1 引言：从两组困境到三大痛点
我们在前期讨论中已经阐述了两组基本困境及其应对思路。困境一是工业时代形成的教育范式在数智时代尽显乏力。农耕时代的教育以“明伦知礼、以文化人”为核心，培养宗法秩序下的顺从者；工业时代的教育以“传授标准知识、规范操作”为特征，为流水线培养标准化产业工人，其灵魂是标准化与可替换性。智能时代，劳动不再是人的必选项——脑力劳动者大量被AI替代，标准化的体力劳动也被机器人替代——教育的目标必须转向“让每个生命找到独特的价值与创造力”。然而，当前学校教育的“规训”内核与这一目标存在根本冲突：衡水模式的式微，并非因其失去了制造高分考生的能力，而是其赖以成功的“规训”逻辑已与智能时代对个性化、创造力与批判性思维的人才期许背道而驰。对策一是：学校以“预习”为突破口，培养“会问、会学”的学生，让每个生命在真实的探究中找到属于自己的学习方式。
困境二是教师面临技术、人文、社会三重拉力的割裂，主体性危机深重。技术拉力要求教师掌握层出不穷的教学工具，人文拉力呼唤教师关照每一个独特生命的教育温度，社会拉力则以分数和排序作为刚性评价标准。三种取向在同一教师身上相互撕扯，使教师陷入无所适从的困境。对策二是：AI赋能教师成为“课堂的研究者”，在真实的研究中重获专业自主——让技术成为内驱力而非外部负担，让人文关怀具象为有数据支撑的诊断与反馈，让一线教师的“反叙事”（即用微小对比实验的数据证明“培养提问能力并未牺牲分数”）逐步松动固化的评价惯性。
在两组困境与对策之后，本文转向讨论任学宝在《数智时代的育人方式变革：从知识传授到素养培育》一文中提出的传统教学三大结构性痛点。我们肯定其诊断价值，但也指出其分析的局限性。在此基础上，本文提出教育范式转型的第三项对策——AI赋能学材建设，试图为“预习”或课堂自主学习提供学习资源。
2 “三大结构性痛点”及其贡献
任学宝指出，传统教育范式的系统性失灵体现为教学实践中三个相互关联的结构性痛点。一是教学供给侧痛点——“精准教”缺失；二是学习主体侧痛点——“靶向学”缺失；三是教研协同侧痛点——“循证研”缺失。
这一分析的重要贡献在于：将教学变革的焦点从“理念倡导”转向了“结构诊断”。过去关于“素质教育”的讨论多停留在价值层面，而任学宝用“精准教—靶向学—循证研”这三个具有操作性的框架，把“如何变革”的问题具体化了。其次，他引用了课堂实证数据，使批判从“感觉”走向了“证据”，为变革提供了可测量的起点。
3 从“痛点”到“真困境”：对三大痛点的批判性重塑
三大痛点的诊断精准，但止步于“缺失”现象是不够的。问题的要害在于：这些缺失为什么长期存在？我们未经追问，很可能将教师的“无能”视为痛点成因，而掩盖了系统本身的撕裂。以下逐一拆解。
第一，“精准教”的深层障碍：素养与评价撕裂，反馈无闭环。
“教”的“准”字，有两层含义。一是对接目标的“准”：素养导向的课程标准和教材，与仍然以知识点、标准答案为特征的考试之间，存在着深刻的不一致性。教师既被要求“培育素养”，又被要求“提高分数”，而这两个目标当前并非自然统一。这不是教师不想精准教，而是系统给了两个没有重叠的目标。二是个性化反馈的“准”：长期以来，教学评价停留在“打勾叉、给分数”的层面，缺乏能诊断学生思维误区的精细反馈；即使教师发现了具体问题，也缺乏闭环追踪的机制和时间。评价没有成为学习的导航仪，而仅仅是一个存档章。所以“精准教”表面是教学能力问题，实则是系统性的课程结构与评价结构的错位。
第二，“靶向学”的深层障碍：讲授式供给与个体需求的结构性不匹配，加之“学材”匮乏。
“学”的“准”，字面是让每个学生的独特起点和需求都能被匹配。班级授课制的“批发式教学”与四五十个学生的个性化需求之间存在着不可调和的结构性矛盾——无论教师多么优秀、多么努力，“我讲你听”的广播模式，在物理上就无法同时照顾不同节奏、兴趣和基础的学生。然而为什么教师明知如此，却依然离不开讲授？因为缺少“靠谱的学材”：没有好的预习任务单、分层学习支架、即时反馈工具，教师不敢放手让学生自主，只能回到讲授。“靶向学”缺失的根本原因，不是教师不想因材施教，而是“学材”这一基础设施的空白。只要学材不建设起来，讲授就永远是课堂的唯一安全选项。
第三，“循证研”的深层障碍：教师未被赋予“研究者”角色，且缺乏精细数据。
“研”的“准”，字面是用证据说话，用持续的对比研究来指导教学改进。然而，教师被长期嵌入“教—学—考”的执行链，被异化为“知识搬运工”。传统教研仍然停留在“听一节课、评几句话、凭感觉论好坏”的经验套路。教研不关切学习者的反馈、偏重教师表演、集体帮扶特意排练、非常态化等，使得教研长期严重偏离了“研究”范式，失去了服务课堂提质的价值。
这三重撕裂指向同一个根源：学校系统缺乏“基于证据的持续改进机制”——即“行动→数据→反思→调整”的闭环在三个关键环节上同时断裂。如果不改变这一底层结构，任何“精准教”“靶向学”“循证研”的口号都将沦为改良主义的空谈。
作业纠错未形成闭环，是因为“诊断→反馈→矫正”的数据链断裂：教师布置作业、批改打分之后，没有形成对学生个体错误的归因追踪与针对性补救机制。教师“用力不足”不是态度问题，而是系统没有为教师提供可持续的闭环流程与时间配置。
缺乏配套学材，是因为“设计→实施→评估→迭代”的资源开发链断裂：教师即使想放手让学生自主学习，也无法获得分层、可选、即用的学习材料。学材的缺失本质上是一种基础设施的供给缺失，使教学无法从“统一讲授”切换到“个性化支持”。
教研偏离实验研究范式，是因为“假设→实验→证据→推广”的知识生产链断裂：传统教研不收集基线数据、不设对照组、不做归因分析，本质上是一种经验复述而非循证改进。教师无法看清“目标与现状的差距”，也就无法精准调整教学。
这三条断裂链的共同特征是：学校组织运作在“经验惯性”而非“反馈驱动”的逻辑上。没有数据闭环，就没有持续改进；没有资源闭环，就没有模式切换；没有证据闭环，就没有专业进化。
因此，三重撕裂指向的深层根源是——工业时代学校组织对“反馈控制”机制的集体阙如，而智能时代的教学变革，恰恰需要重建这三条闭环。
4 对策：AI赋能学材建设
前面两篇文章已经给出了“预习”“课堂研究者”的对策。面对上述真困境，我们也需要一个撬动变革的简便易行的支点——AI赋能的“学材”——学习材料的范式升级。不是让机器上课，而是让技术辅助教师，为每个班级、甚至每个学生动态生成高质量的学习资源，并在这一过程中，把教师从重复劳动中解放出来，使其转型为“学习设计师”和“课堂研究者”。
4.1 学材是什么？为何是变革的支点？
“学材”与“教材”仅一字之差，内核却天壤之别。传统“教材”是为教师“教”服务的知识文本，而“学材”是为学生“学”服务的动态学习资源集合。学材的核心特征是可以代替教师的教，适合学生自主学习。
为什么学材建设是当前变革的最佳作用点？因为它兼具“基础性”与“杠杆性”。一方面，学材是“靶向学”的前提——没有高支持性的自主学习资源，学生只能依赖教师的讲授；没有诊断性的自学反馈，教师也无法实现“精准教”。基础设施不建设，上层的课堂改良就如沙上筑塔。另一方面，当教师投入学材设计，他们的角色就从“讲授者”转变为“学习设计者”，这正是恢复主体性的有效切口。
4.2 AI如何赋能学材建设？
一是效率层面：AI助手可以大幅降低学材生成的时间成本。例如秘塔AI推出的“今天学点啥”，能够串联其数据库中的学术文献（覆盖超过一亿份），将教师上传的习题、教材甚至探究方向，在几分钟内自动转化为包含幻灯片、音频讲解和作业的学习材料。教师还可选择“课堂模式”“故事模式”等多种讲解风格和难度级别，生成后自行调整、裁剪、适配班情。
二是精准层面：预习反馈的收集，AI可协助教师诊断学情以做到“按需供给”。学生提交预习任务单后，教师将文本录入（拍照或摘要均可），AI工具可以快速聚类学生问题，标记共性困惑与个体差异，并初步匹配相应的分层学材。这一功能的核心价值，在于赋予教师及时、可靠的证据，使课后帮扶从“凭直觉”走向“凭数据”。作业反馈的推送，也是精准层面资源供给。上一篇文章已经提及AI赋能的作业评价，是可以为学生推送归因分析、对策提醒和相似题目等学材。评价服务学生的纠错，评的核心任务不再是打分和排序，而是生成学材，完成教学帮扶的闭环。
三是研究层面：AI可帮助教师更方便地在班级间开展对比实验，检验不同学材的效果（如A班用故事版任务单，B班用问题版），形成“循证研”的校本实践。
在这一过程中，AI绝不是取代教师，恰恰相反——AI负责机械重复的生成与统计，教师则聚焦于最有创造性的设计、诠释与关怀。教师成为课堂真正的研究者，而不是执行者。
5 总结与展望
本文的核心主张可以概括为：以AI赋能的学材建设为支点，同时破解“精准教”缺失、“靶向学”缺失痛点，并将教师从“教学二元结构”中的讲授者解放为学习设计者与课堂研究者。
这一路径的独特价值在于：它可以不依赖学生端硬件投入，不寄望于考试体系的自发变革，也不要求教师在“分数压力”与“素养理想”之间做出非此即彼的牺牲。它从最朴素、最可行的“预习做实”入手——这正是我们第一篇文章着力论证的对策——用AI辅助教师备得好任务单、问得有深度，从而把学生“会问、会学”的能力滋养起来。教师在这一过程中，不再是孤军奋战的“讲课人”，而是有人工智能支持的研究者和学习引导者。
这一路径也有明确的边界。学材建设不是要把所有教学环节交给AI处理——恰恰相反，它要求教师承担更高阶的“如何设计学材”“如何使用学材数据改进教学”等研究性工作。同时，我们必须清醒：只有在教师专业自主性真正确立的土壤上，AI赋能的学材建设才不会沦为一种“用智能工具搬运工业时代教学内容”的变体，而是朝着个性化、创造性、全人成长的方向迈出坚实一步。
展望后续，我们将继续探讨两个紧密相关的议题，一是作业重构，二是AI赋能作业评价。这些都是教育范式转型中的优先选项。
