圖源：pixabay

導(dǎo)讀：

如何在不同的工作場(chǎng)景中使用人工智能？這是當(dāng)今時(shí)代的人們熱烈討論的一個(gè)話題。

亞馬遜云科技上海人工智能研究院院長(zhǎng)張崢認(rèn)為，要更好地應(yīng)用人工智能，理解其工作原理非常必要。然而，曾經(jīng)設(shè)計(jì)過(guò)上海紐約大學(xué)計(jì)算機(jī)導(dǎo)論課程的他，也發(fā)現(xiàn)專業(yè)教材門檻過(guò)高，傳統(tǒng)的教學(xué)設(shè)計(jì)過(guò)于陳舊，人工智能的教與學(xué)亟需更新。

在過(guò)去半年，張崢做了一個(gè)小試驗(yàn)，他與機(jī)器大模型合作共同設(shè)計(jì)了一門課：LLM4LLM，以問(wèn)答的方式讓人工智能來(lái)做多層次的人工智能教學(xué)，希冀為人工智能的學(xué)習(xí)與普及開創(chuàng)一條新的路徑。

用AI教AI，這是可能的嗎？以下是張崢關(guān)于這門課的設(shè)計(jì)思路、實(shí)踐與思考。

張崢|撰文

2016年我還在上紐大，組織了一個(gè)跨學(xué)科研究項(xiàng)目，召集了一群神經(jīng)科學(xué)家和計(jì)算機(jī)科學(xué)家，主題是探索人腦和機(jī)器學(xué)習(xí)模型的異同。項(xiàng)目開始時(shí)，我向神經(jīng)科學(xué)家們提了一個(gè)看似簡(jiǎn)單的問(wèn)題："當(dāng)我們看到一個(gè)蘋果時(shí)，怎么說(shuō)出'這是一個(gè)蘋果'？大腦中發(fā)生了什么？有哪些回路在工作？"我以為這個(gè)問(wèn)題幾個(gè)小時(shí)就能搞清楚。結(jié)果，他們討論了整整一個(gè)月，最終得出的結(jié)論是：大腦很復(fù)雜。我想說(shuō)，這個(gè)我也知道啊。

人的復(fù)雜就在于，永遠(yuǎn)講不清楚自己。

2025年，DeepSeek R1的發(fā)布完美搶鏡春節(jié)檔，將AI從技術(shù)圈的小眾話題推向了全民視野。街頭巷尾，茶余飯后，無(wú)人不談大模型：大模型到底是什么？有多厲害？

那么，今天的大模型強(qiáng)大到能說(shuō)清楚自己?jiǎn)幔?/p>

SAIXIANSHENG

AI領(lǐng)域局外人的困惑

AI時(shí)代降臨的速度之快、影響之深，讓大家沒有足夠的思想準(zhǔn)備。這個(gè)話題不僅在計(jì)算機(jī)領(lǐng)域熱議，認(rèn)知科學(xué)、神經(jīng)科學(xué)、人類學(xué)、歷史學(xué)、法律界、投資界等各個(gè)領(lǐng)域都在各自討論、爭(zhēng)論、舉辦研討會(huì)。

在這些場(chǎng)合和文章里，我經(jīng)常能讀到耳熟能詳?shù)腁I詞匯，可是我的觀察是，很多不同領(lǐng)域的發(fā)言都建立在對(duì)AI了解不夠深入的基礎(chǔ)上。

我可以出幾道題：

·關(guān)于維度："人類用語(yǔ)言交流，大模型用低維向量……" ——12288（GPT-3的工作維度）是"低"維度嗎？

·關(guān)于預(yù)測(cè)："和我們?nèi)祟惒灰粯?，大模型的預(yù)訓(xùn)練只是做下一個(gè)詞的預(yù)測(cè)而已，只是數(shù)據(jù)超級(jí)大……" ——next-token預(yù)測(cè)本質(zhì)上在做什么？為什么如此重要？只是因?yàn)榉奖阍诖髷?shù)據(jù)上訓(xùn)練嗎？

·關(guān)于推理：那些"推理"模型的飛躍，只是因?yàn)?蘿卜加大棒"的強(qiáng)化學(xué)習(xí)嗎？

·關(guān)于"混合專家"模型："大模型像人類學(xué)習(xí)的一種方式是集成了多個(gè)專家在網(wǎng)絡(luò)中"——這里的"專家"是指什么？

這些問(wèn)題并非故意刁難，十幾年前我從系統(tǒng)研究轉(zhuǎn)到機(jī)器學(xué)習(xí)時(shí)，第一個(gè)問(wèn)題就困惑了我很久：我們難道不是生活在一個(gè)只有4個(gè)維度的時(shí)空世界里嗎？文本作為一個(gè)序列，難道不是一維的嗎？

我認(rèn)為不同領(lǐng)域的專家在討論AI影響時(shí)，還是需要掌握一些最基本的AI通識(shí)。

SAIXIANSHENG

實(shí)踐者的盲區(qū)

如果說(shuō)外界對(duì)于AI的理解不夠深入是因?yàn)榭缧袠I(yè)的門檻太高、學(xué)習(xí)成本太高，AI從業(yè)者群體的問(wèn)題則是另一回事。因?yàn)榇竽Ｐ湍芰Φ膹?qiáng)大，很多工作實(shí)質(zhì)性地變成了提示詞工程。而很多研究型的實(shí)習(xí)生，雖然能把Transformer的公式倒背如流，但對(duì)大模型中用了哪些模塊以及這些模塊的必要性經(jīng)常說(shuō)不清楚。

可惜的是，雖然到處都能找到關(guān)于大模型的論文、教材和科普材料，但都存在這樣那樣的問(wèn)題：要么過(guò)于技術(shù)化，充滿數(shù)學(xué)公式和代碼細(xì)節(jié)，讓非專業(yè)人士望而卻步；要么過(guò)于淺顯，只停留在概念介紹層面，無(wú)法滿足真正想要深入理解的需求。在這兩個(gè)極端之間，似乎缺乏有彈性的中間地帶。

SAIXIANSHENG

用AI教AI的元實(shí)驗(yàn)

普及AI通識(shí)是個(gè)新問(wèn)題，卻也代表了AI時(shí)代教育的一般性問(wèn)題：教什么？怎么教？怎么學(xué)？

我和上紐大的計(jì)算機(jī)院長(zhǎng)Nasir Memon教授很熟，經(jīng)常喝酒聊天，教育改革是其中一個(gè)常聊的話題。上紐大的計(jì)算機(jī)導(dǎo)論課程是我在2014年加入時(shí)從頭設(shè)計(jì)的，據(jù)說(shuō)很受歡迎，其中的機(jī)器學(xué)習(xí)部分內(nèi)容因此也有十多年歷史，相當(dāng)老舊。今年3月，Nasir挑戰(zhàn)我說(shuō)："暑期班還要教，你不滿意，有什么辦法？"

這促使我啟動(dòng)了一個(gè)元實(shí)驗(yàn)——用AI教AI。

“用AI教AI”，聽上去非常像一個(gè)遞歸陷阱——就像讓鏡子照鏡子一樣。但其可能性來(lái)自這一兩年我平時(shí)閱讀論文習(xí)慣的變化。

在前AI時(shí)代，一篇好文章的細(xì)讀要花不少時(shí)間，我的一個(gè)煩惱是會(huì)被技術(shù)細(xì)節(jié)困住。即便有些問(wèn)題身邊的同事能解答，我也經(jīng)常存疑跳過(guò)，原因有二：不想打擾別人，以及——說(shuō)實(shí)話——不好意思暴露無(wú)知。

去年這個(gè)時(shí)間點(diǎn)AI還有大量幻覺問(wèn)題，把文章扔進(jìn)AI進(jìn)行對(duì)話，經(jīng)常會(huì)把人帶到溝里去。現(xiàn)在最新的模型幻覺問(wèn)題顯著減少，可以深度討論、在提問(wèn)中實(shí)時(shí)補(bǔ)充論文之外的必要知識(shí)，特別有用的論文再把原文讀一遍，效率非常高。

換句話說(shuō)，“讓AI教AI”這個(gè)元實(shí)驗(yàn)的可行性建立在兩個(gè)重要前提上：存在準(zhǔn)確可靠的學(xué)術(shù)資料供AI參考，以及AI本身足夠靠譜不會(huì)胡說(shuō)八道。

在這個(gè)前提下，用AI教學(xué)有明顯超越人類教師的優(yōu)點(diǎn)：

·AI具有超強(qiáng)的適應(yīng)性。它可以根據(jù)學(xué)習(xí)者的背景調(diào)整解釋方式，提供不同深度的答案，舉出各種類比，實(shí)時(shí)回應(yīng)困惑和問(wèn)題。

·AI的教學(xué)無(wú)限耐心。它不會(huì)因?yàn)榉磸?fù)提問(wèn)而厭倦，不會(huì)因?yàn)閱?wèn)題簡(jiǎn)單而不耐煩，也沒有任何情緒化反應(yīng)，因此可以破解學(xué)習(xí)者"不好意思問(wèn)"的心理障礙。

3.1設(shè)計(jì)理念

有了前面的分析和個(gè)人體驗(yàn)，我開始著手設(shè)計(jì)這個(gè)"LLM4LLM"的課程。其中比較重要的設(shè)計(jì)理念是以下這些：

·多層次自適應(yīng)。能適應(yīng)三類學(xué)習(xí)者：通識(shí)學(xué)習(xí)者（注重概念理解和直覺建立）、技術(shù)實(shí)踐者（需要看到代碼實(shí)現(xiàn)和工程細(xì)節(jié)）、理論研究者（關(guān)心數(shù)學(xué)基礎(chǔ)和前沿進(jìn)展）。

·端到端。除了教學(xué)內(nèi)容，也要評(píng)估和反饋。通過(guò)pre-prompt設(shè)定期望，session prompt引導(dǎo)探索，post-prompt進(jìn)行多維度評(píng)分，形成完整的學(xué)習(xí)循環(huán)，讓AI能夠感知學(xué)習(xí)效果并動(dòng)態(tài)調(diào)整教學(xué)策略。

·第一性原理驅(qū)動(dòng)。從"為什么"開始，再講"是什么"、"怎么做"。思維方式的訓(xùn)練要遠(yuǎn)比知識(shí)本身更重要。

·啟發(fā)式教學(xué)。模仿蘇格拉底對(duì)話風(fēng)格，培養(yǎng)學(xué)生批判性思考和提問(wèn)能力。但與傳統(tǒng)不同的是，我們鼓勵(lì)學(xué)生反向提問(wèn)，打破師生界限，讓學(xué)習(xí)變成真正的雙向交流。

·走必要的捷徑。不拘泥于大模型發(fā)展的歷史軌跡，從第一性原理重構(gòu)敘事線條。歷史很有趣，但課程的目標(biāo)是讓學(xué)習(xí)者建立正確的概念框架，而不是重走研究者踩過(guò)的坑。如果學(xué)習(xí)者想了解歷史，可以在對(duì)話中直接問(wèn)，但這不應(yīng)該成為課程設(shè)計(jì)的主框架。

·保持開放，支持動(dòng)態(tài)自我更新。AI領(lǐng)域變化太快，大模型的基礎(chǔ)研究仍在實(shí)時(shí)進(jìn)行，我們要能實(shí)時(shí)收納新內(nèi)容、更新錯(cuò)誤，成為一門具有自我更新能力的"活"的課程。另一個(gè)重要方面是能吸納新的教學(xué)方式，關(guān)于這點(diǎn)我在后面討論課程局限時(shí)會(huì)專門分析。

3.2課程結(jié)構(gòu)與內(nèi)容概覽
整個(gè)課程采用漸進(jìn)式設(shè)計(jì)，包含14個(gè)主題會(huì)話，圍繞從基礎(chǔ)預(yù)測(cè)到高級(jí)推理的3個(gè)核心模塊展開，系統(tǒng)涵蓋64個(gè)知識(shí)點(diǎn)——這些都是理解大型語(yǔ)言模型的關(guān)鍵概念，同時(shí)也是現(xiàn)代機(jī)器學(xué)習(xí)的部份分代表性理論基礎(chǔ)。大部分知識(shí)點(diǎn)都用三層學(xué)習(xí)架構(gòu)，適配不同背景的學(xué)習(xí)者需求，并配備30+個(gè)交互式可視化工具，將抽象的技術(shù)概念轉(zhuǎn)化為直觀的學(xué)習(xí)體驗(yàn)。 .

模塊內(nèi)容架構(gòu)

Module 1:詞預(yù)測(cè)與嵌入基礎(chǔ)(5個(gè)會(huì)話, 27個(gè)知識(shí)點(diǎn))
核心問(wèn)題：為什么簡(jiǎn)單的下一詞預(yù)測(cè)能夠產(chǎn)生如此強(qiáng)大的語(yǔ)言理解能力？

從最直觀的統(tǒng)計(jì)語(yǔ)言建模開始，引導(dǎo)學(xué)習(xí)者深入理解預(yù)測(cè)的本質(zhì)機(jī)制。我們以易于理解的N-gram模型為起點(diǎn)，讓學(xué)習(xí)者直觀體驗(yàn)基于詞表和詞頻的預(yù)測(cè)方法及其固有局限性，從而自然地引出神經(jīng)網(wǎng)絡(luò)方法的必要性。這一模塊是理解大模型在向量空間工作原理的關(guān)鍵基礎(chǔ)——不深入理解詞嵌入(embedding)的概念和機(jī)制，就無(wú)法真正掌握大型語(yǔ)言模型的工作原理。通過(guò)逐步構(gòu)建從離散符號(hào)到連續(xù)向量表示的認(rèn)知橋梁，為后續(xù)的復(fù)雜架構(gòu)學(xué)習(xí)奠定堅(jiān)實(shí)基礎(chǔ)。

Module 2: Transformer架構(gòu)與訓(xùn)練(4個(gè)會(huì)話, 15個(gè)知識(shí)點(diǎn)
核心問(wèn)題Transformer是怎么練成的？

這是課程的核心模塊。我們摒棄傳統(tǒng)的歷史發(fā)展路徑(RNN→LSTM→Attention)，而是從用戶熟悉的關(guān)鍵詞搜索體驗(yàn)出發(fā)，以"生成式搜索引擎"的概念作為理解Transformer的切入點(diǎn)。通過(guò)這個(gè)直觀的類比，我們系統(tǒng)闡釋Transformer架構(gòu)中注意力機(jī)制和前饋網(wǎng)絡(luò)的設(shè)計(jì)邏輯，然后循序漸進(jìn)地整合其他關(guān)鍵技術(shù)組件。這種從第一性原理出發(fā)的教學(xué)方法，最終引導(dǎo)學(xué)習(xí)者完整構(gòu)建出一個(gè)可運(yùn)行的大型語(yǔ)言模型，真正做到知其然且知其所以然。

Module 3:推理與對(duì)齊(5個(gè)會(huì)話, 22個(gè)知識(shí)點(diǎn)
核心問(wèn)題推理能力是如何從簡(jiǎn)單預(yù)測(cè)中涌現(xiàn)的？強(qiáng)化學(xué)習(xí)在其中扮演什么關(guān)鍵角色？

聚焦于當(dāng)前最前沿的研究話題：大模型如何從基礎(chǔ)的模式匹配演進(jìn)為具備復(fù)雜推理能力的智能系統(tǒng)。深入探討強(qiáng)化學(xué)習(xí)在這一轉(zhuǎn)變過(guò)程中的核心作用機(jī)制，思考過(guò)程的"暗數(shù)據(jù)"的發(fā)掘在其中的關(guān)鍵作用，以及人類反饋如何指導(dǎo)模型行為的對(duì)齊過(guò)程。

知識(shí)點(diǎn)分層

每個(gè)知識(shí)點(diǎn)都標(biāo)注了適用層次：(C) Core Concepts- 適合所有學(xué)習(xí)者的概念理解,(I) Implementation- 需要基礎(chǔ)編程背景（Python）的實(shí)現(xiàn)細(xì)節(jié),(T) Theory- 數(shù)學(xué)和理論基礎(chǔ)。C類適配AI通識(shí)教育，先實(shí)踐(I)再理論(T)的順序是基于以下的考量：數(shù)學(xué)公式雖然深入、精準(zhǔn)，但遠(yuǎn)不如可以跑的代碼直觀，而且大模型編程的技術(shù)，可以倒逼理論型研究者不要只在公式里繞圈，而是要有動(dòng)手做實(shí)驗(yàn)的能力。

學(xué)習(xí)過(guò)程：簡(jiǎn)單三步法

首先選擇一個(gè)前沿聊天機(jī)器人（我測(cè)試了Claude、GPT、Gemini、Grok，以及初步試用了DeepSeek），一個(gè)比較重要的要求是對(duì)長(zhǎng)上下文的支持。然后采用結(jié)構(gòu)化的三步教學(xué)流程：

·加載pre-prompt建立學(xué)習(xí)框架和AI教學(xué)規(guī)則；

·打開某個(gè)session prompt開始圍繞核心問(wèn)題的引導(dǎo)式學(xué)習(xí)；

·最后加載post-prompt進(jìn)行多維度的學(xué)習(xí)效果評(píng)估和下一步建議。

每個(gè)主題會(huì)話都是一個(gè)完整的學(xué)習(xí)單元，可以按自己的節(jié)奏進(jìn)行，支持暫停續(xù)學(xué)和知識(shí)點(diǎn)間的自由跳轉(zhuǎn)。如果學(xué)習(xí)者只對(duì)某個(gè)知識(shí)點(diǎn)感興趣，也可以通過(guò)對(duì)話直接切入。

整個(gè)過(guò)程支持即時(shí)語(yǔ)言切換——無(wú)論何時(shí)，學(xué)習(xí)者都可以用中文、英文、日文等任何語(yǔ)言發(fā)出請(qǐng)求，AI會(huì)立即適配，真正實(shí)現(xiàn)無(wú)語(yǔ)言障礙的學(xué)習(xí)體驗(yàn)。這個(gè)功能純屬意外發(fā)現(xiàn)。當(dāng)時(shí)我正在向一位希臘教授演示，演示進(jìn)行到一半，我突然好奇心發(fā)作："Please teach this in Greek!" AI二話不說(shuō)就切換了。那一刻我們倆都愣住了，然后笑著說(shuō)，這大概是歷史上第一門真正的世界語(yǔ)課程。

從哲學(xué)問(wèn)題先開始

大家當(dāng)然可以按模塊順序?qū)W習(xí)，但我設(shè)計(jì)了一個(gè)特別的“哲學(xué)書簽”路徑：先從最后一課（Session 3.4）開始，憑直覺回答那些關(guān)于AI智能、理解和意識(shí)的哲學(xué)問(wèn)題，學(xué)完所有技術(shù)內(nèi)容后再回到3.4，再討論一遍同樣的問(wèn)題。這就像給自己對(duì)智能的認(rèn)知做了個(gè)“before-after”對(duì)比——沒有標(biāo)準(zhǔn)答案，但有更深刻的思考。

以經(jīng)典的“中文房間”問(wèn)題為例：哲學(xué)家Searle提出了一個(gè)思想實(shí)驗(yàn)——想象一個(gè)不懂中文的人被關(guān)在房間里，房間里有一本詳細(xì)的規(guī)則手冊(cè)，告訴他如何根據(jù)收到的中文字符來(lái)輸出相應(yīng)的中文回復(fù)。從外面看，這個(gè)房間似乎'理解'中文，但房間里的人其實(shí)完全不知道這些符號(hào)的含義。Searle以此論證：僅僅按規(guī)則操作符號(hào)并不等于真正的理解，因此計(jì)算機(jī)也不可能真正理解語(yǔ)言。

但當(dāng)你理解了LLM的工作原理后，可以用全新的視角審視這個(gè)問(wèn)題：房間里不是一個(gè)無(wú)知的人在查規(guī)則表，而是有數(shù)十億個(gè)'小人'（神經(jīng)元），它們傳遞、加工和轉(zhuǎn)換的不是無(wú)意義的符號(hào)，而是在向量空間中編碼了真實(shí)語(yǔ)義關(guān)系的詞匯表示。這種分布式的語(yǔ)義處理是否構(gòu)成了一種新形式的'理解'？

也許你會(huì)發(fā)現(xiàn)，中文房間論證本身可能基于了過(guò)于簡(jiǎn)化的假設(shè)。第一，它假設(shè)輸入的是離散的'字符'而非連續(xù)的語(yǔ)義表示；第二，它假設(shè)處理單元是單一的'人'而非分布式的神經(jīng)網(wǎng)絡(luò)。當(dāng)這兩個(gè)假設(shè)都不成立時(shí)，整個(gè)論證的基礎(chǔ)就變得可疑了。事實(shí)上，推翻這兩個(gè)隱蔽的假設(shè)使得?腦和類腦更接近而不是相反。

很多經(jīng)典的哲學(xué)問(wèn)題——從意識(shí)的本質(zhì)到智能的定義——在學(xué)習(xí)完AI的工作原理之后，都值得重新審視。

3.3課程局限與改進(jìn)方向
這個(gè)課程有幾個(gè)需要持續(xù)改進(jìn)的方面，這些挑戰(zhàn)既體現(xiàn)了當(dāng)前技術(shù)的局限，也給將來(lái)的AI教育提供了一些參考。

教學(xué)方法的挑戰(zhàn)。蘇格拉底式的不斷提問(wèn)雖然能激發(fā)深度思考，但也可能讓學(xué)習(xí)者感到疲憊和被"審問(wèn)"的壓力，特別是對(duì)那些習(xí)慣被動(dòng)接受知識(shí)的學(xué)習(xí)者。目前我們鼓勵(lì)學(xué)生注意節(jié)奏，不要每次學(xué)太多，更重要的是用主動(dòng)反問(wèn)來(lái)打破這種單向的質(zhì)疑模式，但這種平衡仍需要更精細(xì)的調(diào)控。

更關(guān)鍵的是個(gè)性化教學(xué)適配的難度。一方面是層次差異難以彌合：某些核心概念（如embedding的高維語(yǔ)義空間）在純概念層面很難真正理解，不涉及代碼實(shí)現(xiàn)和數(shù)學(xué)推導(dǎo)就容易流于表面，但對(duì)于非技術(shù)背景的學(xué)習(xí)者，這些內(nèi)容又可能過(guò)于復(fù)雜。另一方面是反饋整合機(jī)制的問(wèn)題：AI目前的一個(gè)大問(wèn)題是"諂媚"傾向，我做過(guò)一個(gè)測(cè)試：在整個(gè)學(xué)習(xí)會(huì)話中只說(shuō)'你來(lái)告訴我'，完全不參與思考，然后用post-prompt評(píng)估。結(jié)果AI大方地給了我及格分?jǐn)?shù)。這讓我意識(shí)到，AI可能是世界上最好脾氣的老師，但也可能是很不靠譜的評(píng)估者。換句話說(shuō)，如果無(wú)法有效識(shí)別真實(shí)的學(xué)習(xí)狀態(tài)并據(jù)此調(diào)整后續(xù)的教學(xué)策略，個(gè)性化學(xué)習(xí)就會(huì)完全失效。

單一形式的局限。語(yǔ)言能力是人類能力中相當(dāng)晚涌現(xiàn)出的能力，而就像科普作家、記者Ed Yong在“An Immense World”（《感官的巨大世界》）一書中提到的，人類在視覺能力上在動(dòng)物界是可以稱王的。但是，即使用母語(yǔ)閱讀文字也會(huì)很快感到疲憊——若全部基于聊天機(jī)器人，閱讀純文字和代碼，時(shí)間一長(zhǎng)還是很累。目前我們通過(guò)31+個(gè)靜態(tài)可視化工具來(lái)緩解這個(gè)問(wèn)題，但這還遠(yuǎn)遠(yuǎn)不夠。短期內(nèi)，我們需要更豐富的交互式媒體內(nèi)容；長(zhǎng)期來(lái)看，理想的解決方案是讓AI根據(jù)學(xué)習(xí)者的具體困難生成個(gè)性化的動(dòng)態(tài)講解——當(dāng)你對(duì)某個(gè)概念困惑時(shí)，AI能實(shí)時(shí)生成針對(duì)性的動(dòng)畫演示，配上語(yǔ)音解說(shuō)，隨時(shí)給你豎起一塊小黑板。

順便說(shuō)一下，測(cè)試中有不少AI會(huì)熱情地說(shuō)“我給你畫個(gè)圖解釋一下吧”——千萬(wàn)別答應(yīng)。我在pre-prompt中已經(jīng)明確要求優(yōu)先使用現(xiàn)有的可視化資源，因?yàn)槟壳癆I的繪畫水平基本上停留在'靈魂畫手'階段，看了只會(huì)更困惑。

驗(yàn)證覆蓋的不足。課程包含64個(gè)知識(shí)點(diǎn)和數(shù)千種可能的對(duì)話路徑，而目前的測(cè)試主要局限于設(shè)計(jì)者自己的體驗(yàn)和少數(shù)試用者的反饋。這種"作者測(cè)試作品"的模式顯然不夠充分。理想的驗(yàn)證方案應(yīng)該包括：用零知識(shí)的大模型作為"學(xué)生模型"，讓它與"教師模型"進(jìn)行完整的學(xué)習(xí)對(duì)話，然后設(shè)計(jì)標(biāo)準(zhǔn)化測(cè)試來(lái)評(píng)估各個(gè)知識(shí)點(diǎn)的掌握程度。

同時(shí)，AI領(lǐng)域的快速發(fā)展意味著內(nèi)容需要持續(xù)更新——我們?cè)O(shè)計(jì)了一個(gè)讓LLM自主收集新研究并提出內(nèi)容修改建議的機(jī)制，但這套動(dòng)態(tài)更新系統(tǒng)還沒有經(jīng)過(guò)實(shí)戰(zhàn)檢驗(yàn)。

人類教師角色的重新定位。這或許是最根本也最復(fù)雜的挑戰(zhàn)。"LLM4LLM"代表了教學(xué)模式光譜的一個(gè)極端：完全自主學(xué)習(xí)。但在現(xiàn)實(shí)中，更可能的情況是各種混合模式——教師可以使用全部或部分材料來(lái)設(shè)計(jì)傳統(tǒng)課程，讓學(xué)生先自學(xué)某些知識(shí)點(diǎn)再進(jìn)行課堂討論，或者在傳統(tǒng)教學(xué)中穿插AI對(duì)話環(huán)節(jié)。我的直覺是，最有效的方式可能是將AI自學(xué)和人際討論結(jié)合起來(lái)。畢竟，我自己最有創(chuàng)意的想法往往來(lái)自與同事們的討論，這門課程本身的制作就很說(shuō)明了這一點(diǎn)。

如何利用好AI來(lái)做課程改革是一個(gè)非常重要的問(wèn)題。但問(wèn)題是，當(dāng)前的學(xué)術(shù)體系并不鼓勵(lì)教學(xué)創(chuàng)新。研究型教師的職業(yè)發(fā)展主要看研究成果，教學(xué)創(chuàng)新在評(píng)價(jià)體系中的地位大概相當(dāng)于餐廳里的裝飾品——有更好，沒有也不影響"主菜"。所以一旦課程設(shè)計(jì)完成，很少有人愿意投入精力持續(xù)改進(jìn)教學(xué)方法。顯然，這是一個(gè)制度性挑戰(zhàn)。

3.4開發(fā)的故事
我們?cè)凇?3天的開發(fā)周期中，在24個(gè)不同的日子里提交了代碼，平均每個(gè)活躍日進(jìn)行6.4次提交，總共增加了19,419行代碼，刪除了9,014行，整體變更接近3萬(wàn)行”（引號(hào)中數(shù)據(jù)由GPT的Codex工具調(diào)研完成），這還不包括30+個(gè)交互式可視化工具的開發(fā)工作。

這里的"我們"，指的是我與Claude、GPT的協(xié)作。因?yàn)榘滋爝€有研究院的工作，我只能在晚上和周末加班，這樣強(qiáng)度的工作沒有AI工具的加持，在以前是不能想象的。一般情況下我得設(shè)計(jì)完模塊和主題，以及知識(shí)點(diǎn)，相當(dāng)于搭建好腳手架，然后讓Claude生成Prompt，在Claude和GPT上做測(cè)試，其中花時(shí)間最多的是建立學(xué)習(xí)框架和AI教學(xué)規(guī)則的Pre-prompt，如果不仔細(xì)調(diào)試的話，這些聊天機(jī)器人經(jīng)常會(huì)不遵守知識(shí)點(diǎn)的順序，實(shí)際上我現(xiàn)在也不能保證它們不會(huì)橫跳（當(dāng)然學(xué)生總是可以提示它回到知識(shí)點(diǎn)來(lái)）。

當(dāng)然，這也解釋了為什么前面提到的測(cè)試覆蓋和驗(yàn)證工作相對(duì)有限——一個(gè)人的精力終究是有限的，即使有AI助手。

正因如此，我們歡迎各種形式的貢獻(xiàn)。無(wú)論是內(nèi)容完善、錯(cuò)誤修正、新的可視化工具，還是測(cè)試反饋和教學(xué)實(shí)踐經(jīng)驗(yàn)分享，都將幫助這個(gè)項(xiàng)目變得更加完善。

SAIXIANSHENG

鏡像中的智能——AI教育中不可缺失的“I”

我認(rèn)為

AI 的通識(shí)教育必須包括對(duì) "I" ，也就是人類智能的部分，否則是不完整的。從這個(gè)角度來(lái)看，這個(gè)課程還缺了一大半。

但是我認(rèn)為這門課程設(shè)計(jì)時(shí)背后的三個(gè)基本原理——信息的分布式表示、注意力與模式檢索、目標(biāo)導(dǎo)向的學(xué)習(xí)——不僅解釋了AI系統(tǒng)的運(yùn)作機(jī)制，同時(shí)也反映了人類認(rèn)知的基本方面。關(guān)于智能，我屬于“智能與基質(zhì)無(wú)關(guān)派”（intelligence is substrate independent）——智能體要在一個(gè)復(fù)雜動(dòng)態(tài)的世界中'卷'，用硅基還是碳基來(lái)實(shí)現(xiàn)并不重要。

但是硅基智能（AI）從碳基智能（我們）的軌跡中學(xué)習(xí)，畢竟沒有走漫長(zhǎng)的演化路線，結(jié)構(gòu)不同并不意外。幾年前我強(qiáng)烈相信AI的打造必須要從類腦開始，現(xiàn)在基本放棄了這樣的信條，不過(guò)依然相信有借鑒的必要，只是必須有選擇性。

當(dāng)我們用心理學(xué)家Kahneman的System 1和System 2框架來(lái)審視這個(gè)問(wèn)題時(shí)，跨物種的對(duì)比變得格外有趣。人類的System 1（快速、直覺、自動(dòng)的思維）對(duì)應(yīng)著LLM的即時(shí)預(yù)測(cè)能力，而System 2（慢速、理性、需要努力的思維）則對(duì)應(yīng)著推理模型的思維鏈條。兩者都在解決同樣的根本問(wèn)題：如何在有限的計(jì)算資源下，既要快速響應(yīng)環(huán)境，又要處理復(fù)雜的推理。

實(shí)現(xiàn)方式的差異同樣引人深思。比如腦科學(xué)的研究表明人類的語(yǔ)言處理主要來(lái)自兩個(gè)腦區(qū)的協(xié)作（Broca區(qū)負(fù)責(zé)語(yǔ)法和語(yǔ)言產(chǎn)出，Wernicke區(qū)負(fù)責(zé)語(yǔ)義理解），而大模型則是通過(guò)重復(fù)執(zhí)行attention-FFN塊來(lái)實(shí)現(xiàn)語(yǔ)言理解。然而，在這些截然不同的架構(gòu)背后，我們卻發(fā)現(xiàn)了驚人的功能相似性——比如預(yù)測(cè)（腦科學(xué)中的predictive coding），比如注意力機(jī)制，這些根本模塊似乎是智能系統(tǒng)篩選相關(guān)信息的通用解決方案。

來(lái)源：賽先生

原標(biāo)題：張崢：用AI教AI可行嗎？

編輯：涼漸

轉(zhuǎn)載內(nèi)容僅代表作者觀點(diǎn)

不代表中科院物理所立場(chǎng)

如需轉(zhuǎn)載請(qǐng)聯(lián)系原公眾號(hào)