学习常常始于一幅图像：一张示意图、一幅地图，或一道展示了解题过程的例题。在这项始于2024年的研究中，我思考AI可能如何改变这些图像的制作与使用。机会不只是给更多课程配上插图，而是让视觉解释回应学习者的问题，同时保留由学习者自己完成理解的过程。

当人遇到困难时，图解可以变得更简单、展开另一层内容，或提供不同的例子。AI辅导工具也可能针对某个难点生成练习。这需要关注已有知识、学习节奏和无障碍需求，而不是给每个人贴上固定的“学习风格”标签。更好看的图像未必解释得更好；关键在于学习者能否独立运用其中的概念。

教师可以借助AI准备材料、调整例子，并减少部分重复性文书工作。节省的时间或许能用于讨论和个别反馈，但核查生成内容本身也需要投入。学习数据可以帮助发现困难，前提是不把点击次数和看屏幕的时间当作理解程度。预测应当为教师进一步了解情况提供线索，而不是在一份档案中固定学生的未来。

虚拟现实、增强现实和交互模型可以让学习者探索结构、改变实验条件，或审视历史重建。语言课程也可以把词语与场景、文化背景联系起来。这些体验需要明确区分依据、解释和虚构。沉浸式场景可能令人难忘，却并不准确；一种文化也不能被简化为一组容易辨认的图像。

图书馆和视觉档案的检索可能更容易跨越语言与学科。学生可以比较不同群体如何呈现同一个概念，将科学、历史和艺术联系起来。翻译和生成的例子可能扩大参与，也可能重复主流惯例。来源、地方视角和其他解释应当保持可见，而不是融入一套整齐划一的视觉词汇。

对视觉作品提供反馈也是一种可能：系统可以指出难以阅读的文字，或提醒学生重新考虑构图。但它不应成为创造力的最终裁判，相似度分数也不能直接当作抄袭的证据。讨论草图、来源和选择的理由，可以帮助学生解释自己的过程，并区分工具协助与作者贡献。

字幕、语音描述、可调整的版式和替代操作方式，可以扩大包括终身学习在内的参与机会。游戏式练习若服务于学习内容，而不是仅仅奖励持续使用，就可能促进练习。这些设计需要与不同的学习者一起测试。设备成本、获得教师帮助的机会，以及学习数据的隐私，仍然属于设计问题。

我认为最有价值的可能性，是教人不仅制作图像，也向图像提问。谁制作了这种表达，它省略了什么，同一件事还能如何呈现？AI可以让人们更容易跨学科使用积累下来的视觉文化语言。教育仍需培养选择、理解和质疑这套语言的判断力。