从数字到空间：AI 如何改变沉浸式学习的经济学

空间学习从未缺少引人入胜的应用案例。解剖学、化学、工程以及许多其他学科本质上都是三维（3D）的，但学生仍常被要求通过文字、二维图示或平面视频来学习和理解它们。主要障碍在于经济性：要为普通课程制作足够的高质量交互式 3D 内容，需要专业的艺术家、开发者以及大量的制作时间。人工智能（AI）正开始改变这一局面，新型空间计算让沉浸式体验在更广泛的设备和学习环境中更易交付。

此机会并非要取代教材、讲座、实体实验室或教师，而是将物理表现形式与概念相匹配。学生可以阅读分子结构、查看人体心脏的插图或研究发动机的示意图，但在每种情况下，学习者都必须在脑中重建对象、结构和过程之间的关系。空间学习通过让学生直接检查这些关系并从不同、逼真的视角进行交互，能够减少部分认知转换的负担。

从数字信息到空间理解

向空间学习的转变是教育技术更广阔演进的一部分。将教材数字化让信息更易获取，却并未从根本上改变信息的呈现方式。交互式软件增加了参与度，模拟则加入了实验性。空间体验则更进一步，通过改变本身的表现形式，尤其是在学科本身具有空间属性时。

以解剖学为例。认识人体心脏的结构只是起点；学生还必须了解这些结构之间的相互关系、它们在身体中的位置以及它们作为更大系统一部分的功能。化学中分子几何形状的重要性、工程中部件之间相互作用的理解也面临同样的挑战。

越来越多的研究表明，这不仅是理论优势。 2024 年发表在《Anatomical Sciences Education》上的一项元分析审查了 27 项涉及 2,199 名健康科学学生的实验研究，发现扩展现实（XR）技术比传统方法产生更大的知识增益。当 XR 作为传统教学的补充资源使用时，这一效应进一步提升。使用 XR 的学生在知识表现上也优于教材和图谱，80% 的使用者认为该技术对学习解剖学有帮助。

另一项随机试验的元分析得出了类似结论，同时也发现研究之间存在显著差异。这个警示很重要：空间技术并非因为沉浸而自动具备教育价值。其价值取决于教学设计、表现质量以及与课程其他部分的整合程度。

同样的原理同样适用于 STEM 领域。物理学涉及的力与运动往往难以直接观察。地球与空间科学处理的现象可能过于宏大、微小、遥远或危险，难以进行实体再现。在这些情形下，良好的空间表现能够将原本抽象的关系可视化。

空间环境还能让实验更易获取。学生不再仅仅被动观看过程结果，而是可以操控变量、检验假设并观察结果。模拟让学习者可以犯错、修改假设并重新尝试，而无需消耗实体材料或面对实验室的安全与后勤限制。

对复杂生物系统的研究尤能说明其潜力。 一项关于 3D、触觉增强虚拟现实用于学习人体心脏的研究考察了交互式 3D 体验是否能帮助中学生学习心脏解剖与生理。研究者得出结论：3D、触觉和 VR 技术能够提供对复杂生物系统的强大表现和学生驱动的交互，但也指出年纪更小的学生可能需要额外支持，以将新信息与更广泛的系统关联。

这些例子也表明，沉浸式教育应被视为比单纯 VR 更广泛的类别。体验可以在头显中进行，也可以通过增强现实、无屏幕的 3D 显示屏或其他界面实现。关键问题不是哪种形态的硬件普遍最佳，而是哪一种能帮助学生理解本来难以可视化或体验的概念。

随着该类别的扩展，最重要的转变可能是从孤立演示走向自然融入日常教学的体验。这不仅需要引人入胜的硬件，还需要足够的内容、课程对齐以及易用性，使空间学习能够成为另一种日常教学工具。

AI 正在改变空间学习的经济学

如果空间学习多年来已显露潜力，为什么它仍然相对专业化？最大障碍之一是内容的经济性。高质量的交互式课程需要学科专业知识、教学设计、3D 建模、软件开发以及大量制作时间。这种模式适用于精选的旗舰体验，却难以在整个课程体系中规模化。

人工智能可能开始改变这一等式。生成式 AI 已被教育工作者用于课程规划、研究和内容开发等实际任务。根据 Gallup 的数据，六成教师报告在工作中使用 AI。OECD 2026 年《数字教育展望》显示，57% 的中学教师认为 AI 有助于撰写或改进教学计划，而 72% 认为 AI 可能通过让学生冒充他人作品而危害学术诚信。

这些数字既展示了 AI 在教育中的动能，也揭示了挑战。教师已经在尝试该技术，但最有价值的应用可能是增强而非取代专业判断。相同的原则应指导 AI 在空间学习中的使用：自动化摩擦，而非教学本身。

AI 正在自动化曾经需要专门工作流的空间内容生产环节。根据材料不同，模型可以帮助从 2D 图像进行深度估计、分割、2D 转 3D 转换、从文本或图像生成 3D 资产、从照片和视频重建场景，以及为不同空间界面适配视觉材料。这些技术尚不完美，但它们共同改变了起点。教材插图、科学图表、摄影或视频日益可以直接作为交互式空间体验的原材料，而不必让团队从零构建每个资产。

这一转变意义重大，因为教育规模化本质上是重复使用的问题。如果教师和教学设计师能够从已有的、可信赖的材料出发，而让 AI 处理更多重复性的技术工作，将空间、沉浸式学习在课程层面实现的可能性就会大幅提升，而不必仅限于昂贵的一次性演示。

AI 还可能让同一空间课程更具适应性。例如，复杂的分子结构可以先以简化形式呈现，然后逐步展示更细节的内容。另一位学生可能会花更多时间操作同一模型或获得额外的解释性上下文。教育者仍然定义学习目标，AI 只是在实现路径上提供多样化选择。

这种可能性需要谨慎规划。 UNESCO 对生成式 AI 在教育与研究中的指导呼吁以人为中心的策略，保护人类能动性，解决隐私与安全问题，并确保 AI 系统在伦理和教学适用性上得到评估。UNESCO 还强调 AI 应支持人类智慧，而非取代它。

因此目标不应是自动化教育，而是降低创建有用空间体验的成本和专业门槛，同时让教育者仍然负责教学内容、教学方式以及学习评估。

将空间学习带入日常课堂

内容创作只是等式的一部分，另一部分是学生如何获取这些体验。

在沉浸式技术的历史中，最直观的空间体验路径一直是 VR 头显。头显能够提供强大的沉浸感，但在课堂部署时也会引发成本、维护、可及性、设备管理以及教师在个人与小组教学之间切换的便利性等实际问题。

这并不是对头戴设备的否定。对于某些课程，完整沉浸可能正是合适的工具。但如果教育者能够在多种交付模式中自由选择，空间学习的价值会更大。例如，基于屏幕、无头显的 3D 体验可以保留空间可视化的诸多优势，同时降低教师主导或协作使用的摩擦。关键不是头显对显示器，而是将界面与教学方法匹配。

这一区分很重要，因为课堂学习本质上是社交的。学生需要提问、比较观察并回望教师或彼此。空间技术在支持这种互动时最为有效，而不是成为学习的唯一目的地。

一个实用的真实案例是 zSpace，其教育平台将基于屏幕、无头显的 3D 硬件与课程对齐的软件、模拟和专业学习相结合。重要的经验教训并非关于某一产品，而是交付模型：当技术像课堂的一部分而非让每位学生进入独立的虚拟环境时，空间学习更易整合。

同样的原则也延伸至职业和医学学习。在 UHealth – 迈阿密大学健康系统，医生使用 Eonis Vision（由 Avatar Medical 与 Barco 开发），将 CT 和 MRI 扫描转化为交互式、患者特定的 3D 解剖，在会诊时使用。当前的部署侧重于患者理解和临床沟通，而非正式医学教育，但它展示了相同的教育原理：当两个人能够共同检查同一空间表现时，复杂解剖的讨论会更容易。该方法同样对学生和受训者学习真实临床数据的解剖具有明确潜力。

研究也表明，沉浸式和空间技术往往作为传统教学的有力补充，而非替代。前文提到的解剖学证据显示，当 XR 作为补充资源使用时，学习收益尤为显著。这支持了一种模型：将空间体验与讨论、阅读、实体实验和教师指导等更广泛的课堂活动交织在一起。

The Next Generation of Digital Learning

第一波数字教育让信息更易获取。下一波将使信息具备空间属性。这比单纯在屏幕上添加另一种内容形式更为根本的改变，因为它改变了学生与信息本身的交互方式。

学生不再仅仅阅读复杂结构的文字描述，而是可以直接检查它们；不再仅仅观看系统示意图，而是可以操控它们；不再仅仅记忆过程步骤，而是可以改变变量并观察结果。这些体验有助于弥合抽象解释与学习者内部模型之间的鸿沟。

传统课堂在未来并不会消失。教师仍然是核心，阅读、写作、讨论和批判性思维等基础技能依旧重要。关键是将学习形式匹配概念的本质：有些理念最适合通过讲座或文本传授，有些通过实体实验教学，而有些则在学生能够在空间中看到各组成部分如何相互关联时变得更易理解。

AI 与空间计算可以让最后一种类别变得更加可及。AI 能降低将现有材料转化为交互式体验的时间、成本和专业门槛，而空间硬件的进步则让这些体验能够在更多课堂环境和设备上使用。

课堂本身因此可能看起来出奇地熟悉。教师仍然授课，学生仍然合作。变化的是环境中某些信息的本质：学生可以越来越多地从多个视角探索、操控和理解信息，而不再仅仅接受固定的呈现。

这就是从数字学习向空间学习转变的更大承诺。它并非要取代学生今天的学习方式，而是扩展他们理解所学内容的途径数量。如果 AI 能继续降低创建空间内容的门槛，沉浸式学习就有清晰的路径，从专业化体验走向教育者工具箱中的普通组成部分。