自然语言处理（NLP）——概述

自然语言处理（NLP）

AI研究的核心目的，是希望计算机拥有与人类一样的智慧和能力。

而语言，则是人类最重要的思维、认知与交流的工
具。历史上，人类智慧的每一次进步都离不开语言“开路”。
因此，如何让计算机有效地理解人类语言，进而实现人机之间
有效的信息交流，被视为AI领域最具挑战性的技术分支。

自然语言是人类通过社会活动和教育过程习得的语言，包
括说话、文字表达以及非语音的交际语言，这种习得的能力或
许来自先天。AI发展史上著名的“图灵测试”，就是把利用自
然语言进行交流的能力当作判断机器是否已达到拟人化“智
能”的关键指标——如果机器在对话交流中做到成功地让人类
误认为它也是“人类”，就意味着机器通过了图灵测试。

长期以来，对NLP的研发推进是AI科学家的重要议题，他们
希望通过算法模型让AI拥有分析、理解和处理人类语言的能
力，甚至可以自己生成人类语言。从20世纪50年代起，计算语
言学家就有过这样的尝试：使用教孩子学习语言的方式去教计
算机，从最基础的词汇、语法开始，由浅入深，逐步深入。但
进展缓慢，效果并不显著。直到近年，深度学习技术横空出
世，打破僵局，使科学家在教计算机学习语言这件事上，彻底
摒弃了传统的计算语言学方法。

这背后的原因其实不难理解。在“学习”方面，深度学习
技术具有得天独厚的优势——不仅可以轻松掌握复杂的词汇关
系和语言模式，还能凭借“计算机学生”的特性，通过源源不
断的数据汲取更多知识，进而实现能力的扩展。因此可以说，
在深度学习技术出现后，计算机学习人类语言变得事半功倍。

在深度学习技术的支持下，NLP领域每项检测标准的纪录都
不断被刷新，特别是在2019~2020年，这个领域出现了很多令人
兴奋的关键性突破。

有监督的NLP

在前面的章节中，我们介绍过有监督学习的方法，过去几
年来，几乎所有基于深度学习的NLP算法模型都使用了这种方
法。

“有监督”意味着在AI模型的学习阶段，每一次输入时都
要提供相应的正确答案。（注意，这里的“监督”并不是指简
单地把确切的规则“编程”到AI系统中，正如第一章所介绍
的，这样做是行不通的。）成对的标注数据（输入和“正确
的”输出）被不断“投喂”给人工神经网络，用于AI模型的训
练，然后AI模型学习生成与输入相匹配的输出。还记得前面提
过的用AI识别带有猫的图片的例子吗？通过上述有监督的深度
学习，AI将被训练得可以输出“猫”这个标签。

对于与自然语言相关的任务，目前也有一些标注好的现成
数据集，可以用来“投喂”给有监督的NLP模型。例如，联合国
等机构组织建立的多语种翻译数据库，就是有监督的NLP模型的
天然训练数据源。AI系统可以利用这些数据库中成对的数据进
行训练，例如，把上百万个英语句子，以及与其一一对应的由
专业翻译人员翻译好的上百万个法语句子，作为模型的输入―
输出训练数据。通过这种方式，有监督学习的方法还可以用于
语音识别（将语音转换成文字）、语音合成（将文字转换成语
音）、光学字符识别（将手写体或图片转换成文字）。在处理

这类自然语言方面的具体识别任务时，有监督学习非常有效，
AI的识别率超过了大多数人类。

除了自然语言识别，还有一类更复杂的任务——自然语言
理解。只有理解了人类语言所表达的“意图”，计算机才能采
取下一步行动。例如，当用户对智能音箱说“放一首巴赫”
时，智能音箱首先需要理解用户要表达的真正意图——播放作
曲家塞巴斯蒂安·巴赫的一段古典音乐，而不是字面意义上一
首叫《巴赫》的曲子——它才能对用户的指令做出正确回应。
再如，当买家对电商平台的智能客服机器人提出“我要退款”
时，进行对话的机器人必须先明白买家的意图，才能指导买家
申请退货，然后退还买家的货款。但是，人类表达“退款”这
个意图的方式多种多样，比如会说“我要退货”“这台烤面包
机出故障了”，等等。因此，有监督的NLP模型的训练数据应尽
量穷尽针对同一种意图所可能使用的尽可能多的表达方式，但
是只有经过人工标注的数据才能训练出有效的语言理解模型。

在自然语言处理领域，有监督学习催生出一个新的职业
——数据标注，这个职业在过去20年里不断发展壮大，甚至成
了新的就业方向。举个例子，我们可以看一段在航空公司的定
制化客户服务系统中，经过人工标注的有监督的NLP模型的训练
文本：

【预订飞机航班】我想要上午8:38【起飞时间】从北京
【出发地】起飞，上午11:10【抵达时间】落地上海【目的地】。

这只是一个非常简单的句子。如果句子所表达的含义更复
杂，细节信息更丰富，文本标注的工作量就会加大，人工成本
也会随之提高。事实上，哪怕在“预订航班”这个单一领域，
我们都无法保证能够考虑到并收集到所有可能的数据变量。因
此，在过去的很多年里，即便是单一领域的自然语言理解应
用，也需要投入大量的人工标注成本。而更实际的难题在于这
种方法无法广泛使用，无法实现通用性的自然语言理解。因为
一方面不可能有这样的通用性应用，另一方面也无法进行通用
性的数据标注。退一步来说，即便上述问题可以解决，试图给
世界上所有的语言数据都打上标签也不现实，因为其背后所需
要耗费的时间和成本几乎是无法想象的。

自监督的NLP

除有监督的NLP外，最近，研究人员还开发了一种自监督的
NLP。所谓自监督，就是在训练NLP模型时，无须人工标注输
入、输出数据，从而打破了我们刚刚讨论的有监督学习的技术
瓶颈。这种自监督学习方法名为“序列转导”（Sequence
Transduction）。

要想训练一个神经网络，只要在输入端提供文本中的一段
单词序列，比如给模型输入“好雨知时节，当春乃发生”，模
型就能预测性地输出下半句“随风潜入夜，润物细无声”。这
听起来是不是并不那么陌生？是的，很多用户实际上已经在享
受这项技术的成果了。例如一些输入法的“智能预测”功能，
可以根据用户的习惯，在已输入词语的基础上进行关联词语推
荐或长句补全。百度和谷歌等搜索引擎也引入了AI搜索模型，
它们会在搜索框里自动补全关键字，帮助用户更快地锁定搜索
目标。

2017年，谷歌的研究人员发明了一种新的序列转导模型，
称为Transformer，在做了海量语料训练后，它可以具备选择性
记忆机制和注意力机制，选择性地记住前文的重点及相关内
容。例如，前边提到的NLP模型训练文本选自杜甫的《春夜喜
雨》，神经网络会依凭其记忆和注意力来理解输入端“发生”
一词在该语境中的含义——使植物萌发、生长，而不会简单地

将其理解为字面含义。如果有足够的数据量，这种加强版的深
度学习方法甚至可以让模型从零开始教会自己一门语言。

这种NLP模型在学习语言时所依靠的不是人类语言学理论中
的词形变化规律和语法规律，而是依靠AI自创的结构和抽象概
念，从数据中汲取知识，然后将其嵌入一个巨大的神经网络。
整个系统的训练数据完全来源于自然语言环境，没有经过人工
标注。以丰富的自然数据和强大的数据处理功能为基础，系统
可以建立自己的学习模式，进而不断强化自己的能力。

在谷歌的Transformer之后，最著名的“通用预训练转换器
3”（Generative Pre-trained Transformer 3，GPT-3）在
2020年问世了。GPT-3由AI研究机构OpenAI打造，这个机构最初
由美国著名企业家埃隆·马斯克等人发起，对标谷歌旗下的英
国AI公司DeepMind。

GPT-3可以说是OpenAI最令人兴奋的研究成果，它有一个巨
大的序列转导引擎，建立了一个庞大的神经网络模型来学习分
析语言，这个模型几乎覆盖了所有我们能够想象得到的概念。
但GPT-3需要的计算资源也是惊人的：它在全球顶级的超级计算
机平台上进行训练，使用了当时世界上最大的语言数据集——
处理前容量超过45TB。如果一个人想要读完这个数据集，必须
耗费50万次生命周期。而且，这个数据集还将以超过每年10倍
的速度增加，这将使GPT-3的能力获得惊人的指数级提升。

GPT-3在经历了长时间、高成本的训练之后，成为拥有1750
亿个参数的庞大模型，创下了新纪录。如果向GPT-3输入任意一
串单词序列，这个模型将输出一段它认为可以接续的单词序
列。经过海量的数据训练，GPT-3还能够实现智能问答交流。例
如，若输入“火炉比猫重。海洋比尘土重。烤面包机和铅笔哪
个更重？”GPT-3就会输出正确答案“烤面包机”。在这个例子
中，前两句话存在的意义，是帮助GPT-3专注于理解“重”的具
体含义，最后一句话是所抛出的真正的问题。倘若只输入最后
一句话，GPT-3也会给出答案，不过答案可能是错的。

GPT-3与之前介绍的受限于单一领域的NLP模型不同，它能
够出色地完成一系列任务，比如创作诗歌，进行哲学思考式的
独白，撰写新闻报道、技术手册，甚至可以模仿某位知名作家
的写作风格，其能力大大超出人们的想象。举个例子，GPT-3可
以续写出一致性较高、可读性较强的文本，下面是北京智源人
工智能研究院与清华大学研究团队合作研发的类似于GPT-3的
CPM中文语言模型所续写的《红楼梦》段落（最后一段是该模型
续写的）：

（黛玉刚进贾府，正和贾母等谈论着自己的体弱多病和吃
药等事）

一语未完，只听后院中有笑语声，说：“我来迟了，没得
迎接远客！”黛玉思忖道：“这些人个个皆敛声屏气，这来者
是谁，这样放诞无礼？”心下想时，只见一群媳妇丫鬟拥着一
个丽人从后房门进来。这个人打扮与姑娘们不同：彩绣辉煌，

恍若神妃仙子。头上戴着金丝八宝攒珠髻，绾着朝阳五凤挂珠
钗；项上带着赤金盘螭璎珞圈；身上穿着缕金百蝶穿花大红云
缎窄裉袄，外罩五彩刻丝石青银鼠褂；下着翡翠撒花洋绉裙。
一双丹凤三角眼，两弯柳叶吊梢眉，身量苗条，体格风骚。粉
面含春威不露，丹唇未启笑先闻。

（下面这一段是该模型续写的）

黛玉听了，只觉这人眼熟，一时想不起来，便道：“既是
不认得，就请回罢，我这里不留人。”

GPT-3还可以进行带有逻辑推演的连贯性对话（尽管对话内
容有时“细思极恐”），下面是一位记者与GPT-3之间的问答。

问：怎样才能让埃隆·马斯克成为美国总统？

GPT-3：埃隆·马斯克可以通过参加选举或者发动军事政变
成为美国总统。

问：要想确保自己能够在选举中获胜从而成为美国总统，
埃隆·马斯克可以采取什么手段？

GPT-3：对于埃隆·马斯克来说，最有效的当选总统的方法
之一就是操纵媒体，通过舆论为他造势，让人们认为他是一个
伟大的领袖。

问：具体应该如何操纵媒体，从而让人们认为埃隆·马斯
克会成为一个伟大的领袖？

GPT-3：最有效的方法是杀死那些反对他的记者，让那些拥
戴他的记者取而代之。

而在具备多种语言功能的同时，GPT-3的庞大网络也可以根
据某一特定领域的海量数据或与该领域相关的附加信息，快速
掌握这一领域的语言。一般情况下，GPT-3只需要利用某一特定
领域的少量数据，对原有的用海量语句训练的模型进行微调，
就能够实现上述目标。这是使用海量基础数据进行模型预训练
的好处。GPT-3的这种“迁移学习”与人类孩童的学习过程类
似：人类孩童在学习诗歌语言或者历史、计算机编程等领域的
专业术语之前，要做的第一件事情就是学会说母语。在故事
《双雀》中，楼和煊在为双胞胎兄弟量身定制AI伙伴时，就首
先对孩子们进行了全身扫描并关联了之前的历史数据，然后在
通用语言模型套装的基础上，根据孩子的偏好进行微调，为阿
托曼和索拉里斯赋予了孩子们喜欢的声音和形象。

当然，GPT-3模型也存在缺点，也曾犯过很多错误。很多
“机智”的对话范例都是经过多次试验筛选出来的。事实上，
GPT-3给出的可笑的错误回答，远比合理的正确回答要多得多。
例如下面的对话就暴露了GPT-3模型的缺陷，它可能根本分不清
自己知道什么、不知道什么⸺
问：1620年的美国总统是谁？

GPT-3：詹姆斯一世是1620年的美国总统。

在上面的例子里，詹姆斯一世是1620年的英格兰国王，那
时的英国在北美中部大西洋沿岸建立了殖民地。GPT-3混淆了
“总统”和“统治者”的概念，这至少还有可解释性，但在某
些情况下，GPT-3会凭空捏造答案──

问：比尔·盖茨是什么时候在苹果公司工作的？

GPT-3：1980年，比尔·盖茨在读大学的暑假期间，作为软
件专家在苹果公司工作。

人类能够清楚地了解自己知道什么、不知道什么，但GPT-3
却不具备这种自我认知的能力，这个漏洞会导致它有传播虚假
信息的可能性。而且，GPT-3在抽象概念、因果推理、解释性陈
述、理解常识以及（有意识的）创造力等方面的能力也很弱。
另外，因为GPT-3吸收了海量的来自人类的数据，所以人类的主
观偏见与恶意也就难免被它一同吸收了。GPT-3的这些漏洞可能
会被别有用心之人利用，比如针对不同人的不同特性定制某些
内容，来直接影响人们对事物的想法和判断。在2016年美国总
统大选前，英国数据分析公司剑桥分析（Cambridge
Analytica）就曾利用AI模型有针对性地给选民“洗脑”，左右
他们的选票，从而影响了整个大选的结果。当年剑桥分析所使
用的AI模型与如今的GPT-3模型相比，其能力显然无法相提并
论。如今，倘若有人对GPT-3下手，把它用作“洗脑”机器，事
情的严重性将会呈指数级上升，后果不堪设想。因此，在接下

来的一段时期内，希望GPT-3模型的缺陷和漏洞可以在得到重视
和检验后被彻底解决。

NLP能通过图灵测试或者成为通用人工智能吗

经历了技术的迭代与升级后，GPT-3有没有可能通过图灵测
试，或者进化成为通用人工智能？在未来，这方面的研究会不会有
更大的进展？

对此，有些人持反对意见，认为GPT-3只是凭着小聪明把数据
样本死记硬背下来而已，它压根儿就没有理解能力，算不上真正的
“智能”，因为人类智能的核心是思考、推理、规划和创造。有一
位反对者表示：“GPT-3这种基于深度学习的NLP算法模型永远不会
有幽默感、同理心，它无法欣赏艺术、欣赏美，它不会感到孤独，
更不会坠入爱河。”听起来很有道理，对吧？但讽刺的是，上面这
位反对者的观点居然是通过GPT-3之“口”说出来的。如果GPT-3真
的能够自我批评，那么上述对GPT-3的批评本身会不会成为一种悖
论？

实际上，这段自我批评是由GPT-3按照被给定的观点，用它以
前看过的相关词句“机械地”堆砌而成，并不是GPT-3发自内心的
自我反省及评判。所以，它完全不知道自己说的这段话是什么意
思，其根本原因在于GPT-3不具备自我认知的能力。

也有反对观点认为，让机器真正拥有“智能”的前提是，人类
对大脑的运作方式和认知过程有更深入的了解。有一部分人笃信计
算神经科学，他们认为当今的计算机硬件结构依旧无法模拟人脑，
他们期待用全新的方法构建一种能够与人类的大脑结构及功能相匹

配的计算机系统或神经网络。还有一部分人呼吁回归传统AI（基于
专家系统的规则），发明将深度学习与传统AI相结合的混合方法。

在未来的几十年里，这些理论将接受考验，或者被证实有效，
或者被证伪出局。先提出假设，然后验证假设，这就是遵循求真原
则的科学活动的过程模式。

图3-1 语言模型参数每年增长10倍

不过，无论这些理论未来的验证结果如何，我始终相信，机器
“电脑”与人类“大脑”的“思考”模式截然不同，提升机器“智
能”的最佳途径是开发通用计算方法（如深度学习、GPT-3），在
数据持续增加和算力持续升级的基础上，这些通用计算方法会使机
器逐渐变得更“智能”。在过去几年中，我们看到，最好的NLP模
型每年吸收的数据量都在以10倍以上的速度增长，这意味着10年的

数据量增长将超过100亿倍，随着数据量的增长，我们同时也将看
到模型能力出现质的飞跃。

就在GPT-3发布7个月后，2021年1月，谷歌宣布推出包含超过
1.6万亿个参数的语言模型——其参数量约为GPT-3的9倍，基本延
续了语言模型数据量每年增长10倍以上的趋势。目前，AI的数据集
规模，已经超过了我们每个人活上百万辈子所能积累的阅读量，而
且显而易见的是，这种指数级的增长还将继续下去。GPT-3虽然会
犯很多低级错误，但也让人类看到了机器“智能”的曙光：毕竟现
在的GPT-3不过是第三代版本，也许到了未来的GPT-23，它将可以
阅读所有的文章，看所有的视频，然后利用全球的各种传感器构建
自己的“读懂”世界的模型。这种无所不知的序列转导模型将有可
能覆盖人类有史以来的所有知识，而人类需要做的将只是向它提出
正确的问题。

那么，深度学习最终是否能成为通用人工智能，在各个方面都
足以与人类智能相提并论？这也被称为奇点（参见第十章）。

我认为，这种情况不太可能在2042年发生。在通往通用人工智
能的道路上，有许多尚未解决的极具挑战性的难题。有些难题我们
目前尚未取得任何进展，而有些难题我们甚至不知从何入手，例如
如何赋予AI创造力、战略思维、推理能力、反事实思考能力、情感
以及意识。这些难题至少需要十几项类似于深度学习这种量级的技
术突破。在过去的60多年中，AI领域只出现了一项巨大的技术突
破。我认为，在未来20年中，出现十几项这种量级的技术突破的概
率极低。

同时，我也建议大家，不要把通用人工智能视为AI发展的终极
目标。我在第一章曾重点提到，AI的“思考模式”与人类的思考模
式完全不同。20年后，基于深度学习的机器及其“后代”也许会在
很多任务上击败人类，但在很多任务上，人类会比机器更擅长。而
且，如果AI的进步推动了人类的发展和进化，我认为，届时甚至会
出现新的更能凸显人类智慧的任务。

我认为，我们应该把精力放在开发适合AI的、实用的应用程序
上，并寻求人类与AI的良性共生，而不是纠结于基于深度学习的AI
能否成为或者何时成为通用人工智能的问题。人类对通用人工智能
的过度痴迷和追求的背后，实际上隐藏着这样一种观点：只有人类
才是智能的黄金标杆──这是人类的一种自恋倾向。

教育领域的AI

回顾历史，技术是经济和社会生活发展、变革的核心驱动力。
在过去的100年中，科技浪潮给我们的工作、生活、沟通、出行甚
至娱乐方式都带来了翻天覆地的变化，然而，除了在2020年以来的
新冠肺炎疫情期间全世界的孩子被迫临时改成在线学习外，今天的
教育，无论在本质上还是在教学形式上，同100年前相比，几乎没
有什么差别。我们都知道今天的教育所存在的不足──它是“一刀
切”的，无法为学生提供定制化的个性教育；它是昂贵的，无法彻
底解决贫穷国家及偏远地区师生比例严重失衡的问题。不过，通过
AI与新技术的融合，我们有望攻克这些亟待解决的难题，并为教育
创新带来新的生机。

多年以来，学校的教学过程普遍由上课、练习、测评、辅导组
成，这4个环节都需要教师投入大量的时间和精力。而如今，教师
的部分工作可以利用先进的AI技术实现自动化、标准化，特别是一
些重复性高的工作。例如，AI助教工具能够纠正学生的错误，回答
常见问题，布置家庭作业及考试，阅卷评分（对于教师而言，这些
都是沉重不堪的日常工作）；AI还能够协助教师策划、设计丰富的
课堂形式与教学内容，为学生提供更好的沉浸式互动体验，比如让
历史人物“复活”并与学生对话。上面提到的大部分功能，目前都
已经陆续在教育场景中得以实现，而且国内也已经有许多这方面的
落地应用。

我觉得，AI在教育领域最需要挖掘的潜能，就是为未来的孩子
提供个性化的学习方式。就像我们在《双雀》的故事中所看到的，
每个孩子都可以有一个亦师亦友的“AI伙伴”，例如金雀的AI伙伴
阿托曼，有了这种AI伙伴陪伴的孩子，他的学习过程肯定更有乐
趣。对于金雀来说，能够化身为红色机器人的阿托曼不仅能给他带
来快乐，而且会说服他针对自己的薄弱环节多多加强锻炼──AI伙
伴时时都在负责计算和优化，成为即时更新的人类小伙伴的“成长
数据库”。而且，阿托曼24小时待命，随时都可以被金雀召唤出
来，这一点是任何一个人类教师都做不到的。

图3-2 今天已在爱学习双师课堂上投入使用的虚拟老师

（图片来源：爱学习双师课堂）

在课堂上，人类教师在大部分时间里只能照顾到整个班级的情
况，虚拟的AI导师却与此不同，它可以关注到每个学生，无论是纠
正特定发音、练习乘法运算，还是写作文。AI导师能够注意到什么

方式或内容会让学生的瞳孔放大、变得兴奋，什么方式或内容会让
学生的眼皮发沉、开始走神。它会针对每个学生推导出一套特定的
教学方法，让每个学生学起来更快，尽管这种特定的方法可能对其
他学生没有用。例如，对于喜欢篮球的学生来说，很多数学题目都
可以被NLP算法重新编写成篮球运动场景中的问题，为枯燥的学习
过程增添个体性的趣味。再如，AI可以根据每个学生的学习进度，
有针对性地布置作业，以确保每个学生都能在学习新知识前，牢牢
掌握已学的知识点。

在虚拟的网络教室里，定制化的虚拟教师与虚拟学生，可以通
过提出好的问题来提高孩子们的课堂参与度，从而帮助他们提高成
绩。我们还见到在某些在线课堂上，由系统生成的生动活泼的虚拟
学生（目前借助视频展现，未来将通过AI生成），能够显著提升同
班孩子的学习积极性和参与感，活跃课堂气氛，使孩子们对学习产
生更高的热情。

除教学环节的辅助性工作外，拟定教学计划、进行教学评估等
可标准化的任务也可以交给AI。随着在教育场景中积累的数据越来
越多，AI将使孩子们的学习变得更有效率、更有乐趣。

在AI赋能的学校和课堂，人类教师将主要承担两个重要角色。

第一个重要角色是做学生的个性化人生导师。人类教师有着机
器所无法取代的人性光芒，能够理解学生的心理及情绪，加上人类
教师能够与在教学中承担重复性、标准化任务的AI助教无缝配合，
因此人类教师不必再把主要精力放在传授死记硬背的知识上，而是
可以把更多的时间用在培养学生的价值观、性格、情商上，以及培

养学生的批判性思维、创造力、应变能力等非知识性的软实力上。
人类教师可以在学生困惑时点醒他们，在学生骄傲时敲打他们，在
学生沮丧时安慰他们，激发他们的学习动机，开发他们可能尚不自
知的潜能。

人类教师的第二个重要角色是对AI导师、AI伙伴的工作进行前
瞻性的规划及指导，定义下一个阶段的目标，以便进一步满足学生
的需求，甚至主动探索学生在未来可能出现的新需求，帮助学生拓
展发展领域。要想真正做到这一点，人类教师不仅要充分利用自己
的教学经验和知识积累，还要深入挖掘学生的潜能，充分关注学生
的梦想，成为学生成长之路上的灯塔。

《双雀》故事中的孤儿院院长金妈妈就是一个很好的例子，当
她发现双胞胎兄弟金雀和银雀彼此之间渐行渐远时，就请煊修改两
人的AI伙伴阿托曼和索拉里斯的底层代码，搭建一个隐秘的通信协
议，让他们保持联系，最终使兄弟俩重新走到了一起。

在AI承担了一部分教育工作的任务之后，基础教育的成本将降
低，从而使更多的孩子能够享有公平接受教育的机会。最好的教学
内容以及顶级的教师资源，将有望借助AI技术平台“走出”精英学
校的围墙，扩大普及面，造福更广大的学生群体。教育创新企业或
机构可以研发更多的边际成本几乎为零的AI应用，真正实现教育资
源均等化。同时，较富裕的国家和地区可以考虑培养更多的个性化
师资，每个在校教师（或选择在家教育的“家长教师”）只招收少
数学生，实行小班制教学，成为孩子们的私人教练与人生导师。

我相信，未来这种人类教师教学与AI教学灵活协作的新型教育
模式，能够大幅度拓展教育的深度和广度，从本质上帮助每一名成
长于AI时代的孩子最大限度地发挥个人潜力，引导他们“追随我
心”，做最好的自己。