下午2点，一批学生走进教室。
屏幕上已经放好了今天的标题：
Artificial Intelligence
老师先问：
“大家平时用过AI吗？”
很多人举手。
有人用过聊天机器人。
有人用AI做过图片。
有人拿它查资料。
也有人说自己经常用AI帮忙整理内容。
气氛不错。
接下来老师开始介绍什么是人工智能。
讲几个常见应用。
展示一些案例。
学生听。
然后进入体验环节。
每个人使用一个AI工具。
输入指令。
看到结果。
再调整。
最后完成一个小任务。
课程结束。
合照。
如果项目有证书，再发证书。
学生离开教室。
整个过程没有什么问题。
甚至可以说，这已经比单纯坐着听讲有趣很多。
但有一个问题：
如果这堂课在北京、上海、广州或者任何一座城市都可以原封不动地完成，那么学生为什么需要专门来到新加坡上它？
这不是说AI课程没有价值。
而是当一堂课程被放进“海外研学”以后，可以继续往前走一步。
既然学生已经到了新加坡，那这座城市最好也参与进来。
所以，我们先把刚才那堂课拆掉。
先拆掉第一块：
“什么是AI？”
这部分当然要讲。
尤其年龄较小、接触AI不多的学生，需要基础。
但现在的孩子对AI已经不像几年前那么陌生。
很多中学生第一次进入AI研学课堂以前，可能已经实际使用过相关工具。
如果课程前四十分钟仍然全部用于解释：
人工智能是什么。
它的发展历史是什么。
有哪些类型。
学生很容易出现一种感觉：
“这些我好像听过。”
所以第一块不用完全拿掉。
压缩。
把它变成共同起点。
真正需要时间的，是后面的问题：
AI到底在解决什么？
现在教室里不再先讲技术。
老师给学生看几个生活场景。
机场。
交通。
酒店。
医院。
港口。
商场。
学校。
旅游。
然后问：
“这些地方，有什么问题是AI可能参与解决的？”
学生开始想。
机场人很多。
能不能更快找到路线？
交通会拥堵。
能不能预测？
酒店有不同国家的客人。
语言怎么办？
医院病人多。
AI可以做什么？
港口每天处理大量货物，又需要什么技术？
这时候AI从一个抽象名词，慢慢进入现实。
学生不需要马上回答对。
甚至有些想法可能完全不现实。
没关系。
研学的第一步不是培养工程师。
而是让孩子开始意识到：
技术不是为了展示技术本身，而是为了处理现实问题。
接下来拆第二块：
“跟着老师操作AI工具。”
这也是AI课程最常见的一部分。
老师在屏幕上输入什么。
学生跟着输入。
老师生成一张图片。
学生也生成。
老师演示一个提示词。
学生照着做。
优点很明显。
课堂容易控制。
每个人都能完成。
结束以后也有成果。
问题同样明显：
孩子学会的是“怎么完成老师的步骤”。
如果离开这堂课，他还会不会自己使用？
不知道。
所以这一块也不删除。
换一种方式。
工具可以教。
但教完以后，不再给统一答案。
给问题。
假设这批学生的新加坡研学主题是：
“AI与未来城市。”
那么任务可以变成：
“你们接下来会在新加坡观察一个真实的城市问题，请选择其中一个，并尝试设计AI解决方案。”
交通。
旅游。
环境。
老龄化。
公共服务。
语言沟通。
城市安全。
不同小组自己选。
这时候工具突然有了用途。
学生不是为了“学习这个AI工具”而使用它。
而是因为自己有一个问题，需要工具帮忙。
逻辑完全变了。
课程进行到这里，先停。
不要继续在教室里做完。
学生离开。
因为下一部分答案不在屏幕上。
在新加坡。
一组学生选择了：
旅游。
他们开始观察。
游客在陌生城市里最容易遇到什么问题？
找路？
语言？
不知道附近有什么？
不了解公共交通？
临时下雨以后不知道去哪里？
他们可能在滨海湾、文化街区或者其他实际路线里慢慢记录。
另一组选择：
交通。
他们开始注意地铁。
公交。
人流。
换乘。
站点信息。
再有一组选择：
老龄化。
他们观察公共空间里有没有适合老年人的设计。
座椅。
无障碍。
交通。
指示。
还有一组选择环境。
绿化。
垃圾。
能源。
水。
每一个小组走的是同一座新加坡。
看到的却开始不同。
这时候，AI课已经离开了教室。
这一步也是 Lewei Education 和新加坡金溪旅行社之间需要真正配合的地方。
如果教育端只是说：
“我们设计了一个AI城市观察任务。”
还不够。
学生去哪里观察？
30个人怎么分组？
什么区域同时具有足够的城市内容，又适合学生安全活动？
任务做多长时间？
中间需不需要交通？
老师怎么管理？
下雨以后怎么办？
这些全部进入当地执行。
所以新加坡金溪旅行社在设计实际路线时，需要反过来理解教育任务。
不是简单找一个“热门景点”塞进去。
如果学生研究交通，就要让他真正有东西可以观察。
如果研究旅游，就要进入游客和城市服务发生关系的空间。
如果研究城市环境，也需要对应场景。
Lewei Education从教育目标出发。
金溪从新加坡真实场景和地接条件出发。
两边不断往中间靠。
最后才会形成学生真正走的那一天。
现在，把学生带回教室。
或者回到一个适合讨论的空间。
桌面上已经不是刚才那些统一练习。
每组都有自己的记录。
照片。
问题。
观察。
甚至一些很不成熟的想法。
接下来进入AI研学真正有意思的一段：
“你们到底想解决什么？”
这句话看起来很简单。
学生却经常会卡住。
“我们想解决交通。”
太大。
交通的什么？
“堵车。”
在哪里堵？
为什么堵？
谁受到影响？
AI真的适合解决吗？
还是修一条路更直接？
学生开始发现：
技术不是魔法。
不是所有问题最后加一句“用AI”就会变成科技创新。
这其实是AI教育里很重要的一层。
孩子很容易产生一种印象：
AI什么都能做。
真正进入问题以后才会发现，第一步不是找AI。
是先把问题讲清楚。
假设一个小组最后选择：
帮助第一次来新加坡的游客更方便地规划一天路线。
他们发现游客会遇到几个问题：
天气变化。
不同景点距离。
交通。
开放时间。
个人兴趣。
于是开始设计。
有人提出做一个AI行程助手。
输入：
年龄。
时间。
兴趣。
天气。
所在位置。
系统给出建议。
听起来不错。
老师继续问：
“如果一个老人和一个15岁的学生输入同样的景点，会得到一样的路线吗？”
“不应该。”
“为什么？”
“老人不能走太多。”
“如果突然下雨呢？”
“要调整。”
“如果用户不喜欢购物？”
“就不要推荐商场。”
到这里，学生其实已经开始接触一个非常真实的问题：
AI系统的输出质量，很大程度取决于它理解了多少用户条件。
这比单纯学会写一个提示词，往前走了一步。
另一组研究公共交通。
他们想做一个“预测车厢拥挤程度”的系统。
老师问：
“AI怎么知道哪一班车会拥挤？”
学生开始说：
需要数据。
什么数据？
时间。
站点。
历史客流。
活动。
天气。
也许还有节假日。
这时候，“数据”这个词不需要老师专门花半小时定义。
孩子自己遇到了。
因为没有数据，他的方案根本做不下去。
学习开始从问题里长出来。
接下来，把最开始拆掉的第三块拿回来：
成果。
很多AI课程的成果是：
生成一张图。
做一个程序。
拿一张证书。
这些当然都可以。
但现在成果可以换一种形式。
每组最后只需要回答四件事：
我们在新加坡看到了什么问题？
为什么认为它值得解决？
AI可以在哪一步提供帮助？
我们的方案有什么局限？
最后一个问题尤其重要。
有什么局限？
孩子通常不太喜欢回答。
因为做项目的时候，大家都希望自己的方案很厉害。
但真实世界不是比赛宣传页。
AI会出错。
数据可能不够。
隐私怎么办？
老人会不会使用？
成本高不高？
如果系统判断错了怎么办？
技术是否真的比人工方式更好？
高中阶段甚至可以进一步讨论：
如果AI提高效率，却减少了一些岗位，应该怎么看？
如果系统使用大量个人数据，便利和隐私怎么平衡？
当这些问题出现以后，AI研学才真正从“好玩的科技体验”走向一点点真实世界。
回头看，我们已经把最开始那堂AI课拆得差不多了。
原来是：
老师讲AI。
学生听。
老师演示。
学生跟。
完成任务。
拿成果。
现在重新搭起来以后，变成：
先认识AI。
再找现实问题。
进入新加坡观察。
回来定义问题。
选择工具。
设计方案。
讨论局限。
最后表达。
AI课程还是存在。
只是它不再是整趟AI研学的全部。
它变成了一个起点和工具箱。
真正的教材，有一部分已经变成了新加坡本身。
这也是为什么如果学校找到 Lewei Education 和新加坡金溪旅行社，希望做一个“新加坡AI研学”，第一步最好不要只是问：
“有没有AI课程？”
课程当然可以有。
真正应该继续问的是：
学生多大？
以前用过AI吗？
这次希望偏体验还是偏项目？
想不想和城市、产业或者现实场景连接？
最后希望孩子完成什么？
如果只是第一次接触，小学生完全可以从有趣的体验开始。
如果是初中生，可以加入城市问题和小组任务。
到了高中阶段，则可以进一步加入数据、伦理、产业和方案设计。
同样叫AI研学，最后可以完全不同。
下午课程结束。
学生收拾电脑。
今天没有人做出一个真正可以上线的AI产品。
也没有哪个小组真的解决了新加坡的交通、旅游或者老龄化问题。
这很正常。
他们本来就不是来五天创业的。
真正值得留下来的，是一个变化：
课程开始的时候，学生问的是：
“AI能做什么？”
课程结束的时候，有人开始问：
“这个问题真的需要AI吗？”
两个问题只差了一句话。
思考方式却完全不同。
所以新加坡AI研学不一定需要安排更多AI课。
有时候，真正应该做的是把一堂课拆开。
一部分留在教室。
一部分放进城市。
一部分交给学生自己。
最后再重新拼回来。
这样孩子带回去的，就不只是“我在新加坡上过一堂AI课”。
而是第一次尝试过：
看到一个真实问题。
想办法理解它。
再决定技术能不能帮上
热门跟贴