张进宝 | 计算思维2.0：从离身算法到具身协同智慧

大约在二十年前，周以真教授将计算思维（Computational Thinking，CT）界定为一项普适的基本技能，从而开启了全民编程的时代。然而，随着人工智能从“符号工具”演进为“具身智能”与“生成式人工智能”，教育正面临深刻的“本体论危机”。如果继续教学生像计算机那样去进行具身化的符号操作，将无法培养出适应未来的认知主体。因此本文提出，计算思维必须经历一场范式转型：从单纯追求效率的“工具理性”，转向关注人机共生的“具身智慧”。新时代的计算思维应重新定义为以人为中心的计算思维，其核心不再是单向的算法控制，而是“灰箱工程”与“具身协同”。

“妈妈，这个机器人知道它在画画吗？”五岁的豆豆趴在iPad前，指着屏幕上刚刚生成的一只五彩斑斓的猫问道。如果你试图向她解释这只是“概率计算”或“像素排列”，你会发现这些解释是多么苍白。在豆豆眼中，屏幕对面的不是一个工具，而是一个会思考、会回应的“伙伴”。

这一幕，或许比任何学术报告都更直观地揭示了我们面临的教育挑战。当孩子在还没有学会写字之前，就已经开始与智能体对话、协作甚至建立情感连接时，我们还在教他们“如何像计算机一样思考”吗？

不，时代变了。他们不需要变成计算机，他们需要学会如何与计算机共生。

当人工智能学会创作，人类该如何思考？

2006年，当周以真提出“计算思维”时，我们面对的是一个确定性的、逻辑严密的计算机世界。那时的挑战十分明确：如何像计算机科学家那样思考，运用抽象、分解和自动化手段，将复杂问题拆解后交由机器执行。

但今天，随着生成式人工智能（Generative AI）和具身智能（Embodied AI）的崛起，我们置身于一个概率性的、模糊的，甚至会产生“幻觉”的智能生态中，大语言模型常被描述为“随机鹦鹉”。家长和教育者们开始感到一种深刻的“本体论危机”——我们开始困惑：在人工智能（AI）时代，要把孩子培养成什么样的人？

如果流行的教育叙事只是承诺AI能让学习“轻松掌握”，我们或许会将学生简化为缺乏批判性反思能力的“数字劳工”，甚至仅仅视为给算法提供数据的“优质数据体”。

如果继续把计算思维缩窄为编程技能，我们便是在培养“工具理性”的拥趸。为了应对这一危机，我们需要从“计算思维1.0”跨越到“计算思维2.0”。这不仅仅是技术的升级，更是认知立场的根本位移（如下表）。

核心重构：人人都是“灰箱调音师”

在传统的计算思维隐喻中，我们要么面对不可知的“黑箱”，要么致力于构建完全透明的“玻璃箱”。然而，面对基于深度神经网络的现代AI，这种二元对立已失效，算法的不透明性构成了“黑箱社会”的挑战。新时代的核心素养是“灰箱工程”（Grey Box Engineering）。

1.不确定性的管理：无需造琴，但懂调音

“灰箱”思维承认人类无法（也不必）看透神经网络的每一个权重，就像我们不必成为钢琴制造大师，但可以成为优秀的调音师。我们通过交互、试探和调整来驾驭这个充满不确定性的庞然大物。

全民案例：美颜滤镜与生成式艺术——

想象一下在手机上使用美颜滤镜。我们并不知道背后的人脸识别算法（黑箱）是如何运作的，但我们懂得如何调整“磨皮”“瘦脸”的滑块参数。我们知道，参数太高会“失真”，太低则“不够美”。

同样，当学生使用文心一言或通义万相等国产文生图工具创作时，他们也是在进行“灰箱工程”。他们输入提示词，并调整“风格强度”“创意度”或“参考图权重”等参数。他们不需要理解底层的扩散模型，但需要理解，调高“创意度”意味着增加创造性的意外，但也增加了生成结果偏离预期的风险。这种在“意图准确性”与“生成随机性”之间寻找最佳平衡点的过程，正是新时代的“调试（Debugging）”。

2.参数与伦理的博弈：选择即价值

在计算思维2.0中，调整参数已不仅限于技术操作层面，更上升为伦理决策。

在确定性的算法时代，代码的运行结果通常只有“对”与“错”。但在概率性的AI系统中，人类往往面临的是“权衡”（Trade-off）。每一个技术参数（如置信度阈值、惩罚权重）的设定，本质上都是将一种社会价值观“硬编码”进系统之中。没有中立的参数，只有被量化的偏见。学生需要理解，当移动滑块时，实际上是在定义系统的“价值观”——是更看重效率还是公平？是优先考虑安全性还是隐私权？

生活案例：外卖平台的“多等5分钟”——

当外卖平台询问你“是否愿意为骑手多等5分钟”时，这不仅仅是一个按钮，其本质上是在调整一个伦理参数，即是愿意用“时间成本”换取骑手的“安全系数”，还是一味追求极致的“效率”？

工程案例：疲劳驾驶预警——

同样，在设计疲劳驾驶预警系统时，学生需要在“高召回率”（稍微闭眼就报警）和“高精确率”（确信睡着才报警）之间做选择。这本质上是在“行车安全”与“用户免受打扰的权利”之间进行价值权衡。懂得这种权衡，比单纯写出报警代码更重要。

路径转型：身体是智慧的锚点

长期以来，计算被视为发生在大脑和屏幕之间的符号操作，与身体无关。这种“笛卡尔二元论”——那种把“聪明的脑袋”和“笨拙的身体”彻底分开的陈旧观念——导致了学习的“具身性缺失”。计算思维2.0确立了“具身协同”（Embodied Synergism）的核心地位，主张智慧应当向两个方向延伸：向内回归身体，向外连接环境。

1.向内回归：身体作为认知的“模具”

抽象的算法概念（如数据偏见、泛化能力）往往因为过于晦涩而遭遇“知识相似性转化障碍”。学生可能背下了定义，却无法在真实情境中迁移应用。具身认知理论指出，认知根植于身体的感官运动经验。在计算思维2.0中，身体不仅是执行命令的工具，更是思维的模具。当教师让学生通过身体移动来模拟数据采集，或者用手势来表达逻辑分支时，他们实际上是在利用“身体图式”（Body Schema）来锚定抽象概念。身体成为连接抽象算法与真实世界的转换器。

直觉案例：婴儿学步与智能导盲杖——

设想一个训练智能导盲杖的课程。如果学生只在电脑前处理数据，他们很难理解为什么模型会失败，但当他们戴上眼罩，手持传感器走过校园的草地、楼梯和积水处时：

具身体验——身体的磕绊让他们瞬间明白，如果只在平地上走，模型就无法识别楼梯（泛化能力差）。

认知转化——这种鲜活的肌肉记忆，让“边缘案例”（Edge Cases）这个枯燥术语变得具体可感。

2.向外扩展：环境作为智慧的“容器”

分布式认知理论告诉我们，一个人的智慧不只存在于大脑里，也存在于他的指尖、他使用的工具，以及他所在的团队协作之中。

高效的协同能力产生于人、身体、工具和物理环境的交互网络中。在计算思维2.0中，我们通过改变物理环境和协作方式（“大脑之外的变化”），来主动重塑对智能系统的理解。

协作案例：“石头剪刀布”的数据接力——

设想一个训练“手势识别AI”的小组任务。在这个课堂里，学生不再是独自对着屏幕敲代码，而是三人一组，进行一场物理与数字的接力。

角色分布：学生A充当“模特”，负责在教室的不同光线下摆出千奇百怪的“剪刀”手势（制造多样性数据）；学生B充当“摄影师”，手持平板寻找刁钻的拍摄角度（利用工具采集）；学生C充当“训练师”，在屏幕上实时标注数据并喂给模型（算法操作）。

智慧涌现：他们很快就发现，如果A一直坐着不动（数据单一），或者B的手抖了（工具干扰），C无论怎么优化代码，模型都会变“笨”。

这个过程让他们深刻领悟，智能并不只存在于C的屏幕里，它分布在A的身体动作、B的镜头捕捉和C的参数调整之间。这就是最生动的“分布式智慧”。

评估革命：不问记忆，问贡献

如果教学目标已转向“协同智慧”，那么传统的、剥离工具的“闭卷考试”就构成了严重的“本体论错位”。未来的评估必须建立“人机贡献审计”（Human-AI Contribution Audit）新范式，通过过程数据分析来评价学习。

教师要问的不再是“学生记住了多少知识”，而是“在人机共生的系统中，学生贡献了什么独特的价值”。

场景演示：学生团队利用AI完成《城市热岛效应》研究报告的审计过程。

假设一个学生团队提交了一份关于本地城市热岛效应的报告，教师不再只看最终的PDF，而是审查他们的“协作日志”。

①审计“问题界定”能力（领航员角色）。

审计证据：查看提示词迭代记录。

过程：学生最初输入“帮我写个热岛效应报告”（不合格）。在发现AI生成的内容空洞后，学生修改为“分析××区过去十年7月份的地表温度数据，并对比绿化率变化”（合格）。

评价：学生成功将模糊需求转化为结构化的问题，展现了界定问题的能力。

②审计“批判性思维”能力（守门人角色）。

审计证据：查看批注和修改痕迹。

过程：AI在报告中声称“该区气温每年上升5度”（幻觉）。学生通过查阅气象局官网数据发现了这一错误，并在报告中用红字标注“AI数据错误，已修正为气象局实测数据（见附录）”。

评价：学生具备了识别AI幻觉和验证事实的“守门人”素养。

③审计“价值增量”能力（创造者角色）。

审计证据：对比纯AI生成版与最终提交版。

过程：AI提供了宏观数据分析，但学生团队补充了对社区老人的实地访谈，记录了高温对居民生活的真实影响，并手绘了社区改造建议图。

评价：这些充满人文关怀的访谈和创意绘图，是AI无法生成的独特价值，构成了学生的核心贡献。

跨学科的普适价值

计算思维2.0不只是教育学的变革，它也为所有领域的人机协作提供了一套新的通用语言。

1.在医学领域：灰箱中的生死博弈

场景冲突：AI诊断系统根据CT影像，以98%的置信度建议对一位肺部阴影患者进行“立即切除手术”。在纯数据的逻辑里，这是最优解。

灰箱工程：但主治医生没有盲从。他面对的是一位90岁高龄且伴有严重心脏病的老人。医生在这个“灰箱”中引入了AI无法计算的“情境负载”——手术风险可能高于癌症本身。最终，医生决定采用保守疗法。

价值点：这就是“灰箱工程”的极致体现——AI看见了“病”，但只有人类医生看见了“人”。

2.在法学领域：邮编里的隐形偏见

场景冲突：一套先进的AI辅助量刑系统给一名被告打出了“高再犯风险”的红色警报，建议重判。表面上看，这是基于大数据的客观预测。

审计能力：法官没有只看分数，而是启动了“人机贡献审计”。他敏锐地追问算法逻辑，发现系统竟然将“居住地邮编”作为高权重的风险因子——该邮编对应的是著名的贫民窟。

价值点：法官识别出这是历史数据中隐含的“阶层歧视”，果断驳回了建议。如果不具备审计能力，正义就会沦为算法偏见的共谋。

3.在艺术领域：画出那只“等待的鞋子”

场景冲突：艺术家想创作一幅表现“极致孤独”的画作。他让AI生成了100张“空无一人的街道”，画面精美绝伦，光影完美，但艺术家觉得它们只有“空”，没有“孤”。

具身协同：于是，艺术家挑选了一张AI生成的冷色调背景，拿起画笔，在角落里亲手画了一只“正在等待主人的旧鞋子”。

价值点：这一笔，注入了只有人类身体曾体验过的失落与等待。AI提供了高效率的“场景”，人类注入了具身化的“灵魂”。这幅画不再是算法的堆砌，而是人机共创的杰作。

结语

在算法日益隐形化并渗透进生活每一寸肌理的今天，计算思维2.0是保持人类认知主体性、抵御技术异化的最后防线。未来的文盲，不是不会编程的人，而是不懂得审计算法、不懂得与智能体协同的人。我们必须教导下一代，不仅仅要问“如何计算”（How to compute），更要问“为谁计算”（For whom to compute）以及“计算的后果是什么”。

本文作者：

张进宝

北京师范大学教育学部

文章刊登于《中国信息技术教育》

2026年第9期

引用请注明参考文献：

张进宝.计算思维2.0：从离身算法到具身协同智慧[J].中国信息技术教育，2026（09）：92-95.

欢迎订阅

识别上方二维码订阅纸质版或电子版杂志