数学大佬陶哲轩力荐，哈佛反向学习法火了：教会 AI 就是教会自己。
他最新分享了哈佛应用数学和应用物理学教授 Michael P. Brenner 的一个教学方法 ——
利用提示工程，让学生尝试教 AI 完成平时数学作业（不纳入正式考核），期末再让这些 AI 参加考试。
好嘛，相当于学生再把 AI 当学生，俄罗斯套娃有。
Michael P. Brenner 教授认为，这一方法能够教会学生拆解问题，并深度掌握提示词工程技术。
学生在教 AI 时需要自己理解问题，他们将问题分解为小步骤的过程本身就是一项极好的锻炼。
而且，学会提问在 AI 应用中也非常具有挑战性，这一教学方法可以帮助学生掌握提示词工程技术。
教 AI 解数学题，期末还要考试
提出这项创新教学方法的 Michael P. Brenner，是一名美国应用数学家和物理学家。
他曾获得宾夕法尼亚大学物理和数学学位，并在芝加哥大学获得物理学博士学位。
从 2001 年至今，他在哈佛大学担任教授，此前还在麻省理工担任应用数学助理和副教授。
他的研究方向是，使用应用数学方法来解决科学和工程中的广泛问题，特别是与流体力学和材料科学相关的问题。
接触 AI 后，他对利用机器学习来促进科学发现尤为感兴趣。
在哈佛，他面向研一开设了一门叫做“Applied Math 201”的课程，主要教授解决硬科学问题（通常指自然科学和工程学）的数学方法。
由于他对构建可以解决复杂问题的模型和聊天机器人的想法非常感兴趣，于是想出了一个新招：
在平时作业的最后，新增一个 AI 板块，鼓励学生使用哈佛的生成式 AI 工具箱中的聊天机器人来解决问题，并通过构建提示（prompts）来教授这些机器人。
当然，Brenner 教授贴心表示，这部分成绩不计入正式考核。
不过学生在平时作业中需积累提示词经验，并提交那些效果比较好的提示词。
到了期末，学生们需要共同完成一项最终研究，并检验 AI 的学习成果 —— 能否完成期末考试。
据 Brenner 教授介绍，有 15 位同学参与了研究，他们被分成三组：
第 1 组负责提示工程，收集整理大家整个学期提交的提示词，并评估哪些提示更擅长或不擅长解决哪类问题；
第 2 组负责数据集生成，构建一系列包含问题和解决方案的数据，且需要实现自动生成；
第 3 组负责基础设施建设，将提示和数据集放在一起，尝试评估和训练聊天机器人解决期末试题。
过程中，他们针对不同类型的问题绘制了图（不同提示下解决方案能得多少分），并创建了一套评分标准，满分 25 分。
最终，学生们构建了一个开箱即用的数学模型，并取得了不错成绩。（最高 20 分）
课程结束后，学生们也热情地送上了感谢：
在这种教学中转变了思维方式。
烹饪也能碰撞应用科学原理
事实上，Michael P. Brenner 教授也不是第一次整新活了！
他的另一门课《Science and Cooking: From Haute Cuisine to the Science of Soft Matter.》更是将烹饪与应用科学来了个碰撞。
课程介绍是酱婶儿的：
顶级厨师和哈佛大学研究人员探索日常烹饪和高级美食如何阐明化学、物理和工程学的基本原理。
了解食物分子以及化学反应如何影响食物的质地和风味。
简单说，就是在学习烹饪的过程中了解科学原理，诸如分子如何影响风味、热量在烹饪中的作用……
而且特别强调，做出来的东西要能吃（doge）。
这一番操作下来，也打破了学生们的固有认知，以至于有人感慨：
笑死，一直以为烹饪是门运气活。
参考链接：
[1]https://mathstodon.xyz/@tao/113058843359470529
[2]https://www.youtube.com/watch?v=p3v8eFwDWnk
[3]https://www.youtube.com/watch?v=om7VpIK90vE
本文来自微信公众号：量子位（ID：QbitAI），作者：一水，原标题《陶哲轩力荐，哈佛反向学习法火了：教会 AI 就是教会自己》
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。
本文由LinkNemo爬虫[Echo]采集自[https://www.ithome.com/0/792/821.htm]
