刊林擷思

四、生成式人工智能的賦能機制：技術特質的視角

以DeepSeek為代表的生成式人工智能技術的突破正在重構教育數字化轉型的技術接受邏輯。基于技術接受模型（TAM）的“感知有用性—感知易用性”核心維度，DeepSeek展現的高性價比、開源生態和可視化推理三大技術特質，增強了智能時代的技術接受效能。這些特質不僅通過高性價比帶來的規模效應，提升技術響應精準度，降低人機協同門檻，強化傳統TAM的作用路徑，還通過創造開源生態與教育普惠，拓展了教育數字化轉型的實踐邊界。那么，這些技術特質究竟為教育數字化轉型帶來怎樣的機遇？究竟通過何種機制賦能教育數字化轉型？總體來看，DeepSeek的技術特質主要從三個方面影響技術接受意圖和行為。

（一）高性價比的規模效應

高性價比的推理模型無疑能夠幫助業界更加廣泛地進行模型調用、部署和調試，從而通過規模化的AI應用提升科技普惠程度。對于教育數字化轉型而言，高性價比的規模效應能夠拓展技術普惠、響應長尾需求、構建可持續教育生態。

1.算力成本與教育普惠

DeepSeek的高性價比使其能夠在更多教育場景中發揮作用，如輔助教學設計、提供個性化解答和決策支持。而從長期來看，DeepSeek的算法創新全面壓低了大語言模型的算力成本曲線，不同參數的算力模型能夠在各種類型的設備上本地部署，從而極大地拓展了大模型的應用場景和賦能潛力。（中略）同時，DeepSeek提供的多種類型的輕量化模型，能夠在網絡條件不佳或硬件配置有限的偏遠地區實現本地化部署，助力當地學校開展教學研究與設計，保障最偏遠的地區能與硅谷一樣同步享受世界領先的人工智能技術。這種高性價比帶來的規模效應，不僅顯著提升了使用者的感知易用性，還進一步影響了他們對技術的行為態度，從而推動技術的廣泛應用與普及。

2.長尾教育需求的響應能力

根據長尾理論，小眾需求同樣蘊含著巨大的市場潛力，甚至能與主流需求相互補充，形成新型的市場供應模式。而在教育領域，小眾需求的滿足往往面臨更加復雜的資源制約，通常需要多樣化的技術供應加以解決。DeepSeek的高性價比使其天然具備在教育場景中的泛在能力。不同場景、層級、資源基礎的教育生態都具有使用DeepSeek進行改造的潛力。因此，DeepSeek的高性價比使得生成式人工智能滿足小規模、個性化、場景化的教育長尾需求提供了可能。（中略）

3.可持續教育生態構建路徑

DeepSeek的高性價比不僅體現在大語言模型的卓越性能上，還體現在其對整個產業鏈的深度整合中。目前，華為昇騰、摩爾線程、海光信息等17家國產AI芯片企業已經宣布支持DeepSeek模型的快速部署與訓練，能夠滿足使用者從硬件到應用的全鏈路需求。（中略）這種整合不僅在硬件、技術和應用層面推動了技術路線的多元化競爭，還基于我國活躍的教育市場和豐富的應用場景，構建了以國產大模型為核心的教育發展生態，通過硬件替代、算法升級與應用迭代的正向循環，形成具有全球競爭力的可持續教育生態，為教育數字化轉型注入了新的活力與可能性。

（二）開源生態的教育重構

2025年1月，OpenAI首席執行官公開承認閉源策略“站在了歷史錯誤的一邊”。DeepSeek的開源策略為全球范圍內生成式人工智能的發展提供了新的定位風向標。（中略）對于教育數字化轉型而言，DeepSeek塑造的開源生態可能正在推動教育信任、教育資源和教育場景的重構。

1.技術透明與教育信任

DeepSeek的開源策略允許開發者不受限制地使用不同參數的算法模型，普通消費者也可以通過封裝的集成化產品便捷地調用這些技術，這無疑大大提升了使用者的感知易用性。（中略）技術信任的提高能夠改善人機協作關系：教師能夠借助人工智能突破個體經驗邊界處理跨學科復雜問題，而人工智能則通過人類反饋持續優化推理邏輯與內容質量。教師逐漸將AI視為教學創新的共謀伙伴而非工具。（中略）

2.社區協作與教育資源

DeepSeek的開源策略正在培育出一個圍繞DeepSeek構建的開源社區。全球開發者可以通過社區共享模型部署、調試和使用的經驗與知識。與DeepSeek相關的海量知識正在通過社區協作的模式生產出來，這種知識能夠幫助使用者得到不同問題的專業解答，提升技術的感知有用性。（中略）DeepSeek社區正在驗證一種教育普惠的新可能：任何個體都能在分布式知識網絡中即時獲取定制化學習資源，同時通過微貢獻參與全球知識拼圖的構建。當這種自組織模式突破臨界規模，將形成具備網絡效應的教育資源生態，其持續演進的內生動力源自無數參與者的自主協作，而非中心化機構的單向規劃。

3.適應改進與教育場景

DeepSeek的開源策略使得全球開發者可以基于本地化情境開展模型部署和調用。一方面，這意味著在差異化的教育場景中，大語言模型能夠進行針對性的功能改進。（中略）DeepSeek的開源策略使得模型層面的個性化體驗成為可能，大語言模型可以根據不同情況的需求輸出完全不同的內容與結果，從而塑造千人千面的使用體驗，適應不同類型的教育場景。（中略）不同地區教師的教學反饋、學生的交互偏好、特定知識領域的優化路徑，都在通過開源接口持續轉化為訓練數據，推動基礎模型突破原有算法邊界。特別是在多語言文化碰撞中形成的差異化調優方案，通過參數融合技術實現了跨場景的知識蒸餾，使得模型既能保持通用智能基底，又能吸收細分領域的進化養料。這種由終端應用倒逼核心算法升級的機制，本質上構建了人工智能教育產品的自適應進化循環，最終形成教育需求牽引技術迭代、模型升級反哺教學創新的共生格局。

（三）可視化推理的認知強化

DeepSeekＲ1與OpenAI o1等大語言模型類似，都具有基于自然語言的推理能力。然而，DeepSeek的突出特點是能夠以可視化的過程輸出自然語言思維鏈，幫助使用者在圖形層面理解大模型的推理過程。而對于教育數字化轉型而言，可視化推理不僅在教學應用層面帶來了全新的應用機會，還有望在元認知培養、跨學科能力等方面產生新的賦能作用。

1.思維顯性的教學價值

DeepSeek能夠將大語言模型的思維過程顯性化，使用者能夠直觀地理解大語言模型的推理過程，并學習其如何在各種資料中展開結構性思考的過程。因此，思維過程顯性化能夠顯著地提升使用者的感知有用性，從而幫助學生從思維層面理解問題分析的基本模式，而不是僅僅局限于得到某個問題的答案。（中略）通過手把手的思維教學，共同形成結構化的思維模式，從而進一步提升大模型在教育場景中的價值與意義。

2.錯誤診斷與認知培養

作為少數具有推理能力的大模型，DeepSeek更加突出的優勢是輸出自然語言的思維鏈。DeepSeek通過可視化語言思維鏈，強化了語言編碼能力，使語言符號與視覺表征形成動態耦合，從而突破了傳統單模態表達的局限性。（中略）換言之，DeepSeek不僅輸出答案，更通過語言編碼重構使用者的認知路徑，使思維過程從黑箱操作轉變為可視化、可干預的動態認知流。這種能力不僅幫助學習者更好地理解復雜問題，還促進了知識的內化與認知的進化。通過線性化思維鏈，學習過程從被動接受轉變為主動求索，最終實現認知能力的全面提升。

3.跨學科問題解決能力培養

DeepSeek將復雜的思維過程轉化為可視化推理路徑，將混合推理引擎與強化學習技術結合起來，使得大語言模型能夠調動不同學科的知識模塊，進而突破傳統意義上的學科邊界形成協同效應。（中略）通過構建跨維度知識圖譜，系統實現了從單一領域思維向復合認知體系的躍遷。這種突破學科壁壘的思維能力，本質上源于系統構建的動態知識網絡，使得數學建模、哲學思辨、工程思維等不同認知范式能夠自由流動、交叉驗證，最終生成面向復雜問題的創新解決方案。

——摘自駱飛、馬雨璇、焦麗珍《迭代驅動轉型：DeepSeek 的技術特質如何賦能教育數字化轉型》，《蘇州大學學報（教育科學版）》2025年網絡首發版