2026年10月6日，麻省理工学院（MIT）正式宣布启动新的全校级战略项目——MIT for America。
该项目面向从幼儿园到社区大学的学习者，重点聚焦三个方向：
数学思维与问题解决；
与AI共同生活、学习和工作；
设计、制造与创新。
MIT表示，这一计划建立在学校长期坚持的几个理念之上，包括重视潜力、强调“learning by doing（做中学）”，以及推动知识开放共享。项目还特别提出，希望未来的STEM教育既能够扩大覆盖范围，又保持教师、导师与学习者之间高质量、面对面的支持。
这意味着，MIT此次关注的并不是简单增加几门STEM课程，而是在回答一个更现实的问题：
当AI越来越容易帮助学生获得答案时，未来STEM教育究竟还应该重点培养什么？
MIT在官方新闻中给出了两个非常直观的数据：在美国9—12年级学生中，只有约29%有过搭建电路的经历；虽然大约60%的高中提供计算机科学课程，真正选修计算机科学课程的学生却只有约6%。
这说明，一个学校“开了STEM课程”，并不意味着所有学生都真正获得了高质量的STEM学习机会。
因此，MIT此次项目首先聚焦的不是“课程有没有”，而是：
优质STEM教育机会能否真正覆盖更多学生。
MIT项目负责人Cynthia Breazeal用一句话概括了这一目标：
“Talent is everywhere. We think opportunity should be, too.”
即：
人才无处不在，机会也应该无处不在。
从这个角度看，MIT for America不仅是一个课程项目，也是一项STEM教育公平行动。
MIT for America的第一项重点是：
Mathematical thinking and problem solving
数学思维与问题解决
MIT并没有把数学仅仅理解成计算和公式，而是更强调：
如何分析问题；
如何建立关系；
如何用数学模型理解现实；
如何判断结果是否合理。
目前，MIT已经通过 MIT for America Calculus Project，由MIT学生和校友为不同地区的学生提供微积分学习支持。MIT指出，美国大约只有一半学区提供微积分课程，而其中一些学区仍然面临资源不足问题。
这背后体现出一个很值得关注的STEM教育趋势：
数学正在从“计算工具”重新回到“思维工具”。
尤其在AI已经能够完成大量计算工作的情况下，未来数学教育可能更加重视：
建模、推理、判断和问题解决。
也就是说，重要的不只是“会不会算”，而是：
能不能知道为什么这样算，以及这个结果意味着什么。
MIT for America的第二项重点是：
Living, learning, and working with AI
与AI共同生活、学习和工作
这是此次计划中最值得关注的部分之一。
MIT没有把AI教育简单理解为
学会使用ChatGPT，
学会写Prompt。
而是提出更完整的目标，包括：
帮助教师把AI更有效地融入课堂；
提升学生的AI技能；
帮助学习者理解AI如何工作；
讨论AI使用中的价值、责任和社会影响。
MIT已有的 RAISE（Responsible AI for Social Empowerment and Education） 项目将成为这一方向的重要基础。
MIT特别强调，AI教育应该让学生主动参与，而不是由学校简单规定“能用”或者“不能用”。教师应帮助学生讨论：
AI为什么会生成这个答案？
它可能存在什么偏差？
这个结果是否可靠？
怎样判断AI的输出是否值得相信？
因此，MIT此次传递出的AI教育信号非常明确：
AI素养不只是工具使用能力，更是一种理解、判断和负责任使用技术的能力。
MIT for America的第三项重点是：
Designing, making, and innovating
设计、制造与创新
这一部分最能体现MIT长期坚持的：
Learning by doing——做中学
MIT计划进一步扩大：
动手设计；
Fab Lab和Maker Space；
工程制造；
体验式学习；
全国性设计挑战。
例如，MIT已有的 Regenerative Futures Challenge，就让学生围绕气候变化和可持续发展问题提出解决方案。而从MIT Center for Bits and Atoms发展出来的Fab Foundation，目前已经在全美约300个Fab Lab中提供工具和课程资源。
为什么在AI越来越强的今天，MIT反而更加强调“亲手做”？因为真实的设计和制造过程中，学生必须不断面对：
想法能不能真正实现？
材料为什么失效？
原型为什么无法运行？
测试结果和预期为什么不同？
方案应该怎样修改？
这形成了一个典型的工程学习循环：
设计 → 制作 → 测试 → 失败 → 修改 → 再设计
而这类真实经验，很难仅仅通过AI生成答案来替代。
因此，“做中学”的价值并不只是让课堂更有趣。
它真正训练的是：
把抽象知识转化成现实方案的能力。
MIT此次还有一个非常值得注意的表述：
Scalable and high-touch
可以理解为：
既能扩大规模，又保留高质量的人际支持。
数字平台和AI工具可以让教育项目快速覆盖大量学生，但MIT并不认为这意味着教师和导师可以被移出学习过程。
相反，项目强调：
教师指导；
导师反馈；
同伴合作；
面对面交流；
真实设备和真实实践环境。
MIT希望借助学校、社区、Fab Lab、MIT学生和校友网络，把项目推广到更大范围，同时保留这些学习互动。
这一点其实回应了今天AI教育中的一个重要问题：
教育规模化，是否一定意味着“无人化”？
MIT给出的答案显然是否定的。
技术可以扩大教育机会，但真正复杂的学习过程，仍然需要：
人与人的支持、反馈和共同实践。
如果只看项目名称，MIT for America似乎只是一项新的STEM教育推广计划。
但我们把它的三条主线
数学思维
AI素养
设计制造
放在一起，我们会发现它们实际上指向同一个问题：
当AI越来越擅长给出答案时，教育真正应该培养什么？
AI可以帮助学生计算、解释概念、生成代码、给出设计方案，但学生仍然需要判断：
问题到底是什么；
哪些信息最重要；
答案是否合理；
模型是否可靠；
方案能不能真正运行；
失败之后应该怎样修改。
因此，MIT这次重新强调“做中学”，并不是回到一种传统的动手教育。
恰恰相反，它是在回应一个非常新的教育问题：
当机器越来越擅长“给答案”，人是不是更应该学会提出问题、判断答案，并把想法变成现实？
从这个角度看，未来STEM教育也许不只是Science、Technology、Engineering、Mathematics四个学科的组合，它更像是一种完整的问题解决方式：
用数学分析问题；
用科学寻找证据；
用技术扩展能力；
用工程验证方案；
再用AI提高效率。
而无论技术怎样变化，其中最不能被省略的过程仍然是：
学生亲自思考、亲自尝试、亲自失败，再亲自修改。
这或许正是MIT在AI时代重新强调“learning by doing”的真正意义。