👤 同一博主

🎬 2026年展望计算未来奖：神经假肢的未来

（原标题：Envisioning the Future of Computing Prize 2026: St） 🧠 神经假肢的未来：保障用户代理权与所有权 💡 核心观点 随着人工智能（AI）技术的进步，传统假肢正迅速向能够预测、分析并辅助复杂动作的“生成式模型策略”（Generative Model Policies）驱动的神经假肢转变。然而，这种高度依赖软件和云服务的设备带来了新的风险：当软件崩溃、公司破产或订阅中断时，用户可能瞬间丧失对身体的控制权（即失去“代理权”）。演讲者提出，必须通过确立“本地优先主权”和“维修权触发机制”，确保患者在极端情况下仍能保留基本功能，并明确“当软件崩溃时，肢体属于患者”。 📊 关键事实与论据 市场规模与需求：美国目前有230万人存在某种形式的肢体缺失，预计到2050年这一数字将翻倍。此外，有30.2万人患有脊髓损伤，每年新增约18,000例病例。 经济负担：目前每位严重四肢瘫痪患者的终身护理成本超过580万美元。传统上肢假肢因认知操作困难常被弃用，而AI假肢有望恢复行走、抓握、说话、视觉和听觉等功能。 技术原理：生成式模型策略的工作原理类似于ChatGPT处理文本序列预测下一个词的方式。它将神经尖峰（neural spikes）转化为序列，并预测用户的意图动作。 现实风险案例： SecondSight公司：其仿生眼产品Argus II曾导致用户Barbara Campbell在地铁站因设备断电而失明；2020年公司倒闭后，350名患者被遗留，无人能更新固件。 心脏起搏器漏洞：2017年，因固件缺陷召回46.5万台设备；2019年美敦力（Medtronic）因网络安全问题迫使4,000名美国患者更换设备。 三大失效模式：公司破产导致硬件无人支持、勒索软件攻击切断服务、订阅漂移（价格上涨或用户无力支付）。 🛡️ 解决方案：新ESCO标准 演讲者提出了“新ESCO标准”，基于两大支柱以保障用户权益： 本地优先主权（Local First Sovereignty）：AI假肢的“最小可行功能”必须始终在边缘设备（Edge Device）上运行，确保离线状态下可用。云端通信仅用于增强功能（如个性化校准、技能更新）。基本生存功能（如行走、抓握）不应受订阅层级限制。 维修权触发机制（Right to Repair Trigger）：当发生勒索软件攻击或公司破产等事件时，模型权重、编译器密钥和源代码必须在维护许可下开源，允许第三方进行更新和维护。 ⚖️ 争议与讨论 安全性与开源：开源并非必然导致安全风险。心脏起搏器的漏洞是由开源社区逆向工程发现的；开源人工胰腺在安全性上与闭源产品相当，但性能更优。 知识产权（IP）激励：新标准并非通用公共许可证。患者持有受益权，公司保留IP和版权。代码仅在触发事件下以“维护许可”形式释放，而非用于商业竞争。FDA需监管此类情况，并在缺乏开源社区支持的利基领域介入。 监管资源问题：观众指出FDA资源不足且对AI医疗监管持谨慎态度。演讲者认为随着市场转变和净收益显现，FDA将不得不调整重点。另有建议引入保险机制作为第三方兜底方案。 订阅漂移 vs. 处方药：与处方药不同（有或无），神经假肢可通过保留边缘设备的基本功能来应对价格飙升，类似于大语言模型降级使用但仍可用的情况。 责任归属：若智能肢体导致事故，演讲者倾向于由制造算法并持有IP的公司承担责任，而非患者。

🎬 2026年计算未来愿景奖：Rachel Sava

（原标题：Envisioning the Future of Computing Prize 2026: Rachel Sava） 🧠 脑机接口：技术突破、隐私风险与法律保障 ⚡ 一句话概述 未来十年内，AI解码大脑技术将从非侵入式向植入式演进，旨在恢复ALS等重症患者的沟通能力，但需通过严格的法律限制（如限定植入区域、数据本地化及仅限临床用途）来平衡技术创新与认知自由，防止“大脑劫持”及商业监控风险。 🔑 核心要点 技术愿景与现实痛点：AI解码大脑被视为未来十年最具影响力的应用之一，主要目标是解决“闭锁综合征”及肌萎缩侧索硬化症（ALS）患者的沟通障碍。目前辅助沟通手段效率极低，而新兴的植入式接口有望实现接近自然对话的速度。 双重风险挑战：随着技术深入，面临两大核心威胁。一是隐私泄露，私密思想可能被雇主或保险公司读取，导致自我审查；二是安全风险，即“大脑劫持”（brain jacking），恶意攻击者可能通过植入物控制或干扰患者神经活动。 监管与法律框架：为保护认知自由并遏制风险，主张建立三项关键法律保障：限制植入区域至运动皮层、确保原始数据本地化处理、严格限定设备仅用于临床医疗而非消费级增强。同时，建议将应用范围局限于受监管的患者群体，以降低恶意攻击动机并便于风险控制。 🔍 重要细节 📈 技术现状与突破 现有辅助沟通系统效率低下，例如John Baubi曾耗时10个月、通过20万次眨眼完成回忆录；传统眼动键盘仅支持每分钟10-15词，远低于自然对话的150词/分钟。全球约30万人受ALS影响，350万美国人需要辅助沟通系统。 近期技术取得显著突破： 斯坦福大学（Frank Willett团队）：2023年通过植入式接口实现每分钟62词的实时语音合成。 加州大学旧金山分校（Edward Chang团队）：利用ECOG阵列成功还原患者的原声及面部表情，标志着从单纯文字输出向多模态交互的迈进。 🛡️ 隐私与安全风险分析 隐私侵蚀：非侵入式设备已用于职场监控，如中国工厂使用EEG监测员工专注度，亚马逊货车监控司机状态。若侵入式设备普及，私密思想（如异见、冲动）可能暴露，导致严重的自我审查和社会控制。 “大脑劫持”威胁：神经形态工程硬件的发展带来了新的安全隐患。植入物可能被恶意软件攻击，直接干扰或控制神经系统。 风险缓解策略：Rachel Sava指出，将设备应用限制在“患者池”而非大众消费市场，能有效抑制恶意攻击动机。相比面向数百万消费者的产品，针对特定医疗群体的攻击激励较少，且患者处于受监管的医疗系统中，更易于隔离和控制风险。 ⚖️ 法律保障与建议 为平衡创新与安全，需确立以下三项法律原则： 植入区域限制：仅允许在负责运动控制的皮层植入解码器，避开负责自发思维、情感和决策的前额叶及默认模式网络，从物理上隔离私密思想。 数据本地化处理：参考智利2021年宪法修正案精神，规定原始神经数据不得离开植入体。推理过程应在设备端完成，仅传输抽象输出（如音素或文字），防止原始脑电波数据被云端收集和分析。 严格临床专用：明确区分医疗必要性与消费级产品。禁止将BCI作为健康人的增强工具或生产力提升手段，防止市场主导下的监控泛滥和伦理滑坡。 💡 结论 神经形态工程与AI解码大脑技术将在未来十年迎来硬件与应用的双重突破，为重症患者带来沟通自由的新希望。然而，技术的侵入性也带来了前所未有的隐私与安全挑战。通过立法限制植入区域、强制数据本地化以及将应用范围严格限定在受监管的临床患者群体中，可以在享受技术进步红利的同时，有效遏制“大脑劫持”和商业监控风险，实现技术创新与认知自由的务实平衡。

🎬 2026年展望计算未来奖：开幕致辞

（原标题：Envisioning the Future of Computing Prize 2026: Opening Remarks） 🎓 活动背景与历史回顾 2026年度“展望计算未来奖”（Envisioning the Future of Computing Prize）开幕，该奖项已举办四年。 过去四年间，积累了数百篇优秀的学生论文和演示文稿，旨在记录MIT学生在2023至2025年间对技术未来的思考。 历届获奖主题包括：利用数字分身模拟30年关系的匹配软件、与动物（如海豚）的沟通技术、以及肠道机器人（gut bots）的所有权与风险问题。 该奖项不仅为未来历史学家提供研究资料，更旨在鼓励并庆祝学生思考其创造的技术如何塑造未来。 🏆 本届参赛情况与提名 今年共有60份参赛作品，经匿名评审团筛选后，选出3位最终入围者。 特别提名（Honorable Mentions）获得者包括：Kweli Simeon、Hara Murataiki 和 Kaidi Polkinghorn。 三位最终入围者及其背景如下： Rachel Sava：健康科学与技术（Health Sciences and Technologies）博士生。 Cordyana Kosia：化学（Chemistry）专业学生。 Straho Yanusevich：具体专业未在转录中明确提及，但确认其为入围者之一。 ⚖️ 评审流程与规则 每位入围者将进行12分钟的演示，随后接受观众10分钟的提问。 初始筛选由 faculty judges（教师评审团）匿名进行，作者姓名已从论文中隐去。 最终评审团由多位拥有高级职位的专家组成，包括：Agustin Rao、Carolyn Jones、Kieran Setia、Asi Oz Deglar、Niko Strakakis、Brian Hedden、Dan Hutton-Locker 和 Randy Davis。 最终评分权重：75%基于论文得分，25%基于现场演示表现。 📅 时间安排与资助方 目标在20:15颁发奖项，最晚需在20:30结束活动。 该奖项由 MAC3 Impact Philanthropies 资助。 MAC3 联合创始人兼董事总经理 Antoine Firminich 首次从瑞士出席本次活动。

🎬 展望计算未来奖2026：Cordiana Cozier

（原标题：Envisioning the Future of Computing Prize 2026: Cordiana Cozier） 🏛️ 数据时代的第六修正案：主权AI与公共辩护的宪法能力 💡 核心观点 Cordiana Cozier 提出，在数字证据量远超人类认知能力的当下，公共辩护人面临结构性困境。她主张引入“主权 AI”（Sovereign AI）系统，将其作为恢复第六修正案实际意义的“宪法基础设施”，而非律师的替代品。该系统旨在通过本地化部署、非提取式架构，帮助辩护方处理海量数据，从而在检控与辩护之间重建对抗性平等（adversarial parity）。 📊 关键事实与论据 1. 认知过载与“分诊正义” 现状：公共辩护人通常同时管理数百起案件，每年处理超过 100 甚至 400 起案件。而单个重罪案件可能包含数十小时的执法记录仪视频、手机提取数据及监控录像。 后果：由于时间稀缺而非法律 merits 决定案件处理方式，形成了 Song Richardson 所称的“分诊正义”（triage justice）。超过 90% 的刑事案件通过认罪协议解决，辩护人缺乏时间全面审查证据，导致宪法权利在实践中的有效性随工作负荷波动。 案例：Warren Demesme 在被捕时要求“给我个律师，伙计”（give me a lawyer dog），因方言识别错误被法院视为模棱两可的请求，未获律师即认罪。 2. 语言障碍与误译风险 问题：标准转录方法常误解非裔美国人 vernacular English (AAVE) 等边缘化群体的语言模式。 案例：在牙买加克里奥尔语证词中，“dropped the gun”（扔下枪）被错误转录，实际含义为“dropped to the ground”（趴在地上）。这一误译将被告从“持械者”变为“躲避枪击者”，根本改变了案件解读。 3. 主权 AI 系统的设计与优势 功能：系统将证据安全摄入本地环境，同步时间戳、匹配说话人，构建统一的“宪法时间线”。计算机视觉层识别关键程序时刻（如戴手铐、使用武力），语言层生成方言感知转录。 隐私与安全：不同于云端系统，主权 AI 是本地部署且非提取式的，确保数据不离开机构控制，符合律师-客户特权要求。参考 MIT 的 Parley 工具及 *USA v. Heppner* 案关于 AI 文档特权的法律信号。 实证效果：2020年6月4日纽约 Mott Haven 抗议事件中，研究人员利用类似方法同步了 6,300 多个视频片段，重建了警方“围捕”（kettling）和平示威者的过程，最终达成每人超过 21,000 美元的和解金，创下美国大规模逮捕人均赔偿最高纪录。 4. 风险与缓解措施 认识论依赖：防止律师过度依赖 AI 标记。系统被设计为“非预测性”，仅指出事件发生（如“搜查已进行”），强制人工验证其合法性。 AI 单一文化：允许根据司法管辖区和律师偏好定制，避免法律推理过度标准化。 去技能化与疲劳：虽然存在律师因依赖工具而丧失原始技能的担忧，但系统旨在压缩数据审查时间，而非替代专业判断。 🎯 结论与展望 短期应用：未来 5-10 年，该系统可用于支持认罪协商，帮助律师识别量刑模式和指控不一致性，但仍保持建议性质。 长期挑战：若不采取行动，司法系统将滑向由工作负荷决定宪法保护程度的“分诊正义”。虽然存在检察官同样使用 AI 导致“军备竞赛”、系统成本高昂以及可能增加辩护人工单量的担忧，但 Cozier 认为，投资此类工具比单纯增加辩护人数量更能有效解决当前的资源不对等和数据处理瓶颈。 核心主张：技术不应仅服务于商业激励，而应与宪法责任对齐。主权 AI 是缩小检控与辩护间数据处理能力差距、使宪法承诺在实践中成为现实的关键手段。

🎬 2026年展望计算未来奖：颁奖典礼

（原标题：Envisioning the Future of Computing Prize 2026: An） 🏆 核心观点 演讲者高度评价了当晚所有参赛者的表现，认为其质量远超许多常规科学会议，充分展现了 MIT 学生的卓越才华与能力。 📝 关键事实/论据 奖项揭晓：2026 年“展望计算未来奖”（Envisioning the Future of Computing Prize）的获奖者是 Rachel Sava。 现场反馈：演讲者指出，当晚的每一场演讲都非常出色，观众对结果充满期待。 后续安排：该奖项将每年举办一次，鼓励师生在未来继续参与竞争并证明自己的实力。 🎉 结论 Rachel Sava 正式获得 2026 年度大奖。演讲者向所有参与者及获奖者表示祝贺，并预告明年将继续举行该评选活动，期待更优秀的表现。

🎬 EmTech AI 2026：幻觉、噪声与 AI 的现实

（原标题：EmTech AI 2026: Hallucinations, Нуре, and the Realities of AI） 🧠 AI 本质与人类智能的差异 核心观点：AI 是一种与人类智能截然不同的智能形式，而非人类智能的简单复制。虽然 AI 能模仿人类的道德判断和语言交流，但在高压力情境或日常决策中，“表象”与“现实”的区别至关重要。 关键论据： 人类决策深受自身利益、亲人、同事及社会关系网络的影响，这种基于真实后果的考量是非人类行为者所缺乏的。 试图将 AI 强行塞入“人类角色”的框架，或将人类塞入“机器角色”的框架，在逻辑上是根本错误的。 当前社会对 AI 的“替代论”叙事存在偏差，实际上在 AI 时代，人类推理和判断力比以往任何时候都更重要，因为需要有效整合两种不同的智能。 结论：不应过度担忧 AI 对人类角色的直接替代，而应关注如何正确理解并协作利用这种新型智能，避免将其简单等同于人类。 💻 软件工程与职业发展的变革 核心观点：AI 正在根本性地改变软件开发流程，从“辅助写代码”转变为“用更少的代码指令产生更多的代码产出”。 关键事实/论据： 最佳实践：最有效的团队配置是少数顶尖软件工程师配合大量 AI 编码工具。例如，6 名优秀工程师配合 AI 在几周内完成的工作量，过去可能需要 50 人团队耗时 6 个月至 1 年。 职业分化：单纯训练“写代码”（Code Jockey）的职业路径风险增加，而具备系统架构思维、计算思维（Computational Thinking）和深厚经验的资深架构师价值提升。 教育启示：MIT 等机构强调教授“计算思维”而非仅教授实用编码技巧，因为技术迭代加速，具体工具会变，但深层思维模式更具长期价值。 结论：对于新毕业生，重点应放在理解大型系统目标、架构设计以及如何有效指挥 AI 工具上，而非仅仅掌握语法。 🎓 教育体系与 AI 整合策略 核心观点：教育机构需将 AI 知识融入所有学科，并重新思考教学法，避免简单禁止 AI 使用。 关键事实/论据： 跨学科整合：MIT 施瓦茨曼计算学院（Schwarzman College of Computing）推行“计算教育共同基础”（Common Ground for Computing Education），由 20 个不同系所的教授共同授课，将机器学习与工程、人文、社会科学等学科结合。 教学法类比：禁止 AI 使用类似于早期禁止使用可编程计算器，这是逆潮流而动。AI 已像计算器一样普及，关键在于如何引导学生在保持学习深度的同时有效利用 AI。 风险与机遇：无引导地释放 AI 可能破坏学习能力，但正确引导可提升学习效率。 结论：教育者需从“禁止”转向“引导”，设计能确保学生真正理解并有效使用 AI 的课程结构。 🔮 未来技术路径与协作模式 核心观点：未来的 AI 发展将减少对纯人类数据的依赖，并转向更强调人机协作的可解释性。 关键事实/论据： 训练数据变化：越来越多的训练采用“自我博弈”（Self-play）或 AI 系统间的交互，以及未经人类解释的原始传感器数据（如工厂机器噪音、图像、音频），这些数据不受人类感知系统限制。 可解释性需求：当前 AI 多为“黑盒”，难以调试细微错误。未来需要 AI 具备“可读性”（Legibility），即让人类能理解其运作逻辑，以便进行有效协作和调试，这不同于单纯的道德伦理解释。 基准测试挑战：评估 AI 不应仅看其独立表现，而应衡量“人机协作”相对于“单独人类”或“单独 AI”的提升幅度，这是一个更复杂但更关键的指标。 结论：技术发展的重点应从“模拟人类”转向“人机互补”，利用机器在感知和数据处理上的优势，结合人类的判断力，实现优于单一智能体的结果。

🎬 AI如何改变我们的学习方式？

（原标题：AI in Education: Panel Discussion: How Does AI Affect How We Learn?） 🎓 AI对教育生态的重塑与挑战 技能内化危机显现：Anthropic的研究数据表明，虽然使用AI编程工具能显著提升开发速度，但一旦停用这些辅助工具，学生的测试成绩会出现显著下滑，降幅约为两个等级。这一现象揭示了当前学习模式中的深层隐患，即学生往往缺乏对底层逻辑的深刻理解以及独立进行故障排查的能力，导致技能未能真正内化为个人核心竞争力。 竞争压力机制加剧：经济学中的“排名效应”在教育场景中产生了新的扭曲。在无法确认竞争对手是否使用AI辅助的情况下，学生被迫采用此类工具以追求更高的产出或分数。这种军备竞赛直接压缩了深度思考的时间窗口，使得学习过程从探索性思维转变为结果导向的效率竞争，进一步削弱了批判性思维的锻炼机会。 社交隔离风险上升：Sloan学院讲师Melissa Webster观察到显著的行为变化，学生更倾向于独自与大型语言模型（LLM）协作，而非参与传统的小组合作。这种趋势削弱了传统学习中至关重要的社会互动属性，导致学生在沟通、协商及团队协同方面的能力发展受阻，可能影响其未来在职场中的软技能表现。 🛠️ 教学策略调整与技术局限 教学法范式转移：面对AI带来的冲击，教育者正在重构课堂结构。Eric Klopfer采用“翻转课堂”模式，将信息获取环节前置至课前，从而释放课堂时间专注于综合、实践与应用等高阶认知活动。Melissa Webster进一步强调，教学重点需从单纯的“教什么知识”转向培养评估AI输出质量及人际沟通的能力，以适应人机协作的新常态。 技术瓶颈与个性化缺失：Jacob Andreas指出当前模型在构建有效的个性化学习脚手架方面存在显著局限，难以准确模拟学生的认知状态。现有工具主要作为辅助手段而非独立导师，无法提供真正自适应的教学路径。此外，Yale的研究强调人类学习高度依赖视觉化过程（如白板推导），但当前AI教育工具侧重语言处理，缺乏视觉沟通与思维建模能力，这一领域存在巨大的研究空白。 创意领域IDE构建：Eric提到Sloan商学院的AI Academy项目联合Schwartzman学院教授进行跨学科教学，MIT Schwarzman计算学院已招聘25名共享教职人员以建立跨学科文化。教育者应构建“创意领域IDE”，将LLM与分子可视化、白板等特定领域工具整合，而非仅依赖文本聊天机器人，以实现更深层的认知交互。 ⚖️ 评估体系重构与管理困境 传统评估体系崩溃：基于书面作业和标准化考试的评估体系正面临失效风险，因为AI使得“努力”与“能力”难以区分。常规作业易被AI代劳，而封闭环境考试正变得低效且易被规避通过“ambient AI”设备（如智能眼镜、手表）。教育需从单纯的结果考核转向过程性、互动式及元认知能力的考察，以确认真实理解水平。 替代方案与实时验证：为应对评估困境，建议增加课堂活动、期末项目演示及口头答辩的权重，强制学生实时阐述逻辑以暴露其真实理解程度。引入“Oxbridge式”一对一辅导模式也被视为解决大规模班级中个性化反馈缺失问题的有效途径，尽管其在资源分配上面临挑战。 指导失效与即时干预：Melissa Webster发现学期初制定的AI使用规范在期末往往失效，学生普遍未披露AI辅助情况。这要求实施“即时干预”策略，在关键教学节点反复强化规范，而非仅依赖一次性声明。教师需警惕AI将教学活动简化至最低公分母水平，必须保持对教学设计的主动把控，利用AI加速课程设计（如生成角色扮演材料）的同时确保教育深度。 🧠 认知隐喻与技能重构 从自行车到摩托车：AI不仅是放大意图的“自行车”，更是具备自主推进能力的“摩托车”或需人力参与的“电动自行车”。这一隐喻加剧了“解释深度错觉”（Illusion of Explanatory Depth），即用户误以为理解系统实则仅依赖其输出。这种认知偏差可能导致初学者跳过基础思维框架的建立，直接依赖AI的高阶输出，从而阻碍深层认知的形成。 企业编排技能崛起：教育重点需转向强调“企业编排技能”（Enterprise Orchestration Skills），即定义正确问题、校准AI输出及判断解决质量的能力，而非单纯的工具操作。真正的创造力源于对领域的深度理解及独特的兴趣判断，而非仅追求正确性。Yael指出当前缺乏关于人类如何创造及何种工具能激发创意的强文献支持，面板成员强调需从“教学生做事”转向“教学生评估与提问”，例如通过生成大量坏想法来筛选好创意。 品味与创造力缺失：AI能生成高质量内容（如CS课程脚本、图像），但缺乏“品味”（taste）。只有具备深厚领域知识的“专家”，才能有效利用AI进行高阶创造与问题解决，而初学者仍需先掌握基础思维框架。教育者需重新定义价值衡量标准，重视学生与AI协作中的批判性反思及领域专家身份，避免学生因AI反馈产生虚假的“理解感”。 🌐 社会激励与终身学习鸿沟 凸性回报机制影响：Eric指出当前教育过度依赖评分（grading），反映了社会“凸性回报”（convex payoffs）机制——从优秀到卓越的边际收益远大于普通水平。这种机制加剧了竞争焦虑，单纯改革评分制度不足以解决根本问题。需重新设计教育评估，平衡个性化指导与真实理解，确保学生在AI时代具备可持续的竞争优势。 终身学习门槛降低：Curt Newton关注终身学习中的知识获取差距，认为AI应降低入门门槛以缩小鸿沟。通过Sloan每周研讨会分享AI教学案例，促进教师间经验交流，有助于构建更包容的学习生态。然而，必须警惕AI反馈带来的虚假安全感，确保学生在享受技术红利的同时，保持对核心知识的深度掌握与批判性审视。

🎬 AI与编程：谷歌DeepMind Vahrun K. Mohran访谈

（原标题：AI & Coding: Interview with Vahrun K. Mohran of Google DeepMind） 🎯 核心概述 AI 编程能力正经历从自动补全向智能体（Agent）范式的根本性转移，其驱动力源于预训练、后训练及工具使用等多条指数曲线的叠加。尽管软件领域因试错成本低而率先受益，但行业共识认为，快速编写代码仅是短期收益，长期价值核心在于模型推理能力的深化与跨场景应用。未来五年，开发者角色将演变为管理多个智能体的协调者，而 AGI 的实现预计仍需 5 至 10 年，主要瓶颈在于模型缺乏类似人类的持续学习与动态知识更新能力。 📈 技术演进与能力突破 指数级增长机制：AI 编程能力的提升并非单一技术突破，而是预训练、后训练、工具使用及智能体架构并发叠加的结果。实验室通过提升“计算效率”，使每 FLOP 产生的智能远超摩尔定律增速。 基准测试进展：在 SWE-bench 基准测试中，模型解决率从 2024 年初的 15% 提升至目前的 80% 以上。需注意部分高分源于测试用例定义模糊，但整体趋势表明模型在复杂代码任务上的连贯性显著增强。 多模态与长程推理：模型能力正向多模态和长程推理发展，支持浏览器操作、操作系统交互，并能在更多数据源间保持连贯性。这种能力使得旧有的手动索引文档等功能被模型自主浏览网页等更强能力取代。 成本与速度优化：新一代模型如 Gemini 3 Flash 在编码能力上媲美 Pro 版本，但速度更快、成本更低，旨在降低智能获取门槛，推动智能体在更广泛场景中的落地。 🛠️ 开发者工作流与角色转变 从编写到管理：行业正从“自动补全”向“智能体”范式转移。未来五年，典型开发者将并行管理 10 至 20 个 AI 代理，核心任务从直接编写代码转向管理智能体、调试及中期检查，以避免代理长期运行导致方向偏离。 决策复杂度提升：核心挑战从“如何构建”转向“构建什么”。开发者需具备产品品味以筛选高价值功能，解决用户消费瓶颈。即使所有开发者都能即时编写软件，软件开发总时长也不会大幅缩短，因为瓶颈在于需求定义与价值判断。 顶级开发者实践：行业标杆案例显示，顶级开发者已跳过补全和聊天阶段，直接采用智能体工作流进行“Vibe Coding”，标志着智能体已成为高效开发的标准配置。 🎓 基础能力与教育影响 基础能力的重要性：毕业生若不使用 AI 工具，生产力将显著低于使用者；但仅懂工具而缺乏计算机科学基础（逻辑与权衡）者，仍劣于具备扎实基础且善用工具者。基础能力是理解 AI 权衡的关键。 隐性权衡的判断：AI 在缺乏完整上下文时会做出不合理取舍。开发者需具备判断能力以优化这些隐性权衡，而非盲目依赖自动代码生成。理解底层逻辑有助于在 AI 输出偏离预期时进行有效干预。 隐性知识转化：模型难以获取“茶水间对话”等非结构化隐性知识，导致在特定组织语境下表现受限。高价值场景下，组织需投入人力将隐性知识转化为机器可读格式，以优化智能体在特定业务逻辑中的表现。 📊 评估体系与可重复性 评估（Eval）的核心地位：评估是核心改进手段。团队持有大量高难度内部测试集，通过重放用户轨迹验证新代理版本是否更符合用户意图。 可重复性的定义：鉴于模型随机性，无法保证完全重复。可重复性被定义为行为一致性，通过大规模样本统计关键负面案例率和平均分，可验证代理行为的稳定性。 内部测试优势：团队深度参与基础模型研发，贡献于 Gemini 3 Pro 及 Flash 的训练。这种深度参与使得内部测试集能更精准地反映模型在真实复杂场景下的表现，而非仅依赖公开基准。 🌍 领域差异与 AGI 瓶颈 软件与硬科学的差异：软件领域因试错成本低，AI 增益显著；硬科学领域因实验周期长、成本高，AI 辅助价值释放将滞后于“比特世界”。硬科学需要长迭代周期，AI 难以通过低成本暴力试错弥补直觉不足。 持续学习缺失：当前模型缺乏类似人类的“持续学习”能力，无法在交互中动态更新内部价值函数或权重。这是通往 AGI 的关键瓶颈，也是模型无法像人类科学家那样通过连续推理解决根本性难题的主要原因。 AGI 时间预期：AGI 的实现预计还需 5 至 10 年。主要障碍在于模型能否突破静态知识限制，实现真正的动态适应与深度提问能力。 🤝 产品策略与协作模式 通用智能路线：不同于部分厂商牺牲非编码能力以专精代码，Google 追求跨领域均衡的通用助手。多模态理解（如图像）被视为浏览器自动化等核心能力的基础。 最大化展示模型能力：产品设计原则是最大化展示模型能力。随着模型进化，产品功能应随之迭代，利用模型自主浏览网页等更强能力取代旧有功能。 组织协作模式：未来协作模式将取决于组织是否愿意为智能体构建高质量上下文。高价值场景下，组织需投入资源优化智能体表现，将隐性知识显性化，以释放 AI 在复杂业务逻辑中的潜力。 💡 结论与展望 短期与长期价值：快速编写软件只是短期收益，并非长期价值核心。未来优势将体现在更深层的推理与问题解决能力上，以及 AI 在代码库之外多场景应用中的突破。 技术方向信心：当前技术方向获得高度信心，Gemini 被寄予推动推理能力发展的期望。团队通过提升计算效率和优化后训练阶段，持续推动模型在连贯性和复杂任务处理上的进步。 最终目标：实现真正的动态适应与深度提问能力，突破静态知识限制，是未来 5 至 10 年的核心目标。这要求模型不仅能执行任务，还能在交互中动态更新知识，从而在硬科学等长迭代周期领域发挥更大价值。

🎬 AI编程与学习

（原标题：AI & Coding: AI Coding and Learning） 🎓 PyTutor平台特性与教育应用 核心功能定位：PyTutor是由麻省理工学院（MIT）开发的基于Web的预配置集成开发环境（IDE）。该平台旨在通过降低认知负荷来支持协作学习，其界面包含代码编辑区、绘图白板以及一个能够识别用户手绘草图并提供即时反馈的AI导师模块。 教学机制设计：系统引入了“教学护栏”概念，通过加载课程进度信息防止学生直接获取完整代码从而规避必要的认知卸载过程。平台提供两种交互模式：被动模式用于常规辅助，主动模式则在检测到学生停滞或重复出现错误时自动介入，以引导学习路径。 实施规模与数据：该工具已在麻省理工学院、Quinn Sigmund Community College及Georgia State University的12门课程中部署应用。目前覆盖超过2,500名学生，并产生了超过100,000次AI交互记录，为研究人机协作学习提供了大规模实证基础。 🧪 认知摩擦实验与学习成效 实验设计与对比：研究人员通过Sindarin Elvish翻译任务对比不同辅助工具对学习效果的影响。结果显示，使用互联网资源（无AI直接生成）的组别在后续独立测试中表现最佳；而完全依赖ChatGPT的组别未能有效完成任务。这一结果验证了“设计摩擦”对于知识保留的重要性，即适度的认知阻力有助于深化理解。 学习增益量化分析：在Mechanical Turk平台进行的Python学习研究中，对比了25名使用AI导师的用户与25名未使用者。数据表明，使用AI导师的组别在应用（Apply）和分析（Analyze）层级表现出显著的学习增益差异，证明AI辅助能有效提升高阶思维能力。 模型能力横向评估：测试涵盖了GPT、Claude和Gemini等四种主流大语言模型。尽管样本量较小（每组约5-6人），但数据显示获得Gemini的用户在“激发好奇心”和“激励主动学习”维度评分最高，而GPT-40在该特定维度得分相对较低，暗示不同模型在教育激励效果上存在差异。 💻 编程定义的演变与反思 概念历史演进：演讲者回顾了编程范式的历史变迁，从早期的块状编程、ActionScript到Java、C语言及汇编语言。指出历史上每种新范式在初期均因存在“黑盒”层或缺乏直接逻辑对应而受到质疑，这反映了人们对“什么是编程”这一核心定义的认知处于动态变化之中。 核心价值主张：随着底层硬件操作（如物理接线）被自动化技术移除，现代编程教育的重心应发生转移。教育者应聚焦于数据结构、系统架构等更高层级的抽象思维训练，而非基础语法的机械记忆，以适应技术栈的持续演进。 🎯 核心观点与理论框架 技术愿景落地：科幻场景中“通过自然语言对话让计算机执行程序”的技术正逐步成为现实。这一趋势要求教育界重新审视人机交互在代码生成中的角色，从单纯的工具使用转向思维过程的协作。 摩擦的二元区分：编程教育面临的核心挑战在于如何界定并保留具有生成性的学习摩擦，同时剔除不必要的操作阻力。必须明确区分两种摩擦：一种是促进深度理解的生成性摩擦，另一种是阻碍效率的无谓阻力。 反对黑盒信任：演讲者明确拒绝将编程过程视为“黑盒”，反对对权威（如讲台上的导师或教材）的隐性信任。强调不能将关键思维过程外包给工具，必须确保学习者掌握特定层级的认知能力，保持对系统内部逻辑的透明度感知。 📚 关键论据与案例支撑 影视参照系：引用《星际迷航》作为技术愿景参照，指出人机交互执行代码的模式正在从科幻走向落地，这为当前AI编程工具的教育应用提供了宏观背景支持。 辛达林语案例：结合“辛达林语”（Sindarin）练习案例，深入探讨如何维持有助于学习的摩擦感。该案例具体展示了当辅助工具过于强大时，学习者可能丧失独立解决问题的能力，从而强调适度限制AI能力的必要性。 历史心理学依据：指出历史上人们普遍不喜欢黑盒机制，当前教育趋势同样排斥缺乏透明度的信任模式。这一论据支持了在教育环境中保持算法和逻辑可见性的观点，以维持学习者的掌控感和理解深度。 💡 结论与未来展望 平衡策略建议：教育者需在降低操作步骤阻力的同时，确保学生仍能通过必要的认知努力实现学习。这意味着工具设计应侧重于提供脚手架而非直接答案，保留思考空间。 核心待解问题：当前领域的核心待解问题是如何精准判断何种程度的摩擦是必要且具生成性的。这需要更细致的实证研究来量化不同学科、不同难度层级下的最佳摩擦阈值。 开放性问题结尾：演讲以此开放性问题作为结尾，呼吁听众共同思考这一平衡点。未来研究方向应集中在开发自适应AI导师系统，能够动态调整辅助力度以匹配个体的认知状态和学习目标。

🎬 生成式AI时代的教育：教学与学生评估的导航

（原标题：AI in Education: Navigating Teaching and Assessing Student Learning in the GenAI Era） 🎯 核心观点与背景 生成式 AI 的引入不仅是技术挑战，更是教育范式转型的契机，迫使教育者从内容驱动转向以学习者为中心的教学实践。 技术迭代速度的剧烈变化是本次变革的核心特征。互联网普及从商业起步到大学普及经历了约十年周期，而生成式 AI 工具从出现到对教育产生颠覆性冲击仅用了两到三年，这种极短的时间跨度使得教师和学生难以在短时间内完成教学与评估模式的调整。 尽管历史上存在多次重大技术变革，但每次技术都有其利弊，当前 AI 带来的变化因速度原因显得尤为特殊，其冲击感比互联网时代更为强烈。 在 GenAI 时代，教育策略需通过“逆向设计”确保学习目标、评估与教学活动的高度对齐，课堂时间应优先用于认知参与和主动学习，以培养分析、评估、创造等高阶思维能力。 透明度是建立信任的关键，需明确 AI 政策及其背后的教学逻辑，并赋予学生参与政策制定的权利，以增强课堂社区感。 动机管理需关注学生的自主性与胜任感，避免将 AI 仅视为应对 FOMO（错失恐惧症）或追求捷径的工具，而是引导其成为深度学习的辅助手段。 📊 关键事实与论据 逆向设计原则：从定义学习成果出发，驱动评估设计和课堂活动，解决传统内容驱动导致的评估错位问题，确保所有教学活动都服务于核心学习目标。 布鲁姆分类法的应用：AI 任务设计应侧重高阶认知任务，例如对比人类与 AI 的翻译输出并论证差异。同时强调布鲁姆分类法应灵活使用，低层级技能（如记忆、语法）是高层级技能的基础，不应完全摒弃，而是通过小测验评估低层级知识，将高分值权重分配给评估高阶认知任务的作业。 技能退化风险实证：研究指出，引入 AI 辅助结肠镜后，医生在三个月内检测息肉的能力下降，尽管 AI 能多检测约 25% 的息肉，但需警惕医生独立诊断能力下降，表明认知卸载可能导致注意力技能退化。 航空业启示：飞行员从简化座舱开始训练，并持续练习应对自动化故障，以保留核心操作能力，这为教育中如何平衡自动化辅助与核心技能训练提供了参考。 WPI 案例研究：Laura Roberts 教授与学生共同设计 AI 政策，通过案例讨论区分“协作”与“委托”，发现学生往往比教师更倾向于严格限制 AI 使用，体现了学生视角在政策制定中的重要性。 胜任感培养策略：将大型评估拆解为提案、大纲等小步骤，降低启动门槛，强调过程而非仅关注最终产品，以此提升学生的胜任感。 🎓 教学策略与评估 成长型评估机制：提倡允许学生无惩罚地重新提交作业或修正错误，以支持成长型评估并减少 AI 滥用。针对大规模课程（如 500 人班级），可参考哈佛 Eric Mazur 的“规格评分”或 MIT 6.001 课程的实践，允许学生以部分分数（如 1/3 或 1/2）重新尝试作业，激励其从错误中学习。 分阶段 AI 使用策略：在法语写作课案例中，规划与初稿阶段禁止使用 AI 以保护“寻找个人声音”的核心技能，而修订阶段允许使用 AI 辅助。建议根据课程核心学习目标，保护那些正在发展的关键技能（如基础写作能力），避免过度依赖 AI。 技能优先级界定：教师需明确哪些基础技能必须通过练习达到自动化，哪些技能可因 AI 而重新定义优先级。建立清晰的 AI 使用护栏，防止“去技能化”（de-skilling）、“错技能化”（mis-skilling）和“无技能化”（never-skilling）。 透明化评估标准：通过透明化评估标准和 AI 政策，让学生理解保留某些非 AI 任务对专业成长的价值，增强课堂社区感，减少因规则模糊导致的焦虑。 🧠 认知技能与 AI 依赖 去技能化风险应对：引用结肠镜检查研究指出，需警惕医生独立诊断能力下降，建议通过定期脱离自动化进行训练来维持人类核心技能。教育中应设计任务，确保学生在依赖 AI 的同时，仍能独立掌握核心认知过程。 认知层级平衡：强调 Bloom 分类法应灵活使用，而非僵化套用。低层级技能是高层级技能的基础，不应完全摒弃。建议将低层级知识评估置于小测验中，而将高分值权重分配给评估高阶认知任务的作业，以平衡基础知识与创造性思维。 AI 依赖的心理机制：部分学生因害怕提问而依赖 AI，但也指出将 AI 视为无生命的工具而非拟人化实体，有助于减轻学生的心理负担并提升自信。关注学生使用 AI 的深层动机（如同伴压力、期末焦虑），通过提升自主性和胜任感来引导其正确使用 AI。 📊 现场调查与共识 影响感知分歧：现场投票显示，多数受访者认为生成式 AI 对教学的影响是“使其变得更糟”，但同时也认为大学“非常必要”地将 AI 工具融入课堂活动，反映出对 AI 既担忧又依赖的矛盾心理。 作弊界定模糊：在界定“作弊”与“合法使用”的灰色地带时，受访者观点分歧较大。例如，让学生按 AI 生成的大纲写作被视为作弊的比例高于让 AI 总结文献综述，表明不同任务类型对 AI 使用的接受度存在显著差异。 首要任务共识：绝大多数受访者认为当前 AI 教育的首要任务是“明确教授学生如何适当且合乎伦理地使用 AI”，而非完全禁止或强制要求，强调了技能培养而非单纯管控的重要性。 心理健康关注：关注学生心理健康，指出将 AI 视为无生命的工具而非拟人化实体，有助于减轻学生的心理负担并提升自信，避免将 AI 拟人化带来的情感依赖或焦虑。 💡 结论与建议 技能重构与护栏建立：教师需明确哪些基础技能必须通过练习达到自动化，哪些技能可因 AI 而重新定义优先级。建立清晰的 AI 使用护栏，防止“去技能化”、“错技能化”和“无技能化”，确保学生在 AI 辅助下仍能保持核心认知能力。 透明化与社区感：通过透明化评估标准和 AI 政策，增强课堂社区感，让学生理解保留某些非 AI 任务对专业成长的价值。赋予学生政策制定的参与权，通过共同讨论区分“协作”与“委托”，形成共识。 动机引导与心理支持：关注学生使用 AI 的深层动机（如同伴压力、期末焦虑），通过提升自主性和胜任感来引导其正确使用 AI。将大型评估拆解为小步骤，降低启动门槛，强调过程而非仅关注最终产品，以此提升学生的胜任感。 灵活评估与成长导向：提倡允许学生无惩罚地重新提交作业或修正错误，以支持成长型评估并减少 AI 滥用。针对大规模课程，参考“规格评分”实践，允许学生以部分分数重新尝试作业，激励其从错误中学习，平衡基础知识与创造性思维。 持续适应与反馈机制：鉴于技术迭代速度过快，教师和学生需持续调整教学与评估模式。主办方邀请参与者填写在线调查，以收集对活动的反馈，鼓励参与者留下联系方式以便未来参与类似活动或交流想法，形成持续改进的闭环。

🎬 AI与编程：圆桌讨论

（原标题：AI & Coding: Panel Discussion） 🎯 核心概述 AI技术迭代速度极快，导致教育领域难以在模型更新前完成严谨测试，迫使研究者重新权衡长期研究价值与短期应用风险。 行业呈现显著分化：多数开发者仅获得20%-40%的效率提升，而早期采用者通过构建自动化代理管道实现了2至30倍的生产力飞跃。 软件质量评估重心正从单纯追求代码生成速度，转向验证机制、测试覆盖率及生产环境错误修复能力，AI在解决遗留维护问题上展现出巨大潜力。 📊 行业现状与关键事实 教育应用困境：即便执行最佳提示工程，不同LLM版本在相同上下文下的行为差异依然显著，导致课堂实施的时机难以精准把握。 人才需求转变：企业普遍假设毕业生具备AI使用技能，缺乏此能力的候选人被视为“不负责任”，同时公司内部正加速员工技能的升级与转型。 开发流程瓶颈：随着代码生成速度的提升，持续集成（CI）测试的执行时间成为新的性能瓶颈；虽然Cerebras等硬件已实现即时生成，但验证环节耗时较长。 本地模型性能：480亿参数模型无法在手机端运行，而30亿参数模型可在NVIDIA DGX Spark等设备上运行。在SWE-bench基准测试中，小模型表现接近大型模型，但泛化能力较弱，需依赖特定领域微调。 规格驱动开发：工程师倾向于使用Markdown文档详细定义项目需求与参数，作为介于自然语言提示与形式化验证之间的中间层，以提升AI生成代码的准确性。 🧠 AI幻觉与验证机制 核心观点：LLM常因选择非预期默认值导致逻辑偏离，而非传统意义上的“幻觉”；主要问题包括调用不存在的函数、表面化解决（掩盖真实错误）及虚假报告完成状态。 关键论据：并发代码生成易出错需人工介入；前端开发可通过强制截图验证来发现并修复实际Bug；模型能力快速提升已消除部分接口混淆问题，但提示词工程仍是临时补丁。 🏢 软件行业未来趋势 核心观点：软件将走向“按需定制”与民主化，个人可轻松构建和维护专属应用（如小型社交网络），而非依赖单一巨头平台。 关键分歧：SaaS订阅模式面临被自研软件取代的风险，导致相关股价下跌；但企业界存在对立观点，认为标准化、免维护的商业软件比定制化方案更具吸引力，因后者需承担运维与监控成本。 🎓 教育类比与创造力 核心观点：AI对教育的影响类似计算器普及：既可能阻碍基础算术能力的建立，也能让学生提前接触高阶技能；在艺术创作中，AI难以量化“新颖且有趣”的平衡点。 关键事实：迪拜曾举办要求使用AI辅助设计的公共艺术项目，激发了前所未有的创意概念；目前AI创造力训练受限于无法有效评估“新奇性”与“美感”的结合，仍需人类直觉介入以完成最终作品。 💡 结论与建议 研究者策略：需聚焦独特洞察而非单纯追求速度，通过长期视角（1-5年）规划以应对技术快速过时风险。 企业角色定位：应重视“代理工程师”角色，利用AI处理可重复、自动化任务及生产日志错误修复，以提升系统可靠性。 高安全性场景：需平衡性能与验证成本；建议采用测试驱动开发策略，利用AI生成集成测试与模糊测试环境，以解决大规模系统中的正确性问题。

🎬 AI 在教育中的应用：麻省理工学院语言项目中的 AI 使用

（原标题：AI in Education: Use of AI in MIT Language Programs） 🎓 核心概述 AI 技术正在深刻重塑语言教育领域，MIT 全球语言系作为人文系最大单位，致力于将人工智能融入教学体系，旨在培养具备跨文化能力的 STEM 领导者。 语言教育不应仅局限于语言习得本身，更应被视为一面“镜子”，帮助学生反思 AI 对智能、真实性及人类特质的定义，从而在技术冲击下重新审视人类核心价值。 反对采用“一刀切”的 AI 教学策略，主张建立基于教育理念的框架，强调在 AI 出现失败或局限时，凸显人类在共情、道德推理及处理模糊性方面的独特优势。 📊 课程规模与创新实践 MIT 提供 9 种常规语言及 5 种 IAP 期间语言，24% 的本科毕业生完成了语言辅修（mini-minor），显示出语言学习在理工科学生中的广泛基础。 Takako Aikawa 开发了“流体语言教学法”（FLAP），利用 AI 技术实现日语教学的个性化定制，提升学习效率。 Kang Zhu 和 Panpan Gao 获得教育创新资助，将 AI 生成的社会文化场景嵌入中级和高级中文课程，增强语境沉浸感。 Min Min Liang 在初级中文课中使用 AI 图像生成器探索词汇，并引导学生反思其中隐含的刻板印象，培养批判性思维。 演讲者构建了基于 Gemini 的“JD Bot”，训练数据包括 2025 年 2 月慕尼黑安全会议演讲，用于欧洲研究课程中的政治辩论模拟，提升学生的政治分析能力。 🗣️ 语言与 AI 协作机制 即使编程任务委托给算法，人类对语言的知识并未过时，因为监督 AI 需要深厚的语言基础，语言知识是控制 AI 行为的关键。 当前即时翻译技术存在缺陷，对语境和细微差别不够敏感，无法完美处理如法国晚餐聚会中多人同时讨论多个话题的复杂社交场景。 语言学习本质上是人与机器的协作，正如计算器出现后数学领域发生根本变化但并未消失，AI 是辅助工具而非替代者。 🌏 跨语言工具局限性 针对德语开发的 AI 工具不能直接简单移植到日语等语言，因为教学和学习方式深深植根于特定的文化背景，具有不可通约性。 不同语言在文化语境、课程设计及学习路径上存在显著差异，简单的工具复用效果有限，需针对特定语言进行深度适配。 以 Rosetta Stone 或 Duolingo 为例，虽然基础词汇（如香蕉、椅子）通用，但文化行为（如用餐姿势）因语言和文化而异，不能仅靠统一素材包解决。 🤝 社区协作与未来规划 目前 MIT 各语言项目的 AI 实践相对孤立，缺乏跨语言、跨文化的交流，教师 AI 素养不均，缺乏系统性实践社区和统一的教学框架。 申请相关资助旨在促进社区合作，共同探索不同语言间 AI 工具应用的共性与差异，建立“部门行动小组”。 未来计划包括三年内构建实践社区、开发 AI 感知教学法、发布开放资源并建立评估体系，回答关于工具通用性的问题为“既是又不是”：存在重叠部分，但受限于文化语境，需谨慎对待跨语言应用。 💡 结论与核心价值 高等教育需适应 AI 挑战，但具体系统级解决方案尚待探索；个体机构应聚焦于优化自身教学语境，而非盲目追求技术完美。 尽管编程语言可能快速过时，但理解系统迭代逻辑依然重要；语言教育应聚焦于 AI 无法替代的人类核心能力，如批判性思维与跨文化敏感度。 成功的 AI 整合并非追求完美，而是通过暴露 AI 的局限性（如语境无知、推理脆弱），强化学生对人类独特价值的认知，实现人机互补。

🎬 教育中的AI：作为教学助理的AI——机器学习入门课的教学实践

（原标题：AI in Education: AI as TA: Teaching With AI in Intro to Machine Learning） 🎓 AI重塑高等教育范式 AI在高等教育中已超越单纯效率工具的范畴，深刻重构了教学设计与学习信号检测机制，迫使教育体系从静态产出评估转向动态交互诊断。 教师通过协同设计、脚本生成及Vibe Coding优化课件，实现了“纯赢”局面：既释放了创造力，又解决了传统教学中难以兼顾趣味性与严谨性的难题。 AI导致学生表面自信与深层理解出现显著偏差（训练/测试 gap），这种认知错位要求教学评估必须从检查最终结果转向探究思维过程与挑战克服路径。 📊 课程背景与应用实例 该实践基于MIT EECS系机器学习入门课，覆盖大量大二、大三及跨部门学生，具有广泛的代表性。 教师利用AI生成双主持人播客脚本，模拟课堂互动中的“交接时刻”，以便灵活应对学生提问并维持教学节奏。 结合Jane Street T恤上的公式变体，借助AI快速调整数学符号以匹配课程记法，将枯燥的普通最小二乘法回归公式转化为生动且具象的教学案例。 在硕士课程Office Hours中，观察到学生现场使用ChatGPT解析教师回答，过滤冗余信息并优化后续提问逻辑，形成了独特的“三方对话”模式。 🛠️ 自动化工作流与创造力释放 部署本地私有AI系统处理政策澄清、邮件回复及数据整理等重复性任务，通过“一键发送”或微调草稿提升效率，并能随新信息（如天气导致的考勤变更）实时适应。 AI接管繁琐的常规工作流后，降低了初级实验室助理（LA）的上手门槛，使年轻助教能更有效地参与深度教学诊断，而非仅执行脚本化检查。 基础执行的自动化释放了中级员工的带宽，使其有更多精力分享智慧；课程仓库中参与深度贡献的人员从少数TA/讲师扩展至大量人员，包括修正错误、提出新想法及实施新问题。 ⚖️ 评估策略与判断力培养 传统项目产出（代码、结果）因AI辅助而质量同质化，失去区分度；因此强化Lab Check-off环节，要求TA和LA基于AI生成的预期答案设计追问，以探测学生真实理解程度。 针对学生可能使用AI生成答案的情况，TA需通过追问超出训练数据范围的问题来考察学生能否将知识点与其他课程材料建立联系，而非仅复述脚本。 核心杠杆在于将“判断”前置：AI使执行成本降低，但未消除对代数或编程等基础学习的必要性，仅使学习信号变得模糊或延迟，要求教师从检查“做了什么”转向探究“为何这样做”。 🗣️ TA培训机制与互动深化 通过资深TA与新TA的角色扮演（Role-play），模拟AI生成的回答并练习提出后续问题，以此培养批判性思维及社区归属感。 在入门课程中，学生可能因AI辅助产生虚假的安全感，直到闭卷考试才暴露理解缺口；教师需通过及时的检查对话介入，防止这种“通胀”效应导致长期误解。 TA培训重点在于识别学习信号延迟风险，确保助教具备在动态交互中捕捉认知偏差的能力，从而维持教学评估的有效性。 📝 透明度策略与认知引导 讲师在课程中主动披露由AI生成的代码片段，并公开承认自身讲授内容中的薄弱环节，旨在消除对使用AI工具的羞耻感。 强调被AI替代的代码属于“样板代码”（boilerplate），缺乏创造性价值，因此由AI完成是合理选择；这种解释有助于将AI的使用常态化，使其成为教学流程中的标准组成部分而非异常事件。 通过分享具体的AI使用案例及其背后的决策逻辑，帮助学生理解技术应用的边界与合理性，建立对自动化任务分配的正确认知框架。 🔮 AI作为放大器与未来展望 AI如同复利工具，放大学习者的初始状态：积极思考者学习效率倍增，而试图回避理解缺口者则陷入下行螺旋，导致优差生差距显著扩大。 学生应将AI视为知识渊博的朋友而非替代者；教育重点应从记忆易遗忘的知识转向培养良好的判断力及运用判断力的动机。 当前基于小服务器的工作流尚属“极客式”搭建，预计未来将出现专门化产品，允许用户通过高层级指令（如“安全处理邮件”）直接部署私有AI服务，无需关注底层代码细节。

🎬 AI与编程：从程序员学徒到现代编码智能体的自动化演进

（原标题：AI & Coding: Automation from the Programmer’s Apprentice to Modern Coding Agents） 📜 编程自动化的历史脉络与核心理念 编程自动化的概念并非现代产物，早在 1945 年，Alan Turing 就提出了将枯燥的底层操作自动化，以便开发者能专注于核心逻辑处理的愿景。 现代 AI 编程工具的发展延续了 MIT 在 1970 年代至 1987 年间“程序员学徒”项目的协作理念，其核心在于系统作为助手辅助人类，而非完全替代人类开发者。 代码被视为描述复杂世界（如生物代谢、语言规则）的最强符号系统，自动化生成代码不仅服务于软件开发，更成为推动科学发现的重要工具。 早期自动化技术如 Fortran 编译器通过消除寄存器覆盖等低级错误，将汇编指令翻译过程自动化，奠定了自动编程的基础。 UC Berkeley 团队开发的 Sketching 技术允许代码中保留“空洞”，并由系统根据断言自动补全，证明了交互式自动化在比特流处理等小众领域的可行性。 🧠 深度学习在代码生成中的突破 2015 年，Regina Barzilay 引入序列到序列模型，标志着深度学习在代码生成领域的重大突破。 2016 年，研究者利用 MOOC 数据训练模型预测代码行，有效辅助学生进行纠错，展示了模型在辅助学习场景中的应用潜力。 随后，Microsoft 团队利用注意力机制生成文本操作程序，其性能超越了传统的符号技术，证明了深度学习在处理复杂代码结构上的优势。 代码表示形式对模型性能有显著影响，当前模型在 Python 上表现优异，但在其他语言上仍需权衡表达力与自动化友好度。 编程范式正在快速演变，预计未来三年编程方式将发生显著变化，自动化技术已走出实验室进入商业应用阶段。 🔬 程序表示在科学发现中的独特优势 程序作为表示形式在科学发现中具有独特优势，优于仅依赖数据预测的训练模型，特别是在数据不足以覆盖所有案例的领域。 2013 年，研究者利用程序合成技术逆向工程 C. elegans 的代谢通路，展示了程序化方法在生物学研究中的应用。 Kevin Ellis 与 Josh Tenenbaum 合作，从语言样本中逆向推导英语形态学和音系学规则（如过去式发音规则），验证了程序在语言学领域的推理能力。 好的科学理论需具备超越现有数据的预测能力，并能指导新实验以测试理论边界，程序化表示有助于实现这种内省与预测。 在数据稀疏或结构复杂的领域，程序化方法能提供更强的推理与验证能力，帮助研究者发现潜在规律。 🎓 软件工程技能演变与教育挑战 AI 辅助编码打破了“写代码难”与“读代码难”的传统权衡，未来需探索新的代码表示法以适应这一变化。 模型擅长快速测试的任务，而这正是传统编程课程的重点，但代码结构与设计缺陷往往在两年后或团队扩张时才显现。 这类长反馈周期的技能难以自动化，软件工程师的核心竞争力将转向难以通过选择题测试的架构设计与长期维护能力。 教育体系需据此调整，重点培养开发者在复杂系统架构、长期维护及跨团队协作方面的能力，而非仅关注语法和基础算法。 人类开发者仍不可或缺，因为软件需求往往在开发过程中通过快速原型迭代和交互反馈才能明确，而非预先完全定义。 ⚠️ 质量验证与安全挑战 AI 生成代码的主要风险在于“看似正确实则错误”，以及第三方恶意篡改，这对系统安全性构成威胁。 类似拼写纠错系统，AI 可能生成与用户意图截然不同的代码，随着系统能力提升，其生成的“合理但错误”的解决方案更具迷惑性。 当前前沿挑战在于如何让模型更严谨地推理正确性，并有效传达系统必须维持的非协商属性（Non-negotiable properties）。 开发者需建立更严格的验证机制，结合静态分析、动态测试及人工审查，以确保 AI 生成代码的可靠性与安全性。 在关键系统中，必须明确界定 AI 的权限边界，防止其生成违反安全策略或业务逻辑的代码，确保系统的整体稳定性。

🎬 人工智能在教育中的应用：麻省理工学院写作项目的实践

（原标题：AI in Education: Use of AI in the MIT Writing Program） 🎯 核心概述 生成式人工智能已显著重塑写作教育的评估标准与教学逻辑，其在基础写作任务上的表现接近大一新生水平但远低于研究生预期，迫使教育机构从传统的防作弊手段转向基于学习目标的新型教学设计。通过利用模型在私有数据获取和隐性知识推理方面的盲区，教育者旨在保留人类思维的独特优势，同时培养学生与AI协同工作的能力，以应对写作技能可能沦为“选择项”的长期趋势。 📊 关键事实与测试数据 基准测试结果：经过提示工程优化后，ChatGPT 4.0在MIT大一入学写作考试（FE）中有80%的概率获得单篇8分以上的高分；然而，在研究生入学考试（GWE）中，其通过率仅为35%，显示出明显的能力层级差异。 样本规模限制：目前的基准测试属于初步阶段，FE测试包含25篇论文（10篇论证、10篇摘要），而GWE测试仅包含5篇，数据量尚不足以支撑全面结论。 教师信心调查：2024年秋季调查显示，约43%的写作讲师对检测AI生成文本持“不自信”态度；虽然近期数据显示部分教师向“中等自信”转移，但完全自信者极少，反映出技术检测手段的局限性。 评估标准调整：在特定非GWE考试中，Gen AI得分约为80%（单篇8分/12分制），接近人类学生的通过标准。鉴于学生可能使用不同工具完成相同考试，评估指标正在被广泛重新审视和调整。 💡 教学策略与任务设计 从伦理说教到可观察性：教育重点已从单纯的伦理法律说教转向强调“可观察性”与“深度理解”。讲师减少了对伦理问题的教学比重，转而聚焦于评估AI在学术和专业语境中的适当使用，以及解决幻觉、版权等来源问题。 利用模型盲区：任务设计原则强调利用模型的弱点，如要求基于校园实地体验或私有数据进行分析，这些是通用大语言模型无法获取的信息。此外，通过需要隐性知识推理的任务（如在文献综述中识别开放问题），区分机械生成与人类深度思考。 协同写作能力培养：教学共识认为必须教授学生如何与AI协同写作，包括提示词工程技巧。不同教师在教学法上存在多样性，部分课程专门训练“适当提示”能力，旨在让学生在利用工具的同时保留思维过程。 📝 具体实施案例与方法 博物馆评论操作示例：以博物馆评论为例，鼓励学生使用ChatGPT生成文本并引入证据，随后对比AI输出与人类写作样本。这一过程帮助学生直观识别AI生成的优缺点。 文本衔接教学：利用AI通常更连贯的句法结构来教授文本衔接（cohesion）。通过比较识别缺失或存在的元素，学生能更好地理解优秀写作的特征，并利用AI辅助优化自身作品的逻辑流畅度。 研讨会与工作坊机制：MIT写作项目（RAP）通过月度研讨会和专项工作坊推广“学习目标优先”的方法。这些活动旨在设计既抵抗AI滥用又辅助其有效使用的作业，形成系统性的教学应对方案。 🚀 结论与长期影响 策略转型必要性：传统防作弊手段如限时手写牺牲了写作过程的教学价值，因此需转向基于学习目标的新型教学设计。若学生未意识到“捷径”的负面后果且看不到深度思考的价值，教育者难以归咎于其选择AI辅助，必须设计能传授思考价值的流程。 写作能力的未来定位：引用Paul Graham的观点指出，写作能力将像体能一样成为“选择项”。机构需保护学生持续锻炼思维肌肉的能力，避免形成缺乏独立思维能力群体（Think-nots）。 保留人类思维优势：通过设计需要隐性知识推理和私有数据交互的任务，教育体系旨在确保即使在AI高度普及的环境下，人类的深度理解、批判性思维和创造性表达依然具有不可替代的价值。

🎬 AI 与编程：面向 AI（及人类）编码者的模块化与高可读性软件

（原标题：AI & Coding: Modular & Legible Software for AI (& Human) Coders） 📌 一句话概述 视频深入探讨了当前 AI 编码工具的局限性及其引发的技术债务危机，提出了一种名为“概念设计”的新软件架构范式，旨在通过解耦状态与行为、以功能模块为核心重构代码结构，从而提升 LLM 生成代码的可读性、模块化程度及维护效率。 🧠 核心观点：从自动化混乱到为 AI 设计 AI 编码的现状困境：尽管 AI 在代码生成上展现出奇迹般的能力，但存在显著缺陷。它常生成无效代码、破坏现有功能并导致技术债务激增。传统软件开发模式依赖无限上下文或外包全部思考给 AI，这种“自动化混乱”已不可持续。 软件设计的范式转移：软件设计需从传统的面向对象编程（OOP）思维转向“为 AI 设计”。核心在于重构结构，使代码直接表达行为，而非依赖复杂的对象交互。传统 OOP 将个体作为模块核心的哲学路径存在缺陷，导致运行时结构与代码结构严重脱节，阻碍了模块化与可读性。 概念设计的定义：主张以“功能方面”（Concepts）而非“个体对象”定义软件模块。每个概念必须具备完整性、连贯性和目的性。这种方法旨在解决传统编程中常见的“混淆”（不同功能合并）和“碎片化”（同一功能分散）问题，通过严格分离独立概念并外部化协调逻辑来优化架构。 提升 AI 适配性：这种结构使大语言模型（LLM）能更清晰地识别模块边界，支持独立生成代码规格，避免传统对象耦合导致的上下文污染和维护困难。 📊 关键事实与论据：数据支撑与现实挑战 SWE-bench 研究揭示的局限：约三分之一的补丁在 Issue 中已描述解决方案；另三分之一通过测试但破坏其他功能；仅不到 10% 的 Issue 出现在训练截止后，导致 GPT-4 解决率降至 1% 以下。这表明 AI 往往是在复现已知模式而非真正创新解决问题。 Meta 随机对照试验结果：经济学家预测使用 AI 可提速 40%，但开发者最为悲观且使用后更加怀疑。实际结果显示，AI 的使用反而降低了程序员的整体效率，凸显了当前工具与人类工作流的不匹配。 代码质量恶化趋势：Slop Code Bench 与 GitClear 分析显示，迭代修改规范时基尼系数剧增，表明代码复杂度分布不均。近五年数据显示克隆/粘贴代码增多，重构减少，行业正逼近“技术债务末日”。 微服务架构的困境：以 Monzo 银行为例，其微服务依赖图显示团队间关系复杂交织，陷入“微服务依赖地狱”，未能实现理想的模块化。这反映了传统分布式系统在维护上的复杂性。 设计模式与 DDD 的反思：《设计模式》指出对象程序运行时结构与代码结构差异巨大；领域驱动设计（DDD）案例显示，为追求模块化而引入的复杂结构反而降低了可读性。实体组件系统（ECS）作为游戏开发中的早期成功应用，强调了状态视图分离的重要性，是“去混淆”思想的实践基础。 Real World 基准测试验证：团队构建了类似 Medium 的演示应用，验证了 LLM 在提供概念规格语法后，能一次性生成所有概念规格并成功实现。同步机制采用事件规则替代直接服务调用（如空闲槽位触发预留动作），消除了模块间的硬依赖。 教学实验反馈：在 6104 课程中引入基于 Gemini 的自研工具 Context，学生发现使用 Cursor 等通用 AI 编码工具修改后端会破坏同步引擎，而专用上下文控制工具能保持架构完整性，证明了结构化提示的重要性。 🔍 重要细节：行为定义与模块化挑战 行为的本质：软件行为由个体、关系和原子动作构成，本质是动作的历史轨迹（Trace）。仅靠类型化动作不足以实现模块化，需要更大的心理“块”（Chunks）来组织行为，类似音乐中的和弦或动机。 OOP 的逻辑困境：将动作分配给特定类存在逻辑缺陷。例如，取消预订若涉及从集合中移除对象，则无法仅作为该对象的方法实现，揭示了单一所有权模型在复杂交互中的不足。 概念分层的用户视角差异：以餐厅系统为例，“Slot”（容纳特定人数范围的时段）与“Reservation”（具体某人的预订）在计算机科学家眼中界限清晰，但对普通用户而言难以区分。这种认知差异要求系统设计在不同抽象层级上进行协作。 跨领域应用潜力：机器人学研究者提出将任务转化为形式化描述并进行优化，以实现更优的机器人设计。这表明概念设计不仅适用于业务逻辑，也可延伸至控制与优化领域。 🚀 结论与建议：未来方向与局限性 行为描述语言的兴起：随着 LLM 能力增强，代码生成的重点将从底层实现转向高层“行为描述”。概念设计为此提供了结构化基础，使明确表达行为需求成为关键。 小型组织的自主构建机会：LLM 软件开发为小型组织提供了自主构建应用的机会，使其无需依赖昂贵的商业软件（如 SAP、Salesforce）。Airtable 等低代码生态在过去十年间降低开发门槛的努力，为 LLM 介入此类领域奠定了基础。 可读性作为客观属性：软件的“可读性”被视为一种客观属性，因为系统用户通常对问题世界存在共识视图。这将产生大量需要理解复杂现象但未必具备编码技能的设计师需求。 协作模式的转变：系统设计的复杂性要求不同专业层级的人员（如设计师与程序员）在各自擅长的抽象层面协作，而非由单一角色承担所有逻辑细节。 局限性讨论：该方法在数据分析和机器学习等大规模数据处理场景中适用性尚不明确，目前主要验证于传统业务逻辑（如预订系统）。尽管有观点认为 LLM 将取代人工维护代码，但概念设计通过解耦状态与行为，为 AI 驱动的开发提供了更稳健的模块化框架。

🎬 AI与编程：构建可用编码智能体的实战经验

（原标题：AI & Coding: Lessons from the Trenches on Building Usable Coding Agents） 🎯 核心观点与架构理念 软件开发的核心价值在于解决现实世界的问题，而非单纯构建软件本身。赋予开发者快速编写软件的能力是推动行业变革的关键驱动力。 在智能体架构设计上，极简主义优于复杂的多角色协作模式。单一智能体配合强大的语言模型及通用工具集，比 MetaGPT 等多角色分工架构更具优势，因为现代大语言模型已具备执行多种职能的综合能力。 交互方式上，代码优先策略显著优于图形用户界面（GUI）点击操作。通过 API 或代码与数字环境进行交互能大幅提升任务成功率，其中混合模式（结合代码调用与必要浏览）效果最佳。 智能体性能的提升高度依赖高质量训练数据。主要数据来源包括强化学习产生的轨迹（Rollouts）、合成数据生成以及人类演示数据，这三者共同构成了能力进化的基础。 🛠️ 工具集构成与基准测试表现 OpenHands 默认采用四大核心工具：Bash、文件编辑器、多模态浏览器及搜索 API。这一简洁的工具组合足以覆盖广泛的软件工程任务需求，避免了过度复杂的角色分工。 在 SWE-bench 等基准测试中，智能体成绩随新模型发布呈阶梯式增长。API 智能体在 GitLab 等网站上的任务成功率是纯浏览智能体的三倍，验证了代码交互的高效性。 提出了 Go-Browse 框架，通过探索网页并逐步增加任务复杂度来生成高质量合成轨迹。同时引用 Google Android 应用演示案例（68.9 万条多步数据），说明了人类数据在提升特定场景能力上的价值与成本权衡。 联合 CMU 推出 Agent Data Protocol，旨在统一分散的智能体训练数据格式，建立类似“国际语”的最小化通用架构，以解决现有数据碎片化的痛点。 📊 数据集构建与评估体系进展 构建了包含约 370 万条智能体轨迹的数据集，这是目前最大的智能体训练数据集之一。该数据集支持 OpenHands、SWE-agent 等多种下游格式转换，极大地促进了生态兼容性。 提出了 VersaBench 与 OpenHands Index 基准套件，涵盖构建修复、前端开发、多语言问题解析等广泛软件工程任务。即将发布的 OpenHands Index 显示，尽管各模型在 SWE-bench 上得分接近（70%-75%），但在通用性任务上存在显著差异。 评估结果显示，GPT-5 在特定人类实际任务场景中表现不如 Claude 4。这表明基准测试的高分并不完全等同于实际场景下的优越性能，通用性和鲁棒性是新的评估重点。 🧪 用户反馈机制与交互体验优化 采用隐式信号预测方法评估智能体表现。通过 Web 服务收集 8%-9% 的显式五星反馈，并结合情绪、测试通过率等隐式信号训练回归器，从而在无直接反馈的场景下量化智能体效果。 模型升级对用户满意度有直接影响。从 Claude 3.7 升级至 Claude 4 提升了用户满意度；而 GPT-5 虽基准成绩优异，但因响应速度慢且缺乏过程性更新（verbose），导致实际用户体验下降。 针对模糊指令处理，构建了 Under-specificity Benchmark。结果显示，从完全指定到模糊指令，准确率从 50% 降至 24%；引入提问机制后回升至 39%，但仍未完全弥补信息缺失带来的性能损失。 🤖 技能归纳与强化学习策略 利用用户模拟器进行强化学习训练，奖励低努力提问、惩罚高努力打扰。训练的 30 亿参数模型在任务成功率和主动性评分上超越 GPT-5，并能动态调整提问策略以平衡信息获取与交互成本。 提出 Agent Skill Induction 方法，通过“Agent Workflow Memory”将轨迹转化为可复用的程序化技能（如 GUI 操作脚本）。该方法提升了 Web 浏览任务的准确率与效率，有效解决了无 API 遗留系统的交互难题。 优秀的智能体基础模型需具备精准的指令遵循、长上下文优先级处理、动态工具使用及错误恢复能力。这些底层能力是应对复杂工程问题的前提。 🛡️ 验证瓶颈与未来工程挑战 当前主要瓶颈在于验证成本高于生成成本。利用类似 Linus Torvalds 风格的“Code Review Roasted”技能进行严格自查，可有效修正 AI 生成的冗长或低质代码，提升交付质量。 强调仓库就绪度标准对智能体落地的必要性。静态分析、CI/CD 流水线、单元测试及 `agents.md` 文档等工程实践是确保智能体在真实环境中稳定运行的基础。 未来研究需解决大型代码库的局部化定位、科学计算环境的多样性评估以及基于大规模评估数据的强化学习扩展问题。建议研究者关注如何形式化实际工程问题，并优先依赖强大的底层 LLM 和简洁的工具接口。

🎬 AI在教育中的应用：软件工程毕业设计中的AI实践经验

（原标题：AI in Education: Experiences With AI in the Software Engineering Capstone） 🎓 课程背景与设计理念 MIT软件工程毕业设计强制要求学生利用大语言模型进行软件设计与编码，核心目标是培养能够连接技术与现实世界的“软件设计师”。 教学采用概念设计框架，将系统分解为独立的活动组件，这种模块化结构旨在适配LLM的生成能力，避免传统按实体分层代码结构带来的依赖混乱。 课程由Daniel与Mitchell Gordon合作授课，博士生Egon Meng开发了基于Gemini的专用工具，通过限制上下文窗口来控制成本，相比Cursor单夜消耗100美元，定制方案仅需10美元。 🛠️ 技术实施与挑战 LLM工具显著提升了开发效率，但导致学生对底层框架掌握度下降及代码质量失控，80%的学生未察觉Cursor破坏了底层库代码。 Agentic工具的使用引发了合并冲突问题，阻碍了团队协作流程，部分学生反映因过度依赖LLM而丧失编码乐趣，甚至考虑转行做水管工。 出现了“AI Slop”现象，即反思报告内容空洞泛化，缺乏深度思考；同时，LLM使用导致学生更倾向于独立工作，减少了在Piazza等平台的互动及与教师的面对面交流。 📊 数据洞察与相关性分析 沟通技巧、反思性实践、概念设计能力、代码质量、产品品质及LLM应用能力与最终成绩呈现高度正相关，其中沟通能力是主导因素。 学习时长、享受程度或难度感知与学业表现及产出质量几乎无相关性，但LLM使用频率显著增加了学生投入的时间。 个人独立项目比团队项目更具创意和趣味性，团队存在“最低公分母效应”，成员间相互制约导致创意被削弱，个体优于团队成为明显趋势。 🏆 项目成果与案例验证 学生完成了如Iowa农场牲畜健康追踪、PDF论文讨论工具等高质量应用，验证了LLM在复杂集成中的可行性。 LLM支持了更宏大的设计产出并促进深度参与，使得原本难以实现的功能模块得以快速原型化，展示了AI辅助开发在工程实践中的实际价值。 ⚖️ 教育挑战与文化反思 学生并非懒惰，而是受GPA、成绩单等外部指标驱动，将作业视为最终产品而非自我成长的工具，导致缺乏内在好奇心与自主性。 LLM具有双刃剑效应，既能支持宏大设计，也可能成为限制创造力、损害学习过程及增加评分负担的“拐杖”，教育者需在鼓励工具使用与维护核心工程技能之间寻求平衡。 💡 结论与建议 有效利用LLM取决于学生的个人自主性、好奇心及反思性实践，而非单纯的技术工具；需通过严格上下文管理避免成本失控与代码破坏。 教学范式需向主动学习与反思性实践转变，借鉴Lev Vygotsky理论，改变当前鼓励被动应试的文化，引导学生关注自身认知能力的提升，防止学生陷入被动执行而非主动设计。

🎬 AI 在教育领域的应用：开场致辞

（原标题：AI in Education: Opening Remarks） 🎓 核心观点 AI 在教育领域既带来机遇也带来挑战，且高校对结果具有显著影响力 该问题不仅是技术挑战，更是涉及教学法、学习科学及多学科的综合性难题 需从技术、教学法、公民生活及职业前景等多维度审视 AI 与教育的交叉影响 📊 关键事实/论据 针对 Z 世代的调查显示学生存在认知与行为的双重性：明知 AI 可能简化学习过程，仍因效率压力而使用 演讲者观察到学生在课程末期因时间紧迫，论文中大量出现 AI 痕迹 MIT 虽无教育学院，但拥有跨学科社区，正通过委员会推动相关研究 会议旨在开启对话，并通过问卷调查收集参与者兴趣及联系方式以指导后续工作 🤝 结论 教育界应作为更大社区共同应对 AI 挑战，整合不同学科视角 当前会议是持续对话的开端，后续将通过委员会与更多人员互动并基于反馈调整方向