棋校里的 AI 训练工具：一台电脑是怎么改变日常教学的

教室里的新角色

几年前走进一间棋校教室，看到的是老师挂盘讲解、学生在下面打谱、课后做死活题。作业由老师逐一手改，一个班二十个学生，改完可能要一整晚。

现在走进同一间教室，多了一块屏幕。学生下完的棋可以立刻过一遍引擎，屏幕上出现一条胜率曲线，某个位置突然掉下去——就是那一手出了问题。

变化看起来只是多了个工具，实际上改变的是整个教学流程里人与答案的关系。

即时判断。 摆出局面，问引擎：现在谁好，好多少，最佳一手在哪。这是最基础也最常用的一项。

题目生成与分级。 死活题、战术题可以批量生成，并按难度自动分级。以前一本习题集用一学期，现在可以按每个学生的水平动态出题。

复盘定位。 用胜率曲线找出「断崖点」，然后只重点讲那几手。这比从头到尾讲一整盘效率高得多，学生的注意力也更集中。

陪练对局。 让引擎按某个水平去下，模拟不同风格的对手。对班里水平最高的那几个学生来说，这解决了找不到对手的老问题。

作业批改自动化。 这是老师感受最直接的变化。过去改二十份棋谱要一整晚，现在引擎先过一遍，老师只需要检查引擎标出的关键处。省下来的时间去哪了？多数老师会说是用来讲「为什么」。

错误可视化。 胜率曲线、目差变化图，把抽象的「这步不好」变成了具体的数字和形状。对低龄学生尤其有效——他们可能听不懂「薄」和「厚」，但看得懂曲线掉下去。

进度跟踪。 每个学生的历史对局都留下了数据，老师可以看一个人在三个月里哪类错误减少了、哪类还在犯。这种长期跟踪在过去只能靠记忆。

依赖。 这是最普遍的问题。学生下完一手，第一反应不是自己想，而是开引擎看答案。短期看正确率上去了，长期看独立思考能力在退化。判断方法很简单：让他说出这一手为什么好，如果说不出来，那就是抄答案。

难度错配。 引擎给的是全局最优解，它不考虑这个学生能不能理解。一个刚学半年的孩子被告诉「这里应该脱先」，他大概率既下不出来也理解不了。答案正确不等于教学有效——这是 AI 进入教室后最容易犯的错误。

风格趋同。 当所有人都在学同一套引擎推荐的变化，棋风的多样性会明显下降。过去学生能一眼看出「这是某某老师教出来的」，现在越来越难。对竞技成绩来说这也许是好事，但对项目本身的丰富性来说，代价是实实在在的。

先让学生说，再开引擎。 顺序很重要。让学生先讲自己的思路，哪怕讲错了，这个过程本身就是训练。引擎放在后面，用来验证和修正。

用引擎验证，而不是替代。 引擎说这手胜率掉了 20 个点，这是事实；但为什么会掉、应该建立什么样的判断框架去避免，这件事得由人来讲。

把「为什么」留给人。 这是 AI 时代老师最核心的价值。引擎给的是结果，教学要做的是把这个结果翻译成学生能复用的理解。

控制使用时机。 对局中不用、刚下完不立刻用、作业里限制使用次数——这些规则看起来是限制，实际上是在保护学生的思考能力。

短期内不会，但老师的工作内容确实变了。

需要被取代的那部分——给标准答案、批改对错、找错误位置——已经基本被取代了。而另一部分——判断这个学生现在能理解到哪一层、用什么类比能讲通、什么时候该鼓励什么时候该加压——暂时看不到被取代的可能。

真正的变化是：过去老师的权威来自「我知道答案」，现在这个基础没了。新的权威来自「我能让你理解答案」。对一部分老师来说，这个转变很难；对另一部分来说，这是把时间花在真正重要的事情上的机会。