ARTICLE · 1324154
每周一讲丨AI 是怎么学会的?
11 月 6 日晚上 8 点，丁玉海名师工作室编程创客项目组的李萌老师，带来了人工智能通识教育第九课——面向六年级学生的《AI 是怎么学会的？》。课程延续系列“先上课、再说课”的形式：30 分钟真实课堂 + 10 分钟面向教师的设计拆解。前八期里，孩子们认识了 AI 的“眼睛”和“耳朵”，学会了让 AI 画画、听懂提示词、批改作业，也在 L1 收官课上，把七样本领拼成了一张“AI 成长地图”。地图拼完了，可上面始终缺一块——AI 这些本领，到底是从哪儿来的？
这一课，李萌老师把缺的那一块补上了。而且她没有直接讲答案，而是先递给孩子们一个新身份。
情境导入：你不是使用者，你是AI小老师
课堂第一句，李老师就把题目的重音拧了个方向：
“这节课的题目是《AI 是怎么学会的？》。注意，不是问‘AI 有多厉害’，是问‘它怎么学会的’。就像我们不问‘你怎么这么会骑车’，而要问‘你当初是怎么学会骑车的’。”
接着是三个孩子们天天在用的东西：手机相册——拍了八百张照片，它自己就分好了类，还能认出你家那只猫；小音箱——喊一句“放首歌”，它就放了；短视频——刷什么多就一直推什么，比你自己还清楚你喜欢看什么。
然后是一个只要三秒钟的问题：“它们，上过学吗？”
没有老师讲课，没有课本，没有考试。可它们就是会。
“那它们是怎么会的？这就是今天要拆开看的秘密。拆开之后你会发现：它们用的办法，和你学东西的办法，是同一种。”
这就是这节课的第一次身份置换：孩子不是 AI 的使用者，而是 AI 的小老师。它认对了，是老师的功劳；它认错了，是老师没教好。
三个选项：教电脑认「3」，你会怎么教？
第二个任务更像一道选择题。
一台电脑，这辈子从没见过数字。你说“3”，它一点感觉都没有。现在请你当老师，教它认识“3”，你会怎么教？
A：把规则写给它——先画一个弯，再画一个弯，最下面来一横，这就是 3。
B：给它看很多很多例子——几百张写着 3 的图片，让它自己琢磨。
C：什么也不说——丢一堆图片过去，看它能不能自己分出来。
孩子们举手、喊答案。李老师不急着判对错，只多问一句：“你凭什么这么想？你选的这个办法，你自己小时候学东西的时候用过吗？”
答案揭晓的方式很妙——“这三个选项，正好就是人类研究 AI 的三条路。有成功的，有失败的，也有今天特别火的。”
一条选择题，就这样变成了整节课的路线图。
原理揭示：AI 的课本：一张一张的「题 + 答案」
AI 要学会，第一样东西是数据。李老师把它翻译成一句孩子立刻懂的话：数据，就是 AI 的课本。台上是一叠卡片，每张正面写着一个数字。但关键在背面——每张卡片背后都写着答案。正面是 3，背面写着“3”。这个写在背后的答案，正式名字叫标签。“我们的课本是知识，它的课本是一张一张的‘题 + 答案’：题是图片，答案是标签。你想想，如果有人给你看字，却从来不告诉你念什么，你能学会吗？学不会。AI 也一样——没有例子，它什么也学不会；没有答案，它连自己在学什么都不知道。”
讲到这里，李老师埋了一颗很深的伏笔：“这些答案，是谁写的？这个问题先记着，课快结束的时候我们回来算账。”
（1）AI 眼里的「3」：784 个数字
人看一眼就知道是 3。AI 没有眼睛，它看见的是另一回事——把图放大、再放大，变成一格一格的小方块，每个方块里藏着一个数字：亮的地方数字大，暗的地方数字小。接着是一道现场算术题：这张图 28 格宽、28 格高，一共多少个格子？全班一起算：28 × 28 = 784。
“所以在 AI 眼里，这张‘3’根本不是‘3’，而是 784 个数字排成的一个方阵。这 784 个数字，就是它的特征——它拿来认人的‘长相的特点’。”
有意思的是后半句：“AI 说不清自己找到了什么特点。它不会说‘这是耳朵’，它找到的是一堆我们说不出口、但特别好用的特点。”
图：课件页
（2）它凭什么猜？——比「像不像」
重点来了。一张没见过的新图，它凭什么猜出这是 3？三步：第一步，新图来了，它不认识；第二步，它干了一件特别笨但特别管用的事——把新图跟课本里每一张老图都比一遍，算出“有多像”；第三步，找出最像的那一张，那张老图背后写的是 3，它就猜 3。这个办法有个名字，叫最近邻——“最近的邻居”。
“它根本不认识‘3’这个字，它只是找到了长得最像的那一页，然后照抄那一页的答案。”紧接着，两个问题被留在教室里，暂时不许回答：如果课本里只有 5 张，最像的那张能有多像？如果最像的那张，背后的答案被人写错了呢？
（3）数据、算法、模型：骑自行车的那个“说不清”
算法，是一套“看例子、比一比、归归类”的规矩。就这三步，但要重复成千上万次。“学过编程的同学你注意——这本质上就是一个循环，只是循环次数特别多。”
模型，是最难讲、也最重要的一个。李老师没有下定义，而是给了一个每个孩子都有的经验：
“你学骑自行车的时候，是不是摔过很多次？后来有一天，你突然就会了。现在我问你：你是怎么保持平衡的？你说得清吗？说不清。但你就是会。那个‘说不清但你就是会了’的东西，就是模型。”它是练出来的，看不见摸不着，装在 AI 的“脑子”里。你没法把它掏出来给别人看，但只要给它一张新图片，它立刻就能用上。
总结：数据是原料，算法是规矩，模型是练出来的结果。
（4）猜、对答案、改一点点：训练的真面目
AI 第一次看 3，也会猜错。可能猜成 8，可能猜成 5。
这就像学投篮：第一次投，砸框了，偏左。教练说“往右 1 厘米”，你挪 1 厘米，再投，还是偏，但比刚才近了。
AI 学东西也是三步：猜一个答案；对答案，有人告诉它“错了，这是 3”；改一点点，把“我差在哪儿”记下来。
“注意，是‘一丁点儿’。挪一次没用，它要挪成千上万次。所以‘训练’这个词，听起来很高科技，说白了就是——猜、对答案、改一点点，重复几万遍。”
这也解释了为什么 AI 要那么大的电脑、那么长的时间。“不是它聪明，是它练得多。跟你刷口算题一个道理：刷一百道和刷一万道，手感能一样吗？”
实践探索：三轮实验：5 张 → 20 张 → 故意改错 5 张
每组一叠印章卡，上面是两个外星部落——甲族和乙族。图案、边框、大小、角度都不一样，可真正的标准只有一处，卡片上一个字都不写，得自己从答案里找回来。四人分工：两个数据员，负责点屏幕、记分、掐时间；一个 AI，负责判断；一个裁判，负责对答案、喊停、监督规则。规则只有一条，特别重要：当 AI 的同学，只许按自己选的那条规律判断，中途不许改主意。
图：课件页
第一轮，只给 5 张。 各组报数，普遍在 40% 上下。为什么？因为 5 张太少，能解释它的说法不止一种——这 5 张里，三角的全是甲族、圆的全是乙族，可“看边框”也刚好对得上，两套说法都说得通。5 张凑出来的“规律”，很可能只是碰巧。
第二轮，给 20 张。 数字明显上去了，有的组还考了满分。同样一个人、同样的规则，为什么？因为这回四种图案都齐了，“圆”里既有甲族也有乙族，“三角”也是。按形状猜，猜不通了。假规律自己塌了，真正的标准才露出来：外框的线——虚线是甲族，实线是乙族。
第二轮，给 20 张。 数字明显上去了，有的组还考了满分。同样一个人、同样的规则，为什么？因为这回四种图案都齐了，“圆”里既有甲族也有乙族，“三角”也是。按形状猜，猜不通了。假规律自己塌了，真正的标准才露出来：外框的线——虚线是甲族，实线是乙族。
“这句话今天最值钱——不是例子多就行，还得例子对。你给它错的答案，它就认认真真把错的学进去，它不会怀疑你。”
数据三件事：多、杂、对
实验做完，概念才登场。数据好不好，看三件事。
第一，多。 只有 5 张的时候，碰巧就能凑出一条假规律；20 张，就不容易碰巧了。
第二，杂。 光多还不够。李老师举的例子很扎心：“给 AI 看 100 张同一个人写的 3，和给它看 20 个人各写 5 张，哪个更好？”后者更好——因为考试时遇到的是它没见过的人写的字。把一个人的字背得滚瓜烂熟，换个人它就傻了。
第三，对。 第三轮已经证明了。
那这三条哪个最重要？李老师给了一个明确的排序：对 > 杂 > 多。
“因为——数据一错，它学得比谁都认真。少，它学到的是‘碰巧’；错，它把假话当成真理记住了，而且它永远不会怀疑你。”
现场挑战：你来标注，AI 来学
讲完规矩，就上场干活。屏幕上是 10 张手写数字，都没有答案。
李老师先放大最潦草的那张：“你们觉得这是几？A 是 3，B 是 8，C 是 5。”
教室里意见不一致。有人说是 3，有人说是 8。“连我们人都意见不一致，你说 AI 难不难？”揭晓：是 3。
然后是一个很轻、却很关键的动作——点一下，把这张图标成 3。就这么一点，这张图就进了 AI 的课本。
“这个动作，正式名字叫数据标注。全世界有无数的人，每天的工作就是干这个——一张一张地看图、写答案。AI 有多聪明，很大程度上取决于这些人写得有多认真。”
随后是三个现场实验：只用这 10 张训练，准确率不太行，例子太少、字迹又都差不多；再补 150 张不同字迹的，准确率一下子上去了，因为多了、也杂了；故意把 60% 的标签标错，成绩立刻掉下来。
同样的数据量，只是答案错了，成绩就掉。“你们说，是多重要，还是对重要？——都对。但记住那句话：错的数据，比少的数据更可怕。”
图：课件页
两种学习：只差一个「答案」
回过头看，活动一、活动二里，孩子们其实一直在干同一件事：给例子、写答案。这件事有个正式的名字，而且分两种给法。
有答案的学习，叫监督学习。 每张卡片背后都写着答案，AI 看完一张翻过来一对：“哦，这是 3。”学完最擅长一件事——分类。智能垃圾桶就是靠这个：几十万张图片，每一张都被人标好了“可回收”“有害”“厨余”。
没答案的学习，叫无监督学习。 卡片背后什么也没写，没人告诉它谁是谁。它能干的事很有意思：分堆，也叫聚类——把长得像的放一起。短视频为什么总推你爱看的？平台把几亿用户按“看什么、看多久”分成一堆一堆，你被分进了某一堆，那一堆人爱看的就推给你。
但这里有个关键：“AI 只会说‘这几张像’，它说不出‘这是什么’。它没有答案，只能看见‘像不像’，看不见‘是什么’。”
追问更狠：“平台给你分完堆，它知道你叫什么名字吗？——它不需要知道。它只要知道‘你跟谁像’。”
课堂随即打开活动单“活动三”：一堆背后什么都没有的卡片，只能按“长得像”分成 3 堆。分完点“揭晓答案”，再点“让 AI 也分一次堆”，看它怎么分——孩子刚才干的事，正式名字就叫聚类。
图：课件页
AI 学歪了，算谁的？
课快结束，李老师回来“算账”了——那些答案，是谁写的？
一个真实场景：假设要做一个“认医生”的 AI，收集了十万张医生的照片来训练，结果这十万张里，九成是男性。训练完了，给它一张女医生的照片，它猜：这不是医生。
第一，AI 错了吗？——它没觉得有问题。它不会怀疑，只会照着学。数据里九成是男性，它就学到了“医生长这样”。
第二，那是谁的错？数据里本来就藏着偏见。这个东西有个名字，叫数据偏差。照片是谁拍的？标签是谁写的？他们的想法，会进 AI 的“脑子”。
第三，我们能做什么？换一批更全面的数据；标注的时候，多想一步。
“标注的时候多想一步”是什么意思？活动单“活动四”给了答案：这一叠卡片已经被人标好了答案，但里面混进了几张标错的，任务是当“数据医生”，把“病人”找出来。找完点“对答案”，再看“修好前 vs 修好后”两次准确率——同一批数据，只是把标错的改回来，AI 的成绩立刻就上去了。
“所以‘多想一步’，就是你刚才干的事：当那个把关的人。”
图：课件页
总结提升:给例子——找特征——练模型——考一考。
给例子就是数据，找特征就是特征，练模型就是模型，考一考就是推理。这四个词，以后看到任何一个 AI 都能套一遍——你家的智能音箱：它听了多少人的说话？它怎么分辨“放歌”和“关灯”？它认错过吗？准确率多少？
图：课件页
“AI 不是天生就聪明的，它是被我们教会的。它学成什么样，取决于我们给了它什么数据。所以，认真当这个老师。”
课后拓展找一个 AI 可能学错的例子，说出它可能看了什么样的数据；或者给家里的智能音箱出 5 道题，记录它答错几道、算出准确率；或者画一张“AI 学习四步”的四格漫画。
这堂课的几个设计亮点
① 身份置换——学生不是 AI 的使用者，是 AI 的小老师，责任与动机一起到位。
② 一条“公平”暗线——从“怎么比才公平”到“只改一个条件”，控制变量贯穿三轮实验，科学思维与技术认知同时长。
③ 数学真刀真枪——28×28=784、准确率、百分点，六年级的数学在这里第一次有了真实用途。
④ 概念全部后置——先体验、再命名，五个术语没有一个是被“讲”会的，都是被“做”会的。
④ 概念全部后置——先体验、再命名，五个术语没有一个是被“讲”会的，都是被“做”会的。
AI 不是魔法，是被教出来的
一节课下来，孩子们未必能说清“最近邻”“聚类”的技术细节，但他们一定记住了一件事：AI 的本领不是天生的，是看例子学来的；例子要多、要杂、更要对；答案是人写的，人写错了，AI 就学歪了。
而这，恰恰是 AI 通识教育最想留给孩子的态度——不神化，也不轻视；知道它从哪儿来，才知道该怎么用它、怎么教它。
那颗关于数字素养的种子，终有一天会生根发芽。
课程信息
主题：《AI 是怎么学会的？》
主讲：李萌（丁玉海名师工作室编程创客项目组）
时间：2026 年 11 月 6 日 20:00—21:00
形式：线上直播
对象：高段小学生
系列定位：AI 通识教育第九期
直播平台：CCTALK
直播回看链接
https://www.cctalk.com/v/17939654532493?xh_preshareid=0cbabf4c-602a-4d62-a826-bf30cca67125&xh_fshareuid=82731625&sid=1635467596840316&xh_preshareuid=82731625END
END
供稿：李 萌
编辑：张 波
监制：丁玉海
