DL Alchemy课程：把理论构建交给学生与Claude的ML教学实验

一门把「造轮子」交给学生的课程

最近，一位用户在 Twitter 上分享了对 DL Alchemy 课程的观察，称其设计「令人着迷」。这门课程最引人注目的决策，是把理论构建的负担直接交到学生——以及他们所使用的 Claude——手中。相比传统机器学习课程先讲公式、再给代码的路径，这种安排显得颇为反直觉：学生不再是被动接收理论，而是要在动手过程中自己「长」出对原理的理解。

这位用户用「transformative and surprisingly challenging」来形容这种体验。换言之，这种教学法不只是形式上的翻转，它确实带来了明显的挑战感，也因此更具变革潜力。

知识在 ML 里还那么关键吗？

推文里抛出了一个更尖锐的疑问：「Maybe knowledge in ML was never that critical.」这不是说理论无用，而是暗示在 AI 辅助工具已经能承担大量推导与解释工作的当下，机器学习学习者的核心竞争力可能正在转移——从「记住并复述知识」转向「提出假设、设计实验、验证直觉」。

DL Alchemy 的做法恰好呼应了这一转向：当 Claude 能够快速给出理论框架时，学生真正要练的，是如何判断这些框架是否成立、如何把它们落到可运行的实验上。知识依然重要，但它更像是被调用和检验的素材，而非学习的终点。

「知识在 ML 里是否关键」的讨论，绕不开机器学习中「知识」的两种形态。一类是陈述性知识，如梯度下降的收敛条件、正则化的数学形式；另一类是程序性知识，即把问题形式化、选择基线、设计对照实验的能力。传统课程大量倾斜于前者，是因为它便于讲授和考核。但当大语言模型能够流畅复述推导时，陈述性知识的稀缺性迅速下降，其获取成本被大幅摊薄。真正难以替代的是程序性知识——它依赖反复试错和真实反馈，无法仅靠阅读获得。这也解释了为何 DL Alchemy 把重心放在实验设计上：它训练的是模型无法代劳的判断力。

教学重心的迁移意味着什么

把理论构建的责任下放给学生，本质上是在重新分配课程中的认知负荷。传统课堂里，教师负责把理论「嚼碎」喂给学生；而在 DL Alchemy 的模式下，学生需要和 AI 协作，自己搭建理解的小径。这种模式对学习者的主动性要求更高，也更容易暴露理解上的薄弱环节。

当然，这位用户也坦言这种体验「surprisingly challenging」，说明它并非一条轻松路径。对习惯了标准答案的学习者来说，缺少现成理论脚手架可能会带来挫败感；但对于希望真正内化机器学习思维的人，这种「被迫思考」的过程反而可能更有价值。

「认知负荷」是教育心理学中的核心概念，指工作记忆在完成任务时承受的心理资源消耗。认知负荷理论区分内在负荷（任务本身的复杂度）、外在负荷（不当教学设计带来的额外消耗）和相关负荷（用于图式构建的有效投入）。传统课堂把理论「嚼碎」，实际是替学生降低了内在负荷，但也可能压缩了相关负荷的空间。DL Alchemy 把理论构建交还学生，相当于提高内在负荷、同时把认知资源导向相关负荷——即真正的理解建构。这一安排的代价是学习曲线更陡，收益则可能是更牢固的知识图式。

与 AI 协作学习的启示

DL Alchemy 的案例提供了一个观察 AI 时代学习方式的样本：AI 不是替学生完成思考，而是把学生推到必须亲自思考的位置上。Claude 在这里扮演的是协作者与陪练，而非答案机器。如果这种设计能在更多课程中验证，那么「知识是否关键」的讨论或许会有更具体的答案——关键的不是知识本身，而是围绕知识展开的判断与创造。