• GPU并行计算革命
• 云计算降低门槛
• 专用AI芯片的出现

• 互联网内容呈现爆炸式增长
• 数字化进程加速
• 成熟的数据标注技术

• Transformer革命性突破
• 注意力机制创新
• 端到端学习范式

• 生成式预训练变换器：基于Transformer架构的大型语言模型
• 自回归语言模型：通过预测下一个词来生成文本
• 无监督预训练 + 有监督微调：两阶段训练范式的典型代表

• 单向注意力机制：只能看到前面的文本，适合文本生成任务
• 大规模参数：从GPT-1的1.17亿到GPT-4的数千亿参数
• 强大的零样本和少样本学习能力

• 多头自注意力：捕捉长距离依赖关系
• 位置编码：理解文本序列中的位置信息
• 残差连接 + 层归一化：稳定训练过程

• 下一词预测：在大规模文本语料上学习语言规律
• 因果掩码：确保只能访问前面的词汇
• 大规模数据：互联网文本、书籍、新闻等多样化数据源

• 指令微调：提升模型遵循指令的能力
• 基于人类反馈的强化学习（RLHF）：使模型输出更符合人类偏好
• 安全过滤：减少有害内容的生成

• 创意写作：故事、诗歌、剧本创作
• 技术文档：API文档、用户手册、技术报告
• 营销内容：广告文案、产品描述、社交媒体内容

• 阅读理解：回答基于文本的复杂问题
• 逻辑推理：解决数学问题和逻辑谜题
• 知识问答：跨领域的百科知识查询

• 程序编写：根据需求生成代码
• 代码解释：理解和注释现有代码
• 调试辅助：发现和修复代码错误

• 泛化能力强：一个模型处理多种任务
• 上下文学习：通过示例快速适应新任务
• 创造性输出：生成新颖且有用的内容

• 幻觉问题：可能生成看似合理但实际错误的信息
• 知识截止：训练数据存在时间限制
• 计算成本高：推理需要大量计算资源
• 可解释性差：难以理解模型的决策过程

定义：token是模型处理文本的最小单位，可以是单个字、词，甚至是部分词。由分词器（Tokenizer）将原始文本切分而成。

⌨️ 类比：如果你把一句话看作一段积木搭的墙，tokens就是每一块积木。

定义：维是向量或矩阵中每个数据点的位置或"长度"。常用于描述隐藏层中的向量空间大小。

📦 类比：如果一个token是一个商品，维度就是它的"特征标签"数量，比如颜色、大小、用途等。

定义：参数是模型在训练中学到的"知识"。它们包括神经网络中的权重（weights）和偏置（biases）。

数量级：GPT-3有1750亿个参数，GPT-4据推测参数更多。

🧠 类比：把模型比作一个大脑，参数就是它大脑中形成的"记忆连接"或"经验"。

从标注数据中学习输入输出映射

例如：图像分类、情感分析

通过试错和奖励信号优化策略

例如：游戏AI、机器人控制

多层神经网络自动提取特征

端到端学习复杂模式

• AlphaFold：解决蛋白质折叠问题，预测超2亿种蛋白质结构，为全球节省约10亿年研究时间
• MatterGen："逆向设计"新材料，AI在1小时内提出12万个候选结构
• 科学家角色转变：从"实验者"到"假说策划者"与"探究设计师"

• AI音乐 (MuseNet)：辅助创作、编曲，根据文本生成特定情绪音乐
• AI绘画 (Midjourney)：降低视觉表达门槛，成为艺术家的"创意加速器"
• 创作者价值转移：从"技术执行"到"概念策划"与"审美判断"

• 精准医疗：基于个人基因、影像数据，提供定制化治疗方案
• 定制化消费：电商、流媒体为每个用户打造独一无二的推荐与体验
• 自适应学习：根据学生进度动态调整教学内容，实现"因材施教"

核心转变：从"职业"到"任务" - AI自动化的是工作中的具体"任务"（约占30%-70%），而非整个"职业"。

催生了"AI+X"复合型人才的需求，强调终身学习以维持职业韧性。

• 分析性思维、创造性思维
• 元认知技能和学习策略

• 领导力、协作力、沟通能力
• 共情、说服和激励他人的能力

• 韧性、灵活性、敏捷性、自我驱动
• AI与大数据素养

• 笔记和外部记忆
• 计算器进行计算
• 地图导航
• 保留高阶思维

• 复杂分析和综合
• 创意内容生成
• 决策支持
• 可能影响技能发展

• 悖论：AI既是"认知健身房"，也可能是"认知拐杖"
• 关键变量：影响好坏的不是AI工具本身，而是其所处的"教学法情境"
• 应对之道：对教师进行系统性培训，使其掌握能够利用AI促进高阶思维的教学设计能力

• 以人为中心的思维发展
• AI伦理理解
• AI技术和应用掌握
• AI系统设计参与

• Conscientious: 理解AI能力和局限性
• Collaborative: 将AI用作学习伙伴
• Critical: 批判性评估AI输出
• Creative: 利用AI进行创意目的

• 生成多样化的想法和观点
• 挑战假设和偏见
• 提供替代观点
• 支持构思和头脑风暴

• 学习模式分析
• 认知过程洞察
• 反思支持和指导
• 策略推荐

• 从"知识传授"到"素养培育"：当知识唾手可得，教育回归"立德树人"的本质
• 从"知道"到"成为"：目标是培养能自主学习、解决复杂问题、做出伦理判断的"终身学习者"
• 核心素养框架：各国均提出整合"知识、思维、价值、实践"的"四位一体"素养模型

• 教学法转向：以项目式学习（PBL）、探究式学习为核心
• 课程重构：从学科本位转向素养本位，强调跨学科整合和真实问题解决
• 学习空间变革：从固定教室转向灵活学习环境，支持个性化和协作学习

• 向能力本位与跨学科学习的转变
• 强调"机器无法替代的技能"
• AI素养的整合作为核心课程
• 个性化与自适应课程

• 教育者成为"学习架构师"与"向导"
• 学习者成为主动的共同创造者与批判性消费者
• 新技能需求：AI素养、数据分析、伦理指导

• AI驱动的形成性与总结性评估
• 个性化与自适应评估
• 聚焦真实性、过程性与持续性反馈
• 对传统评估有效性的挑战

• 角色重塑：从"知识传授者"到"学习体验的促进者、引导者与设计师"
• 价值跃迁：AI接管重复性工作（如批改、答疑），教师得以专注于思想启迪、情感关怀等高价值互动
• 能力要求：必须具备高水平的AI素养和教学设计能力，教师培训是关键

• 功能转型：从"选拔与排序"转向"诊断与赋能"
• 方法多元化：采用成长记录袋、表现性评价、多元主体评价等方式
• AI辅助：利用AI生成"学生数字画像"，动态追踪素养发展，提供形成性反馈

人类与AI系统在协作中共同学习、相互适应并随时间共同进化

• 共享心智模型和共同基础
• AI作为团队伙伴，而非仅仅是工具
• 通过互动实现相互学习和适应

在充分利用AI能力的同时，优先考虑人类价值观、伦理应用和个性化反馈

• AI增强而非取代人类能力
• 整合技术、用户体验和伦理考量
• 强调AI使用的明确说明和反思

专注于发展AI无法复制的独特人类能力

• 批判性思维、创造力、情感智能
• 伦理判断和复杂协作能力
• 以人为中心的创新和价值驱动的成果

理解知识是如何构建、验证和应用于快速变化的世界

• 元认知技能和学习策略
• 适应性和终身学习能力
• 整合编程、数据科学、复杂系统

实现大规模"因材施教"

AI辅助备课、出题、排课，为教师减负增效

VR/AR虚拟实验、历史场景重现，提升学习趣味性

与PDF文档对话、总结要点、整理笔记

AI辅助智能分组、引导讨论，增强团队协作

制造并管理"有益的认知摩擦"，而非一味追求便利，以防"认知外包"

• 制定国家级"AI与教育"整合战略，系统性布局
• 发起"未来技能"式全民终身学习计划，支持劳动力转型
• 建立敏捷的AI教育治理框架，采用"监管沙盒"等自适应模式

• 将教师专业发展置于战略核心，支持教师向"学习设计师"转型
• 推动课程与评价的系统性重构，从"知识本位"转向"素养本位"
• 采纳严格的AI产品伦理采购框架，将教育价值与伦理置于首位