Session 08 · AI + 教育¶
XAGI 2026 交叉智能大会 · 10 月 18 日(周日)上午 10:00-12:00 · 4会(友谊宫二层4号会议室) · 返回会议总览
- 3 场报告 · 已精读 3 场
主持:陈思明(复旦大学)
本场导览¶
自动生成:归纳本场主线,不打分、不排名。
这一场报告围绕“AI 如何进入真实教育场景”展开,三条主线分别对应认知机制、生成系统与落地部署。陈晴从设计思维与批判性思维出发,讨论如何让 AI 暴露推理过程以支持类比、发散、收敛等高阶认知活动,属于理论—工具层;涂尚卿的 CogEvol 直接面向课件生成任务,以一句话需求输入、单次前向输出排版完整的幻灯片与可交互 HTML 环境,属于系统—模型层;黄沛则聚焦高校未来学习中心的规模化落地,涉及教学赋能、评价督导、智慧终端与算力管控,属于实践—部署层。三者从“如何设计”到“如何生成”再到“如何落地”,构成一条完整的推进链条。
最突出的是涂尚卿的 CogEvol 所代表的生成式系统路线。它针对当前课件生成流程冗长、交互性不足的痛点,将任务定义为“学习环境生成”而非单纯的文本或幻灯片输出,并以渲染像素与交互探针作为强化学习奖励,使模型优化目标直接对齐学习者真实体验。27B 模型已规模化应用,4B 版本可离线运行,这一设计同时回应了端侧部署与教育普惠的约束。与陈晴的可解释人机协作范式相比,CogEvol 更强调“生成结果的质量与可用性”,而陈晴更关注“生成过程中的认知参与”;两者并非对立,而是互补——前者解决“能不能用”,后者解决“用了能否促进思考”。黄沛的实践报告则提供了前两者所缺的落地视角,其关于算力管控、产品迭代与场景复制的讨论,为系统设计与认知工具在真实高校环境中的适配提供了约束条件。
若想快速建立全局认识,建议先看涂尚卿的 CogEvol,它给出了一个完整、可评测的生成系统,适合作为技术入口;随后看陈晴的报告,理解生成式工具如何被设计为认知支持而非替代,适合关注学习机制的研究者;最后看黄沛的实践分享,了解系统在真实高校中的适配逻辑与落地难点,适合关注部署与推广问题的读者。三场按“系统—机制—落地”的顺序阅读,可覆盖从模型设计到教育场景验证的主要环节。
1. 从灵感到实现:AI赋能教育中的创造力支持¶
讲者:陈晴(同济大学 · 设计创意学院) · 10:00-10:40
对应论文:未检索到公开论文(以下为依据报告摘要与讲者方向的推断)
摘要(会议官网)
在生成式AI快速融入教育场景的当下,如何让AI真正赋能创造力培养而非替代人的思考,成为亟待回答的问题。本报告从设计思维与批判性思维出发,探讨AI赋能教育中的创造力支持路径。针对当前AI工具多作为“黑箱生成器”、难以促进深层认知发展的局限,提出一种可解释的人机协作范式:通过让AI暴露推理过程,引导学习者经历类比、发散、收敛与反思等高阶认知活动,从而在生成创意、形成方案、落地实现的全过程中,同时培育创造性思维与批判性思维。报告将结合创造力支持工具(Creativity Support Tools)与类比设计方法(Design-by-Analogy),介绍相关理论研究与应用,讨论如何将AI从“给出答案的生成器”转变为“可对话的协作者”,并探索其在创意教育中的实践路径与应用前景,为推动AI赋能教育提供理论支撑与工具参考。
(未检索到公开论文,以下依据报告摘要与讲者方向推断)
问题:生成式AI快速融入教育场景,但现有AI工具多作为“黑箱生成器”,直接给出答案,难以促进深层认知发展,甚至可能替代人的思考。报告从设计思维与批判性思维出发,要回答如何让AI真正赋能创造力培养而非替代思考。这一问题的紧迫性在于生成式AI的普及使教育场景面临认知参与度下降的风险,而创造力培养需要类比、发散、收敛与反思等高阶思维活动的参与。
核心方法:提出一种可解释的人机协作范式。关键构造是让AI暴露其推理过程,将生成过程转化为可观察、可对话的环节,从而引导学习者经历类比、发散、收敛与反思等高阶认知活动。具体路径结合创造力支持工具(CST)与类比设计方法(Design-by-Analogy),覆盖从生成创意、形成方案到落地实现的全过程。结合讲者在信息可视化与人机交互方面的研究方向,推理过程的暴露可能借助可视化手段,但摘要未明确说明;也未给出具体系统设计、算法或实验数据。
与已有工作的关系:相对当前生成式AI工具作为“黑箱生成器”的普遍路线,该报告推进了可解释AI在教育场景中的应用。它明确借鉴创造力支持工具(CST)和类比设计方法(Design-by-Analogy)两条已有研究路线,将AI的角色从“给出答案的生成器”转变为“可对话的协作者”。这与讲者所在的人机交互与可视分析方向一致,但摘要未提及具体基线对比或同期工作。
贡献与边界:主要贡献是提出一个可解释的人机协作范式,为AI赋能教育中的创造力培养提供理论支撑与工具参考,强调同时培育创造性思维与批判性思维。边界在于:摘要未给出实证评估或系统实现细节,因此该范式的实际效果尚不明确;其成立依赖AI推理过程的可解释性以及学习者的主动参与,若AI暴露的推理过程不透明或学习者缺乏反思意愿,效果可能受限。未检索到公开论文,以上为方向层面的推断。
讲者简介
陈晴,同济大学设计创意学院副教授、博士生导师。上海市海外高层次计划引进人才,入选上海市晨光计划。博士毕业于香港科技大学,曾担任法国巴黎综合理工大学(Ecole Polytechnique)及法国国家信息与自动化研究所(Inria)博士后研究员。研究方向包括信息可视化、人机交互、大数据可视分析、生成式人工智能及其在智慧教育、智慧医疗、智能设计及商业智能中的应用,研究成果获得CSIG自然科学奖、亚太地区ICT Awards等奖项。她担任多个顶级国际学术会议的程序委员会委员,IEEE VIS社区主席,CSIG 可视化专委会委员、CCF 人机交互专委会执行委员,主持多个国家自然科学基金项目及多项与阿里、蚂蚁、腾讯、智谱AI等公司的校企合作课题。更多信息请访问:http://qchen.cc
2. CogEvol:面向教育普惠的课件生成模型¶
讲者:涂尚卿(清华大学 · 计算机系) · 10:40-11:20
对应论文:CogEvol: Towards Efficient and Reliable Learning Environment Generation · arXiv:2608.30968 · 📖 长篇精读
摘要(会议官网)
大模型的快速发展为课程资源自动化建设带来了重要机遇,但当前课件生成仍存在流程冗长、成本高昂、交互性不足等问题。本报告介绍面向学习环境生成任务的课件生成模型 CogEvol:以一句话需求为输入,单次前向同时生成排版完整的幻灯片与可交互 HTML 学习环境,并以渲染像素与交互探针作为强化学习奖励,使模型与学习者真实体验对齐。27B 模型已在真实课堂规模化应用,开源 4B 模型可在普通笔记本离线运行。本报告将分享技术路线、评测结果并探讨端侧低成本部署对教育普惠的思考。
(对应论文为自动检索推断,可能有偏差)
问题:大模型虽已能生成文本与代码,但课件制作仍依赖多轮智能体编排,流程冗长、成本高、交互性不足。报告将“一句话需求”到“可用的学习环境”这一过程形式化为学习环境生成(LEG)任务,并指出通用编程模型在此场景下的三个缺口:速度(单次编辑常需 200–600 秒)、可靠性(外观可伪造但交互不可用)与成本(旗舰模型参数规模过大,难以端侧部署)。教育普惠的目标要求生成模型必须同时满足实时性、可验证性与低成本,这正是 CogEvol 的出发点。
核心方法:CogEvol 采用“后训练为主”的路线,在公开基座模型上做三阶段训练:混合 SFT 教授两种输出契约(结构化 JSON 幻灯片与自包含 HTML 页面),随后分别用幻灯片 RL 与交互 HTML RL 强化。关键设计是奖励系统——幻灯片用 \(R_{\text{slide}}=0.6\cdot\text{VLM}+0.4\cdot\text{rule}\) 的混合奖励,其中规则项编码画布利用率、碰撞、溢出等几何约束;HTML 则通过 Chromium 执行交互探针,只奖励“真正可运行”的页面,而非模型自述。训练数据来自生产环境:幻灯片由真实课件种子经规格化扩展,HTML 语料则从 119,122 次生产失败中挖掘,经执行验证后得到 53,687 条 SFT 样本。27B 模型已在生产流量中服务 220k 请求,幻灯片中位耗时 17 秒、交互页 59 秒;4B 开源版可离线运行。
与已有工作的关系:相对通用编码智能体(如 Claude-Code 式脚手架)的多轮迭代,CogEvol 将生成压缩为单次前向,用“执行感知”的奖励替代自然语言反馈,直接对齐渲染像素与交互行为。论文明确对比了同代旗舰编码模型(GLM-5、DeepSeek 等):27B 以 26.9 倍更少的参数在 HTML-500 上达到 63.7,幻灯片质量 83.7,且零硬失败;而外部旗舰在严格渲染契约下甚至无法产出一张合法幻灯片。这一定位区别于对话式辅导或讲稿生成,聚焦于“可执行工件”的端到端生成。
贡献与边界:主要贡献是形式化 LEG 任务、构建双模态评测集(slide-std/slide-short 与 500 例交互 HTML 基准)、提出混合规则+VLM 奖励并公开 4B 权重与部署栈。边界也清晰:训练数据高度依赖生产环境与特定渲染契约,迁移到其他课件格式或学科需重新适配;评测基准内部维护,外部模型仅能通过 API 提交,存在污染风险;4B 模型质量与 27B 仍有差距,官网摘要未给出端侧具体硬件指标与能耗数据。此外,论文承认 HTML 语料存在模态偏差(69.8% 为模拟类),对代码练习、3D 可视化等类型的覆盖有限。
讲者简介
涂尚卿,清华大学计算机系博士生,师从李涓子教授。他的研究聚焦于大模型后训练与评估,致力于推动大模型在教育领域的应用。在智谱后训练组实习期间,他参与了 GLM-4.5/GLM-5 系列大模型的核心研发。以第一作者或共同一作在 ACL、KDD、ACM MM、ICLR 等国际顶尖会议发表 CCF-A 类论文 8 篇,谷歌学术总引用量超 2100 次。代表性成果包括长文本测试基准 LongBench v2(ACL25 引用量 Top 15)、以及面向教育领域的智能体框架 OpenMAIC(GitHub Star 超 28000)。曾获华为奖学金、青源 InnoVibe 2026最受瞩目学术新星等荣誉,获批国家自然科学基金青年学生基础研究项目(博士研究生)。
3. 面向高等教育的AGI落地:未来学习中心建设的实践与思考¶
讲者:黄沛(华栖云 · 教育业务部) · 11:20-12:00
对应论文:未检索到公开论文(以下为依据报告摘要与讲者方向的推断)
摘要(会议官网)
基于国内各类层次高校落地实践经验,聚焦未来学习中心核心场景,系统探究AGI技术在高校教学赋能、师生交互、教学评价督导、智慧终端应用中的落地路径。结合高校样板间打造、产品迭代优化与场景规模化复制的实战案例,剖析AI教育产品在高等教育场景中的适配逻辑、算力管控方案与落地难点,总结AGI赋能高等教育的有效范式。同时辩证思考人工智能教育应用的边界与价值,平衡技术创新与教育本质,为新时代高校AI教育生态建设、未来学习中心标准化落地与全域推广提供可落地、可复制的实践参考与行业新思路。
(未检索到公开论文,以下依据报告摘要与讲者方向推断)
问题:报告要解决的是AGI技术如何系统性落地于高等教育场景的问题。摘要指出,尽管AGI在高校教学赋能、师生交互、教学评价督导、智慧终端等“未来学习中心”核心场景中潜力明确,但适配逻辑、算力管控与落地难点尚缺乏可复用的经验。讲者长期从事教育技术转化,参与多所高校智慧平台建设,因此该报告试图从国内各类层次高校的实践案例中提炼有效范式,回应高校AI教育生态建设从“试点”走向“标准化”的现实需求。
核心方法:方法并非提出新算法或模型,而是基于“样板间打造—产品迭代—规模化复制”的实战路径。具体包括:识别未来学习中心的核心场景,分析AI教育产品与高等教育需求的适配逻辑,设计算力管控方案,并总结落地难点。讲者背景显示其参与过“国培计划”及多部职业教育教材开发,报告可能结合这些项目中的产品迭代经验展开,但官网摘要未给出具体技术架构、算力指标或量化评估结果。
与已有工作的关系:摘要未点名具体基线或同期工作。从方向看,它属于AI教育应用落地研究,区别于侧重模型性能的学术路线,更接近教育信息化中“未来学习中心”的建设实践。讲者此前参与的智慧课程开发、互联网学习平台等经历,可能与此类教育信息化项目有承接关系,但材料未明确说明其相对特定方法或产品的推进点。
贡献与边界:主要贡献是提供一套基于国内高校实战案例的AGI赋能范式,涵盖场景适配、算力管控与推广路径,并辩证讨论技术应用边界,强调平衡教育本质与技术创新。边界在于:结论依赖国内高校的特定实践场景,可能难以直接迁移至其他教育层次或地区;未检索到公开论文,缺乏可验证的细节与效果数据;摘要未给出具体成效指标,因此其普适性与可复制性仍需更多实证支撑。
讲者简介
黄沛,成都华栖云科技有限公司副总裁、华栖云教育研究院院长,国内资深教育技术与职业教育领域专家,商务部、人社部、全国妇联创业导师。毕业于北京理工大学,参与“国培计划”等多项国家级重点教育项目,创立“美蕙学院”及“家护在线”互联网学习平台,主持多本部级职业教育教材和智慧课程开发,参与包括复旦大学、浙江大学、北京理工大学等众多高校校级智慧平台建设,专注将前沿技术转化为教学场景落地,其成果覆盖学历教育与非学历教育全赛道。
Maintained by 陈星宇 · Homepage · Source