Courseware · AI基础与原理
AI 基础原理
从 ChatGPT 到豆包，看懂 AI 回答背后的原理
讲清大语言模型、RAG 和工具增强，以及教学中使用 AI 输出时的核查边界。
- 对象
- 一线信息技术教师、AI 教育实践教师
- 时长
- 16 分钟
SCENE
适用场景
这节基础课帮教师从“会用 AI 工具”往前走一步：理解原理，判断结果，设计 AI 教学活动。
45 分钟
教师校本研修
从一次 AI 回答开始，讲清数据、模型、训练、对齐、幻觉和工具增强。
90 分钟
信息技术教研活动
加入 RAG 微实验、幻觉识别和提示词改造练习，教师带着判断框架回到课堂。
第一课
AI 校本课程导入
先让学生明白：AI 不是魔法，它给的也不是答案本身。
FRAMEWORK
核心判断框架
今天的 AI 不是一个单独的模型。它是一套技术系统，由数据、算力、模型训练、人类反馈、工具增强和安全治理共同组成。
01
模型不是数据库
大语言模型根据上下文，预测接下来可能出现的 token 序列。话说得像真的，不等于事实是真的。
02
模型不是人
AI 可以生成教案、代码和解释，但它没有教师的经验、责任、情感和价值判断。
03
产品不是单一模型
ChatGPT、豆包、DeepSeek、通义、Kimi、Claude、Gemini 这些产品除了模型，还有界面、系统提示词、安全策略、知识库和工具调用。
STRUCTURE
课程结构
从教师熟悉的 AI 产品讲起，再依次讲生成、对齐、工具增强和教育治理。
从一个回答看懂生成过程
分步演示 · 4 步模型先接收前文
用户的问题、系统要求、历史对话和检索到的材料一起进入上下文，决定模型接下来生成什么。
生成不是查表
模型每次预测下一个 token 的概率分布，一个接一个，串成看上去连贯的回答。
产品层继续加工
指令微调、人类反馈、安全策略、工具调用和内容审核，都会影响最终输出。
教师保留判断责任
在教学中，AI 输出不能直接当权威答案。关键结论要回到教材、资料和真实证据去核对。
INTERACTION
闭卷 AI 与开卷 AI / RAG
教学里很多问题不是通用知识题，而是“根据指定材料回答”的题。所以 RAG 的思路适合带进课堂。
同一个问题，两种回答方式
对比切换只靠模型已有的记忆和上下文生成
适合写初稿、改写表达、提思路，但容易把不确定的内容说得很确定。
- 回答流畅
- 来源不一定明确
- 需要更多人工核查
先检索指定资料，再基于资料回答
更适合校本课程资料、课堂材料，以及需要引用依据的教学任务。
- 依据更清楚
- 便于要求引用材料
- 仍需检查资料是否可靠
SYSTEM
AI 产品不是单一模型
课堂上讨论 AI，建议拆成模型层、产品层和教育层来看，免得把“工具的表现”当成“模型本身的能力”。
负责生成、理解、推理和转换，本身不保证事实正确。
决定用户能做什么、能用到哪些资料、哪些内容会被限制。
教师把 AI 放进真实的学习活动，工具不替代学习过程。
RISKS
常见误区与风险提醒
会操作几个软件还不算有 AI 素养。它还包括理解原理、判断结果、保护隐私、遵守规则和反思影响。
- 不要把 AI 当搜索引擎。检索资料和生成回答是两种机制。
- “模型越大”不等于“答案一定越真实”。
- 不要让学生拿 AI 代写。更好的用法是让 AI 追问、给反馈、做启发。
- 不要把学生个人信息、课堂照片或其他敏感资料发给 AI。
TEMPLATE
可复制核查清单
备课、课堂示范、给学生布置任务时都能用。它把“会用 AI”落到能验证的学习过程上。
这段 AI 输出来自哪里？
它引用或依据了哪些材料？
哪些结论需要二次核查？
是否包含学生、教师或学校的敏感信息？
我是否已经用教材、权威资料或实际运行结果核查过？SOURCE
资料来源与延伸阅读
本页由课堂讲义整理而来，只保留可以公开讲的核心概念，没有照搬原始长稿。
- Vaswani et al.：Attention Is All You Need。
- OpenAI：ChatGPT 与大型语言模型相关公开材料。
- Retrieval-Augmented Generation 相关公开论文与资料。
- 豆包、DeepSeek、通义、Kimi、Claude、Gemini 等公开产品资料。