【代码之外】丁源森／做AI时代里的 六边形战士

重塑教育模式

那么，我们是不是该担心学生不再学习了呢？

当然，这些工具会在很大程度上颠覆我们的教育模式，但我觉得这不失为好事。就像我使用谷歌地图后变成了路痴，但这让我有更多时间和精力去锻炼其他技能。

毋庸置疑的是，这里首当其冲的必然是填鸭式教育，因为重复性作业在大型语言模型面前毫无机会。虽然未来的教育模式会如何演化还不得而知，但可以肯定的是，新的教育模式会更加注重解决问题的能力，而非复述学习的内容。

传统的作业，像选择题，面对的语言模型太简单了。所以，我现在更喜欢让学生在作业和期末考做些研究性的项目。这样，学生即使使用了所有工具，也需要学会解构问题、从AI建议中筛选最佳方案，并发现可能的错误。而这类项目其实更能真实反映学生的能力。目前的大型语言模型虽然有一定的推理能力，但对于跳跃式的思维仍然有限。如果学生能够通过他们所学，内化成去指导AI模型的能力，帮助其缩小答案范围，那么他们在AI辅助下获得的答案的质量也会有一个质的飞跃。

这个时代，学习如何在人机合作中发挥最大效果，这是每个人都需要掌握的。

很多顶尖大学，如清华和哈佛，都为入学的学生开设了基础课，而且不局限于电脑科学系，不仅教他们如何使用ChatGPT等工具，还包括深入了解背后的原理和如何进一步微调这些模型。在我最近教授的天体物理课程中，尽管大多数学生并非电脑科学专业，我仍然专门腾出了一节课，教他们如何运用并微调大型语言模型代码。

通才们的逆袭

机器学习如今炙手可热，大学里电脑科学系学生的数量在过去几年几乎每年都在翻倍，偶尔有人会问我关于选择专业的建议。作为天体物理和电脑科学两个学科的交叉人，我想分享一下我的观点。

对于真正对电脑感兴趣的学生，选择电脑科学系当然没问题。但要明白，电脑科学系的课程远不止机器学习那么简单，还包括传统的电脑系统设计、编译器等。对于仅仅想了解机器学习的学生，这些课程不见得是最重要的。在大型语言模型日益普及的今天，跨学科知识变得尤为重要。比如说，如果一个人不懂天体物理，那他使用这些模型获取有价值的答案的可能性会大大降低。

可能大家不知道，当前机器学习领域许多领军人物其实并非电脑科学背景，例如GPT的第三代模型和OpenAI的主要竞争对手Anthropic，里面的一些研究人员包括其中至少一个奠基人是读物理出身。不同学科背景的专家看待问题的方式都有所不同，他们也更可能提出富有创意的观点。

打破人类被异化的格局

我们正处于一个通才逆袭的时代，只有深入理解并结合具体的应用场景，这些工具的价值才能得到充分发挥。而我认为这是机器学习赋予我们的最大礼物。

回顾工业时代，人们为了追求效率，把个体视为社会大机器中的一个小小螺丝钉，让每个人在特定岗位上反复执行同样的任务。这种“螺丝钉式”工作，任何人都可以轻易被替换，确保社会机器不断运转。但这种模式已渐渐将人异化。然而，现在的计算机学习能力表明，那些固定、机械的工作很可能首先被替代。无论是低层次还是高层次的“专才”工作，都有可能在某种程度上被替代。

虽然各种工作岗位将经历重大调整，也确实有值得去探讨和担心的地方，但可以肯定是能够在这个技术变革时代中崭露头角的，必将是愿意在多个领域中汲取新知识的“六边形战士”，而非高高在上的专才。

这是一个充满变革和竞争的时代。机器学习的门槛之低（详见我之前的文章）使得全球竞争变得前所未有的开放。这已经不再是大国之间的角逐（与核能竞赛不同）。只有那些能够培养大量跨领域通才的国家，才能在这个时代中脱颖而出。

那么，马来西亚的教育制度是否做好了准备？

更多相关文章：
【代码之外】丁源森／论AI的养成与黯然销魂饭 
【代码之外】丁源森／AI、ChatGPT与我妈的扫地机器人