Stevens Point 开设 AI 伦理课程，但真正的考验在于控制

Stevens Point 将于今年秋季推出以 AI 为重点的高中课程，把一项围绕受控技术教育开展的本地实践带给更广泛的 Google News 读者。学生将使用 AI 工具为机器人编程，教师则会在传授实用技能的同时，讲解伦理、隐私与技术局限。

这种结合正构成真正的张力所在。Stevens Point Area School District 并未将人工智能视为应被禁止的软件，也没有把它当作课堂自动升级的工具。该学区希望学生在监督下测试这项技术、质疑其输出结果，并保留不使用它的选择。

这种做法让该学区处于两种相互竞争的模式之间。一种模式让学生自行探索消费级聊天机器人，往往缺乏明确的保障措施；另一种则对课堂访问施加过多限制，导致学生几乎得不到为 AI 日益普及的职场做准备的机会。

Stevens Point 选择了有监督的接触方式。其成败不仅取决于新设备和吸引人的课程介绍。教师必须将宽泛的伦理原则转化为可执行的课堂实践，保护学生数据，并证明 AI 活动能够改善学习，而非只是增添新鲜感。

Stevens Point 今年秋季究竟新增了什么

该学区将机器人技术作为受控进入 AI 的切入点，而不是向每一项课堂作业开放不受限制的聊天机器人使用。

Stevens Point Area Senior High（通常称为 SPASH）的学生将能够选修利用 AI 相关编程控制校园机器人 的课程。学区官员将这些课程定位为一项更广泛、多年计划的第一阶段。

该计划首先会在辅导时间开展基础 AI 素养教育。对计算机科学感兴趣的学生之后可以选择与 AI 技术及相关职业相连的课程。学区预计，随着学生在高中阶段不断升年级，可选学科和活动将继续扩展。

该学区中等教育主任 Jeff Mlsna 与三名教师共同开发了这一项目。他们的工作包括课程设计、拨款申请，以及涵盖 AI 应用和局限性的指导方针。

Mlsna 告诉 Wisconsin Public Radio，学区决定与学生共同面对这项他们已在接触的技术，而不是忽视它。他将目标描述为建立基础层面的 AI 素养。

AI 素养意味着理解人工智能系统能做什么、其结果从何而来，以及何时应对其输出保持怀疑。在学校环境中，它还包括隐私、署名、偏见，以及辅助与替代学业之间的区别。

这些区分很重要，因为“AI 课程”这一说法可以指向截然不同的体验。学生可能构建一个简单的计算机视觉系统，使用语言模型起草文章，或为机器人编程以响应传感器数据。每项活动都带来不同的学习目标和风险。

学区表示，其初始技术不会涉及机器学习。机器学习是一种让系统从数据中识别模式、而非仅遵循固定指令的方法。避免使用它可以减少部分数据暴露，尽管这并不能消除所有隐私或安全隐患。

该项目最具雄心的部分将在后续展开。学区计划在第二年和第三年建立名为 AI Forge 的 AI 创新实验室。官员设想，这将是一个受监督的空间，学生可以在其中尝试编程，并最终构建 AI 平台。

这种分阶段推出方式让学区有时间在扩大访问范围前观察学生行为，也形成了明确的检查节点。学校领导可以评估教师是否获得了足够培训、技术保障是否有效，以及课程是否支持可衡量的学业目标。

资金来自 Sentry Insurance Foundation。学区官员告诉 WPR，该公司向当地学校提供了总额 150 万美元的拨款。这种外部支持让 Stevens Point 获得了许多学区难以轻易复制的资源。

因此，这笔拨款推动了实验，但也引出了一个有关规模的重要问题。资金充足的本地项目可以聘请专职教师、购置设备并建立专业实验室；缺乏这些优势的学区，可能难以安全地复制这一模式。

对于通过 Google News 看到这则报道的读者而言，机器人构成了易于理解的标题。更具影响力的变化则是制度层面的：Stevens Point 正将 AI 从学生非正式的自主尝试，纳入具有成人监督、明确限制和退出选择的课程体系。

为什么 AI 伦理成为高中课程

学校如今面临的问题，比识别 AI 生成的作业更棘手：它们必须决定哪些使用方式本就应当属于教育的一部分。

生成式 AI 通过普通消费级界面，使复杂的文字和图像生成能力变得触手可及。学生不再需要高级编程技能，就能获得一篇打磨完善的文章、总结一篇阅读材料，或生成一份演示文稿。

这种便利性扰乱了熟悉的学术边界。计算器执行的是明确限定的操作，而生成式系统可以参与研究、规划、起草和修订。教师必须判断，何时这类支持能够强化学习，何时又会取代作业原本旨在评估的思考过程。

禁止政策可以为某一项任务划出清晰边界，但无法让学生对未来情境形成持久判断。学生仍需学会识别虚构信息、披露所获协助、保护敏感材料，并理解为何看似自信的输出也可能是错误的。

不受限制的访问则会带来相反的失败。当学生将作业、个人细节或同学的信息发送给外部系统时，学校可能会失去对这些数据的实质性控制。当自动生成的答案显得具有说服力时，学生也可能在不核查证据的情况下接受它。

Stevens Point 的回应，是将伦理置于技术体验之中。学生不会只在一次脱离实际的集会中接触负责任使用，或在学年开始时签署一份表格。该学区计划将伦理问题与实际编程和实验联系起来。

这一设计顺应了教育政策中的更广泛转向。UNESCO 指导意见建议，在教育机构部署生成式 AI 前，应采用符合年龄特点的使用方式、隐私保护、人类监督和伦理验证。

UNESCO 还警告称，公开可用系统的发展速度已超过许多监管框架。其指导意见要求学校考虑工具是否在教学上适宜，而不只是它们在技术上是否可用。

可用性与适用性之间的区别，应当塑造 Stevens Point 的项目。一项能够快速生成答案的工具，仍可能削弱一项旨在评估推理能力的作业。一个能够安全处理公开信息的系统，也可能不适合用于学生记录或个人反思。

联邦政策正朝着负责任采用而非全面回避的方向发展。教育部指导意见于 2025 年 7 月发布，强调 AI 素养、基础计算机科学、隐私，以及与家长和教师的沟通。

这一政策环境给学区领导者带来压力。他们必须让学生为技术密集型职业做好准备，同时不能让供应商或公众热情来定义教育目标。他们还必须向对 AI 持有鲜明不同看法的家庭传达相关规则。

公众态度让这种平衡更加困难。2026 年的一项 Gallup 调查发现，39% 的美国成年人认为 AI 弊大于利。另有 52% 认为其利弊相当，9% 则认为其利大于弊。

在 18 至 29 岁成年人中，怀疑态度尤为明显。Gallup 发现，该年龄段中有 47% 认为 AI 弊大于利，高于 2025 年的 36%。

这些结果挑战了年轻人会自动欢迎 AI 的假设。学生可能会使用这些工具，同时不信任其社会影响。他们也可能担忧能源消耗、就业、监控，或生成信息的可靠性。

Mlsna 表示，Stevens Point 的学生曾提出有关数据中心的担忧，包括电力和用水问题。这些问题将 AI 伦理的范畴扩展到了作弊之外，把课堂界面与用户往往看不见的实体基础设施和环境权衡联系起来。

学区的回应不应以把怀疑者转化为热衷者为目标。只有当学生能够在不被推向预设结论的情况下审视利弊时，伦理教育才会发挥作用。选择不使用 AI 的学生不应因此获得更少的教育机会。

这正是退出条款重要的原因。Stevens Point 表示，学生可以选择不使用 AI，部分教师也会支持这一决定。该政策承认，负责任的技术教育也包含拒绝使用某种工具的能力。

Google News 的关注掩盖了更深层的教育权衡

核心冲突是有监督的实践与无管理的探索之间的较量，而不是热情与抵制之间的对立。

Google News 的叙事方式可能让这一项目看起来只是又一所学校增设了时髦的技术选修课。它的意义在于，Stevens Point 希望学生在何处犯错。

Mlsna 告诉 WPR，他宁愿学生在称职教师身边进行实验，也不愿他们独自通过 ChatGPT 探索。这一表态揭示了学区的核心押注：受监督的失败可以转化为教学。

机器人为这种模式提供了有用环境。它的动作可以被观察，错误可以被讨论，教师还可以要求学生解释代码与行为之间的关系。这项活动能够让自动化不再那么神秘。

但这并不意味着机器人技术天然就是合乎伦理的 AI 教育。如果学生只是按步骤操作而不理解系统，课程仍可能流于表面。教师需要追问：谁选择了数据，哪些假设指导了设计，以及失败的后果由谁承担。

设想一台被要求对教室物品进行分类的机器人。学生可以测试光线、摄像头角度或训练样本的变化为何会影响表现。这项练习为探讨错误率和代表性不均等问题提供了具体路径。

更具后果的版本可能要求系统识别人或解读行为。届时，伦理风险就会发生变化。准确性本身并不能决定这种应用是否应当存在，尤其是在相关人员无法给予有意义同意的情况下。

这正是有监督教育相较于独立使用聊天机器人的优势所在。教师可以暂停活动、揭示隐藏假设，并要求学生记录不确定性。他们也可以让敏感信息远离练习。

然而，监督也会带来责任。教师需要具备足够的技术知识，才能识别工具何时会将数据发送至外部服务。他们必须了解账户控制、数据保留政策、安全更新，以及任何供应商承诺的局限性。

该学区决定在第一阶段避免使用机器学习，降低了复杂性。学生无需提供大量数据集或训练模型，也能学习编程逻辑和自动化。这一较窄的范围也有助于教师在 AI Forge 开放前建立起工作流程。

不过，在避免机器学习的同时将这项技术称为“AI”，需要清晰说明。现代公共讨论常将 AI 作为自动化、预测模型、机器人技术和生成式系统的统称。学生应当了解这些差异，而不是把这个标签视作单一能力。

这种术语并非无关紧要。如果学生认为每个按脚本运行的机器人都会自主学习，课程就强化了误解。如果学生相信每个生成式回答都代表系统存储的知识，同样的问题也会以另一种形式出现。

一门扎实的课程应要求学生解释每个系统背后的机制。它应区分预设规则、统计预测和生成式输出，并展示人类选择如何塑造每个阶段。

当工具用于整理资料来源或反思项目时，这种受监督的模式可以支持更好的学生工作流程。它不应把每项作业都变成一次 AI 互动。教育目标仍是学习，而不是最大化工具使用。

另一种模式——无管理的自主尝试——在校外早已存在。学生可以通过个人设备访问公共工具，从社交平台复制提示词，并接触到关于 AI 能力的自信断言。在课堂上回避这一主题，只会让商业产品成为他们的教师。

因此，Stevens Point 并非在向学生介绍一项此前未知的技术。它试图以结构化分析取代零散接触。这是对学校早期应对生成式 AI 方式的一种重要转变；早期做法往往聚焦于封锁和检测。

即使学生因此对 AI 更加谨慎，该项目也可能成功。事实上，谨慎或许比习惯性采用更能体现扎实的素养。一名会追问某个工具是否必要的学生，已经理解了技术判断中一个重要方面。

最难的部分，是将伦理转化为课堂规则

只有当伦理改变学生和教师被允许、被要求以及被期待采取的行动时，它才会发挥作用。

公平、责任和透明等术语听起来令人印象深刻，却可能无法改变课堂行为。Stevens Point 需要可执行的规则，让学生能够将其应用于具体项目。

第一条规则应当涉及数据。学生需要知道哪些信息可以输入 AI 系统，哪些不可以。姓名、成绩、健康细节、纪律记录、私人通信内容和可识别个人身份的图像，都需要格外谨慎处理。

受控环境可以减少暴露风险，但这一说法并不保证隐私。学区必须了解，信息是留在本地设备上、通过云服务传输，还是会被提供商用于产品改进。

教师还需要为新工具建立明确的审批流程。一个网站可能看似无害，却会收集标识符、使用记录或提交内容。课堂便利性不应取代技术和法律审查。

第二条规则应涵盖披露。学生应说明 AI 在项目中何时、以何种方式发挥了作用。一份有用的披露应描述委派的任务、使用的工具，以及后续执行的核查。

这种做法让讨论不再局限于作弊指控。它使教师能够评估学生的贡献，并审查最终成果背后的推理过程。这也类似于学生未来可能在专业环境中遇到的文档记录实践。

第三条规则应界定验证要求。生成的论断必须通过可靠证据进行独立核查。学生不应仅因聊天机器人给出的回答看起来完整，就把它作为结论的事实依据来引用。

验证可以成为评分的一部分。学生可以提交原始输出、指出缺乏支持的论断，并解释作出的修正。这样一来，系统的不可靠性就会成为学习练习，而非隐藏风险。

第四条规则应保留人类问责。如果机器人行为异常，或生成的代码导致故障，工具本身无法承担责任。学生和教师仍需决定系统是否已准备好投入运行。

随着项目规模扩大，这一原则变得更加重要。AI Forge 可能鼓励学生开发雄心勃勃的应用程序，但每个项目都需要依据潜在伤害设定边界。一个日程助手和一个解读学生情绪的系统，不应接受相同程度的审查。

第五条规则应保护有意义的拒绝权。只有当学生能够在不受惩罚、不被污名化、也不获得较差学习体验的情况下完成等效作业时，退出政策才是可信的。

美国教育部此前的 AI 领导力工具包强调了透明度，以及让学生、教师和家长有机会退出启用 AI 的应用程序。这一原则为 Stevens Point 提供了有用的衡量标准。

等效作业需要提前规划。如果主要课堂活动涉及编程一个被标为 AI 的机器人，教师就需要提供涵盖相当技能的非 AI 路径。否则，退出选择只会停留在纸面上。

教师准备是另一个压力点。三名专职教育工作者可以开发连贯的课程，但该项目还包括导师时间教学。更广泛的部分可能涉及技术熟悉程度差异很大的教职员工。

教师不需要成为机器学习工程师。但他们确实需要共享定义、升级处理程序和可接受使用的示例。学生会很快发现不同课堂之间规则的不一致。

计划中的 AI 顾问可以帮助协调这些决策。该学区尚未公开说明这名顾问的权限、工作安排或评估职责。这些细节将决定该职位是否能够提供有意义的监督。

当安全措施失效时，顾问应有权暂停某项工具或项目。一个没有决策权的顾问头衔，只会增加安慰感，而不会增加控制力。

家庭也需要知情权。学区应说明学生使用哪些工具、这些工具处理什么信息、记录会保留多久，以及家长有疑虑时可以联系谁。泛泛而谈的安全声明并不够。

伦理教学也应纳入环境问题，因为学生已经提出了这些问题。不过，教师应避免将单一估算呈现为普遍适用。能源和用水需求会因模型、数据中心、地点和工作负载而异。

更好的课程是考察如何评估相互竞争的说法。学生可以追问：谁给出了估算，它衡量的是什么系统，数据是否支持更广泛的结论。这种方法强化了学区所重视的批判性思维。

资金与可及性将检验项目的公平性

一笔资助可以启动 AI Forge，但它本身无法确保平等的可及性、高质量教学或持久的公共问责。

Sentry Insurance Foundation 的支持为 Stevens Point 提供了难得的机会。专项资金可以覆盖设备、课程开发、教师时间和专业实验室，而不必立即与学校现有的每项优先事项竞争。

私人资金也会影响学区能够长期维持什么。设备需要维护，软件会变化，教师也需要持续培训。成功启动并不能回答初始资助期结束后由谁承担这些成本。

在项目进入更复杂阶段之前，学区应公布可持续性计划。该计划应明确持续的人力配置、安全审查、更换周期，以及运营 AI Forge 所需的条件。

校内可及性同样值得关注。一门选修课可能吸引那些已将自己视为程序员的学生，却错过本可从入门机会中受益的人。导师时间教学或许能缩小这一差距，但高级机会仍可能集中于少数人。

课程安排、先修要求、交通、无障碍条件和信心都会影响参与。学区应追踪谁报名、谁完成课程，以及谁进入后续项目。

这些衡量方式必须保护学生隐私。汇总后的参与数据可以揭示机会是否覆盖更广泛的学生群体，而不会暴露个人记录。

学区还应区分报名与学习。满班反映的是兴趣，而非教育价值。更好的指标包括：学生识别系统局限性的能力、验证输出的能力、记录工具使用的能力，以及解释伦理权衡的能力。

机器人项目需要超越设备是否正常运行的学术评估。机器人可以完成任务，却依赖有缺陷的假设。学生应根据设计选择、测试、文档记录和故障分析获得评分。

外部赞助还引出另一个问题：职业准备究竟是为谁而设？雇主有合理理由支持技术教育，学生也能从了解本地机会中受益。然而，公立学校服务的目标比劳动力供给更广泛。

AI 伦理必须包含公民判断，而不仅是就业准备。学生将以劳动者、选民、患者、消费者和社区成员的身份接触自动化系统。他们需要在每一种角色中质疑这些系统的工具。

学区可以通过将课程决策与赞助商认可分开来保护这种平衡。教师和学校官员应保留对学习目标、获批技术以及对行业实践的批评的决定权。

透明度将增强公众信心。学校可以发布课程摘要、隐私标准、评估结果和重大政策修订，而无需披露专有材料或学生信息。

这种开放性很重要，因为其他学区可能将 Stevens Point 视为范例。Google News 的报道可以迅速传播标题，但复制这一模式需要了解失败与成功的细节。

学区应记录未能奏效的项目、拒绝使用的工具和修改的规则。这些结果并非无能的迹象，而是监督正在发挥作用的证据。

一种风险是，AI Forge 变成供官员参观的展示空间，却只被少数学生使用。另一种风险是，广泛的导师时间课程过于笼统，无法影响实际行为。

该项目最有力的保障，是让其伦理主张与日常实践之间存在清晰可见的联系。学生应知道某项工具为何获得批准、适用哪些边界，以及出现问题时会发生什么。

公平也延伸到 Stevens Point 之外。没有大额资助的学区，可能需要采用成本更低的方法，强调批判性评估、公共数据集和现有计算机科学设备。

如果 Stevens Point 发布可复用的课程结构和政策模板，其影响力可以超越实体实验室。如果它让项目依赖专业硬件和本地资金，这一模式仍将难以复制。

Google News 读者接下来应关注什么

接下来的三个信号将表明，Stevens Point 是否建立了持久的教育模式，还是仅仅推出了一个颇具吸引力的首年试点项目。

第一个信号是学校已发布的运营框架。家庭应关注针对获批工具、学生数据、信息披露、退出机制和事件报告的具体规定。

如果学区在学生开始复杂项目之前就发布明确政策，其受监管模式将更具可信度。若指导仍停留在关于负责任使用的笼统表述，承诺与课堂现实之间的差距将进一步扩大。

该框架应明确“未涉及机器学习”在实践中意味着什么。它应说明学生将使用哪些系统，以及学区如何核实这些系统的行为。

第二个信号来自第一年的证据。招生人数固然重要，但学生作品和评估方法更能说明问题。学区应展示其如何衡量 AI 素养、批判性思维和技术理解能力。

有价值的证据包括匿名项目案例、常见错误、学生反思，以及教师在观察课程后作出的调整。仅凭一场精心打磨的展示，无法证明其教育价值。

最有力的结果应表明，学生能够区分自动化与机器学习、检验主张、保护敏感数据，并说明何时不应使用 AI。这些成果将强化学区的核心论点。

如果证据只显示学生完成了机器人活动，反而会削弱这一论点。缺乏批判性分析的技术参与，会让该项目沦为又一项设备计划。

第三个信号是 AI Forge 在第二年和第三年的发展情况。由于学生可能构建更复杂的系统并接入更多工具，该实验室将同时扩大机会与风险。

在扩展之前，学区应界定项目审查、安全责任以及 AI 顾问的权限。它还应说明选择退出的学生将如何获得相当的教学。

透明且受到审慎治理的实验室，将强化 Stevens Point 的受监管接触模式。若在未公布控制措施的情况下快速扩张，则会削弱该学区目前所强调的伦理区分。

读者还应关注其他 Wisconsin 学区是否采用类似项目。复制推广将检验这一方法能否在不具备相同资金、人员配置或社区合作关系的条件下发挥作用。

Google News 为一则地方教育报道带来了全国范围的可发现性，但关注度并非关键结果。真正有意义的结果，是学生能够审视 AI，既不会本能地恐惧它，也不会默认地信任它。

Stevens Point 作出了一个站得住脚的初步选择：将实验引入一个教师能够质疑假设、并在错误发生时介入的空间。如今，学区必须证明，控制、隐私和教育目的能够在启动之后延续下去。

家长可以要求查看运营框架。教育工作者可以关注项目如何被评估。学生可以坚持，伦理讨论应包括质疑、限制或拒绝某一系统的权利。

应当欢迎这种公众监督。如果该项目奏效，其最有价值的产出不会是一个机器人或一个 AI 平台，而是理解负责任使用技术始于决定是否使用、为何使用，以及应在何种规则下使用的年轻人。