夜雨聆风
大家好，欢迎来到新哥聊AI
5月14号，我在杭州参加了中国教育技术学术大会。那场面，真是锣鼓喧天、鞭炮齐鸣——1700多人参会，据说还是控制了人数的，不然能冲到2000人。
这篇文章有点长，但干货满满，建议收藏慢慢看。
👀 上午场：那些让我大开眼界的硬核案例
上午的常规操作，就是各路大佬轮流上台分享。我本来还担心自己困到点头如捣蒜，结果杨卫院士一开口，我瞬间清醒了。
🤖 机器人跑步：博尔特看了都得慌
还记得当年世界机器人马拉松大赛吗？那时候最火的不是机器人冲线，而是各种机器人摔车的名场面。大家普遍的心态是：机器人能坚持跑完就是胜利。
但杨院士告诉我们，才短短几个月，机器人的短跑能力已经突飞猛进了——最高时速达到每秒13.4米！
这是什么概念？博尔特跑100米的最快速度大概也就这个水平。
机器人跟世锦赛冠军同场竞技，前100米人类还领先，但越往后跑，机器人追得越紧。按照这个趋势，如果比的是200米甚至400米，人类顶尖选手可能真的未必能赢。
🎹 机械手弹钢琴：图灵测试就在眼前
更震撼的是另一个案例：一只纯机械控制的机械手，跟一位钢琴八级的研究生合奏。
现在你可能还能听出哪段是人弹的、哪段是机器弹的，但这个差距正在极速缩小。未来的目标很明确：让专业的钢琴家也听不出来区别。
这就是钢琴界的"图灵测试"。
我仔细观察了那个机械手，它的手指用的是类似橡胶的软材料，指尖还装了传感器。这让它的触感越来越接近人类的手指——还记得郎朗说过曾经有老师嫌他手指"像榔头一样硬"吗？现在的机械手也在解决同样的问题。
说到这里我开个脑洞：最近看到有人做了一种"手指外骨骼"，像手套一样套在手上，可以通过电信号控制手指运动。这玩意儿要是给琴童用，是不是能像运动员负重训练一样，快速提升手速？
💻 我的"翻车"现场：AI很好用，但也很"脆弱"
说个我自己的失败案例。前一天熬夜太困，我怕漏听重要内容，就想用AI做个"实时会议助手"：
1. 笔记本电脑麦克风收录讲座声音
2. Whisper模型实时转文字
3. 自动生成PPT
不到10分钟，这个小工具真的做出来了，而且能用！
但问题来了——现场Wi-Fi太慢了！1000多人连同一个网，那速度可想而知。我只能开手机热点救场。
中场休息我出去转了一圈，回来发现工具停了。原因很简单：我人走了，手机热点断了，而我忘了让它切换成本地模型...
这件事给我的启发是：AI确实能快速生成工具，但工具的稳定性、你的Prompt能不能说周全，都是大学问。
好在我记忆力还行——从小被家人push出来的。不过记忆力太好也有副作用，比如本科时那段刻骨铭心的恋爱，别人早就忘了，我还能反复回味那种"内心疼得死去活来"的感觉...
🧠从"单点工具"到"系统级赋能"：这才是AI的正确打开方式
会上有位领导说的话我特别认同：AI赋能不应该再只是"情境展示"了。
什么意思？过去我们总在收集各种单点的AI应用案例——Kimi能读几十万字的小说，能生成视频和PPT；扣子（COZE）能自动匹配最合适的技能...
但AI发展到今天，它已经不只是解决某个具体问题的工具了。我们需要的是系统级的思考。
作为搞集成电路的，我深知一个道理：硬件是AI算法能力的天花板。
巧妇难为无米之炊，你的想法再好，告诉AI，硬件不够、算力不足，它也做不了什么。
现在芯片的集成度已经到了什么程度？千亿级晶体管，工艺精度已经到了0.7纳米——原子的尺寸大概是0.1纳米，也就是说现在的精度已经到了7个原子的级别。
但人脑最厉害的不是有多少神经元（上百亿），而是神经元之间的连接。那才是构成智能最关键的因素。我们现在用晶体管模拟人脑六层大脑皮层结构，说实话，还只是非常粗浅的模拟。
🦞 "小龙虾"很好，但未必适合你
说到AI工具，不得不提OpenCloud——大家俗称"小龙虾"。
这玩意儿变化特别快，早期10天一大改、三天一小改，有时候改着改着还改出问题，程序员们都戏称它是"草台班子"。
为什么叫"玩出来的"？因为它本质上就是把一个严格的AI系统"灌醉了"——给它无限的权限，让它去探索各种可能性，结果反而做出了很多惊艳的事情。
但说实话，95%的高校老师其实用不到小龙虾。
如果你每天只是用AI改论文、找资料、做PPT，一个普通的AI就够用了。小龙虾适合什么场景？——批量处理大量复杂任务，比如每天要读上千篇论文、做上百份PPT。
而且小龙虾有个问题：越用越慢，还特别浪费token。事还没干多少，钱先花了一堆。相对来说，Hermes更稳定一些——兼具严谨性和开放性，而且越用越了解你。
📚下午场：一线老师的真实战场，才是最精彩的
说实话，作为一线老师，我对下午的分享更有共鸣。那些高大上的理论固然重要，但怎么落地、怎么面对真实的学生，才是真正的考验。
🌱教学就像种树：得跟着环境动态调整
我有个观点：无论是一门课，还是一项研究，本质上都是活的，就像一棵树，要根据环境的变化慢慢生长。
给大家讲个真实的故事：有个滑翔翼比赛，要在悬崖边测试。有的团队回去跑风洞实验室做模拟，有个团队直接驻扎在悬崖边，天天实地测试风速、湿度的变化。最后谁赢了？当然是后者。
飞驰人生3里也有个类似的情节——沈腾说："有时候辅助太多，反而束缚了你的开车能力，让你不敢尝试。"
这就是人和AI的区别之一。
为什么同样的教学方法，在我这儿效果很好，你拿回去学生就不买账？背后的原因太复杂了——学情不同、环境不同、甚至学生当天的心情都不一样。
📊 别光靠"感觉"，要靠数据说话
会上有老师分享了量化研究的方法，我特别认同。
教育教学涉及心理学、认知学、教学内容等多个变量，不能只用"我感觉效果很好"来判断。一个学生说你好，不代表你的方法适合所有人；大部分学生不认可，那说明你的方法可能真的有问题。
还有很多老师分享了基于本校学情的真实尝试，有理论也有实践，看得我大开眼界。年轻的时候搞教改，我特别容易自我陶醉，就是个井底之蛙。现在才明白，跟优秀的老师交流，最大的收获就是三个字——避坑指南。
别人踩过的坑，你就别再往里跳了。
✨ 我的18个教学案例：没有成功经验，全是"踩坑心得"
这次我也分享了18个教学案例。说实话，让我讲那种高大上的"一二三四五"理论，我讲不出来——我总觉得"现实更骨感"。
比如很多老师推崇"柏拉图式AI"——不让学生直接抄AI的答案。但现实就是：学生永远觉得豆包最好用。
那怎么办？不是去禁止，而是出一些AI做不了的题。
每次布置作业前，我都会先自己试一遍——用学生常用的那些大模型去做，专挑AI做不出来的题目。这不是为了难为学生，而是引导他们思考：
我会在课上现场演示："你们看，这道题用AI做出来是这个结果，但这个结果有问题。我希望你们不仅能告诉我AI说了什么，还能挑出AI的毛病。"
🎯 AI赋能的三个层次
我把教学中的AI赋能分成了三个层次：
第一层：基础工具层
• 改作业、批卷子、格式审查这些重复劳动，大胆交给AI
• Kimi的Agent功能改格式就特别好用，像出版社编辑一样专业
• 学生问"老师帮我看看格式"，我直接把AI工具分享给他，皆大欢喜
第二层：教学策略创新
• AI只是工具，怎么把它融入教学环节才是关键
• 实用主义至上：能解决问题的就是好方法，至于它是不是AI，不重要
• 别为了用AI而用AI——10个案例里可能只有一两个是AI真正起到点睛作用的，其他的不用AI可能做得更好
给大家举个例子：华西临床教学，最有效的还是现场实操。我去拔牙，一群学生围着我看，那场面...我感觉自己像只小白鼠。（而且补完牙第二天就掉了，后来还是找有经验的老师重新补的）
但你总不能让患者天天来当"教具"吧？这时候AI就有用了——华西做了1:1的人体模型，里面装了各种传感器，模拟人体反应，学生可以24小时练习。
第三层：垂直领域深度赋能
这一层已经涉及到科研了。现在理工科的初级工程师、艺术领域的设计师、文案工作者，很大一部分工作已经能被AI替代。
这不全是因为AI技术有多牛，还有一个重要原因：现代社会的高度分工，把复杂事情拆成了一个个简单步骤，而这恰恰是AI最擅长的。
冯·诺依曼这种天才为什么厉害？因为他能反其道而行之——把复杂的事情简单化。我们普通人看他就像看"人肉电脑"一样，根本不知道他是怎么想出来的。
🤔 AI时代，我们到底该教给学生什么？
聊到最后，必然要回到这个终极问题。
我用最通俗的话解释一下什么是AI素养：
1. 如果这个世界突然没有了AI，我们该怎么办？
2. 我们能做什么事情，是不会被AI替代的？
3. AI已经能帮我们做很多事了，在此基础上，我们还能做什么？
现在很多老师说，用AI教学，48个学时能省出10个学时。省出来的时间干什么？做更多的题？提高应试门槛？
我相信不是的。
我们应该调整教学方向，给学生更多锻炼能力的机会。
🌳爬树这件"小事"，背后藏着大学问
5月15号，我跟川大的邓老师带学生去爬树——别担心，安全措施做得很到位。
爬树这件事，本质上就是把一个登顶的大目标，拆成若干个小目标。你从不同角度爬，难度不一样；别人抓过的地方松了掉了，你就得随机应变找新的抓点。
我这种160多斤的人，挂在一个点上，光支撑体重就够累的了，还得想下一个抓哪。这过程中你自然而然就会考虑：我的体力是有限的，该怎么优化分配？
你发现没有？这就是在重塑学生的认知范式。
我们集成电路专业的学生操作EDA软件，那个软件特别复杂，可能有20步甚至50步操作，一步错就步步错。最悲催的是操作到第20步才发现错了，结果问题出在第5步，得一步步往回倒。
很多学生的操作习惯就是：反正电脑不会爆炸，噼里啪啦一顿乱操作，出事了再问老师问AI。这不是我想看到的——他们永远把AI和老师当拐棍。
但爬树的时候，你没有拐棍。
🔄 认知迁移：打游戏厉害的学生，也能把学习搞好
新疆塔大的卢老师跟我说过一句话："你不得不承认，不同地区学生的认知基准能力是不一样的。有些学生的认知硬伤，短时间内真的解决不了。"
我原来也这么认为，但后来发现——未必。
通过体育锻炼，同样可以锻炼学生的操作技能，重塑他们的操作模式。一旦打通了，再引导他们把这种能力迁移到学习上，效果非常好。
我做过一个实验：有个学生打游戏特别厉害，我让他把游戏机拿来，测他打游戏时的脑电波——注意力非常集中，那种"心流"状态的脑电波特别干净。
然后我让他读一本特别枯燥的书，甚至倒着读——同样的大脑，脑电波瞬间就不行了。
我跟他说："你看，你是有聚精会神的能力的。如果你愿意把打游戏的状态迁移到学习上，你随时可以做到。"
后来那个学生真的被触动了，从快挂科到最后顺利毕业——这就是进步。
其实这种方法在丹麦、芬兰的K12教育里早就用了——把数学课和体育课结合在一起。比如体育课投篮，你得先算一道数学题，算出来是10，你就得把球投到10号圈里才算赢。
知识关联在一起，学生才能真正系统级地理解，才能经久不忘，而不是像现在很多应试教育那样——考完就忘，甚至还没考就已经忘得差不多了。
所谓"都还给老师了"，虽然是玩笑话，但其实是我们教育最大的痛点。
💡最好的教育，就是让学生觉得"有意思"
现在我越来越喜欢给学生讲科学家的故事。
托马斯·杨——就是做双缝干涉实验的那位——你知道他本职是个医生吗？用现在的话说，就是个"民科"。但就是这个"民科"，证明了光的波动性，还被封杀了十几年，死后才被追认为"先驱"。
你以为F=ma是牛顿写的？错了。牛顿写《自然哲学的数学原理》的时候，根本就没写出这个公式——至少有四五位科学家，包括欧拉在内，接力式地研究，才让F=ma出现在我们的课本上。
牛顿当时用拉丁文写的原话，翻译成中文是"力是物体运动变化的原因"——他说的是动量随时间的变化，而不是加速度。
爱因斯坦为什么能提出相对论？因为他一直在想："如果我跑得跟光一样快，我眼里看到的世界会是什么样子？"
薛定谔提出薛定谔方程的时候，有人问他"波函数的物理意义是什么"，他说："我不知道。"——后来的人才发现，波函数取模平方，是个概率问题。
电子在微观世界里，不是像行星绕太阳那样有固定轨道，而是一片"电子云"。它可以同时存在于多个不同的地方，只是在不同地方出现的概率不同而已。
这种事情，用我们宏观世界的经验根本无法理解。连爱因斯坦都说"我不相信上帝掷骰子"。
但这些故事有意思啊！
什么叫"有意思"？就是我能记住，我能理解，将来它能作为一个灵感刺激到我——甚至我都忘了灵感的源头在哪，但我真的想到了，换了一种思路去思考问题。
我个人认为，这就是AI时代，我们最应该教给学生的东西。
而且这不是我一个人的想法——这次参会，几乎每个老师都在明里暗里强调这一点。
当然，做到这一点非常非常难。为了讲好一滴水，你得准备一桶水。我现在重构大学物理课程，进展很慢，就是这个原因。
📝 最后说几句心里话
这篇文章写得有点长——其实对应的音频有1小时30分钟，是我有史以来录得最长的一期播客。
写这篇文章的时候是凌晨4点03分，真的是有感而发。
最后给各位尝试用AI的老师提个醒：重度使用AI，比重度上网成瘾还要累人。我现在一边研究脑电实验，一边研究怎么"蒸馏我自己"——让AI真的能帮我分担工作，不然我自己也快扛不住了。
大家也多保重身体。
💬 互动时间
1. 你在教学中用过哪些AI工具？有什么踩坑经验？
2. 你觉得AI时代，最应该教给学生的是什么？
3. 你有没有过"认知迁移"的体验——把一件事的能力用到了完全不相关的另一件事上？
欢迎在评论区交流，我们一起避坑，一起成长！
新哥聊AI | 用接地气的方式，聊最前沿的教育科技
