前有深藍與Watson，后有AlphaGo和賢二機器僧，人工智能的迅速發展讓人們對其愛恨交加：一方面，小到智能手機、手表，大到智能家電和自動駕駛汽車，大量智能設備早已將我們包圍，其便利之處盡人皆知;另一方面，智能工具取代人類乃至威脅人類的論調在各類科幻作品中呈現，甚至多位知名科學家、企業家亦持此觀點，智能威脅論頗有市場。由此，產生了觀點迥異的三種“派別”：一種是“激進派”，主張人工智能永遠不能達到人類智能的水平，所以無須擔心;一種是“保守派”，認為人工智能很快就將達到并超越人類智能，超級智能終現江湖，因而對未來憂慮不已;還有一種是“溫和派”，既承認人工智能未來前景輝煌，又能夠理性看待人工智能發展對人類產生的潛在影響。
通用人工智能走的便是“溫和派”路線。有些通用人工智能系統運行伊始并不擁有任何先天的經驗和知識，它猶如人類嬰兒一般，在慢慢的“養育”中才逐漸形成自己的“個性”并習得多種能力。通用人工智能系統在研發過程中廣泛涉及計算機科學、邏輯學、數學、認知科學、哲學、心理學乃至精神病學等多種學科，而當系統走向應用后，教育學及教育理念則將發揮重要作用。
表面上看，人工智能貌似和教育學相距甚遠，實則不然。主流人工智能中近年來大放異彩的“機器學習”便是一例，其中深度學習和強化學習更是成效斐然，但此類“學習”卻過于狹窄，其將學習過程等同于計算過程，僅僅是在預設算法基礎上重新組織輸入輸出，實則并無智能可言。通用人工智能則更進一步：同樣的教學內容，一次性“填鴨”灌輸與分批地漸次輸入相比，其學習效果完全不同;在分批地漸次輸入中是否加入人類教師向系統的發問，其學習效果又有很大差異。不同的教學內容，由淺至深則比由深至淺的效果好，知識的模塊化輸入又比分散輸入的效果好。由此可見，通用人工智能系統的學習理論，早已沖破“機器學習”算法的藩籬，而跨越至更為廣袤的“機器教育”層次之中了。
所謂教育，既要“教”又要“育”，對于機器是否也是如此?主流人工智能“算法即教法”，其算法具有專用性，特定問題的解決有賴于特定算法及相應參數。與此不同的是，通用人工智能卻必須兼顧“教”與“育”兩個方面。通用人工智能之所以冠以“通用”二字，就是因為其并不預設解決具體問題的任何算法。從一無所知的機器“嬰兒”到具備外部世界的基本常識，從簡單的人機對話到掌握一定的實用技能，從被動接受外部信息到按自身興趣“量體而為”，每個成型的通用人工智能產品都是培養出來的，整個過程和人類培養自身后代一樣，只是速度和效率不同。那么，接下來有兩個問題將無法回避：對通用人工智能系統的教育該如何實行?實行后又如何保障“機器學生”們不會反戈人類?
對于第一個問題，我們認為機器教育可以參照人類的教育過程。在最初的系統測試和運行中，一開始采用的正是機器學習“灌數據”的方式，歷經無數次失敗和調優后我們驚奇地發現，提升通用人工智能系統學習效果的做法也同時適用于人類教學。在與系統交互時，“由淺入深”及“適時適度”的原則一直被恪守?？梢灶A見，通用人工智能的發展必將對教育學產生深遠影響：教育學的主客體，也即教育者和學習者能否或者如何擴展至機器?教育的基本理論中，能否或者如何吸納并統合人類學習理論和機器學習理論?教學過程中，人教人、人教機器、機器教人、機器教機器有何不同且又該如何施教?機器教育所產生的一系列新問題，在拓寬教育學學科邊界的同時也深化了其內涵和外延，在更廣泛的視角下研究教育和學習的一般規律。然而，不同于“教”，不論人類教育還是機器教育，“育”都是一個操作性的難題。與人類相仿，通用人工智能系統不僅能夠形成自己的判斷，而且判斷背后所依據的信念也可以發生變化，簡單地習得“愛護人類”、“維護地球和平”等此類口號也只是教條而已，其實并不起作用。
于是，便碰到了第二個問題：如果不起作用，“機器學生”便有可能反戈人類了嗎?是的，誠實地講這確實是有可能的。那么，能否把道德律令以指令的方式嵌入通用人工智能先天的代碼之中，讓其受到制約?當然可以，但通用人工智能系統可能有很多種方法來“正確”解讀這些固化在系統中的律令，也有很多辦法(如自體定向復制)“繞過阻礙”而“追求自由”，這也正是系統具有“智能”的表現。不過不必驚慌，通用人工智能系統和人類雖有沖突，但之間的依存關系卻更為緊密，況且二者需求交集也較小，通常并不會對人類構成實質性的威脅。
