刊林撷思

四、生成式人工智能的赋能机制：技术特质的视角

以DeepSeek为代表的生成式人工智能技术的突破正在重构教育数字化转型的技术接受逻辑。基于技术接受模型（TAM）的“感知有用性—感知易用性”核心维度，DeepSeek展现的高性价比、开源生态和可视化推理三大技术特质，增强了智能时代的技术接受效能。这些特质不仅通过高性价比带来的规模效应，提升技术响应精准度，降低人机协同门槛，强化传统TAM的作用路径，还通过创造开源生态与教育普惠，拓展了教育数字化转型的实践边界。那么，这些技术特质究竟为教育数字化转型带来怎样的机遇？究竟通过何种机制赋能教育数字化转型？总体来看，DeepSeek的技术特质主要从三个方面影响技术接受意图和行为。

（一）高性价比的规模效应

高性价比的推理模型无疑能够帮助业界更加广泛地进行模型调用、部署和调试，从而通过规模化的AI应用提升科技普惠程度。对于教育数字化转型而言，高性价比的规模效应能够拓展技术普惠、响应长尾需求、构建可持续教育生态。

1.算力成本与教育普惠

DeepSeek的高性价比使其能够在更多教育场景中发挥作用，如辅助教学设计、提供个性化解答和决策支持。而从长期来看，DeepSeek的算法创新全面压低了大语言模型的算力成本曲线，不同参数的算力模型能够在各种类型的设备上本地部署，从而极大地拓展了大模型的应用场景和赋能潜力。（中略）同时，DeepSeek提供的多种类型的轻量化模型，能够在网络条件不佳或硬件配置有限的偏远地区实现本地化部署，助力当地学校开展教学研究与设计，保障最偏远的地区能与硅谷一样同步享受世界领先的人工智能技术。这种高性价比带来的规模效应，不仅显著提升了使用者的感知易用性，还进一步影响了他们对技术的行为态度，从而推动技术的广泛应用与普及。

2.长尾教育需求的响应能力

根据长尾理论，小众需求同样蕴含着巨大的市场潜力，甚至能与主流需求相互补充，形成新型的市场供应模式。而在教育领域，小众需求的满足往往面临更加复杂的资源制约，通常需要多样化的技术供应加以解决。DeepSeek的高性价比使其天然具备在教育场景中的泛在能力。不同场景、层级、资源基础的教育生态都具有使用DeepSeek进行改造的潜力。因此，DeepSeek的高性价比使得生成式人工智能满足小规模、个性化、场景化的教育长尾需求提供了可能。（中略）

3.可持续教育生态构建路径

DeepSeek的高性价比不仅体现在大语言模型的卓越性能上，还体现在其对整个产业链的深度整合中。目前，华为昇腾、摩尔线程、海光信息等17家国产AI芯片企业已经宣布支持DeepSeek模型的快速部署与训练，能够满足使用者从硬件到应用的全链路需求。（中略）这种整合不仅在硬件、技术和应用层面推动了技术路线的多元化竞争，还基于我国活跃的教育市场和丰富的应用场景，构建了以国产大模型为核心的教育发展生态，通过硬件替代、算法升级与应用迭代的正向循环，形成具有全球竞争力的可持续教育生态，为教育数字化转型注入了新的活力与可能性。

（二）开源生态的教育重构

2025年1月，OpenAI首席执行官公开承认闭源策略“站在了历史错误的一边”。DeepSeek的开源策略为全球范围内生成式人工智能的发展提供了新的定位风向标。（中略）对于教育数字化转型而言，DeepSeek塑造的开源生态可能正在推动教育信任、教育资源和教育场景的重构。

1.技术透明与教育信任

DeepSeek的开源策略允许开发者不受限制地使用不同参数的算法模型，普通消费者也可以通过封装的集成化产品便捷地调用这些技术，这无疑大大提升了使用者的感知易用性。（中略）技术信任的提高能够改善人机协作关系：教师能够借助人工智能突破个体经验边界处理跨学科复杂问题，而人工智能则通过人类反馈持续优化推理逻辑与内容质量。教师逐渐将AI视为教学创新的共谋伙伴而非工具。（中略）

2.社区协作与教育资源

DeepSeek的开源策略正在培育出一个围绕DeepSeek构建的开源社区。全球开发者可以通过社区共享模型部署、调试和使用的经验与知识。与DeepSeek相关的海量知识正在通过社区协作的模式生产出来，这种知识能够帮助使用者得到不同问题的专业解答，提升技术的感知有用性。（中略）DeepSeek社区正在验证一种教育普惠的新可能：任何个体都能在分布式知识网络中即时获取定制化学习资源，同时通过微贡献参与全球知识拼图的构建。当这种自组织模式突破临界规模，将形成具备网络效应的教育资源生态，其持续演进的内生动力源自无数参与者的自主协作，而非中心化机构的单向规划。

3.适应改进与教育场景

DeepSeek的开源策略使得全球开发者可以基于本地化情境开展模型部署和调用。一方面，这意味着在差异化的教育场景中，大语言模型能够进行针对性的功能改进。（中略）DeepSeek的开源策略使得模型层面的个性化体验成为可能，大语言模型可以根据不同情况的需求输出完全不同的内容与结果，从而塑造千人千面的使用体验，适应不同类型的教育场景。（中略）不同地区教师的教学反馈、学生的交互偏好、特定知识领域的优化路径，都在通过开源接口持续转化为训练数据，推动基础模型突破原有算法边界。特别是在多语言文化碰撞中形成的差异化调优方案，通过参数融合技术实现了跨场景的知识蒸馏，使得模型既能保持通用智能基底，又能吸收细分领域的进化养料。这种由终端应用倒逼核心算法升级的机制，本质上构建了人工智能教育产品的自适应进化循环，最终形成教育需求牵引技术迭代、模型升级反哺教学创新的共生格局。

（三）可视化推理的认知强化

DeepSeekＲ1与OpenAI o1等大语言模型类似，都具有基于自然语言的推理能力。然而，DeepSeek的突出特点是能够以可视化的过程输出自然语言思维链，帮助使用者在图形层面理解大模型的推理过程。而对于教育数字化转型而言，可视化推理不仅在教学应用层面带来了全新的应用机会，还有望在元认知培养、跨学科能力等方面产生新的赋能作用。

1.思维显性的教学价值

DeepSeek能够将大语言模型的思维过程显性化，使用者能够直观地理解大语言模型的推理过程，并学习其如何在各种资料中展开结构性思考的过程。因此，思维过程显性化能够显著地提升使用者的感知有用性，从而帮助学生从思维层面理解问题分析的基本模式，而不是仅仅局限于得到某个问题的答案。（中略）通过手把手的思维教学，共同形成结构化的思维模式，从而进一步提升大模型在教育场景中的价值与意义。

2.错误诊断与认知培养

作为少数具有推理能力的大模型，DeepSeek更加突出的优势是输出自然语言的思维链。DeepSeek通过可视化语言思维链，强化了语言编码能力，使语言符号与视觉表征形成动态耦合，从而突破了传统单模态表达的局限性。（中略）换言之，DeepSeek不仅输出答案，更通过语言编码重构使用者的认知路径，使思维过程从黑箱操作转变为可视化、可干预的动态认知流。这种能力不仅帮助学习者更好地理解复杂问题，还促进了知识的内化与认知的进化。通过线性化思维链，学习过程从被动接受转变为主动求索，最终实现认知能力的全面提升。

3.跨学科问题解决能力培养

DeepSeek将复杂的思维过程转化为可视化推理路径，将混合推理引擎与强化学习技术结合起来，使得大语言模型能够调动不同学科的知识模块，进而突破传统意义上的学科边界形成协同效应。（中略）通过构建跨维度知识图谱，系统实现了从单一领域思维向复合认知体系的跃迁。这种突破学科壁垒的思维能力，本质上源于系统构建的动态知识网络，使得数学建模、哲学思辨、工程思维等不同认知范式能够自由流动、交叉验证，最终生成面向复杂问题的创新解决方案。

——摘自骆飞、马雨璇、焦丽珍《迭代驱动转型：DeepSeek 的技术特质如何赋能教育数字化转型》，《苏州大学学报（教育科学版）》2025年网络首发版