编辑推荐：
教育领域面临着学生需求多样、资源不均等挑战。研究人员开展了 “AI for education: Trends and insights” 主题研究。结果发现 AI 在教育中呈现从感知到认知等趋势。这为解决教育难题、重塑教育实践带来新机遇。
在当今数字化时代，教育领域正面临着诸多棘手的难题。学生们有着各不相同的学习需求和节奏，传统 “一刀切” 的教育模式难以满足每个人的发展；教育资源在不同地区、不同学校之间分布不均，导致部分学生无法享受到优质的教育内容；而且，如何提高学生的学习积极性和参与度，也一直困扰着教育工作者。就在这时，人工智能（AI）技术的蓬勃发展，为解决这些教育困境带来了新的希望。于是，为了探索 AI 在教育领域的应用潜力，中国科学院计算技术研究所等机构的研究人员开展了相关研究，研究成果发表在《The Innovation》上。这项研究意义重大，它为教育模式的创新提供了理论依据，有望推动教育朝着更加个性化、高效化的方向发展。
研究人员在此次研究中，主要运用了以下关键技术方法：借助基础模型（Foundation Models）强大的能力，分析 AI 在教育应用中的表现；通过对不同学习平台数据的挖掘，研究个性化学习的实现路径；利用多模态数据融合技术，探索多模态 AI 在教育场景中的应用效果。
从感知到认知
早期 AI 在教育中的应用主要集中于感知层面，只能理解基本交互并简单回应学生问题。随着基础模型的出现，AI 具备了更高阶的认知能力，如情境理解、知识推理和复杂问题解决。像 DeepSeek 推出的模型，能深入理解复杂情境、进行多步推理并深度分析学生疑问。但目前认知 AI 研究面临挑战，模型缺乏透明度，推理路径不清晰，学生难以理解结论背后的逻辑，同时 AI 系统整合知识源的能力不足，限制了学习者的认知成长。
从广义化到个性化
传统教育难以满足学习者的多样化需求，而 AI 的发展改变了这一现状。借助基础模型，学习内容可以根据学生的需求和学习进度动态调整。例如，Khan Academy 平台利用 AI 为学生量身定制练习。研究表明，自适应 AI 导师能根据学生的学习速度和理解水平调整教学策略，提升学习成绩。然而，个性化学习的广泛应用引发了对数据隐私和公平性的担忧，同时在创建动态学习路径、评估方法和激励策略方面也存在挑战。
从单模态到多模态
多模态 AI 的融合是教育领域的重大进步。传统基于文本的系统在传达复杂概念时存在局限，而多模态 AI 通过整合文本、音频、视频和图像等多种形式，提供了更丰富、沉浸式的学习体验。像 GPT-4 Vision 和 Meta 的多模态数据整合技术，支持了多样化的学习方式。在科学教育、语言学习、医学教育等领域，多模态 AI 都发挥了重要作用，提高了学习的可及性、参与度和学习效果。不过，多模态信息的无缝集成仍存在困难，基于面部表情、语音语调等的实时反馈也有待发展。
研究结论与讨论
研究表明，基础模型的兴起正在变革 AI 在教育中的应用，认知提升、个性化学习和多模态融合这三大趋势相互补充。认知驱动的 AI 为个性化学习提供路径，多模态融合支持多样学习风格，使 AI 能更好地满足学生的个性化需求，创造更具活力和直观的学习体验。然而，目前也面临着模型透明度、数据隐私、多模态集成等诸多挑战。未来，需要进一步研究知识增强的认知 AI 教育，提升 AI 利用外部知识的能力；推进多模态融合技术的发展，提高融合效率和连贯性；开发全面的 AI 生成内容评估技术，确保教育的准确性和可信度。这些研究方向对于推动 AI 在教育领域的深度应用，实现更加公平、高效、有趣的教育具有重要意义。
