汪潇潇：各位老师好！欢迎大家来到清华大学教师发展中心举行的教学沙龙，今天我们探讨的主题是“新型人工智能与未来教育——以GPT为代表的AI技术赋能教学的探索”。我们提早搜集了部份一线教师提出的问题，本次沙龙我们逐一探讨。首先，从全局视野看，随着大模型特别是以ChatGPT为代表的生成式人工智能的兴起，您认为高等教育会面临哪些机遇和挑战？

王帅国：去年年底以来，大家发现人工智能进入了一个全新的爆炸式增长阶段，很多业界大咖像比尔·盖茨，也把教育和生成式人工智能做了比较强的绑定。我们这段时间一直在测试，把生成式人工智能技术与在线课程、学堂在线、雨课堂进行融会，很多老师也在实验，看看怎样把生成式人工智能融入自己的课件、慕课，坦率讲我觉得冲击和挑战都特别大。我们发现，之前提的“混合式教学”概念延展了，之前我们提混合式教学是线上线下的混合，现在发现可能未来的混合式教学是人和机的混合。现在一种新的Blended Learing可能就是学生与机器、老师与机器、机器与机器、人与人之间充分的融会。

徐芦平：我在行健书院和钱学森班参与创新人材培养，所以跟学生接触的机会比较多，从去年年底到今年年初有个特别明显的感觉，就是同学在平常学习中应用以ChatGPT为代表的生成式人工智能的比例显著增长。听课时会看到一些同学在上课时支着电脑，一边听课一边开着一个AI实时讨论交换。之前我们讲高等教育，教的主体是老师、学的主体是学生，教育主体上是一个二元相互作用的体系；而生成式人工智能的产生与发展，让智能技术能够以极低本钱赋能每位学习者与教学者，未来的教育很有可能演化成“教师-学生-AI”三元相互作用体系。随着AI的参与，学习者的思惟、学习、创造进程与全球智慧网络建立起无缝连接，中间很多“结构洞”能够通过生成式人工智能的实时交互而弥补，大大提高教育、学习与创新的效能，这必将会给未来的教育与人类发展带来结构性的变化。

刘知远：我主要是做人工智能和自然语言处理的，生成式人工智能对我做的研究内容带来了非常大的挑战，有非常多全新的研究课题。从教学上来说，第一，我们需要去斟酌接下来给学生传授的是甚么样的知识。以ChatGPT为代表的大模型基本上具有了非常强的，把人类各行业、各方面的知识进行整合的能力，在这个技术的支持下，这类大模型一定程度上会替换或提高我们人类进行机械的脑力劳动方面的工作，这类机械重复的能力可能在未来会变得没有那末重要。从能力培养上来说，凡是新技术出现，它就会带来新的能力要求，我们需要让同学具有新能力。未来各行业的机械式脑力劳动大概都会被大模型或智能体支持或替换。凡是能够比较不错、比较善于利用这类技术或相关工具的人，他将会在自己的行业更具竞争力。所以，我们可能需要在课程里设计怎么让学生具有充分使用新技术、与人机协同以胜任更高水平工作的能力。从学校层面来说，我觉得更有想象空间的是如何通过跨学科交换，更快地把各行业智能工具更早地研发出来。未来固然面临挑战，但是对清华这样一个文、理、工都具有的综合类高校，是完全可以借此变局塑造出有特点的教学、科研全新场景的。

乔伟峰：我觉得对高等教育来讲，生成式人工智能带来的最大挑战是重新反思甚么是教育，甚么是学习。我的基本观点是，对GPT要重视，但是不用恐慌，它不能代替教育的全部。GPT给教育带来的机遇包括教育内容更丰富，教师角色更多重，教学方式更灵活，评价方式更多样。但是，教育的含义不单单是认知方面的，教育一般分为三个部份，“知育”，提高学生的认知力；“情育”，提高学生的情感力；“意育”，提高学生的意志力。中西方的划分虽区别但也有一些共性（例如梁启超、布鲁姆等）。用孔子的话就是“智者不惑、仁者不忧、勇者不惧”。生成式人工智能，从目前看只能解决认知这部份的问题，对其他两方面影响不大。本世纪以来一个重要的趋势就是技术加速，本世纪二十年来产生的新技术，已超过了过去一两千年技术的积累，而且这个趋势还在延续和强化。与此同时，产生了非常重要的现象，知识半衰期缩短。有人做过研究，上个世纪50、60年代，工程领域的专业知识大概20年左右有一半的知识被替换掉，但是现在大概5⑹年就有一半知识被新的知识替换。在IT领域则更短，大概1年左右。这让我们反思，大学短短四年，加上研究生阶段不超过十年左右的时间，学校到底应当教学生甚么？由于我们教的东西可能很快就进入半衰期而失效了。我觉得这是机器学习或生成式人工智能带给人类学习或教育最大的挑战。

蒙克：GPT善于的不是我们所想象的机械性内容，反而恰正是学科之间的交叉，不一样领域之间的搭建和联想。换言之，它善于的恰正是我们用来定义人性的东西，那个东西叫做创造力。GPT的挑战可能比我们想象的更加复杂严峻，我们常说GPT或大语言模型没法替换人，它没法替换梵高、爱因斯坦、莫言，但是我们有多少人，有多少毕业生能到达这类水平。换言之，我们今天最紧急的问题其实不是它能不能替换人，而是我作为工作者是不是被更善于使用机器的其他工作者所取代。在这类情况下，教育应当怎样调剂？教育的目标和使命一定要在大模型的倒逼下进行调剂了。从GPT的生成内容中挑选正确有效的部份，需要人有极高的判断力与吸收能力，和发问能力。所以我在反思我们自己培养博士，是不是是在提高他们发问的能力，是不是是在提高他们的学术品位，让他们能够有足够的判断力通过GPT获得好的信息。而我们的导学关系又是不是是在鼓励同学们做出这样的判断和独立提出这样的疑问，这是我自己作为使用者以后自己的感受。

汪潇潇：谢谢各位老师！接下来请刘知远老师和王帅国老师从技术的角度，结合当前人工智能的发展阶段，以大模型为代表的人工智能在教育教学的利用有怎样的创新性和局限性？未来的人工智能赋能教育教学有哪几种更合适的优化方向？

刘知远：由于我就是在做大模型的，我介绍一下大模型的基本原理。ChatGPT技术本身是2018年兴起的，我们一般称之为预训练模型。2018年这个技术就产生了突破，这个突破的技术特点是甚么呢？是从专有智能到通用智能的转变，也就是说AI要学习的对象不再需要在专有任务上专门标注数据，这个技术叫自监督学习，也就是说，它可以自动到互联网上的文本数据、图象数据里寻觅要学习的信号，然后它自己知道到底该学甚么，学完以后这个模型就是通用模型。通用模型的意义就在于甚么任务都可以做，这就是2018年以后ChatGPT背后的大模型技术非常重要的特点。

刚才蒙克老师说的那两个点我想略微回应一下。第一，现有的大模型的技术、ChatGPT，它有一种非常明显的现象，学术界一般称之为“幻觉”，就是大模型容易信誓旦旦的胡说八道，但是这个问题不是一个技术上的瓶颈，只要有足够多的投入它一定可以解决，其实不是技术上的挑战。第二，像蒙老师提到的创造性的问题我可能会有不一样的观点，我认为创造性也分区别维度、区别层次的。我认为大模型现在能做到的创新是组合式的创新，也就是人类提供的数据中包括的知识已大致给AI规定好了思考的维度，比如我用梵高的风格画蒙克老师的肖像，它能完成，是由于它学习了梵高的《星空》这幅画。它是一种组合式的创新，它可以用曾有的某一种思惟方式、某一种风格做一件之前历来没做过的事情。但是我觉得人类最大的创新能力是空间上的升维，相当于这个世界上历来没有过这个角度或这个维度的思考，比如梵高的风格，比如历史上任何的写作方式，比如意识流，这类高维度创新是大模型做不到的。

王帅国：我接着刘知远老师补充一点我的想法，刚才刘老师提到，人工智能走到这一步其实不是孤立产生的爆发式创新，其中很重要的一点就是“通用”，我特别想就这个词跟各位老师谈谈。“通用”这个词出现在我们技术发展史的每一个环节，通用的机器（电脑）替换专用的机器，通用的软件（浏览器）替换专用的软件。深度学习算法出现以后，很多算法被通用了，现在大模型出现又把之前用人工智能来做人脸辨认、机器翻译这类专用算法又被通用了。所以这里给我们一个很大的启发，我们未来的老师是不是是不再是专用老师，未来技术的发展是不是出现通用老师？

第二个启发，刚才知远讲到的，也是我最共鸣的一点，为何深度学习从这个赛道冲出来了？为何Transformer算法替换了之前各种流派的深度学习算法？本质特点是机器学习的逻辑是在模仿人类的思考，比如神经网络就是由于大脑里有神经原，修改神经原之间的各种参数，最后构成一个更好的模型。为何会有Transformer，Transformer领域里有一篇非常重要的文章叫《Attention is All you need》，人类在学习进程中的注意力不是平均分散的，人怎样学在很大程度上启发了机器学习的发展，但是现在机器学习已突破了人类学习的边界，已开始反过来启发人怎样去学习。所以我们现在是不是是要通过思考这轮GPT的发展，来回头看我们教育体系怎样改进，就像围棋领域，之前是用人的棋谱训练算法，现在人在用AI来训练自己。

汪潇潇：我想生成式人工智能机械性、创造性的都能做，只剩下从0到1的创造者需要我们培养了，相信这对在坐的老师和教发中心都带来了新的挑战。感谢两位老师给我们上了一堂生动的生成式人工智能概论课。接下来请教另外三位老师，在自己的研究中有无用到GPT？以它为代表的人工智能工具如何更好地赋能你们的教与学？

徐芦平：我们要重新思考，随着AI技术的发展，我们在教育目标和方式上将产生怎样的变化。智能技术的演变趋势让我们可以比较肯定的说，在相对重复性、机械性的技能领域，AI与人类事实上是竞争关系，或取代关系。因此未来的高等教育中，创新人材的培养必将会占据愈来愈重要的地位。

培养创新人材，例如培养发现问题、定义问题乃至于重新定义问题等核心创造性能力素养，极富个性化与挑战性。在如今的高等教育中，我们常常通过采取将大量头部资源聚集到小部份“精英”学生身上的方式，来实现极少数拔尖创新人材培养，这类方式从根本上限制了创新教育的普及。如今通用人工智能技术的不断迭代升级，显示出了在激起与培养学生创造性成长方面的巨大潜力，我们完全可以想象通过人与AI协同的方式重构高等教育，实现可范围化的创新人材培养。

通用人工智能将人类的集体智慧和能力赋予到每位学生与教师。当学习者学会怎么发问、能够聪明、奇妙地应用AI的时候，就可以超出局部的资源与可能性的限制，站在全球伟人的肩膀上、调动全球的资源网络来支持本身学习与发展。应用AI增进学习将成为下一代学习者必备的核心能力素养。对教师来讲，教师与AI成为共谋的“教学共同体”，教师负责引领与主导，AI负责个性化指点与支持，一门课可以有一千个教学版本，每一个版本都可以根据学习者的目标和状态进行实时优化，让每一个学生都取得最需要和最合适的教学。

因此，通用人工智能的出现，令人类有可能在历史上第一次根本性的解决范围化教育与个性化培养之间的二元冲突，实现大范围、个性化的人材培养。从学习上说，一千个学习者可以有一千条学习路径，每一个学习者都可以根据本身兴趣和特长，在AI技术支持下个性定制学习目标和进程。如今，我们在行健书院每一年支持十几位同学履行“一人一策”培养方案，如果有AI加持，原则上我们清华每位同学都可以实现“一人一策”。

蒙克：刚刚几位老师讲的很有启发。第一，关于刚刚说的创新与梵高，哪怕这些大师自己，他的一生当中的创作思考在很大程度上也都在用组合式的创新。我完全同意最顶层的创新多是揣摩不透的，展现人性之伟力的创造性的确没法通过机器来实现。但是AI哪怕实现的仅仅是组合式的创新，也能对我们的生产和生活带来很好的助益。

第二，我想谈谈组合式创新对今天的重要性。刚才几位老师讲的通用型教师，其体现到通识教育上。我们今天的教师，其实都是在19世纪以来所构成的专门性学科体系下培养出来的。换言之，我们只有专用型的知识。因此，在这样的情况下，实现各个领域的跨学科是很难的，实现这样的跨学科或许仅靠人类是不够的，恐怕要寄希望于AI。我们今天遇到的问题，实际上是19世纪以来所构成的专用型学科体系，在愈来愈限制着我们应对21世纪那些一定要要求学科交叉才能回应的通用型的挑战。

乔伟峰：我想说一件事，讨论这个问题需要斟酌逻辑，我们是在人的学习和机器学习做比较，或者更关注学生学习的进程？我觉得后者更重要。第一是如何对学生的表现做评价。我们现在面临非常大的挑战，就是学生可以提供非常棒的答案，但老师不知道答案得出的进程，不知道学生是用甚么样的推理方式、思惟方式得到这样的答案，而这个进程恰正是学习增值的部份。会不会应当和怎么从人和机器共同生成的作品，来判断学生实际的认知和非认知的学习收获？我们的评价体系是不是是要做出应对。第二是怎么发展学生的创造力。我们讨论主要集中在认知领域，包括生成的作品也主要是认知的结果。但是就像前面所说，教育不但是认知这一个部份，还包括“情育”和“意育”，而恰正是后面这两个部份，对人的学习增值有调理作用。大量的实证研究证明，隐性知识、非理性进程，常常是创造力激起的重要因素。因此，我们不但要培养学生提出问题、解决问题的能力，教师更要成为好的发问者，善于捉住契机启发学生的深度思考，这也很重要。

汪潇潇：由于时间的关系，我们就把接下来的时间交给互动环节，先请张晨老师。

张晨：各位老师好，我是经管学院的张晨。我现在在学院协助负责一些本科教学的工作，昨天跟院领导、本科生同学们座谈时，院领导谈到希望在接下来的本科教育教学中，最少是尝试或斟酌尽量多地鼓励同学们与人工智能合作完成一些作业，培养他们人机协作的能力。我第一个问题，现在有无一些研究或行业实践能够启发我们用甚么样的方法去系统地，或最少是有效地培养学生，培养他们人机合作的能力？第二个问题，我们作为教师还有优势吗？我们本身需要有怎样的能力才能站在一个指点学生去提升人机合作能力的位置上呢？

汪潇潇：谢谢，我拆成两个问题。第一个问题请刘知远老师。

刘知远：我说一下我从技术上的研判。我感觉现在的ChatGPT依然只是一个玩具，其实不能真正成为各个行业值得依赖的工具，这是我的一个基本的判断。ChatGPT可能在我们学校全部课程体系中，对《写作与沟通》这样的课程影响较大。但是对专业课程，或在各个行业里要充分利用大模型技术的优势来做非常专业的协作的工具，应当还要再花几年时间。我反而觉得由学科老师率先做一些研发工作，在一些研究生的课程里，不是先用工具，而是先用智能技术定制出一些行业的知识工具，先制造工具，然后再在本科生课里把这个工具用起来，我觉得大概是这么一个路径。所以可能最早推动的是各个学科开始加速制作智能工具。

汪潇潇：谢谢！第二个问题请乔老师分享一下。

乔伟峰：教师如果秉承着所有能力都一定要强于学生的观念，会有危机感。也许可让学生教我们，在人工智能利用方面，学生教老师既是可能的，也许也是常见的。弟子未必不如师，这也是教学相长的一个动因。固然，也包括同辈之间的学习，就像费曼学习法，一个人如果能把问题给他人讲清楚，反过来会加深自己的学习。固然，教师也确切需要主动弥补数字鸿沟，多下一点工夫，渠道不一定是传统的自学，也不一定是向学生学习，可能也包括向机器学习。

徐芦平：我特别同意前面两位老师。如要在某个领域的教学当中使用，需要对通用型人工智能进行定制，让它更适配我们的教学目的。另外，针对怎样在教学中发挥AI作用的问题，教师要把自己放在学习者的位置，由于我们的学生作为数字原住民，对如何应用AI技术更敏锐更有经验。但是教师也有两个很重要的优势。第一，教师的学科理解与学理深度是学生包括GPT没法取代的；因此教师在学习框架的制定与价值判断或取舍上，要发挥重要的主导性。第二，教师基于丰富的教学经验和对学生理解提供个性化的帮助与引导，帮助学生充分结合学习目标个性化制定学习方案，有助于充分发挥AI的工具价值。

汪潇潇：最后一个问题，在生成式人工智能蓬勃发展的今天，会不会需要对教育目标调剂，这个问题留给李俊峰老师吧。

李俊峰：我一边听一边在想一个很微观的问题，下学期我的理论学该如何上，我应当让那几个助教干甚么，我们的学生在一起要做些甚么。也在想刘知远说的机械式智能到底怎样定义，是凭感觉或者有甚么标准。通用老师、通用技能，或是通识教育、通识课程，很多东西在过去不可能，现在确切成为可能了。假设说回到300年前，我们力学里讲到的那些大牛好像是全能的，既是数学家，又是物理学家又是天文学家，前几年我跟学生讲课才说到这在现在是不可能的，但现在看来又可能了，学生在人工智能的加持下有了可能。虽然现在我们希望连微积分都可以遗传，但是遗传不了也没关系啊，将来的人类可能不需要学微积分，由于微积分能做的事如果在某个平台上直接能完成，他可以不学啊。像我们小时候要学乘法口诀，现在很多人就不学，就用计算器，效力还更高。所以我觉得这是特别大的挑战，希望将来有更多这类讨论，把我们教学中碰到的各种各样的问题提出来，大家一块群策群力。

汪潇潇：感谢教师发展中心给我们提供这样一个平台，特别感谢5位专家同事，感谢在场的所有老师！谢谢大家！