|
2026年4月22日，一场名为“Science of AI：人工智能的科学基础”的研讨会在上海交通大学举行。当社会热点还在争论“AI能否取代教师”、“学生该不该用AI写作业”时，这场汇聚院士、顶尖学者的闭门研讨，却将目光投向了更深层的问题：我们是否正在建设一门“没有地基”的学科？
一、AI教育最大的隐患：只有应用，没有根基
会议一针见血地指出：人工智能学科发展多次出现起伏，根本原因在于“科学基础薄弱”。当前AI领域的很多突破，依然靠“凭经验、靠试错”的低效模式，而非由基本原理指导。
这给中小学人工智能教育敲响了警钟。
如果我们的AI课程只教孩子用现成工具（如DeepSeek、Sora）、只训练提示词技巧、只追逐最新“黑科技”，而不解释背后的数理逻辑、信息论基础和认知科学原理——那么十年后，我们培养的可能只是“高级操作员”，而非人工智能的创造者和反思者。
北京大学王立威教授在报告中指出：大模型之所以能通过“思维链”完成复杂推理，背后有深刻的机器学习理论支撑。知其然，更需知其所以然，这恰恰是基础教育阶段最易被忽视的一环。
二、打破“黑箱恐惧”：AI教育的三个科学入口
研讨会为AI科学基础教育指明了三个具体方向，完全可以转化为中小学课堂的实践锚点：
1. 从“评测焦虑”到“理解机理”
清华大学胡事民院士团队揭示：当前大模型存在多模态能力不足、模型“偷懒” 等问题。这意味着，中小学AI教育不应只教学生“相信AI无所不能”，更要教会他们批判性地使用AI——什么时候AI可能出错？为什么同一个问题换个问法答案就不同？
课堂活动建议：设计“AI侦探”游戏，让学生对比不同模型对同一数学题的解答，分析其推理步骤的合理性与漏洞。
2. 从“黑箱应用”到“白箱拆解”
上海交通大学严骏驰教授团队分享的JTok模块、谢伟迪副教授的OmniStream模型，其核心思想都是将复杂AI任务模块化、可解释化。中小学可类比开展“AI乐高”课程：不要求学生编写完整神经网络，而是通过图形化模块理解“数据输入-特征提取-决策输出”的基本流程。
3. 从“重结果”到“重思维链”
王立威教授的理论证明：思维链（Chain of Thought）之所以有效，是因为它将复杂问题拆解为可逐步解决的子任务。这恰恰与中小学数学、科学教育中强调的“解题步骤”、“实验记录”不谋而合。AI科学基础，本质上是认知科学+数学+计算机科学的融合。
教学策略：在语文议论文写作、数学证明题中，引入“让AI展示思维链”环节，让学生对比自己的思考路径与AI的差异。
三、圆桌论坛启示：人才培养需要“破格”与“冒险精神”
在“人工智能时代的人才培养”圆桌论坛上，一个共识尤为关键：风险投资正在向前沿基础领域前置，高校需鼓励学生探索与试错。这一判断下沉到中小学，意味着：
-允许“低效探索”：不要求每个AI项目都产出惊艳成果，更看重学生提出假设、设计简单验证实验的过程。 -破除“标准答案”：面对AI生成的不同解答，鼓励学生评价“哪个更像人类的思考方式？哪个更高效？” - 跨学科能力重于单一技能：AI科学基础涉及数学、物理、生物神经科学、哲学（意识问题）。中小学应加强STEAM教育中“S”（科学）与“M”（数学）的真实融合，而非堆砌机器人编程课。
四、【升学新赛道】提前布局AI科学基础，正在成为“隐形竞争优势”
如果说以上三点更多指向教育理念，那么对于广大学生和家长而言，一个更现实的问题摆在眼前：尽早夯实AI科学基础，对升学到底有没有用？
答案是：不仅有用，而且正在成为顶尖学府选拔人才的新标尺。
1. 强基计划与综合评价：不再只看竞赛金牌
自2020年国家推出“强基计划”以来，数学、物理、化学、生物、信息学等基础学科的拔尖人才一直是重点选拔对象。而本次研讨会释放的明确信号是：人工智能的科学基础，正逐步融入这些传统学科的评价体系。
- 数学方向：线性代数、概率论、优化理论是AI的“底盘”。在强基计划校考中，能够结合AI应用场景（如推荐系统、图像识别）阐述数学原理的学生，往往比只会刷题的学生更受青睐。
- 物理方向：统计物理、信息论与机器学习存在深刻关联。中国科学院院士汤超在圆桌论坛中特别探讨了“物理智能的实现”，意味着具备物理与AI交叉视野的学生，在顶尖物理系选拔中具有显著优势。
- 信息学竞赛：传统竞赛聚焦算法与数据结构，而当下高校更期待看到学生对机器学习理论、模型可解释性等前沿问题的初步探索。一个“中等难度算法题满分+AI科学小论文”的选手，往往比“只刷高难度算法题”的选手更具潜力。
2. 综合素质评价档案：科研潜质需要“证据链”
新高考改革下的综合素质评价，越来越看重学生是否真正对某个科学领域产生持续、深入的探究。而AI科学基础恰好提供了一个绝佳的切入点：
- 低年级（初一~高一）：可以通过“AI思维链分析报告”、“家庭能耗数据的小规模机器学习实验”等低成本项目，展示逻辑思维与实证精神。 - 高年级（高二~高三）：可以尝试撰写“关于大模型数学推理能力局限性的实证研究”这类小论文，或参与青年物理学家锦标赛（CYPT）中与复杂系统、人工智能相关的课题。
关键不是项目有多“高大上”，而是学生是否经历了“观察现象—提出假设—设计实验—分析数据—得出结论”的完整科学探究闭环。这正是研讨会反复强调的“实证科学方法”。
3. 升学规划时间轴：越早接触，越早受益
特别提醒：上海纽约大学、昆山杜克大学等中外合办高校，在其校园日活动或综合评价面试中，尤其看重学生是否具备跨学科思维与学术好奇心。一个能清晰解释“为什么大模型有时会算错1+1=3”的学生，远比一个只会背诵AI名词的学生更让人印象深刻。
五、年轻人的使命：不是等待AI成熟，而是参与塑造AI科学
中国科学院院士鄂维南在闭幕演讲中强调：“人工智能科学体系的建立，最终必须依靠年轻人主动作为。” 这并非客套。当前大模型的可解释性、智能的涌现机制、物理智能的实现——这些AI科学的“圣杯问题”，最适合由尚未被学科壁垒束缚、充满好奇心的青少年提出天真而关键的提问。
给家长和教师的三个行动建议：
1. 少问“这个AI工具有什么用”，多问“它为什么这样思考”——引导孩子关注背后的训练数据、损失函数、推理路径。 2. 把“AI失败案例”变成教学资源——当模型给出荒谬答案时，一起逆向分析：是数据偏差？还是推理链条断裂？ 3. 支持孩子玩“笨拙的实验”——比如手动标注20张猫图，训练一个极简分类器，亲身体验“数据如何塑造智能”。
结语：AI教育的终极目标不是“追风”，而是“筑基”
这场研讨会的最大价值，是让喧嚣的AI舆论回归科学本源。对于中小学教育而言，我们不必要求每个孩子都懂Transformer架构，但必须让他们理解：智能不是魔法，它建立在可验证、可质疑、可改进的科学规律之上。
当下一代人既能够娴熟运用AI工具，又时刻保持对其根基的追问与批判性审视时，人工智能才能真正成为一门造福人类的成熟科学。而这，正是基础教育在AI时代不可推卸的使命。
本文基于2026年4月22日“Science of AI：人工智能的科学基础研讨会”会议内容及公开报道撰写，聚焦会议核心观点对中小学人工智能教育的启示。
|
关注官方服务号
发表于 