【代碼之外】丁源森／做AI時代裡的 六邊形戰士

重塑教育模式

那麼，我們是不是該擔心學生不再學習了呢？

當然，這些工具會在很大程度上顛覆我們的教育模式，但我覺得這不失為好事。就像我使用谷歌地圖後變成了路痴，但這讓我有更多時間和精力去鍛鍊其他技能。

毋庸置疑的是，這裡首當其衝的必然是填鴨式教育，因為重複性作業在大型語言模型面前毫無機會。雖然未來的教育模式會如何演化還不得而知，但可以肯定的是，新的教育模式會更加註重解決問題的能力，而非複述學習的內容。

傳統的作業，像選擇題，面對的語言模型太簡單了。所以，我現在更喜歡讓學生在作業和期末考做些研究性的項目。這樣，學生即使使用了所有工具，也需要學會解構問題、從AI建議中篩選最佳方案，並發現可能的錯誤。而這類項目其實更能真實反映學生的能力。目前的大型語言模型雖然有一定的推理能力，但對於跳躍式的思維仍然有限。如果學生能夠通過他們所學，內化成去指導AI模型的能力，幫助其縮小答案範圍，那麼他們在AI輔助下獲得的答案的質量也會有一個質的飛躍。

這個時代，學習如何在人機合作中發揮最大效果，這是每個人都需要掌握的。

很多頂尖大學，如清華和哈佛，都為入學的學生開設了基礎課，而且不侷限於電腦科學系，不僅教他們如何使用ChatGPT等工具，還包括深入瞭解背後的原理和如何進一步微調這些模型。在我最近教授的天體物理課程中，儘管大多數學生並非電腦科學專業，我仍然專門騰出了一節課，教他們如何運用並微調大型語言模型代碼。

通才們的逆襲

機器學習如今炙手可熱，大學裡電腦科學系學生的數量在過去幾年幾乎每年都在翻倍，偶爾有人會問我關於選擇專業的建議。作為天體物理和電腦科學兩個學科的交叉人，我想分享一下我的觀點。

對於真正對電腦感興趣的學生，選擇電腦科學系當然沒問題。但要明白，電腦科學系的課程遠不止機器學習那麼簡單，還包括傳統的電腦系統設計、編譯器等。對於僅僅想了解機器學習的學生，這些課程不見得是最重要的。在大型語言模型日益普及的今天，跨學科知識變得尤為重要。比如說，如果一個人不懂天體物理，那他使用這些模型獲取有價值的答案的可能性會大大降低。

可能大家不知道，當前機器學習領域許多領軍人物其實並非電腦科學背景，例如GPT的第三代模型和OpenAI的主要競爭對手Anthropic，裡面的一些研究人員包括其中至少一個奠基人是讀物理出身。不同學科背景的專家看待問題的方式都有所不同，他們也更可能提出富有創意的觀點。

打破人類被異化的格局

我們正處於一個通才逆襲的時代，只有深入理解並結合具體的應用場景，這些工具的價值才能得到充分發揮。而我認為這是機器學習賦予我們的最大禮物。

回顧工業時代，人們為了追求效率，把個體視為社會大機器中的一個小小螺絲釘，讓每個人在特定崗位上反覆執行同樣的任務。這種“螺絲釘式”工作，任何人都可以輕易被替換，確保社會機器不斷運轉。但這種模式已漸漸將人異化。然而，現在的計算機學習能力表明，那些固定、機械的工作很可能首先被替代。無論是低層次還是高層次的“專才”工作，都有可能在某種程度上被替代。

雖然各種工作崗位將經歷重大調整，也確實有值得去探討和擔心的地方，但可以肯定是能夠在這個技術變革時代中嶄露頭角的，必將是願意在多個領域中汲取新知識的“六邊形戰士”，而非高高在上的專才。

這是一個充滿變革和競爭的時代。機器學習的門檻之低（詳見我之前的文章）使得全球競爭變得前所未有的開放。這已經不再是大國之間的角逐（與核能競賽不同）。只有那些能夠培養大量跨領域通才的國家，才能在這個時代中脫穎而出。

那麼，馬來西亞的教育制度是否做好了準備？

更多相關文章：
【代碼之外】丁源森／論AI的養成與黯然銷魂飯 
【代碼之外】丁源森／AI、ChatGPT與我媽的掃地機器人