教育焦慮已經(jīng)成了全民話題。去年以來,從輿論導(dǎo)向到配套政策,似乎也在回應(yīng)這個(gè)問題。其中一個(gè)手段是「分流」,也就是在社會(huì)關(guān)注度最高的高考之前,把學(xué)生分流到不同的教育層次。
這種措施已經(jīng)實(shí)打?qū)嵉卦谶M(jìn)行了,比如高考雖然關(guān)注度高,但它不是難度最大的考試,因?yàn)樗匿浫÷视?5%,而高中的錄取率在未來會(huì)保持或邁向50%。
這種「分流」能解決教育焦慮嗎?我們先來做兩個(gè)假設(shè)。
第一個(gè)假設(shè)關(guān)于“桃子”。假設(shè)有三個(gè)人,都喜歡吃桃子,但是只有4個(gè)桃子,每人分不到2個(gè)。如果分桃子的人說,讓我們來減少一半的桃子至2個(gè),功勞少的兩個(gè)人可以選擇退出,剩下的一個(gè)人就可以拿到2個(gè)桃子了。
第二個(gè)假設(shè)關(guān)于“蘋果”。假設(shè)有三個(gè)人,都喜歡金蘋果。但是只有2個(gè)金蘋果,不能保證每人1個(gè)。分蘋果的人說,讓我們減少1個(gè)金蘋果,不夠漂亮的兩個(gè)人可以退出,剩下的那個(gè)最美的人就可以保證拿到金蘋果了。
兩個(gè)假設(shè)中,分別的三個(gè)人,是否會(huì)有人在減少了桃子和蘋果的情況下,主動(dòng)選擇退出,讓剩下的人輕松拿到獎(jiǎng)勵(lì),避免三個(gè)人的共同焦慮?
這兩個(gè)假設(shè),其實(shí)有現(xiàn)成的答案。
第一個(gè)假設(shè),如果發(fā)生在春秋戰(zhàn)國,結(jié)局會(huì)變成三個(gè)人都自刎而亡。這就是著名的“二桃殺三士”的故事。
第二個(gè)假設(shè),如果發(fā)生在希臘神話里,結(jié)局將會(huì)是引發(fā)一場戰(zhàn)爭,那就是“特洛伊之戰(zhàn)”。
回到教育焦慮這件事兒。
其實(shí)這和分桃子、金蘋果的故事很像。家長們非常重視子女教育,但是優(yōu)秀的大學(xué)名額是有限的,造成了激烈的競爭。
而高考前的「分流」,從高中階段減少入學(xué)名額,提高中考難度,就相當(dāng)于減少獎(jiǎng)勵(lì)比例,讓有些人知難而退,從而降低高層次競爭難度。
但是桃子和蘋果的故事告訴我們,減少供給,并不會(huì)減少焦慮,反而會(huì)讓競爭變得更加慘烈。
因?yàn)榻逃龔膩聿皇墙逃龁栴},而是一個(gè)相對公平的,提供階層躍升,或者階層更新的競爭系統(tǒng)。
這就好比,要解決高房價(jià),暫停土地拍賣和叫停房地產(chǎn)融資,也不可能讓房價(jià)下降,只有提供更多低成本的土地才可以。
只有增加供給,才能讓競爭者的心態(tài)更平和,焦慮更少。
減少優(yōu)質(zhì)資源供給,或者設(shè)定前置分流系統(tǒng),只會(huì)讓焦慮更加嚴(yán)重,或者讓焦慮換一種方式存在。
好文章,需要你的鼓勵(lì)
新加坡國立大學(xué)研究團(tuán)隊(duì)開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實(shí)驗(yàn)顯示,僅訓(xùn)練AI玩簡單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學(xué)題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟(jì)大學(xué)團(tuán)隊(duì)開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機(jī)噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學(xué)習(xí)和數(shù)學(xué)優(yōu)化方法,在合成數(shù)據(jù)集上實(shí)現(xiàn)37.9%的精度提升,并在真實(shí)設(shè)備上展現(xiàn)出色泛化能力,為機(jī)器人、AR和自動(dòng)駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學(xué)研究團(tuán)隊(duì)通過對比實(shí)驗(yàn)發(fā)現(xiàn),經(jīng)過強(qiáng)化學(xué)習(xí)訓(xùn)練的視覺語言模型雖然表現(xiàn)出"頓悟時(shí)刻"現(xiàn)象,但這些自我糾錯(cuò)行為并不能實(shí)際提升推理準(zhǔn)確率。研究揭示了AI模型存在"生成-驗(yàn)證差距",即生成答案的能力強(qiáng)于驗(yàn)證答案質(zhì)量的能力,且模型在自我驗(yàn)證時(shí)無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機(jī)構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動(dòng)態(tài)稀疏性實(shí)現(xiàn)大語言模型訓(xùn)練加速1.6倍,計(jì)算成本降低2.2倍。該方法使用SVD稀疏性估計(jì)器智能選擇重要計(jì)算部分,在保持模型性能的同時(shí)顯著提升訓(xùn)練效率,已在多個(gè)任務(wù)上驗(yàn)證有效性。