原创 ：MolyChin 来源：飘蓝书斋

从知识获得到问题驱动：AI时代学习范式变革的理论阐释

摘要

人工智能的突破性发展正在引发教育领域的深层变革，迫使教育研究者重新审视“学习”的本质与目的。本文在梳理知识价值历史变迁的基础上，揭示了传统“知识获取”范式在AI时代面临的认知负荷危机、惰性知识困境与创新能力抑制三重挑战。研究提出，学习范式正经历从“知识获取”向“问题驱动”的根本性转变：问题的提出与界定成为学习的起点与核心，知识的地位从学习的“目的地”降维为解决问题的“补给站”，能力培养的重心转向提问力、批判性思维、创造力与元认知等人类核心素养。在此基础上，本文从学习方法论、教育体系变革两个维度，系统阐述了新范式下精准提问、信息甄别、知识重构等能力要求，以及课程设计、教师角色、评价体系的重塑路径。研究认为，“问题驱动”范式并非否定知识价值，而是将人的地位从“知识的搬运工”提升为“意义的创造者”，其本质是人与AI协同进化中人类独特价值的重新确认。

关键词：人工智能；学习范式；知识获取；问题驱动；人机协同

引言

随着ChatGPT、Deepseek等大型语言模型的突破性涌现，通用人工智能正加速从技术愿景走向现实应用。那些能够撰写报告、生成代码、进行多模态创作的智能系统，已从科幻作品中的幻想演变为人们桌面上的真实生产力工具。这场技术革命在带来效率提升的同时，也催生了一种深刻的时代焦虑：当人工智能在知识的记忆、整合与复述方面超越人类时，学习的价值究竟是什么？

习近平总书记指出：“人工智能是引领新一轮科技革命和产业变革的重要驱动力”，“推动人类社会迎来人机协同、跨界融合、共创分享的智能时代”。这一论断揭示了人工智能不仅是技术工具，更是重塑社会形态的基础性力量。在教育领域，人工智能正在推动教育由“阶段化、标准化”向“终身化、个性化与人机共生”转变。当知识变得随时随地可获取，“知道什么”似乎显得不再那么重要。

这就迫使我们必须直面一个既根本又急迫的问题：在“是什么”和“如何做”都能够部分外包给机器的时候，什么知识最有价值？进而需要追问：怎样学习最有价值的知识？本文认为，学习的本质正在从“占有知识”转向“驾驭知识”，学习范式正在经历从“知识获取”到“问题驱动”的根本性变革。

旧范式的局限：“知识获取”模式的困境与挑战

“知识获取”范式的底层逻辑

过去三百多年建立起来的现代教育体系，其核心是一个复杂有序的知识大厦。这一体系基于“个体—知识—社会”三维视角的特定历史条件而形成：社会结构相对稳定，职业分工明确可期；知识由少数专家创造，总量有限且结构固定；个体习得特定知识后，足以确保其一生从事某种职业。在这一背景下，教育形成了以“知识传授”为主导的范式，其核心特征包括知识主导、统一传授、分段分领域。

这种范式可以概括为“输入-存储-输出”模式，其核心假设是：知识是有限的、静态的、分科的，学习者的竞争力取决于其大脑中存储的知识量。用赫伯特·西蒙的术语来说，这是一种将人类视为“信息加工系统”的认知观。

AI时代的三重挑战

随着生成式人工智能的崛起，这一延续数百年的教育范式正面临根本性挑战。

第一，认知负荷危机与记忆价值的边际递减。人类知识的增长速度空前加快【知识大爆炸】，许多学科的知识更新周期已缩短至2-3年。联合国教科文组织的统计指出，人类近30年来所积累的科学知识占有史以来积累的科学知识总量的90%。在知识爆炸的今天，试图通过记忆占有所有知识点已不现实，且边际效益递减。人工智能可以瞬间调用远超任何个体的知识库，使得“记忆型人才”的价值被大幅稀释。

第二，惰性知识困境和知识与实践的割裂。传统的分科教学往往先学后做，导致学生在面对真实世界中复杂的、跨学科的问题时，无法调动已学知识。这种“惰性知识”现象揭示了知识获取与知识应用之间的深层断裂。在人工智能时代，当知识本身可以即时生成，学生是否具备调用知识解决实际问题的能力，成为比知识占有量更关键的区分指标。

第三，创新能力的抑制与“正确答案”的迷思。当学习的目标是“记住正确答案”时，探索未知的好奇心和提出质疑的批判性思维就会被边缘化。工业时代延续至今的教育体系是一种“泰勒主义”，它将学习过程分解为可测量的单元，以标准化考试衡量产出效率。 这种模式在培养工业化劳动力方面取得了历史性成功，但与其崇尚创造力、批判性思维的新时代之间存在深层不兼容。

人工智能的出现让这种范式遭遇了根本性挑战：如果学习还停留在“记住知识”，人将永远无法与机器竞争。知识观必须发生转变——从“应该掌握哪部分知识内容”转变为“应该如何驾驭知识的获取、评估与创造过程”。

新范式的内核：“问题驱动”的理论基础与内涵

从知识内容到元认知：知识价值的根本转向

任友群、杨晓哲指出，智能时代知识的核心价值正从掌握特定的“知识内容”转向以元认知为核心的“层次选择”，元认知知识是智能时代最有价值的知识。这一判断揭示了知识观变革的本质：在AI可以高效处理“是什么”和“如何做”的层面时，人类的价值在于对认知过程的监控、反思与调控。

赵勇等学者进一步指出，AI的出现改变了“什么值得学习”的根本问题，人机协作学习情境的兴起要求研究者采用复杂性理论和分布式认知视角。这意味着，学习不再仅仅是大脑内部的认知加工，而是人与智能系统协同完成的意义建构过程。

“问题驱动”范式的核心内涵

在上述理论背景下，“问题驱动”的学习范式应运而生。其核心内涵可以概括为以下三个方面：

第一，问题成为学习的起点与核心。 在AI时代，提出一个好问题，比记住一千个答案更重要。因为答案可以随时生成，而问题的质量决定了探索的深度与边界。有研究者将人类在人机协同中的角色形象地称为“认知导演”——将传统的“记忆”、“计算”、“逻辑推理”等信息处理工作交予大模型处理，自身则主要精力用于信息的“筛选”、“验证”及“重组”。这种角色转变推动了思维方式从“知识获取”向“主动提问”的转变。

第二，知识地位的转变：从“目的地”到“补给站”。在新范式下，知识不再是需要死记硬背的教条，而是按需取用的资源。这正契合了“即时学习”的理念——当解决某个问题需要特定知识时，学习者主动寻找、筛选并快速掌握该知识。人工智能在此充当了“知识导航员”和“即时导师”的角色，使按需学习的效率大幅提升。

第三，能力培养的重心的转移。 问题驱动范式着重培养AI难以完全替代的人类核心素养，包括提问力、批判性思维、创造力与元认知能力。邵怡蕾提出，AI时代需要“人工智能素养与人文素养并进的双框架”——前者实现人机协同，后者赋予公民审计算法、质疑决策、参与治理的能力。陈诗一等学者则提出了人工智能时代人才培养的“五维”基础素养体系，包括领域知识技能、学科融合技能、数据驱动技能、人工智能应用技能、前沿敏感技能。

张晓军从“个体—知识—社会”三维视角提出，未来教育需要从过去支持学生的“继承性学习”转型到继承性学习和“生成式学习”相结合的双阶学习。所谓生成式学习，正是强调学习者在已有知识基础上，通过与新信息的互动生成新的理解和创造。 这一定义与问题驱动范式高度契合——问题的解决过程正是知识生成与创造的过程。

新范式的方法论重构

学习路径的根本变革

在问题驱动范式下，学习者的学习路径发生了根本性变化：

传统路径：学习基础知识 → 通过考试验证 → 尝试解决应用题 → 毕业后再遇到真实问题。

AI时代路径：遇到真实问题 → 借助AI获取所需知识 → 理解并内化知识 → 提出解决方案 → 在过程中发现新问题 → 循环往复。

这一变革的本质，是从“知识在先、应用在后”的线性模式，转向“问题驱动、知识随行”的循环模式。美国认知心理学家梅耶的“选择—组织—整合”模型（SOI模型）为理解这一过程提供了理论支持：学习者首先从环境中筛选相关信息，然后将信息组织为连贯的心理表征，最后将新信息与已有知识整合。 在AI时代，这一过程在人与AI的协同中完成——AI帮助筛选和初步组织信息，人类则负责深度整合与意义建构。

新范式下的关键能力

问题驱动范式要求学习者掌握以下核心能力：

第一，精准提问的能力。 学会与AI高效沟通。有研究提出了“提示语素养”的概念，强调提问越具体、背景越清晰、指令越明确，得到的答案价值越高。这包括定义问题边界、指定回答风格、提出反向追问等元认知策略。

第二，信息甄别与批判性评估的能力。 AI有时会产生“幻觉”或偏见，其输出并非天然可靠。学习者必须具备“审计算法”的能力，像法官一样交叉验证AI提供的论据，识别逻辑漏洞、数据偏见和事实错误。

第三，知识链接与重构的能力。 将AI提供的碎片化信息，结合自身的经验和直觉，编织成属于自己的知识网络，并用于创造性地解决问题。这正对应生成性学习理论中“建立新知识内部联系”和“新知识与已有知识联系”的双重建构过程。

第四，分布式认知协作能力。 在人机协同的知识生产中，人类与智能系统构成一个分布式认知系统。学习者需要理解人与AI各自的认知优势，实现人类感性思维与机器精准计算的有机结合。

对教育体系的冲击与重塑

问题驱动范式变革正在倒逼整个教育体系进行深层调整：

课程设计：从学科中心到项目中心。 未来的课堂可能不再是“今天讲第5章”，而是“这个月我们要解决某个真实问题”。在解决问题的过程中，学生跨学科地整合知识。有学者提出了“结构化暴露—适应性分配—效率放大”的三维教学设计框架，将MOOC、智慧教学与人工智能有机整合。

教师角色：从知识传授者到学习设计师。 教师不再是讲台上的圣人，而是学生身边的向导。教师的职责是设计有意义的“问题”，激发学生的好奇心，并在学生与AI互动的过程中提供高阶思维引导。教师也可以借助AI工具筛选高质量资源，承担重复性认知劳动，从而更有效地支撑学生高级思维技能的发展。

评价体系：从考记忆到考能力。 未来的考试可能不再是闭卷默写，而是开卷、甚至允许使用AI的情况下，考察学生如何解决一个从未见过的复杂问题，评估其逻辑链、创新性和可行性。学习的输出结果不再是“束之高阁”的知识储备，而是要能够变成“为我所用”的思考、实践过程的直接产品，如一份报告、一件艺术作品或一份设计方案。

结语：驾驭AI，而非被AI取代

AI时代的学习范式变革，并非意味着知识本身不重要了。恰恰相反，没有扎实的知识基础，就无法提出深刻的问题，也无法辨别AI答案的真伪。任友群等学者强调，需确立以“人机协同”为核心的学习理念，以“基础知识+智能赋能”为螺旋式上升的学习模式。

“问题驱动”的本质，是将人的地位从“知识的搬运工”提升为“意义的创造者”。它要求我们不仅要学会使用AI这个强大的工具，更要在与AI的协作中，不断追问“为什么”“如果……会怎样”“什么才是更好的”。在这个意义上，未来的文盲不是不识字的人，也不是不会用AI的人，而是不会提问、不会学习、不会创造的人。

从“知识获取”到“问题驱动”的转变，正是为了培养这种无法被算法量化的、属于人类的独特智慧和价值。在人与AI协同进化的新时代，学习不仅是知识的习得，更是人之为人的意义的不断生成与确证。

参考文献

[1] 任友群, 杨晓哲. 智能时代什么知识最有价值?[J]. 中国远程教育, 2025, 45(9): 3-13.

[2] 石飞飞, 何心远, 丁富登, 等. 通用人工智能驱动下的教育范式转型：从幼儿启蒙到终身学习[J/OL]. 中国科学院科技论文预发布平台, 2026. DOI:10.12074/202601.00184.

[3] 张晓军. 人工智能时代的学习变革:从继承性学习到生成式学习[J]. 中国大学教学, 2025(4): 82-88.

[4] 舒文娟. 大模型背景下的新思维与新学习[N]. 中国教师报, 2025-07-09(14).

[5] 赵勇, 尼尔·金斯顿, 里克·金斯伯格. 人工智能时代教育研究的死亡与重生：问题与前景[J]. 华东师范大学学报(教育科学版), 2026, 44(3): 1-14.

[6] 邵怡蕾. AI改写“历史终结”：从技术–治理双曲线到人工智能素养与人文素养并进的双框架[J]. 华东师范大学学报(教育科学版), 2026, 44(3): 15-24.

[7] 陈诗一, 陈梅. 人工智能时代经济学人才培养范式创新与发展——兼及对新文科建设的思考[J]. 华东师范大学学报(教育科学版), 2026, 44(3): 25-39.

[8] Zafar M B, Ali H, Yasin T. Reimagining human creativity and learning in the age of generative AI: A multi-method meta-thematic synthesis[J]. Next Research, 2025, 2(4): 100802.

[9] Yuan B, Hu J. Bridging MOOCs, Smart Teaching, and AI: A Decade of Evolution Toward a Unified Pedagogy[J/OL]. arXiv preprint, 2026. arXiv:2507.14266.

作者：Moly Chin / Yue Yuan