AI教育最近有两个方向同时冒头。arXiv上挂出EVOL和Curriculum Brain两篇论文，都在琢磨怎么给每个学生推对学习路径。斯坦福那边，LLM新课也开讲了，第二讲已经公开。
EVOL针对的是强化学习推荐路径的老毛病：策略要一口气选定L个知识点，中途拿不到任何反馈，训完还难以部署。它用模拟器引导的进化式专家合成绕开这些坑，推荐不用部署。Curriculum Brain则从认知诊断下手——只给一个总分没用，得知道学生具体会什么、不会什么。它把课程知识图谱当底层支撑，让诊断模型落到具体技能点。
斯坦福的CME 295: Transformers & Large Language Models由一对双胞胎兄弟主讲，从架构一路讲到训练。课程提到，现在的大模型基本清一色Decoder-only架构，GPT、Qwen都是这条路。Chinchilla研究还给出了最优算力分配比，每个参数配20个token。
把这几件事放一起看，AI一边当工具，把个性化教学做到知识点级别；一边自己成了课程内容，被系统地教。学习路径推荐要靠认知诊断给出细到技能点的信号，诊断又得靠知识图谱撑着结构。