物界前沿从“答题响应”到“心智仿真”：教育AGI的范式转换与未竟之问
天立启鸣白皮书提出的“心智仿真”方向，在理论上触及了教育智能化的核心矛盾——即质量、成本、规模的“不可能三角”。但需要追问的是：当前技术方案是否真正超越了“内容分发表层”，实现了对学习者内在认知逻辑的建模？从NLP与知识图谱研究者的视角看，这一宣言性的转向，其实验设计与评估标准仍存在若干值得商榷的环节。
教育“不可能三角”的学术语境
教育领域的“不可能三角”本质上是一个资源配置与信息处理效率问题。传统教师主导模式能保障质量，但无法规模化；自适应学习系统（如ALEKS、Knewton）在规模上可行，却因依赖浅层知识追踪（Knowledge Tracing, KT）而牺牲了对认知深度的建模。Corbett & Anderson（1995）的经典贝叶斯知识追踪模型仅能估计“技能掌握概率”，无法捕捉学习者的概念迁移与错误生成机制。近年来的Deep Knowledge Tracing（Piech et al., 2015）虽引入RNN，但其预测目标仍是“下一题答对概率”，本质上仍是反应式应答，而非对认知结构的主动仿真。
白皮书将“通用大模型”也归入此列，这一点值得肯定。GPT-4类模型在文本生成上表现优异，但其教育交互本质是“基于语料库的响应匹配”，缺乏对学习者个体知识状态的持续表征。正如Liu et al. (2024) 在《Large Language Models in Education: A Survey》中指出的，当前LLM在教育场景中面临“幻觉知识”与“认知一致性”的双重困境——模型无法区分“知道正确答案”与“理解推导过程”之间的差异。
“心智仿真”的技术路径：概念辨析与实验设计
白皮书的核心创新在于提出“心智仿真”，即从“答题响应”转向“认知逻辑仿真”。这一概念与认知科学中的“心智模型”（Mental Model）理论高度相关——Johnson-Laird（1983）认为，认知过程是心智对外部世界的内在表征与操作。将这一理论引入教育技术，意味着系统需要构建一个“学习者数字孪生”，能够模拟其概念网络、推理路径与错误类型。
从技术实现角度，可行的路径包括：异构图神经网络建模知识点与学生的多维关系，神经符号推理结合知识图谱与规则约束，以及因果推断识别学习行为中的干预效应。天立启鸣白皮书若声称已实现该目标，应披露以下实验设计细节：
- 对比基线：是否使用了当前最强的知识追踪模型（如DKVMN、SAKT）？是否与通用大模型（如GPT-4o）在教育数据集上进行了基准测试？
- 评估指标：除了常规的AUC、RMSE，是否引入了“解释性评估”（如认知图谱结构相似度、错误预测准确率）？仅凭预测准确率无法证明心智仿真。
- 数据集偏差：教育场景中常见的“先验知识不平衡”和“答题行为稀疏性”是否被考虑？若训练数据来自特定学校或教材，模型泛化性存疑。
[!info] 一个关键判断是：“心智仿真”的验证不能仅依赖内部预测任务，而必须通过外部干预实验来证明——例如，系统能否根据仿真结果生成比传统方法更有效的个性化学习路径，并在真实课堂中双盲检验。
数据集与评估的偏差问题
教育AI研究历来受困于数据集的“表面效度”与“生态效度”之间的冲突。例如，公开的ASSISTments数据集存在严重的“猜测与滑倒”噪声，而MOOC数据则受限于用户辍学率。天立启鸣白皮书若基于自有数据验证，应说明数据采集的伦理规范（学生隐私保护）、标注一致性（认知状态由专家还是算法标注）以及时间跨度（是否包含长期纵向数据）。
此外，评估的“反馈循环”风险值得警惕：如果模型本身被用于生成练习题，而学生作答又被用于更新模型，则可能陷入“自证预言”的陷阱——模型只优化自己擅长的题型，而忽视认知短板。这需要引入对抗性验证，或是独立的第三方评估集。