加州州立大学系统与 OpenAI 达成合作,启动了迄今为止高等教育领域最大规模的 AI 部署计划。
这个覆盖 23 个校区、服务近 50 万学生的加州州立大学系统宣布,将在其课程和运营中集成 ChatGPT Edu (OpenAI 面向教育领域定制的聊天机器人版本)。这次部署涉及数万名教职员工,是全球单一教育机构最大规模的 AI 应用实践。
OpenAI 教育部副总裁兼总经理 Leah Belsky 表示:"我们正处于 AI 教育应用的早期阶段,教育系统、技术人员、教育工作者和政府机构需要通力合作,确保全球所有学生都能接触 AI 并培养负责任地使用这项技术的能力。"
该计划旨在培养符合就业市场需求的实用 AI 技能。通过在教学、研究和行政管理中嵌入 AI 工具,加州州立大学将站在 AI 驱动教育的最前沿。
加州州立大学校长 Mildred García 表示:"我们很自豪地宣布这项创新的公私合作计划,这将使加州州立大学系统在高等教育领域的 AI 有效、负责任和公平应用方面成为全球领导者。这项综合战略将提升各个专业学生的教育体验,增强教师的教学和研究能力,并为加州未来的 AI 驱动经济提供高素质人才。"
受益群体
这项合作将惠及多个利益相关方: - 学生将获得 AI 素养培训,为日益依赖 AI 技能的职场做好准备 - 大学教师将获得 AI 驱动的研究工具和教学辅助工具 - 雇主将受益于更善于利用 AI 创新的劳动力 - 更多具备 AI 技能的专业人才将促进加州在 AI 领域的领导地位
劳动力发展
全球前 50 家 AI 公司中有超过 30 家位于加州,但超过一半的劳动力来自国际人才。加州州立大学计划通过培养本土 AI 专业人才来改变这一现状。新成立的 AI 劳动力加速委员会与 Google、Microsoft、NVIDIA、Adobe、AWS、IBM、Intel 和 LinkedIn 等科技巨头合作,旨在打造符合行业需求的 AI 培训项目。
加州州立大学首席信息官 Ed Clark 表示:"最新的 AI 技术可以在学术界和职场等多个领域使用,我们很高兴与行业领袖合作,帮助加州州立大学在 AI 驱动的经济中取得成功。作为美国最大的公立大学系统,我们有两个使命:培养学生利用这些强大工具的能力,并通过 AI 改革我们的机构实践。"
三大关键整合策略
AI 中心: - 建立集中平台,为师生员工提供免费的 AI 工具访问 - 提供培训项目和认证,培养有效使用这些工具的技能
教学与研究: - 为教师提供 AI 应用培训,提升教学方法、研究能力和行政流程
劳动力培训与实习: - 与行业领袖合作提供 AI 重点实习项目 - 培养满足加州蓬勃发展的 AI 产业需求的技能型毕业生
挑战
AI 整合为大学带来激动人心的机遇,同时也引发了对教育中使用 AI 的伦理问题。加州州立大学计划通过以下方式应对: - 提供 AI 伦理培训,确保负责任地使用 AI - 制定严格的 AI 实施指南,确保数据安全 - 确保所有学生,无论社会经济背景如何,都能接触到 AI
加州州立大学的大规模部署能否为全球高校树立新标准?加州州立大学与 OpenAI 的合作可能成为高校有效整合新兴技术的典范。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。