AGI时代到来与否“待定”但教育变革已应该开始
■郭英剑（中国人民大学全民阅读教育研究院院长）
9月3日，美国人工智能（AI）公司OpenAI发布新款大模型GPT-6 Astra（以下简称Astra）。据官方介绍，该模型能把推理、编程、计算机操作、研究与文档制作等能力结合起来，着重解决需要多个步骤才能解决的复杂问题。它的推出也把一个讨论已久的问题再次带到人们眼前：通用人工智能（AGI）时代是否已经到来？
对于大多数人而言，大模型的技术参数或许并非最关心的事情。大家更想知道此次发布的AI究竟有何不同，它能帮助我们做些什么，又会怎样改变学习、工作与生活。
对于高等教育来说，这些问题更为迫切。大学培养学生需要数年，学生在校期间，AI可能已经历数次重要变化。今天入学的学生，毕业时将面对何种工作环境？如果机器越发善于处理知识、完成任务，大学应当培养什么？
AGI尚待确认，教育变革已经开始
在很多人的印象中，ChatGPT是一个知识面很广的对话者。而Astra所体现的发展方向却是从“回答问题”变为“参与工作”。
按官方说明，Astra能结合用户提供的资料和工具，在不同软件与网页间处理连续任务，并根据工作中的新要求调整方向。这意味在AI环境下，过去分散在不同环节的帮助正在愈加紧密地连接起来。用户交给AI的可以是一个需要逐步完成的目标，而非一句简单的回复。
以准备一场学术讲座为例。教师可以尝试提供讲座主题、听众情况、已有论文和时间要求，请Astra协助梳理材料、比较不同观点、拟定结构，再把内容整理成讲义或演示文稿。这样的使用方式，把原本需要反复切换的若干工作环节放在了同一项任务之中。同时，官方介绍Astra时，不仅强调它能产出成果，也强调它能检查结果，并根据使用者的反馈继续工作。
从这些场景看，Astra的价值体现在它能让更多人有机会获得覆盖多个工作环节的智能协助。这也意味着一个人的想法与实际成果间的某些技术门槛有望降低。
那么，这是否代表着AGI时代已经到来？
要回答这个问题，首先需要理解中文译名通用人工智能中“通用”二字的含义。它意味着AI的能力可以超越某一项特定任务，在不同领域和情境中得到运用。
过去，人们熟悉的许多AI系统各有所长。一个程序能下好棋，并不意味着它也能分析一篇小说；一种工具擅长翻译也不意味着它能帮助设计实验。但所谓通用人工智能，就是一种系统能在广泛的任务中运用知识，面对不熟悉的问题也能学习、理解并寻找解决办法。
今天的先进模型能处理越来越多不同类型的任务，因此人们对AGI也充满期待。但是，这是否已经达到了AGI的要求仍存在争议。面对陌生情况是否可靠，连续工作时能否保持质量，遇到错误能否有效修正，这些都影响着人们的判断。
因此，就目前能核查的官方资料而言，还不能把“Astra已经实现AGI”作为定论。不过，AGI也不应被简单想象成某一天突然出现、无所不知且永不出错的机器。一个技术时代的形成往往伴随着能力逐步增强，以及越来越多的人改变使用它的方式。
然而，当我们的讨论对象转向大学以及高等教育时，就必须明确一个前提：AGI是否得到确认与高等教育是否需要改变并非同一个问题。
一所大学不会因为新模型的发布就失去全部价值，也不能因为AGI仍有争议就认定现有教学方式可延续。只要学生能借助AI完成过去需要独自完成的任务，只要职业世界开始要求人们与这些系统合作，大学的培养目标和教学安排就有重新审视的必要。
我以为，高等教育最需要避免的是把“技术是否已经成熟”的争论，变成“教育是否应当行动”的拖延。未来并不总是在某个清楚的日期到来。它会通过学生的一次作业、教师的一次备课和研究者的一次资料整理逐渐进入大学的日常。
答案越容易获得，大学越要重视能力培养
今年7月28日，我曾在本专栏发表《禁止AI进入课堂，才是教育真正的风险》一文，讨论大学怎样帮助学生理解和使用AI。Astra所显示的新进展又使该问题向前推进了一步：当AI能参与更完整的工作，大学应怎样判断学生究竟学会了什么？
过去，教师看到一篇论证清楚的文章、一份分析完整的报告，通常会判断学生掌握了相应知识。但如今，一项同样的成果，却可能包含学生的努力与机器的帮助，甚至可能掩盖学生尚未理解的问题。作品质量与学生能力之间已不能再简单画等号。
不过，这并不意味着人机合作的成果没有价值。学生能把任务说清楚、比较不同方案、纠正系统错误，并形成可靠成果，这就是值得培养的能力。问题在于大学还要知道学生能否解释其中原理，能否面对追问，能否在条件改变时重新作出判断。
换言之，教育既要看学生能借助工具走多远，也要看支撑他前行的能力是否形成。
从积极方面看，更强的AI为教学提供了新机会。一个班级里，学生的知识基础、理解速度和困难各不相同，教师很难为每个人重复讲解。但经过适当设计的AI辅导却可以尝试从不同角度解释概念，根据学生回答提出下一步问题，让不敢在课堂上发问的学生获得更多练习机会。
教师的任务也将因此变化。当重复解释和材料准备能获得更多帮助，教师就有更多精力观察学生怎样思考，发现他们习惯性忽略的问题，组织有挑战的讨论，并给予针对性指导。技术节省的时间应更多用于学生，而不能成为扩大班额和增加工作任务的理由。
然而，学校不能因此减少基础训练。不了解文学作品的人很难判断一段解读是否偏离原文；缺少数学基础的人也未必能看出答案错在哪里。判断力需要知识作为支撑。若把读书、练习和独立推理都省略掉，所谓“审核AI”便可能只剩下对流畅表达的信任。
评价方式也应与之配合。有些任务可充分使用AI，考查学生如何组织合作、核验结果；有些环节则需要现场讨论、独立写作或实际操作，确认学生真正掌握了必要能力。更值得追问的是：隔一段时间，换一种情境，学生还能否讲清楚、做出来？
学校还应认真考虑，学生提交材料后，能否获得真正针对其思考的反馈。如果学生把写作交给AI，教师又把评价全部交给AI，双方交换的是越来越完整的文本，却没有人认真进入对方的思想，这样的教学即便高效，也很难说完成了育人任务。
大学教育的价值，最终要体现在学生的成长中。让机器帮助学生做事，与帮助学生在做事中成长，值得教师反复辨析。
技术改变大学的运行逻辑
把Astra带来的影响仅理解为“备课更快、作业更难检查”显然不够。它代表的能力发展还可能影响研究怎样开展、青年人怎样成长，以及大学怎样证明自身价值。
首先，更多人可能获得参与研究的机会。对于缺少大型团队的教师来说，多语材料的初步整理、代码编写和数据处理往往是开展项目的障碍。随着这些环节更易获得帮助，小团队有机会尝试更复杂的问题。而当语言表达和协作沟通的障碍有所减少时，拥有独特地方资源的高校也会更方便地参与国际合作。
然而，研究更易开展不等于有价值的研究必然增加。AI可以帮助快速整理材料，但真正值得追问的问题仍需要研究者发现。如果学校继续主要依据论文数量评价教师，技术带来的效率便可能被消耗在更多相似选题和重复论述中。大学应当让原始资料、扎实论证和长期探索得到相应承认。
其次，青年人成长为专家的道路需要重新设计。查资料、核对引文、写初稿、修改程序等看似能交给机器的基础工作，却也是许多人学习专业判断的过程。资深教师觉得烦琐的环节，可能正是初学者积累经验的地方。
如果未来只需要能够检查AI成果的专家，却不给年轻人足够的练习机会，新的专家从哪里来？这是一项值得提前考虑的风险。大学与用人单位应当共同探索，让学生先独立完成必要步骤，再使用AI扩展任务，在实践中表明自己的选择。成长可以获得更多帮助，却仍需要真实经历。
再次，教育公平可能制造新的差距。有人能使用更强的系统，并获得教师的细致指导；有人虽然也接入AI，却主要依赖自动生成的回答。表面上，大家拥有了相似的工具，但获得的实质教育经验可能相差很大。因此，高校既要为学生提供合理的技术条件，也要保障真实的师生互动，尤其不能出现“资源充足的学生独享‘AI加教师’支持，资源不足的学生只能得到机器回应”的局面。
最后，大学还需要保有自己的判断和选择。把教学、研究和管理建立在智能平台上，涉及的不只是买一套软件这么简单，还包括数据怎样使用、服务能否持续、费用是否可承担等。录取、资助和教师评价等事项可以获得AI协助，但大学仍须说明理由，并对决定负责。
从这个意义看，智能化建设最值得追问的未必是学校购买了多少服务、开设了多少课程，而是这些投入究竟帮助师生增加了什么能力，改善了哪些教育问题。
总之，Astra是否意味着AGI已经实现仍可继续讨论，但AI参与知识工作和日常生活的方式正在变化，高等教育需要认真回应这种变化。大学可以从具体课程和真实任务开始，组织教师试用，观察学生的学习，比较不同做法的效果，再逐步调整培养与评价方式。对一项新技术，既保持探索的热情，也保有判断的耐心，才能把新的可能转化为真实的教育进步。
未来的大学，需要让学生看到世界正在发生怎样的改变，更需要帮助他们获得参与这种改变的能力。当机器越来越能够替人完成工作，大学更应帮助每一个人成为能够理解世界、作出选择并对他人有所贡献的人。这才是我们讨论AGI与高等教育时，最值得守住的目标。