教师专业身份在近年来遭遇了两次重大威胁。第一次是慕课（MOOC）作为“互联网+教育”的产物所带来的教师工作量及职位削减威胁。按照克里斯滕森（C.Christensen）“颠覆性创新”理念，慕课和其他在线教育将深入发展，甚至将使大学和学院变得过时。他宣称，十五年后（2012年/慕课元年），超过一半的美国高校将破产，包括公立学校。皮之不存，毛将焉附？可以说，慕课及慕课热首次将温水中的教师们惊醒了。第二次是在2017年前后（人工智能/artificial intelligence元年），辅助性教学工具越来越智能，竟然变成了人工智能教师，俨然一副想分教师一杯羹甚至取而代之的态势。雪上加霜的是，“他们”正借商业化与国家政策之力加速向教师职业“进军”。商业化预示着普及，即它将不是束之高阁的“稀罕物”，完全有可能走进千家万校。2016年的一项调查显示，专家预测高水平机器智能在2040-2050年被开发的概率为50%，到2075年，这一概率将上升到90%。政策化预示着强大的资源支持，包括经费、宣传及市场。可以说，人工智能是史上少有能让教师真正担忧自身未来的教育技术。在世界范围内，教育等社会领域都掀起了对人工智能影响下本领域未来的思考热潮，“互联网+教育”、“未来教育”、“未来教师”、“未来学校”、“深度教学”、“深度学习”等成为热词。仔细解读这些话语背后的逻辑发现：教学或学习方式是所有教育变革的核心，教师身份地位日渐尴尬。教师群体的“危险系数”最高，他们很可能由“从业者”变为“监督者”，从教室内走向教室外。从本体论和生存论的角度看，假如发生这种转变，那么教师就不能再称为教师了，因为不承担主要教学活动的他们不再具备教师质的规定。换言之，作为教师就必须从事教学工作。因此，人工智能时代教师何以为师就成了关键问题。

怎样理解“层次”直接关系到如何理解事物的结构和历史，课程理解层次决定了教师把握课程及课程文本意义的深度与广度。比较人、机教师理解的层次是为了明确两者课程理解的范围和限度。就目前人工智能教师的发展情况来看，它不能进行人类教师意义上的广义课程理解。

1.课程理解层次的内涵

按照解释学理论，理解、解释不仅仅是解释性的推论，而且还揭示隐蔽的意义。这说明理解的第一层次是对文本实事求是的解读，第二层次是对文本背后可能意义进行超越性的把捉。同样，课程理解也有两个对应的层次。尽管美国学者划分了五个课程理解层次，即意识形态的、正式的、领悟的、运作的、经验的，但前三个实质上主要属于第二层次的理解；后两个主要属于第一层次的理解。总体而言，课程理解层次实质上主要有两种或两个方面：在课程研究领域习惯将解释学中第一层次理解称作狭义理解，第二层次理解称作广义理解。探讨人类教师相较人工智能教师在理解上的优势，需先对广义和狭义的课程理解进行辨析，只有这样，才能在机理层面明晰二者的差别与优劣。课程理解是人们熟知却一直没有辨明的概念，而且不同学者使用概念时的所指不同，再加上“理解课程”与“课程理解”的混用，这更给其增添了几分模糊性。一谈课程理解就联想到派纳(W.Pinar)，或者认为课程理解就是在解读课本，这都是对它的狭隘理解。

总的来说，课程理解有广义和狭义的区分。首先，在哲学上，广义的课程理解是本体论性质的，对象是整个课程系统或课程概念，它是对课程的究极和超越性理解，是概念重建式的理解，重在将理论视角放于课程限定词中，以实现对课程的不同透视。如要素主义哲学下的要素课程、现象学视角下的课程事件观、新高考制度下的课程评价观等，派纳《理解课程》一书中的十余种课程都是这个层面的理解。狭义的课程理解以教学认识为旨归，它的对象是教材或教科书。这一层面的理解古已有之，可以说训诂和解经就是早期的狭义课程理解。这也是各学段教师与学生最主要的理解域。其次，在理解方式上，广义课程理解运用的是抽象（经验入）及演绎（先验入）思维，它产出课程概念及课程观。经验入方式是教师在实践中逐渐加深、升华对讲授课程的理解，比如由语文课本中诸多红色基因课文及插图，经反思、抽象后形成社会主义意识形态课程的认知。先验入方式是直接由先进理念预设课程应有的样子，比如对人工智能时代数学课程的预设。狭义课程理解运用的是“理解-解释”思维，产出的是课程文本语言的意义及认知模式。它是诠释学层面的，是运用一定解读原则和技术挖掘文本意义与意味的过程。再次，广义、狭义课程理解在理解取向上的区别实是哲学取向和解释学取向的区别：前者是价值层面的，即客体对主体的有用性，一个视角就是一种价值诱导；后者是主客观层面的，即理解主体对文本的介入程度，也即读者主观性与作者客观性之间的张力。最后，广义、狭义课程理解的影响因素集中在不同层面，前者主要集中在理解主体、学科理论、国家意识形态及实践问题等方面；后者主要集中在理解主体、解读方式及文本载体三个方面。

2.教师课程理解的层次优势

广义和狭义课程理解是每一位教师必须兼具的专业特质，缺少或疏于任何层次的理解都将导致理解的偏狭，这是从解释学发展史中汲取的教训。解释学发展之路正好和西方实体哲学发展之路相反，西方实体哲学是从本体论向认识论进阶，而解释学是从认识论向本体论进阶。解释学一开始是以解经学以及方法学面貌出现的，经现象学家特别是伽达默尔(H.Gadamer)的努力，成为一种理解存在或如何理解式存在的学问，更关注文本之外的事情。这两派解释学进行了长期的论战，像利科(P.Ricoeur)、施特劳斯(L.Strauss)、哈贝马斯(J.Habermas)等与伽达默尔的论争。论争暴露了各自的不足，因而出现了经典解释学和哲学解释学合流的呼声。课程理解也一样，狭义课程理解类似经典解释学，广义课程理解类似哲学解释学，教师缺乏任何一方面的理解素养都是不合格的。就目前实验中的或上市的人工智能教师及智能辅助学习系统来讲，它们能进行狭义课程理解是毋庸置疑的，因为狭义课程理解主要涉及课本知识的说明、解读，而且这将是未来人工智能替代人类教师的主要领域。但人工智能在广义课程理解上还是欠缺的，它不具备形成课程观的能力，而这是广义课程理解的关键。

首先，从人工智能系统的实际构建来看，它不需要强制遵守生物学合理性，研发者只需考虑工程学效果以及在神经科学层面理解大脑，即算法、架构、功能。生命对他们来说只是一种指导，却不是严格的要求。但是，课程观或世界观是人运用反思经验或超验能力得来的，按照《哲学大辞典》的释义，世界观是人对自然界、社会及人的思维等的根本看法。它的基本问题是精神和物质、思维和存在的关系。显然，人工智能目前还没有本体论层面的思考能力。尽管不断有研究尝试运用神经科学的先进成果去“复制”大脑，如蓝脑计划、神经形态计算系统等，但真正把人类的反思能力、情感集成在硅片中仍存在诸多难以逾越困难。

其次，从人工智能与世界打交道的方式来看，机器学习（machine learning）是研究自动学习的技术，以便根据过去的观察作出准确预测。它的目标是生成一个规则系统，使最精准的预测在新测试中成为可能。也许有人认为这种机器学习中的归纳能力可形成反思能力，实则不然。机器学习是基于数据挖掘、重在更新算法以及修改知识库的一种规律计算技术，它不能跳出知识层面提炼出世界观或课程观，只能在具体知识内部绕圈子。如机器学习中的强化学习，仿佛小孩碰火炉的试误学习，严格来讲，是一种类似心理学刺激-反应联结的学习原理，与人类教师哲学的思有较大差距。

最后，从人工智能规划系统（planing system）来看，规划者通过预设一系列动作来解决实际问题，就像控制系统中控制器向动态系统输入以解决问题，也就是把一个系统的行为转变成一个理想行为的问题。这种机器的“自主判断”、“自主规划”类似教师基于一定观念将课程形下化的过程，它模拟人类专家对抽象、不确定信息的表达和推理，以解决专业领域问题，因此被称为专家系统。然而这种“专家”式理解仍是基于人类预设的，必须通过实时反馈予以调整，输出结果的单一性及价值观上的不灵活不符合广义课程理解的精神。因此，人工智能规划系统仍然是一种弱理解。总而言之，人类教师在广义课程理解方面有人工智能教师无可比拟的优越性。近来有观点认为，“AI教师可负责教书，人类教师可负责育人（属广义课程理解）”。这种思想是极不妥的，因为没有广义课程理解的指导，狭义课程理解好不到哪里去。广义课程理解决定狭义课程理解的方向，二者不能截然分开甚至省略一方。正如现象学家所说的，对一个事物的理解，既要有对其本身的理解，同时也要融入广泛的前见。

劳斯(J.Rouse)将范式解读为一种共同的实践，即相同规则之下的认知功能。他认为人们接受一种范式就等于接受一种实践，也即“获得和应用一种技能”。范式不同，导致范式运用的主体技能也不尽相同。比较人、机教师理解范式的异同是为了考察他们理解技能的区别。就目前的情形来看，人工智能教师的理解范式主要是科学式说明法（诠释学中忠实取向的理解），而人文性质或诠释学意义上的理解法（诠释学中创生取向的理解）是其短板。

1.课程理解范式的内涵

课程理解中的“理解”应与诠释学理解范式中的“理解”有所区分，前者等同于“诠释”，即对诠释学意义上“说明”、“理解”、“应用”的统称。实质上，课程理解称作“课程诠释”更好，因为称作“课程理解”实际上将其意义矮化了，且照顾不到“说明”和“应用”内涵。鉴于学界的语用习惯，本文只好遵循之。而理解范式中的理解是指三项中“理解”那一项。总之，课程理解范式包括说明范式、创生理解范式以及应用范式。

在诠释学领域，与科学精神相对应的是说明（explanation，也译作解释），而与人文精神对应的是理解（understanding）。从局部诠释学到一般诠释学再到哲学诠释学的发展历程，实则是理解（人文性）超越说明（科学性）的历程。诠释学在诞生后很长一段时间内归属于逻辑学，即亚里士多德《工具论》中的“解释篇”，又于中世纪充当“文献学”角色（解读经文和法律条文），后经施莱尔马赫(F.Schleiermacher)和狄尔泰(W.Dilthey)的发展，成为追问一般解释方法的技艺。可以说，从早期诠释学到狄尔泰一般诠释学，说明的地位是主导性的。尽管狄尔泰较早对科学中的说明法提出质疑，他认为，形而上学不是科学，只是世界观；现代自然科学不是哲学，它没有回答“生命之谜”；回答“生命之谜”的哲学或全部精神科学是不可或缺的，“自然需要说明，人则必须理解”。但是，狄尔泰创立的自然科学般精确的极具祛魅性质的文本解读方法又返回到说明，塑造了当代诠释学的忠实理解取向。从一般诠释学到哲学诠释学转变（忠实取向到创生取向）是由伽达默尔完成的，他以艺术为突破口对说明法予以超越，认为文本并非从其本身就可理解，它们所意味的东西乃是一个对其进行解释的问题，而不是字面上的辨译和理解。特别是他中后期提出理解的应用性，进一步揭示了说明范式的缺陷。他认为理解乃是把某种普遍的东西应用于某具体情况的特殊事例，强调理解必须把文本和读者具体的诠释学境况联系起来。应用不是理解现象的一个随后、偶然成分，而是一开始就整个地规定了理解活动，离开了应用就不可能达到真正的理解。亦即理解先于说明，没有理解前提就没有说明。此外，哈贝马斯也借批判实证主义间接批判了科学中的说明，他倡导批判性的解释学，认为需将经验科学方法与解释学方法结合起来，而不是将自我反思观念从科学中驱除，应通过阐释意义来研究符号语言构建的社会现象。总之，诠释学中理解对说明的超越昭示我们，说明和理解是人类诠释文本或历史流传物的左右手，任何一方的诠释都需要另一方的补充。

2.教师课程理解范式的优势

诠释学范式发展史启示我们，人文性理解范式是科学理解范式无法取代的。故此，人工智能教师无法较好地贯彻人文性课程理解范式是有根本原因的。尽管计算主义（computationalism）认为人工智能的计算和人脑的计算本质上是一样的，但涉及现象意识问题时，相信人工智能能像人脑一样解决复杂性问题的研究者却是少数。这说明人工智能并不能完美地呈现心灵、意识等人文性。人工智能教师也一样，它不能计算文本作者、学生、读者以及自身作为中介者的意识。这为人类教师课程理解指出了一条特色理解之路。

课程理解研究充斥着科学性与艺术性的争论，其中争论最广泛的是理解范式对课程开发范式的批判与超越。概念重建学派扛起“理解课程”的旗帜，是对课程开发中科学控制精神的反抗，一度出现课程理解主观性的兴起与客观性的衰落。直到2017年前后，以神经计算为代表的人工智能掀起新一代客观性、科学性教育理解浪潮，何以应对又成了课程理解的时代选题。但是，通过分析其理解机理，我们仍坚信当科学带着它新时代的产儿——人工智能再度侵袭人类教育时，诠释学、概念重建学派传承下来的精神遗产依然有用。因为汇集计算机科学、生物学、心理学、语言学、数学等领域先进研究成果的人工智能再强大，它却始终难以回答并解释生命之谜。即使它能仿人类的理解，但二者的理解模式仍有出入，它没有生命意义上的移情式的德性的理解。诚如项贤明在谈论人工智能对人类教师的挑战时所说：“道德、情感等是人之为人且人工智能难以超越人类的关键特质。要成功应对人工智能的挑战,教师在道德、情感、哲学、审美、批判性思维和创造性思维等领域具有很高的素养是十分关键的。”黑匣子（black box）的尴尬现状也为我们的预设提供了关键证据。嵌套非线性结构的（non\|linear structure）人工智能模型通常以黑匣子的方式应用，它相当于决策中心，决定了阿尔法狗（AlphaGo）下一步如何走，自动驾驶汽车如何躲避障碍物等。但黑匣子的决策模式对模型使用者并不可见，使用者不知道人工智能模型具体如何工作并替自己决策，这是人工智能一个最明显的缺点，特别是在高危或医疗诊断中的错误决策，可能给使用者造成巨大伤害。从更本质层面讲，黑匣子建立在人工神经网络（artificial neural network）的基础上，决策系统是开发者早就设定好的，模型的决策实质上是人的决策。这就说明人工智能不具备人类意义的理解能力。因为人工智能模型决策紊乱，实质上是执行力紊乱，而执行力的前提正是理解力。执行是在理解的基础上把理论、政策、决策、部署、指示等贯彻落实下去的过程，执行出问题倒退回去多半是理解出了问题。所以，人工智能教师虽可对一些客观知识作出完美无误地说明，但它不能像人类教师那样对知识文本进行多义理解。当问人工智能模型一些发散的人文性问题时，使用者会得到令人啼笑皆非的答案。即使有接近“真相”的，那也是说明中的截取，是对广泛可能性的矮化理解，这在教育领域尤其突出。因为人工智能理解本质上是程序主义的，而恰当的发散、预测与决定始终是人类教师理解的“专利”。