高校本地部署DeepSeek后，如何真正实现赋能？-中国教育和科研计算机网CERNET

资讯

校园信息化

技术

资源与应用

产品与装备

信息服务

首页 > 教育信息化 > 校园信息化 > 高等教育

高校本地部署DeepSeek后，如何真正实现赋能？

2025-05-09 中国教育网络

　　2025年，在教育技术进步的积淀和AI突破性进展的推动下，高等教育来到了变革的历史性转折点。AI驱动的教育已经从可有可无变成了必须要有，以培养时代所需的具有竞争力的人才。

　　惟有变化是永恒不变的。站在AI即将引发颠覆性变革的临界点，高等教育如何拥抱变化？部署了AI之后，到底如何用？如何推动AI工具在全校师生中的广泛使用，让AI真正融入教育？

　　AI引发的猫鼠游戏

　　传统的教育模式已经不再适应这个正在发生飞速变化的时代了。“去AI味”和“AI查重”的猫鼠游戏在大学校园中上演。学校陷入了同AI争夺学生的怪圈——当脑力劳动由AI代劳之后，学生还能学到什么？

　　高等教育本质上是知识密集型行业，教师传道授业解惑，为学生进入以脑力劳动为主的职业生涯做准备。过往，基于知识的工作具有较高的回报率，但这很可能即将成为历史。如果学生渴望从事的职业——软件开发、医学、通信、营销、法律、金融——还没毕业就被AI取代了该怎么办？

　　无论学术界是否已经准备好迎接AI，企业都开始日渐重视AI技能。OpenAI的研究表明，许多大学生正在自学或互相传授AI技能，而非等待学校提供正式的AI课程；而超过70%的企业更青睐具备AI技能但经验较少的求职者，而非经验丰富但缺乏AI技能的求职者。

　　虽然教育体系正处于探索AI的关键阶段，但学生对AI的不当使用和劳动力市场的需求转变正在倒逼广大高校迅速转型。面对巨变，高等教育至少需要在两个主要方面行动起来：要在人才培养的过程中使用AI工具，要培养学生毕业后将要使用的AI技能。

　　高校的AI部署和应用之路

　　近日，教育部启动实施人工智能赋能教育行动，推动将人工智能技术融入教育教学全要素全过程。将AI与高等教育相结合是大势所趋。高校如何部署AI？部署之后究竟怎样被利用？

　　鉴往知来。AI时代已经呼啸而至，忽视AI就像多年前忽视互联网一样不明智。正如30年前，中国全功能接入国际互联网之后，全国广大高校开始了对互联网的应用探索，那些积极踊跃的高校在探索的过程中逐渐积累了大量经验，建设了一批优势学科，为中国培养了一大批互联网人才。

　　回溯互联网的发展历程，结合对生成式AI的理解，中国教育和科研计算机网CERNET网络中心副主任、清华大学李星教授认为，当下，要实现AI真正赋能教育教学，有几条建议原则。

　　第一， AI的好应用与好探索一定来自于对AI充满激情的人。高校从上到下，从领导层到信息办主任、从系领导到教师，都认识到AI的潜力之后，充满激情地推动AI的应用，就是个很好的开端。要享受学习的过程，勇于探索未知。互联网兴起之时，出现了一批善于和互联网结合的教师和研究人员；慕课兴起之时，出现了一批充满激情探索新的教学形式的教师；而在人工智能时代，一些充满生命力的探索会出现在第一批对人工智能充满激情的教师和科研人员中。

　　第二，以自用为出发点。如果想做出AI应用来给别人用肯定不行，一定要自己想用。Linux之父Linus Torvalds一人写出了Linux和Git这两个改变世界的项目，初衷完全是为了自己用，而且过程都非常相似：不满当前系统→自己手搓一个开源版本→不断扩展功能受到更多关注→影响世界。梁文锋开发DeepSeek最初也是给自己用的。AI应用也同理，如果连自己都不想用，那肯定做不成。要从明确定义的问题入手，目标要具有可行性——学校的痛点是什么？最想使用AI解决哪些问题？先把问题描述清楚，如果目标定得特别大、特别空，即使有激情，自己很想用，也做不出来。

　　学校的各个部门、个人都可以从必须亲自做的具体任务入手，思考如何用AI提升效率，服务自己。以信息办为例，首先可以做的就是将本校的管理、服务、信息类文档用“检索增强生成(Retrieval Augmented Generation)”，即RAG做成优质知识库。

　　第三，顶层设计，并确立设计原则。要解决什么问题？优先解决什么问题？当一个事物的两个方面发生矛盾时如何取舍，这就是顶层设计需要解决的问题。比如，本校的AI应用应该以保护隐私为重，还是越开放越好？不同的目标背后有不同的理念、不同的设计原则，在最初就应该予以明确。30年前，中国第一个互联网主干网CERNET的设计原则是：“统一设计、分步实施，发挥各方面的积极性”，落实到技术方案是“主干网统一管理运行，接入网由各个地区节点全权负责”，做到了主干网稳定，接入校园网快速增长。当初若没有这个总的设计原则，主干网和接入网都统一管理，则地区网可能发展缓慢，如果主干网下放管理权限，则在特殊情况下可能会崩溃（其他网络有过教训）。

　　第四，用好人才，由人才决定如何选模型，开发代理。人才是第一位的。包括上述所有原则，背后都是优秀人才的支撑。优秀的人才——既对AI充满好奇，又懂设计原则，知道解决什么问题，会选工具的人——可以解决很多问题。他们能够判断：究竟用调优还是嵌入？是用DeepSeek还是用Llama？实际上，部署满血版的DeepSeek并非高校的必选项——如果需要解决的问题比较简单、明确，就不需要部署满血版。可以蒸馏模型，或选择云端部署的方式，或使用API按token付费也比较实惠，都是很不错的选择。

　　第五，工具选好之后，反复迭代。可以借鉴互联网“试错迭代”模式，不要期待万无一失，在可接受的时间范围内、可承受的成本基础上不断试错、迭代改进。SpaceX的星舰进展惊人，SpaceX从文化上执行的就是软件的迭代原则：从不完美开始，在实践与使用中快速改进。同时，还要为每次迭代写出文档（可以使用AI帮助）。无论是编码、问题描述、设计原则、选择工具的原因，所有这一系列的问题都必须写成文档。与撰写学术论文一样，研究成果的可重复实现的唯一依据是文档。这是业余和专业做事风格的最大区别。

　　第六，学会当AI的导师和老板。从练习写AI提示词开始，就像导师指导学生一样，思考如何指导AI替自己干活。AI时代，一个人的手底下可能会有成百上千个AI小助手，人类要学会当AI的老板。

　　然而，大家也要意识到，使用AI绝不是为了偷懒，而是为了提升效率。在现阶段，人们使用AI的工作量只会增加，不会减少。2024年6月，美国咨询公司Tyton Partners开展的一项对美国约3600名师生进行的调查显示，经常使用AI的教师比例为36%。在所有使用AI的教师中，有17%的教师表示，AI减少了整体工作量，而28%的教师表示，AI增加了工作量——为了防止学术不端，教师需要重新设计考试来对抗AI。

　　AI赋能教学、科研、管理

　　年初，部分高校进行了DeepSeek的本地部署，将大模型与学校知识库结合，开放权限供本校师生使用，主要应用形式是智能聊天机器人或虚拟助理，提升了学生的校园体验。然而，这似乎与AI赋能还存在着一段不小的距离。

　　2月，美国Wiley出版集团发布了一项对全球近5000名研究人员的研究，结果显示，超过60%的研究人员表示，缺乏指南和培训是难以更深入地使用AI工具的主要障碍。

　　上海交通大学网络信息中心副主任林新华指出：“要让AI技术真正赋能各领域，培养既懂专业知识又精通AI工具应用的复合型人才尤为重要。对话机器人是大语言模型应用的初级形态，很多时候用好对话机器人就能帮我们解决一些实际问题，构建有效的提示词框架是从对话机器人获取优质回复的关键所在。然而，这一过程面临双重挑战：一方面，具备专业背景的师生往往不熟悉如何设计提示词来引导AI生成理想结果；另一方面，擅长提示词工程的技术人员又缺乏各学科的专业知识。要突破这一瓶颈，就要将二者打通，培养既深耕专业领域又掌握AI工具应用的复合型人才。”

　　为此，上海交通大学网络信息中心展开了一项探索工作：招募一支跨学科学生团队，开展了具有专业特色的提示词工程研究工作。这支学生团队来自理工生医文等领域，是本专业领域的“AI先行者”——擅长针对具体专业问题，构建有效提示词来获取高质量回复。

　　以物理天文为例，若要协助计算行星轨道，一般人能想到的常规提示词大致是：“已知太阳质量：1.989x1030kg、地球质量：5.972x1024kg，帮我计算轨道半长轴、偏心率与轨道能量的关系。”而经过学生团队探索，设计出了专业的结构化提示词，加入了“针对行星轨道计算天体力学基础场景”“基于牛顿运动定律和万有引力定律建立二体运动微方程”等条件，最终让DeepSeek R1生成出了令人满意的结果。

　　目前，学生团队已经整理了AI、化学化工、物理天文、媒体传播、经济管理等5个方向共计367个提示词案例，已上线至交大本地版DeepSeek对话界面（https://chat.sjtu.edu.cn），开放给全校师生使用。这些案例将抽象的专业问题“翻译”成AI能够理解的交互语言，形成可复用的提示词模板，帮助新手快速上手使用AI工具解决专业问题。

　　林新华表示：“作为国内首批部署满血版DeepSeek的高校之一，我们希望通过一些看得见、摸得着的应用场景和典型案例，让师生更直观地了解这项技术的价值。即便探索过程中遇到挑战，甚至可能不成功，但是只要能激发出一些新思路，这项实践工作就有价值。”

　　最近，MIT物理学Max Tegmark团队让AI在0先验知识的情况下独立提出了哈密顿物理原则。这一研究来自一次突发奇想：如果用相同的训练数据训练两个AI，会导致它们互不同意对方的观点吗？团队让AI（LNN）学习了经典物理学，事先不告知它们底层的物理规律，最终，AI通过尝试数据，提出了哈密顿和拉格朗日物理原则。这个例子给人们带来了启发：如果用经典教科书训练AI，会发生什么？

　　对此，清华大学李星教授提出了建议：DeepSeek的算法原理主要基于大规模强化学习和MOE。强化学习就是通过强化期望的行为让机器自主学习。何不试试让大模型从数据中学习?每个学校肯定都有既对教学很用心，又愿意钻研AI的教师和学生，学校要善于发掘、予以激励和支持。利用强化学习的特性，学校提供模型、算力等资源和资金支持，鼓励师生用本专业的知识训练大模型，可能会出现令人惊喜的结果。

　　无论什么课程，都可以让学生通过与AI交互来内化知识。这有点类似费曼学习法——在学生理解了复杂概念之后，以浅显易懂的语言讲给他人听，在这个过程中强化自己的认识。现在，学生可以将自己对知识的理解教给AI，既内化了新学的知识，又掌握了同AI交互的技巧。比如，在教微积分的时候，教师可以给学生布置这样的作业：将牛顿-莱布尼茨公式的证明过程一步一步“喂”给AI，看看能得到什么结论？

　　奇点将至。站在变革的临界点，与其思考如何让AI赋能，不如从具体场景出发，思考如何在人才培养的各个环节使用AI：从探索提示词开始，从试着用AI工具提高自身工作效率开始，从用学科知识同AI交互开始，推动AI在师生中的广泛使用，使AI应用日常化、落到实处，真正让AI融入教育。

　　撰文：陈茜

　　特别声明：本站注明稿件来源为其他媒体的文/图等稿件均为转载稿，本站转载出于非商业性的教育和科研之目的，并不意味着赞同其观点或证实其内容的真实性。如转载稿涉及版权等问题，请作者在两周内速来电或来函联系。