ai教育未来发展趋势（未来教育发展趋势特征）

用户投稿 2周前 (03-04) 18浏览

【点击查看】低成本上班族靠谱副业好项目 | 拼多多无货源创业7天起店爆单玩法

【点击查看】逆林创业记 | 拼多多电商店铺虚拟类项目新玩法（附完整词表&检测工具）

【点击查看】逆林创业记 | 小白ai写作一键生成爆文速成课

领300个信息差项目，见公众号【逆林创业记】（添加请备注:网站）

杭州，坐落在中国东部沿海地区，作为中国七大古都之一，拥有丰富的历史文化遗产。杭州凭借其教育资源优势和地域优势，大力发展人工智能产业，如今亦成为了人工智能的“东方硅谷”。

“A星探行 · 通韵杭城” 支队由13名清华大学自动化系本科生与1名计算机系本科生组成。支队围绕人工智能主题，前往杭州探索人工智能的发展现状、在产业中的应用、目前面临的挑战与未来的发展方向，在此基础上进一步探索未来实现通用人工智能的蓝图。

在2025年初，DeepSeek一夜之间成为了全球科技领域瞩目的焦点。其以仅约十分之一的超低训练成本，成功推出了性能与OpenAI相当的开源模型，引发了社会各界的广泛关注。

大模型评测排名(截至2025年2月)1

社会各界对AI的关注，无疑也反映了AI作为一种颠覆性技术，可能将会深刻地改变人类社会的方方面面。通韵杭城支队本次前往杭州探索AI的核心研究方向，及其未来发展的趋势。接下来请跟随支队员们的脚步一起回顾总结本次实践的收获吧。

01.

核心研究方向概览

近年来，AI技术飞速发展，从卷积神经网络的盛行，到Transformer架构的广泛应用，AI技术的发展可谓日新月异。

当前，人工智能技术日益成熟，多个关键技术分支并行发展，包括LLM(大语言模型)、具身智能、强化学习、GNN(图神经网络)、扩散模型、多模态融合等多个研究领域。

未来，AI技术将加速向通用化方向演进，实现AGI已成为全球人工智能领域科研与产业界的共同目标。

由ICLR 2024论文列表生成的词云

未来发展趋势

02.

LLM

LLM（大语言模型）的发展是人工智能领域的重要里程碑，其起源可以追溯到关于自然语言处理（NLP）的研究。从初期神经网络被提出以后，很多学者都对这个新的话题感兴趣，但后来受到计算能力的限制，出现了十几年的停滞。不过随着GPU的出现，以及2012年之后深度学习技术的深入研究，LLM得到了迅速的发展。

AI模型发展阶段示意图2

如今LLM也已在实际生产中发挥作用，例如流程工业领域就有中控技术开发的TPT时序大模型，提高工业生产的效率。但阿里云计算的技术人员也表示，LLM目前仍有许多亟待解决的问题，例如模型的“幻觉”、大量能源的消耗等等ai教育未来发展趋势，LLM仍有很大的改进空间。

阿里云计算技术人员正在讲解通义模型

强化学习

强化学习（Reinforcement Learning，简称RL）是一种机器学习范式，它通过让智能体在环境中进行交互，学习如何通过一系列决策来最大化累积奖励。

强化学习的研究可以追溯至1989年Watkins提出的Q-learning算法，但同样受限于当时的算力，该技术未能进一步发展。2013年DeepMind团队开发了深度Q网络（DQN）推动深度强化学习兴起。近年来，强化学习的研究方向更加多元化，包括多智能体强化学习、元强化学习（Meta-RL）等。

这些研究不仅提升了强化学习的效率和适应性，还为解决现实世界中的复杂问题提供了新的思路。目前强化学习已经开始渗透到自动驾驶、机器人、金融等领域。

宇树科技目前研发的人形机器人各种基础动作，包括2025年央视春晚中“福兮”舞蹈动作的实现都是基于强化学习算法。但宇树科技的技术人员也表示，目前使用强化学习算法训练机器人的基础动作已经较为成熟，未来如果需要让通用机器人走进千家万户，还是需要思考如何教会机器人适应各种不同的具体场景。

宇树科技技术人员正在介绍技术原理

AI for Science

AI for Science（人工智能驱动的科学研究，简称AI4S）是指利用人工智能技术加速科学发现、优化实验设计、分析复杂数据等，从而推动科学研究的进步。

AI4S自深度学习复兴以来，经历了从AlphaGo的突破到AlphaFold预测蛋白质结构、再到近期MatterGen对材料的预测等重要节点，逐渐从概念导入期进入大规模基础设施建设阶段。

本次参访的达摩院便正在开展这方面的研究，目前已在材料预测方面有所突破。达摩院的技术人员表示，这方面未来研究的重点方向可能是多尺度统一，即从微观到宏观、从小分子到大分子，通过建立底层模型来统一不同尺度的物理现象，例如材料中的原子间作用力和生物大分子的结构等，从而实现从微观到宏观的统一建模。

达摩院技术人员介绍AI4S

Agent

Agent指的是能够感知环境并自主做出决策以实现特定目标的智能体。Agent的发展经历了规则驱动、基于模型的反射代理、目标导向和效用导向代理、学习代理等阶段，到21世纪深度学习的融合，再到近年来基于LLM的突破，逐步从简单的规则系统演进为具备自主学习、多模态交互和个性化能力的复杂智能系统。

西湖大学AGI Lab也正在进行这方面的研究，其开发的AppAgent可以自主操作手机使用一些软件，同时网易伏羲实验室也使用AI Agent的技术开发了游戏Copilot，能根据环境和玩家指令自主决策。如今Agent的发展也还停留在专用领域ai教育未来发展趋势，但西湖大学AGI Lab实验室研究员表示，未来或许可以借鉴自动化技术发展的经验，采取“模块化与协同工作”等理念，进一步开发通用的Agent。

西湖大学AGI Lab研究员正在讲解Agent

03.

AGI未来蓝图

实际上，前文所述的各项研究并不是相互分离的，它们都有相似的机理、都依靠数据驱动，它们都让我们在实现AGI的道路上向前迈进了一步。

LLM的突破性进展打开了AGI的大门，展示了语言模型的认知与推理潜力；强化学习与深度学习的结合，为构建具备环境交互能力的智能系统奠定了技术基础；具身智能作为感知与行动闭环的技术，正在成为AGI探索的重要方向，或许将成为AGI的雏形；AI for Science让人们看到了AI在科学研究领域的潜能，虽然这只是一个专用领域，但未来多模态系统融合与认知架构的演进，或许能通过跨领域智能的整合，逐步逼近AGI的目标。