AI 原生教育
从 AI 工具走向AI 原生学习系统
目前许多应用将 AI 作为附加功能。它们提高了效率，却没有从根本上改变学习的组织方式。
AI 原生教育：AI 融入教与学的结构，由人类与人工智能共同塑造学习过程，并逐步形成持续、适应性和协作性的学习系统。
“AI 原生”意味着什么？
以系统架构为核心。
AI 参与学习过程
智能分布于人类与 AI 之间
课堂过程变得可观察
系统能够被解释和调整
三个范式转变
各部分相互连接，共同构成系统。 系统视角改变了设计问题：分析的单位是结构——组件如何连接、学习循环如何形成，以及 AI 如何在架构内部运行。
从局部交互走向系统层面的运行：组织个体与小组的学习过程，协调多个智能体，并支持实时决策。
可见功能往往处于学习的表层。我们关注系统基础设施，包括跨层次的智能、面向教师的决策支持，以及后台编排。
AI 原生背后的哲学
AI 原生教育并不追求“毫不费力”或“完全自动化”的课堂。受到列维纳斯与韩炳哲启发，我们希望构建的系统能够激发学生的能动性，尊重学生的他异性，并保留深度学习所需的阻力。
关于他异性——列维纳斯
AI 原生教育构建了一个伦理空间。我们拒绝将学生完全化约为数据模型。AI 应当为教师腾出时间，使他们回到面对面相遇中的无限责任。
关于深度——韩炳哲
我们警惕“平滑的暴力”。AI 原生系统需要设计有益的阻力，为学习者提供通往理解与智慧的深度挑战。
关于纠缠——后人类主义与分布式认知
智能逐渐成为基础设施，认知分布于学生、教师与 AI 智能体之间。这会重新组织教学能动性。
AI 原生的社会逻辑——布迪厄
AI 从来不是中立的。借助布迪厄的场域、资本与惯习概念，我们思考：
场域——AI 作为教育基础设施
AI 正成为教育场域的基础设施。当算法成为底层架构，谁有权定义“好的学习”？我们希望通过 CocoFlow 等系统，将这一权力交还给教师。
资本——从内容知识到编排能力
一种新的技术—认识资本正在形成：编排 AI 智能体的能力。我们的目标是让所有教师与学生都能获得这种能力。
惯习——警惕对算法的习惯性依赖
如果 AI 路径过于“平滑”，学生可能形成依赖算法的惯习。因此我们坚持保留有益的阻力，通过 CocoNote 等工具有意识地引入不同视角与认知冲突。
我们目前的进展
✓ 已实现
✓ 结合 AI 分析的早期课堂编排
✓ 基于智能体的教与学工作流
✓ 教师参与设计 AI 支持的学习过程
✓ CocoClass × CocoStudy 持续数据循环
○ 仍待解决的问题
○ 在多样情境中大规模开展学生与 AI 共创
○ 跨学校、跨地区的系统协同
○ 充分可解释且伦理透明的学习过程
超越人类中心：走向关系视角
我们重视以学生为中心的学习。但当 AI 日益强大并进入生活的各个层面，仅以人为中心的视角，可能不足以理解我们正在构建的系统及其塑造的未来。
借助巴拉德的内互作用与Deleuze & Guattari的组装体概念，我们看到学生、教师、AI 智能体与学习环境在关系中持续构成彼此。对于即将进入 AI 广泛参与的世界的实践者，人机组装体本身成为重要的分析单位。贝内特的活力物质提醒我们，算法会主动塑造可能性；恩格斯特罗姆的活动理论揭示推动转变的矛盾；哈钦斯的分布式认知则说明，思考在整个系统中展开。
与此同时，关系视角必须与伦理承诺保持张力。列维纳斯提醒我们，每位学生的他异性都不应被简化为数据；韩炳哲警示平滑会消除深度学习需要的阻力；布迪厄则要求我们追问谁从中受益，以及谁的发展轨迹受到影响。
作为系统建设者，我在效能与伦理之间持续思考。我支持以学生为中心的学习，也希望继续拓展理解的视野。当 AI 重塑教育与社会，我们需要通过关系视角，看清人机组装体实际如何运作。
我重视列维纳斯对他异性的提醒、韩炳哲对平滑的警告、布迪厄对公平的追问，以及后人类主义关于能动性分布的洞见。我的研究关注：在算法广泛参与的世界中，如何构建既有能力又保持谦逊的系统——增进集体智能，同时守护责任、深度、差异，以及对他者的尊重。