原文地址

Abstract

人工智能有可能通过三个关键渠道显着提高学生的学习成绩。

• 它可以通过教师的人工智能辅助飞行员来提高教学质量，这有助于课程规划，学生评估和数据分析。例如，世纪科技等学校的人工智能平台已经分析了学生数据，帮助教师以更有针对性的方式解决学生的弱点。
• 教师们开始在教育技术工具中使用人工智能算法来更快地给学生的作业打分。
• 它有能力通过人工智能导师机器人来提高学生吸收课程内容的能力，人工智能导师机器人可以定制个性化内容并提供实时反馈。AI教育科技初创公司一直处于构建聊天机器人式学习的最前沿，其中AI导师模仿人类教师。它提示问题，提供按需支持，并提供即时的形成性评估。一些教育技术工具开发了人工智能语音识别来辅导学生。

人工智能支持的高等教育可以通过提高英国劳动力的未来生产力和促进经济增长来显着改善英国的经济前景和公共财政。人工智能学习工具仍然相对较新，因此缺乏深入的学术研究和长期运行的大规模试点项目来评估其对学习者的影响。

在这篇文章中，作为《重塑国家的经济案例》的一部分，我们试图量化在英国推出人工智能教育计划的成本和收益。该计划将为人工智能建立基础设施，以最大限度地提高学生的成绩。它包括一个数字学习者ID，可将所有教育信息无缝集成到一个平台上，为学生提供支持AI的教育技术工具，为教师提供AI副驾驶-所有这些都是通过广泛使用平板电脑和员工数字技能和AI能力培训实现的。

总体而言，我们发现：

• 人工智能可以通过提高个别学生的平均成绩和使更多的学生能够接受更高水平的教育，将教育水平提高约6%。
• 这些影响需要时间才能传导到劳动力市场，但潜在收益是巨大的。通过提高未来劳动力的生产力，人工智能教育可以在长期内将GDP提高约6%，并在40多年的时间里每年增加0.1%以上的增长率。
• 我们估计，向英国26，500所学校推出人工智能教育的成本将需要投资于：a）新的数字基础设施，包括新的教育技术工具和每个学生的数字学习者ID; B）新技术的教师培训;以及c）为学生和教师持续投资人工智能硬件。总体而言，我们估计该计划将涉及4亿英镑的初始设置成本，以今天的价格计算，每年将花费约12亿英镑（或每年GDP的0.04%）。
• 人工智能教育计划的推出速度将取决于政府的承诺。我们汲取疫情期间推出虚拟学习环境的经验，并制定了雄心勃勃的推出计划：两年进行技术开发，一年进行测试，一年进行全面实施。
• 从长远来看，人工智能教育计划的财政收益应远远超过成本。我们估计，该计划将导致50年后公共部门的年度借款减少GDP的2%，并在同一时间段内累计减少公共部门净债务GDP的30%。不过，由于提高学生的教育程度与这些学生加入劳动人口之间存在差距，该计划确实需要一段时间才能实现收支平衡。在头十年，该计划将使英国的债务状况增加GDP的0.3%，但从那时起，它将开始自食其力–到2042年实现收支平衡，并不断改善公共财政。到2050年，该计划的累积效益将超过其成本2.7倍，到2070年，这一比率将上升到7.7倍，而且仍将上升。
• 上述所有数字都是基于对人工智能能力的评估，但这项技术并不是静态的。相反，如果我们假设技术继续改进，使其将教育程度提高10%（而在基本情况下为6%），那么人工智能可以在长期内将GDP再提高4%，并在50年后将债务负担再降低10%。这种有利的情况绝非令人难以置信，它凸显了现在投资人工智能教育的有利潜力，以及设计项目以使其能够随着时间的推移不断融入人工智能改进的重要性。

本文利用来自广泛来源的最佳证据进行初步评估，但我们建议英国政府采用基于结果的资助方法在全国范围内推出该计划。4我们开始本文，首先审查人工智能的现有证据，以评估其对教育程度的潜在影响，然后探讨更高的教育程度如何促进GDP增长。从那里，我们研究了在全国范围内推出人工智能教育计划的潜在成本，审查了这样一个计划的总体成本和效益，并通过展望未来来总结人工智能技术的进步如何随着时间的推移改变成本效益分析。

AI对教育成就有什么影响？

鉴于人工智能教育技术（edtech）的新奇及其影响的不确定性，我们通过两种不同方法的三角分析来估计人工智能对教育成就的影响：1）我们研究了最近关于人工智能直接影响的学术研究。（非人工智能）教育技术在教育程度; 2）我们将最近关于人工智能潜在影响的研究与学术文献联系起来，这些文献研究了教师质量，教师时间和个性化学费在教育成就中的作用。总的来说，这两种方法产生的影响大小相似-这表明人工智能可以将教育程度提高6%至8%。我们在分析中保守地将这一范围的下限向前推。

方法1：最近关于教育技术对教育成就影响的学术研究

人工智能教育技术是指利用人工智能通过个性化建议和支持来帮助学生和教师的新一代教育工具。关于人工智能支持的教育技术的影响的证据是有限的，即使存在，通常也不会量化其影响。5为了解决这一差距，我们借鉴了关于其他数字技术如何影响学生的元研究。（见图1）。6这些研究通常报告了每种数字技术的“效应量”，显示了如何影响成就，用平均成绩的标准差表示。

我们已经创建了一个简单的映射效果大小到教育程度使用英国的GCSE分布。英国教育部的一项研究7发现，GCSE成绩的一个标准差提高导致平均终身收入提高不到20%。我们使用这个数字作为额外教育程度回报的代表。这意味着教育技术研究报告的“效应大小”与我们感兴趣的教育程度数据之间的映射关系大约为5：1：例如，效应大小为1对应于教育程度增加约20%。

在整个文献中，数字教育技术对学生成绩表现出广泛的影响-效应大小范围从-0.40到1.33的标准差，尽管在0到0.8的范围内有显著的聚类（见图1）。结果的这种变化反映了一系列因素，包括技术类型、学生人口统计数据（如年龄和初始成绩水平）以及技术的实施方式。几项研究还强调，这些好处并不是线性增加的，在初始表现水平较低的学生中效果更明显（例如，Gerard et al（2015）; Abrami et al（2020）; Ma et al（2014））。总的来说，如果我们对14项元研究（这些研究本身涵盖了872项单独的研究）进行加权平均，我们发现平均效应大小为0.38，即教育程度提高了8%。

方法2：人工智能对教师时间和教育成就的影响

在这里，我们将关于人工智能益处的前沿研究与现有的学术研究联系起来，这些研究涉及教师质量、教师时间和个性化学费的改善如何提高教育成就：

效应1：AI可以提高教师的素质

广泛的研究（包括Muijs和Reynolds 2017，以及Hanushek和Woessmann 2017）发现教师专业知识与学生成绩之间存在密切联系。马丁等人（2023）的荟萃分析表明，教师质量占学生教育表现差异的9.2%。人工智能有可能通过提高教师质量来缩小这一差距，特别是对表现较低的教师。例如，英国的大学使用人工智能教育技术工具世纪技术，报告说，教师可以将学生的需求纳入长期规划，并可以更简单地跟踪进度。

Noy和Zhang（2023）发现，ChatGPT可以大大提高工作者在写作任务中的生产力，但这种效果对表现较低的人尤其明显。从他们的研究结果中，我们可以得出ChatGPT可以通过提高表现不佳的员工来减少大约一半的员工质量差距。如果人工智能能够在教师职业中复制这种效果-通过将教师质量的差距减半-那么根据Martin等人（2023）的上述分析，这可以将教育成就提高4.6%。显然，实现这一目标将面临挑战。Noy和Zhang（2023）的证据是基于一个单一的任务-写作-而教师执行各种其他复杂的任务。因此，我们保守地假设，根据人工智能目前的能力，可能会产生不到一半的潜在影响，这意味着人工智能可以提高教师质量，并将教育程度提高约2%。

效果2：AI可以节省教师的时间，增加互动学习的时间

学生与老师直接互动的时间对教育成果有着关键的影响。韦德尔（2021）发现，平均而言，额外一小时的教学会使考试成绩提高0.03个标准差。

我们自己的分析表明，在人工智能的帮助下，可以节省多达8%的教师工作时间，例如，通过协助评分作业或课程规划。麦肯锡（McKinsey，2020）等其他研究表明，效果更大（节省20%至30%的时间）。在教育部的一项研究（2024年）中，英国教育工作者报告说，使用生成性人工智能工具可以节省时间-在某些情况下可以节省多个小时-例如创建课程内容等任务。例如，Noodle Factory是一种使用大型语言模型（LLM）技术的个性化辅导工具，它指出使用该工具的教师报告节省了50%的时间。9此外，英国橡树国家学院的一项独立评估（2023年），10提供数字教学资源，发现40%的教育工作者使用它平均每周节省四个小时

据教育部称，教师通常每周工作50小时，12因此，节省8%的时间相当于每周工作4小时。如果所有这些时间都用于额外的互动教学，那么–根据韦德尔（2021）的发现，每增加一个小时的教学会导致考试成绩增加0.03个标准差–增加四个小时会导致考试成绩增加0.12个标准差。这相当于教育程度提高约2%（基于方法1中概述的映射）。然而，考虑到教师平均花费不到一半的工作时间在课堂上教学（50小时中的24小时），更有可能的是，由于人工智能节省的时间中只有一半会被重新分配给教学-这意味着人工智能可以通过节省教师的时间来提高教育水平约1%。

效果3：AI可以增加学生吸收课程内容的能力

各种人工智能教育技术提供商报告说，通过提高学生通过个性化学习者机器人吸收课程内容的能力，教育成就得到了显着改善-模仿学生有私人导师的效果：

可汗学院：在巴西，Khan Academy工具（2018年）在五年级至九年级之间的使用将学生在数学和葡萄牙语国家标准化考试中的表现提高了4分-相当于小学一学年预期学习的30%。

MindSpark: 2016年的一项研究表明，MindSpark采用自适应学习的课后课程帮助学生在数学方面比接受小组辅导的同龄人高出0.37个标准差，在印地语方面高出0.23个标准差-相当于数学和印地语分别提高8%和5%。

Sparx Maths: Sparx Maths在2019年的一项英国研究发现，每周使用这种自适应学习工具一小时，可以将GCSE数学成绩提高18%。

关于私人辅导对教育成就的影响的学术证据显然是好坏参半的，部分原因是个人辅导质量的差异，部分原因是对哪些学生有私人辅导的选择偏见：

• 一些研究，如Ömeroeullarvet al（2020）和Guill & Bos（2014）发现，有私人导师的学生在数学和英语测试中的得分要低15%至20%。
• 一些研究显示没有持续的益处（Guill & Bonsen，2010; Luplow & Schneider，2014）。
• 其他研究发现在特定环境中有针对性的改善：例如，Zhang（2013）和Ha et al（2017）发现辅导帮助了某些特定科目的低成就者。

其他研究发现了显著的积极影响。例如，Choi & Park（2016）发现，在韩国，私人辅导将9年级的数学成绩提高了0.237个标准差，而Guo等人（2020）报告说，汉语和数学成绩分别提高了0.10-0.14和0.07-0.09个标准差。也许最重要的是，Zhang & Liu（2022）对3，735项研究进行的综合荟萃分析发现，私人辅导将教育成就提高了0.34-0.51标准差。后一项研究相当于教育程度提高6%至10%。

支持人工智能的个人学习机器人有可能克服私人辅导的一些现有挑战-例如，通过提供持续质量的辅导（而不是每周几个小时），并根据学生独特的学习风格定制：如果你喜欢，可以选择副驾驶。这可能表明，基于上述最乐观的研究，设计良好的人工智能个人学习机器人可以将教育程度提高10%。然而，考虑到文献中强调的不确定性，我们假设影响要小得多，相当于不到这些研究的三分之一-估计支持AI的个性化学习机器人可以将教育程度提高约3%。

考虑到所有这三种影响，如果我们采用三种效应量的上限（4.6%来自更高的教师质量，2%来自额外的教师时间，高达10%来自AI学习者机器人），AI可以将教育成就提高近17%。然而，考虑到支持每个渠道的学术证据的力量，我们采取了一种更为保守的观点，并假设它们可以共同提高教育成就约6%（2%来自更高的教师质量，1%来自额外的教师时间，约3%来自人工智能学习机器人）。这与方法1（教育程度提高了8%）得出的估计值大致相同，我们保守地采用了方法2的估计值。

AI教育如何影响GDP？

概念框架

我们使用受Vollrath（2020）启发的增长核算模型，将人工智能对教育程度的潜在影响的估计转化为GDP.

我们基于标准的柯布-道格拉斯生产函数来衡量产出增长（$g_y$）：

$$g_y=e_H{g}_H+e_K{g}_K+g_{tfp}$$

其中$g_H$是人力资本的增长，$g_K$是物质资本的增长，$g_{tfp}$是全要素生产率的增长，而$e_H$和$e_K$分别是劳动和资本在收入中的份额。在本分析中，我们仅对人力资本部分的GDP变化感兴趣。

人力资本由人力资本指数（HCI）确定，该指数包括教育指数（${\overline{h}}^{educ}$）、经验指数（${\overline{h}}^{exp}$）和劳动力规模，后者取决于工人总数（Workforce）和平均工作小时数（Hours）：

$$HCI={\overline{h}}^{educ}\times {\overline{h}}^{exp}\times Workforce\times Hours$$

教育指数（${\overline{h}}^{educ}$）是我们感兴趣的关键组成部分，基于两个组成部分：教育回报（$r$）和受教育年限（$s$）。因此，人工智能可以通过两个关键渠道改善教育成果：通过提高给定受教育年限的教育成就（因此通过$r$提高教育回报）或通过延长受教育年限（通过$s$）。

$$\ln h_j^{educ}=r_j\times s_j$$

构建基线方案

为了评估人工智能教育对GDP的影响，我们首先需要构建一个基线预测，以预测在没有人工智能教育的情况下GDP将如何演变。我们使用以下步骤来完成此操作：

1. 劳动力趋势：我们将国家统计局（ONS）按年龄划分的最新全国人口预测与英国劳动力调查（LFS）按年龄划分的就业率和平均工作时数数据相结合，以生成劳动力规模和总工作时数可能从2025年到2100年如何演变的基线预测。
2. 受教育年限：然后，我们假设所有未来的劳动者群体都将接受与最近受教育群体相同的教育–例如，每个未来的劳动者群体到28岁时平均将接受14.5年的教育（见图2）。随着劳动力的逐渐更替（随着新的群体进入和老的群体退出），这将使整个劳动力的受教育年限正常化，以便到2100年，所有群体平均达到最高14.5年的教育年限。
3. 教育回报：我们遵循Vollrath（2020），并假设每学年的回报率为10%（上述公式3中的r）。这个数字是不确定的，在学术文献中有一系列的估计，但正如Vollrath所说，10%是一个合理的中位数估计。由于上述公式3的规定（注意使用自然对数），受教育年限的回报率随时间呈指数增长。
4. 人力资本指数：然后，我们结合联合收割机的劳动力，教育年数和教育回报的数据从上述步骤1至3构建人力资本指数。然后，我们将人力资本指数的变化乘以劳动力份额（根据最新的LFS数据，劳动力份额为0.6），以计算2025年至2100年的基线GDP预测。

模拟人工智能教育对未来GDP的影响

影响范围

我们认为，人工智能教育将通过两个主要渠道提高GDP：

1. 增加教育回报：这一渠道的规模与本章讨论的人工智能对教育成就的影响的学术证据直接相关。我们假设每年教育的平均回报率上升6%（例如，上面公式3中的r从10%上升到10.6%）。这种效应在每年的人工智能教育中都会产生，最终从长远来看将GDP提高5%以上。
2. 增加受教育年限：人工智能提高平均达标率的一个次要影响是，它应该使一些以前未能取得足够成绩的学生能够进入更高层次的教育。我们通过模拟关键阶段4（相当于GCSE）和关键阶段6（相当于A级）的教育成果分布来估计这种影响的规模。我们假设这些分布向右移动，以反映更高的人工智能教育率，我们假设结果的分布略有压缩-以反映学术证据（例如，来自Gerard et al 2015），这表明edtech往往使分布低端的人受益更多（图3）。总的来说，这些变化意味着，16岁以上继续接受教育的学生比例应从86.5%上升到92.2（英格兰增加了约36,700名学生），而18岁以上继续留学的比例应该从51. 2%上升到60. 2%–再增加53，18这些变化足以使劳动力的平均受教育年限增加约0.1年，并在长期内使GDP增长略高于1%。

通过人工智能教育升入下一个教育级别的学生比例

影响的时间-效果实现的速度有多快？

人工智能教育对经济的全面影响需要时间来实现，这取决于该技术在全国范围内推广的速度，人工智能教育的学生需要获得最大利益的年数，以及整个劳动力转变所需的时间，以便每个工人都能从人工智能教育中受益。我们考虑这些潜在的滞后：

AI在英国学校的推广速度

这将取决于下届政府对该方案的优先重视程度。在过去，教育技术的推广一直是不完整的，而且往往很慢（见教育技术咨询论坛，202019年），但在新冠肺炎大流行期间，远程学习技术在一到两年内被部署到大多数学校，即使政府资源过度紧张（CooperGibson Research，2022年）-显示了可能性。在这种情况下，我们假设一个三年的设置阶段：

• 创建该计划所需的中央数字基础设施，包括每个学生的数字学习者记录
• 验证并将现有的支持AI的教育技术工具链接到中央数字界面，以便教师和学生可以轻松访问一系列经过认证的支持AI的培训工具
• 谈判硬件合同，为学生和教师获得平板电脑，以便他们可以在课程中使用支持AI的工具·重新设计持续专业发展（CPD），将人工智能纳入持续的教师培训
• 在少数学校测试和完善推广模式
• 对每所学校的两名高级领导成员进行密集培训，以支持人工智能

到第四年，我们预计该方案将全面运作，但更快或更慢的时间框架都是可能的。

时间管理者需要使用支持AI的EDTECH来获得全部好处

我们的核心假设是，从6岁到18岁（2年级到13年级），人工智能教育的好处每年都在线性累积。因此，如果人工智能在全国范围内推广，目前13年级的A级（或同等学历）学生在18岁时，与目前的2年级学生相比，只能获得人工智能教育的十二分之一。

我们的假设基于Gerard et al（2015），他们发现edtech在所有教育年限中都有类似的影响。然而，文献中还有一系列其他估计数表明了不同的影响。例如，汉密尔顿和哈蒂（2022）对荟萃分析进行了荟萃分析，他们发现教育技术往往比中学学生更有利于小学生，而其他研究表明，教育技术的最大影响发生得相对较快-在推出的最初几个月内。我们的假设相对保守，因为从人工智能计划全面推出到第一批完全接受人工智能教育的学生离开学校需要12年的时间。

我们还假设不同年龄的学生接触AI的方式不同。我们假设所有年级的教师都将人工智能作为辅助工具，以帮助节省时间并提高教学质量，但我们假设学生在课堂上（通过平板电脑）以人工智能个性化学习机器人的形式直接使用人工智能的强度因年龄而异，因为他们担心屏幕时间。我们假设在入学和一年级不使用平板电脑，然后每年逐步扩大，以便到七年级所有中学生都有自己的平板电脑，他们在上面完成大部分课程。

整个劳动力受益于一项技能教育所需的时间

实现人工智能教育带来的好处的最后一个滞后与劳动力的周转速度有关。新进入劳动力市场的受过人工智能教育的学生将获得更高的生产率，但这些受过良好教育的人需要时间才能逐渐取代使用不同方式培训的老年工人。我们使用队列模型来分析这些影响-基于ONS最新的年龄人口预测和劳动力调查中关于工人就业和失业过渡的数据。鉴于大多数工人在劳动力市场上工作了大约50年，整个劳动力市场需要大约半个世纪的时间才能完全实现。

结果

我们联合收割机了我们对人工智能教育对英国GDP潜在影响的规模和时间的估计，并将其与我们的基线预测进行比较。图5和图6分别显示了人工智能教育对GDP增长和GDP水平的总体影响。

考虑到向全体劳动力推广这项技术的滞后性，该计划需要时间来提振GDP。在接下来的两届议会中，到2035年，GDP将增长0.16%。然而，该计划对GDP的长期影响可持续约60年，对GDP增长的峰值影响为每年略高于0.15%，到2085年对GDP水平的累积长期影响略高于6%。从图5和图6中可以清楚地看出，这种影响的大部分与人工智能提高平均教育程度的影响有关（渠道1），只有大约六分之一的影响与额外的学生继续接受更高水平的教育有关（渠道2）。

敏感性分析

考虑到上述假设的不确定性，我们考虑了两种替代方案，以探索人工智能教育对GDP增长的不同影响：

• 好的方面：在这种情况下，我们假设人工智能将教育程度提高了10%（而不是我们中心案例中假设的6%）。这与前面强调的一些关于教育技术影响的更乐观的研究一致（见图1）。我们假设影响的速度与核心案例相同-需要三年时间来建立和测试该计划（与疫情期间的经验一致），并从第四年开始全面运作。
• 不利情况：在这种情况下，我们假设人工智能仅将教育程度提高了3%（假设人工智能工具仅向教师而不是学生推出），并且需要八年时间才能建立该计划并在全国范围内推广（与大流行之外的一些较慢的推广速度一致）。

图7和图8显示了这些情景对国内生产总值增长的影响以及一段时间内的国内生产总值水平。在上行情景中，我们看到了更大的影响（对GDP增长的峰值影响为0.26个百分点，对GDP的累积长期提振为10%），在两届议会任期后，到2035年增长率将提高0.3%。相比之下，在下行情景中，对GDP的影响不仅更为温和（对GDP增长的年度影响最高为0.08%，累计达到3%），而且实现的速度也要慢得多-至少在未来两个缔约方会议上，对GDP没有明显的影响。

AI推广的成本

在英国部署人工智能增强的教育计划有三个主要成本：1）数字基础设施和软件; 2）硬件; 3）教师培训。在本章中，我们将分析与这些要素相关的初始设置和持续成本。

我们假设该计划将推广到所有英国学校，不包括非维持学校和托儿所，相当于26529.20这意味着将有560，每年有400名全职教师参加该计划，近1000万中小学学生参加。21英国学校系统的下放性质在确定人工智能在多大程度上是一个挑战。实际上，教育项目的成本。例如，许多学校已经可以使用一些平板电脑，这是与该计划相关的关键硬件成本。我们保守地假设，中央政府承担了该计划的全部成本，任何间接节省的费用都将返还给各个学校（例如，现有平板电脑的学校不再需要为它们提供资金，或者平板电脑降低印刷成本带来的效率节省）。

总的来说，我们估计，以今天的价格计算，在三年内设立该方案总共将花费4亿英镑（占国内生产总值的0.01%），每年的运行费用略低于12亿英镑（占国内生产总值的0.04%）。我们保守地假设，随着时间的推移，这些成本与GDP保持一致，尽管技术的进步可以降低硬件和软件的真实的成本（图9）。

数字基础设施和软件

数字学习者ID

交付模式：投资数字学习者ID是利用人工智能教育优势所需的核心数字基础设施的重要组成部分。这一全面的数据生态系统应无缝整合特定学生的所有教育信息，并使学生、其家长和教师能够真实的获得这些信息。该平台将包括一个用户友好的数字门户网站-使学生，教师和家长能够访问数据，并利用它们来改善学习成果-以及对数据安全和互操作性的投资，以确保系统与私人提供的教育技术工具无缝交互，以实现这些工具的最大效益。

设置成本（0.05亿英镑）：美国几个州已经成功建立了数字学习者ID。2018年，内华达州在类似计划上花费了250万美元，而弗吉尼亚州花费了650万美元（Leventoff，2018）。我们调整这些数字，以考虑过去六年的通货膨胀和英国人口规模，然后将其转换为英镑。这意味着在英国建立一个具有用户友好界面的数字学习者ID的成本约为5200万英镑（基于更昂贵的弗吉尼亚案例研究）。

持续的年度成本（每年0.1亿英镑）：根据美国各州对其纵向联邦数据系统的维护成本，我们估计每年维护该系统将花费1000万英镑（以今天的价格计算）（Leventoff，2018）。

AI驱动的EDTECH工具

交付模式：为了为学生和教师提供人工智能教育的好处，我们设想了两种方法–政府为教师和学生微调人工智能基础模型，以及与私人为学生提供的人工智能教育技术工具合作。这两种方法都需要政府的前期投资-建立基础模型，改善获取机会，并帮助为私人提供的学生教育技术工具创造一个充满活力的市场。后者包括认证新的教育技术工具和创建一个中央平台的成本，该平台提供有关每个工具的明确信息，以帮助学校选择最适合其需求的工具。

设置成本（0.4亿英镑）：我们假设建立一个内部的人工智能基础模型将花费政府大约4000万英镑，大约是OpenAI在培训GPT-4.24上花费的一半。根据政府在全国范围内推出闪电般快速宽带的现有计划。

持续成本（每年4亿英镑）：私人教育技术提供商每年向每位用户收取约40英镑的费用，以访问他们的工具，这些工具通常只涵盖课程的一部分（例如，Khan Academy 26）。

然而，根据对教育技术专家的一项秘密调查，我们认为，考虑到该计划所涵盖的1000万学生的批量购买折扣潜力，每个用户每年的成本可能会降至30英镑左右，以覆盖整个课程。这意味着以今天的价格计算，访问支持AI的教育技术工具的总持续成本每年约为3亿英镑。此外，我们还承担了1亿英镑的持续成本，用于数据安全、云数据存储和管理，并为学校建立一个易于访问的门户网站，以便根据对私人数据服务提供商的调查选择合适的工具。

硬件成本

交付模式：许多政府已经认识到在课堂上使用最新的ICT硬件的重要性，以确保学生和教师能够利用教育技术工具的优势来补充传统的教学方法。一些政府已经确信在全国范围内推出平板电脑的好处-例如，日本的GIGA项目在2019年至2021年期间成功地向该国的每一名学生推出了联网平板电脑。

同样的逻辑也适用于支持AI的教育技术工具-学生和教师需要可靠的硬件来访问这些工具。因此，作为该计划的一部分，我们假设每位教师、每位中学生和五分之一的小学生都能获得一台平板电脑。后者在学校中轮流使用;这一比例旨在缓解小学生对屏幕时间过长的担忧，并被格拉斯哥市议会29在其成功的平板电脑推广计划中采用。格拉斯哥市理事会数字学习战略报告称，根据其调查结果，80%的年轻人回答说，他们的iPad帮助他们克服了学习障碍，90%的人报告说，他们的工作更加独立。

为了采购高质量的平板电脑，我们假设政府将谈判一项大批量采购协议，以提供带有相关应用程序、许可和保修的设备，平板电脑每三年更换一次（以确保获得最新功能）。

持续成本（每年6亿英镑）：我们估计购买一台高质量平板电脑的成本相当于每年约100英镑（因此，整个设备三年内的费用为300英镑，包括所有相关的许可证、保修和组件）31基于当前的市场价格和批量购买的折扣。32鉴于仅需要600多万台设备，这相当于每年持续的硬件成本略高于6亿英镑。

人力培训成本

交付模式：为了确保所有学校都充分利用人工智能教育工具，我们假设英国现有的CPD教师培训-Ofsted建议存在问题进行了修改。我们假设：

• 所有副校长和助理校长（约52，000人）都将接受一次性的35小时的人工智能教育工具额外培训。这与教育政策研究所的报告34一致，即一周（35小时）的持续专业发展将有时间对教师进行数字和教学领导力培训。这也与有证据表明学校高层领导的有效性影响学生成绩的证据相一致。这些新的“人工智能冠军”将负责在学校内向教师传播最佳实践。
• 每位教师每年的持续专业发展培训时间延长三小时，并对现有的持续专业发展计划进行重大改革，以包括数字技能，数字教学法和其他在课堂上实施人工智能技术的能力。这将包括增加每名教师每年3小时额外培训的资金，并重新招标CPD模块的培训合同，以明确纳入人工智能能力和数字技能相关要素。

从长远来看，在获得教育工作者资格的过程中，应提供额外的人工智能和数字培训，以确保所有新入职的教师都接受数字技能和人工智能能力的培训，并知道如何在课堂上使用它们。

设置成本（2亿英镑）：根据雇主技能调查（2022年）36和教育政策研究所（2021年）37的数据，我们假设培训一名教师每小时的成本为80英镑。我们还承担了6000万英镑的重新招标成本，以升级CPD计划，包括更加强调人工智能和技术（基于最近重新招标过程的成本）。

经常性费用（每年1.6亿英镑）：这包括今天价格的1500万英镑，用于培训所有新任命的助理和副校长（根据副校长每年10%的流失率39计算）;每年1000万英镑，用于不断更新持续专业发展计划，以确保其反映最新的人工智能工具（根据教育部同类契约的成本计算40）;以及1. 35亿英镑，用以支付每名教师每年额外3小时的持续专业进修。

人工智能教育计划的净效益

根据上述章节，我们发现，从长期来看，人工智能教育对公共财政的总体净影响是巨大的-导致50年后公共部门年度借款减少GDP的2%，并在同一时间段内公共部门净债务累计减少GDP的30%（见图10和11）。在该计划全面推出后，这可能每年创造超过300亿英镑的额外财政空间。然而，由于实施该计划与其效益实现之间存在滞后，该计划确实涉及一些前期成本。在该计划实施的头十年，该计划使英国的债务增加了GDP的0.3%，但从2035年起，该计划开始收回成本–到2042年实现收支平衡，并从那时起不断改善公共财政。到2050年，该计划的累积收益超过成本的比率为2.7;到2060年，这一比率上升到5.2，到2070年上升到7.7，并仍在上升。

为了生成上述数字，我们通过一个财政模型绘制了该计划的直接成本及其对GDP的影响，该模型的设计与预算责任办公室对经济的建模方式一致。具体而言：

成本：该方案的直接成本通过增加公共教育支出而纳入该模式，而教育支出则通过增加短期借款来供资。更高的借贷通过更高的债务利息支付间接增加了该计划的成本（我们根据英国的长期收益率曲线假设利率为4%）。

好处：国内生产总值的改善也对公共财政产生了一系列影响。它以1：1的比例增加税收，因此国内生产总值每增长1%，税收也增加1%，实际上，鉴于税收负担的规模（国内生产总值的40%），这意味着国内生产总值每增长1%，税收就增加国内生产总值的0.4%。GDP的改善也被认为是基于鲍莫尔成本病鼓励公共支出，即一些公共部门的成本随着经济中其他地方生产率的提高而上升。在实践中，这意味着国内生产总值每增长1%，公共支出就会增加国内生产总值的0.2%（假设政府支出约占国内生产总值的40%，其中约一半的支出是通过公共部门工资单或福利与收入挂钩的付款）。由于收入的增加大约是公共支出增加的两倍，这导致随着时间的推移基本财政平衡的改善，这具有通过允许政府偿还债务来减少债务利息支付的次要影响。随着时间的推移，后一种效应的重要性越来越大，因为该计划每年的收益都在偿还更多的债务。

展望未来：人工智能的进一步潜在收益

所有上述计算都是基于对人工智能当前能力的评估，从而创建了基于当今技术可以实现的目标的快照。但人工智能不是静态的;它的能力正在迅速发展。在本章中，我们将探讨一种有利的情况，即技术随着时间的推移不断改进，最终将教育程度提高10%，而不是6%的基础情况。

我们根据第一章对人工智能可能对教育成就产生的影响的分析选择了10%的数字，其中一些关于人工智能提高成就潜力的证据（特别是通过更高的教师质量和学生吸收课程内容的能力）指向比我们的基本案例更保守的假设更大的影响。为了简单起见，我们假设这些技术进步是逐渐发生的，因此提高GDP需要时间。

我们还假设人工智能技术的进步不会给该计划增加任何额外的财政成本。这样做的理由是，在基本情况下，我们保守地假设现有教育技术软件的成本在真实的方面将保持不变。也就是说，质量不会提高，软件成本也不会下降，尽管在实践中竞争往往会推动这两种效果。在乐观的情况下，我们假设竞争确实会刺激教育技术质量的提高，从而推动更高的教育程度，但这些工具的价格在真实的方面保持不变。

毫不奇怪，这种“先进的人工智能”场景进一步改善了成本效益计算。从长期来看，国内生产总值增长约10%，而基准情况下为6%（图12），公共财政状况也有了实质性改善。50年后，公共部门年度借款占GDP的比例下降了2.5%（基准情况下为2%），同一时间段内公共部门净债务的累计减少量超过GDP的40%（基准情况下为30%）–如图13和图14所示。这表明了投资人工智能教育计划的潜在优势，以及设计该计划的重要性，即它可以随着时间的推移以最小的成本不断融入人工智能教育技术的改进。

以上内容全部使用机器翻译，如果存在错误，请在评论区留言。欢迎一起学习交流！

如有侵权，请联系我删除。[email protected]