2025 年 11 月，谷歌在教育相关产品上的更新节奏明显加快。Gemini 3 正式亮相，被称为「迈向 AGI 的关键一步」；LearnLM 完整注入 Gemini 系列，让大模型第一次带着「学习科学」的底层结构运作；视觉生成模型 Nano Banana Pro 升级，让抽象知识、复杂结构和跨语言概念第一次能以可控质量被生成；而 Google Classroom、Gemini for Education、NotebookLM 等教学工具，也在同一周期里完成了大幅更新。
这些更新若放在过去，或许仅被视为科技公司的常规迭代。但在谷歌发布《人工智能与学习的未来》这份面向教育领域的研究文档之后，它们之间的脉络开始清晰：谷歌的目标并非让 AI 简单「进入课堂」，而是推动 AI 进一步介入学习的底层结构。
报告提出一个极为直接的判断，学习质量出现全球性下滑趋势，而教育系统本身已经难以依照传统方式自我修复。恰恰是在这样一个断裂愈发清晰的背景下，AI 作为「重建学习机制」的可能性开始被严肃讨论。
学习系统的承载力正在被持续考验，而技术的发展正贴近这些薄弱环节。谷歌的系列更新，看上去像产品迭代，实则是在教育的深层结构中探寻新的着力点。接下来的关键，是理解这些着力点如何改变学习发生的方式。
如果要理解谷歌为何选择在 2025 年此刻发布教育报告，必须先看到一个常被忽略但早已存在的事实：全球教育系统处在一种缓慢但持续加深的压力之下。
报告指出，尽管世界小学入学率达到 90%，教育的「覆盖率故事」早已讲完，但学习质量却出现明显倒退。比如 PISA 2022 给出的结果让各国难以轻松面对，数学平均分下降 15 分，阅读下降 10 分，这是罕见的全球性退步。学习力的滑坡比任何技术革命都来得更快、更直接，也更难逆转。
而教育资源的不均衡则进一步放大了这种退步。数据显示，世界上绝大多数地区的年轻人，其人均可用资源（以 GDP 衡量）尚不足美国的 10%，资源差异在全球范围内形成长期结构性鸿沟。
更现实的问题还在系统内部。教师流失、经费不足、疫情留下的学习缺口、冲突导致的教育中断、学生出勤率动摇、青少年心理问题蔓延……这些问题汇流在一起，形成一种复杂而难以修复的结构性压力。报告预计，全球到 2030 年将需要新增 4400 万名教师。这不只是缺口，而是一条难以完成的任务。
与此同时，学生端的心理与行为变化同样明显。出勤率下降、学习焦虑上升、对知识的深入理解能力被削弱等现象，在多国调查中不断出现。
这些因素共同构成了一幅令人焦虑的图景：教育系统并非「局部出了问题」，而是出现了「全面承载力下降」的趋势。谷歌在报告中对这种「结构性失衡」做出了非常明确的判断，学习不再缺少工具，而是缺少能够让学习真正发生的条件。
也正因为如此，技术不再只是「加分项」。在系统难以稳定运作的背景下，AI 被推向了一个全新的位置：不是替代学校，而是补上学校无法再完成的部分。
谷歌在报告中提出的五大机遇，并非能力清单的简单罗列，而更像是一条层层推进的重构链。从学习机制的底层逻辑开始发力，环环相扣，最终指向的是对学习方式本身的重新塑造。
首先被改变的是学习科学的落地方式。主动参与、深度练习、间隔重复这些原则在教育研究里已被验证多年，但真正落实到课堂时，教师往往会受限于班级规模、时间压力与精力边界，很难为每个孩子灵活调整教学。如今，AI 能捕捉学生在回答、犹豫、错误和探索中的细微轨迹，再根据这些动态信号调整讲解策略、提示方式与内容呈现，让那些长期停留在理论层面的学习原则，真正开始具备了落地为系统机制的条件。
紧接着被推动的是个性化学习。长期以来，它更多是一种理想，而非可以规模化实现的机制。一对一辅导之所以有效，在于教学能始终贴着学生的理解节奏不断调整。而现在，AI 能在极低成本下复制类似的对齐能力：讲快还是讲慢、解释要粗还是要细、下一步是加难度还是回基础，都可以根据学生实时表现即时调整。支持强弱的差距正在缩小，而「合适的节奏」不再是少数人才能拥有的奢侈品。
理解入口也随之变得宽阔。语言曾是许多人跨不过去的学习门槛，抽象概念往往在表达阶段就把一部分人挡在外面。AI 重写内容的能力弥补了这一结构性缺口：同一个概念可以被转换成视觉图谱、生活类比、故事情境、公式推演，甚至多模态混合表达，让不同思维方式的人都能找到属于自己的理解路径。在跨语言与跨文化的学习场景中，这种转换让「内容可及」不再停留在政策口号里，而成为实际可能。
在更底层的维度上，学习障碍也不再像从前那样难以跨越。语言理解受限、阅读困难、注意力差异、甚至视觉障碍，都可以通过内容自动转语音、自动配字幕、自动转图像、甚至生成手语来被部分抚平。AI 生成的材料还能自动匹配不同的文化语境，让学习资源对更多人变得真正可进入。
与此同时，教师的工作流也被重新排列。教师的专业价值从来不在于批改作业或反复制作课件，而在于理解学生、设计路径、引导思维。但过去，教师的大量时间被行政性琐事和重复劳动吞噬。现在，AI 能生成课件框架、调整练习难度、根据班级水平自动生成不同版本的讲解材料，让教师把更多精力放回课堂和学生身上。技术不是要替代教师，而是把教师从无法回避的消耗性工作中解放出来。
这些方向汇聚到一起，形成的并不是一个「更快」的学习系统，而是一个「更像学习本来该有的样子」的系统。AI 的价值不在于让孩子得到更多答案，而是让他们更容易抵达理解，更容易踏进原本跨不过去的那道门槛。
从报告能看到宏观趋势，而真正让人感到变化已经发生的，却是那些看似再普通不过的教学瞬间。一个教育工作者带着四年级孩子用 Nano Banana Pro 备课和辅导的过程，本质上既是一份「生图大模型使用指南」，也是一次提醒：理解往往起步于图像、情境与感知，而非文字本身。
这位教育工作者并不是随手输一句「画一张好看的图」交给模型，而是每次都从学习目标出发来写提示词。带孩子学《出塞》时，她先在提示里说明「这是给四年级学生用来理解‘秦时明月汉时关’意境的图片」，再补充需要出现的长城、关口、远山和明月，以及整体要有苍凉的水墨风。生成出来的画面因此紧扣诗意，而不是一张泛泛的风景图。
孩子看到图时，会立刻把画面与自己暑假在嘉峪关的经历连起来，古诗不再只是抽象词句，而变成可以被回忆、被感知的场景。这种从图像和体验出发的理解路径，恰恰印证了那一点，真正被调动起来的，是感知先于文字、情境托举意义。
图片来自：AI 酷妈公众号
做太阳系知识图谱时，她同样把「谁在学」放在「画什么」前面，并在提示里写清楚这是给九岁孩子看的科普图，希望用他们能理解的方式去标注行星，让太阳变成「大 Boss」，让木星变成「气体巨无霸」，整张图既保留了严肃的结构，又有儿童能共情的表达。孩子读图的过程，其实是在凭视觉线索和语言标签，一点点重建自己对宇宙的想象，而不是对着课本默背行星顺序。
从这些看似普通的操作中可以看出，正确使用 Nano Banana 的关键并不在于让模型生成多精致的画面，而在于是否愿意将学习目标、认知起点与情境需求预先写入提示词；也不在于图像本身是否足够炫目，而在于它能否成为孩子理解世界、进入知识的第一扇门。AI 提供的是一个被放大的视觉入口，而理解能否真正发生，仍取决于教育者如何设计这道入口，并在图像之上继续开展对话、提问与梳理。
但技术介入越深入，风险的轮廓也越清晰。报告谈到「元认知懒惰」，当学习习惯变成依赖提示、依赖生成、依赖解释，深度学习能否维持？这一点在真实使用中也开始被感知到：学习「变快」的同时，理解是否也「变浅」？
一篇关于 AI 辅助 STEM 学习的案例研究指出，虽然 AI 工具能在概念理解和反思性思考中提供帮助，但也可能降低人对待问题的探索倾向。 学习的效率提高是一种表象，理解的深度下降则是一种可能的后果。
这便引向谷歌在报告中反复强调的另一点：AI 不能成为学生思考的替代者，而只能成为思考的引导者。但要做到这一点，AI 本身必须被训练成一位会反问、会追问、会揭示逻辑漏洞的伙伴，而不是一个提供立即答案的机器。
技术越强大，对学习本质的考验也越尖锐。
谷歌在报告中列出的挑战没有被包装成轻松的愿景，而是坦白谈论幻觉、偏差、作弊风险、数据隐私、教育不平等，以及最难被讨论的一点——公平获取。
AI 工具的普及可能拉大差距，而不是缩小差距。资源较好的地区和家庭更早拥有 AI 辅助学习，孩子更容易进入快速理解和定制化内容的轨道。反之，资源匮乏的学习者可能再次落后。这种差距并不是技术造成的，而是技术放大已有的结构分化。
这种对技术局限的清醒认知，在谷歌展示的 8 所学校实践探索中同样得到印证。他们并没有简单地宣称「AI 解决了一切问题」，而是在强调教师、研究、制度的参与。同样，Nano Banana Pro 的技术突破虽令人惊艳，但其使用指南也提醒，模型若只作为「出图工具」而非「教学工具」，就可能流于形式。
同时，那些最具学习动力的学生往往能从 AI 中受益最多，这意味着学习动机本身变成了影响 AI 效果的隐性变量。工具并不能自动带来学习力，它只能帮助已经愿意向前的人走得更快。
谷歌提出的应对路径保持着谨慎的现实感。通过轻量化技术设计降低硬件门槛，借助教育者工具免费开放政策覆盖资源薄弱地区，更以多语言适配和"随时打断提问"等交互优化，让不同背景的学习者都能获得适配的引导。LearnLM 的定位也不是做「答案机」，而是成为学习中的「引导结构」。
这背后透露出一条底线：技术必须服从学习，而不是反过来。
所以，真正需要重新思考的，不是 AI 在教育中该走多远，而是教育系统、家长与学习者需要如何重新定位学习的过程。
学习是否必须保持难度？是否应该保留「挣扎」这一关键体验？当 AI 帮我们理解世界，我们又将如何理解自己？这些问题没有确定答案，但它们构成了当下教育和技术交汇处最真实的张力。
在系统性危机与结构性风险的双重压力下，谷歌选择的路径并不是推出一个「教育超级平台」，而是搭建一套「学习基础设施」。
最深处的变化来自模型本身。Gemini 与 LearnLM 的结合，让大模型第一次开始「像一个教学系统」而不是「像一个回答机器」那样运作。它能够感知学生的停顿、理解的卡点、演算的逻辑，继而调整解释策略、提示方式和知识节奏。这意味着技术不再停留在传递信息，而是开始介入「如何让理解发生」这一教育的根部。
中间层的变化发生在工具链层面。谷歌没有建立一个全新的教与学平台，而是把 AI 埋进教师和学生每天都会打开的 Search、YouTube、Docs、Slides、Classroom 与 NotebookLM 中。技术以极其贴近工作流的方式出现：教师不用额外学习一个新系统，也不需要改变原有教案结构，它就已经在那里，愿意协助、愿意补位。这种「渗透式」进入，是谷歌最典型的产品方式，也是教育最容易吸收的技术路径。
更直观的变化在内容层面。Nano Banana Pro 等视觉生成能力使得抽象知识第一次拥有了灵活而可控的视觉形态。古诗不必只靠想象，机器可以生成恰到好处的意境；复杂技术不必只靠拆解课件，可以用模型生成剖面图、结构图；儿童科普也不必依赖固定插图，而能按年龄、难度、文化背景重新生成版本。谷歌不是在替教材作插图，而是在改变「知识被呈现」的方式，从而改变「理解被激活」的入口。
当然，这一切远未构成答案。谷歌的实践称不上完美，在公平、深度、依赖、隐私等问题上仍有尚未完全解开的变量。然而，谷歌至少提供了一种新的视角：如果学习是一种社会基础设施，那么 AI 可能成为构成它的材料之一，而不是悬浮在系统外的外挂工具。
谷歌在报告最后写道：「未来最重要的突破不会是技术性的，而是社会性的。」这句话提醒我们不要把所有希望寄托在模型能力上，也不要把所有风险推给技术本身。AI 能推动学习，但能否推动成长，本质上依赖于社会如何制定边界、教育如何重构结构、学习者如何面对技术。
技术走到今天，已经不再是一种外部工具，而是在进入学习最核心的地带。它既可能带来巨大跃迁，也可能埋下新的隐忧。而教育的未来，最终不会由 AI 决定，而会由我们选择怎样使用 AI 来决定。这是一场刚刚开始的重写，而故事的结局，还远没有被写下。
报告原文：
Google 在 2025 年 11 月发布的报告 「人工智能与学习的未来」
https://services.google.com/fh/files/misc/future_of_learning.pdf
2025 年，多鲸蟹宴& EE 年会将在合肥再次启程，以更深的洞察与更开放的姿态，探讨教育的下一个周期。我们将再次汇聚行业思考者、行动者与创新者，在变动中，寻找教育的确定性。
12 月 19–20 日，教育的未来，在这里相遇。
扫码立即报名⬇️
