本日报作者不通中文。这些译文由人工智能自动生成，作者本人无法亲自核对其语言准确性和文化适切性。我们以谦逊和真诚的态度发布此版本，希望与中文读者建立连接。若发现翻译错误、表达不当或文化误读之处，恳请告知 — 我们将虚心接受并改进。
L'auteur du Journal d'un Progressiste ne parle pas chinois ; ces traductions sont produites par intelligence artificielle et n'ont pas été vérifiées par lui. Cette version est publiée dans un esprit d'échange et d'humilité — vos retours sur les erreurs éventuelles ou les contresens culturels sont les bienvenus.
— 《进步者日报》编辑部 / La rédaction
2025年1月，顶级AI模型在专为检验其能力极限而设计的测试中表现仍十分有限：GPT-4o在ARC-AGI-1上得分约5%；2024年12月底发布的o3在同一基准上，标准预算模式下达到75.7%，高算力模式下达到87.5%——而该基准彼时已被大幅突破。2025年3月推出的ARC-AGI-2上，顶级模型得分约3%；十三个月后，这一数字达到83%。这不是关于技术进步速度的趣闻，而是学校正面临的一个结构性问题。
教育机构以五到十年为周期运转：课程修订、教师培训、工具引入。AI模型每六到九个月迭代一代。两者节奏之间的落差，不是升级滞后，而是机制上的根本不兼容。这一落差所揭示的问题超越了工具本身：学校必须重新回答它应当传授什么，以及向谁传授。
要点
- ARC-AGI-2于2025年3月推出时，顶级模型得分约3%；十三个月后达到83%。数据由ARC Prize（François Chollet、Mike Knoop等人）发布，Epoch AI持续跟踪。
- AI模型每六到九个月迭代一代，而机构教学周期长达五到十年。
- AI放大已有能力：懂得结构化问题的学生和从业者，获益远超尚未掌握这一能力的人。
- 未来两年的核心任务：界定AI无法替代的人类认知边界，并围绕这条持续移动的边界重组学校教育。
短短数月，AI的能力上限已不复存在
这一基准测试并非普通测试。它被专门设计用来标定模型做不到的事：复杂推理、多步推断、深度语境理解。ARC-AGI-1上，GPT-4o在2024年初得分约5%，随后o3于2024年12月底大幅突破。2025年3月推出的ARC-AGI-2上，顶级模型从约3%重新起步——该基准再次准确发挥了标定能力边界的功能。
ARC-AGI-2推出十三个月后，这面镜子映出了另一番数字：83%的通过率。这不是同一技术的渐进进步，而是多代模型相继登场，每一代都在前一代看似无法逾越的能力上实现超越。设计这些基准的研究人员坦言：他们很难构建出能撑过十二个月的测试。
这一节奏从根本上改变了问题的性质。技术缓慢进步时，机构可以按周期适应。每六到九个月就出现一次跳跃式突破时，机构的适应周期在结构上就已跟不上。问题不再是”如何将AI引入学校”，而是”当AI重新定义认知能力边界的速度超过课程改革速度时，学校还能是什么样的”。
自由派经济学家、管理科学教授、数字转型领域随笔作家Olivier Babeau把这个问题推向了最尖锐的表述：AI让传统课程和传统的努力观念趋于过时。他在著作中探讨注意力经济，但并非严格意义上的学术专家。如果工具能写论文、解数学题、生成演讲提纲，那学自己动手还有什么意义？这是刻意的追问，但它指向了真实的教学困境。
AI放大你已有的东西
学校的本能回应往往如出一辙：技术帮助那些已经会的人，因此学校必须先传授基础，再开放工具。这一推断在一点上成立，在另一点上危险。
它成立，因为数据证实了放大效应。已经能够结构化问题、精确提问、评估回答、识别推理错误的学生和从业者，从生成式AI中获得了实质性收益。尚未掌握这些能力的人，收到的是他们无从批判的答案，由此变得更加依赖，而非更有能力。
Daron Acemoglu和Simon Johnson在其关于技术与权力的研究中，从另一个尺度记录了同一机制：创新收益不会自动扩散，而是首先集中在已有互补能力的地方。生成式AI以近乎精确的方式遵循这一逻辑。Acemoglu和Johnson的分析表明，这种集中并非不可避免，但不会自行纠正。
当机构推理从中得出相反结论时，它就变得危险：既然AI放大现有能力，学校就应该先忽视AI，照旧专注于基础知识。这一立场混淆了教学顺序与把学生隔绝于现实之间的区别。一个从未接触过这些工具就离开高中的学生，不会因此更有辨别力。他只是落后了。
当学校调整练习，AI也在调整回答
根本问题不在于工具采用与否，而在于参照系崩溃的速度。
2023年ChatGPT出现后，一批教师开始重新设计评估方式，试图构建能够抵御AI的题型：个人经历问题、情境化练习、口头作业。两年后，多模态模型已能处理口语、模拟声音、根据前几次交流构建的用户档案生成情境化回答，这些格式中的一部分已被绕过。
这不是一场注定失败的竞赛，而是一场被误解了性质的竞赛。目标不可能是设计出AI无法突破的练习，而是设计出即便学生能使用AI仍有学习价值的内容。这两个目标并不重合。
AI Scientist的出现——能近乎自主地发表论文、开展实验、通过同行评审——揭示了学术研究领域的类似位移：曾被视为研究者核心能力的任务正被工具吸收，”什么才真正属于人”这一问题变得紧迫。学校面对同样的问题，但多了一层挑战：学生尚未掌握能让人机协作富有成效而非流于依赖的基础能力。
教师：培养判断力，而非训练记忆力
数据揭示的关键杠杆不是技术，而是教学，具体说是教师角色的转变。
那些有效的实验共享同一架构：教师不是传递供学生复述的内容，而是创造条件，让学生必须行使AI无法代劳的判断力——表达意图、评估回答与真实问题的关联、识别工具无法言说的东西、在数据不完整的情境下做出决定。
这些能力不是通过观察AI运作获得的，而是通过实践、犯错、在了解工具局限的人类对话者压力下反复尝试而形成的。部分教育从业者和研究者将此定位为教学转型的核心支点：教师不是活百科全书，也不是守护规则的工具反对者，而是认知努力与批判性判断的训练者。
Babeau在此指出了一个真实的张力：如果学校转型不够快，这一角色就会转移给其他参与者——培训平台、私人教练、职业环境。这不是反对公立学校的理由，而是认真对待其模式必须加速演变的理由。知识自主不是自由派的奢侈品，而是学生成为AI使用者而非AI乘客的前提条件。
这种自由派愿景与Acemoglu制度主义进路之间的张力，无法仅在教学层面化解。前者强调个人实践的转变；后者提醒，如果没有对教师培训和数字基础设施的公共投入，转型红利将流向本已占优的学校。数据在不同层面上同时支持双方：转型是必要的，但若仅靠市场力量驱动，将被不平等地分配。
长期文凭：价值消失，还是价值转移？
教育经济学家开始认真面对一个问题：如果AI继续以2023年以来的速度进步，二十年后长期学历还值什么？
反对长期培训的论点直接：曾经需要五到七年才能掌握的知识，现在几个精确的查询就能获得。法律、会计、部分诊断医学、专业写作——如果工具能完成工作，为什么还要为学习时间付出代价？
支持长期培训的论点，理由已不同于以往。它不再指向知识体量，而是指向两件唯有长周期才能培养、短周期无法替代的能力。其一，在数据不足、相互矛盾或被刻意操控的情境下形成判断。其二，在高度不确定的情境中与他人协作——经济学家有时称之为复杂关系能力。
这两个维度恰恰是AI最力不从心的，并非偶然：它们依赖在真实情境中积累、带有真实利害关系的亲身经验。AI可以模拟难缠的客户、对立的同事、模糊的案卷，但无法替代亲身面对并必须撑过去的经历。
如果这一判断成立，长期培训的价值不会消失，而是转移。以记忆和复述为筛选标准的课程将失去竞争力；培养判断力、论证能力、在模糊中坚持的课程将获得新的分量。这一转变将重新洗牌——不同学科之间、不同领域之间、不同教学法之间。但它不会自发发生：评估体系、考试制度、文凭认证都带有巨大惯性。
代际压力就在这里。今天进入初中的学生将在2035年进入劳动力市场。届时存在的AI模型尚未被设计出来。为未知市场培训、用每六个月就会迭代的工具教学，迫使出一个令既有课程体系不安的结论：唯一能确定传授的，是学习、反学和重新表述的能力。
有效实验不是来自教育部
具体案例存在，但分散各处。芬兰部分高中已将AI纳入批判性阅读练习：学生收到模型对文学文本生成的分析，须评估其相关性、找出盲点并加以修正。工具没有被禁止，它成了学习的对象。法国也有教师不等官方指引，自行搭建类似课程，通常借助非正式网络上的共享资源。
这些实验的共同点是颠倒了对工具的态度：不是保护学生免受AI影响，而是要求他们审视AI。这种颠倒在教学上要求极高——教师须能区分优质回答与貌似合理的回答，对内容而非仅对方法作出判断。这正是教师培训成为最不醒目却最关键杠杆的原因。
公平问题在此重新显现其全部分量。有能力培训教师、投入实验设备、招募兼具教学与数字能力人才的学校，基本上就是那些本已产出最佳结果的学校。AI对个人施加的放大效应，在机构层面如法炮制。如果没有将这些实践推广到薄弱学校的主动政策，教学创新只会扩大它声称要弥合的差距。
尚待厘清的问题
问题仍未解决。AI对学校长期学习影响的数据尚不存在——工具太新，样本周期太短。目前可观察到的是一组趋同的信号：AI进步的速度超过机构适应的速度，它放大已有的认知不平等，而纠正的杠杆在于人，而非技术。
悬而未决的是临界点：一所未将AI纳入教学的学校，在什么时候会变成一所为已不存在的世界培养学生的学校？这个点尚未确定，随每一代模型移动。这或许是整个问题中最令人不安之处：很久以来第一次，学校必须适应一个自己无法掌控的节奏。
来源
- Olivier Babeau，”学校面对人工智能洪流”，《星期日日报》— Institut Sapiens：https://www.lejdd.fr/Societe/olivier-babeau-lecole-face-au-deluge-de-lintelligence-artificielle-171174
- Daron Acemoglu和Simon Johnson，《权力与进步》，Basic Books，2023年——对技术收益攫取机制的分析
- AI基准数据：Scale AI / Epoch AI——模型在复杂推理任务上的表现跟踪（无URL——可通过MMLU、GPQA和ARC-AGI基准的公开跟踪获取数据）
- 技能经济学与长期培训价值研究：OECD，《2024年教育概览》（无直接URL——年度报告可在OECD网站获取）
- ARC Prize技术报告（2024和2025）
- ARC Prize - o3突破（arcprize.org）
- 权力与进步 - Basic Books 2023
- Olivier Babeau - 维基百科
- AI Scientist - Nature（2026）
- Epoch AI基准中心
- ARC-AGI-2论文（Chollet等人，2025年5月）