几周前，我参加了 SIGCOMM 2026 的教育研讨会，该研讨会的标题颇具挑衅性：“人工智能时代的网络教育”。或许这个标题对当今的大多数教育工作者来说并不具有挑战性，但对我而言却确实如此——我一直对人工智能在教育领域（以及其他领域）的应用持怀疑态度。我自己也曾经历过 20 世纪 80 年代那个“人工智能时代”，随后那个时代经历了多次“人工智能寒冬”；不过，这样的情况当然不会再发生了，对吧？幸运的是，这次研讨会的内容远比其标题所暗示的更为丰富。与 Larry 一起，我们从这次研讨会上获得了许多新的灵感与想法，明确了我们在第七版教材编写中仍需努力的方向。值得一提的是，这次活动是一次非常成功的混合式会议：组织者付出了大量努力，并得到了 SIGCOMM 的支持，确保了专业摄像师和音频设备的到位使用。虽然需要提前八个小时起床参加这场位于另一个时区的会议，但至少我无需长途飞行。由于有大量远程参与者参与，且会议设施非常完善，讨论过程从未局限于本地参与者之间（不过我确实错过了咖啡时间）。由于我是在午餐时间才加入会议的，因此有很多精彩的内容我无法详细介绍；但我建议大家查看会议中接受的论文和相关资料，以便了解与会者所展现出的创造力与热情。值得注意的是，这些论文并未被直接宣读，而是以摘要的形式呈现，或作为讨论的起点。这次研讨会更像是一次真正的“工作坊”，而非单纯的论文展示会。

对我来说，一个特别难忘的环节是与 Jim Kurose 共同主持的“开放式讨论环节”。Jim 与 Ken Ross 合著的《网络技术：系统方法》（Networking Technology: A Systems Approach）是我们领域的经典教材；而其他相关书籍相比之下都相形见绌。

在一场关于不同教学方法的讨论中（这些方法包括将实验课作为主要教学工具），我提出了一个问题：编程作业在推动教科书被采用方面起到了什么作用？Jim的回答大致是这样的：“编程练习、使用 Wireshark 进行的实验等都非常重要，但不要低估那些制作精良、配有动画效果的 PowerPoint 幻灯片的价值。”这提醒我们：如果希望我们的教科书能够被选用于课堂教学，我们还需要做更多的工作。之所以这项工作具有挑战性，是因为我们俩都已经很久没有使用自己的教科书进行教学了；就我而言，我所有的课堂教学都是在研究生课程中进行的，那些课程使用的阅读材料是系统分析报告，而非教科书本身。在开放讨论环节中，有十几位演讲者发言，他们每个人都提出了很有价值的观点。其中，Karen Sollins 分享了她在教授系统相关课程时借鉴法律学院案例研究的经验。她的做法是：教授不直接进行讲解，而是布置一些阅读材料，让学生们自己去讨论这些材料中的内容。学生们可能会探讨诸如“是什么限制因素导致了这种系统设计”或“设计者在设计过程中考虑了哪些替代方案”之类的问题。这与传统的教学方法截然不同（我记得自己以前上课时就是采用这种方法的：我会按照自己的理解向学生讲解整个设计过程，希望他们能从中获得一些启发）。让学生们积极参与到设计过程中的挑战中去，这一点被反复提及；而这正是我们新教科书试图强调的核心内容。

举个例子来说，我们并不只是希望学生通过阅读我们的书籍来了解 TCP 的工作原理；我们希望他们能够理解在实现可靠的数据传输过程中所必须面对的各种权衡以及各种挑战——比如如何在当前条件不完整的情况下准确估计数据传输的往返时间，以及如何在控制系统中保持系统的稳定性。为了让学生参与到实际的设计过程中来，我们采用了一种“无需使用计算机”的教学方法（这种方法被称为“Networking Unplugged”）。具体来说，我们会让学生两人一组，给他们一根绳子，并要求他们设计一种机制来通过这根绳子传输数据，从而让他们“发现”诸如 NRZ 编码和各种调制技术之类的编码方法。关于在教学中使用人工智能（AI）的问题，大家也进行了很多讨论。有人认为，由于 AI 编程工具可以帮助学生完成实现细节，因此可以给他们布置更大、更贴近实际系统的构建和测量任务。有一篇论文提出了这一观点，并建议通过让学生讨论他们的设计方案来评估他们的学习效果（而不是仅仅测试他们的实现能力）。不过，我对在 production 环境中使用 LLM（大型语言模型）生成的代码持怀疑态度——因为这些代码可能存在难以发现的错误，且维护起来也非常困难；此外，我的经验表明，代码生成在整个系统开发过程中所占的比例其实很小。不过，作为一种帮助学生解决更有趣、更复杂的网络问题的工具，我愿意暂时放下疑虑。另外，考虑到那些大型 AI 公司财务状况不佳的现实，使用开源模型和共享的研究基础设施也是一个合理的选择。我还对关于如何成为一名网络教育者的讨论感到很感兴趣。

我的贡献在于：我通过观察并模仿那些在麻省理工学院（MIT）与我共事的专家们来学习他们的经验；不过，这样的学习方式并没有让我完全感到满意，因此我仍在不断思考这个问题。首先，我从未亲自指导过研究生，因此我的经验中确实存在一些不足（尤其是在“人工智能时代”，这些不足显得更加明显）。2020年，SIGCOMM会议的主席马特·凯撒（Matt Caesar）对我进行了一次采访，他非常客气地称我为一位优秀的教育者；这次采访中提到了一些有价值的观点。不过，我们认为这个话题还需要我们投入更多的时间来深入探讨，尤其是在思考如何为我们的下一本书准备更多补充材料的时候。那么，网络教育的核心内容究竟应该是什么呢？拉里（Larry）和我参加了一个讨论会，专门讨论了这些问题：“网络教育的核心内容应该是什么？哪些传统的教学内容应该保留下来，哪些又需要重新审视呢？”拉里以QUIC为例展开了讨论：QUIC是一种相对较新的、结构复杂的协议，因此很多入门级的网络课程中都没有涉及它。他的观点（我也认同）是：当学生第一次接触到QUIC时，应该能够通过将其与其他他们已经掌握的知识（如数据传输的可靠性、拥塞控制以及端到端的安全性）联系起来，从而理解这一协议的工作原理。由此可知，我们需要让学生充分了解网络技术和系统架构的基本原理，这样他们才能理解新出现的概念，并将其纳入自己的知识体系之中。这再次强调了“理解系统设计”这一学科的核心地位——而不仅仅是学习现有技术的具体细节。我们利用这些现有技术来说明各种网络原理，并突出自网络技术诞生以来一直存在的各种挑战。同时，我们也强调了判断力的重要性：在面对各种技术选择时，我们需要根据系统在不同方面的相对重要性（如性能、可扩展性、可靠性、可进化性等）来做出决策。

这给了我一个机会，让我进一步阐述我的观点：教授“心理模型”（即人们对复杂系统或概念的理解方式）是我们作为教育者需要重点关注的核心内容。我再次引用了罗德尼·布鲁克斯（Rodney Brooks）的观点，他指出了一个关键问题：机器人无法利用类似Transformer的Large Language Models（LLMs）来可靠地完成任务，因为这些LLMs缺乏对机器人实际操作环境中物理对象的认知。它们虽然能够处理符号（即文字），但却无法将这些符号与现实中的物理对象联系起来。我认为，当讨论的对象是网络协议时，这一观点同样适用。例如，真正理解网络协议及其与端到端安全性的关系，与文档中描述这些协议的文字内容是截然不同的。我的这一观点也与我之前的经验相符——在之前关于“网络教育中如何使用LLMs”的讨论中，当我向LLM询问有关QUIC协议或互联网架构的相关问题时，就遇到了类似的困惑。当时有人质疑：如何帮助学生建立起对网络系统的“心理模型”？我的初步回答是“这需要通过多年的实践经验来积累”，但吉姆（Jim）对此提出了质疑：如果真是这样，那么在一门为期一个学期的课程中我们又能教给学生什么呢？以一个非常复杂的协议为例，我们可以期望学生能够理解像BGP这样的协议所面临的设计挑战；但我们不可能期望他们在一个学期内就能为互联网服务提供商（ISP）配置BGP协议的具体参数。因此，我们的教学方法应该侧重于“问题-解决方案”的框架：理解问题的本质比记住协议的每一个细节更为重要。通过一个学期的学习，学生应该能够建立起一个扎实的“心理模型”，为未来的学习打下基础。此外，我们还就哪些原则需要被教授展开了热烈的讨论。我特别提到了“抽象化”的概念——即通过接口或模型来隐藏复杂的细节。

例如，Jim建议使用 Zoom 来向学生讲解现代应用程序的工作原理。这些应用程序其实并非简单的端到端连接系统，而是一个复杂的分布式系统，其中许多关键组件都运行在云数据中心中。这正是我们在新版教材中讲解应用程序架构时的重点。在这种情况下，一种实现抽象化的方法就是忽略客户端与数据中心之间连接细节的具体实现方式——并不是因为这些细节不重要或无趣，而是因为如果我们的目标是让学生理解用于大型视频会议的多点控制单元（MCU）的工作原理，那么这些细节其实并不需要被关注。同时，我们也需要让学生明白：过度抽象化有时也会带来问题；HTTP 协议最初就是通过 TCP 协议实现的，就是一个典型的例子。或许是因为会议室里有三位经验丰富的教科书作者在场，我们才在某些教学理念上达成了共识：更注重教学原则和设计过程本身，而不是仅仅教授具体的技术细节；帮助学生建立起关于网络系统的清晰认知模型；以及采用“问题-解决方案”的教学方法，而不仅仅是单纯地教授现有的网络协议。显然，网络技术教育正在发生变化，这个问题也受到了许多 SIGCOMM 会议参与者的关注。这次研讨会既验证了我们编写教材的方向是正确的，同时也提醒我们：单靠一本教材是远远不够的。现在正是编写新教材的理想时机，但我们还需要开发更多的教学资源，以帮助教育工作者应对这一不断变化的教育环境。说到 Rodney Brooks……他在文章中讨论了技术部署的时间尺度，这些观点基于他自 20 世纪 80 年代以来在人工智能领域的经验。他在预测新技术部署速度方面有着丰富的经验（同时也为当前对人工智能的过度炒作提供了有力的反驳）。

又有一篇令人深思的论文指出，人工智能（AI）可能会阻碍学生的学习能力。这篇论文与研讨会上讨论的内容密切相关。所有在 SIGCOMM 会议上发表的演讲都可以在 YouTube 上找到；一个很好的起点是 SIGCOMM 奖项得主 Walter Willinger 的主题演讲。我们非常赞同他对人工智能模型的担忧，并且非常欣赏他在网络流量建模方面的研究成果。® Larry Peterson 和 Bruce Davie 是《Computer Networks: A Systems Approach》以及相关系列书籍的作者。他们所有的研究成果都是开源的，可以在 GitHub 上免费获取。你可以在 Mastodon 上找到他们，也可以在这里阅读他们的时事专栏文章。