李兆端解读斯坦福报告：AI 时代考试应转向持续推断系统

AI时代真正应该被淘汰的，从来不是考试本身，而是那种以为一道题、一个分数、一张试卷，就足以定义一个人的教育。

作者丨

李兆端

图片丨

Ashok J Kshetri

当我们谈论AI时代的考试，我们真正谈论的是什么？是一篇学生交上来的完美论文，是一段毫无错误的代码，还是一份逻辑严密的分析报告？我们再也无法确定，其中有多少属于学生、多少属于AI。2026年，斯坦福大学学习加速器联合ETS发布《Responsible Assessment in the AI Era》报告，写下了一句分量极重的话：

“仅仅依靠最终成果，已经不能被视为衡量人类能力的可靠指标。”

这句话击穿的不只是某一场考试，更是过去两百年现代教育赖以运转的基本假设——成果，是能力的证据。

于是，一个无法回避的问题摆在所有教育管理者面前：

AI时代，还需要考试吗？

定义之问：

考试还是“一场考试”吗？

传统考试的定义非常清晰：在限定时间、限定场景中，让个体独立完成一组任务，然后根据最终成果推断其能力。高考两三天，为一个学生十几年的学习结果下结论；大学一门课的期末考试只有两三个小时，最终却化作成绩单上的A或B。

这套逻辑之所以成立，是因为过去我们相信，成果与能力之间存在稳定的因果关系。也就是说，你写出一篇好文章，我们就推断你会写作；你解出一道数学题，我们就推断你懂数学。

但生成式AI已经暴露出这种“以最终成果评价能力”的局限。学生可以借助AI生成高质量成果，却并未真正经历这些成果本应该代表的学习过程。问题已经不再只是“作弊”，更麻烦的是证据失效了。当成果可以被外包，考试作为“能力证据采集器”的功能就发生了根本性动摇。

斯坦福报告因此提出一个重要的转向：

从testing events（考试事件）转向systems of inference（推断系统），即从“一场考试决定你会不会”，转向“通过长期、多维度的证据判断你真正具备什么能力”。

这意味着，考试的定义必须从“一次性测试”扩展为“能力推断系统”，它不再是教育的终点，而是评价生态中的一个节点。

图源 eberhard grossgasteiger

意义之问：

为什么还要评价

有人可能会想：既然AI让考试如此不可信，那干脆取消考试算了。

但教育不能没有评价。没有评价，我们就无法判断学生是否学会、教学是否有效、机会如何分配。

AI时代，评价的意义不是减弱了，而是转移了。过去学校最容易考的是标准答案，最难考的是好奇心、创造力、判断力、合作能力，因为后者很难量化。久而久之，我们产生了一种错觉：容易测量的，就是重要的。

而评价体系会反过来塑造教育。我们考什么，学校就教什么；学校教什么，学生就学什么。最终，容易被考试测量的能力被不断强化，而真正重要、却难以测量的能力反而被挤到了教育边缘。

AI正在迫使学校纠正这个错误。AI正在迅速接管那些最容易标准化的认知任务。机器越擅长给出标准答案，人类教育就越应该重新发现那些没有标准答案的能力。比如报告列出的“durable skills”（持久素养）：

批判性思维、创造力、好奇心、协作、主体性和适应能力；此外还包括情商、关系智能、伦理判断以及挑战既有假设的能力。

这些能力，才是未来教育评价真正应该瞄准的方向。

功能之问：

考试应该发挥什么功能？

传统考试的功能是测记忆、测对标准答案的掌握、排序、选拔、发证书、给分数。这些功能并非全部失效，但其中“只看最终答案”的功能已经严重贬值。两个人可能提交完全相同的正确答案，背后的能力却天差地别。

例如，第一个学生自己查资料、提出假设、试错、修改，最后使用AI检查表达；第二个学生复制题目，点击生成，再复制答案。结果可能都是95分，但两个人真正获得的能力完全不同。传统考试可以告诉我们学生是否得到了正确答案，却往往无法告诉我们他是怎样得到答案的。

学习是一个过程，而考试通常只截取一个结果。这就产生了一个矛盾：

教育最需要看见的，却是考试最容易隐藏的东西。

因此，未来考试的功能应该从“终判”转向“诊断”，从“一次性”转向“持续性”，从“闭卷个人”转向“真实任务与人机协同”。

这也是为什么报告建议试点持续嵌入式评价，采用作品集和能力本位评价，降低对一次性高风险考试的依赖。报告提到的具体形式包括：认知访谈、现场演示、角色扮演、情境模拟、作品集、对话式评价、虚拟机器人编程任务、游戏化评价等。

想知道一个人会不会修汽车，最好的办法不是让他做100道汽车维修选择题，而是给他一辆真的出了问题的汽车。职业教育评价项目已经让汽车技术专业的学生戴上VR设备完成检查、诊断、维护和维修任务，甚至利用压力感应手套判断学生操作时的力度是否正确。这就是authentic assessment——真实性评价：不是问“你记住了多少知识”，而是问“把你放进真实世界，你能不能解决问题？”

AI在这里扮演一个悖论性角色：过去我们担心AI让考试变得不可信，但AI也可能第一次让教育有能力记录和分析复杂的学习过程。系统可以从学生日常学习环境中不断提取信号，结合过程数据、环境数据和长期数据，分析一个人的学习轨迹。

然而，更多数据不等于更好的教育。报告讨论了所谓“stealth assessment”（无感评价）和持续评价：谁拥有这些数据？学生知道自己什么时候正在被评价吗？斯坦福教授Ben Domingue警告：能够被动收集的数据越多，伦理、隐私和透明度的问题就越棘手。

AI可以参与评分，但不能成为最后的裁判。

报告举了一个非常典型的例子：在科学考试中，一个AI评分系统奖励的可能是学生的语言表达能力，而不是真正想测量的科学推理能力。看起来评分非常“客观”，实际上却测错了东西。

所以报告特别要求建立human-in-the-loop（人在回路）机制，让教师判断参与其中，并明确反对在影响学生机会和准入的高风险决策中完全依赖自动化。

机器可以提供证据，但责任不能外包给机器。

谁应该被录取？谁获得机会？一个孩子究竟有没有潜力？最后必须有人承担判断的责任。

图源 eberhard grossgasteiger

路径之问：

还考吗？

读完整份斯坦福报告，你会发现它并没有说“考试应该消失”。报告最后明确强调：

传统评价在AI时代仍然具有重要作用。

真正需要改变的，是我们不能再把一次考试、一个分数、一件最终作品，当成一个人全部能力的可靠代理。

所以，AI时代，我们还需要考试吗？答案是：需要，但需要不一样的考试。

不做只看答案的考试，不做一次性高风险考试，不做只把分数、GPA、文凭当成全部能力的考试。而要做持续嵌入式评价，做作品集与能力本位评价，做真实性任务与情境模拟，做过程数据与长期成长记录，做人机协同评分，做多元证据、透明规则、学生知情。

对于教育教学管理者而言，这意味着几项紧迫任务。

第一，降低对一次性高风险考试的依赖，逐步引入过程性、表现性评价。

第二，支持教师成为评价设计者，而不是评分流水线上的操作员。

第三，建立数据伦理规范，明确学生数据的采集边界、使用权限和知情同意。第四，试点真实任务评价，让学生在接近真实世界的场景中展示能力。

第五，坚持“人在回路”机制，高风险决策不能完全交给算法。

第六，重新思考“考什么”，把批判性思维、创造力、协作、伦理判断等持久素养纳入评价框架。

AI最有意思的地方在于，它一方面摧毁了传统评价的可信度，另一方面又逼迫教育重新面对一个被我们遗忘很久的问题：

我们究竟想培养什么样的人？

如果未来最容易被机器替代的是标准化、重复性强和有明确答案的任务，那么教育最应该珍惜的，可能正是那些最难被标准化的东西：好奇心、创造力、判断力、适应力、合作能力，以及面对一个从未见过的问题时，仍然知道如何继续思考的能力。

所以，AI时代真正应该被淘汰的，从来不是考试本身，而是那种以为一道题、一个分数、一张试卷，就足以定义一个人的教育。

（本文作者李兆端系北京市房山区督学、北京市房山区教师进修学校教研员、学生发展评价处主任。）