AI课到底怎么开？我们把答案拆进了10节课里

以下文章来源于团副说，作者：团副

今年6月，我们先后在成都、南京、北京和深圳举办了四场AI教育发布会，正式发布蓝桥青少AI教育评测与教学体系，以及以统一AI能力标准为基础的AI能力认证体系。

那一轮发布，主要解决的是方向和标准问题：孩子应该学什么，老师应该怎样教，学习结果又该如何评价。

但发布会结束后，很多机构老师很快问到了更具体的一步：体系有了，第一堂AI课怎么上？老师能不能快速上手？设备条件一般，能不能开班？家长又能看到什么？

因此，8月3日的线上宣讲会，成为四城发布会之后的第一个落地动作。

这一次，我们把升级后的蓝桥青少AI课程L1完整拆开。原来的6节课升级为10节课，课程内容、能力目标、课堂任务和评价方式都重新进行了梳理。每节课还配有教案、备课指南、学生任务单、课后小测和教师活动操作卡。

机构不必再从零开发课程，而是可以在熟悉方案后，直接组织教师备课，启动AI教学班。

整场宣讲会直播，按照六位教研老师的研发分工依次展开。

靳简明

AI学习的四个能力层次

TECHNOLOGY

一门课程是否成熟，首先不取决于课件有多少页，而取决于它有没有清晰的能力目标。

靳简明博士在宣讲中先提出了一个问题：

孩子会和AI聊天、会生成图片、会让AI写作文，能不能说明他已经学会了AI？

答案是，还不能。

今天的模型已经足够强。一个孩子只输入一句简单指令，也可能得到一张漂亮的图片、一段完整的文字，甚至一个看起来颇为成熟的作品。

如果只看成品，我们很容易把模型本身的能力，误认为孩子已经形成的能力。

真正能够说明学习发生过的，是作品生成之前和生成之后的过程：孩子是否想清楚目标，是否知道为什么使用AI，能不能检查结果，有没有根据问题继续修改，最后是否保留了自己的判断。

基于这一点，我们把AI学习归纳为四个能力层次：识别、使用、理解、审视。

识别，是知道AI接收了什么信息，正在完成什么任务；使用，是能够选择合适的功能，把要求表达清楚；理解，是知道输入、数据和环境为什么会影响结果；审视，则是在面对AI输出时，能够核验、判断，注意信息安全，并对最终采用的内容负责。

这四种能力不是四门彼此分开的课程，也不是L1只学识别，等到更高级别才开始理解和审视。

即使在一个简单的识花任务里，孩子也需要判断这是怎样的AI应用，选择合适的拍摄方式，理解光线和角度可能影响结果，并在不同工具给出不同答案时继续核验。

所以，L1虽然不训练模型，也不讲复杂算法，却有非常清楚的学习目标：

认得出、选得对、说得清、知道会错、懂得保护。

这套能力框架，是后面10节课展开的基础。它也帮助机构判断，自己要开的究竟是一门AI能力课程，还是一组短期的工具体验活动。

张浩然

老师需要怎样的AI课

TECHNOLOGY

能力标准明确之后，下一个问题是：老师拿什么上课？

张浩然负责介绍的是课程的完整资源包。

蓝桥青少AI课程每一节课都配有五项核心资源：课堂教学PPT、教案和备课指南、学生任务单、课后小测、教师活动操作卡。

这五项资源并不是简单地把材料做得更多，而是分别对应教学中的几个关键环节。

课堂PPT解决一节课怎样展开，教案和备课指南帮助老师理解目标、重难点与时间安排，学生任务单确保孩子不是只听老师演示，而是需要观察、判断、记录和讨论。

课后小测用来确认孩子是否真正掌握了相应能力，教师活动操作卡则把材料准备、设备调试、互动组织和课堂控时等细节进一步落实。

几项资源组合起来，构成的是一套完整教学闭环：

老师知道怎样备课，课堂知道怎样组织，学生必须完成任务，学习结果能够检测，家长也能看到孩子的成长过程。

这也是我们所说的“可以直接开课”的真正含义。

它并不是说老师不需要理解课程，拿到PPT之后照着念就可以。任何一门课程都需要认真备课。

区别在于，机构不必再从一张白纸开始开发。

老师第一次备课时，也不需要先逐页熟悉PPT。更有效的顺序，是先看教学目标，明确这节课要把学生带到哪里；再看学生任务，确认孩子最后要完成什么；随后研究活动操作和课堂组织，最后回到课件与小测。

先看清目的地，再设计怎样带孩子走过去。

课程对设备条件也保持了足够的适应性。网络稳定、设备充足时，孩子可以亲自操作；条件有限时，老师统一投屏演示，学生借助任务单、题卡和纸笔，同样可以完成判断、记录、讨论和核验。

AI课的“动手”，不只是点击工具。

动脑思考、动笔记录、开口讨论、回到证据里检查结果，都是课堂参与。

设备是加分项，但不是机构开设AI教学班的前提。真正不能缺少的，是学生在课堂中的深度参与。

张丹丹

AI课程不能只教工具

TECHNOLOGY

资源准备完整，并不意味着课堂自然就能上好。

同样一套课件，不同老师可能上出完全不同的效果。原因往往不在资源多少，而在教师怎样理解AI教育。

张丹丹在宣讲中回应了三种常见认识。

第一种是，AI只是工具，让孩子多使用几次，自然就会了。

但操作熟练并不等于真正理解。孩子如果不知道工具适合解决什么问题，也不清楚结果为什么这样出现，就很难形成稳定、可迁移的使用能力。

第二种是，AI像一个黑箱，原理过于复杂，基础阶段没法教。

实际上，学习从来都有层次。低龄阶段不需要展开复杂算法，但完全可以通过“输入—处理—输出”观察一个AI系统怎样工作。

孩子可以看到一张图片怎样被拆成像素，颜色怎样变成数值；也可以录制一段声音，观察声音怎样被采样和转化。

先形成真实体感，再逐步进入更深入的原理，并不矛盾。

第三种是，学习AI就是学习大模型。

生成式AI只是人工智能的一部分。生活中的识图、语音识别、推荐系统和智能控制，并不都依赖大模型。AI出错，也不只有所谓“幻觉”一种原因，还可能与输入质量、数据条件和功能选择有关。

这些理念会直接改变课堂设计。

我们不是把工具演示一遍就结束，而是要求孩子完成操作、记录过程、比较结果，并把自己的判断留在任务单上。

最终呈现给老师和家长的，也不应该只有一件AI生成的作品。

孩子读出了什么数据，怎样完成任务，在哪一步进行了修改，为什么删掉某些信息，这些过程同样需要被保留下来。

李佳琪

建立正确的AI认知

TECHNOLOGY

进入逐课拆解后，李佳琪介绍了L1第1至第4课。

这四节课没有急着教孩子使用最新的大模型，也没有从提示词技巧开始，而是先解决一个更基础的问题：面对不断更新的AI工具，孩子需要建立什么样的认知，才不会随着产品变化而过期。

第一课帮助孩子校准对AI的认识。AI很强，但不是人；AI可以提供帮助，但它给出的内容并不天然等于答案。课程希望孩子既不神化AI，也不因为一次识别错误就轻易否定它。

第二课训练判断AI的证据意识。孩子不再笼统地问“这个产品是不是AI”，而是学会拆解具体功能，从输入、任务、输出和证据四个角度作出判断。

第三课通过九宫格识图挑战，让孩子直观感受到：AI的判断与它获得的信息有关。图片被遮挡、只呈现局部，或者角度发生变化，都可能影响最终结果。

第四课则进入数据问题。孩子不仅要知道图片、声音、文字和数字都可以成为数据，还要进一步理解，数据有明确用途，也有安全边界。

前四课形成的是一条连续的认知路径：从校准认知，到建立证据意识、分析意识和数据边界。它们要完成的，不是让孩子记住几个工具，而是让他逐步具备理解和判断AI的能力。

阮炜

把理解带进真实任务

TECHNOLOGY

第5至第7课，由阮炜进行拆解。

如果说前四课解决的是“怎样看懂AI”，那么这三节课解决的就是：孩子怎样把这些理解带进真实任务，并逐步练出真正的使用能力。

第5课从“AI的眼睛和耳朵”开始。孩子通过视觉识别和声音识别的课堂体验，把一个AI系统拆成输入、处理和输出三个环节。课程的重点不只是让孩子体验工具，而是让他能够读懂一个AI系统大致怎样工作。

第6课训练孩子选择功能、表达任务。课程不要求孩子把提示词写得很长，而是先明确任务给谁、要完成什么、需要哪些细节、希望得到怎样的结果。拿到AI输出以后，还要继续检查是否满足要求。

第7课进一步进入核验。孩子需要先独立观察、作出判断，再比较AI给出的答案，回到原图、原文或其他证据中进行检查。课程将这套动作概括为“停、查、比、问”，帮助孩子逐步形成基于证据判断的习惯。

三节课分别留下系统流程图、AI任务派单卡和AI核验卡。对机构老师而言，这意味着课堂任务可以组织，学生表现可以观察，学习成果也能够被保留下来、呈现给家长。

王子文

从交底AI到主导AI

TECHNOLOGY

第8至第10课，由王子文进行拆解。

孩子开始使用AI以后，很容易把它当成一个可以无话不说的伙伴，把任务、信息和判断一起交出去。最后三课要解决的，正是怎样让孩子从“交底AI”，逐步走向“主导AI”。

第8课讲人机协作。孩子要先明确任务和评价标准，再让AI提供草稿，随后由人完成核验、选择和修改。最后还要通过“协作小票”说明AI做了什么、自己检查和修改了什么，以及最终由谁承担责任。

第9课重点训练信息安全判断。课程不只让孩子背诵哪些信息不能提交，而是帮助他理解多条普通信息组合后可能产生的风险，并学会围绕任务判断：这项信息是否真的需要，有没有更安全的替代方式。

第10课则通过新的校园任务，检验孩子能否把前面的方法迁移过来。学生需要根据事实材料组织提示词，核验AI草稿，找出没有依据的内容，并说明自己修改的理由。

三节课共同覆盖了一次AI任务的完整过程：明确目标、提供信息、核验结果、修改发布。最终要让孩子知道，AI可以参与任务，但目标由人确定，信息按需提供，结果依据事实使用，最后的决定与责任仍然留在人手中。

回过头看，这场宣讲会完成的，是6月四城发布会之后非常关键的一步。

在四城发布会上，我们发布AI教育评测与教学体系、AI能力认证体系，是为了建立标准，回答AI教育应该走向哪里。

这一次，我们把视线进一步拉回课堂，回答的是另一组问题：

标准怎样进入每一节课？教师能够获得哪些资源？学生需要完成什么任务？学习过程如何被记录？一家编程机构怎样据此开设持续、稳定、可评价的AI教学班？

从体系发布到课程交付，中间看似只是从“大”走向“小”，实际上是教育产品最难的一段路。

行业从来不缺框架，也不缺对未来的判断。真正稀缺的是，把一个宏观方向拆成老师能够讲授的内容、孩子能够完成的任务，以及家长能够看见的成长。

这套L1课程已经完成了这一轮拆解。

课纲、课件、教案、任务单、小测、教师活动支持和等级评价之间，已经建立起对应关系。机构不需要再从零开发一门AI课，也不必追着每一个新模型不断重做课程。

当然，课程准备充分，不代表教学可以被简单复制。

老师仍然需要理解目标、熟悉内容、观察学生，机构也需要完成师资组织和日常运营。教育最终能否发生，依然取决于课堂中的人。

但对正在考虑开设AI教学班的编程机构来说，最困难的“从零到一”已经被大幅缩短。

接下来要做的，是看懂这套课程，熟悉教学资源，组织教师备课，然后把第一堂课真正开起来。