我工程化了我的部分教学工作。这是我的一份讲义：人大802考研真题微观经济学部分。我用的Cursor，配置好了LaTeX环境和我的讲义模板，在编辑器中进行编辑，在预览器中预览，在Chat中随时和AI进行问答：我当然知道这个问题的答案，这只是一个示例 (smirk
好消息是Cursor能够帮我补全和修改一些LaTeX代码。坏消息是人工智能还无法完成这些题目：我仍然需要一个一个地为他们撰写参考答案。但是，我可以看到，在未来三年中，这项工作必然能够被人工智能完成。
人工智能会犯错误，它们无法处理很多边界条件；它们需要借助外部“计算器”，比如Wolfram或者Python，来完成计算工作；它们无法应对完全新鲜的问题，因为它们并不是真得在“思考”。但是，通过像AlphaGo那样的RL，它们完全有能力掌握这些学科中一个研究生可能会遇到的所有习题。如果你试着为学生找过习题，你就会明白，我们的习题集不是太多了，而是太少了。
我是个技术乐观主义者。学生现在拿到的是渲染后的PDF，而PDF是一个糟糕、非结构化的格式。想象一下如果学生直接Pull我的LaTeX文稿，可以直接在上面增删改差，可以直接用它和AI对话，可以直接用它制作知识卡片、知识问答，甚至还可以帮我一起写这些答案、帮我修正我的错误，然后Merge回我的原仓库。学生将能够以更高效率学到更多知识：这种参与式的学习，也许能带来200%-300%的学习效率的提升。
完成这样的知识协作需要以教育和学习的业务为核心的“GitHub”。它区别于现有以代码为核心的业务，而是聚焦教育者和学习者需要的业务：合作、创作、分发、教学、学习、练习、记忆、与人工智能的结合、推荐算法、娱乐化、以及重中之重的：反馈机制。这样的协作系统的核心目的是为了让学习和教育能够被工程化：低成本、高效率、大规模地提供优质的、经过同行评审的、可交互的、符合学习规律的教育资源。
为什么工程化的学习是重要的：想象一下你被Duolingo那只恶鸟支配学习外语的快乐。Duolingo的核心是一系列的精心设计的语言知识牌组，以及一套游戏化的、符合学习规律的软件系统。Duolingo就是工程化的学习。那么，能否用这样的方式，构建任何一个其他学科的学习资源呢？这需要知识的开源协作和人工智能的继续发展。这一定会让世界变得更好，唯一的问题是，我们需要确保让世界变得更好的是我们，而不是别人。
