新学期伊始,在烟台市牟平实验小学的微机教室里,信息技术课教师从文丽正指导孩子们学习制作教师节电子贺卡。通过云桌面,她将制作贺卡所需的素材发送到了全班所有孩子的桌面上,再借助广播软件讲解制作步骤,最后使用“一键回收作业”功能,收集所有孩子的作品并进行评点。
在教室墙壁上,一行大字十分醒目,“我们从小在这里了解世界。”的确,对于牟平实验小学近两千名孩子来说,他们是幸运的,通过紫光旗下新华三集团捐赠的数字化校园设备与应用,他们得以更好地探知世界、扩大视界。
告别千兆校园网时代迎来全新数字化校园
今年5月,在新华三的帮助下,建校105周年的牟平实验小学告别了千兆校园网时代。作为1998年便已成为我国首批“全国中小学现代教育技术实验学校”的实验小学说,2000年投资200万建成的千兆校园网曾领全国潮流之先,但已无法满足学校纵深推进教育信息化2.0的需求。新华三所捐赠的价值近800万的数字化校园设备,因而被校长李鹏运称为是解了“燃眉之急”。
牟平实验小学校长李鹏运
“我参观过全国各地很多学校,我们学校的数字化校园,是最为齐备和先进的。”李校长自豪地说。在他看来,万兆核心的校园网、全校覆盖的无线网和一个独立的数据中心,令实验小学IT架构脱胎换骨,而云学堂、互动PAD教室、机器人实验室、3D创客实验室、录播课堂、考勤排课系统等教务教学教研场景化应用,则能推动校方、老师和孩子们去探索全新的管、教、学模式。
在数字化校园中成长“数字一代”未来可期
“对我而言,数字化校园是最好的教师节礼物。”从文丽老师看着云桌面上孩子们的作品说,“我不必再为主机坏了、网络卡了这些事情烦心,只用将精力放在教学上,还有新的教学资源与方法相助。作为教师,能更好地教书育人,看见学生学得有兴趣有乐趣,就是最好的慰籍了。”
从老师所说的学习兴趣与乐趣,在校园随处可见。机器人教室、无人机实验室、3D创客实验室里,孩子们练习着机器人编程、科技小发明创造、激光切割、3D One设计等,他们专注的眼神里,似乎闪动着未来。
创意智造实验室指导教师孔亚楠
“他们是真正的数字一代。”在创意智造实验室指导创客兴趣小组的孔亚楠老师说,“通过这些设备和应用,我们在探索引导他们从小用数字化的视角去理解知识,培养他们的数字化生存与学习能力。”
而这些,亦是教育部在《教育信息化十三五规划》及教育信息化2.0计划中对基础教育的期许。“感谢新华三帮助实验小学实现了面向信息化2.0的转型升级,我相信,实验小学数字化校园的价值与影响力,不仅属于牟平,属于烟台,更是全国性的。“烟台市牟平区教育体育局局长宋强说。
新华三:帮助一个学校带动一批学校
数字化校园的前沿探索与建设,不可能“毕其功于一役”。新华三与牟平实验小学的合作,也不会止步于此。在5月份的捐赠与启动仪式上,紫光股份董事长兼新华三首席执行官于英涛便指出,将与实验小学保持密切合作,共同探讨数字化小学发展之路。
牟平实验小学网管中心主任张明伟
“在新华三支持下,我们接下来将探索在线教育、智慧食堂、教学大数据等,计划将互动教室扩大至全校,录播教室也能允许全区教师和全部家长一起观摩听课。”牟平实验小学网管中心主任张明伟说。
未来,属于孩子,属于教育。对于在教育行业躬耕十数年的新华三来说,与牟平实验小学的合作同时也是践行企业社会责任的方式之一。但与一般的企业公益不同,新华三所着眼的,并非只是帮助一所学校,更是通过打造数字化小学样板点,探索信息技术服务教学模式创新,以此带动一大批学校踏上数字化之路,继而将数字化小学的探索与建设向前推进一大步。
在新华三看来,这更是一家教育信息化领导企业对教育界所应有的责任担当,是对基础教育变革与教育强国梦的有力襄助!
好文章,需要你的鼓励
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AI虽具备变革企业洞察力的潜力,但成功依赖于数据质量。大多数AI项目失败源于数据混乱分散而非算法局限。谷歌BigQuery云数据AI平台打破数据孤岛,简化治理,加速企业AI应用。通过AI自动化数据处理,实现实时分析,并与Vertex AI深度集成,使企业能够高效处理结构化和非结构化数据,将智能商业转型从愿景变为现实。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。