最近看到一组数据，来自一份教育资讯平台的内部调研。大概有六成左右的在职教师，过去半年里主动用过生成式AI来准备教案或出题。但有意思的是，在教师资格考试的通过者中，被问到“AI在教育中的局限性”时，能说出两个以上合理答案的比例不到三成。这个反差让我有点困惑——我们用得越来越多，但系统性地理解它却很少。

2026年，多个省份的教育部门陆续发布消息，要把人工智能相关内容纳入教师资格考试和认证的考核范围。按官方说法，这顺应了技术趋势。但我看过几份征求意见稿之后，产生了一个反常识的推测：这件事的真正目的，可能并不是为了让老师学会用AI工具。

从逻辑上看，如果只是教操作，那跟培训如何使用PPT没太大区别。但目前流出的考题方向里，很大一部分是关于AI的工作原理、数据偏见、伦理边界这些偏思考层面的东西。换句话说，考试想考察的不是“你会不会用”，而是“你知不知道它为什么对，为什么错”。

我对比了两个时间点的数据。一个是2019年左右，那时国家和地方层面也推过“信息技术与教学融合”，但考核方式偏重软件操作和资源制作。另一个是2023年以后，大模型普及带来的冲击。有意思的是，前一种考核，老师们的通过率很高，但后来调研显示，真正在课堂上持续使用那些技术的比例不到四成。而现在的AI考核，显然在往另一个方向走。

说实话，我之前也信过“只要考试改了，教学就会跟着变”这套逻辑。但现在有点动摇。因为教师资格考试本质上是一个门槛，不是一次在职培训。一个人考过了一门关于AI伦理的题目，不代表他下学期的课堂上就会让学生用AI来讨论。而且，我注意到一个可能被忽略的角度：目前讨论的方案里，几乎没有涉及“AI如何与不同学科的教学目标结合”的具体案例。语文课的AI应用和物理课的AI应用，面临的伦理困境完全不同，但统一考试很难覆盖这些差异。

一个现实的验证案例来自上海的一所试点中学。他们让新入职的老师参加了一个为期两周的AI教学工作坊，结束后做了一次模拟认证。结果发现，那些在理论测试中得分很高的老师，在真实课堂里设计AI辅助活动时，超过一半的人犯了同一个错误——把AI当成了“快速给答案的工具”，而不是引导学生思考的脚手架。而那些得分中等但之前有两年以上教龄的老师，反而更会用AI去生成开放性问题。这个对比让我觉得，考试内容的改变可能只是第一步，真正起作用的是后续的持续反馈和同行研讨。

从适用边界来看，把AI纳入教师资格考试和认证，对于两类教师可能效果明显。一类是还在师范院校就读的学生，他们本来就有大块时间去消化抽象的概念。另一类是准备从其他行业转行来当老师的人，他们对技术本身不陌生，缺的是教育场景的意识。但对于已经执教超过五年的老教师，这个考试对他们的教学行为改变可能很有限。我翻了一些继续教育的数据，大概七成左右的老教师认为“考试归考试，上课归上课”。这不一定是态度问题，更多是时间和精力的现实约束。

还有一个让我不太确定的点。目前各地教育资讯里提到的“人工智能相关内容”，究竟是偏向通用AI素养，还是偏向教育场景下的专用知识？这两者差别很大。如果考的是通用素养，那其实很多大学里的通识课就能覆盖，教师资格考试只是重复考核。如果考的是专用知识，比如“如何判断一个AI生成的习题是否适合本班学生”，那需要大量的案例库和真实评价体系，这远不是一个笔试能解决的。我观察了周边几个已经出了细则的省份，发现它们用的措辞都很模糊，类似“人工智能基本原理及其教育应用”。这个“及其教育应用”五个字，弹性非常大。

2026年的这个政策动向，本质上是在尝试用一种标准化的评价手段，去推动一种非标准化的能力。这种矛盾在教育改革史上反复出现过。我之前以为，只要题库出得够好，就能倒逼出好的教学行为。但后来对比了不同国家的类似实践，比如欧盟的DigCompEdu框架，他们更倾向于用自我评估和同行评议结合的方式，而不是一刀切的考试。当然，中国有庞大的教师队伍，统一考试有它的行政效率。但这个效率付出的代价可能是，考试内容不得不停留在“可标准化考核的知识点”上，而那些真正决定课堂质量的东西——对AI生成内容的批判性态度、即时识别学生被AI误导的能力——恰好很难被标准化打分。

所以回到最初的那个数据：六成老师用过AI，但不到三成能说出它的明显局限。这个差距不是考一门试就能填上的。也许我们真正该问的，不是“要不要考”，而是“考完之后谁来跟进”。如果一个老师通过了AI认证，但学校没有给他任何时间去尝试、出错、再调整，那这个认证就只是一张纸。我自己也没想清楚，到底应该把AI能力作为教师资格的一个独立模块，还是把它拆散融入每一门教学法课程里。后一种做法听起来更合理，但实施成本可能是前者的好几倍。2026年的这个变化，也许只是漫长探索的开头，而不是答案。