陶哲轩力荐，哈佛反向学习法火了：教会AI就是教会自己

说到让AI学数学，这个思路本身就挺有意思。提出这套教学方法的Michael P. Brenner，是一位在应用数学和物理学领域深耕多年的哈佛教授——从MIT到哈佛，他的研究一直聚焦于用数学方法解决工程和科学中的复杂问题，后来接触到机器学习，又对“如何让机器辅助科学发现”产生了浓厚兴趣。

在哈佛，他负责一门面向研一学生的课程“Applied Math 201”，主要讲怎么用数学方法处理硬科学问题（比如物理、工程这类）。本来这是门正经的数学课，但Brenner教授灵机一动：不如让学生教AI来解数学题？于是就有了下面这个操作——当然，这部分成绩不计入正式考核，纯粹是个“实验性附加题”。

整个学期的安排是这样的：学生在平时作业里需要积累提示词经验，提交那些效果比较好的提示词。到了期末，大家合力完成一项最终研究——检验AI的学习成果，看它能不能通过期末考试。

据Brenner教授介绍，有15位同学参与了这个项目，分成了三个小组：

• 第一组负责提示工程，收集并整理整个学期大家提交的提示词，评估哪些提示擅长或不擅长解决哪类问题；
• 第二组负责数据集生成，构建一系列包含问题和解决方案的数据，而且要能自动生成；
• 第三组负责基础设施建设，把提示和数据集整合起来，尝试评估和训练聊天机器人去解决期末试题。

过程中，他们针对不同类型的问题绘制了得分图（不同提示下解决方案能得多少分），并制定了一套评分标准，满分25分。

最终成果很亮眼：学生们构建了一个开箱即用的数学模型，最高得分达到了20分。

课程结束后，学生们也热情地送上了感谢。

烹饪也能碰撞应用科学原理

其实Brenner教授不是第一次搞这种“跨界创意”了。他的另一门课《Science and Cooking: From Haute Cuisine to the Science of Soft Matter》直接让烹饪和科学原理来了个面对面碰撞。

课程介绍写得特别接地气：简单说，就是一边学做饭，一边理解背后的科学原理——比如分子怎么影响风味，热量在烹饪中到底起什么作用。而且特别强调：做出来的东西必须能吃。

这操作直接打破了学生们的固有认知，以至于有人感慨：原来科学课还可以这么玩。