::: {#5851 .section .section .section—body .section—first} ::: section-divider
:::
::: section-content ::: {.section-inner .sectionLayout—insetColumn}
我们如何学习？ {#d6c9 .graf .graf—h3 .graf—leading .graf—title name=“d6c9”}
本文探讨了理想的学习环境，强调了将指导性学习与真实情境相结合的重要性。作者通过案例分析和演示，展示了如何利用人工智能支持沉浸式学习、实践和记忆，以及如何通过设计原则促进学习的有效性。
你理想的学习环境 {#70c6 .graf .graf—h4 .graf-after—p name=“70c6”}
探讨理想的学习环境，我们往往过于聚焦于学习技巧本身，而忽略了更为本质的问题 --- --- **你渴望怎样的学习体验？**若能随心所欲地置身于理想的求知之地，你会如何构想？
让我们从回顾生命中最富有成效的成长阶段入手。通常，人们提及的并非单纯的学习过程，而是深陷于某个充满个人意义的项目中 --- --- 创业、科研、艺术创作或是纯粹的探索欲。在全情投入的同时，他们习得了至关重要的技能。这些经历之所以深刻，是因为学习效果显著，人们在结束后明显感到自我蜕变，新能力的掌握让他们充满洞见，影响深远。
遗憾的是，日常学习鲜少达到此境界。多数情况下，我们被迫暂停追求，投身于”正确”的学习方式，如完成作业，却常感力不从心，或陷入模仿而非理解的困境。更令人沮丧的是，即便上课、阅读，知识在实践中却显得脆弱，难以迁移。使用时，却发现已遗忘大半。
为何不能持续保持深度投入？为何学习效果往往不尽如人意？这触及了教育领域长久以来的争论焦点：隐性学习（即发现、探究、情境学习）与指导学习的较量。前者强调发现、动机、实践与社群融入，后者则注重认知结构、长期记忆、技能熟练度及认知负荷管理。
两种观点皆有真谛，但各执一端，忽视对方价值，实为遗憾。隐性学习重视情感与意义，却常忽略认知限制；指导学习力求实效，却可能牺牲沉浸感与成长体验。
尝试折衷，如项目制学习，旨在融合两者优点：真实性、动机、知识迁移与传统课程的引导和认知意识。然而，往往事与愿违，既缺乏动力与意义，又缺少足够指导与认知支撑。
以我个人经历为例，大学时期对3D游戏编程的兴趣驱使我选择了项目制计算机图形学课程。但那些项目并非我心之所向，数周后，我在实现射线行进着色器以优化凹凸映射时，深感挫败。课程虽旨在贯彻项目制理念，却未提供详尽教材或习题，使我仅能将数学公式转化为代码，终得一个无关紧要的项目，背后数学原理却仍懵懂。
因此，我认为应兼顾两种视角，寻找融合之道。行动应为主旋律，但认知科学提示，诸多场合下，明确指导、搭建、练习与记忆辅助不可或缺。
当知识难度与你既有知识匹配，可即时消化时，沉浸式学习自然生效。反之，需额外支持。直接投身于真实项目，辅以认知心理学启发的指导，确保学习体验与实际目标紧密相连。
我对此深思熟虑良久，坦白说，曾一度迷茫。直至近期，人工智能领域的探索为我提供了新视角。尽管提及AI与学习技术时常引人不屑，但我承认，AI的潜力助我在此议题上有所突破。今日，愿与你分享初步构想，共同探索理想学习环境的塑造之道。 ::: ::: :::
::: {#0f51 .section .section .section—body} ::: section-divider
:::
::: section-content ::: {.section-inner .sectionLayout—insetColumn} 让我们通过六部分的叙述，来探索这一融合可能性的实践路径。
第一部分：易于处理的沉浸 {#1ac2 .graf .graf—h4 .graf-after—p name=“1ac2”}
遇见山姆，一位毕业于计算机科学专业，现就职于大型科技企业的软件工程师。尽管工作稳定，山姆却对日复一日的常规任务感到些许乏味。然而，每当社交媒体上涌现关于脑机接口创新的报道，山姆的眼中总会闪烁出好奇与热情的光芒。这些前沿项目激起了山姆的浓厚兴趣，促使他深入研读相关文献，渴望从中寻觅到参与的机会。遗憾的是，面对浩瀚的专业知识海洋，山姆不免感到茫然无措，众多陌生概念如同拦路虎般挡在面前。
假如山姆能获得适时的帮助，找到一条切实可行的入门路径，情况会否有所不同？在山姆的授权下，我们设想中的本地人工智能系统开始发挥作用。它挖掘并整理了大量关于山姆背景的信息，通过对旧文档的分析，掌握了山姆在大学期间的全部课程内容；透过工作项目的记录，了解到其当前的技术能力；甚至通过网络浏览习惯，捕捉到了山姆的个人偏好与兴趣所在。
在一番探索后，山姆被一个想法所吸引 --- --- 复现论文中的数据分析。这似乎正契合他的专长。尤其当山姆注意到，原作者用于分析的定制化Python库并未公开，这无疑是个绝佳机会。回忆起过去构建开源工具的经历，山姆萌生了一个念头：何不开发一个开源版本的信号处理流程，以此作为对脑机接口领域的独特贡献？
山姆的这一灵感不仅体现了个人技能与兴趣的完美结合，也为他开辟了一条通往未知领域的桥梁。借助人工智能的辅助，山姆得以在浩瀚的知识海洋中找准定位，将理论学习与实践操作无缝对接，从而在脑机接口这一充满挑战与机遇的领域中迈出坚实的第一步。
第二部分：行动中的指导 {#2a96 .graf .graf—h4 .graf-after—p name=“2a96”}
于是，山姆正式踏上了探索之旅。他发掘到了一个开放访问的数据集，并已着手进行初步的数据处理。此时，诸如Copilot之类的辅助工具虽能助力山姆起步，但他真正渴求的，是一个超越代码层面的理解伙伴 --- --- 一个不仅能洞察代码逻辑，还能深入解析论文内容，并充分考量山姆具体需求与背景的智能助手。
这一人工智能系统的设计远超传统的聊天窗口或应用插件范畴。它能跨平台监测用户的活动轨迹，智能识别不同应用场景下的需求，进而提出针对性的操作建议。山姆只需轻点鼠标，即可预览一系列推荐的代码修改方案，随后在代码编辑器界面内无缝延续对话，实现信息的高效流转与互动。
例如，当山姆对某段代码中的”axis=1”参数含义产生疑问时，人工智能系统迅速响应，依据代码上下文、目标论文及数据集文档，提供详尽解析。它巧妙标注出基于特定信息所作的假设，并以链接形式呈现，便于山姆深入探究。
山姆只需点击”在这个数据集中”的链接，系统便自动打开README文档，精准定位至相关行，确保信息获取的准确性和便捷性。
这一切努力，皆是为了支撑我们共同的愿景 --- --- 让山姆能够全身心投入于真正热衷的事业中，同时享受全面、及时的知识支持，确保每一次探索都能收获满满。通过智能系统的辅助，山姆得以在实践与理论间自由穿梭，不断深化对领域的理解，加速个人成长的步伐。
第三部分：合成动态媒体 {#0035 .graf .graf—h4 .graf-after—p name=“0035”}
这种全方位的支持，远非文字所能涵盖。随着山姆项目进程的推进，下一项挑战是实现数据的下采样。这一次，智能系统提供的指导升级为交互式的动态媒体，通过构建沉浸式场景，让山姆亲身体验下采样的运作机制。
无需再拘泥于抽象概念的阅读与想象，山姆在亲手调整采样率的过程中，直观感受到其对各类信号的影响。实时反馈机制确保每一次操作都能立即显现效果，有助于山姆深刻理解下采样对信号特征的影响，如某些峰值在下采样后消失的现象。
这些动态媒体展示并非孤立存在，它们与山姆在笔记本中使用的原始数据和库无缝衔接，确保了学习与实践的一致性。山姆随时可以”查看源代码”，根据个人需求调整图表设置，或将其中的代码片段直接应用于自己的项目中，实现了从理论到实践的无缝过渡。
第四部分：情境化学习 {#4f19 .graf .graf—h4 .graf-after—p name=“4f19”}
随着山姆的探索深入，他遇到了带通滤波器这一难题。先前简短的聊天互动虽能提供初步指引，但对于频率域、奈奎斯特率等核心概念的理解而言，显然力有未逮。面对复杂的数学原理，山姆意识到，仅凭复制粘贴智能生成的代码片段，无法触及问题本质。聊天界面的局限性暴露无遗，无法承载深度概念的细致解析。此刻，山姆迫切需要一场沉浸式的深度学习之旅。
人工智能系统，基于对山姆背景与目标的深入了解，精心挑选了一本侧重实践的本科教材。更为关键的是，它向山姆承诺，无需通读这本厚重的千页巨著。相反，系统聚焦山姆的具体需求，规划出一系列精炼的学习路径，山姆可根据自身对滤波器理解程度的不同需求，灵活选择。在教材目录中，人工智能绘制了一份专属路线图，引领山姆踏上量身定制的学习旅程。
例如，若山姆仅需掌握滤波器的基本功能及其运作原理，25页的快速通道足以满足；若追求数学背景的深入探究，更详尽的路径待其解锁；而欲自行实现滤波器，则需投入更多精力，循序渐进。山姆自由决定学习节奏，确保每一步都扎实稳固。
在山姆埋首书中之际，每一章节的开篇与关键节点处，人工智能精心准备的注解跃然纸上，将教材内容与山姆的项目背景、学习目标紧密结合。“此章节将助你从频率谱角度理解信号，低通滤波器即在此框架下运作。“尽管短暂离开工项目，转入较为传统的学习模式，但这并不意味着与实际应用脱节。人工智能的介入，确保了学习体验与山姆的实践项目始终保持同步，形成良性互动。
值得一提的是，尽管有人提议利用人工智能为每位用户定制专属书籍，但我认为，共享规范工件的价值不容小觑。在任一领域，都存在若干核心文献，它们构成行业共识，为从业者提供共同的知识基石。通过在这些文献基础上叠加个性化解读，我们既能保留规范工件的权威性，又能满足个体差异化的学习需求。
在理想化的未来图景中，共享规范工件将以动态媒体的形式呈现，而非静态的数字化文本。但在现有规范作品全面更新之前，我们可以设想，人工智能系统能够合成此类动态媒体版本，作为过渡方案。如此一来，山姆在阅读过程中，可通过提问与文本持续互动，人工智能的回应始终围绕其项目背景展开。
不仅如此，山姆的高光时刻 --- --- 无论是文本标注，还是对特别重要或令人惊奇的细节的点评 --- --- 都不会被尘封于PDF文档中。相反，这些宝贵见解将融入后续讨论与实践，成为知识体系的有机组成部分。
此外，除了被动回答山姆的问题，人工智能亦能主动提出与项目相关的思考题，促进山姆对教材内容的深度加工。同时，它还能根据山姆的背景与目标，甄选最具价值的练习题，确保这些习题与山姆的实际需求高度契合。即使某些练习初看之下略显孤立，山姆也能坚信，它们终将助力其实现既定目标，使学习之旅更加充实、高效。
插曲：实践与记忆 {#872f .graf .graf—h4 .graf-after—p name=“872f”}
山姆在项目上取得了可喜的进展，对诸多概念有了崭新的认知，满载而归地结束了一天的学习。然而，这些新知尚未沉淀为牢固的知识体系。山姆对所学内容的掌握尚显生疏，若要将其应用于实践，恐怕会感到根基不稳。更实际地说，山姆极有可能遗忘大部分刚刚习得的知识。
此刻，让我们将焦点转向记忆机制。一个值得深思的问题是：为何我们有时能轻易记住概念，有时却难以做到？通常，我们上课、阅读，甚至是临时查阅资料，不久之后，却发现记忆几乎一片空白。但偶尔，某些知识点似乎能深深烙印于脑海。这又是为何？
有些情况相对直截了当。当你在熟悉领域内拓展新知，每个新事实都将与既有的知识网络相连，形成回忆的线索，提供多次强化的机会。尤其当你身处一个每日需运用这些知识的环境，记忆将迅速变得稳固可靠。
山姆所学的概念性材料，往往难以获得日常强化。然而，有时世界会巧合地提供所需的记忆加强剂。譬如，你刚阅读过某个主题，当晚便在与同事的交流中提及。为了参与讨论，你必须调用所学，这一过程巩固了记忆。或许两天后，因项目需要，你再次回想起这一知识点。每次通过这种方式强化记忆，遗忘的速度便会减缓。如今，或许一周后，你依然能够回忆。继而可能是数周，数月，乃至更久。若检索频率足够密集，足以避免遗忘，只需少量的复习，便能将知识保存数月至数年。
反之，有时你学到的内容，直至下周才再度出现。彼时，你试图回忆，却发现记忆已模糊。你只得再次查阅，但这并未大幅增强记忆。倘若此后一段时间内，该知识点未再次浮现，下次你依旧无法记起。你再次查阅，周而复始。关键在于，你可以自主规划记忆的强化时间线。
课程有时采用此法，每套习题均穿插以往知识点，确保复习。然而，沉浸式学习及其他多数学习方式，往往未能妥善安排这一过程，导致知识遗忘。若能将强化机制融入学习媒介，效果将如何？
为此，我的合作者迈克尔·尼尔森与我共同创立了量子计算入门教程《量子国度》。该教程在线免费提供，访问quantum.country，初看与普通书籍无异。
几分钟阅读后，文本中断，出现一系列复习问题。这些问题设计简洁，仅需数秒即可作答：独立思考答案，然后判断是否正确。乍看与抽认卡相似，但正如我们所知，即便现在能解答，几周乃至数日后能否回忆，仍是未知。
请注意每个问题下方的标记，它们代表复习的间隔。在阅读文本时，你将练习这些问题。一周后，你将收到邮件：“你可能开始遗忘所学内容，愿意花五分钟快速复习吗？“每次成功回答，间隔将延长 --- --- 从数周至数月，以此类推。若遗忘迹象显现，间隔缩短，以提供更多复习机会。
类似系统你或许已有所闻。语言学习者与医学生常用间隔重复记忆系统，巩固词汇与基础知识。同理，这一认知机制同样适用于复杂概念。因此，第一章散布着112个此类问题。
《量子国度》是一种全新的学习媒介 --- --- 记忆媒介，将间隔重复记忆系统与解释性文本融合，便于读者吸收复杂知识。
目前，我们已收集数百万练习数据，得以评估其效果。图表显示了练习时间（横轴）与读者无复习情况下的保留率（纵轴）。五个点代表第一章中等用户前五次复习。注意纵轴为对数，可见指数增长趋势。每次额外复习，恒定的输入带来越来越高的产出 --- --- 保留率。
总计约一个半小时的练习，中等读者在两个月无复习的情况下，能正确回答超过一百个关于第一章的详细问题。初次阅读第一章约需四小时，这意味着额外时间投入不足50%，即可实现数月乃至数年的详细保留。
我们还探究了反事实情景：若无额外复习，人们将遗忘多少？实验中，我们从第一章中移除九个问题，一个月后秘密重新插入，测试读者记忆。图表显示了结果。
九个点代表九个问题，纵轴显示一个月后，无支持情况下，能正确回答问题的读者比例。可见，某些问题比其他更难。一个月后，多数读者错失最难的三个问题（左侧点），约30%错失中间三个，15%错失最易的三个。
另一组用户阅读时进行练习，次日针对错题额外复习。一个月后，虽仍有部分读者错题，整体表现更佳。
最后一组数据与前组相似，不同之处在于阅读后一周内进行额外复习。一个月后再次测试，结果如下。每个问题平均六秒作答，九个问题总计不到一分钟额外练习。如今，至少90%的读者能正确回答所有问题。
当然，读者间存在差异。左侧图表关注底部四分之一用户 --- --- 初次阅读错题最多的读者。纵轴需向下延伸。可见，无练习，多数人遗忘三分之二的保留问题。仅凭文中练习，约半数人遗忘约半数问题。但经过一轮额外复习，即便是这底部四分之一读者，表现亦相当出色。
类似系统不仅限于量子计算。我积累了数千个问题，涉及科学论文、对话、讲座、难忘晚餐等，丰富了日常生活。我知道，专注的事物，将永驻心中。
核心在于日常仪式，一种练习的容器。每日约十分钟使用记忆系统，如同冥想与锻炼。由于指数时间表高效，这十分钟足以维持数千问题的记忆，并允许每日新增约四十个新问题。
然而，记忆系统存在局限：
模式匹配：问题重复出现，我可能仅识别文本，未真正思考。这造成机械重复感，我怀疑这使记忆脆弱：我记住答案，但仅在完全提示下。我渴望问题更具变异性。
抽象问题：面对实际问题时，我未必能识别应用的知识，或如何适应情境。我需获得模式。
若不干预，问题多年不变。它们维护记忆，但理想情况下，应推动更深层处理，随时间深化。
最后，回到演讲主题：记忆系统常与实际实践脱节。例如，我为创意项目学习信号处理。若不留意，这些问题可能与项目关联不大，仅似通用教科书习题。
第五部分：动态练习 {#d171 .graf .graf—h4 .graf-after—p name=“d171”}
让我们重返山姆的世界，探讨如何将练习与记忆策略应用于其信号处理学习之旅。山姆已投入大量精力钻研相关知识，如今，他渴望确保这些宝贵信息能够真正内化，而非昙花一现。
为此，山姆在设备主屏幕上添加了一个小部件，允许他在碎片时间，如排队等候或乘坐公交时，以轻松的方式接触练习提示。这些提示源于人工智能对山姆高亮标记、提问及其他活动的分析。山姆可以浏览这些问题，值得注意的是，它们并非泛泛的信号处理问题，而是紧密贴合山姆的脑机接口（BCI）项目细节，确保练习与实际工作紧密相连，形成无缝对接。
每次呈现的合成提示各有千秋，鼓励山姆从不同角度练习同一概念，加深理解。随着山姆对材料的掌握日益熟练，提示的深度与复杂性逐渐提升。不同于纯粹的抽象问题，这些提示要求山姆运用所学，解决具体而微的挑战。
小部件还囊括开放式讨论题，为山姆提供详尽反馈，引导其思考更多细节，拓展视野。鉴于这些问题由人工智能合成，山姆的反馈至关重要，未来的练习将据此调整，确保最大程度满足其需求。
迄今为止，我们关注的多为山姆出行途中可快速回答的简短问题。然而，若山姆预留充足时间，进行专注的学习会话，我们可为其设计更复杂的任务，如案例所示。更进一步，我们能将这些练习从虚拟情境迁移到山姆的真实工作环境 --- --- Jupyter笔记本中。需注意，即便在模拟任务中，目标始终围绕山姆的具体需求，而非泛泛的信号处理课题，确保学习内容与实际应用高度吻合。
通过上述策略，山姆不仅能巩固记忆，还能在实际项目中灵活运用所学，实现知识的深度转化与应用。人工智能的介入，不仅提供了个性化的学习体验，还确保了学习内容与山姆的兴趣、目标及实际需求紧密相连，推动其在信号处理领域持续成长，最终在脑机接口项目中大放异彩。
第六部分：社交联系 {#4e3f .graf .graf—h4 .graf-after—p name=“4e3f”}
山姆投身于项目，其初衷并非仅仅为了学习和练习，而是作为真正参与脑机接口领域前沿探索的起点，充分利用自身优势。正如人工智能曾协助山姆找到涉足这一领域的切入点，它同样能促进山姆与实践社区的连接。在这过程中，人工智能建议山姆参加当地的神经技术聚会，以此拓宽视野，结识同行。
遵循这一建议，山姆出席了一场神经技术活动，期间邂逅了一位当地科学家，并随即安排了咖啡会谈。在山姆的同意下，会议全程录音，以备未来查阅。
会谈中，山姆经历了诸多惊喜与启迪，对某些话题产生了浓厚兴趣。人工智能敏锐捕捉这些瞬间，协助山姆深入消化与反思。这些感悟被转化为反思练习提示，鼓励山姆在闲暇之余，回顾对话中的亮点，提炼核心知识，深化理解。 ::: ::: :::
::: {#d3be .section .section .section—body} ::: section-divider
:::
::: section-content ::: {.section-inner .sectionLayout—insetColumn}
设计原则 {#f568 .graf .graf—h4 .graf—leading name=“f568”}
山姆的故事背后，蕴含了四大核心设计原则，它们贯穿始终，引领着山姆在学习与实践的旅程中不断前行。让我们逐一回顾这些原则，并探讨人工智能如何在每个环节发挥关键作用。
首先，我们打破指导学习与实际情境之间的界限，不再将其视为孤立的活动。实现这一愿景的关键，在于设想了一个能感知并跨应用操作的本地人工智能系统，它嵌入山姆的电脑中，甚至能够延伸至电脑以外的现实世界。正如山姆与当地科学家咖啡会谈的录音转录所示，人工智能的影响力跨越了数字与实体的边界。得益于山姆的授权与本地执行，人工智能得以学习屏幕上出现的每一行文本，洞察山姆在电脑上的所有操作，从而提供适时而精准的指导。此外，它能合成具指导性的动态媒体，使山姆在动手实践的同时，获得必要的支持与引导。
其次，当明确的学习活动成为必要，我们将其无缝融入真实的项目与情境中。人工智能将山姆的阅读与实践与其具体目标紧密相连，确保学习活动与个人兴趣相匹配，深度契合。它巧妙捕捉项目推进过程中的关键时刻，如咖啡会谈后的顿悟，或在项目实施中产生的疑问，将这些珍贵瞬间转化为学习的动力。通过人工智能的介入，山姆不仅找到了进入新领域的切入点，还与实践社区建立了宝贵的联系。
第三，我们致力于加强学习与实践的双重领域，而非简单连接。人工智能不仅为山姆提供了进入新兴兴趣领域的可行途径，还助其在实践社区中扎根，形成强大的支持网络。
最后，当投入时间进行明确的学习活动时，我们确保学习成效显著，知识真正转化为能力。人工智能构建了一个动态的学习容器，通过持续的强化，确保知识能够顺利迁移到实际情境中。它不仅维持记忆，更随着时间的推移，深化理解层次，使山姆在脑机接口领域的探索之路愈发坚实。 ::: ::: :::
::: {#020e .section .section .section—body .section—last} ::: section-divider
:::
::: section-content ::: {.section-inner .sectionLayout—insetColumn} 当前，关于人工智能在教育领域的讨论，主要聚焦于聊天机器人导师这一概念。诚然，这一框架准确捕捉了语言模型的独特魅力：它们在解答长尾问题上表现出色，前提是用户能清晰表述问题。此外，当用户尝试执行常规任务时，聊天机器人导师通常能诊断问题，引导用户走出困境，这无疑是一项巨大优势。
然而，当我们从更广阔的视角审视聊天机器人导师的愿景时，不难发现其中的局限性。这些愿景往往忽略了我所追求的核心要素，也未能深刻理解真人导师能带来的价值。我认为，这主要是因为愿景的创作者倾向于从教育他人的角度出发，而非立足于自我学习的需求。
现实的残酷在于，博士后与研究生的薪资普遍偏低，因此，对于我关注的技术领域，聘请专家导师的成本竟意外地合理。若我聘请一位私人导师，学习信号处理，我将明确告知他们我对脑机接口的热忱，期待每一次对话都围绕这一目标展开。我的追求并非单纯”学习信号处理”，而是”投身于脑机接口的创造”。遗憾的是，聊天机器人导师对我的实践兴趣漠不关心，它们秉持一套固定的”你应该知道”或”应该能做到”的知识体系，视我为问题学生，直至我给出”正确答案”。
若我聘请真人导师，他们将伴随我左右，观察我处理实际问题的过程，洞察我的一举一动。必要时，我甚至可以让位于导师，让他们亲自示范。而聊天机器人导师则仿佛居住在密闭空间，仅能通过门缝递来的纸条与外界交流，对现实世界无从干预。我的目标是全身心投入，开始实践。然而，聊天机器人导师无法融入我的实际行动场所，与之互动反而制造隔阂，阻碍了我沉浸于实践的进程。
若我聘请真人导师，我们将建立起深厚的关系。在一次次会话中，他们将逐渐了解我 --- --- 我的兴趣、优势与疑惑。相比之下，典型的聊天机器人导师表现为交易性质，缺乏记忆。尽管随着上下文窗口的延长，这一问题有望缓解，但人际关系的情感纽带同样重要。若我视与导师的对话为接近理想社区的边缘参与，视之为学科新手与导师间的互动，导师将成为实践的一部分。然而，若将互动视为交易，会使辅导会话沦为”学习时间”，与实践脱节。
最终，人们津津乐道于亚里士多德成为亚历山大大帝导师的佳话。然而，拥有亚里士多德为导师的真正价值，不在于”诊断误解”，而在于他展现了成熟、全情投入的成人学者的实践与价值观。他示范了思考问题的方式与原因，展现了对学科的独到见解。那些高增长期不仅改变了我们对世界的认知，更重塑了我们的身份。
在我早先的演示中，虽然引入了聊天机器人，但其运作方式迥异于常见的”聊天机器人导师”。它聚焦于用户的兴趣，而非强加议程。它不局限于狭小的文本框，而是在真实使用环境中观察、行动；它能通过动态媒体沟通，拥有深刻的记忆，能调取你曾书写或阅览的每一项内容。
从某种意义上讲，我所展示的系统更贴近真人导师的角色。然而，在我理想的世界中，我并不寻求一位导师，而是渴望真正投身于新领域，从与实践者的互动中汲取所需知识。我认为，增强学习系统的作用在于，帮助我根据创造性兴趣采取行动，理想情况下，通过让我全身心投入，开始实践。这通常意味着建立与实践社区的联系，增进互动交流。
关于伦理的一点说明 {#f7d5 .graf .graf—h4 .graf-after—p name=“f7d5”}
在本次”大规模设计”系列探讨中，人工智能的伦理议题及其深远的社会影响构成了核心主题之一。诚然，我对此类影响怀有深切忧虑。我担忧专制政权借力巩固统治，忧虑生物武器门槛降低，恐惧经济秩序遭受冲击。从伦理角度考量，对于研发更为先进的前沿模型，我持有审慎态度。
然而，聚焦于更狭义的学习领域，我主要的道德关切在于，我们可能步入一条悲凉且狭窄的道路，陷入一种高高在上、权威主义的学习框架，它主宰着未来教育的叙述。我以夸张手法阐述此点：借助人工智能，我们终于能够纠正那些”问题儿童”，弥补他们所缺失的知识，实现所谓的个性化学习！人工智能将精准定位孩子的盲点与无知，加以矫正，继而填充他们大脑中”有益”的知识。
相较之下，“心灵自行车”这一比喻更为贴切，因为它不存在预设议程，仅服务于使用者的目标。它赋予你抵达更远方的能力，与友人共骑时，更添旅途乐趣。自行车发问：你欲往何处？
当然，这一提问预设了目的地早已为人所知，且清晰标注于地图之上。然而，那些最为丰厚的成长体验往往围绕着创新项目，你试图抵达无人涉足的疆域 --- --- 抵达知识的前沿，而后开始绘制未知领域的连结。为创造而学习，这是一种情境驱动、动态发展的学习模式。它关乎的不仅是效率与准确性，不仅仅是自行车上的高速齿轮。我深感近乎道德使命般的责任，致力于推动这类学习方式的实现。
How Might We Learn?------Andy Matuschak{.markup—anchor .markup—p-anchor data-href=“https://andymatuschak.org/hmwl/” rel=“noopener” target=“_blank”} ::: ::: :::