清华AI课堂实验：我们对"上课"的想象，可能已经过时了

图源：OpenMAIC

撰文｜张天祁

这些日子，清华一段课堂视频在海外社交平台流传。

AI老师配合幻灯片做语音讲解，遇到复杂概念时在白板上一步步推导。几位性格各异的AI同学随时打断提问、发起讨论，期间还穿插着随堂测验和可供动手操作的交互式模拟实验。开课也很简单，上传一篇论文，或者问一句话，比如“告诉我什么是DNA”，几分钟后屏幕上就会出现这样一个虚拟课堂。

这不是演示视频，而是清华大学一门真实运行的学分课程。发布这段视频的，是清华大学教育研究院助理研究员于济凡。让他有些意外的是，这套AI课堂工具最先在AI圈引发关注和讨论，而不是教育圈。

该项目名叫OpenMAIC（Open Multi-Agent Interactive Classroom），2026年3月上线以来，GitHub星标已接近2万。

OpenMAIC基于清华大学开发的MAIC（Massive AI-empowered Courses）理念构建。这是一套由清华团队历时数年搭建的AI教学方案，覆盖从备课、教学到评价的完整流程，并于2025年上线国家智慧教育公共服务平台。

清华MAIC

同年，MAIC被纳入清华大学新生录取通知书的配套资源。每位清华新生都可通过专属账号登录，而这也是他们步入大学后接触到的第一门AI授课的学分课程。

OpenMAIC想做的，甚至已经不只是把一堂课交给AI。近期更新中，它新增了项目式学习（Project-Based Learning，PBL）场景，让学习者从一个真实或开放的问题出发，让学习者在持续探索、尝试、协作和修改中完成一个项目。

它的开发者于济凡，用一句话来概括其核心理念：将人工智能融入教育教学的全过程、全环节。

图源：OpenMAIC

本科毕业后，他保研清华计算机系。2022年，他参与中国最早超大模型悟道2.0的研发，负责部署应用和评测工作，还曾在智谱担任AIGC中心主任。研究生阶段，他转入清华大学在线教育研究中心，参与MOOC与在线课程平台相关研究，重点在知识组织、学习过程建模与个性化教学等方向。

在于济凡的自我认同里，他首先是一位AI研究者。而他的研究内容始终与教育紧密交织。他和同事们关心的是：技术如何改变知识的传播方式。

01 当AI教师战胜真人教师

2024年，在清华大学教育学院张羽教授团队的指导下，MAIC团队在全北京招募约200名不同水平的大学生，做了一次严格的随机对照实验。学生被分为三组：AI老师授课组、真人老师授课组，以及真人老师录制的视频课组。课程内容相同，考核覆盖知识成绩、AI素养、批判性思维等多项指标。

结果出乎很多人意料。不管是直接的学习成绩，还是多项素养指标，AI老师组要么与真人老师组无显著差异，要么显著优于真人老师组。参与实验的清华计算机系教授刘知远事后说，他"很荣幸被AI的自己打败了"。

但于济凡对这个结果有一种特别的解读方式，他认为理解这个实验的关键，不在于AI赢了真人教师，而在于搞清楚它在比什么。

他说，如果把刘知远老师本人和一个学生放在一起，一对一上课，AI不会有胜算。在讲课能力这件事上，他相信人类，也认为AI还有很大的提升空间。

但这不是上述实验所比较的情境。刘知远面对的是一个大班，几十个学生坐在台下，每个人理解程度不同，卡住的地方也不同，而真人老师的时间和注意力有限，只能按照统一进度往前推。AI老师则不然，表面上看，所有学生似乎都在上同一堂课，实际上每个人面对的都是自己的课堂。

“本质上比的不是AI的讲课能力和老师的讲课能力，而是比到底讲课能力重要，还是个性化重要？”而答案，于济凡认为显然是个性化。

在三组实验中，即便是真人老师录制的视频课组，学生成绩也不比真人老师现场大班授课组的差。这件事本身就说明了问题，只要学生能自己控制学习节奏，哪怕是学习一个视频网课，效果都要好过几十个人的大班授课。

一次对照实验只是研究的起点。于济凡介绍，要得出更有说服力的结论，还需更长周期的追踪研究。为此，他们正在推进持续6至8周、甚至8至10周的连续测试。

从目前收集到的反馈来看，无论是大学还是中学，使用AI组的学生各项成绩指标都明显更好。学生们对这个非商业化产品的功能和模型能力提了不少意见，但总体评价高度正向。

得到这样的反馈，并不只是靠AI模型的能力，而是AI工具与教学法的叠加效应。于济凡强调，如果没有好教学法的约束，AI甚至可能带来负面影响。

在他看来，OpenMAIC更像是MAIC体系下诞生的阶段性成果之一。

MAIC之所以能够持续推进，背后聚集的不只是技术团队，也包括教育研究者、课程教师以及来自清华大学和教育部平台的资源支持。

相比OpenMAIC这样的具体工具，于济凡更愿意把MAIC理解为一种持续演化的教育实验。不同的课程、平台和智能体工具不断加入其中，共同探索AI进入教育之后，课堂究竟还可以是什么样子。

这套体系背后的核心理念，被团队概括为“将人工智能融入教育教学全过程、全环节”。清华校内曾经使用过“AI自动驾驶课堂”的说法，但后来被放弃了。于济凡认为，这个表述容易让人误以为AI是在替代教师和学生，而这恰恰不是他们想做的事情。

按照他的描述，AI几乎可以参与课程的每一个阶段。以备课为例，即使教师完全不介入，系统也能自动生成课程内容、PPT、讲稿、习题与作业，并完成后续播放和执行。但团队始终为教师保留了充分的参与空间，因为AI的价值并不是取代教师，而是帮助教师摆脱大量重复性的工作。

目前，MAIC已被应用到清华校内近50门课程之中。不过，大多数课程并非完全由AI承担教学，而是将AI嵌入某些教学环节。真正采用全AI方式执行的课程仍然只是少数，包括部分新生课程以及刘知远等教师开设的课程。

“哪怕AI进入了全过程、全环节，它也不是在替代人。”他说。AI既没有替代学生学习，也没有替代教师教学，而是在课程准备、课堂实施、课后训练、教学评价乃至教育研究等各个环节提供新的能力，让整个过程变得更加AI原生。

02 知识的载体变了，学习的方式也该变了

要理解OpenMAIC想做什么，于济凡认为需要先回答一个更古老的问题：是什么在真正影响学习方式这件事？

他的答案是知识的载体。在他看来，每一次载体的变革都先改变知识传播的方式，再改变教育的组织形式，最终改变人类社会本身的运转方式。

文字发明之前，知识主要依靠口耳相传延续。苏格拉底式的师徒问答，是这种条件下最典型的教学方式。苏格拉底本人其实非常排斥纸笔记录，他认为知识要真正进入人的脑子，最好编成歌谣，让人反复诵读，每读一遍，感悟加深一层。

纸笔出现之后，这套逻辑就不那么必要了。某个学生没来，有人可以帮着把内容记下来，老师于是可以同时带十几个、几十个人。知识从必须当场传递，变成了可以异步分发的内容，学校才成为可能。

印刷机让这件事走得更远。知识的稀缺性进一步降低，现代大学制度随之出现。同一套题可以印出一万份，让所有人统一作答、统一批改。“标准化考试，其实是印刷术的产物，不是什么教育规律的必然结论”，于济凡说。

互联网进一步消除了物理媒介，让知识传递几乎没有边际成本。但这些载体都共享一个根本局限：它们承载的信息是固定的，教材和课程本质上是死的，写完之后很长时间都不会变。

大模型打破了这一局限。“大模型是活的，会随着场景变化不断生成新的内容。”于济凡说，“这种以模型或智能体为载体的知识形态，在接下来很多年内，会让整个教育的组织形式，甚至整个人类文明产生极大的变化。”

这件事的意义不只在技术层面，它直接动摇了现行教育组织形式存在的基础。当然，于济凡特意澄清，他并不认为课堂会消失。

“学校教育的功能不只是知识传递，它也是一个社会化过程。”于济凡说。学生在学校里学到的，不只是课程内容，还包括如何与人相处、建立关系、参与集体生活。这些经历与知识学习同样重要。因此，课堂作为一种组织形式依然有存在的价值。

但是“大班授课制”这五个字能否存续，就是另一回事了。在于济凡看来，AI时代“课堂”这个词的内涵将有很大变化。

说到课堂，人们第一反应往往是按年级分班、统一进度推进的大班教学。这些从小学到大学我们习以为常的课堂形态，本质上都是印刷时代的产物。它们解决的是同一个问题：如何让一个老师同时教尽可能多的学生。

于济凡介绍，这套制度是普鲁士人19世纪发明的，伴随着工业化的浪潮推广到全世界，美国后来又融入了学习科学和心理学，形成今天这套通用模式。“这套东西严丝合缝地运转，也就两百年左右，”于济凡说，“从历史周期的角度来看，一个大的体制两三百年也该被革命了”。

在于济凡的理解里，学习并不必然发生在统一的课堂之中。人类社会中大量真实的生产活动，本来就是由规模不大、目标清晰的小团队完成的，学习也可以以类似方式展开。

高质量的学习往往发生在更自发的情境中。可能是发现一个有意思的问题，顺手和身边的人展开讨论。也可能是一个大型项目中，几十个人协作，在不断解决问题的过程中寻找新的信息来源和合作对象。学习、交流与协作交织在一起，而不是被切分成彼此独立的环节。

“这种原生的、自发形成的学习状态，其实更符合人的认知规律。”他说。AI的出现，则第一次让自主的、个性化学习在更广泛人群中成为可能。

不过，如果真的完全跟着每个人的节奏走，没了统一的约束和进度，谁来管住学生的惰性？大众教育如果失去硬性管束，大多数人真的还能坚持学下去吗？

在于济凡看来，这其实已经跳出了微观的教学方法，触及宏观的教育组织问题。他坦言，外部约束依然是有效和必要的，但外部约束不等同于强制，也并不意味着必须把所有人死死捆在传统的教室里。在宏观的教育组织层面上，约束和压力的形态完全可以有不同的设计。

03 教育AI，不只是提供正确答案

在很多人的想象里，AI进入教育，无非是一个更聪明的搜索引擎，学生有问题，AI给答案。于济凡觉得这个理解太窄了，忽视了教育的关键。

在医疗、法律、金融等领域，AI的目标大体还是更准确、更高效地给出答案，或者完成某些事项。但在教育里，这个逻辑是失效的。

于济凡用知识的诅咒来解释这种失效。当一个人彻底掌握某个知识之后，往往很难再理解别人为什么不懂。这个问题放到AI上会更明显，一个能力极强的模型，如果只负责高效输出正确答案，对学习其实毫无帮助。

“教育场景需要AI装不懂或者去共情那些不懂的人，为了摆脱知识诅咒，它面临的技术和逻辑门槛其实非常高。”于济凡说。

AI在教育里真正需要的，是一种很有分寸的能力，知道什么时候该装傻，什么时候该点到为止。沿着学习者的最近发展区一步一步往前走，而不是直接甩出最优解。这是一种非常以人为核心的设计，不是以数据、以打榜为导向的训练。

想要做到这点，涉及的不只是交互设计，更是关于知识和教育的理解。知识通常被分为四个层次：事实性知识、概念性知识、程序性知识，以及元认知知识，即对自身认知状态的认知。

“过去在其他领域对AI的期待，主要停留在前三个层次，让它知道更多，知道得更准。而教育场景真正需要的，是第四个层次。”于济凡说。

在教育场景里，AI也不应该只以老师的面目出现。于济凡认为，问答之外，真正的教育需要激发学生的自我学习动机，增强元认知，培养社会情感与高阶思维能力，甚至让他们在做中学。

为了实现这些目标，AI就不能只扮演一个毫无感情的正确答案输出机。因此，教育智能体架构的设计必须充满弹性。比如为了增强学生的动机，面对特别自卑的同学，AI需要化身陪伴者提供鼓励。到了做中学的场景，AI又需要成为和学生合作的小组成员。

在OpenMAIC的课堂上，正是通过多智能体构筑起一个微型的课堂生态。“上课”流程极其简单，上传一份PDF，或者直接输入一句学习需求，点击"开始生成"，等几分钟，课堂就开始了。

AI老师会围绕着生成的幻灯片内容进行做讲解，不仅有知识性的内容，还有一些可以互动的设计、以及相应的随堂测验题目。屏幕右侧，是AI同学的区域。它们是一组有名字、有性格的角色，会在老师讲解的过程中提问、补充，甚至彼此争论。在一些特定的课程里，他们还可以扮演各类职业的角色。

图源：OpenMAIC

多智能体的设计，起初是工程上的应急之举，于济凡解释，早期单智能体的规划能力不足以维持一堂完整的课，所以引入多个智能体来分担。

但这种设计，恰好符合教育中的社会化学习概念，根据教育学的理论，社会场景模拟得越真实，人们越能投入到学习之中。“只要有第三人在场，所有人的表达状态都会不一样”。