[中图分类号]G434 [文献标识码]A [文章编号]1007-2179(2018)01-0010-06 一、引言 教育与人类历史一样悠长，这门亘古就有的学问如今面临“空心化”和“被占领”的尴尬(陈桂生，2009)。学科自信源于理论自信。与物理、化学、医学等自然科学乃至经济学、法学、管理学等社会科学相比，教育研究知识结构破碎，缺乏专属话语系统，立场不明确且研究质量不高(刘燕楠，2016)。于是，为了向自然科学及社会科学靠拢，教育学开始引入科学的范式与研究方法，建构学科术语和概念。但事与愿违，教育学科地位非但没有得到学术共同体的认可，连合法性也深受质疑(毛金德，2016)，面临“衰退乃至解体的危险”(沃尔夫冈·布列钦卡，2006)。 教育学的科学化及其学科存续的现实威胁，直接来自于学术边界的模糊化。长久以来，教育学研究者被“学校”这一时空框架(项贤明，2017)及人类学习者(Bieger,et al.,2017)所束缚，不仅将教育学与学校教育等同起来，同时也将教育对象与人等同起来。教育学走在充满荆棘的道路上顾盼新契机，计算机科学技术每每扮演了关键角色：千禧年后，网络技术打破“学校”的围墙，将教育学从物理空间的束缚中解脱出来，实现了教育的网络化飞跃。大数据和虚拟现实技术的发展，又将这种解脱推向极致，推进了教育的个性化和虚拟化。遗憾的是，这些技术不仅没能让教育学从迷失中找到自身定位，反而令其支离破碎之势更甚。究其原因，在人类中心主义价值观的绑架下，教育学被牢牢扣锁在“人”的囚笼内，教育广袤的覆盖范围与狭窄的人类教育实践之间构成了深刻的矛盾。 人工智能时代的到来，特别是随着通用人工智能技术的崛起，教育学正从“人”的牢笼中解放出来。在通用人工智能的影响下，教育学将迎来真正属于自己的“春天”：人们对教育本质的追寻和审视将跃升至更高层次，从而在更抽象的视角下探究和揭示教育和学习的一般规律。 二、从专用人工智能到通用人工智能 人工智能(Artificial Intelligence，简称AI)，最初旨在表达“利用电子计算机模拟人类智力能力”，然而其字面含义远大于实际所指的情况(钟义信，2014)，不可避免地产生许多问题(毛航天，2016)。“强”与“弱”两种不同的内涵分化便是其中之一，并对应着人工智能发展历程中两条不同的技术研究路线。“弱人工智能”侧重于智能的用途，以计算为核心，借助算法“智能”地解决现实问题。因而，此类智能具有相对性，表现为这种“智能”一旦为人们所习以为常，那么它看上去便不再那么智能。“强人工智能”关注智能的本质，致力于对思维机器的理论建构及实现，其智能具有绝对性。依照通常用法，弱人工智能也被称为专用人工智能(Special-purpose AI或Narrow AI)，强人工智能则被称为通用人工智能(Artificial General Intelligence，简称AGI)。 当前人工智能内涵理解的混乱现状，根源于人们对智能本质理解的差异。我们认为，“智能”不是解决具体问题的能力，而是习得这些能力的元能力，即是否智能不在于能做什么，而在于在何种条件下做到。进而提出，“智能”本质上是一个系统在知识和资源相对不足情况下的适应能力(Hammer,et al.,2016)。这种“相对不足”表现在三个方面：(1)有限性。智能系统只能依赖于有限的信息加工资源，比如处理器数目和速度以及存储空间容量。对于智能机器人而言，有限性也包括能量储备和直接感知运动能力。(2)实时性。智能系统必须实时工作，新任务可能在任意时刻到来且有时限要求，因此多个任务会竞相争夺系统资源。(3)开放性。智能系统必须对未来经验持开放态度，新知识可能和已有知识相冲突，新问题也亦可超出系统的知识范围，但均不应导致系统瘫痪。 为了实现上述要求，非公理化推演系统(Non-Axiomatic Reasoning System，简称NARS)工程采用了与专用人工智能完全不同的技术路线。总体而言，NARS基于推理系统框架，包括逻辑和控制两个部分(Wang,Li,et al.,2017)。与数理逻辑致力于刻画从公理推出定理的证明过程不同，NARS的逻辑采用更接近人类思维特点的“非公理化逻辑”(Non-Axiomatic Logic)，基本功能是根据系统经验确定概念的意义和陈述的真值。控制部分则负责有效分配系统资源，在大量推理任务竞争有限资源的情况下，系统的时间和空间均按竞争者(概念、任务、知识等)的优先程度进行调节，同时综合竞争者自身特征、系统对其以往效用的评价、与当前系统目标相关性等因素。 有趣的是，智能并非全知全能，智能系统必然会犯错。NARS需要通过大量学习达到某个领域内的实用水平，甚至在达到这一水平后学习也不会停止，在环境不断变化的情况下更是如此。这种学习不仅限于知识的积累，也包括技能的习得和动机的演化。尽管NARS的初始动机由外界(设计者或用户)设定，但系统会从中生成派生动机，并自行维护整个动机体系的协调性和有效性。 三、从专用人工智能的机器学习到通用人工智能的机器教育 表面上看，人工智能似乎和教育学相距甚远，实则不然。不论专用人工智能还是通用人工智能都与教育学关系密切。尽管相关研究极为匮乏，但机器学习和机器教育的分化却逐渐明晰。 机器学习(Machine Learning，简称ML)是当代专用人工智能的技术核心，聚焦于从数据中发现规律的算法，将学习定义为训练经验对任务执行时性能改善的度量(Jordan,et al.,2015)。机器学习最初仅是计算机科学的子领域，但随着统计学习带动下人工智能的兴盛，机器学习已成为具有严谨体系和理论基础的学科。机器学习除了以回归、决策树、SVM、贝叶斯等算法为主的经典符号主义外，还有以深度学习和强化学习为核心算法的连结主义和行为主义两个分支(冯锐等，2010)。尽管机器学习应用甚广，深度学习和强化学习更是成效斐然，但此类“学习”仍过于狭窄：本质乃是空间搜索及函数泛化，实则将学习过程等同于计算过程，仅仅是在预设算法基础上输入输出的重新投射，并无多少智能可言(Fabio Ciucci,2017)。
