朱信忠围绕人工智能关键技术在教育领域的典型场景应用，介绍了如何快速建设教育领域垂直AI大模型，包括备课大模型、评课大模型、解题大模型及视觉模型等，包括基底大模型、数据处理、模型训练，根据需求生成教师、学生、班主任等智能体助手，将各场景积累的教案、课件、习题等知识库用于模型学习，融入学、练、测、评、管等不同教学训练环节，应用到精准教学、成绩分析、心理健康、学生综评、家校协同、教研管理、教师培训等，实现智能导学、在线教育情境理解、成效测评，有力的支持了知识图谱平台建设、智能助教平台建设、智能课程资源建设等，建立了师-机-生多层次交互机制，实现教师提效与教育提质，并以AI解题和作业批判场景落地为例，详细介绍了如何使用Qwen 2.5-VL等视觉模型和推理大模型，诸如QwQ、DeepSeek-R1等，通过搭建高效工作流，精准的将其串联，利用视觉模型对图像的感知能力，结合推理大模型对数学、物理等学科的高性能解读，将复杂问题尽可能准确无误的推理出来，实现Image-Text-Text的高效推理链，为跨模态视觉推理、图像理解提供一种链式的解决方案。在融入多模态能力，提升推理模型在空间的理解能力的同时，搭建MCP协议层，提供对外部环境的交互感知能力，比如手写板等智能设备，在底层算力基座上，实现多个Expert Agents之间的协作，与此同时通过强化学习微调以及监督微调，提升简体中文等本土教育资源的推理准确率，增强作业批改场景上下文理解和形式化推理的能力。

     另外，还介绍了团队在扩散模型图像风格迁移、音视频多模态融合模型、AI超拟人助教、AI听评课课堂分析、中英文教学材料语音合成以及课堂场景下说话人分离和多人朗读语音识别任务及课程学生行为识别等方面的一些研究展，包括基于强化学习微调、监督微调策略的DeepSeek进行精准TextToSQL、TextToApp文生应用的一些成果，演示了基于视觉智能和背影识人技术的青少年心理问题早筛与预警系统，有效解决了侧脸、低头、遮挡、背影、低光、暗光等问题，结合学情画像，可以挖掘个体物理空间的活动规律，并在最后演示了如何应用Unsloth微调DeepSeek-R1蒸馏模型、构建领域专家模型，并推理验证微调模型，包括训练自己的R1推理模型，构建本地RAG向量化知识库，通过群体相对策略优化GRPO强化学习算法训练，有效引导模型在复杂推理任务中生成更优质的答案，避免策略更新震荡，提升训练稳定性，确保模型稳步迈向“顿悟”。

     互动环节，还与学员探讨了高速互联计算网络底座支持下的大模型服务器GPU异构集群部署、算力调度管理常见问题与混合精度分布式并行训练优化算法面临的重重挑战，及如何约束大模型输出的范围和正确性，对大模型进行价值对齐，降低大模型幻觉，减少模型偏见，确保教育领域问答场景的安全性，以及如何安全防御恶意语料、提示词注入攻击等人工智能模型的对抗攻击，做好攻击检测以及防御策略。

    乔翠兰作“TPACK环境下的科学教学”主题报告。乔翠兰介绍现代教师在TPACK（Technological Pedagogical Content Knowledge，即技术教学内容知识）环境下的角色与能力要求。她指出，现代教师需要具备以下三个方面的核心素养：学科知识（Content Knowledge），教师的学科知识是其专业素养的核心，不仅有助于教师自身的生活丰富，更是教学的基础。教育教学知识（Pedagogical Knowledge），教师应善于运用教育教学知识，使课堂更加轻松、高效。这包括教学方法的创新、课程设计的合理性以及对学生学习需求的精准把握。通过不断进阶的教学法，教师可以更好地激发学生的学习兴趣，提高教学效果。技术知识（Technological Knowledge），现代教学环境的离不开教育技术的支持，例如虚拟现实（VR）技术、虚拟实验等。这些技术手段不仅能够丰富教学内容，还能为学生提供更加直观、生动的学习体验。教育系统应将教育信息化作为发展的战略制高点，推动教育技术与教学方法的深度融合。

     随着人工智能（AI）的快速发展，AI技术的发展并不会取代教师，而是为教师提供更多的教学工具和资源，帮助教师更好地完成教学任务。乔翠兰分享了多个国家在TPACK环境下的实际案例，包括教学案例、竞赛和项目。这些案例展示了不同国家如何利用AI和教育技术推动教育创新和教学质量的提升。通过这些案例，希望为国内教师提供借鉴和启示，鼓励教师积极探索适合本国国情的教育技术应用模式。为了帮助教师更好地掌握TPACK理念和应用AI技术，乔翠兰推荐了一些优秀的教育资源，包括AI工具集、阅读文献AI辅助工具等。这些资源可以帮助教师提升自身的技术素养，更好地将AI技术融入教学实践。

参训学员围绕“教师AI素养提升路径”等话题与专家们深入互动。