”转向“发展并组织不同的人”，通过个性化发展、真实问题行动、“人—人—AI”协作和支持成长的评价，使不同的人能够贡献所长、获得彼此支持并创造社会价值。

关键词：人工智能时代的教育; 竞争—选拔; 教育优绩主义; 人才多样性; 人类相互依存; 教育范式变革

本文发表在《华东师范大学学报（教育科学版）》2026年第11期 #教育数智化转型 栏目

赵勇，博士，美国堪萨斯大学教育学院杰出教授、澳大利亚墨尔本大学教育学院教育领导力教授、华东师范大学全球讲席教授。美国教育科学院院士和国际教育科学院院士。曾任美国密歇根州立大学教育学院杰出教授，俄勒冈大学教育学院副院长，首位校长讲席教授，教育测量及教育政策系终身正教授，教育技术中心主任等职。曾获2003年美国教育研究协会早期成就奖，2010年美国教育领导力研究所年度杰出领导奖，2012年被《技术和学习》杂志评选为“2012年教育技术领域十大最具影响力的人物”之一，2017年美国霍拉斯·曼联盟杰出公立教育家奖。

仲若君，通信作者，YEE Education 创始人，三创教育共同发起人，北京易知简教育科技有限公司董事长。

一、从竞争到协作：人工智能如何重塑教育逻辑

自19世纪现代学校制度逐步形成以来，教育便越来越深地嵌入一套以比较、竞争、选拔和分层为核心的制度逻辑。无论是中国以升学考试为中心的教育体系，还是欧美国家以标准化测评、学历认证和学校分层为基础的教育结构，学生都被置于某种共同尺度之上接受比较。考试成绩、排名、录取结果和学历等因此不仅是学习结果的表征，也成为分配稀缺教育机会、职业机会与社会位置的重要机制（Collins, 2019；Bourdieu & Passeron, 1990）。

这种竞争导向逐渐被自然化并内化为教育“应当如此”的普遍信念。无论是“分数决定未来”的压力话语，还是“没有竞争就没有动力”的社会想象，都支撑着一种深深植根于现代教育结构的优绩主义观念。学生被要求在共同标准下比较成绩，家庭通过补习与资源投入争取更有利的位置，学校和教师也围绕成绩与升学指标安排教学。教育承担着促进个体发展、扩大社会流动的使命，其选拔功能却常常支配了学习的内容与意义，使学习者的多样潜能被简化为可比较、可排名的表现。

人工智能正在改变这一逻辑的运行条件。一方面，教育机构可以利用AI收集更多数据、预测学生表现，使原有的分类与筛选更加持续和精细；另一方面，生成式AI为学习者提供即时解释、反馈和内容生成支持，拓宽了学习者在正规课程之外获取学习支持和尝试复杂任务的可能（Kasneci et al., 2023）。加之高等教育扩张带来的文凭信号变化，仅凭既有考试和学历判断人才的局限更加突出。教育由此面临一种矛盾：利用越来越先进的技术，更精细地执行一种适应性正在下降的制度逻辑。

本文将人工智能视为一种外部扰动力量，考察它如何强化“竞争—选拔”的操作方式，同时改变这一逻辑赖以运行的条件。文章在追溯其历史形成与内在局限的基础上，进一步讨论多样化才能如何在具体情境中发挥作用，以及能力互补、共同实践与个体发展之间的关系。由此提出以人类相互依存为基础的教育范式（Human Interdependence Paradigm, HIP），探索教育如何从主要依据共同标准筛选人才，转向支持不同潜能的发展，并为学习者与他人共同学习和创造提供条件。

二、“竞争—选拔”：现代教育主导逻辑的形成及其局限

（一）教育优绩主义的历史形成

教育自古以来都肩负着培养人才、维系社会秩序的重要使命。选拔与分层并不是教育天然具有的属性，而是特定社会结构长期塑造的结果。尽管“Meritocracy”一词出现在20世纪中叶，但以选拔与分层为核心的教育实践，早已在特定社会结构条件下长期存在，而后才被加以命名和正当化。

教育之所以与竞争和选拔紧密相连，源于其在古代社会所扮演的角色。在社会资源高度集中、分工明确的条件下，教育往往被设计为向少数精英输送治理与管理能力的渠道，而绝大部分人并未被纳入正规教育体系。在西方传统中，柏拉图在《理想国》中提出“哲学王”的理想，强调通过严格的教育与训练，筛选出少数具备理性与智慧的人来治理国家（Plato, 1992）。在这一框架下，教育的重要任务是培养治理者，确保社会秩序的稳定与延续。

在中国传统中，“学而优则仕”将教育与社会地位的晋升联系起来。尤其在科举制度确立后，通过考试选拔人才进入官僚体系，成为教育的重要目标（Elman, 2000；Lee, 2000）。国家以考试作为官僚选拔的核心机制，而长期备考并非主要由国家学校统一提供，而是在家庭与地方教育网络中展开（Elman, 2000；Lee, 2000）。科举成功与政治和社会地位紧密相连，也因此刺激家庭投入教育资源（Elman, 2000；Zhao, 2014）。教育因此既是社会流动的路径，也与家庭所能提供的资源紧密相连。

优绩主义的英语原文是meritocracy。英国社会学家迈克尔·杨（Michael Young）在其讽刺性著作The Rise of the Meritocracy, 1870–2033中，用这一概念描绘了一个以智力（IQ）与努力（effort）为选拔标准的社会：表面上实现了机会平等，实际上却造成了新的社会分化与动荡（Young, 1994）。然而，随着时间推移，该词逐渐脱离了讽刺语境，被用来表示通过考试、学历、成绩等“客观”标准来公平选拔人才（Littler, 2018；Sandel, 2021），在教育、管理与公共话语中被广泛理解为积极理想。需要指出的是，这里的优绩主义并非竞争性教育制度形成的原初原因，而是在竞争性筛选机制确立之后，用以解释并正当化教育结果差异的一种叙事。

（二）“竞争—选拔”在现代教育中的制度化

进入工业化和现代国家形成时期之后，教育从少数人的制度扩展为大众制度，但其选拔功能并没有随普及而消失，反而被嵌入更大规模、更标准化的学校体系之中。统一课程使学生学习大体相同的内容，年龄分级使不同学生按照相同的时间表推进，标准化考试则把复杂的学习者转化为可比较的分数与等级。现代学校由此不仅承担知识传授和社会化功能，也成为连接教育系统与劳动力市场的重要分配装置。学历则成为个人进入不同职业和社会位置的通行证（Collins, 2019）。

从制度设计角度看，标准化在现代大众教育扩张时期具有明显的历史合理性。国家需要在不同地区建立可以复制的学校，需要确定学生在什么年龄学习什么内容，也需要以相对一致的方式决定谁进入下一阶段。统一课程、班级授课和考试制度因此解决了规模化教育的协调难题。然而，规模化也带来一个长期后果：为了使不同学校和不同学生能够被同一系统管理，教育不得不把复杂差异转化为少数可比较变量。学生越多，系统越依赖简化；系统越依赖简化，越容易把简化后的结果当作学生本身。现代学校的效率与其对差异的压缩，由此成为同一制度的两面。久而久之，“可测量”便容易被等同于“重要”，“可比较”也容易被等同于“公平”，而教育所不能轻易测量的品质则逐渐退到制度边缘。

不同国家采用的具体制度不同，但都可以看到竞争选拔的制度化形态。有些体系通过考试和正式分流较早地把学生分配到不同教育轨道；另一些体系则更多通过学区、家庭资源、文化资本、课程分班和学校差异形成隐性的分层。显性分流与隐性分流往往相互叠加：考试看似只比较个人表现，但个人表现本身又受到家庭社会经济地位、教育资源和文化资本的持续影响(Bourdieu, 1986; Reardon, 2011)。因此，现代教育中的竞争不仅发生在学生之间，也发生在家庭、学校和地区之间。

这套制度之所以能够长期运转，是因为它同时完成了三个功能。第一，它把大量学生放在共同尺度上进行比较，为稀缺机会提供一种可操作的分配方法；第二，它通过学历和考试把学校与劳动力市场连接起来，使教育结果具有社会信号功能；第三，它以“凭能力和努力获得结果”的语言为分层提供道德正当性。正因为这三个功能相互支撑，“竞争—选拔”才从一种制度安排逐渐演变成教育“理应如此”的常识。

（三）“竞争—选拔”逻辑的内在局限

首先，把“才能与努力”压缩为考试成绩或学术资历等，本身就建立在若干可疑假设之上。关于智力与社会经济结果的研究（Arrow et al., 2000）并不支持把单一智力指标视为不平等或成就差异的充分解释。人的能力又具有多维性和情境性：同一个体往往呈现不均衡的能力组合，而不是可以被一个总分充分表示的单一特质（Rose, 2016）。此外，测验结果并非完全脱离情境。Gould（1996）对把复杂智力压缩为单一测量指标提出系统批判；Kim与Zabelina（2015）讨论了创造力测量中的文化偏差；Steele与Aronson（1995）则显示，刻板印象威胁本身就可能影响标准化测验情境中的表现。因此，考试表现不能直接等同于一个人在不同情境中的能力与未来贡献。当这些有限指标被用于决定教育机会和发展路径时，学习者之间的差异与潜能便容易被简化为可比较、可排名的结果。

其次，形式上的公平竞争并不能消除发展条件的差异。现实中，个体自出生便拥有各自不同的发展资源，包括营养条件、医疗支持、家庭稳定性、社区支持能力、教育资源与社会资本（Duncan & Murnane, 2011；Putnam, 2015）。显性分流与隐性分流往往交织在一起：考试本身容易受到社会经济条件与隐性资源差异的影响，从而使教育在名义上的“择优”背后，成为再生产社会分层与不平等的重要机制（Reardon, 2011）。布迪厄（Bourdieu & Passeron, 1990）的分析揭示，教育系统通过文化资本的传递，维系并再生产了既有的阶级结构。因此，教育公平的困难不能仅归结为竞争规则不够统一，也不能仅靠提高考试和选拔的精确程度来解决。

这种局限还体现在对选拔结果的解释上。“努力必然带来成功”的观念忽略了体制壁垒、文化偏见和社会环境的影响。无数人即使极为勤奋，仍然可能因为不利条件而无法成功；特权、继承或社会关系则可能让另一些人以较少的努力获得优势（Markovits, 2019；Sandel, 2021）。如果社会将成功完全解释为个人能力与努力的结果，便容易形成一种心态：只有“有才能者”才配得上成功，而不成功者则被认为缺乏天赋或努力。这种思维为不平等提供了正当性，制造了胜者的傲慢与失败者的耻辱感，侵蚀了社会共同体的基础（Sandel, 2021）。

再次，当选拔结果具有决定性意义时，教育本身会被选拔功能重新塑造。学生学习什么、教师教什么、学校重视什么、家庭投入什么，都越来越围绕能够影响排名和升学的指标展开。学习由探索、发展和创造逐渐变成获得分数与资格的手段。当这种竞争压力持续向下传导时，教育还会产生一种更隐蔽的异化：学生逐渐把学习的意义理解为“证明自己比别人更好”，而不是“发现自己能够成为什么样的人”。学校会把有限时间优先投入可计分内容，家庭会把资源投向能够提高升学概率的活动，学生也会根据考试权重安排兴趣和精力。这并不是因为所有考试都无价值，而是因为当考试承担过多选拔功能时，它会改变被测量的对象本身。教育越依赖排序，学习越容易被排序所重新定义。大规模高风险考试因此不仅测量教育，也会反过来改变教育，压缩课程和学习经验，并带来一系列副作用（Emler et al., 2019；Zhao, 2018）。

这些局限并非到了人工智能时代才出现。“竞争—选拔”虽然长期回应了社会分工和有限机会分配的需要，却难以充分容纳人的多样潜能，也不能通过统一的竞争规则消除社会条件的差异。当选拔进一步成为组织全部教育活动的依据时，教育所要培养什么人、学习为何值得投入，也越来越由考试和排名决定。接下来需要讨论的是：人工智能正在怎样改变这套制度的运行条件，又会使这些既有局限发生怎样的变化？

三、人工智能与“竞争—选拔”逻辑的结构性失配

人工智能并不会自动带来教育范式变革，而是作为一种外部扰动力量，使原本被优绩主义逻辑掩盖的结构性矛盾加速显现。一方面，教育可以利用AI收集更多数据、预测学生表现，使竞争与选拔变得更加精细；另一方面，AI正在降低知识获取、技能学习与价值创造的门槛，使越来越多的人能够通过传统考试和学历之外的路径发展能力。这两种变化同时发生，使教育面临一个新的问题：当技术越来越善于排序时，排序本身是否仍然足以承担教育的组织任务？

（一）优绩主义的技术伪装：从“被指标统治”到“被算法定义”

在优绩主义的逻辑下，教育目标容易被简化为可量化的指标，如分数、排名与升学率。Muller（2018）指出，过度依赖绩效指标容易造成目标替代、数据博弈和对被测内容的过度关注；在教育中，这种机制尤其可能表现为教学与学习围绕可测结果重新组织。人工智能的加入，本可以成为改变这一状况的契机，但如果教育目标保持不变，它也可能把这场数字游戏变得更精密、更难以逃脱。

用于教育评价和预测的AI系统往往依赖历史数据与既有分类。数据库和算法已经被用于学习分析、预测与教育治理，并可能把部分教育决策转交给不易被普通使用者看见的软件与模型（Williamson, 2015）。这类系统并非天然中立；教育算法的研究已经发现与种族/族裔、性别、国籍、社会经济地位等相关的偏差风险（Baker & Hawn, 2022）。与此同时，数据科学所呈现的“客观性”本身依赖于对人的特质进行标准化、分类和量化（Williamson & Piattoeva, 2019）。当历史数据包含既有机会差异和制度偏好时，算法可能把这些模式延续到预测与分类中，并使充满价值选择的判断获得更强的技术权威。

AI在这里并没有改变优绩主义的基本问题，只是扩大了可以用于回答这个问题的数据范围。考试分数之外，作业记录、学习行为和互动数据，都可能被用来判断谁更有潜力、谁更可能成功、谁应当获得何种机会。这些技术可以帮助教师更早发现困难、提供支持，但如果其主要用途仍然是分类与筛选，学习者就可能从在几次考试中被比较，转向在整个学习过程中被持续预测和排序。

指标统治的更深层后果，在于它为优绩主义赋予了一种道德合法性。Sandel（2021）指出，当社会将成功解释为个人能力与努力的结果时，胜者不仅被视为“更成功”，而被视为“更值得”；失败者不仅被视为“未达标”，而被暗示为“不够努力”或“能力不足”。算法并不会自动消除这种判断。当排序披上科学预测的外衣时，学生和教育者反而可能更难看见、质疑其中的价值选择。因此，AI带来的问题不只在于预测是否准确，也在于教育究竟用这些预测来支持学生，还是提前规定他们的发展机会。

（二）AI对旧逻辑基础的侵蚀：知识与学习门槛下降

人工智能技术的发展正在改变人类与知识的关系。过去，学校和专业机构集中了大量知识、教学资源与训练机会，学习者往往需要先进入相应的教育体系，才能获得这些支持。进入21世纪，数字资源逐渐拓宽了学习路径，生成式人工智能又进一步降低了获取解释、反馈和专业辅助的门槛。

学习者可以通过智能工具即时获得解释、示例和反馈，并在写作、编程等任务中获得辅助。Kasneci et al.（2023）将大语言模型在个性化支持、反馈和内容生成等方面的潜力视为重要教育机会，同时也强调其准确性、偏见和依赖等风险。因此，生成式AI扩大了学习者在缺乏即时专家支持时进行尝试的可能，但这并不意味着获得答案就等于发生了学习，也不意味着专业能力会自动形成。

知识获取容易，并不意味着知识已经不重要，也不意味着获得答案就完成了学习。AI能够提供解释和初步方案，却不能保证学习者理解问题、识别错误或判断证据质量。真正发生变化的是知识的获得路径，以及人能够借助工具完成哪些工作。当许多通用知识和常规性产出可以被低成本调用或生成时，单纯以掌握这些知识、完成这些任务来区分人才，就越来越不够。

因此，教育的价值不能只体现在谁记住了更多知识、谁能更快给出标准答案上，也需要体现在学习者能否发现值得解决的问题，判断和使用已有知识，并把知识用于真实情境。原先被学校低估的兴趣、经验、特长与能力组合，也可能随着社会需求和技术条件变化而获得新的价值空间（Zhao, 2019）。AI正在改变人获取和使用知识的方式，也要求教育重新考虑以知识占有和标准化表现判断能力的做法，人要从占有知识转向调动知识、从独立完成转向组织人机资源。

（三）学历通胀/贬值与文凭信号区分效力的变化

与知识门槛下降同时发生的，是学历本身的普及化。高等教育大规模扩张虽然扩大了受教育机会，但也改变了文凭的稀缺程度。当越来越多人拥有相同层级的学历时，学历作为区分候选人的信号自然减弱，劳动力市场又会通过提高学历要求、增加新的证书或寻找其他指标继续筛选，形成典型的“文凭膨胀”或学历贬值（Collins, 2019；Brown et al., 2011）。

学历扩张并非由AI造成，也不意味着文凭不再具有价值。但它表明，教育资格与实际能力之间并不存在稳定的一一对应关系。学历虽能够说明一个人接受过何种教育，却不足以单独回答他能够解决什么问题、如何应对陌生情境，以及能为他人带来什么贡献。AI不仅进一步拓宽了学习和实践的路径，也使仅凭学历判断人的能力的局限更加明显。

学历信号的弱化还会造成一个连锁反应：当原有证书不足以区分人时，制度往往不是立即放弃筛选，而是增加新的筛选层次。更高学历、更多证书、更丰富履历和更早的竞争可能因此出现，形成“资格升级”的循环。Collins（2019）关于学历社会的分析正揭示了这一机制：教育资格既传递某些能力信息，也参与社会位置的分配。问题在于，当资格不断扩张时，个体不得不投入更多时间和资源，只为了维持原有的相对位置。AI如果只是被用来帮助学生更高效地积累这些信号，教育可能会进入一种技术更先进、成本却更高的资格竞赛。

（四）AI的双重效应：排序更精细，排序本身却越来越不够用

由此可以看到AI对“竞争—选拔”逻辑的双重效应。在操作层面，它能够扩展数据收集、降低筛选成本，使分类和预测更容易实施，使竞争选拔更容易被执行；在结构层面，它又降低知识与工具的获取门槛，拓宽能力形成和价值创造的路径，挑战既有指标对人才的解释力。结果是，排序技术越来越强，排序本身作为社会协调方式却越来越不充分。更像是教育利用越来越先进的人工智能技术，更精确地执行一种效用越来越低，局限性越来越强的旧有制度逻辑。

因此，AI的双重效应不能被理解为两个彼此独立的趋势，而应被看作同一制度演进中的矛盾运动。同时，这两种效应还可能相互推动。教育机构越担心考试和学历不足以判断学生，就越可能寻找更多数据、更细分类和更强预测，以维持原有的选拔方式。技术虽然可能帮助旧制度延长其运行，却未必促使它重新考虑自身的目标。把学生排得更细，并不等于更充分地理解学生；更准确地预测谁会在现有制度中成功，也不等于知道谁能够在不同情境中作出贡献。

这里，还需要区分两件事：一是有限机会如何分配，二是人的潜能如何发展。优质学校和职业位置仍然可能稀缺，某些选拔也仍然需要进行。但知识获取和价值创造的路径正在扩大，教育不能因此继续把所有人的发展，都组织成争取少数位置的准备。当越来越多的能力可以在统一考试之外形成，并在不同情境中发挥作用时，仅仅提高排序效率，已经不足以回应教育所面对的变化。

因此，AI带来的变化不仅涉及竞争和选拔的方式，也涉及教育能够支持什么样的发展。当学习与创造的路径更加多元时，原先未能被考试和学历充分认可的兴趣、特长、经验与能力，也有了更多发挥作用的机会。教育对人才的理解，需要随之超出既有的选拔标准。

四、从差异到互补：为什么新的教育逻辑指向协作

学校认可的才能，并不能涵盖社会生活所需要的全部能力。某种兴趣或长处在考试中不占优势，在其他情境中却可能发挥重要作用。Zhao（2019）指出，才能的“有用性”并非固定属性，而会随社会需求、经济结构和技术条件变化。数字平台为非机构化创作者提供了生产与传播空间（Burgess & Green, 2018），生成式AI则进一步扩大了创作者获得认知和创作支持的渠道（Kasneci et al., 2023）。因此，一些在传统考试中不占优势的能力，有了更多被发展、展示和使用的情境。

（一）从标准化表现到差异化才能

“竞争—选拔”需要一套能够比较不同人的标准。传统教育体系长期依赖相对狭窄的“才能”定义，强调学生在统一课程和标准化考试中的表现。这种模式认可与标准吻合的能力，也容易忽视其他人类潜能。当AI能够完成越来越多的标准化认知任务时，让所有学生在相同任务上争取更高分数，便越来越不足以体现人的能力与价值。基础知识仍然重要，但某些常规性表现作为区分人才依据的作用正在减弱。

与此同时，技术的发展扩大了才能发挥作用的空间。YouTube等平台把用户生成内容和业余创作者纳入大规模参与式文化，改变了文化生产与消费的边界（Burgess & Green, 2018）；生成式AI则为写作、编程、解释和反馈等活动提供了新的辅助（Kasneci et al., 2023）。这些变化并不能保证每个人都能成功，却扩大了个体展示不同兴趣与技能、尝试创造活动的范围。过去主要依靠机构认可或专业选拔才能获得的机会，如今有了更多进入路径。音乐、艺术、叙事、跨文化经验以及各种小众兴趣，都可能在新的情境中成为价值来源。

因此，AI时代的人才问题并不是寻找一套新的统一“未来技能”替代旧标准。如果所有人再次被要求拥有同样的创造力、批判性思维、AI素养或企业家精神，教育就可能只是更换了内容排序。创造力存在于不同领域，解决问题也依赖具体知识和情境。教育需要保护学生形成不同能力组合的空间，而不能将一张越来越长的共同能力清单当作人才发展的全部目标。

“无用”与“有用”的界限也并不稳定。某种能力在一个时期、一个产业或一套考试中不被需要，并不意味着它缺乏长期价值。随着社会需求、技术条件和文化生活不断变化，过去边缘化的兴趣可能在新的情境中变得重要。教育如果过早依据当下的功利标准决定什么值得学、什么样的人值得培养，就可能系统性地浪费人类潜能（Zhao, 2019）。

（二）从个体独特性到能力互补

事实上，每个人的能力结构都是参差不齐的。Rose（2016）所讨论的“锯齿形”能力结构说明，一个人可以在某些方面突出，在另一些方面普通或薄弱。在单一评价体系下，学生往往被要求不断补弱，使自己的能力轮廓接近统一标准。但个人在某些方面的不足，并不能据此说明其整体价值，也不意味着所有短板都必须由个人独自补齐。

当学习者有更多机会沿着自己的兴趣、优势和经验持续发展时，他们形成的专长、关注的问题和处理问题的方式也会有所不同。技术并没有创造这些差异，却使更多差异有机会被发展和使用。个性化教育由此不只是让学生以不同速度完成相同内容，也包括允许他们形成不同的能力组合。

拥有独特长处，并不意味着能够独立完成所有事情。面对真实问题，个人既有能够作出贡献的方面，也有知识、经验和判断的边界。一个善于设计的人未必了解使用者的处境，一个熟悉技术的人未必能够判断方案是否适合当地生活，一个善于发现问题的人也未必具备将想法付诸行动的全部能力。复杂的科学问题、社会问题、环境问题以及文化创造，往往涉及不同领域的知识、不同人的经验和彼此并不一致的需要。

差异的互补价值正是在这些具体要求中显现。一个人的长处能够回应共同工作中的某种需要，他所不能完成的部分，也可以得到他人不同长处的支持。社会的整体能力并不是每个人都变成“全能者”之后才形成，不同长处能否被识别、连接和使用，同样重要。

但差异本身并不保证互补。只有回到具体问题，才能判断哪些能力有关、它们如何配合，以及还缺少什么。个人独立完成的工作也可以具有社会价值；当任务超出个人能力与经验的范围时，则需要通过协作将不同的贡献组织起来。因此，多样化才能的发展，使教育面对的任务超出了判断谁在共同标准下更优秀，还包括帮助不同的人理解彼此的长处，在共同实践中发挥这些长处。

（三）从能力互补到协作与相互依存

人工智能既扩展了个人能够独立完成的工作，也改变了人与人之间的分工。学习者可以借助AI获取信息、编写程序、制作内容或比较方案，过去需要求助于他人的某些任务，如今可能由个人与工具共同完成。AI确实可能减少某些工作中的人际依赖，因此，不能仅以“每个人都有短板”来说明协作的必要性。

真实问题不只有知识和技术上的困难，也涉及不同人的生活经验、价值判断与行动。AI可以提供信息检索、诊断、模式识别和方案生成等认知支持，但教育中的社会关系、价值判断与责任归属等不能简单委托给机器。Luckin et al.（2016）强调AI在教学和学习支持中的潜力；Selwyn（2019）则指出，关于AI能否复制教师的社会、情感与认知品质，以及何种教育判断可以自动化，本身都是价值与政治问题。因此，谁的需要应被考虑、不同意见如何协调、行动后果由谁承担，仍需要相关的人参与。

互补因此不仅是把任务拆开，让每个人完成自己擅长的部分。不同参与者还需要理解彼此的贡献，解释分歧，调整各自的工作，并在需要时接受他人改变自己的想法。在涉及多方需要和共同责任的问题中，这些联系是形成可行方案并付诸行动的必要条件，不能仅靠增加个人能够调用的知识与工具来完成。

在这样的协作中，个人的能力并不只是被组合起来，也会继续发展。学习者可能通过他人的反馈发现自己尚未意识到的长处，也可能在共同面对困难时形成新的兴趣、改变原有认识。个性化发展与相互依存因此可以同时发生：学生在贡献自身特长的过程中认识自己，也在接受他人帮助、理解不同经验的过程中拓展自己。

在以相互依存为前提的学习关系中，个体能力的价值不再主要取决于其在统一标准下的相对位置，而主要体现在这些能力能否回应具体需要，与他人的能力共同发挥作用。学生在依赖他人长处的同时贡献自身特长，既体验自己的能力被需要，也学会承认并回应彼此的需要。相互依存不仅关系到一项任务如何完成，也关系到学习者怎样理解自己、他人以及共同生活。

这为重新组织教育提供了依据。“竞争—选拔”将不同的人放在共同尺度上比较，以此分配有限机会；但当教育需要支持更多样的才能，并使这些才能在复杂情境中发挥作用时，仅有排序并不足够。教育还需要支持人与人之间的联系，使个人能够贡献所长、获得帮助，并在共同实践中继续成长。

以人类相互依存为基础的教育范式（Human Interdependence Paradigm, HIP；Zhao & Zhong, 2026），将这些要求纳入教育的基本组织原则。协作不再只是课程之外附加的一项活动，而是连接个体发展与共同创造的重要方式。人工智能不仅扩大了个体探索和行动的空间，也使教育更有条件为不同潜能的发展提供支持。相应地，教育需要调整对才能的理解、学习的目标和学习活动的组织，使个体的独特性在与他人的联系中得到发展。

五、相互依存逻辑下的教育新范式

以人类相互依存为基础组织教育，需要同时关注个体潜能的发展，以及个体与他人、社会之间的联系。教育既要为学习者探索兴趣、发展特长提供空间，也要让他们有机会在真实行动中使用这些能力，理解自己的贡献与局限。这一转变涉及如何定义才能、如何理解学习，以及如何组织和评价学习过程。

（一）重新定义才能：从排名位置到独特贡献

传统教育体系长期依赖狭隘的“才能”定义，强调学生在统一课程和标准化考试中的表现。在以相互依存为前提的教育中，才能的判断需要更多地回到具体情境：学习者能够做什么，哪些优势尚未得到发展，这些能力能够回应什么需要，又能在与他人的共同实践中得到怎样的拓展。

这意味着，教育需要为个体发展其独特潜能提供制度空间。学生不必因为在某些方面薄弱，就被看作整体上“不够优秀”；也不应因为某种兴趣暂时没有明确用途，就失去继续探索的机会。所谓“有用能力”会因情境和时代而变化，教育若过早依据现有标准决定什么值得学、什么样的人值得培养，就可能错失人才多样性的价值（Zhao, 2019）。

但是，这并不意味着基础知识和共同能力不再需要。共同基础使学习者能够理解他人、参与社会并继续学习，但全面发展不应被等同于每个人在所有方面都达到相同水平。教育应当在保障共同基础的同时，允许学生投入不同领域，形成不同深度和不同组合的能力。发展的机会也不应以学生已经证明自己能够作出何种贡献为前提。

（二）重新理解学习：兴趣、持续投入与个性化发展

当知识获取与学习支持更容易获得时，学习的意义也需要超出通过考试和获得下一阶段的资格。学习者需要有机会探索自己愿意投入的事情，在实践中形成判断，并逐渐理解所学与自身生活、他人需要之间的联系。教育应当营造一个允许学生探索多样兴趣、发展独特潜能的环境，使他们在兴趣驱动下不断学习，并在与他人及人工智能的协作中扩展自身能力。

兴趣在这里也不是“喜欢什么就只学什么”的放任原则。它可以成为长期投入、持续练习和形成独特能力的重要动力。许多能力的发展需要学习者反复尝试、面对困难并不断深化，单靠一次考试的要求难以支持这样的过程。教师需要帮助学生获得探索的机会和必要的反馈，在遇到困难时判断如何继续，也允许他们随着经验的积累调整方向。学习者由此不仅发展能力，也逐渐形成对自身兴趣与选择的理解。

AI对个性化学习的支持，也需要从这一发展目标出发加以理解。一种方向是在共同目标不变的情况下，根据学生数据调整节奏、难度、提示和练习，使每个人更有效率地达到同一标准；这种做法可以改善教学，但如果个性化仅限于此，仍不足以支持不同兴趣与专长的发展。另一种方向则是利用AI扩大可选择的学习资源、导师支持和创作工具，让不同学生有条件追随不同问题、形成不同作品和发展不同专长。前者是“个性化达到共同结果”，后者才更接近“支持个体形成不同结果”。

（三）通过真实问题组织学习与相互依存

HIP的落地需要学习设计，让学生在面向真实情境的行动中实践互依与合作。McDiarmid et al.（2025）将学生自主性、兴趣追求以及对自身与社区产生有意义影响置于学习中心。以真实问题组织学习是实现这一目标的一条重要路径，因为它为学生提供界定关切、采取行动、与相关者互动并检验后果的机会。如果所有问题都由教师预先界定，学生按照相同步骤产出相似成果，项目也可能成为另一种标准化作业。

学生需要有机会从兴趣、经验和周围生活出发，发现并界定值得投入的问题。教师提供的情境也可以成为起点，但应为学生理解问题、形成自己的关注和调整行动留下空间。这些问题既要对学生个人有意义，也需要让他们逐渐认识行动与他人、社会或环境之间的关系。教师在其中承担引导责任，帮助学生考虑不同人的处境、行动的伦理与社会后果，并通过反思形成更成熟的判断。

在这样的学习中，知识随着问题的展开被调用、检验和深化。学生既需要贡献自己的长处，也需要向同伴和有关的人寻求帮助；既要解释自己的想法，也要接受他人的意见以便改变原有方案。共同实践因此不仅使已有能力得到使用，也为新的兴趣、能力和关系的形成提供机会。

AI可以作为信息资源、认知工具、创作伙伴和反馈来源，帮助学生探索方案、获得解释并开展尝试。但问题是否值得解决、方案是否适合具体情境，以及应如何对行动负责，仍需要学习者在与他人的交流和实践中作出判断。教育者需要关注学生如何使用这些支持、经历了怎样的思考和调整，而不只关注最终产出的完成度。

（四）使评价服务于成长与共同创造

当学习路径和成果更加多样时，评价也需要相应变化。评价应当帮助学生与教育者理解：学习者发展了哪些能力，如何处理遇到的困难，在共同工作中作出了什么贡献，又从他人的经验与支持中获得了怎样的成长。

持续的作品、过程证据、真实受众反馈以及对贡献的多角度判断，可以为这样的评价提供依据。同一件作品既可以呈现学生已经能够完成的事情，也可以成为讨论下一步学习的起点；来自同伴和真实相关者的反馈，则有助于学生理解自己的工作产生了什么影响，以及还有哪些需要尚未得到回应。

这些证据不必被重新压缩成一个用于排列所有学生的总分。共同基础可以依据明确标准进行评价，差异化探索则需要结合学生的起点、目标和具体情境加以理解。评价不仅确认已经显现的成果，也应为尚未成熟的尝试提供支持。教育由此能够同时关注知识与能力的发展、个人学习的意义，以及人与人之间共同创造的过程。

六、结论

人工智能对教育的双重影响，使“竞争—选拔”逻辑的局限更加突出。它能够扩大数据收集范围、提高分类与预测的效率，也在降低学习和创造的门槛，使人的能力通过更多路径形成和发挥作用。教育因此可能用越来越先进的技术维持原有排序，却未能充分回应技术所打开的发展空间。更精细的选拔，不能代替对不同潜能的发现与支持。教育因此面临的真正选择，不是“要不要使用AI”，而是用AI继续强化“竞争—选拔”，还是借助AI创造一种更适合新条件的教育组织方式。

本文所说的“从竞争到协作”，并不意味着竞争和选拔将完全消失。有限机会仍然需要分配，某些资格仍然需要明确标准，但这些要求不应规定全部学习的目标，更不应成为判断个人价值的唯一依据。教育需要为不同的兴趣、能力与发展路径提供空间，并帮助学习者在真实问题中使用自身长处、理解他人的需要，共同形成个人难以独立完成的认识与行动。

以人类相互依存为基础的教育范式，将个体发展与共同创造联系起来。在这样的教育中，学生既有机会发现自己能够做什么，也能在与他人的交往和实践中继续成长。教育由此从主要依据共同标准筛选人才，转向为每个学习者的发展提供支持，使不同的人能够贡献自身所长、获得彼此帮助，并在这一过程中体会学习的意义。