基于信息加工理论、分布式认知理论与具身认知理论，人工智能时代复合型技术技能人才能力结构的形成不再单纯依赖课程讲授与技能训练的线性累积过程，而是知识重组、认知分布与情境实践共同作用下的动态生成过程。生成式人工智能之所以能够为跨界整合能力、人机协同能力与技术应用创新能力的形成创造新的可能，关键在于其改变了学习者处理信息、组织认知与参与实践的方式，具体可以从以下三个层面理解其赋能机制。

一、信息重组机制：通过优化知识加工过程促进跨界整合能力形成

信息加工理论认为，学习的实质是向大脑输入信息、加工信息、储存信息、提取信息、输出信息、做出决策的过程。传统职业教育的知识体系通常以专业为边界进行组织，不同专业之间相对分割，学习者主要在既定专业框架内通过教材、课程与实训项目实现知识传递与积累，这种结构虽然有助于形成专业技能，但也容易导致知识视野狭窄，难以适应人工智能时代技术跨界融合的发展趋势。

生成式人工智能突破了上述线性、封闭的知识结构，从根本上改变了技术知识的组织方式和获取方式。它能够以模型为基础，通过对海量多学科知识的语义关联与整合，将不同领域的技术原理、应用案例与操作方法等有机连接，从而实现信息的快速提取、归纳和重组，形成以问题为中心的动态知识网络，使学习者能够从多学科视角理解技术问题。尽管生成式人工智能对职业教育有“去技能化”的影响，即生产工艺、工人技能和传统的技术知识转化为机器化和科学化的生产方式的过程，但实际上其对职业教育学习者而言也是“再技能化”的过程，即在技术革新背景下追求创新技能的演化过程。在这一过程中，学习者不再仅仅依赖教材和教师提供的有限知识，而是可以通过与生成式人工智能的持续交互，获得实时生成的跨领域知识解释与知识支持，帮助学习者建构综合性技术认知框架。有研究表明，在人工智能时代，来源于学习者和一线技术人员真实工作情境的案例、经验与技术知识等用户生成内容（User Generated Content,UGC），以及基于生成式人工智能形成的人工智能生成内容（Artificial Intelligence Generated Content,AIGC），正逐渐成为职业教育数字化学习的重要内容来源。

相对于传统的知识供给方式，这种信息组织方式能够显著提高知识调用的灵活性与关联性，为学习者形成跨界理解和综合判断提供支撑。进一步看，生成式人工智能还能够根据学习者提出的具体问题生成差异化解释和个性化推荐，从而优化学习者的信息加工过程，在一定程度上降低信息筛选、整合与理解过程中的认知负荷，使学习者能够将更多认知资源投入知识迁移、结构重构与问题分析之中，加速复合型知能结构的形成。

二、认知协同机制：通过重组认知活动结构促进人机协同能力形成

分布式认知理论强调，人的认知活动是人与其所处环境构成的系统活动中的各组成要素间的交互过程，认知存在并分布于个体内、个体间，以及媒介、环境、文化、社会和时间中。分布式认知理论在一定程度上延展了信息加工理论的分析视角，将原本局限于个体内部的信息加工过程，拓展为个体与外部环境、技术工具之间协同展开的认知活动。

在生成式人工智能的支持下，学习者不再是独立的信息处理者，而是与人工智能技术系统共同构成的进行认知活动的复合主体。在这一过程中，像信息检索、技术识别、方案形成与比较甚至基础执行等原本需要学习者独立完成的认知任务，越来越多地由生成式人工智能协同完成。人工智能发挥了“认知脚手架”的作用，通过外包部分信息加工与推理过程，使学习者将自身的认知资源从基础处理环节转向问题界定、条件判断、路径选择与结果评估等高阶认知任务。

这种认知外化与重组不仅改变了认知活动的分工方式，也重塑了能力形成的路径。技术技能学习从单纯训练个体操作熟练度，转向在“人—机—环境”协同系统中通过持续互动实现认知结构的动态调整与优化。在这一过程中，随着认知活动部分外化于技术系统，学习者对信息来源与生成内容的判断能力变得更加重要。这就要求人工智能时代的职业教育在强化技术赋能功能的同时，也应更加关注学习者的认知自主性培育，避免单一技术导向可能引发的技术崇拜倾向，实现“器”与“道”的统一。

三、情境生成机制：通过强化行动嵌入与任务体验促进技术应用与创新能力形成

具身认知理论强调，认知根植于身体行动，经验建构于交互。认知并非单纯抽象地表征计算，也是认知主体结合身体感官，对情境中多种知觉属性进行跨模态信息加工与推理的过程。对职业教育而言，这一点尤为重要，因为技术理解、工艺判断、问题解决等本质上都离不开真实情境中的操作体验、行动参与和实践反思。生成式人工智能在塑造具身学习环境方面具有强大的功能，能够为技术技能学习者的具身交互提供物理通道和传播场景，深化个体对客观事物的态度和体验，能够支持学习者将机械化的物理性操作转变为具有文化属性的集体认知行为。

虽然将虚拟仿真技术应用到职业教育教学中并非新鲜事物，但以往虚拟仿真实训的任务情境通常是预先设定的，问题类型和解决路径具有较强的确定性，学习者主要按照既定流程完成训练，难以充分应对真实生产环境中复杂多变的技术问题。生成式人工智能可突破传统仿真实训的预设局限，不仅可以模拟设备运行状态，还能够动态生成异常情况、复杂任务条件和多种问题场景，使学习者面对非标准化问题进行分析、判断和决策，在更加接近真实工作环境的条件下开展技术实践活动。生成式人工智能不仅改善了技能训练方式，更为复合型技术技能人才从“技术执行者”走向“技术应用者”和“技术创新参与者”提供了新的生成条件。在这种情境化、行动化的学习过程中，学习者更易于在行动中理解技术系统、在情境中运用知识、在反馈中形成创新判断。如此，技术应用能力才有可能进一步转化为技术优化与创新能力。（节选自《职教论坛》2026年第9期）
  初审：陈淑琴
  复审：管晓媚
  终审：管晓媚