精选
1、人工智能时代脑力劳动者的转型
面对人工智能大模型的飞速发展，我们需要承认，传统的知识积累和学习方式正受到前所未有的挑战。过去脑力劳动者赖以生存的知识优势，在大模型面前显得日益薄弱。许多科研人员对大模型抱持防御心态，这反映了一种对自身价值被取代的担忧。然而，与其被动防御，不如主动拥抱变革，转变思维方式，将重点从知识积累转向解决实际问题。
大学教育作为人才培养的摇篮，必须适应这一变化。传统的知识教育模式亟需向大模型加持的案例教育或实践教育转型。这并非否定知识的重要性，而是强调在实践中学习，在解决实际问题的过程中，以人工智能知识体系为支撑，构建全新的思维方式。然而，现实情况是，大模型的发展速度远超我们的教学体系、教材体系和教师储备，导致大学教育普遍缺乏应对能力。
为了应对这一挑战，我们需要大力发展教材体系建设，构建以案例实践为主要手段，并以大模型知识体系为坚实背书的教材。这意味着教材不再仅仅是知识的堆砌，而是要围绕实际问题，引导学生利用大模型解决问题，并在此过程中学习必要的知识。同时，看起来也需要大力改进教师的新型教学能力。虽然教学Agent的出现可能会在一定程度上削弱教师的作用，甚至导致部分教师过剩，但我们不能忽视老师在教育过程中的独特价值。教师的角色将从知识的传递者转变为学习的引导者、实践的组织者和学生的合作者。
2、未来大学的核心课程：科学逻辑、人文学科与协作能力
那么，未来的大学究竟应该教什么？分析来看，未来的大学需要加强对整体科学逻辑和面向独立个体的培养。这意味着要让学生掌握科学的思维方式，理解大模型和真实世界之间的映射关系，并能够从最基础到最细致的层面理解其表现形式和可操作性。为此，开设一门名为“自然科学”的课程至关重要。此外，基础人文科学同样具有重要意义。随着社会的发展，人类的人文特性可能会逐渐超越科学特性，社会的发展也将更加依赖于人文精神。因此，加强人文教育，培养学生的同理心、批判性思维和创新能力，对于未来的社会至关重要。
更进一步，我感觉未来的大学开设一门名为“协作学”的通识课程很有必要。学生需要学习与通用大模型、专业大模型，以及掌握各自大模型的人类合作者进行高效协作的方法。这不仅需要技能的培养，更需要文科的协作精神、协作潜意识和基于人性的协作文化的形成。这种协作教育的内容将更深入地探讨协作的个个层面。
未来课程的建设是一个逐渐发展的过程，需要不断迭代。我们需要制定未来两年、三年、五年、十年、甚至二十年的计划，并不断否定、替代和迭代之前的计划。例如，在最近两年内，我们就要向学生开设如何与AI协作，AI大模型可以提供什么便利，以及它如何影响我们的思维等课程。在五年左右的第二个阶段，我们可以逐步将大模型引入教学过程，让大模型与人类教师共同进行课程教学，形成新颖的实时输入与输出相结合的教学模式。这里的输入可以是实时的语音、图像以及程序化的先前文字安排，而输出也可以是语音、文字、图片，甚至在技术支持下，实时生成影像。在十年左右的第三个阶段，我们甚至可以形成完全的虚拟现实教学模式。此时，学习内容可能不再按照专业进行分类，人类在知识传承和运用方面的作用也可能发生重大变化。我们所要传承给学生的，可能是以人文学科为主的知识体系或文明载体。再往后的阶段，比如二十年左右，大学整体的教育模式也可能会发生重大变化，大学可能会通过自身的解体或与社会运行相结合，形成一种完全融入人类社会运行的社会模式。
3、未来高校教师的能力与教学模式
未来高校教师应该具备什么样的能力，并采用什么样的教学风格或模式？设想的模式是在教学课堂上，一边是教师的黑板，另一边是人工智能实时显现的交互界面。人工智能可以通过语音、图像或既定的文字流程，实时呈现外在知识。这就像AI和教师共同表演一场“相声”，输出的不仅是语言，还包括图片，甚至是自动生成的视频。这种模式在初期可能是一种观赏模式，但随着发展，学生可以完全融入其中，进行多方互动。
教师的角色将转变为组织者，组织十几甚至几十名学生参与的讨论，引导学生有序地推进观点，并利用AI大模型将独立的交互转化为有利于整个教学小群体解决问题的共通模式。虽然教师的作用可能会被边缘化，但他们仍需维护课堂秩序，并引导学生进行深入思考。
不用担心学生无法学到基础知识，因为AI大模型可以通过交互来发现和总结学生的知识掌握程度，并协调如何传递基础性必需的知识。我们的总体目标是培养能够在实际工作或生活中解决真实问题的学生。
4、人才需求的结构性变化与高等教育的迭代发展
未来的社会对人才的需求可能会发生结构性变化。传统的知识教育模式培养出的学生，可能难以依靠所学知识解决实际工程环境中的问题。原因在于，大学所传授的知识是固定的，而大模型在提出问题后，其回答和考虑方向可能更加全面。因此，让大学生在实际场景下思考这些问题是否还有意义？
分析一下可以看出，大模型所掌握的知识或对知识的理解深度，远超绝大多数大学生、普通劳动者甚至大部分科研工作者。我们现在看到的看似肤浅的AI回答，往往是因为人类无意或有意地没有将完整的问题输入大模型的输入端。也就是说，面对真实问题时，人类可能往往获得了更多先导信息，而大模型却没有。因此，我们需要改变问题的呈现形式，或者对大模型的恰当的刺激方式，避免对大模型形成约束。
今年春节前和春节后这样短短一两个月的deepseek在国内所形成的巨大演进，相信，随着中国人工智能大模型的快速发展，高等教育的知识传授模式或知识定义将发生显著变化。推动这一变化的可能并非我们高校或教师的主动行为，而是社会经济运行方式变化所体现出的各行各业对AI辅助技能人才的需求。与其让学生毕业后重新学习这些知识或技能，不如倒逼高校在其四年甚至七年的教学过程中推进教学改进。加速演进，猝不及防，看起来像是一场遭遇战，实则可能真的是一场决战。
转载本文请联系原作者获取授权，同时请注明本文来自李剑超科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3244891-1480280.html?mobile=1
收藏
