人工智能时代学生深度学习的演进、风险与进路

/人工智能时代学生深度学习的演进、风险与进路【摘要】技术更迭催生深度学习变革，时代变迁形塑深度学习样态。深度学习旨趣经由“通透”“储知”“高知”正走向“智慧”，人工智能技术赋能学生学习效率提升的同时，也引发了学生认知窄化、思维浅化与能力衰退等潜在学习风险。以此，人工智能时代下学生深度学习的有效推进，要立足于时代发展，遵循历史演进逻辑，明晰新时代的深度学习变革挑战，把握新时代赋能契机，聚焦学生知识破茧意识、关系思维构筑、跨域能力培养与数字素养提升，以创构人工智能时代的学生深度学习实践进路。【关键词】人工智能；深度学习；历史演进；赋能风险；发展进路

人工智能时代的来临推动着人类社会生产生活方式的全局式变革，在此背景下，学生的深度学习发展也亟待作以时代性地理解与变革。“‘生成’构成它的‘存在’”[1]，历史承载存在本真，历史展现样态变化，历史呈现演进规律，历史赋予理解格局。深度学习理念透过其历时态下的每一次形变与发展，紧跟时代演进而不断形塑着其自身存在的意义与价值。本研究始于历时性研究，立足历史视野理解深度学习的新时代意涵，基于历史规律探寻深度学习的新时代发展需求，秉持理性思维认识深度学习的新时代挑战，紧跟时代发展步伐优化深度学习的践行理念，以全局性考量把握人工智能时代的学生深度学习发展机遇，进而助推人工智能时代的学生深度学习变革。 一、时代变迁与深度学习演进 关于深度学习的概念表述，国内学者均基于黎加厚教授团队于2005年所提出的“深度学习”[2]展开了系列研究，国外学者则采用了"In-depthlearning"[3]"Deeplearning"[4]"Deeperlearning"[5]"LearninginDepth"[6]等多种表述方式描述学生的深度学习进程。关于深度学习的缘起探寻，多数学者将1976年费伦斯·马顿(FerenceMarton)等人基于学生阅读研究所提出的浅表加工(surface-levelprocessing)与深层加工(deep-levelprocessing)的概念视为深度学习的研究起点，也另有一部分学者将1956年本杰明·布卢姆(BenjaminBloom)团队所提出的高阶认知目标作为深度学习理念的起源。统观国内外已有研究，深度学习的概念及缘起研究仍处于多元化探索阶段，这与深度学习的时代特性有关。深度学习是对学生学习深刻性的高度抽象，自人类思考学习之日起，历国历代学者关于学习深刻性问题的研究从未缺席；并且伴随着历次技术变革，人们对学习深刻性的旨向探讨也发生了较为明显的变化，其概念意涵与表征样态随着社会的发展与技术的进步而不断深化演进。因此，再次于历史沿革中剖析深度学习的演进历程，厘清深度学习的演进逻辑，有助于深入思考新时代下的深度学习新挑战、新机遇与新道路。 (一)农业时代指向“通透思辨境界”的深度学习 农业时代初期，社会结构趋于稳定，社会结构要素、关系与形态呈现出复杂化的发展态势，出于社会发展需要，有关治国理想、道德正义等问题的哲学思考在学习中占据了重要的位置。农业时代技术发展的有限性，决定了人们往往依托于哲学思辨的方式开展学习活动。此时期众多学者对“学习之深”的论述，均围绕着思辨的至深境界而展开。 通透的思辨境界是农业时代深度学习的核心旨趣。在学习理论体系形成之初，关于“学习之深”的思考与探讨屡见不鲜。相较于西方学者对学习深浅问题的零散论述，我国治学大家早在春秋战国时期，便经由治学之径的哲学思辨，系统化地开创了具有中华文化特色的学习思想体系，不仅在“学习有深浅之分”方面达成了共识，更是在对学习至深的论述中，围绕“通达”与“透彻”，最先赋予了深度学习以思辨至高境界的意涵。其一，深度学习是于广横之维的通达。学习至深为通达，表征着能够经由整体视角把握事物关系、理解事物发展规律的思维境界。众多学派对学习目标进行了层级性论述，以儒学之“圣人”、道家之“鸿儒”“通儒”、心学之“真人”思辨最高境界、“超人”中能够看出，学习目标的最高追求均指向了博古通今、通达万物之理的思想境界。另有多位学者在学习方法的论述中，也提到了“求其统类”“微妙玄通”“知通为一”“玄览”等深刻的思维方式，是认识活动经由微观表象关系联通走向宏观规则体认的整体性思维境界。其二，深度学习是于纵贯之维的透彻。董仲舒作为我国最先突破静态思维范式的学习研究者，提出了“得一端而多连之，见一空而博贯之”[7]的学习思想，论述了学习不仅是横向的量的累积过程，同时还需要纵向的贯通学习过程，并最先赋予了学习在纵深螺旋发展过程中的深刻性与动态性特征。 以此，深度学习的思想早已孕育于我国古代的学习思想体系之中，此时期虽未有学派明确提出“深度学习”之概念，但能够从众多学派对学习目标所求、学习活动之径以及学习发展之态的论述中，寻见治学大家对学习的至深境界、学习的纵深通路的深刻论述。同时，与农业时代的社会发展需求与技术发展程度有关，此时期关于深度学习思想的论述多呈现为对学习最高层境界的一种概括性论述，从“圆融”“贯通”“统整”等词语中可以看出，此时期众学者对深度学习的理解呈现出模糊的、整体的意会特征。 (二)工业时代指向“系统知识储备”的深度学习 自17世纪以来，机械技术革命推动了社会生产的逻辑转向，标准化、精密化、效益化的思维理念开始扎根于人类社会生产生活之中。加之实用技术的飞速发展引发了专业性知识的爆炸式发展，知识以绝对的权威优势成了深度学习所求。 系统化的知识储备是工业时代深度学习的核心旨趣。工业技术推进了系统科学的发展，还原、分析、解构与组合的系统思维范式极大赋能了工业时代生产效能的提升，进而也深刻地影响着教育领域中学习活动的深度定位。首先，深度学习指向体系化的知识学习。社会结构、教育需求以及技术的快速变革，使得体系化的知识学习成为学生学习活动的纵深推进向度。如约翰·洛克(JohnLocke)的实科教育思想，强调了知识的学习要走向系统化的经验组织[8]；教育科学之父约翰·赫尔巴特(JohannHerbart)认为应该通过“五步教学法”(准备、呈现、联合、系统化与应用)以推进知识的系统化学习；伯尔赫斯·斯金纳(BurrhusSkinner)所开发的“程序教学”(ProgrammedInstruction)，以思维逻辑连贯、学习路径清晰、小步骤地解构与组合知识的学习进程，达成学生系统化的建构学科知识体系的学习目标。其次，深度学习指向知识的广博储备学习。工业时代是知识特权时代，学习的深度意涵包括了对知识资源的广泛占有。正如弗朗西斯·培根(FrancisBacon)所言：“知识就是力量”(Nametipsascientiapotestasest)[9]，其哲学思想中彰显着对知识理性的崇拜；扬·夸美纽斯(JanKomensky)的“把一切知识教给一切人类”[10]的泛智教育思想，指引着学习者将学习目标定位于“快速得到渊博的科学知识”(《大教学论》卷首)，以及在学习过程中延承彼得·拉莫斯(PeterRamus)的“唯一最佳方法”[11]，即学习内容愈趋于系统与广博、学习方法愈趋于标准化与高效化，则愈能够彰显学习的深刻性。 (三)信息时代指向“高阶知识加工”的深度学习 信息时代，世界经济由工业经济走向了知识经济，知识的深层加工及处理是推动信息时代发展的重要驱力。以计算机与互联网为代表的信息通信技术(ICT)发展，为信息时代的学生深度学习提供了资源丰富性、检索便捷性以及形式开放性等条件与环境，从而促使学生的深度学习由结果导向转向过程导向，关注点从知识学习体量的积增转为知识学习质量的提升，而研究者则更多地聚焦于对知识加工机制的理论研究以及学习层级评测的实践研究。 高阶思维引领下的知识深层加工是信息时代深度学习的核心旨趣。首先，深度学习是知识的深层加工。认知科学对于学习过程的“计算隐喻”加速了深度学习指向“知识的复杂处理”。多数研究者倾向于借鉴本杰明·布卢姆(BenjaminBloom)的教育目标分类学，将知识学习层级的划分(知识、领会、运用、分析、综合、评价)作为深度学习的理论基础。另具有代表性的还有诺曼·韦伯(NormanWebb)的“知识的深度模型”DOK(DepthofKnowledge)与约翰·彼格斯(JohnBiggs)的SOLO分类体系，深度学习的理论研究逐渐在“知识的深度加工”之维得以充盈。其次，深度学习研究指向了精准测量与评价。伴随着科学化研究进程的推进，秉持着实体思维下对事物“是什么”的追问，众多研究者试图通过广泛的、量化的“分析与解构”研究方式厘清深度学习规律，并不断追寻“深度学习是什么”的确定性论证。随着研究的不断深入，部分学者提出了实体思维范式之于人类学习研究适切性的疑虑，并提出应该站在更加宽广的视角，以人的整体性、复杂性本质作为研究深度学习意识与行为出发点的相关建议[12][13][14]。总观信息时代的深度学习研究，成果多数围绕深度学习外显行为的既定结果进行反推与测量研究，而对每一时刻正在发生的、内隐的、动态的深度学习进程有所回避，使得深度学习的研究逐步聚焦于“表象”与“结果”之维；加之对“是什么”的唯一性与标准性的坚守，进一步加剧了对确定性学习表象的机械化、程序化复现，从而又回落至浅表学习的禁锢之中。仅围绕知识深层加工的深度学习研究，逐渐呈现出将“作为认识发展的知识复杂处理过程”等同于“作为完整人的深度学习全过程”的错位趋势。 (四)智能时代指向“生活实践智慧”的深度学习 1956年的达特茅斯会议标志着人工智能的诞生，后随着IBM深蓝超级计算机、人工智能机器人AlphaGo以及ChatGPT的上线与应用，人类社会正式迈向了人工智能时代。人工智能技术通过改变“知识的生成、表征方式知识形态，进而改变着知识的确定性和价值取向”[15]，知识的内涵“从精加工的符号化信息回归为全部的人类智慧”[16]，技术的更迭再一次变革了人类深度学习的整体境遇与价值旨向。 基于生命整体性发展的生活实践智慧是智能时代深度学习的核心旨趣。知识本源即为智慧，且“教育的全部目的就是使人具有活跃的智慧”[17]。柏拉图“终生所锲而不舍的目标便是智慧”(《斐多篇》)，康德将先验哲学的最高立场称为“智慧学”，冯契认为“无论怎样积累，无论积累的多么丰富，知识者总是得不到智慧的”[18]。只不过随着时代变迁与技术发展，教育场域的学习向度逐步由具身的智慧凝练转向了离身的理性确证。直至今日，符号知识向数据形态转变，智能技术已经在一定程度上实现了生命剥离的符号创造，离身的知识深度处理与学习已然不需要人类作为主体参与其中，且数据推演下的符号理性确证本质上仍旧是浅表学习下的符号占有形式。唯有以鲜活的生命体验冲破理性确证的束缚，深切地体验变化与未知，在精神与品质的整体发展中方能彰显智能时代深度学习的生命意义与智慧价值。另外，“生活世界”是深度学习的核心场域，人是深度学习实践的主体，相对于技术范畴下去生命化的智能学习，生命范畴下的人类深度学习走向智慧。正如戴维·珀金斯(DavidN.Perkins)所言，深度学习(furtherlearning)并不在于掌握了多少“现实实用性”的信息、符号与技能，也不在于解决了多少“代表性问题”，而是在复杂的真实世界中，基于多样化的认知方式理解复杂真实事件下的“已知”、构想基于自身生活世界“未知”，如此具有生活价值、通往智慧的学习方才是深度学习[19]。 二、人工智能赋能深度学习的风险审思 人工智能技术的链式突破与广泛应用，引发了世人对于人类学习价值与发展空间的普遍担忧，智能机器正式向智慧生命的深度学习发起了新的挑战。我们要高度重视人工智能时代中人类深度学习的挑战与风险，以前瞻性视角把握挑战下的发展机遇，审思风险下的关键决策。 (一)精密化知识联结与认知窄化风险 大数据与算法推荐技术在教育领域的持续推进与融合，极大赋能了学生个性化的学习资源汲取与沉浸式的学习体验。但随着人工智能技术日趋精准化的学习偏好分析与学习路径推荐，使得学生在与智能学习工具的持续、深入对话中“只听我们选择和愉悦我们的东西”[20]，从而引发学生构筑个体学习“信息茧房”(InformationCocoons)的潜在风险。“信息茧房”一旦形成，人工智能技术会持续地将潜藏联结关系但又具有非同质属性的信息资源进行筛除与隔离，继而从认知方式、认知路径以及认知程度等方面窄化学生的认知通路，对学生的知识深度建构造成束缚与阻碍。 其一，认知方式单一化。凯斯·桑斯坦(CassSunstein)认为，“信息茧房”会使人不断构筑具有强烈个人特征的信息网络结构，以此当人们处于信息过载的境况中，会惯性地无视与自身预设观点相悖的重要信息，并固守单一的认知逻辑，对所遇事件做出有限地决策[21]。人工智能技术强大的数据分析能力愈发加剧了数字环境中学生对“每日自我世界”("DailyMe")[22]的高度个性化定制。众多智能学习在辅助教师与学生建立个性化学习通路的同时，也会间接地减少学生与异质知识资源的接触机会，若学生长期地身处于同质关系属性的知识环境中，自然会形成较为固定的、线性化的认知结构，从而禁锢了批判性、创造性与复杂性等认知方式发展的可能性。 其二，认知路径限定化。20世纪40年代，社会学家保罗·拉扎斯菲尔德(PaulLazarsfeld)基于心理机制与大众媒介对信息抉择的影响的研究，提出了“选择性暴露”[23](SelectiveExposureTheory)概念，他发现人们倾向于将自身置于与自己原有价值立场相契合的信息环境之中。而人工智能技术正是通过不断分析学生的学习偏好与价值倾向，为学生推荐更加契合学生认知的学习资源。但从另一方面来说，越是精准的过滤与推荐，越使得学生难以接触到与自身偏好与价值相悖的文化内容，从而难以拓展新型的认知关系认知结构，进而难以理解与包容差异性及多样化的文化现象。以此，若学生一味跟随智能技术所推荐、生成的信息资源开展学习，不仅仅会加速学习“信息茧房”的构筑，还会进一步固化学生认知视野，限定学生的认知发展路径。 其三，认知程度浅表化。心理学家莱昂·费斯汀格(LeonFestinger)从认知失调理论(CognitiveDissonanceTheory)的角度，验证了人们对于同质关系信息的吸纳以及对非同质关系信息的排斥心理倾向，即当个体为了减少与既有认知不一致时的不适状态，会对非一致信息作以规避态度处理以追寻内部认知的一致性[24]。同样，“信息茧房”过于精确的学习资源推荐，虽然有助于提升学生的学习体验感与效能感，还能够增加新旧知识内容的衔接性与相关性，但同时也会将学生桎梏于浅表的、重复的学习过程中，从而无法对知识内容进行深入地反思、批判与理解。“信息茧房”下的知识学习只会将学生困于“回声室”中，进而使学生的知识学习仅仅是“在一个封闭的小圈子里得到加强”[25]，逐步失去知识学习的活力与张力。 (二)个性化学习发展与思维浅化风险 类人化的智能技术正向着学生学习场域急速扩张，诸如智能导师系统(IntelligentTutoringSystems，ITS)[26]、教育机器人(EducationalRobots)[27]等基于自适应系统、专家系统、交互技术以及知识图谱等人工智能学习应用已成功进驻课堂。不可否认的是，智能化的学习工具在分析思维偏好、辅助个性化学习以及即时资源反馈等方面已彰显出强大的辅助能力，但究其本源，人工智能技术对学生思维过程的“减负增效”依旧是基于“计算”的推演过程，若长期沉迷于计数算法所带来的快捷感与即时满足感而形成思维惰性，思维的简化与衰退则会带来技术算法对学生思维的替代危机。 其一，思维替代。在技术为学生的学习过程带来极大便利的同时，也引发了学习思维主体混乱的现象与问题。虽然智能技术能够结合学习资源，对学生的个体学习思维进行适应性追踪，进而对学习路径进行适切性规划，但究其本质仍旧是技术对人类思维的变相控制与精准雕刻。学生思维深度发展的最大魅力便在于不可捉摸的灵感迸发、不可精准推导的奇思妙想，若一味地依赖智能技术对于学生思维进程的“适切性”规划，则会逐步沦为智能技术操控下的没有灵魂的空壳之躯。 其二，思维惰性。人工智能技术对人类思维的深入模拟会对人类思维活性造成某种程度地消减。智能技术的学习资源优化与即时反馈，使学生减少了思考、探究与深挖“关系性”学习资源的机率，当学生习惯性地接受技术投递资源时，惰性思维便会滋生。如快餐式的学习体验，智能技术能够精准地、详细地为学生优化学习路径，当学生习惯了快速寻得“答案”的学习方式时，一旦面对真实困境与挫折境况，学生会难以坚持思考并深刻体验学习的探寻“过程”，难以形构坚毅的思维品格。再如盲从技术的学习惯习。若学生在人机协同学习中一味地信赖人工智能技术，会抑制学生的批判思维发展，从而逐步丧失对生成式知识真实性、可证性的判断与评价能力。 其三，思维简化。由于人工智能技术的底层算法与模型通常是基于因果关系来处理与反馈信息，故人机协同下的学习活动会隐含着大量的因果关系逻辑与思想，从而潜移默化地以限定性的因果思维模式固化学生的思维形态发展，使得学生在面对复杂现实问题时习惯性地以简化的因果思维处理问题。另外，虚拟技术虽然极大地拓宽了学生的学习场域，为学生提供了无边界的学习资源，但同时也带来了认知过载下的浅表思维风险。当学生在短时间内接触到过量的信息与资源时，其认知处理能力将处于超负荷状态，若不加以引导，学生难以凭借自身有效地、深刻地认识、挖掘、创联过量资源间的深度联结关系，从而走向浅表化的信息处理过程。 (三)高效率学习支持与能力衰退风险 人工智能技术已然在降低学习探究成本、重构学习互动模式以及赋能学习成效提升等方面展现出了巨大潜力。学习分析(LearningAnalytics)技术、多模态学习分析(MultimodalLearningAnalytics，MMLA)技术、混合现实(MixedReality，MR)技术正在全方位地颠覆着现有的学习探究、交往与感知形式。技术助力学习路径优化、学习感知即时化，显著地提升了学生的学习效率，但也不可避免地带来了学生自主学习、人际交往、风险甄别以及道德伦理判断等复杂能力(ComplexSkills)的衰退问题。 其一，自主学习能力消退。自主学习能力是学生开展深度学习的必要条件，学生在好奇心、质疑精神以及循证信念的引领下，自主探究问题，深入甄别信息，自主决策方案，能够在面对学习困境时表现出坚忍的持续探究意志。而人工智能技术影响下的学习探究成本骤降，会在一定程度上引发学生自主学习能力的消退现象，学生的好奇心与创造力在高度关联资源的长期环绕中逐步消磨。并且随着AI不断加深对学生的个体性“了解”，使得原本需要探索的、试误的学习过程被持续“优化”，而此类过于精加工的学习辅助即是对学生自主学习的变相束缚与禁锢。 其二，人际交往能力减退。虚拟学习情境一方面助推了学习的信息流转速率、提升了学习的具身体验感，但同时也增加了现实人际的交往屏障、隐蔽了人际互动的真实性、掩盖了人际沟通的复杂性。随着虚拟学习场域的急速扩张，真实生活场域下学生与其他生命主体面对面的交往互动时间与空间被不断挤压，若长期沉浸于虚拟交流方式并隐藏于虚拟屏障之后，学生在现实生活中的有效沟通、互动与交往能力的发展必然会受到影响。另外，技术主导的虚拟学习情境，会相对强调与放大学习交往的核心要素，如交往内容、交往关系、交往目的等；相反也会延迟与弱化诸如主体情绪的微小起伏波动、肢体语言的意会表征等真实交往活动的细节要素，而交往细节是构筑交往活动复杂性的重要因素，虚拟环境下交往活动复杂性的缺失，难以综合地培养学生应对真实交往过程中复杂问题的决策能力。 其三，判断甄别能力降退。人工智能的技术机理与算法特性会在某种程度上影响学生的学习判断与学习甄别。生成式人工智能技术的知识黑箱(BlackBox)问题决定了学生无法知晓与确定生成式知识的来源以及可靠性，在此问题解决之前，学生无法对人工智能技术所“投递”的信息进行安全性考察与甄别。其次是算法偏见带来的道德伦理问题。算法偏差不可避免，因此，依据算法所表达的信息也会隐含训练数据本身所附有的价值观，若学生长期接触具有价值偏见的投递信息则会形成片面的、偏差的道德理念，进而影响学生对相关事件做出适切的伦理价值判断。另外，人工智能技术正以难以想象的迭代发展速度，不断模糊虚拟世界与真实世界的原有边界。边界的模糊、虚实的交融可能会引发学生对于真实世界复杂事件的误判，乃至削弱学生对现实的判断能力。经由算法的信息表达终究是去生命、去智慧的符号演算结果，智能技术在生命与智慧面前的有限性，使我们必须要清晰地认识到人工智能赋能学生深度学习的范围与边界，理性看待与规避人工智能技术暗藏的多重风险，从而适切地借智能之力赋能智慧的深度发展。 三、人工智能时代学生深度学习的进路 人工智能技术融浸学生深度学习已呈必然发展态势(如下页图所示)，学生的知识学习理念、思维调用模式以及能力发展向度需要进行深刻转变。理性思考人工智能赋予学生深度学习的发展契机，明确人工智能技术的工具属性，合理发挥人工智能技术优势，以期筑构智能与智慧协同共生的学习场域，助力学生深度学习的持续性发展。 人工智能赋能深度学习发展进路 (一)秉持知识破茧意识，深拓知识学习自由通路 人工智能时代的学生深度学习，需以知识破茧意识为前提，以知识自主组建为过程，以知识自主创联为导向，开拓通往智慧的知识自由路径。学生需要探索、接触并尝试理解异质知识，在学习过程中秉持知识破茧意识，是学生应对知识茧房与回音室效应等问题的有效策略，且“知识是能力形成的基础，通过知能转换、转识成智，知识才能内化为主体的智慧”[28]。学生在面对已有认知领域或价值范式的信息资源时，应勇敢地尝试并转变固有认知框架，以更加开阔的、开放的认知方式挖掘新知识领域的逻辑线索与关系结构，探索已有知识与新域知识间的潜在联系，建构更加包容的多样化的认知结构。目前，诸多智能信息推荐系统也正基于偶遇架构(architectureofserendipity)[29]理念进行推荐算法调整，通过引入跨领域推荐机制，以增加学生接触异质信息的概率，从而赋能学生的知识破茧学习。 戴维·珀金斯(DavidN.Perkins)认为“深度学习通往智慧”[30]，而“通往智慧的唯一路径是摆在知识面前的自由”[31]，知识破茧意味着知识自由，并且与广泛学习中的知识自由不同，学生深度学习下的知识自由更多地指向个性化知识体系建构自由以及知识关系结构创联自由。“获取广博的知识对所有学校来说都很重要，但深入的学习确是奢侈的”[32]，基兰·伊根(KieranEgan)说出了当下学校教育中普遍存在的现象。当下的人工智能技术正逐步深入参与至人类知识的生产、联结与重组过程当中，“知识不仅仅是人类认识世界的成果，而且是碳基硅基智慧并存”[33]。我们已然走过了知识即权力、知识即力量的时代，学生的知识学习亟待由广博地了解与获取转向深层地建构与理解。学生能够自由地、深度地组建个性化的知识体系，完整的知识学习体验是前提，“知识具有符号表征、逻辑形式和意义系统三个不可分割的组成部分”[34]，以此，符号的认识、逻辑的梳理以及意义的探寻三过程，是学生形构知识学习循环回路的基本过程，其中知识意义系统的个性化建构是学生深度开展知识学习的重要标志。对知识进行深度理解是学生自主开展个性化知识体系建构的必要前提、是通往知识自由的重要基础。此外，“知识建构技术，应相应地引导‘如何’和‘为什么’的深入探究，而不是‘是什么’和‘什么时候’这样的浅层次问题”[35]。长久以来，学生难以脱困于浅表学习泥沼其关键便是在知识学习过程中执着于对确定性因果关系的标准复现，而诸如“多米诺因果、循环因果、螺旋因果、相互因果以及关系因果”[36]等不确定性的关系逻辑却鲜少作为学生对知识的理解与建构方式。但不确定的因果关系模式方才是构成真实世界的主要内容。因此，要转变学习内容的建构逻辑，立足“不确定因果关系”，建构“自由的”知识体系，深层挖掘学习内容的可能性，理解并发现学习内容在不确定因果关系之中的存在之理与变化之道，在知识内容的内化过程中创联个性化的意义关系结构，结合自身的生活实践经验，经由深度学习探寻通往个体智慧的自由通路。 (二)根植关系思维惯习，助推复杂思维发展 关系思维是学生以动态观、整体观理解事物本质的思维方式。人工智能技术的介入使得学生的学习活动愈趋复杂，厘清学习事件中的复杂关系、理解学习事件的非线性发展模式，是学生深入学习整体进程、树立全局学习视域的关键所在。 与浅表学习下学生对事物表象的组合感知不同，深度学习更加强调学生对事物生成、演变过程中的动态关系理解以及对关系模式的建构。浅表学习下的复合逻辑偏好于以机械性的固态结构拼凑事物的静态整体结构，但这种剥离事物复杂性的“简化习惯只在有限但非常实际的领域中有用且有效”[37]，并且以目前的人工智能技术发展，已经能够在“是什么”和“怎么做”的复合问题领域高效能地为学生的学习提供技术支持。反而围绕“什么是”和“为什么”的复杂关系问题、跨维跨域问题以及全局性问题才是人工智能时代中学生深度学习的推进向度。关系思维能够将学生拽离于静态的、复合的学习舒适区，转向动态逻辑路径的审视与架构中，持续推进学习的深度探求过程。此外，“我们如何进行认知，并不是开始于某个固定起点，并逐步线性地发展为能够解释一切事物的全过程”[38]。与线性因果关系、平衡机制的“完全预测”式学习不同，人工智能时代下的学生深度学习应该转向“有限预测”的思维理念。学生作为鲜活的生命个体，其学习的纵深发展进程应当是“适合的”“丰富的”以及“创造的”，而不是如机械学习一般“正确的”“效率的”和“吻合的”。因此，引导学生从“唯一解”转向“最优解”，以多视角、动态化的思维方式理解学习内容的复杂特性，使学生能够在变化的情境中构建解决问题的“最优通路”，具备“舍与得”的综合判断能力，方能针对复杂问题情境做出适切的合理决策。 (三)培养跨域综合能力，孕育生活实践智慧 人工智能技术形塑着日趋复杂的未来社会，“复杂的时代更需要我们人类具有综合的智慧”[39]，智慧是“在教育过程和人生历练中形成的应对社会、自然和人生的一种综合能力系统”[40]，通用人工智能(GeneralArtificialIntelligence)的涌现以及混合式劳动(hybridjobs)的日益勃兴，对学生的深度学习提出了跨域的综合的能力发展新需求。 生活世界中的问题复杂性与交叉性持续提升，社会各领域的联结关系愈加紧密，学生的跨学科整合能力及跨场域融贯能力是人工智能时代学生深度学习发展的迫切需要。跨学科能力指向学生批判力、创造力、领导力与沟通交往等软技能的提升，伴随着人工智能技术嵌入，学生软技能的提升会愈加凸显深度学习的时代价值。以此，通过转变传统的“学科分化”(disciplinarydifferentiation)学习理念，深入开展大概念学习、主题式学习、项目式学习、问题式学习以及案例式学习等