教育系统作为社会巨系统的一个关键子系统，在人工智能技术的驱动下，教育现象变得日益错综复杂，教育动因更加难以解析，教育风险也愈发难以预见。为了有效应对人工智能技术对教育系统的挑战与机遇，必须进行跨学科、跨圈层和跨领域的深入对话。
为此，北京大学教育学院汪琼教授团队与腾讯研究院杨健、孙怡、吴朋阳、张鸿茹等合作，产学研共创AI教育课题组，开展AI+教育思想系列沙龙，旨在推动各方对话，为智能时代的教育提供有价值的思路借鉴和参考。
第5期于2024年12月-2025年1月开展，聚焦“AI时代的学习方式”，本期邀请了多个领域、不同年龄的AI应用者分享他们的经验和教训。以下是内容精编，推荐阅读。
GenAI作为工具时，能有效提升学习效率；作为伙伴时，能促进深度协作；作为镜像时，能帮助自我反思。
GenAI的核心不是解决特定问题，而是通过与其合作，塑造出新的工作流、思维模式和创新能力。
GenAI工具的通用性要求学习者保持“实验心态”，灵活调整策略，探索最佳应用方法，而不是将其视为一个固定的、单一的功能工具。
“AI+学习”的价值并不在于直接提供答案，而是激发思维的扩展与深度，最终的知识转化与创新仍需依赖个体的主动思维。
大一接触ChatGPT后，我开始在编程课上用它生成C语言和Java实验代码，甚至直接提交调试结果。这种依赖在期末上机考试时反噬，面对空白编程界面无从下手。考前突击手敲教材代码的惨痛经历让我学会调整策略，如今会让AI生成可视化代码时故意留空关键语句，通过自主补全来强化语法记忆和逻辑理解。
在构思新课题时，我会先用AI将零散的直觉梳理成研究方向，借助不同工具生成关键词和文献线索，快速锚定核心问题；面对海量论文，则通过AI横向对比各篇的背景框架与方法路径，筛出值得精读的文献，这种粗筛能省去大半繁琐劳动。虽然系统总结难免流于表面，但它像导航仪般标出知识地图的坐标，真正复杂的理论纵深仍需人工深耕，但人机配合既压缩了前期准备的时间成本，又能在快速扫描中发现那些容易被思维惯性过滤的视角。
我觉得AI在科研中的作用已经显现。做质化研究时，它能帮我处理编码前的dirty work，自动过滤无效信息和口水词，虽然最终分析还得依靠研究者，但省去了前期筛检的细琐工作。在整理量化数据时，AI也像个实时待命的助手，能根据指令帮我很快清洗掉无效数据。碰上思路卡壳的时候，和AI对话常能碰撞出意料外的研究灵感，比如我有大概的选题方向时会和AI聊聊，它就像个不知疲倦的头脑风暴伙伴。至于文献综述，虽然现在还没哪家模型能完美检索，但用它做初筛和文献归类确实能节省些时间。
每天早晨，我在手机上看订阅号和朋友圈文章时，会先根据文章类型，分享给不同的AI智能体帮我提炼和压缩内容。通过AI的总结和筛选，变成新知卡片保存。还会转发和阅读其中几篇我认为含有新内容的文章到朋友圈。我现在看长视频或者听播客时，会先让AI把它转成文字，再变成思维导图，寻找最值得看的部分。觉得有价值的会让AI提取内容框架，变成可视化图表进行研究。如果遇到不理解的地方，我会继续和AI深入讨论，这样学习效率更高。我还习惯把各种会议和学习内容录下来。比如，某些讲座的视频，我会把视频转成文字，再把这些文字输入AI（比如NotebookLM），这样就可以和它深入探讨各个话题。
自从 ChatGPT出现后，我便开始尝试使用这一工具。像我学习其他新知识一样，我并没有依赖人类专家，而是通过这个工具自学。经过一年的实践，我发现这种方法非常有效，能够让我在不少方面取得不错的进展。最初，我要学习的是大模型技术原理，我是直接让 ChatGPT 用简单的语言给我讲解。它不仅能通俗解释大模型是什么，还能提供具体案例和代码，甚至指导我运行 Python 脚本，帮助我体验大模型的训练过程。我还尝试让 ChatGPT 帮我学一些新技能。比如，我买了一台3D打印机，出于好奇，想了解如何做 3D 建模。虽然我对这方面完全陌生，但在 ChatGPT 的帮助下，我成功完成了一个建模项目。我们之前曾想着开发一个能教人类所有知识的系统，但谷歌已经推出了“Learn About”，不过我认为这个方向仍有值得探索的空间。
我觉得AI带给学习最大的变化是“for you”，AI就像是一个随时可以调用的、懂你需求的私人教练，提供量身定制的建议和反馈。比如，我最近在和我的”AI沟通教练一起练习如何简洁地抓住重点表达；和我的AI谈判教练练习如何灵活且有效地暴露自己的一些信息和底牌；我还在和AI英语教练一起练习与硅谷产品经理用英语讨论AI产品的能力。AI能基于你的需求给出非常精准地回答和建议，这些本来需要非常昂贵的私人教练才能获得的反馈，现在AI可以在24小时内提供。甚至在学习过程中，你不再是按部就班地学习一整套知识，比如我最近练习的内容，AI会专门根据我的需求和场景为我提供定制化的练习，而不是从大框架的整体内容开始。
述评：从“AI应用达人”的叙述中，可以识别出“AI+学习”的三种境界。AI as Tools（AI作为工具）：第一种境界代表了最基础、最普遍的AI使用方式，AI作为外部工具存在，为学习者提供自动化的支持。AI as Partners（AI作为伙伴）：第二种境界是将AI视为学习过程中的合作伙伴，AI成为“共同学习”的一部分。AI as Mirrors（AI作为镜像）：第三种境界是将AI视为一种“自我延伸”，学习者在与AI的互动中不断进行认知和自我反思。
尽管很多专家和社交媒体都在热衷宣传“神级prompts框架”等概念，甚至我自己也收藏了不少，但在真正遇到问题的时候，还是会发现很多人不知道该如何下手。我自己通常有两种方式来解决：一种是在某些内容社区类社交平台寻求帮助或进行内容检索；另一种则是直接把问题描述给大模型，让它来“解答”。例如，之前我想借助大模型生成某次活动的Logo，但感觉它总是“听不懂”我说的需求。于是，我转而在小红书上搜索“GenAI生成Logo的prompt”，找到了很多“攻略”，例如背景颜色的选择等等。基于这些建议，我调整了自己的prompts，效果果然好很多。所以我认为，对于那些“新手”或者在使用大模型时遇到“瓶颈”的人，不妨去内容社区平台看看是否有人遇到类似问题，或者直接向大模型请教，让它帮你生成更有效的prompts。
虽然现在的AI是通用型的，但实际上，大多数情况下，AI工具更适合某一个特定的工作场景，或者解决某个工作流中的具体环节。所以，我觉得学习AI需要抱着一个目的去，明确想通过AI解决什么问题，这样才能找到合适的工具并充分发挥其效用。我平时使用AI工具时，也会先在小红书或者抖音等平台上看看这个领域大家推荐的AI工具有哪些，然后挑选适合的工具进行实践。换句话说，我觉得必须先了解有哪些工具可用，然后再去具体领域里判断哪些工具表现更好，之后再进行实践，这样效果会更理想。另外，反复实践是学习AI的关键，最初尝试时可能会失败、会有时间成本。比如，在第一次希望AI帮我解决需求时，我花了一个小时与Kimi对话，这个过程让我感到很容易放弃，虽然最终效果不佳，换了其它工具，但正是这些摸索让我更好地理解了AI的使用逻辑，从而能更顺利地开展后续的应用。
AI技术的更新速度非常快，为了跟上这种变化，我倾向于“轻应用”，利用手机等简单的工具解决问题，而不是一味追求高端设备。我还倡导“快制作”，相信第一感觉，通过多次小测试来积累经验。此外，我自己有一个独特的习惯，就是不保留工程文件，而是记录实现方法，每次制作时都重新开始，这样能够让我在创作中不断尝试新的思路。我还特别重视分享与交流，认为重点不是哪个软件更强，而是找到适合自己内容创作的最优方法。
我从小就不太喜欢做重复性的事情，越做就越怀疑自己，总是想用各种技术手段来偷个懒。但光靠个人经历，遇到问题解决挑战式的成长速度总有局限。后来，我发现自己特别喜欢和周围的人讨论技术问题或者教学问题，每次别人问我没见过的新问题，我都特别开心，因为每次挑战，都是涨经验的机会，也能从他们的经历中快速学到那些我可能需要很长时间才能遇到的情况。我认为最重要的是保持开放的心态，因为这个领域发展得太快了，日日工业革命，夜夜文艺复兴。不断有新开源工具和新模型出现，如果你真的想在这个领域有所建树，需要不断尝试和体验新工具是否适合解决自己的问题。你不能觉得学会了一个东西就可以停下来了，要时刻保持学习的状态。我会用各种方法来获取信息，抓住不同的时间和机会。因为能获取这些信息会激励我，尤其是能跟踪一些我喜欢的人物，看看他们在做什么。
学习AI的使用，不仅是掌握一项技术，而是学会如何与AI进行高效的沟通与协作。这个过程包括了感知多模态内容的生成、掌握各类通用型工具、提升与AI的对话能力，以及逐渐形成一种“人机协同”的思维模式。人工智能与人类智能各有限度、各具优势。只有当我们学会如何在人工智能与人类智慧之间架起桥梁，我们才能不断突破自我，将技术能力转化为生产力和创造力。然而，技术的力量在于它如何被人类智慧所引导，而非单纯地机械运行。我们需要持续探索、调整提问、反思所学，并改进策略。我们不仅要学会如何使用这些工具，更要理解这些工具背后的思想，以及如何在这些新型工作流中找到自己的位置。
述评：“AI应用达人”了解和学习AI工具使用有三种常见模式。其一，工具驱动模式。这一模式下，学习者将AI看作是一系列工具和技术的集合，通过熟悉和掌握不同的AI工具，来解决具体的应用场景问题。其二，问题导向模式。这一模式下，学习者首先明确自己在实际工作、学习或生活中遇到的问题，然后寻找合适的AI工具来解决这些问题。其三，互动协作模式。这一模式下，学习者通过与其他AI用户、专家、社区成员的互动和协作来学习AI工具使用，强调通过集体智慧、经验分享和共同探索来加速学习进程。学习者可以根据自己的学习风格和需求，选择或结合不同的方式进行AI应用的学习。
对于一些基础课程，比如应用开发类的，如果一直依赖 ChatGPT，就很难真正掌握。关键的基础知识还是要自己记住和实践，否则等遇到更复杂的项目时，AI帮不了你，就只能补课了。AI容易编造内容，有时引用甚至是假的，让人分不清真伪。这种不确定性很麻烦，尤其在应用时可能导致问题。AI更像是一本“答案之书”，是获取知识的辅助工具，真正应用知识还得靠自己。而且 AI的回答是概率性的，可能99%是对的，但仍有出错的可能，不能完全依赖它。
现在很多产品正在把GenAI技术变成像“加粗、高亮”一样的基础功能，直接嵌入其中。其实，我觉得大模型“悄无声息”地融入学习场景中，反而更能帮助我。比如，在期末复习时，在PPT中遇到不理解的段落，点击“AI帮我”，马上就能通过对话得到解答。但要注意，GenAI的出现并没有改变我的复习路径，只是缩短了我在遇到难题时找到解答的时间，帮助我提高了效率。学习是认知内化的过程，用AI提供现成答案并不等同于学习，学习需要将AI视为思维的延伸，而非取代思考。所以我觉得，利用AI学习最重要的是不能把它“神化”或“特殊化”。学习者应该意识到，学习不是学资源，而是学能力，GenAI并不是魔法解决方案。
很多人把AI当作万能工具，尤其是在科研中，用它来处理一些重复性工作，如大数据分析和文本编码，但实际上，即使是像GPT-4这样的AI大模型，仍然存在很多局限，特别是在应对复杂情况时，容易出现“记忆中断”“上文不接下文”等问题。随着AI技术的不断发展，很多学者习惯性地依赖它，甚至在做任何事情之前都会先问AI，但往往得不到真正有用的信息。ChatGPT强大的能力还可能会导致抱着完成任务目的来使用的科研工作者，为了赶进度，丧失产生突破性观点和灵光乍现的想法的可能性，只是生成了一堆“拼贴”的知识，导致学术生产的“平庸之恶”。此外，AI生成的虚假信息、AI幻觉也是潜在的风险。AI有时会输出逻辑看似合理但与实际不符的内容，因此必须时刻保持警觉，核查AI提供的信息，以避免误导。
我认为有这样几个常见的认知误区。首先，很多人仍然把AI当作单纯的工具使用，忽视了它作为通用大模型的潜力。AI不仅能作为工具解决具体问题，更重要的是通过与大模型的深度协作，我们可以理解其背后的变化和未来的可能性。如果只把它当作工具，你可能永远只能提升生产力，但很难感知背后的变化。其次，很多人习惯用“软件思维”看待AI，认为它必须有明确的功能和需求，但大模型本身具有通用性，使用时需要一种实验和探索的心态，不应期待它像传统软件一样有明确、固定的用途。再者，AI不是完美的，它的缺点和优点更像人类，因此，我们在与AI协作时，要学会灵活调整策略，视其为合作伙伴，而不是“辅导作业的明师”。最后，要避免静态看待AI，随着技术的进步，它的能力也在不断变化，我们应该通过不断实验来发现最佳实践，而不是固守过去的经验。
述评：在学习过程中，个体通过反复的实践和反思，逐步将外部信息转化为内在的认知结构，从而提升解决问题和创新的能力。从学习角度，AI的真正价值在于它能够激发思维的扩展和深度，而非简单地取代个体的认知活动。利用AI，学习者能够提高学习效率，拓展思维边界，但最终的知识内化和认知转化仍需依赖个体的主动思维和深度反思。
我觉得首先是保持好奇心和想象力。AI技术正在迅速发展，它能够记录和分析生活、工作中的各种信息，但要利用这些技术，你需要突破传统思维方式，保持开放的心态，积极尝试新的可能性。其次，接受并实践实验文化。AI并不像传统软件那样有明确的目标和需求，它需要在实验中摸索，验证它的能力和边界，找到最佳的协作方式。再者，理解AI的基本原理是非常重要的，尤其是大模型的运作方式。虽然不需要深入的技术细节，但有一定的AI素养能帮助你更好地与AI合作，避免出现使用上的困惑。最后，AI推动了自主学习，不论你之前是否具备相关知识，AI都能快速展示成果，帮助你判断是否真正想学习某个领域。它消除了很多学习过程中的障碍，促使你回归到最根本的问题：你是否真正想学这个东西？
我觉得要有热忱和好奇心，就像一个新工具，出现后你会迫不及待地去尝试。你觉得它太有趣，像是使用各种各样的人类创造的工具一样，这个世界充满了无限的可能性和不确定性，非常吸引人。我们公司决定，从明年开始，所有部门的员工必须掌握AI技术，否则将面临淘汰。因为我们发现程序员在使用AI后，工作效率至少提升了两到三倍。例如，我们要求一个研发小组开发一个系统。两三个月过去了，进展不大，后来技术总监尝试通过AI写了需求说明书，生成了完整的数据字典和需求文档，用几天时间指挥AI完成了整个软件编程，运行完全达到设计目标。最近我们要求程序员转型为全栈工程师。过去，一个程序员可能只专注于前端、后端、数据库或数据分析，但现在，只要一个人保持学习热情、愿意接触新事物，他就能胜任所有这些工作。我们的一个办公室非编程人员已成功转型为AI开发项目负责人。
我现在的感觉是，AI有点像一张地图，不过是2D的、平面的。它能给我大致的方向，但要真正做成一件事，或者做出某个尝试，光靠这张地图是不够的，指引完大方向后，还得靠自己去摸索。现在是一个非常好的时代，因为你想学什么，都能找到相关资源。所以，现在的问题其实不是有没有资源，而是你是否愿意花时间去学，是否愿意花时间去做这件事。我觉得人工智能最大的价值，就是帮我们减少那些重复性的工作。因为重复的工作会消耗我们的创造力，所以我们应该把更多的精力投入创新性的工作中。要建立自己的信息获取系统，比如通过RSS订阅、各种群组等渠道，让自己能够不断获取新知识。然后，利用AI来帮助处理这些信息，提取出有价值的部分。
在应用AI的过程中，我自己的经验是动手做。简单来说，“自己动手的应用实践=先把技术路线走通+再做细致加工”。我自己比较推崇三种“寓教”方式：第一是寓教于乐，通过使用AI工具（比如星绘）制作有趣的内容，激发学习者的学习兴趣；第二是寓教于情，可以通过数字人来增强情感的传递；第三是寓教于理，利用AI技术高效制作内容，比如我把24节气和节日文化转化为数字化作品。这些应用不仅让我更加高效，还让我在创作中感到乐趣。我始终觉得，兴趣是学习和应用AI的重要动力，而动手实践则是实现目标的关键。
我觉得使用熟练度其实挺影响后续的采用率和使用效果的。相比那些完全没有接触过AI的人，我至少有一些基础，所以我能更清楚地知道怎么去提问，也能更好地判断输出的结果是否有用。但是我的一个朋友是高中老师，平时接触AI的频率不高。有一次他跟我说，他需要写评语，我就建议他直接用AI生成。我还把链接发给他，结果他跟我说一点都不好用，还不如自己写。所以我觉得，熟练度真的是个很重要的影响因素。用得多了，慢慢就能掌握AI的使用逻辑。
述评：要想成为“AI+学习”领域的应用达人，至少需要好奇心、开放心态和实践精神三种特质。好奇心作为探索未知世界的内在动力，是任何学习过程的初始引擎。在AI技术的快速演变和跨领域渗透的时代，开放心态成为了AI深度学习不可或缺的条件，而持续实践则为好奇心和开放心态提供了行动的空间。在AI快速发展的时代，学习者的任务不仅仅是“掌握”某一项技术，而是通过持续的探索、反思与应用，真正将AI融入自己的学习方式中。
(责任编辑：)关键词: