筑牢按需學習能力，構建成長型知識體系

在AI時代，終身學習的本質內涵已從傳統的知識積累轉向更深層次的認知重構和能力進化。習近平總書記在2025年全國兩會期間看望參加政協會議的民盟、民進、教育界委員時提出“教育，不能把最基本的丟掉”。他指出：“現在，一方面，有了智聯網、人工智能，教育的工具和方法會發生變化，學生能力培養會有變化，這些正需要與時俱進地進行改革。另一方面，對于學生的啟智、心靈的培養和基本的認知能力、解決問題能力的培養，是不能放松的。基本功還得有。” 人工智能時代，學習與教育的變與不變，是新時代教育高質量發展的一個關鍵話題。

從腦科學的視角，學習的根本目的是構建一個外部世界運行模式的大腦模型，從而能夠對未來進行預測，并實現知識的遷移和應用。從這個意義上講，學習不僅是為了記住過去，更是為了預測未來。學習也不僅是掌握知識，而是為了更好的遷移應用。在AI時代，要想強化過程學習能力，促進知識的遷移和應用，不斷拓展知識邊界，形成新的知識體系?，實現終身學習，特別需要筑牢以下三種基礎能力。

構建知識體系的能力：知識遷移應用的軟件優化

隨著ChatGPT、DeepSeek等大語言模型展現出強大的深度思考與知識整合能力，人們不禁對 “我們還需要學習知識嗎” 這一問題產生疑問。對于這個問題，我們需要從知識的分類和功能、大語言模型的知識特征以及人類與大模型的相互關系等角度來分析。知識包含通過身體機能或通過與所處技術環境互動進行“具身認知”而生成的情景性知識，通過神經網絡、社會網絡和概念網絡等進行“聯邦學習”而生成的關聯性知識，以及結合深度學習和強化學習等機器學習形成的規則性知識，體現出顯著的群智性、開放性、碎片化和模糊性等特點。人類的知識和大模型的知識存在很強的互補關系。首先，人類有很多知識是在與世界的直接互動中，通過感知覺系統和認知系統自然習得的，不需要刻意的記憶，這些知識往往是大語言模型所不具備的。其次，人工智能大模型通過對海量數據進行學習、分析和預測，挖掘數據背后的隱性關聯和規律，并結合人類指令和上下文語境創造性地生成各類知識內容，并通過模擬人類思維模式，達到對復雜問題進行多維解析的目的。大模型改變了知識的生產方式，但目前，大模型還停留在總結已有通用知識的層面，在專業性和創新性等方面仍存在不足。最后，在相當長的時間內，大模型只是供人類使用的工具，人類可以把大模型當作獲取知識的渠道，并對這些知識進行選擇性判斷和創新性應用。

基于此，掌握知識對人類來說是不可或缺的。第一，在知識的應用需要高度自動化和較強時效性的情況下，依賴外在的大語言模型反而會降低知識的應用效率。第二，人類需要以豐富的知識積累為基礎，形成可以跨領域遷移的、基于邏輯甚至直覺的知識辨別能力。第三，人類需要知識創新和創造能力，才能在競爭中勝出，這也需要以豐富的知識為基礎。第四，基于知識積累的信息加工，可以實現用知識提取來取代知識的在線生成，從而大大降低人腦的信息負荷，提高信息加工的效率，這也是人類能夠解決復雜問題的重要基礎。從這個意義上，無論在什么時代，人類都需要掌握知識，它是人類信息生存和創新的基礎。人類也必然會掌握知識，這是創造性問題解決后的自然結果。

那什么樣的知識才是人類所需要的，如何才能更好更快地學習到這些知識呢？從知識的內容上看，人類需要學習與自身的生存和發展密切相關的知識，包括人和自我的知識、與真實世界互動的知識，以及根據自己的興趣和特長經過深度學習的專深知識。從知識的結構上看，人類需要的不是碎片化的知識，而是與真實世界模型吻合的、結構良好的體系化的知識。從學習的方法上看，我們不需要被動的輸入和抽象的記憶，而需要在實踐中主動建構的知識。被動輸入和抽象記憶的知識，只能短暫停留在大腦的海馬結構。建構主義學習的本質則是在頭腦中搭建真實世界的神經模型。在這個過程中，人腦會基于經驗改變知識的神經表征，讓大腦的知識表征結構和真實世界相吻合，實現知識體系的搭建。同時，在知識應用的過程中，人類能夠不斷擴大知識邊界，納入新的知識，實現知識體系的持續迭代發展。

深度信息加工的能力：知識遷移應用的硬件升級

加強知識的應用與拓展，避免學習的知識僅停留在理論層面，這是學習的根本目標。在“學以致用”的過程中，要想更高效地利用知識，并在應用中拓展知識邊界，除了有結構化的知識體系作為基礎，還需要非常強大的信息加工能力。比如，隨著獲取信息難度的降低，人類在知識應用中能夠得到的信息會越來越多，這就需要強大的信息獲取與整合能力；隨著納入決策的因素越來越多，人們還需要更大的工作記憶容量和更優的問題解決策略；隨著問題難度的提高和解決問題所需時間的增加，對人們持續專注的能力也提出了更高的要求；隨著對創新水平的要求不斷提高，人們還需要更為強大的執行控制、深度思考，以及跨領域遷移能力。

從表面上看，AI可以加工所有輸入的信息，加工速度極快，且有強大的學習算法，可以說，在注意力、工作記憶、長時記憶、反應力和思維力等方面都超過了人類。但人類的深度信息加工能力卻超越了最強大的AI。最新研究表明，人類的注意力容量和持續時間雖然有限，但信息選擇和加工能力強大，能高效去除噪聲，放大信號。另外，人類具有持續學習能力，可以不斷更新知識體系，避免舊知識對生活和工作的干擾；人類也具有強大的信息抽象能力，可以快速基于經驗捕捉核心信息；人類還具有強大的假設能力，可以基于小樣本快速形成和驗證假設。這些發現提示我們，人類需要重點加強和培養自己的優勢能力，從而完成在AI時代實現知識遷移和應用所必需的“硬件升級”。

培養深度信息加工的能力，需要我們根據腦科學規律和按需學習理論，對傳統教育模式進行深度變革。我們需要不斷加強基礎認知能力以及科學思維模式的訓練，提升底層認知能力，如在學習知識時，不能過分強調對細節知識的反復練習，而要強調信息的綜合、分析與評價。我們須加強項目制學習，在實踐中創新性地應用知識，以此不斷拓展知識邊界，實現終身持續學習。我們還需要不斷提升發現問題、提出假設并驗證假設的能力，切實踐行探究式的學習。

維持成長動力的能力：知識遷移應用的能量保障

與AI智能體不同，任何一個生物體的學習都必須考慮學習動力的問題。在智能時代，“躺平”現象日益凸顯，但從歷史的視角，任何一次科技革命都沒有讓人們停止工作，只是工作性質和內容發生變化，甚至對部分人來說，科技進步反而提高了工作的難度和要求，特別是一些專業工作，需要更高的學歷、更長時間的專業學習和實踐訓練。這并不能簡單歸結為“內卷”的結果，而是知識創新的難度變得更大了。從現實的需求來講，人類還面臨非常重大的挑戰，包括氣候變化、可持續發展、社會公平、人類與AI協同共生等問題。在很多領域，我們目前還缺乏符合要求的勞動者，導致了一種結構性的供需失衡。

那為什么會出現躺平的論調和現象呢？首先，從馬斯洛需求層次理論，生存的需要是最強勁的動力，而高層次需求的動力往往更弱，也是可以替代的。因此，基本需求的滿足降低了人類追求發展的動力。其次，現有社會的評價機制和競爭體系，特別是基于單一標準的競爭模式，讓一些人在長期的競爭失敗中形成了習得性無助，破壞了發展動力。更重要的是，人類的獎賞系統正逐步被虛擬科技所劫持，從而削弱了人類在真實世界的發展動力。

但是，人類成長的動力沒有消失，只是發生了轉移。只有擁有持續不斷的學習動力，我們才能擁有終身學習的內驅力，并在這種內驅力的驅使下，延伸知識的邊界。基于新時代背景下學習動力的現狀，我們需要加強內部動機的培養，提升個體的成就感和控制感；我們需要在學習目標上實現因材施教，在學習方法上實現因人而異，從而培養每個人獨特的專長能力，避免高度同質化“內卷”；我們還需要進一步加強心理品質的培養，訓練情緒識別和調節能力、增強心理韌性和復原力；我們更需要不斷啟發人類的理想信念，讓家國情懷和人類命運成為更多人終身學習和發展的源動力。