与应用 1 引言 网络学习平台采用基于云计算和移动互联等新兴信息技术,引 入MOOC学习模式[1],以学习空间、教学空间、资源建设中心为一体, 着力打造以师生为中心,以应用为主导,以数字化教学资源建设为 重点,全面促进人才培养模式的改革和学习方式的创新。通过建设 和整合精品资源共享课、视频公开课、微课程、专业教学资源库等各 类数字化学习资源,为学生提供随时随地的学习,为教师提供教学 资源和平台支持 资源和平台支持,为教学管理人员提供方便的管理和数据分析,从 而构建学校资源丰富、功能强大的新一代在线学习(E-Learning)平 台[2]。 2 建设目标 网络学习平台的功能有很多[3],但是最核心的功能主要有三个: 即建课、教学和管理。因此网络学习平台的主要建设目标如下: 2.1 资源建设和展示 (1)可以提供精品资源、网络课程的新增、编辑、审核发布功能; (2)可以提供专业教学资源库的建设编辑、发布展示功能; (1)可以为每位学生用户打造个性化学习空间,提供自主学习和 教学互动服务; (2)可以为每位教师用户打造个性化教学空间,提供教研协作和 教学互动服务; (3)以课程为中心,可以提供全面的网络教学功能,包括通知、学 习、作业、答疑、讨论、评价等互动教学活动,为实施从“教学”到“导 学”的教学模式改革提供一站式平台服务; (4)同时支持PC、Android、iOS等移动客户端的访问,实现移动 泛在学习。 2.3 教学管理

北大青鸟人工智能研究院 • 北大计算机学院元宇宙技术研究所 • 北大教育学院学习科学实验室 第1页 DeepSeek在教育和学术领域的 应用场景与案例（上） AI肖睿团队 （张惠军、孙苹、周嵘） 2025年5月20日 • 北大青鸟人工智能研究院 • 北大计算机学院元宇宙技术研究所 • 北大教育学院学习科学实验室 学习交流可加AI肖睿团队助理微信号（ABZ2829） 第2页 摘要 一 分，逐层递 进、环环相扣，从技术概述到教学应用、学习辅助、科研支持再到管理赋能，通过教-学-研-管四个教育环节构建了 DeepSeek教育应用的立体图景。本讲座内容比较多，分为上中下三部分课件，学习和讨论三天时间： n 第一天：DeepSeek技术重塑教育。 n 第二天：教-DeepSeek贯通教学流程。学-DeepSeek实现个性化学习。 n 第三天：研-DeepSeek赋能学术科研。管-DeepSeek提效学校管理。 管-DeepSeek提效学校管理。 三、在技术学习的道路上，优质学习资源至关重要。推荐大家参考《人工智能通识教程（微课版）》这本系统全面的入门教 材，结合B站“思睿观通”栏目的配套视频进行学习。此外，欢迎加入ai.kgc.cn社区，以及“AI肖睿团队”的视频号和微信号， 与志同道合的AI爱好者交流经验、分享心得。 学习交流可加AI肖睿团队助理微信号（ABZ2829） 第3页 一、今天的讲

教育与科技的深度结合，是教育数字化发展的重要推力。教育智能硬件作为教育数字化的重 要载体，经过3年的跟踪研究，我们欣喜地看到了这一结合在教育智能硬件上的发生与演变。 从教育思维来看，优质教育内容成为了学习平板的差异化竞争力，同时教育智能硬件越来越 关注细分学习痛点的解决，如聚焦于刷题练习的学练机、聚焦于作业采集分析的智能手写笔、 聚焦于思维训练、注意力训练的早教产品，各教育场景正被硬件产品逐个覆盖，各教育需求 正在逐步解决。 育智能硬件，可以发现学习平板的屏幕通过 墨水屏、类纸膜等技术不断强调护眼以弥补液晶屏幕的不足，屏幕越来越大以更高效地输出； 智能手写笔通过接入笔盒以提升续航和组网能力、实现课堂互动；词典笔跟屏幕、摄像头、 折叠设计相结合以完善功能。技术自身在不断的自我完善与更新。 可喜的是，这二者的发展并不是背道而驰的，如墨水护眼屏和刷题练习场景的有效结合，这 一组合进化还体现在学习平板、词典笔、智能手写笔等多产品中，以更好地解决特定教学场 趋势前景 中美对比 用户洞察 • 中国校外教育智能硬件的品类多样，生态十分繁荣。学习平板作为综合性的超级品类，功能齐全，单 价高，规模大。同时多个垂直品类深耕细分场景，价值同样不可替代。中国校内的硬件应用则更加基 础，教育大屏覆盖率接近饱和，但重点解决的是教师的教学展示问题，学生端的硬件设备覆盖率仍然 很低，学习行为数字化程度较低。 • 反观美国，校内的硬件应用占据主导地位，大部分教师和学生实现了平板或笔记本电脑的人手一端，

现？AI与人类是否会在社会和教育资源上展开竞争？这些重大问题，因AIGC的到来，再一次冲击了 现有的教育体系。 在微观层面上，教育的各场景和环节，都因AIGC技术的应用而有所助益，如教师侧的备课规划、作 业生成和批改，学生侧的自主学习、辅助练习、测试评估等，新技术与古老教育场景的结合，总会 产生令人欣喜的化学反应。然而，商业实践的落地是受到现实和周期限制的。从落地逻辑而言，当 前产品基本是原有教学场景和产品的替代，原有技术功能的优化迭代，而少有新场景的迸发；就落 化。具体到教育行业，部分基础工作被替代，社会人力结构和人才需求被重塑。AIGC技术与现代 教育在教学内容、师资配置、交互方式等方面有着巧妙的吻合之处，彰显着技术落地的必要性。 AI技术也由教学辅助发展到自适应学习，推动大规模因材施教逐步落地。这些共同推高了时代对 AIGC+教育的瞩目，体现在资本投融资、各国政策监管、学术研究等多个方面。澳大利亚经历的 观望—禁止—反思—放开的挣扎历程，代表了全球的态度变迁，即不断与时俱进、同时守正创新。 在教学载体方面，AIGC有望赋能教师并实现规模化的因材施教，但也挑战传统学习模式和评价工 具；在教学内容方面，高阶通识能力、跨学科复合能力的重要性被重提，并辅以AIGC技术素养要 求；在学习主体方面，引发近乎科幻但并不遥远的哲学思辩：教育人类还是训练大模型，二者可 能存在着广义上教育资源的竞争。 AIGC技术在教师、学生、管理者多角色中，在学术科研、备课规划、作业生成和批改、自主学习、 辅助练习、测试评估的多场景中，都发

展了教学与学习的思维模式。本书的初衷是帮助教育工作者、学生以及技术爱好 者深入了解AI在教育中的应用，共同把握这场技术革命的脉搏。 本书内容 本书分为两大部分： ❍ 理念与趋势：首先，从数字化技术的发展和其对教育的影响开始，剖析AI浪潮 对知识与学习提出的全新要求；接着，探讨AI时代下人才需要具备的核心能力， 包括批判性思维、创造性解决问题的能力、数字素养、人机协作能力、自主学习 和终身学习 强的实用性，方便读者在实践中迅速掌握操作方法。 读者对象 本书是一本AI教育工具书，适合教育领域人士及学生家长阅读。 ❍ 教师等教育工作者：帮助他们了解AI在教学中的应用前景，提升教学创新能 力。 ❍ 学生与家长：为其提供AI学习工具和应用方法，培养数字素养。 2 ❍ 技术爱好者：帮助其理解AI在教育中的实践案例，拓宽他们对技术应用的认 识。 特色与亮点 ❍ 前沿性与实用性：紧跟AI教育发展前沿，精选最新的应用案例与操作指南。 力，包括批判性思维、创造性解决问题的能力、数字素养、人机协作能力、自主 学习与终身学习能力等，并探讨AI时代教师的职业要求和发展路径。 4 Chapter 1 第1章 数字化背景下的教育发展 在数字时代，以人工智能应用为代表的新型数字化技术，正在逐渐融入学校教育教 学的各个领域，对教育认知、教育教学组织形式、教育角色、学习方式、教学评价 等产生影响。 本章主要从以下几个方面阐述数字化背景下的教育发展：

容性和公平的优质教育 ， 并促进所有人的终身学习 机会。 ” 《 2030 年教育行动框架》为落实这一 宏伟目标和承诺提供了指导。 教育是联合国教科文组织的首要优先事项，因 为它是一项基本人权，也是和平与可持续发展 之基础。教科文组织是联合国负责教育的专门 机构，致力于在全球和区域层面推动进步，增 强各国系统的韧性和能力以服务于所有学习者 。教科文组织还通过变革性学习积极应对当代 全球挑战，并特别关注性别平等和非洲地区在 动态关系。 作为全球参考，该工具指导国家人工智能能力框架的发展，影响教 师培训项目，并帮助设计评估标准。它还提供了教师构建人工智能 知识、应用伦理原则和支持其职业发展的策略。 教学方法，以及专业学习中的AI应用。这些能力被划分为三个进 阶层次：获取、深化和创造。 The AI能力框架针对这一缺口，通过定义教师在AI时 代必须掌握的知识、技能和价值观来解决这一问题。 该框架基于保护教师权益、增强人类自主性和推动可 防御也必须在人们的脑海中构建。 By 2022 , only 为教师开 发了人工 智能框架 或程序 教师的 AI 能力框架 前言 © UNESCO 人工智能（AI）系统的迅速崛起对教学和学习产生了深远的影 响，特别是在教师的角色以及他们所需的能力方面。教育中使 用AI引发了关于教师自主权和其判断如何及何时恰当地使用这 项技术的能力的基本问题。 教师迫切需要被赋能以更好地理解人工智能的技术、伦理和

MIT：一切问题都是模型问题 • 模型：一个映射，一个函数 科学范式 • 用语言逻辑方法获取理论模型：模糊 • 用解析数学方法获取数学模型：精确 • 用计算数学方法获取数据模型：近似 • 用机器学习方法获取概率模型：复杂 • 用人工神经网络获取网络模型：黑盒 • 超过两层的神经网络可以逼近任意连续函数 01 对AI技术的认知：人工智能的本质 人工智能（ArtificiaI In 1. 第一代（规则系统）：推理为核心 2. 第二代（知识工程）：知识为核心 3. 第三代（数据模型）：学习为核心 ◼ 从机器学习到深度学习 1. 任务：判别、预测，通过学习数据分布规律 2. 边界：有规律、可以数字化，属于经验科学 3. 要素：机器学习-深度学习 • 模型：神经网络模型（分层；单向） • 策略：损失函数定义 • 算法：反向传播+梯度下降  语言逻辑和数据集蕴含了人类的认知智能 2. LLM是人类的认知智能的实现方式之一 3. LLM的原理很简单；工程很复杂；效果很神奇 01 对AI技术的认知：大模型的能力边界 用人工神经网络获取网络模型：深度学习-Transformer模型-大语言模型 大语言模型的核心原理：数据化-语义化-NTP（Next Token Prediction） 大语言模型的三层能力：语言能力-知识能力-推理能力

.......................... 35 8.3 民主生活会 .......................................... 36 8.4 中心组学习 .......................................... 37 九、 全体党员活动 ...................................... 39 .................................. 50 十三、 学习教育 ...................................... 50 十四、 行政信息库维护 ................................. 51 十五、 在线学习 ...................................... 51 十六、 ...................... 66 16.4.1 文档学习 .................................................. 66 16.4.2 新闻学习、音频、视频学习 .................................. 67 16.4.3 学习心得 ..................................

态变化，AI 可以通过不仅限于机器学习力场（MLFFs）、增强采样方法、粗粒化模型等手段大 幅加速分子动力学的研究。例如 AI 2BMD 系统在精度相同的情况下，实现了超过 100 万倍的 模拟加速，并将误差减少了 10 倍以上。 3.小样本强化学习：在有限的实验次数、原材料等条件下，AI 通过机器强化学习以及推理， 使得能够在少量实验数据的基础上，快速学习到如何调整配方和条件以提高反应效率。比如 155 个初始样本，经 7 轮 主动学习迭代，就获得了硬度提升显著的合金。 4.高通量机器人验证：传统化工材料的研发，科学家需要从成千上万种化合物的效果进行筛 选，可能需要研究人员手动对每个化合物进行测试，这不仅耗时耗力，而且可能会因为人为 因素出现遗漏或错误。而高通量筛选技术可以在短时间内对大量化合物进行自动测试，例如 阿姆斯特丹大学开发了一种集成人工智能机器学习单元的机器人 RoboChem，一周内， 可以优化大约 10 到 20 个分子的合成，而对于研究人员手动来说，这通常需要几 个月的时间。 5.产业知识图谱构建： AI 可以自动从互联网、企业数据库等多个数据源中抓取相关的化工 数据。接下来通过机器学习，可以对收集到的数据进行清洗和修复。通过建立数据模型，算 法可以识别出数据中的错误、重复和异常值，并进行自动纠正，找出可能存在错误的记录， 甚至通过推理发现数据之间的逻辑关系，补充缺失的数据。比如潘锋教授团队构建了锂离子