随课讲义15 节 · 约 52 分钟

第一讲 · AI 是什么

从身边的智能说起，到理解人工智能的本质

第 1 节 · 1 分钟导读

致读者的一封短信

亲爱的老师：

这门课的第一讲，是一张「总地图」。

此后五讲，我们会逐层深入 AI 的核心——机器学习、深度学习、大语言模型的上下两章，最后从产业视角回看整张 AI 生态地图。但如果你只有时间认真读完一讲，请读完这一讲。它不涉及任何数学，却覆盖了你未来一两年内，在办公室、在课堂、在和学生家长对话时，几乎所有可能遇到的 AI 话题的骨架。

我们尝试做到三件事：

真实：不回避 AI 能力的边界，也不回避它的问题。
可迁移：你读到的每一个概念，都能在真实的教学场景里被用一次。
可动手：讲到最后，会有一份清单，告诉你周末在家就能试的 AI 工具组合。

好，我们开始。

第 2 节 · 2 分钟开场：你已经在使用 AI 了

1.1 一个 24 小时盘点

在正式定义「人工智能」之前，我们先做一件事——盘点一下你过去 24 小时里可能已经使用过的 AI。

清晨，你被闹钟叫醒：

拿起手机——手机的面部识别解锁，是 AI。
推开窗帘看天——你习惯性问了手机「今天要不要穿外套」，语音助手给出了回答。背后是语音识别 + 天气查询 + 对话生成，三个 AI 连在一起。
刷短视频或新闻——平台的个性化推荐决定了你今天前 3 条刷到什么，这是 AI。
打开地图查路况——实时路径规划和到达时间预估是 AI。
上班路上拍了一张街景，手机自动优化了亮度和清晰度——计算摄影，也是 AI。
到办公室，你要写一份家长会通知——你可能打开了豆包、Kimi、DeepSeek 或元宝，让 AI 起草一份草稿。
下午改作文——你可能用了某个作文批改工具，它背后也是大模型。
晚上孩子写作业卡住，你顺手问了 AI 一道数学题，它一步步讲解给孩子听。
睡前你打开了OpenClaw（龙虾）——看看它今天帮你整理的微信消息摘要。

这些全是 AI。

但以上这些「AI」之间，差异巨大。手机的人脸解锁，和你与 DeepSeek 对话让它帮你写教案，虽然都叫"人工智能"，但背后的技术原理、能力层级、发展阶段完全不同。

1.2 为什么你需要一张地图

作为中小学老师，你此后会频繁遇到这样的时刻：

一个学生兴冲冲告诉你「ChatGPT 说它有意识」，你该怎么回应？
一位家长问「孩子沉迷和 AI 聊天是不是问题」，你怎么建议？
校长布置任务「用 AI 赋能教学」，你从哪里下手？
一个学生的作文让你怀疑是 AI 写的，你怎么判断、怎么处理？
学校要采购「AI 教育产品」，你能看出哪些是真 AI、哪些是套壳？

这些问题没有唯一答案，但所有这些问题的前提，都是你得先有一张关于 AI 是什么的清晰地图。这就是本讲的任务。

🎯 本讲的三个承诺： 1. 讲完，你能对同事/学生/家长一句话说清「AI 是什么」。 2. 讲完，你能认出各种 AI 产品属于技术地图的哪一层。 3. 讲完，你敢打开一个 AI 工具，亲手试一试。

第 3 节 · 2 分钟一个绕不开的政策背景：AI 已经是「必修课」

在进入技术之前，我们先讲一个现实背景——这不是我们选择要不要懂 AI，而是教育系统已经开始要求了。

2.1 2026 年 4 月 2 日的重要文件

2026 年 4 月 2 日，教育部、国家发展改革委、工业和信息化部、科技部、国家数据局五部门联合印发《「人工智能+教育」行动计划》。这是截至本讲撰写时（2026 年 4 月），国家层面关于 AI 与教育融合的最高级别文件。

其中几段话，作为中小学老师尤其值得记住：

「加快普及中小学生的人工智能教育」——不是可选项，是动词「加快」。
「推动人工智能教育全面纳入地方课程体系」——从兴趣课变成正式课。
「明确各学段课程目标、内容与课时要求」——小学、初中、高中都要分层有要求。
「坚持科技教育与人文教育相结合」——文科老师的角色一样重要。
「引导学生科学认识、合理利用智能技术」——老师是引导者，不是替代者。

2.2 一个更早的信号

早在 2024 年，教育部就陆续印发了：

《中小学人工智能通识教育指南》
《中小学生成式人工智能使用指南》
《教师生成式人工智能应用指引（第一版）》

到 2025 年底，全国设立了 509 所中小学人工智能教育基地校，并成立了「全国中小学人工智能教育联盟」。

2.3 这对你意味着什么

过去	现在（2026）
「你可以了解一下 AI」	「你最好懂 AI」
AI 是信息老师的事	AI 是全学科老师的事
学 AI 是加分项	AI 素养是基本功
课余兴趣课	正式课程 / 跨学科

这就是为什么你坐在这里——不是因为焦虑，而是因为这是未来几年教师专业发展最重要的方向之一。

🔑 记住：作为老师，你不需要成为 AI 专家，但你需要成为「AI 时代的引路人」。这门课的目标，就是帮你成为那样的引路人。

第 4 节 · 3 分钟人工智能的定义

3.1 一个直觉性的定义

人工智能（Artificial Intelligence, AI）是指由人类设计和构建的系统，能够执行通常需要人类智能才能完成的任务。

这些任务包括但不限于：理解语言、识别图像、做出决策、进行推理、学习新知识、创作内容等。

请注意这个定义的关键："通常需要人类智能才能完成"。

一个普通的计算器能做加减乘除，但我们不称它为 AI，因为四则运算在人们的认知中并不特别需要"智能"。但如果一个系统能读懂一篇文章并回答关于它的问题，或者看一张照片就能描述照片里有什么——这些任务我们直觉上认为需要"聪明才智"才能完成——那我们就称之为 AI。

3.2 学术界的几种经典定义：四象限

在 AI 七十年的学术发展中，不同学者对 AI 有不同的定义取向，大致可以分为四个象限：

	像人类一样	理性地 / 最优地
思考（Thinking）	像人一样思考（认知科学取向）	理性地思考（逻辑推理取向）
行动（Acting）	像人一样行动（图灵测试取向）	理性地行动（智能代理取向）

像人一样思考：我们能不能做出一个程序，它思考的方式和人类大脑一样？这是认知科学和神经科学的路子。
理性地思考：我们能不能让程序根据逻辑规则做出完美推理？这是数学逻辑学派。
像人一样行动：1950 年图灵（Alan Turing）提出——如果一台机器的行为让你无法区分它和人类，那它就具备了智能。这就是图灵测试。
理性地行动：这是现代 AI 研究的主流取向——我们不要求机器"像人"，我们要求机器在给定目标下做出最优决策。这个学派有一个关键词：Agent（智能代理 / 智能体）——记住这个词，2024 年以后它会反复出现。

对于我们这门课来说，不需要纠结于哪个定义最"正确"。重要的是理解：AI 是一个不断演化的概念，随着技术进步，"什么算智能"的门槛也在不断提高。

3.3 「AI 效应」：一个有趣的心理现象

🔑 AI 效应（AI Effect）：一旦某项 AI 技术变得普及，人们就不再认为它是"真正的 AI"了。

举几个例子：

1997 年 IBM 深蓝击败国际象棋世界冠军卡斯帕罗夫时，全世界都认为那是 AI 的里程碑。今天没有人会把下国际象棋的程序叫做 AI。
2000 年代，搜索引擎能理解你的查询意图、垃圾邮件过滤能自动识别骚扰邮件——这些在当时是 AI 研究的前沿，今天都被视为"普通软件"。
今天的 ChatGPT、豆包、DeepSeek 让我们觉得震撼。但可以预见，5 年后人们可能也会说"这不算真正的 AI"。

这个效应背后的哲学启发是：我们对"智能"的定义，本身就是在不断"后退"的。也许终极意义上，人类在不断地承认"机器能做的事比我们想象的多"，同时不断重新定义"只有人类才能做的事是什么"。

给学生讲这个现象，本身就是一堂精彩的思维课。

第 5 节 · 9 分钟AI 的发展简史：四次浪潮与三次寒冬

讲述这段历史的关键：不是记住年份，而是理解"为什么每次兴起、为什么每次退潮"。

AI 的历史像一条波浪线——充满了兴奋的高峰和失望的低谷。每一次高峰背后，都有一个新的关键突破；每一次低谷背后，都有一次对"AI 能力"的过度期待与现实落差。

4.1 萌芽与第一次浪潮（1950s–1970s）：「符号主义」的黄金年代

关键事件： - 1950 年，阿兰·图灵（Alan Turing）发表《计算机器与智能》，提出著名的问题「机器能思考吗？」以及图灵测试。 - 1956 年，达特茅斯会议（Dartmouth Conference）——这是"人工智能"（Artificial Intelligence）这个词正式诞生的地方。一群年轻科学家（麦卡锡、明斯基、香农、西蒙等）在达特茅斯学院聚在一起，乐观地认为"用一个夏天就能取得重大突破"。 - 这个时期的 AI 研究主要靠符号推理和逻辑：让计算机按照人类制定的规则来推理。

代表成果：能证明数学定理的程序（如"逻辑理论家"LT）、早期的国际象棋程序、西蒙和纽厄尔的"通用问题求解器"（GPS）。

为什么退潮： - 人们发现，真实世界的问题远比逻辑定理复杂——机器能证明几何定理，却连 4 岁小孩能做的"看看门外有没有下雨"都做不到。 - 计算能力严重不足——1970 年代的计算机，运算速度是今天一部手机的百万分之一。 - 语言翻译项目惨败——美国砸了大钱想做俄英机器翻译，结果连最简单的句子都翻错。 - 1973 年，英国发布《Lighthill 报告》，直言 AI 研究没有前景，研究经费被大砍。

👉 进入第一次 AI 寒冬（约 1974–1980）。

4.2 专家系统与第二次浪潮（1980s）：「知识工程」的兴起

核心思路：既然通用智能太难，那就做特定领域的专家系统——把人类专家的知识编写成规则库，让计算机在特定领域做专家级的判断。

代表成果： - MYCIN（斯坦福大学，医疗诊断细菌感染）——准确率甚至超过部分年轻医生。 - XCON（DEC 公司，计算机配置）——为公司节省了数千万美元。 - 日本启动"第五代计算机"计划，举国投入 AI 研发。

为什么退潮： - 专家系统的知识全靠人工编写，维护成本极高——一个系统可能需要成百上千条规则，领域稍一变化就得重写。 - 系统不会自己学习——给它一个新例子，它不能从中学到东西，必须工程师再加规则。 - 1987 年 AI 硬件市场崩溃，专家系统的黄金期结束。

👉 进入第二次 AI 寒冬（约 1987–1993）。

这次寒冬的核心教训：让机器变聪明，不能只靠"教规则"——必须让它自己"从数据中学"。这为第三次浪潮埋下伏笔。

4.3 机器学习崛起与第三次浪潮（1990s–2012 年前后）

根本性转变：从"人类告诉机器规则"变成"让机器从数据中自己学习规则"。这就是机器学习（Machine Learning）的核心思想。

代表成果： - 1997 年，IBM深蓝击败国际象棋世界冠军卡斯帕罗夫。 - 2000 年代，搜索引擎（Google PageRank）、垃圾邮件过滤、语音识别（从 80% 到 95% 准确率）、人脸识别逐步成熟。 - 统计学习方法（支持向量机 SVM、随机森林、贝叶斯网络等）在学术界成为主流。 - 2006 年，杰弗里·辛顿（Geoffrey Hinton）等人重新点燃了神经网络研究，提出了"深度学习"这一名称。

但这个时期，AI 还没有进入大众视野。普通人不知道"机器学习"三个字。

4.4 深度学习革命与第四次浪潮（2012–2022）

引爆点：2012 年 9 月，由杰弗里·辛顿团队参与的深度神经网络 AlexNet 在 ImageNet 图像识别竞赛中碾压传统方法，错误率从 26% 降到 15%——这在当时是难以想象的飞跃。

这标志着深度学习（Deep Learning）时代的到来。

为什么这次成功了？三个要素同时到位（这是一定要记住的三件事）：

算法突破——更深的神经网络结构、更好的训练方法（ReLU 激活函数、Dropout、批归一化等）。
大数据——互联网产生了海量的文本、图片、视频数据，可供训练。
算力提升——GPU（图形处理器）被发现极其适合做神经网络的大规模并行计算。这个发现，让英伟达（NVIDIA）从一家游戏显卡公司，走上了今天 AI 芯片垄断者的位置。

代表成果： - 2016 年，Google DeepMind 的 AlphaGo 击败围棋世界冠军李世石（4:1）——围棋曾被认为是 AI 不可能攻克的"人类智慧堡垒"，因为它的可能走法数量超过宇宙中的原子数。 - 2017 年 3 月，AlphaGo 在乌镇与柯洁交战 3:0 完胜，并同时击败「人类围棋最强组合 5 人」。此后 Google 宣布 AlphaGo 退役。 - 语音助手（Siri、小爱同学、小度）、人脸识别支付、自动驾驶技术快速发展。 - 2017 年 6 月，Google 发表了一篇改变历史的论文——《Attention Is All You Need》，提出了 Transformer 架构。当时没人预料到，这篇看起来只是提升机器翻译性能的论文，竟是后来所有大语言模型的基石。

4.5 大模型与生成式 AI 的狂飙时代（2022 年底至今）

引爆点：2022 年 11 月 30 日，OpenAI 发布 ChatGPT。

一个能流畅对话、写文章、编代码、做翻译、进行复杂推理的 AI 系统，免费向公众开放。两个月内用户破亿，成为人类历史上用户增长最快的应用——比当时的 TikTok 快了 9 倍，比 Facebook 快了 45 倍。

这不是凭空出现的——它建立在 GPT 系列模型多年的积累之上：

模型	时间	参数量	关键突破
GPT-1	2018	1.17 亿	验证了"预训练+微调"范式
GPT-2	2019	15 亿	展现了零样本学习能力；OpenAI 一度以"太危险"为由不公开
GPT-3	2020	1750 亿	"涌现"能力出现，少样本学习惊艳
ChatGPT / GPT-3.5	2022.11	未公开	对话式交互，RLHF 人类反馈对齐
GPT-4	2023.3	未公开	多模态（图文理解），推理能力飞跃
GPT-4o	2024.5	未公开	全模态（视觉、语音、文字实时交互）
GPT-5 系列	2025.8 起	未公开	原生推理能力、超长上下文、Agent 原生支持
GPT-5.4	2026.3	未公开	截至本讲撰写时的最新版本

"参数量"是什么？ 可以粗略理解为模型的"脑容量"。一个参数就像大脑中一个突触连接的强度。GPT-3 有 1750 亿个参数，意味着模型内部有 1750 亿个可以被训练调整的数值。今天的顶级模型参数量已经达到数千亿乃至万亿级。

2023 年到 2024 年，全球和中国掀起大模型竞赛——史称「百模大战」：

国际阵营： - Claude（Anthropic，强调安全性、写作、编程） - Gemini（Google，多模态能力强，上下文长） - Llama（Meta，最重要的开源模型系列） - Grok（xAI，实时数据、风格特异）

国内阵营： - 通义千问 Qwen（阿里巴巴，开源模型影响力大） - 豆包（字节跳动，用户量巨大） - Kimi（月之暗面，长文本见长） - DeepSeek（深度求索，2025 年初震动全球，以极低训练成本实现顶级能力） - 文心一言（百度） - 智谱 GLM（智谱 AI，清华系） - 元宝（腾讯）

4.6 2024–2026：三个正在发生的重大转变

我们正处在一个历史性的时刻。此刻（2026 年 4 月）有三个关键趋势正在同时发生：

转变一：AI 从「快速回答」到「慢慢思考」——推理模型的出现

2024 年 9 月，OpenAI 发布 o1——第一个公开的"推理模型"。这类模型会在回答前"思考"几秒甚至几分钟，用思维链（Chain of Thought）一步步推理复杂问题。

2025 年 1 月，中国的 DeepSeek-R1 发布，以远低于国际同行的训练成本实现接近的性能，震动全球——英伟达股价单日暴跌 600 亿美元，被称为 AI 领域的「Sputnik 时刻」。

推理模型让 AI 首次在国际数学奥林匹克（IMO）等极难任务上达到金牌水平。

转变二：AI 从「单模态」到「全模态」——一个模型看、听、说、写

到 2026 年，前沿模型几乎都已原生多模态——同一个模型能：

看：理解图片、图表、表情、视频。
听：理解语音、音乐、环境音。
说：合成自然的语音，带情感、停顿、口音。
写：生成文本、代码、结构化数据。
画：生成图像、视频。

比如 Gemini 3 Pro 的上下文窗口达到 200 万 token，可以一次读完一部完整的小说加上它的所有配图。

转变三：AI 从「对话框」到「Agent（智能体）」——这是最重要的转变

2024–2026 年，AI 领域最大的范式转变，就是从"对话式 AI"走向"Agent（智能体）"。

对话式 AI：你问一句，它答一句，一切发生在对话框里。
Agent：你给它一个目标，它自主规划步骤、调用工具、操作文件、访问网页、与其他 Agent 协作，最后把结果交给你。

标志性事件：

2025 年，Claude Code、Cursor 等 AI 编程 Agent 让"AI 写完整项目"成为日常。
2025 年底，多家公司推出「Agent 团队」概念——多个 AI Agent 并行分工，一个负责搜索、一个负责写作、一个负责审校。
2026 年初，OpenClaw（龙虾）作为本地部署的个人智能体系统走红——它接入微信、邮箱、日历、文件夹，成为真正意义上的"个人 AI 秘书"。

📌 为什么 Agent 这么重要？

因为在对话式 AI 时代，你得自己当那个"连接器"——你问 AI、复制答案、打开邮箱、粘贴过去、修改、发送。所有"把 AI 的答案落地成实际行动"的工作还是你在做。

Agent 时代，AI 不再只是给你建议，而是替你完成事情。 这是一个数量级的改变。我们会在第七讲（多模态与 Agent 时代）里深入这个话题。

第 6 节 · 12 分钟AI 的核心技术脉络：一张由浅入深的地图

现在，让我们回到技术本身。下面这张地图是理解 AI 技术最重要的一张图——它们是层层嵌套的包含关系：

┌─────────────────────────────────────────────┐
│            人工智能 (AI)                      │
│  ┌─────────────────────────────────────────┐ │
│  │          机器学习 (ML)                   │ │
│  │  ┌─────────────────────────────────────┐│ │
│  │  │       深度学习 (DL)                  ││ │
│  │  │  ┌─────────────────────────────────┐││ │
│  │  │  │  大语言模型 (LLM) / 基础模型      │││ │
│  │  │  │  ┌───────────────────────────┐  │││ │
│  │  │  │  │    生成式AI (GenAI)        │  │││ │
│  │  │  │  │  ┌─────────────────────┐  │  │││ │
│  │  │  │  │  │  AI智能体 (Agent)    │  │  │││ │
│  │  │  │  │  └─────────────────────┘  │  │││ │
│  │  │  │  └───────────────────────────┘  │││ │
│  │  │  └─────────────────────────────────┘││ │
│  │  └─────────────────────────────────────┘│ │
│  └─────────────────────────────────────────┘ │
└─────────────────────────────────────────────┘

AI ⊃ 机器学习 ⊃ 深度学习 ⊃ 大语言模型 / 基础模型 ⊃ 生成式 AI → AI 智能体

这张图值得你画在笔记本第一页。它能帮你辨认几乎所有 AI 话题的位置。

让我们逐层拆解。

5.1 第一层：人工智能（AI）——最大的「伞」

人工智能是整个领域的总称。它包括所有让机器表现出"智能行为"的技术，不限于机器学习。早期的 AI（如专家系统）完全不涉及"学习"，而是靠人工编写规则。

非机器学习的 AI 举例： - 导航软件中的路径搜索算法（A* 算法等）——不是从数据中"学"出来的，而是用数学方法搜索最优路径。 - 早期的棋类程序——用博弈树搜索穷举可能的走法。 - 工厂中的自动化控制系统——按照预设的规则运行。 - 电梯的调度系统、红绿灯的自适应控制。

这些都算 AI 的一部分，但它们不"学习"。

5.2 第二层：机器学习（Machine Learning）——让机器「从数据中学习」

机器学习是 AI 中最重要的子领域，也是过去二十年 AI 成功的核心驱动力。

它的核心思想可以用一句话概括：

不直接编程告诉机器"怎么做"，而是给机器大量的数据和反馈，让它自己"学会"怎么做。

一个直觉的例子——垃圾邮件识别：

	传统编程	机器学习
如何做	人类写规则："如果邮件包含'中奖'、'刮刮乐'，标为垃圾"	给机器 10 万封邮件（标注好哪些是垃圾），让它自己学规律
优点	可解释，每条规则都能说清	能处理人类想不到的复杂情况
缺点	规则永远写不全，骗子换个词就绕过了	"为什么这封算垃圾"有时说不清
结果	准确率 70% 就不错了	现在能做到 99.9%

👉 这就是机器学习的威力：不是因为机器变聪明了，而是因为"让机器自己学"比"人类教规则"能覆盖的情况多得多。

机器学习的三种主要类型——记住这三个词，每一个都在影响你的生活：

① 监督学习（Supervised Learning）：像「老师批改作业」

给机器大量"题目"和"标准答案"（带标签的数据），让它学习输入与输出之间的对应关系。

例：给机器看 100 万张标注好的猫/狗图片，让它学会区分猫和狗。
例：给机器看历史房价数据（面积、位置、楼层→价格），让它学会预测房价。
教学场景：自动作业批改、手写字体识别、学情预测系统。

② 无监督学习（Unsupervised Learning）：像「自己发现规律」

没有"标准答案"，只给机器大量数据，让它自己发现数据中的规律、结构和分组。

例：给机器一堆用户的购物记录，让它自动发现用户群体的分类（学生、白领、老人等）。
例：给机器大量文本，让它发现哪些词经常一起出现——这正是词向量、语言模型的基础。
教学场景：学生学习风格聚类、班级座位优化、知识图谱构建。

③ 强化学习（Reinforcement Learning, RL）：像「训练宠物」

不直接告诉它该怎么做，而是它做对了给奖励，做错了给惩罚，让它在不断试错中学会最优策略。

例：AlphaGo 通过与自己对弈数百万盘，不断优化下棋策略。
例：机器狗学习走路——摔倒了扣分，走一步加分。
例：ChatGPT 训练过程中的 RLHF（基于人类反馈的强化学习）——人类标注员对模型的不同回答进行打分排名，模型据此学习人类更喜欢什么样的回答。
教学类比：就像班主任管学生——用奖励和批评塑造行为。

💡 教学迁移：强化学习的"试错—反馈—调整"正是我们真实教学的循环。给学生讲强化学习，就是讲"你自己是怎么被老师和生活训练出来的"。

5.3 第三层：深度学习（Deep Learning）——机器学习中最强大的「武器」

深度学习是机器学习的一个子集。它的核心工具是人工神经网络（Artificial Neural Network），灵感来源于人脑的神经元连接方式。

"深度"指的是什么？ 指的是神经网络有很多层（layer）。早期的神经网络可能只有 2-3 层，现代的深度神经网络可以有几十层、几百层甚至上千层。

一个尽量直觉的比喻：工厂流水线

想象一个由很多排工人组成的工厂流水线：

第一排工人（第一层）看到原材料（比如一张图片的像素），提取最基本的特征——边缘、颜色、亮度。
第二排工人（第二层）把第一层的结果组合起来，识别更复杂的特征——纹理、形状。
第三排工人（第三层）进一步组合——识别出眼睛、耳朵、鼻子。
最后一排工人（最后一层）综合所有信息——判断"这是一只猫"。

每一层都在做信息的提取和变换，层数越多，能提取的特征就越抽象、越高级。这就是"深度"的力量。

我们会在第四讲"深度学习与神经网络"里详细讲解这个过程。

深度学习的几种重要网络架构（先混个脸熟）

架构	全称	擅长领域	通俗说明
CNN	卷积神经网络	图像识别	像一个会滑动的放大镜，逐块扫描图片提取特征
RNN / LSTM	循环神经网络	序列数据（文本、时间）	有"记忆"的网络，能记住前面看过的内容
Transformer	—	自然语言处理（后扩展到所有领域）	能"同时关注"输入中所有位置的关系（注意力机制）
GAN	生成对抗网络	图像生成	两个网络互相博弈——一个造假，一个鉴假
Diffusion	扩散模型	图像 / 视频生成	学会从噪声中一步步"去噪"还原出清晰图像

其中最重要的是 Transformer——它是 2017 年由 Google 提出的，可以说是当今所有大语言模型的"底层操作系统"。它的核心机制叫「注意力（Attention）」——简单说，就是让模型学会"在处理一个词时，应该给前文哪些词多一点注意力"。

5.4 第四层：大语言模型（LLM）与基础模型（Foundation Model）

大语言模型（Large Language Model, LLM）是深度学习在自然语言处理领域的巅峰成就。

它的本质是什么？

说出来可能让你惊讶——大语言模型的核心任务，本质上只有一个：预测下一个词。

是的，GPT 的全称是"Generative Pre-trained Transformer"（生成式预训练 Transformer），它在训练阶段做的事情就是：

给定前面的所有文字，预测接下来最可能出现的下一个词（token）。

比如，给定"今天天气真"，模型预测下一个词最可能是"好"、"不错"、"热"等。

就这么简单。

但这件看似简单的事情，在模型足够大、训练数据足够多的情况下，涌现出了惊人的能力。

这就是著名的"涌现"（Emergence）现象：当模型的规模（参数量）和训练数据量超过某个临界点时，模型突然表现出训练目标中没有明确要求的能力——它不仅能预测下一个词，还"学会"了逻辑推理、数学计算、代码编写、知识问答、角色扮演、情感理解……

🎯 一个重要洞察：大语言模型最神奇的地方，不是它多么聪明，而是"仅仅学习预测下一个词"这一个极其朴素的目标，居然能涌现出这么多能力。这种反差本身，就是 AI 时代最震撼的哲学启示。

我们会在第五、六讲「大语言模型原理（上/下）」里，把这件事讲得极其清楚。

训练过程概览（先有个印象）

预训练（Pre-training）：用互联网上海量的文本数据（数万亿个词）训练模型做"预测下一个词"的任务。这个阶段就像让一个学生阅读了人类写过的大部分书——它获得了广泛的知识和语言能力，但还不会好好地和人对话。
指令微调（Instruction Tuning / SFT）：用精心准备的"问题-回答"对来进一步训练模型，让它学会以人类期望的方式回应指令。这就像一个博览群书的学生，经过练习学会了如何应对考试。
人类反馈对齐（RLHF）：让人类对模型的多个回答进行偏好排序，训练一个"奖励模型"来衡量什么样的回答是好的，再用强化学习让模型朝着人类偏好的方向优化。这是让 AI"说人话"、安全负责任地回答的关键步骤。

「基础模型」（Foundation Model）这个更大的概念

大语言模型是基础模型的一种。基础模型的定义是：在海量数据上预训练的大规模模型，可以通过微调适配到各种下游任务。除了语言模型，还有：

视觉基础模型（如 CLIP、SAM）——理解和分割图像。
多模态基础模型（如 GPT-4o、Gemini、Claude）——同时处理文字、图像、音频、视频。
科学基础模型（如 AlphaFold）——专门理解蛋白质、DNA、分子结构。

到 2025–2026 年，头部模型几乎都已经是多模态的了。

5.5 第五层：生成式 AI（Generative AI）

生成式 AI 指的是能够创造新内容的 AI 系统。

过去的 AI 主要做"分析和判断"——分类、识别、预测。而生成式 AI 能"创造"——生成文本、图像、音乐、代码、视频等。

各位老师日常接触的豆包、Kimi、DeepSeek，本质上就是生成式 AI 产品。

生成式 AI 的几大方向：

类型	说明	代表产品/模型
文本生成	写文章、对话、翻译、摘要	ChatGPT、Claude、DeepSeek、豆包、Kimi、通义
图像生成	根据文字描述生成图片	Midjourney、DALL-E、Stable Diffusion、即梦、文心一格
代码生成	根据自然语言生成程序代码	GitHub Copilot、Claude Code、Cursor
音频/音乐生成	生成语音、音乐	Suno、ElevenLabs、豆包语音
视频生成	根据文字/图片生成视频	Sora（OpenAI）、可灵（快手）、Vidu、即梦视频
3D / 数字人	生成 3D 模型、虚拟人	腾讯智影、各类数字人平台

教育场景里的生成式 AI 应用（这是你最可能用到的）：

🎓 生成教案、讲义、考卷、习题解析——用文本生成。
🎨 生成教学配图、课件插画——用图像生成。
🎵 生成班级主题曲、录音教材——用音频生成。
🎥 生成科普短视频、历史场景还原——用视频生成。

5.6 第六层（也是最新前沿）：AI 智能体（AI Agent）

这是 2024–2026 年最重要的发展方向，也是各位老师在实践课中将会深入体验的内容。

什么是 AI 智能体？与普通的「问答式 AI」有何不同？

用一个对比来说明：

维度	普通对话 AI（如早期 ChatGPT）	AI 智能体（Agent）
交互方式	你问一个问题，它回答一个问题	你给一个目标，它自主规划和执行多个步骤
工具使用	只能对话	能调用搜索引擎、计算器、日历、邮件、文件系统等外部工具
记忆	仅限当前对话的上下文	有长期记忆，记得之前的交互和你的偏好
主动性	被动等待你的指令	能主动提醒、主动执行
环境交互	只在对话框中	能操作电脑、读写文件、发送消息、浏览网页

一个生动的例子

任务：「帮我明天给王校长请一天假，孩子要去看病」。

普通对话 AI：给你写一封请假信草稿，贴在对话框里。你还要复制 → 打开邮箱 → 粘贴 → 检查 → 发送 → 在日历上标注。
AI 智能体： 1. 在你的通讯录找到王校长邮箱 2. 起草一封得体的请假邮件（知道你和王校长的关系、以往邮件风格） 3. 与你确认后发送 4. 在你的日历上标记明天请假 5. 提前通知明天有课的同事 6. 第二天早上 7 点提醒你带孩子的就诊卡

同样的任务，后者可能为你省下 20 分钟。

OpenClaw（龙虾）——2026 年的现象级个人智能体

OpenClaw 正是这一理念的落地产品。它的特点是：

本地部署：安装在你自己的电脑上，不是在云端的对话框里。
不是本地模型：它本身不是一个大语言模型，而是一套 Agent 系统框架——它调用云端的大语言模型（如 Claude、DeepSeek、GPT 等）来"思考"，但在本地执行行动。
接入消息平台：通过 MCP（Model Context Protocol，模型上下文协议）等协议接入微信、QQ、邮箱、日历、文件夹，成为你真正的"个人助理"——帮你读消息、回消息、整理信息、管理日程。

我们在后面的实践课中会详细学习和体验它。

📚 相关延伸：第六讲会完整介绍 AI 产业生态（从芯片到应用的五层）；后续课程的实践课将引导老师们亲手配置一个 OpenClaw 实例。

第 7 节 · 3 分钟AI 的分类体系：四种常用的分类方法

除了按技术层次分类（如上面的嵌套图），AI 还有其他常用的分类方式。熟悉它们，有助于你应对各种场景下对 AI 的提问。

6.1 按能力范围分：ANI / AGI / ASI

类型	定义	当前状态
弱人工智能 / 窄人工智能（ANI）	只能在特定任务上表现出智能	✅ 我们今天使用的所有 AI 都是这个
通用人工智能（AGI）	能像人类一样在任何智力任务上表现出色	⏳ 尚未实现，学术界争论是否已接近
超级人工智能（ASI）	在所有方面都远超人类的智能	❌ 纯理论概念

需要特别说明：

尽管 ChatGPT、Claude、DeepSeek 等模型看起来"什么都会"，但它们本质上仍然属于弱人工智能。它们的"通用性"来自于海量数据和巨大模型规模带来的广泛能力，但它们并没有真正意义上的自我意识、自主目标、持续学习能力或对世界的深层理解。

关于 AGI 何时到来，业界分歧巨大：

乐观派（如 OpenAI 部分高管）：2-5 年。
中间派（多数研究者）：10-20 年。
谨慎派：还需要根本性突破，时间无法预测。

对学生回答 AGI 问题的建议：诚实说"没人知道，但讨论这个很有意思"，然后引出关于"智能是什么"的思考。

6.2 按技术路线分：三大学派

路线	说明	特点
符号主义 / 规则驱动	用逻辑和规则来模拟智能	可解释性强，但难以处理复杂现实问题
连接主义 / 神经网络	用大量简单计算单元的连接来模拟智能	当前主流，性能强但"黑箱"问题
行为主义 / 控制论	通过与环境的交互来产生智能行为	机器人、强化学习

当前的大语言模型主要属于连接主义路线。但 2024 年以来，越来越多的研究在尝试融合符号主义——让 AI 既能"直觉性"思考（连接主义），又能"逻辑性"推理（符号主义）。这是未来几年值得关注的方向。

6.3 按应用领域分（对老师介绍 AI 特别有用）

自然语言处理（NLP）：理解和生成人类语言——翻译、问答、摘要、写作。
计算机视觉（CV）：理解图像和视频——人脸识别、自动驾驶、医学影像。
语音技术：语音识别（语音→文字）、语音合成（文字→语音）。
推荐系统：个性化内容推荐——抖音、淘宝、新闻 App。
机器人与自动化：工业机器人、无人机、自动驾驶。
AI for Science：用 AI 加速科学研究——AlphaFold（蛋白质结构预测，获 2024 年诺贝尔化学奖）、药物发现、气象预测。
AI for Education：智能辅导、自动批改、学情分析、个性化学习路径。

6.4 按部署方式分：云端 vs 端侧 vs 边缘

这是 2025 年以来越来越重要的新维度：

部署方式	说明	代表
云端 AI	模型运行在数据中心，通过网络访问	ChatGPT、Claude、豆包网页版
端侧 AI	模型直接运行在你的手机/电脑上	苹果智能、部分本地 Llama、华为盘古端侧
边缘 AI	模型运行在路由器、摄像头、工厂设备上	智能摄像头、自动驾驶汽车内的推理芯片

端侧 AI 的兴起很关键——它意味着"不上传数据、不花网络流量、响应快、保护隐私"的 AI 在普及。对学校和教育场景尤其重要，因为未成年人的数据隐私是极其敏感的话题。

第 8 节 · 2 分钟几个容易混淆的概念辨析（老师必备词汇表）

这张表建议打印出来贴在办公桌上，以后遇到不清楚的词随时查。

概念	通俗解释	关系
AI（人工智能）	让机器表现出智能行为的整个领域	最大的概念
ML（机器学习）	AI 的一种实现方法，让机器从数据中学习	AI 的子集
DL（深度学习）	用多层神经网络做机器学习	ML 的子集
LLM（大语言模型）	用深度学习训练的、专门处理语言的超大模型	DL 在语言领域的应用
GenAI（生成式 AI）	能创造新内容的 AI	LLM 是其核心驱动力之一
AIGC	AI 生成内容（AI Generated Content）	GenAI 的产出物
Agent（智能体）	能自主规划、使用工具、完成复杂任务的 AI 系统	基于 LLM 之上的应用架构
Prompt（提示词）	你给 AI 的输入/指令	使用 AI 的"接口"
Token（词元）	模型处理文本的基本单位（约 3/4 个英文单词 ≈ 1 token，一个中文字 ≈ 1–2 token）	技术术语
参数（Parameter）	模型内部可学习的数值，决定模型的"能力"	衡量模型规模的指标
训练（Training）	用数据"教"模型的过程	模型制造阶段
推理（Inference）	训练好的模型对新输入产生输出的过程	模型使用阶段
微调（Fine-tuning）	在预训练模型基础上，用少量特定数据进一步训练	模型定制化
上下文（Context Window）	模型一次能"看到"的文字量上限	越大越好记住长文档
幻觉（Hallucination）	AI 一本正经编造不存在的事实	需要警惕的核心问题
对齐（Alignment）	让 AI 的行为符合人类价值观	AI 安全的核心议题
思维链（CoT）	AI "慢慢想"的过程，一步步推理	推理模型的核心能力
MCP	模型上下文协议，让 AI 安全接入各种工具	Agent 时代的"USB 接口"
RAG	检索增强生成——让 AI 先查资料再回答	减少幻觉的关键方法
多模态	同时处理文字/图片/音频/视频	2024 年后成为标配

第 9 节 · 3 分钟AI 能做什么？不能做什么？——给老师的边界地图

这一节最重要。你在未来一两年里被问到最多的问题，就是"AI 能做什么"和"AI 不能做什么"。

8.1 今天 AI 能做得非常好的事

✅ 总结、归纳、改写文字——几乎是完美水平。
✅ 翻译——接近专业译者，特别是英中、英日等主流语言。
✅ 写作——公文、教案、讲稿、邮件、故事草稿，都能给出及格线以上。
✅ 代码编写——从简单脚本到完整项目，能力快速逼近中级工程师。
✅ 数学推理（推理模型）——顶级模型能做奥赛题。
✅ 一般知识问答——广度上超过任何个人。
✅ 图像理解（OCR、场景识别、表格识别）。
✅ 图像生成——达到专业插画师水平。
✅ 语音识别 / 合成——日常使用中几乎无感差异。
✅ 个性化推荐——比你自己还懂你爱看什么。

8.2 AI 今天仍然做不好的事

⚠️ 需要极高事实准确性的任务——AI 会"幻觉"，一本正经地编造引用、法条、论文。关键事实必须人工核对。
⚠️ 最新的、快速变化的信息——模型有"知识截止日期"，需要靠联网或检索工具补足。
⚠️ 真正的创造性突破——AI 擅长组合、改写，但开创全新流派、全新理论还谈不上。
⚠️ 长时间、复杂的真实规划——让 AI 自主运营一家公司一个月，目前还做不到。
⚠️ 物理世界的精细操作——家用机器人能叠衣服但还不能完整做一顿家常菜。
⚠️ 理解他人的真实情感与处境——它能识别情感词汇，但并不真"懂"痛苦或喜悦。
⚠️ 对常识的可靠运用——它会在一些"显而易见"的问题上犯傻。

8.3 AI 根本上无法做的事（目前，或许永远）

❌ 拥有真正的主观体验和意识（这是哲学上的开放问题，甚至"什么算意识"都没有定义清楚）。
❌ 对自己输出的内容真正"负责"——AI 没有责任主体地位。
❌ 替代人与人之间的真实情感连接——孩子需要的老师的目光、家长的拥抱，这些不是 AI 能替代的。
❌ 代表人类做出最终价值判断——这应该、也必须是人类保留的权利。

🎯 给老师的核心一句话：AI 是强大的"助手"，而不是"替代者"；是"放大器"，而不是"决策者"。

8.4 「幻觉」问题必须单独讲一下

幻觉（Hallucination）：AI 在输出中编造不存在的内容——不存在的书、论文引用、法条、历史人物、专业术语——而且说得非常自信。

为什么会幻觉？因为大语言模型本质上是在"预测下一个最可能的词"，而不是"查询确定的真相"。它不知道自己不知道。

教学中的现实风险：

学生用 AI 写作业，引用了不存在的古诗。
老师用 AI 备课，把错误的历史时间当成了正确答案。
家长用 AI 查医学建议，得到了不准确的信息。

应对方法：

涉及事实、引用、数据时，一律二次核对（查百度、查学术数据库、查官方源）。
使用带搜索功能的 AI（联网版），可以大幅降低幻觉。
使用 RAG（检索增强）系统——让 AI 先查资料再回答。
多模型交叉验证——同一个问题问两个不同的 AI，看答案是否一致。
把"幻觉"本身当成一堂课——教学生"如何批判性地使用 AI"，这正是数字素养的核心。

第 10 节 · 3 分钟AI 与教育：一个特别专题

这一节专门讲 AI 对教育——特别是对中小学教师——意味着什么。

9.1 AI 将如何改变老师的工作？

我们先看一张「工作拆解图」。传统上，一位中小学老师的工作可以拆成这些类别：

工作类别	占用时间	AI 冲击程度
备课、查资料、写教案	高	🔴 高（AI 帮助极大）
制作课件、PPT、插图	中	🔴 高
批改作业、考卷	高	🟡 中（部分客观题已可替代）
学情分析、成绩统计	中	🔴 高
写报告、写总结、写通知	中	🔴 高
个性化辅导、回答问题	高	🟡 中（AI 是辅助）
课堂讲授、组织互动	高	🟢 低
情感关怀、价值观引导、品德教育	高	🟢 极低
家校沟通、家长会	中	🟡 中（AI 辅助起草）
行政杂事、填表	中	🔴 高

一句话总结：AI 能把老师从繁琐的重复性工作里解放出来，让老师有更多时间做"只有人能做的事"——理解学生、陪伴学生、启发学生。

9.2 AI 在课堂中的几种典型用法

这里给一份「即学即用」的清单：

课前： - 用 AI 生成差异化习题（给学有余力和学有困难的同学不同难度）。 - 用 AI 生成教学情境、小故事，让知识点更生动。 - 用 AI 做"预习题"——让 AI 假扮学生问问题，你准备答案。

课中： - 用 AI 实时生成配图、场景动画。 - 用 AI 假扮历史人物、文学角色与学生对话。 - 用 AI 当"临时搜索工具"——学生提的课外问题，现场查。

课后： - 用 AI 批改作文、作业的初筛，你做最终把关。 - 用 AI 针对每个学生的错题生成个性化讲解。 - 用 AI 做学情分析报告、家长会演讲稿。

日常： - 用 AI 写家长沟通信、班级公告。 - 用 AI 整理教学反思、写论文。 - 用 AI 翻译英文教学资源。

9.3 AI 时代学生需要什么样的素养？

这是你要和家长、校长经常讨论的话题。主流共识正在形成：

AI 素养（AI Literacy）：知道 AI 能做什么、不能做什么，能清醒地使用它。
批判性思维（Critical Thinking）：判断 AI 输出是否可靠、是否有偏见。
提问能力（Prompting）：能把一个模糊问题变成清晰问题，是 AI 时代最重要的新技能。
跨学科整合：AI 让单学科变得容易，但综合多学科解决真实问题还是人类的优势。
情感与沟通：AI 帮你的同事更高效，但最终要靠你的情商打动人。
创造力与审美：AI 能生成一百个方案，但选哪一个、调到什么感觉，需要人的判断。
伦理与责任意识：AI 是工具，人是责任主体——这一点必须从小树立。

9.4 AI 时代的几个教学原则

🎯 "AI + 人"优于"AI 或人"——不要把 AI 和教师对立起来。
🎯 先学会批判，再学会使用——教学生先质疑 AI，再学会用它。
🎯 透明优于隐瞒——鼓励学生告诉老师"这一段是 AI 写的"，不鼓励偷偷摸摸。
🎯 过程比结果重要——评价学生时，看他用 AI 时的思考、选择、修改，比看最终稿更有价值。
🎯 保护发展中的大脑——不要让 AI 替代孩子思考。比如低年级学数学时，不能让 AI 代写步骤。

9.5 一些已经在发生的真实案例

🏫 复旦大学从 2025 年起，AI 课程覆盖全体本研学生，AI 融入全部一级学科。
🏫 全国已设立 509 所中小学人工智能教育基地校。
🏫 国家智慧教育公共服务平台汇聚 1000+ 门 AI 精品课程。
🏫 上海、北京、深圳的部分小学，已经把 AI 基础作为三年级以上的正式课程。

第 11 节 · 2 分钟2026 年 4 月的 AI 快照：我们身处何方？

让我们做一个"现在时"的快照，帮老师们建立对当下的准确认知。

10.1 模型格局（2026 年 4 月）

全球主要前沿模型：

模型	厂商	特点
GPT-5 系列（最新 GPT-5.4）	OpenAI	生态最全面、用户最多
Claude Opus 4.7 / Sonnet 4.6	Anthropic	写作与编程领先、长上下文
Gemini 3 Pro	Google	多模态最强、200 万 token 超长上下文
Grok 4	xAI	与 X 平台实时数据打通

中国主要模型：

模型	厂商	特点
DeepSeek V3.2 / 即将发布的 V4	深度求索	开源、成本极低、推理强
通义千问 Qwen3	阿里巴巴	开源影响力大、多模态
豆包	字节跳动	用户量最大、产品生态广
Kimi	月之暗面	长文本处理见长
GLM-5	智谱 AI	开源、清华系
腾讯混元、百度文心、商汤日日新等	各大厂	各有侧重

10.2 我们已经拥有的

对话式 AI 已经非常成熟，能完成写作、翻译、编程、数学推理、数据分析、教案生成等复杂任务。
图像生成 AI 能力已经达到专业级别。
视频生成（Sora、可灵等）正在快速成熟。
AI 智能体（Agent）正在从概念走向实用——OpenClaw/龙虾、Claude Code 就是标志。
AI 在医疗、科学、金融、教育等领域的落地应用越来越多。
推理模型（GPT-5、Claude Opus、DeepSeek-R1 等）让 AI 会"慢慢想"。

10.3 我们尚未拥有的

通用人工智能（AGI）——AI 还不能像人一样灵活地在完全未知的领域自主学习和适应。
AI 没有真正的"理解"和"意识"——它是否"理解"它所说的话，仍然是哲学和科学界的开放问题。
AI 仍然会犯错——"幻觉"问题尚未完全解决。
AI 的安全与对齐问题仍然是巨大挑战——如何确保 AI 的行为符合人类的价值观和意图。
具身智能（会做家务的机器人、真正灵活的机器手）还在早期。

10.4 对教育的核心意义

AI 不是取代老师的工具，而是放大老师能力的工具。
中小学教师理解 AI，不仅是为了自身使用，更是为了能引导学生正确认识和使用 AI——这将是未来教育者最重要的素养之一。

第 12 节 · 3 分钟周末动手：教师的 AI 入门实操清单

这一节是为了让你走出教室后，真的能开始用起来。

11.1 三款建议你至少试一个的国产大模型

所有这些都是免费的、网页可直接用、无需科学上网：

产品	网址	特色
豆包	doubao.com	字节跳动出品，界面友好，适合日常写作
Kimi	kimi.com	月之暗面出品，擅长长文本、能读论文/文档
DeepSeek	chat.deepseek.com	深度求索出品，免费使用顶级推理模型 R1
通义	tongyi.aliyun.com	阿里巴巴出品，多模态、能生成图片

建议：至少注册两个，并习惯性"同一问题问两个 AI"——这是应对幻觉的最简单方法。

11.2 给老师的 10 个第一次要试的提示词

建议周末一个个试过来，每个花 5 分钟：

「请你扮演一位资深的小学语文老师，为六年级《少年闰土》这一课设计一个 45 分钟的教学方案，包括导入、主要环节、拓展活动和板书设计。」
「以下是我班上一位学生的作文，请指出其中的 3 个优点和 3 个可改进之处，语气要鼓励。【粘贴作文】」
「请为"三角形内角和为 180 度"这个数学知识点设计三种不同的课堂导入方式。」
「把以下家长会发言稿改得更温暖一些，不要太严肃。【粘贴稿子】」
「请设计 10 道围绕《论语》前三章的开放性思考题，适合初二学生。」
「我想给学生讲讲什么是 AI。请你帮我准备一段 5 分钟的讲稿，要生动、不枯燥，最好有一个吸引学生注意力的开头。」
「我的学生对阿基米德浮力定律总是记不住。请设计 3 个生活中的例子帮他理解。」
「请以鲁迅的笔调，改写下面这段现代汉语：【粘贴文字】」
「我是班主任，班上有两个同学闹矛盾。请帮我设计一个班会方案，主题是"同理心"，45 分钟。」
「请解释什么是"大语言模型的涌现现象"，用一个小学六年级学生能听懂的比喻。」

11.3 如何写出更好的提示词（Prompt 入门三原则）

原则一：说清楚「你是谁、我是谁、我要什么」

❌ 差：「帮我写个通知」 ✅ 好：「请帮我（作为四年级班主任）写一份周五家长会的通知，对象是家长，核心内容是期中成绩分析和亲子沟通建议，要显得亲切但不失专业。」

原则二：给例子，比抽象描述有用十倍

❌ 差：「语气要温暖」 ✅ 好：「语气要像这样：亲爱的各位家长，最近一段时间，孩子们在学校的成长让我觉得既欣慰又感动……」

原则三：鼓励它"先思考，再回答"

❌ 差：「给我一份方案」 ✅ 好：「请先分析这个问题的关键难点（3 条），再给出方案（3-5 条），最后说明每条方案的适用情况。」

11.4 一份「安全地用 AI」的教师备忘

🛡️ 不要输入学生的真实姓名、身份证号、家庭详细信息——涉及隐私。
🛡️ 不要把学校内部机密文件上传给公共 AI。
🛡️ AI 生成的材料一定要自己看一遍再用——不要直接复制给学生。
🛡️ 告诉学生你用了 AI——诚实本身就是教育。
🛡️ 教学生"怎么识别 AI 文"（文风平均、引用不真实、段落结构工整）比禁止使用更重要。

第 13 节 · 3 分钟FAQ：教师会被学生/家长/校长问到的 10 个问题

Q1：AI 会不会取代老师？

A：不会取代老师，但会用 AI 的老师可能会取代不会用 AI 的老师。AI 擅长信息处理和个性化内容生成，但教学中最重要的"情感连接、价值观引领、人格陪伴"是 AI 无法替代的。

Q2：AI 有感情吗？有意识吗？

A：没有。它能识别和模拟情感表达，但它没有主观体验。当 Claude 说"我很高兴帮你"时，它并没有真正感到高兴——它在根据对话的模式，生成最恰当的回应。至于"意识"是什么、机器是否可能拥有，这是哲学上未解的问题，也是一个非常好的课堂讨论话题。

Q3：我的孩子沉迷和 AI 聊天怎么办？

A：首先，区分"好奇使用"和"病理沉迷"。偶尔跟 AI 聊天是正常的。如果孩子把 AI 当成唯一的情感寄托，这是人际关系的问题，不是 AI 的问题。解决方案是帮孩子建立更丰富的现实社交，而不是禁止 AI。

Q4：学生用 AI 写作业，算抄袭吗？

A：这是一个正在被重新定义的问题。目前多数学校的立场是：不能直接提交 AI 生成的内容作为自己的作品，但可以使用 AI 辅助学习和创作，需要标明。类比计算器——小学不让用，初中选择性用，高中广泛使用。AI 大致会沿着类似的路径融入。

Q5：AI 能看出一篇作文是 AI 写的吗？

A：不太可靠。有一些 AI 检测工具，但准确率不稳定——既会冤枉人类写的作文，又会放过 AI 写的。不建议依赖检测工具，建议从源头引导学生"透明使用"。

Q6：AI 会不会泄露我的信息？

A：使用公共 AI 产品时，你的对话可能被用于模型改进。不要输入敏感信息（身份证、银行卡、学生隐私等）。正规大厂产品一般有隐私设置，可以关闭"对话用于训练"。

Q7：我英语不好，用 AI 教英语会不会教错？

A：主流大模型的英语能力远超绝大多数人类老师——语法、发音、表达习惯都非常地道。可以放心使用 AI 做英语辅助。但 "用英语与活生生的人交流"这一点，仍然需要真实互动。

Q8：AI 会不会有政治偏见 / 不良价值观？

A：有可能。大模型是从互联网文本中训练出来的，互联网什么都有。这正是"对齐（Alignment）"技术要解决的问题。主流国内模型都经过严格审核，但用 AI 生成涉及价值观的内容时，老师必须先审再用。

Q9：学 AI 要不要从编程学起？

A：不必。过去 5 年，AI 的使用门槛从"会编程"降到了"会打字"。对中小学老师来说，第一步是会用 AI 对话；如果感兴趣，再学一点 Prompt 技巧；再有余力，可以学 Agent 搭建和简单的 API 调用。编程不是必须起点。

Q10：AI 发展这么快，我学了 1-2 年会不会就过时？

A：具体的工具和模型确实变化很快（每 3-6 个月就有新版本），但底层的认知框架——也就是本门课要给你的东西——能用很久。记住"AI ⊃ ML ⊃ DL ⊃ LLM ⊃ GenAI → Agent"这个嵌套地图，你就能应对未来大部分新名词。

第 14 节 · 1 分钟本讲小结

要点	一句话总结
AI 的定义	让机器执行通常需要人类智能才能完成的任务
AI 的历史	70 年历史、四次浪潮三次寒冬，当前处于第四/五次浪潮的高潮期
技术层次	AI ⊃ 机器学习 ⊃ 深度学习 ⊃ 大语言模型 ⊃ 生成式 AI → 智能体
大语言模型的本质	通过预测下一个词来学习语言和知识，涌现出超越设计预期的能力
AI 智能体	从"你问我答"到"你定目标，我完成任务"的范式转变
当前水平	强大但仍属于"弱 AI"，有局限性，仍在快速进化
对教育的意义	AI 不取代老师，但会用 AI 的老师会更有竞争力；老师是引路人
对学生的意义	AI 素养、批判性思维、提问能力是未来的核心素养

课后延伸（可选）

📖 阅读： - 《AI 新世界：赋能时代的挑战与机遇》（李开复） - 《人工智能：一种现代方法》（Stuart Russell，偏学术） - 《这就是 ChatGPT》（Stephen Wolfram，深入浅出讲大语言模型）

🎥 观看： - 3Blue1Brown 的神经网络视频系列（B 站中文字幕版） - 李沐《动手学深度学习》公开课 - 黄仁勋、Andrej Karpathy、Sam Altman 的公开演讲

🔧 动手： - 本讲第十一节给你的清单。 - 第二讲我们会继续——讲解机器学习的核心思想，回答一个根本问题：AI 究竟是怎么「学会」的？

第 15 节 · 1 分钟尾声：思考题与延伸

结语

这一讲的内容很多，但核心只有三件事：

AI 是一个技术栈——从芯片到算力到模型到应用，每一层都有不同的厂商和角色。我们今天讲的是"技术脉络"，接下来的四讲会逐层深入原理（机器学习 → 深度学习 → 大语言模型上下），第六讲再从产业视角回看这张生态图。
AI 正在改变每个行业——教育只是其中一个。但教育的特殊之处在于，老师处于 AI 与下一代之间的桥梁位置——你怎么用、怎么讲，直接影响成千上万个孩子对 AI 的认知和使用方式。
AI 是工具，人是主体——永远不要忘记这一点。AI 再强大，它的意义都来自"被人类使用来做有价值的事"。

最后想对你说：

你坐在这里听这门课的此刻，是一个历史性的时刻——人工智能正在从研究室走进每一间教室。我们此刻不是要学会某个工具，而是要学会和一种新的智能形式共处。

这件事没有标准答案。你的每一次尝试，都会成为未来的教育经验的一部分。

欢迎来到 AI 时代。

下一讲，我们会走进机器学习的世界——看看 AI 是如何从「被规则编程的死板机器」变成「会从数据中学习的智能体」的。这是理解今天一切 AI 的起点。

祝学习愉快。

—— 本讲稿将随技术发展和教学反馈持续更新。 —— 课程配套网站将同步提供最新版文字稿、视频回放和实操指南。