AISLI全球AI+特殊教育报告：2.4亿儿童与十条结论

《全球人工智能+特殊教育发展报告：同一个世界，同一种爱》由AISLI编制，2026年中文版，资料截止日期2026年9月3日。报告正文共28章，按剔除标题、表格、引用框及链接文字的保守口径，正文超过10万汉字，案例篇收录37项具名或可追溯项目，来源索引收录151个不同链接。报告面向教育政策制定者、特殊教育与普通学校管理者、教师、研究人员、公益机构、家庭及技术研发者。

报告的主题定位很明确：把"爱"理解为平等的尊重、可靠的支持、真实的参与和不被放弃的教育机会。它开篇就给出一个判断标准——技术的进步最终发生在具体的人身上：原先无法独立获取的教材变得可以阅读，原先来不及加入的讨论获得了表达机会，原先只能由他人猜测的选择成为本人能够确认的决定。

方法上，报告的做法值得单独留意。它同时是一项研究工作与一次AI辅助知识生产的实践，AI参与了需求细化、学术线索检索、公开文件整理、跨来源核对、章节起草、图表设计和版式制作。但它同时明确声明：AI生成的内容不因语言流畅而被视为正确，报告对关键数字、政策时点、案例分母和研究设计做了针对性核对。它还主动交代了边界——没有开展现场调查、学生试验、独立专家审稿或原始个体数据再分析，也不宣称完成预注册系统综述。在一份大量使用AI生产的报告里主动声明"技术参与研究不等于技术可以替代研究诚实"，这种自我设限本身就构成了报告可信度的一部分。

一、第一个问题不是技术，而是数字在计数什么

报告第二章开篇就处理了一个容易被忽略的前提问题：讨论全球特殊教育规模，必须先确定数字究竟在计数什么。

它给出的核心提醒是，"残障人口""残障儿童""特殊教育需要学生""接受特殊教育服务的学生"和"在特殊教育学校就读的学生"属于不同集合，它们之间存在交叉和包含关系，也存在制度造成的空白，不能用一个总数替代全部问题。

具体来看三组常被混用的数据：WHO在2023年残障事实清单中估计，全球约13亿人经历显著残障、约占人口16%，这是全年龄估计；UNICEF《Seen, Counted, Included》估计全球0至17岁残障儿童约2.3635亿、常被概括为"近2.4亿"；WHO与UNICEF的2022年报告指出，全球超过25亿人需要至少一种辅助产品，近10亿人无法获得。报告特别强调：把这25亿人写成"AI特殊教育市场用户"，同时犯了年龄、产品类型、教育场景和支付需求四项转换错误。

儿童功能困难的测量方式也值得了解。UNICEF与Washington Group共同开发的儿童功能模块，面向母亲或主要照护者询问儿童在若干功能领域的困难，分别设置2至4岁与5至17岁问卷，采用困难程度的梯度，目的是支持人口调查中的可比识别。报告指出它不等于临床诊断，也不等于法定资格评估——价值在于一些没有诊断、没有证件或尚未进入服务体系的儿童，仍有可能通过功能问题被看见。

区域分布上，据UNICEF同一文件版本的表6数据，全球残障儿童估计加总为2.3635亿人、占儿童比例10.1%；其中南亚64.431百万（10.5%）、东亚与太平洋43.121百万（7.8%）、西部与中部非洲41.083百万（14.9%）、东部与南部非洲28.865百万（10.4%）、中东与北非20.940百万（13.1%）、拉丁美洲与加勒比19.080百万（10.2%）、欧洲与中亚10.814百万（5.5%）、北美8.016百万（9.9%）。报告提醒这张表不能被解释为地区教育质量排行榜。

二、教育差距：49%和42%不是失学率

报告在呈现教育差距时做了一处很关键的口径澄清，这部分对做政策传播的人尤其重要。

UNICEF报告汇集42个国家的可用数据，其发布说明指出：与没有残障的儿童相比，残障儿童从未入学的可能性高49%，小学阶段失学的可能性高47%，初中阶段高33%，高中阶段高27%；具备基础阅读和数算能力的可能性低42%。

报告强调这些都是相对差异，不能读成"49%的残障儿童从未入学"或"基础能力得分低42个百分点"。为了说明相对差异的含义，报告给了一个纯粹的算术示例：假设某参照群体从未入学比例为10%，相对高49%对应的示例比例是14.9%，而不是49%，两组相差4.9个百分点——并明确标注这组数字只是解释计算关系的假设值，不是全球观测值。相对风险和政策传播中常见的"高49%"之间隔着一个很大的误读空间，报告专门用示例把这个空间填上了。

报告还提醒这些差距不是残障本身的单一因果效应。家庭经济状况、交通、冲突与流离失所、学校接纳程度、教材可访问性、健康服务和社会偏见可能共同影响教育机会；把比较差异直接归因于儿童的特征，会遮盖可以改变的制度因素。

中国这一端的数据报告给出了三年行政统计横向对比：2023年特殊教育学校2,345所、各种形式在校生91.20万人（其中特校内34.12万人）、特殊教育专任教师7.70万人；2024年为2,396所、91.59万人（34.54万人）、8.13万人；2025年为2,464所、92.70万人（特校内34.99万人）、8.51万人。报告特别提示：教师指标对应特殊教育学校及其他学校附设特教班，不覆盖所有为随班就读学生授课的普通学校教师，因此不宜直接推算全国师生比。此外，2025年适龄残疾儿童义务教育入学率达到97%，但报告提醒不将"入学"自动等同于经常到校、充分参与、达到学业目标或在普通课堂获得合适支持。

三、政策比较：七条线的共同底线与本地差异

报告第二篇用五章篇幅做政策比较，覆盖国际组织框架、美国英格兰加拿大澳大利亚的权利救济、欧盟及欧洲国家、亚洲与全球南方、以及中国的制度窗口。它的核心提醒是：法律、指导、计划和试点公告具有不同效力，不能混为一谈。

报告对中国的分析最为具体。它把2026年的政策变化视为一个新的制度窗口。2026年8月，教育部等七部门印发《特殊教育发展提升"十五五"行动计划》（文件签发日8月27日、官网发布日期8月31日，文号教基〔2026〕9号）。新计划单列特殊教育数字化发展，并明确探索人工智能助力特殊教育，涉及智能体、人机协同、因材施教、典型场景以及随班就读和送教上门等方向，同时强调课程、专业支持、经费、办学条件和师资建设。

如果你关心的正是PCB制造AI调研，《PCB制造AI调研：68%已用但41%未见效，》值得一起读。

报告就此提出三项解释，值得政策执行者参照：第一，AI应用应从真实服务需求出发，避免把"智能体"作为必须建设的独立项目名称；第二，人机协同意味着教师和专业团队具有明确职责，不能把"智能教师"直接理解为取消教师；第三，探索性任务需要证据累积，地方典型案例应说明样本、条件、过程和限制，不能把入选或获奖当作教育有效性的充分证明。

它举了两个具体场景。随班就读助教支持方面，AI可能协助准备材料、生成可访问内容、整理学习目标或提供经过审查的任务提示，但助教支持还涉及课堂关系、行为情境、情绪调节、同伴协作与安全照护——"简单把一个聊天界面称为'助教'，并不能证明服务已经到位"。送教上门方面，技术可以增加远程联系和材料获取，但不能让线上记录替代实际需要的专业服务。

换个角度看同一件事，《AI重塑工作流：从个人提效到流程重设计》算的是另一笔账。

在2026年4月教育部等五部门公开的"人工智能+教育"行动计划中，明确要求研发应用智能辅具，支持特殊教育学生相关监测、评估和训练。报告建议对"监测""评估""训练"分别定义：监测可以是观察已约定的任务表现，也可能涉及持续采集敏感行为或生理数据；评估可以是教师整理学习证据，也可能影响资格与安置；训练可能只是教育活动，也可能触及健康专业服务——不同用途需要不同证据和责任，不能因为同属一个政策词汇就采用相同管理方式。

法律层面，报告串联了四条基础：《残疾人教育条例》构成残障受教育权和相关教育支持的重要行政法规基础；2023年施行的《无障碍环境建设法》覆盖信息获取、使用、交流及社会服务；个人信息保护法律对健康、生物识别及不满14周岁未成年人的敏感个人信息设有专门规则；此外还有生成式人工智能服务管理暂行办法、2026年7月15日起施行的人工智能拟人化互动服务管理暂行办法、以及2025年开始实施的生成合成内容标识办法。

四、分类型理论：技术必须服从学习，而不是反过来

报告第三篇用七章处理不同支持需要，提出的分析入口很有价值：以需求与任务为单位，比以诊断名称直接匹配产品更稳妥。

它用一个课堂例子说明这个逻辑。以课堂口头讨论为例，障碍可能来自声音不可辨认，也可能来自发言速度过快、多人重叠讲话、术语没有解释、系统不支持替代输入，或者教师从不等待较慢的回应——不同原因需要不同干预，即时字幕可能解决其中一部分，却无法独自解决讨论组织问题。类似地，读屏软件能够朗读文本，但若教材只包含未经标记的图片、公式没有结构、图形关系没有说明，声音输出并不能恢复全部知识。

在视觉障碍部分，报告强调技术转换必须保留学科结构——把公式读成连续词语、把图表描述成外观印象，可能仍然无法支持推理。在聋与重听部分，它区分了字幕AI任务与手语AI任务，指出预录手语视频本身不是手语识别或生成模型。在孤独症部分，报告要求在课堂设计中把"提示依赖"纳入学习记录。在沟通与运动部分，报告提出了一个非常核心的指标——"表达所有权"：最终输出中有多少内容得到用户明确选择，错误预测能否被及时拒绝，用户是否可以主动表达系统不预期的意思。它给出的判断是：速度提升只有在这些条件下才具有教育价值。

报告还提出了AI作用的五分类：第一类改变信息通道（声音转文本、图像转可理解描述）；第二类调整教学材料与支持程度；第三类支持表达与行动（预测词语、识别非典型言语、辅助替代输入）；第四类减轻教师在整理和制作材料中的重复劳动；第五类帮助机构发现资源和服务中的问题。报告强调不同作用拥有不同风险结构，不能用同一个"准确率"概括。

在此基础上，报告划出了一条关键界线——区分辅助与裁决：把教材转换成学生可访问的版本，主要风险在内容遗漏和失真；决定学生应被安置在哪类学校，则涉及程序、公平和长远机会。即使两者使用相似模型，所需证据、审查强度和救济方式也不会相同。报告的基本建议是：让AI优先参与可以检查、可以修改、可以回退的支持任务；涉及教育资格、安置、处分和重大资源分配的决定，应保留明确的人类责任与申诉路径。一刀切的"AI进课堂"讨论常常把这两类任务混为一谈，而它们的责任结构完全不同。

五、37项案例：技术存在不等于教育有效

报告第五篇收录37项案例，最有价值的部分是它对证据分级的态度。报告提出了一个递进的验证链条需要逐层证明：技术存在、用户愿意使用、任务表现改善、长期教育效果，这四件事必须分别证明。

报告举了一个典型例子来说明为什么必须这样区分。荷兰一项73名孤独症儿童参与的探索性随机试验比较了关键反应训练、机器人辅助训练与常规服务，研究在干预结束时的若干一般社会沟通及总体功能指标上没有发现显著组间差异，随访则出现机器人辅助组较大的改善信号。报告的点评是："机器人有效"四个字会丢掉真正决定实践价值的信息——忠实的研究叙述需要保留时间点与结局差异。

几个具体案例的边界界定也很清楚。NUS AiSee（新加坡国立大学2024年公布原型，结合摄像头、AI语言交互和骨传导音频）可确认的是原型开发与用户参与，公开材料没有提供可引用的课堂学习效果样本或效应量。USC Kiwi研究将社会机器人与自适应任务结合，面向3至7岁孤独症儿童开展家庭使用，2019年论文报告17名参与者、平均部署约41天、16人完成后测，数学运算与推理前后测出现改善，但研究没有对照组；报告还特别澄清报道中的约90%识别指标并不是教学成功率。Yale家庭机器人研究在12个家庭中部署社会机器人，面向6至12岁孤独症儿童，提供小样本持续互动的证据，不能被改写成大型随机试验。SpeakFaster研究探索用大模型把缩略输入扩展为完整表达，包括两名肌萎缩侧索硬化（ALS）成人用户——报告提醒成人ALS使用者的语言经验和输入目标不能代表儿童、智力障碍或不同语言用户。

日本富山县的区域实践被用来演示"同一项目中辨认AI与普通ICT"的重要性：富山县政府记录了2022学年七所学校、涉及五类障碍的先进ICT实践，其中富山视障综合支援学校使用LOVOT开展编程与沟通学习，另有学校使用Pepper；报告明确指出七校是ICT项目范围，不能整体转换成七校AI成效研究。

报告对如何处理"没有找到可核验成效数据"的实践也给出了规则：只陈述实施存在和公开说明；对于宣传材料使用的"显著""全面""精准"等词，除非能与对应研究方法相匹配，否则不沿用。把"技术存在"和"教育有效"严格分开，是这份报告与多数AI教育宣传材料最本质的区别。

六、一所学校怎样开始：十二周试点与一页需求书

报告第二十五章提供了一套可以直接拿来用的学校实施路径，它的起点设置很克制：起点不是采购清单，而是尚未解决的学习障碍。

报告建议学校先整理已经存在的支持和仍然影响参与的问题——学生在哪些课程、时间和环境中遇到困难，教师目前怎样处理，哪些障碍来自材料、沟通、操作或组织，哪些可以通过简单调整解决。需求分析应听取学生与家庭意见，也应观察真实课堂。选择任务时报告给出两条标准：选择一至两个高频、影响明确且可以观察的任务作为起点；目标不宜写成"建设智慧特校"，而应说明谁在什么任务中获得什么改善。

它建议写一份"一页需求书"，说明目标任务、使用者与环境、现有支持、期望改善、必要输入输出、数据范围和不可接受后果。报告给的字幕需求书示例很具体：可以要求支持本校课程术语、允许关键错误修正、提供可回看内容、适配现有显示设备，并说明断网后如何继续；评价不只看转录准确率，还应看学生是否及时理解、是否增加视觉负担和教师修订时间。报告对此的判断是："这样的要求比'支持AI实时字幕'更容易验收。"

试点节奏上，报告给出一个十二周示例安排：第一至二周明确目标、整理现有表现与材料，完成必要配置和说明；第三至四周由教师共同使用，发现界面与课程问题；第五至九周进入稳定任务，记录主要结果与负担；第十至十一周检查迁移、持续性和不同情境；第十二周讨论保留、调整、扩大或停止。报告特别强调两点：试点期间应定期检查是否仍在回答原问题，若范围不断扩展到新功能，结果就难以解释；对必要支持不能为了比较而随意撤去。

报告还给出责任分工表，列出学校负责人、学科与特殊教育教师、学生与家庭、技术与数据人员、相关专业人员、区域或研究伙伴六类角色各自的主要责任和需要形成的可审查成果，并提示"人员离岗或学期更替时，需要有交接记录，避免项目依赖单一热心教师"。

七、十条研究结论：从证据综合走向行动判断

报告第二十八章给出十条研究结论，每条都包含可采取的行动方向，并保留本地验证的必要性。这是全文的收束，也是最便于直接引用的部分。

结论一，教育权利应决定技术目标。首要目标是扩大有意义的学习、表达、参与与自主，而不是增加设备、数据和自动化程度。效率可以是价值之一，但不能成为削减必要支持、降低课程期待或排除难服务人群的理由。同一条线索，我们在《人大2026全球AI治理合作报告解读》里做过更细的拆解，可以对照着看。

结论二，人口口径是全球比较的第一道质量关。所有重要数字都应附定义、年份、地域、来源与限制；全球估计应保留其估计性质，国家在校统计不应被当作全部需要人口，设备数量也不能当作受益效果。

结论三，政策进步必须通过服务链才能到达课堂。政策、预算安排、项目发布、实际使用和独立效果属于不同阶段，文件出现某项技术并不证明学校已经具备人员、材料与维护条件。

结论四，多种路径比统一界面更接近实质公平。系统应支持可调显示、语音、手语资源、替代输入、稳定词汇与可暂停交互，并允许使用者选择；"独立应理解为能够有效控制自己的活动"，而不是撤去长期必要支持。

结论五，教学理论决定AI怎样产生教育意义。每个应用应说明目标、机制、支持与评价之间的关系；若只追求正确率、注视或文本流畅度，技术可能优化了可测反应，却没有促进真正学习。

结论六，技术性能、可用性与教育效果必须分别证明。公开有限结果和失败能够提高整体知识质量，不能只保留最有利的数字与故事。

结论七，教师与沟通伙伴是技术价值的共同生产者。许多案例中的效果依赖教师设计、家长参与、专业支持与同伴回应；把全部成果归给模型，会低估实施成本，也会使推广时遗漏真正发挥作用的条件。

我们在整理《中欧AI白皮书：全球36%大模型源自中国》时也碰到过类似的分歧，那里的结论可以拿来对照。

结论八，数据治理与可纠错能力是教育质量的一部分。可靠制度不承诺永不出错，而是保证错误能够被发现、解释和处理。

结论九，可负担与可持续需要公共基础设施。模型成本下降并不自动解决特殊教育服务成本，内容审核、辅助输入、教师与专业人员、维护和转衔仍需投入；预算应覆盖全生命周期，并关注未被服务的人。

结论十，共同设计与持续更新，是有爱的技术未来的基础。学习者不是技术的被动受益者，也不只是训练数据来源，他们应参与定义问题、选择表达、评价负担和决定是否继续。

报告在收尾处提出了一个不依赖任何单一公司、模型或设备的共同承诺：让材料能够被访问，让沟通能够被回应，让支持能够被持续提供，让技术选择能够被解释，让学习者拥有改变安排的机会。报告对自身角色的定位也值得记住——研究的责任不是把不确定性包装成确定答案，而是帮助人们在不确定中作出更好的教育决定。对这份报告以及特殊教育、AI教育、无障碍方向的更多完整资料，可以到运营动脉（www.yydm.cn）检索，站点收录了覆盖300+行业的研究报告与产业方案，适合做政策研究与公益项目论证时集中备查。

延伸阅读

想继续往深里看，下面这几篇是同一主题线上比较扎实的解读。

《AI平台报告：拟人互动新规落地，智能体收拢》——切口是拟人互动新规落地，智能体收拢

《鼎帷咨询拆解OpenAI战略：估值8520亿美元》——重点是估值8520亿美元

八、常见问题解答（FAQ）

1. 这份报告是谁出的，规模和覆盖范围如何？

《全球人工智能+特殊教育发展报告：同一个世界，同一种爱》由AISLI编制，2026年中文版，资料截止日期为2026年9月3日。报告正文共28章，分六篇：共同权利与全球现实、政策与制度、学习与支持、技术与证据、真实案例、公共未来；按保守口径统计正文超过10万汉字；案例篇收录37项具名或可追溯项目；来源索引收录151个不同链接。报告面向教育政策制定者、特殊教育与普通学校管理者、教师、研究人员、公益与社会服务机构、家庭及技术研发者。

2. 报告如何自我定位方法论？

报告明确说明它同时是一项研究工作与一次AI辅助知识生产实践：AI参与了需求细化、学术线索检索、公开文件整理、跨来源核对、章节起草、图表设计和版式制作。同时它主动声明了边界——没有开展现场调查、学生试验、独立专家审稿或原始个体数据再分析，也不宣称完成预注册系统综述或穷尽全球全部项目；部分领域的证据仍以小样本、项目记录或产品方说明为主。报告强调"AI生成的内容不因语言流畅而被视为正确"。它还特别说明来源索引的151个链接不等同于151项独立效果研究。

3. 全球需要支持的学习者到底有多少人？

报告强调不能用单一数字回答。三组常用数据口径不同：WHO在2023年残障事实清单中估计，全球约13亿人经历显著残障、约占人口16%（全年龄估计）；UNICEF《Seen, Counted, Included》估计全球0至17岁残障儿童约2.3635亿（常概括为近2.4亿），其区域估计加总为236.350百万人、占儿童比例10.1%；WHO与UNICEF的2022年报告指出全球超过25亿人需要至少一种辅助产品、近10亿人无法获得。报告明确指出这些数字不能相加、不能互相替代，也不提出"全球AI特殊教育学生总数"这样的统一数字。

4. 教育差距的数据是什么，怎么读？

UNICEF报告汇集42个国家数据指出，与没有残障的儿童相比，残障儿童从未入学的可能性高49%、小学阶段失学可能性高47%、初中高33%、高中高27%，具备基础阅读和数算能力的可能性低42%。报告特别强调这些都是相对差异，不能读成"49%的残障儿童从未入学"。为说明含义，报告给出了算术示例：若参照群体从未入学比例为10%，相对高49%对应约14.9%（而非49%），两组相差约4.9个百分点，并明确标注这只是解释计算关系的假设值。报告还提醒差距不是残障本身的单一因果效应，家庭经济、交通、学校接纳程度、教材可访问性等制度因素同样起作用。

5. 中国特殊教育的现状数据是什么？

据中国教育部统计公报，2025年全国特殊教育学校2,464所，各种形式特殊教育在校生92.70万人（其中特殊教育学校内就读34.99万人），特殊教育专任教师8.51万人；2023年为2,345所、91.20万人、7.70万人；2024年为2,396所、91.59万人、8.13万人。报告特别提示，教师指标对应特殊教育学校及其他学校附设特教班，不覆盖所有为随班就读学生授课的普通学校教师，不宜直接推算全国师生比。此外，2025年适龄残疾儿童义务教育入学率达到97%，但报告提醒不将"入学"自动等同于经常到校、充分参与或达到学业目标。政策方面，2026年8月教育部等七部门印发《特殊教育发展提升"十五五"行动计划》（教基〔2026〕9号），单列特殊教育数字化发展并明确探索人工智能助力特殊教育。

6. 报告提出的十条研究结论是什么？

一、教育权利应决定技术目标（扩大有意义的学习、表达、参与与自主，而非增加设备与自动化程度）；二、人口口径是全球比较的第一道质量关；三、政策进步必须通过服务链才能到达课堂；四、多种路径比统一界面更接近实质公平；五、教学理论决定AI怎样产生教育意义；六、技术性能、可用性与教育效果必须分别证明；七、教师与沟通伙伴是技术价值的共同生产者；八、数据治理与可纠错能力是教育质量的一部分；九、可负担与可持续需要公共基础设施；十、共同设计与持续更新是有爱的技术未来的基础。

7. 使用这份报告需要注意什么？

有几点提示。第一，报告由AISLI以专题研究报告名义发布，属于研究机构的范围性研究与证据综合成果，不是官方政策文件或标准，其中提出的行动建议、责任分工表和十二周试点安排均为报告建议，需结合本地条件验证。第二，报告本身已经明确声明没有开展现场调查、学生试验、独立专家审稿或原始个体数据再分析，也没有完成预注册系统综述，部分领域证据以小样本、项目记录或产品方说明为主，其结论应在这些边界内理解。第三，报告大量使用AI辅助生产，虽然声明已对关键数字、政策时点、案例分母和研究设计进行核对，但引用统计时仍建议回到教育部、WHO、UNICEF等原始来源核对口径与基期，尤其是报告中反复强调的"分母"问题。第四，报告涉及未成年人、健康信息与生物识别等敏感数据，具体教育、临床与法律决定仍需相应人员和制度过程承担责任。