法国AIVANCITY学院举办了一场为期三小时的工作坊，邀请来自圣何塞州立大学的苏班卡尔·达尔教授主讲，主题为“人工智能工作坊：从智能推荐到现实世界创新”。本次活动专为硕士生设计，内容从对人工智能生态系统的全面思考，延伸到现场产品演示，再到实践创新挑战，为学生们提供了一次从理论到实践的完整学习体验。
工作坊结束后，AIVANCITY学院的学生们聚集在达尔教授身边，继续交流探讨。达尔教授带来了罕见的多元视角。他是圣何塞州立大学教授、电气电子工程师学会高级会员，同时担任《国际商业数据与网络期刊》主编。他的研究领域涵盖教育中的人工智能、推荐系统、可信人工智能、大数据和智慧城市，拥有美国国家科学基金会资助的研究项目，并与圣何塞市合作开展相关项目。他还作为导师指导初创企业，并担任硅谷商业计划大赛的评委，这使他成为连接学术界与创业界的理想向导。
本次会议涵盖了四个方面：硅谷的创新生态系统以及人工智能如何重塑初创企业的游戏规则；教育中的人工智能，并现场演示myAcademic智能体平台；实践中的推荐系统，附带练习测验；一项关于教育领域人工智能的创新挑战，以五分钟的团队路演结束。
一、硅谷：一个网络，而非仅仅一个地点
达尔教授以一个核心观点开启了本次会议：人工智能让创新加速，而生态系统使其成为决定性因素。数据表明了这一时期的重要性。根据斯坦福大学以人为本人工智能研究院2026年人工智能指数报告，2025年美国对人工智能的私人投资达到2859亿美元，获得融资的美国人工智能新企业达1953家，88%的组织表示已采用人工智能。
硅谷的力量建立在六个相互强化的要素之上：人才、知识、资本、基础设施、市场以及容忍失败的文化。它们共同形成了一个惯性循环。研究滋养初创企业，初创企业吸引资本，资本助力规模化扩张，而收益则被再投资于新的创始人。人工智能通过降低原型制作成本，加速了每一个循环。
人工智能如何改变初创企业的方程式
自然语言编码、可重用的代理和应用程序接口使较小的团队能够实现可信的原型，并每月测试更多的假设。然而，这也带来了新的风险，例如对模型的依赖、可变的推理成本以及较低的差异化。持久的价值仍然源于领域知识、专有工作流程、信任、分发渠道或真正的独特数据优势。
学生们还参观了人工智能技术栈，其中涵盖了从基础计算和能源，到数据、模型和编排，再到教育和医疗垂直应用等各个领域，创业公司都在这里展开竞争。达尔教授展示了开放人工智能公司、谷歌、安思罗匹克公司和英伟达公司如何各自运营创业计划，这些计划旨在通过提供技术访问权限、资金、指导以及市场对接来支持初创企业。
创始人指南
一家成功的人工智能初创公司总是通过更好地解决一个痛点问题来获得成功。达尔教授与学生分享了以下指南：从工作流开始，观察用户、约束和失败的成本；证明入口点，以更快、更低成本或更好的方式交付可衡量的结果；设计可靠性，通过评估、事实锚定、权限和升级至人工来保障；建立防御优势，在工作流、数据、信任或分布方面形成壁垒；负责任地进行规模化，通过单位经济效益、模型风险和客户结果来衡量。
正如一张幻灯片所总结的那样，演示展示了什么是有可能的，但企业交付的是可复现且值得信赖的结果。达尔教授指出，负责任的人工智能不是一层合规，而是产品与市场契合度的组成部分。
大学，创新网络中的活跃节点
像AIVANCITY学院这样的学校位于何处？达尔教授的回答是：大学不应从场边观察生态系统，而应成为其活跃的节点。他描述了五个角色：教学，结合人工智能的掌握、某一领域的深度以及创业的判断力；构建，组织工作室、综合项目、黑客马拉松和创新挑战；翻译，通过与行业和初创企业的合作，将研究转化为产品；治理，发展评估、伦理和公共政策能力；包容，扩大对工具、导师、计算能力和网络的获取。
他还提到了机构间学术合作的具体形式：邀请讲座演变为共同模块和课程、共享的研究主题，如可信人工智能、代理人工智能和推荐系统，以及通过客座教授职位、实习和指导进行的师生交流。他指出，人工智能的下一波浪潮正从通用聊天机器人转向特定领域的执行，在教育、医疗和法律等领域，大学的专业知识和信任度是真正的优势。
二、教育中的人工智能：对myAcademic平台的实时观察
上午的下半部分从生态系统转向了具体的产品。达尔教授介绍了myAcademic，这是一个基于代理式人工智能的智能学习平台，由达尔教授开发，它从通用学习管理系统陪伴学生，直至其职业成功，并进行了现场演示，包括人工智能对简历的反馈，以帮助学生寻找职业机会。
起点很简单。传统的学习管理系统平台组织学习，包括笔记、内容库和手动分析。下一个机遇是理解、预测、推荐和采取行动。myAcademic在现有机构学习管理系统之上增加了一层代理式人工智能，而不是取代它。
四个关键组件
人工智能课程助手：根据批准的课程计划和内容回答问题，并提供引文，当证据不足时则不作回答。
智能记分器：从当前水平到目标水平的差距，以及实现这一目标所需的剩余工作量和表现。
性能分析：根据趋势、优势、劣势和风险指标，为每位学习者提供最佳后续行动。
教师的人工智能：支持课程设计、评估、评分标准、反馈和干预流程。
两个视角，一个循环
对于学生而言，该平台将成绩数据转化为一个持续成功的循环：同步最新的课程数据，分析差距，预测结果，推荐行动，然后学习并取得进步。它能回答诸如“为了下一次考试，我本周应该重点关注什么”或“我可以延迟提交作业吗”等问题。此外，它还允许上传学生的简历，并推荐符合学生专业背景的附近相关工作机会。
对于教师而言，人工智能贯穿整个教学周期，从课程设计到评分，再到识别需要支持的学生。关键在于，教师始终掌握控制权，这得益于透明的建议和由机构设定的权限，以及人工验证机制。当一名学生被标记时，平台会解释原因。
从课程到职业
演示中最具前瞻性的部分将学习路径延伸到了课堂之外。职业顾问根据课程构建技能画像，将课程所学与技能相匹配，识别技能差距，并推荐课程、项目和实习。学生可以提出这样的问题：“我想成为数据分析师。根据我的课程和表现，接下来我应该重点关注哪些方面？”
在这里，护栏至关重要。职业建议仍属咨询性质，具有可解释性，并受学生控制，基于经批准的学术数据，且绝不会推断受保护的特征，也不会单独做出具有重大后果的决定。
三、学生创新挑战
在关于实际推荐系统的课程以及简短的练习测验之后，学生们在“教育领域人工智能创新挑战赛”中将理论付诸实践。问题陈述是所有编程教师都面临的问题：教师需要一种更好的方式来评估编程作业，因为手动检查每个解决方案和每个边界情况是不可能的。要求团队设计一个基于人工智能的平台，该平台能够自动检测错误并提出修正建议。
学生们组成了五人小组，每位成员都带着不同的视角，以确保不遗漏任何重要内容。问题负责人定义目标用户、其需求以及当前方法的局限性；人工智能负责人提出人工智能任务、模型或代理方法；数据负责人识别数据需求、质量限制和访问限制；负责任的人工智能负责人评估隐私、公平、安全、排斥和滥用；产品负责人和推介负责塑造工作流程、价值主张和最终演示。
团队从一个涵盖用户、问题、当前方法、人工智能能力和数据的大纲开始工作，然后是工作流程、人类角色、价值、成功指标和风险。人类角色的问题尤为突出：判断、同意或批准应该由谁来负责？
随后，每支团队都用三张幻灯片进行了一场五分钟的演示：问题以及当前方法不足的原因；人工智能解决方案、其数据以及包含人类在内的设计；最后是益处、成功指标、风险和保障措施。AIVANCITY学院的学生们在创新挑战赛中向全班展示了他们的项目，一支学生团队展示了其基于人工智能的代码评估平台。在达尔教授的人工智能工作坊期间，AIVANCITY学院的高级城市化硕士生们积极参与课程，展示了他们关于创建基于人工智能的代码评估平台的想法。
