人在华东师范大学，上课、教学已经用上了大模型。
例如丢一本《信息系统概论》进去，就可以开始提问了（哪里不会问哪里）：
讲解一下des加密算法。
想要做题来巩固知识点？不用再搜往期试卷了。
直接跟大模型说一声：出题。
而且不再是一个班级一个助教，现在有了大模型，人均一个“助教”不是梦。
只需要填写课程的基本信息、上传教材，它就能自动生成教学大纲。
即使是视频课程，大模型也能直接把视频大纲罗列出来，并且还可以按照知识点进行搜索。
课程视频的要点内容，用知识图谱的方式打开同样不在话下：
当然，编程方面也是信手拈来，包括：
代码生成、代码解析、代码优化、代码检错、语言转换和格式整理。
这便是华东师范大学为学生专门打造的“给所有人的终身教育大模型一体机”，主打的就是让上课、学习的效率Pro Max。
而且这种fashion的上课、学习方式，还是被央视“点赞”过的哦~
但有一说一，这也还仅仅是大模型给华东师范大学带来的改变之一。
教育不止要by AI，还要for AI
AI与教育相遇，可不止是多了一些神奇的教学工具这么简单，更是给教学方式、甚至教育理念带来了新的活力。
华东师范大学数据科学与工程学院的王伟教授，就非常重视人工智能时代下对学生能力的培养。
在王伟教授看来，用AI来赋能教学，改变传统教学模式固然重要，但同时也要培养学生的AI素养和能力。
据此，他提出“数字素养+智慧教育”的综合解决方案。
数字素养，对今天的华东师范大学师生而言，也就是Education for AI。
它可进一步拆解成通用数字能力、数据分析、编程思维、数字思维与问题求解等维度，并融入到不同课程中。
面向全校学生开设分层次、多方向的人工智能（AI）相关课程，覆盖编程思维、数据分析、AI原理等内容，自2019年起就已开始逐步推广。重点是通过实践项目，让学生学以致用。
智慧教育，在今天的数字时代，也就是Education by AI。
除了前文重点介绍过的教育大模型一体机之外，华东师范大学还有大规模个性化在线智慧学习平台 “水杉在线”，以及利用数据驱动的方法对教学过程和教学质量作评测。
在所有措施中，王伟教授认为非常重要的一点就是培养学生的“数字思维”，意味着学生需要学习如何通过数据来洞察问题、提出假设并验证解决方案。
这当中最为关键的便是编程思维，编程不仅仅是写代码，更是一种思维训练，教会学生如何将复杂问题分解为更小、更易于管理的部分，并通过算法来解决这些问题。
与此同时，华东师范大学的周傲英教授则从更宏观的角度诠释了人工智能时代的数字素养教育。
从互联网、大数据到大模型这些年的发展中可以看出，数据已成为继土地、劳动力、资本和企业家才能之后的全新生产要素，将对社会发展和生产力提升产生重大影响。
因此，数字素养教育的前提，就是要充分认识到数据的重要性，那么数据与之前的生产要素相比有什么独特性呢？
周傲英教授提出，数据具有非独占性、非排他性和非稀缺性。海量数据的产生和数据处理技术的飞速进步，驱动了人工智能等新兴技术的崛起。
科学研究作为认识世界的重要手段，其范式也受到数据和技术发展的影响。原有很多科学理论是建立在长期观察、抽象归纳的基础上。但在大数据时代，研究者往往先有海量的数据，再通过机器学习等技术从数据中发现规律和洞见，用数据驱动科学发现。
据此，周傲英教授提出了一个深刻的观点，即“技术在倒逼科学”。
在快速发展的人工智能等领域，技术进步似乎超前于我们对其科学原理的理解，导致了一种现象：我们依赖于技术的有效性，却对其背后的科学逻辑知之甚少。
周傲英教授称这种技术先行的模式对科学教育和研究提出了新的挑战，新的经验主义呼唤新的理性主义，也就是心得科学。只有把应用场景+科技创新+产业发展结合起来，才能一体化进步。
由此可见，AI对于华东师范大学来说不仅仅是教育方式上的转型，更是一种思维上的变革，包括：
教师教学角色转变：从讲授者向引导者、辅助者转变
学生学习方式转变：大规模个性化学习将成为现实
资源获取方式转变：从教师准备课程资源向智能化的跨学科海量资源的智能聚合转变
教学评价方式转变：个性化教学与学习评估成为可能
尤其是在大模型热潮的当下，AIGC更是会成为教学效能的增倍器。
总而言之，现在的华东师范大学，不论是教书或育人，都很AI，很大模型。
那么接下来的一个问题，这一系列基于AI的创新、尝试和探索，定然会在算力上会产生不小的开销，华东师范大学又是如何hold住的呢？
英特尔：让AI在校园里无处不在
像华东师范大学这样的教育创新探索，不仅给高校自身教学、管理系统带来新的挑战，也给IT产业界提出新的诉求。
首先，需要更加灵活多元的基础架构。
高校数字化转型涉及方方面面，需要支撑教学、科研、管理等全方位的应用场景。
这对IT基础设施提出了更高的要求，不仅要有强大的算力，还要有灵活组合、弹性扩展的能力，既能兼顾AI推理等新型负载，又要进一步强化传统的通用计算平台及应用。
第二，软硬兼修的优化适配。
随着大模型在教育领域的应用兴起，高校对AI平台提出了更高的要求。一方面，要加快深度学习框架、算法库等在 CPU、GPU、XPU 等多样化、差异化硬件上的适配优化，提升开发效率和运行速度。另一方面，还要针对教育特定场景(如作文批改、试题生成等)开展软硬件协同创新，开发调优更有针对性的系统。
这就需要IT厂商从底层硬件到上层应用打穿，积极进行技术创新，为高校量身打造“AI+教育”的最佳解决方案。
第三，建立开放包容的合作生态。
教育信息化是一项复杂的系统工程，需要产、学、研、用各界通力协作。从智慧校园顶层设计，到人才培养模式改革，再到具体的产品落地实施，都离不开IT企业、高校、科研机构、应用部门的合作。
这种合作，就要求IT厂商不仅要提供领先的技术产品，还要构建开放包容的合作生态，通过联合实验室、产学研合作项目等形式，共同探索智慧教育的创新路径与发展模式。
最后，还要以师生为本、体验至上。
高校师生在信息化应用中，不仅要数字化，更要智慧化，要让技术深度融入教学、科研、管理、生活的方方面面，带来实实在在的效率提升与体验优化。
所有这些要求，汇成一句话，就是对新时期的IT产品和服务提出了更高要求，既要让使用者简单易上手，又要保障系统的安全稳定运行，这需要厂商深入了解教育的业务特点，围绕师生核心需求点或痛点来设计方案，并提供贴身的实施交付与运营维护服务。
那么如何应对这些诉求？
在众多选择中，英特尔凭借“让AI无处不在”的战略脱颖而出，成为众多高校选择的合作伙伴。
提供强大算力支撑只是一方面，英特尔多样化的产品选择，以及软硬件协同优化，也能帮助AI在教育领域好、快、省地用起来。
具体来说，今年英特尔的主力服务器CPU产品至强® 6处理器平台能满足非常广泛的计算负载，该系列即将到来的性能核P-Core产品和已经发布的能效核E-Core产品的设计，能分别满足不同任务需求，无论是主打密集计算的AI、科学计算、数据实时分析，还是更看重基础设施能效表现的存储、网络及云原生。
从第四代至强® 可扩展处理器开始内置的英特尔® AMX(英特尔® 高级矩阵扩展)，现正在第五代至强® 可扩展处理器上大显身手，而至强® 6处理器的性能核产品也会内置这种类似“CPU中的Tensor Core”的矩阵式AI加速技术，并能配合更多内核（最高128核）、更高效率的微架构来大幅提升英特尔CPU的 AI性能，尤其是与行业AI应用落地密切相关的推理性能。
集成有HBM（高带宽内存）的英特尔® 至强® Max系列处理器，目前也很受大模型行业应用方案开发商和用户的欢迎，至强® 6处理器则会通过支持MCR（Multiplexer Combined Ranks）高带宽内存的方式，继续为大模型海量、频繁的数据访存需求提供支撑，专攻涉及大量的权重数据读取的场景。
除这些CPU新老主力的布局外，英特尔还提供Arc系列独立显卡供学生体验学习，并通过组织编程竞赛等形式，激发学生创新实践的兴趣与潜力。
“通过这些课程的学习，学生不仅掌握了AI的基本原理和实践技能，更树立了AI伦理的正确价值观。”北大信息学院副教授谢睿如是评价。
除了硬件算力支持以外，别忘了软件协同优化在教育领域的作用。
英特尔从开源开放的OneAPI工具套件，再到面向教育场景优化的OpenVINO™ 工具套件，早就形成了“硬件+软件+生态”的协同创新体系。
教育与科技的双轮驱动
除算力之外，教育在AI时代其实还有一项不足：课程的实践性，也就是如何让学生掌握真正能落地的AI技术。前文提到的华东师范大学重视Education for AI，就是出于这种战略考量。
对此，引入应用一线的企业资源，实现合作双赢就成了众多高校的选择。
英特尔除了算力层面之外，已经与多所高校展开相关的合作。
例如英特尔携手北京大学，在师生AI素养培养方面进行了积极探索。双方携手开设了面向人文社科专业的AI通识课程，旨在“AI+X”复合型人才的培养。
在技术生态层面，英特尔还十分注重产学研的协同创新，成立了“未来智慧教育联合实验室”，聚焦多模态学习分析、学习者画像、因材施教等方向，共同推进教育人工智能关键技术的研发与应用。同时，英特尔还发起了“英特尔® 未来教育加速计划”，旨在帮助高校更好地利用英特尔软硬件平台，加速智慧教育应用的孵化与产业化。
可以预见，这些动作既是在培育时代新人，又能推动IT产业自身实现升级迭代，成为教育与科技的双轮驱动。
为了科普CPU在AI推理新时代的玩法，量子位开设了《最“in”AI》专栏，将从技术科普、行业案例、实战优化等多个角度全面解读。
我们希望通过这个专栏，让更多的人了解英特尔® 架构CPU在AI推理加速，甚至是整个AI平台或全流程加速上的实践成果，重点就是如何更好地利用CPU来提升大模型应用的性能和效率。
未来随着英特尔AI产品技术组合的进一步扩展和丰富，我们还将在这里为大家提供更多产品技术上的优秀用例与方案分享，以及技术应用指南。
— 完 —
