前滩校园南楼S311教室里，白板很快写满了六名高中生的点子。
旅行助手，还是财务管理工具？大家轮流把想到的功能写下来，再一项项拆解：需要哪些数据？五天内代码跑得起来吗？市面上已经有了什么，还能做出哪些不一样的东西？
这场发生在白板前的讨论，是今年上纽大高中生人工智能暑期项目里许多小组的共同经历。学生们要解决的，不只是怎样把代码写出来，更是怎样在有限的时间、现有的工具和不同的意见之间，作出选择。
今年，项目规模进一步扩大。来自16个国家的70名高中生，在上纽大教授与学生导师的带领下，开启了为期十天的课程学习与项目实践。
十个上课日里，课程从线性回归、分类和神经网络，一路推进到计算机视觉、自然语言处理与大语言模型。上午刚刚学到的模型和算法，到了下午的Lab里，学生就要用Python亲手跑起来，在实际操作中理解它们如何工作。最后几天，70名学生组成12个小组，围绕任务型对话机器人（Taskbot）与图像分类（Image Classification）两类任务，经历需求梳理、分工协作、开发、测试和最终展示的完整项目流程。
课堂难度，不因年龄“打折”
十天当然讲不透所有公式。课程更像是先把AI背后的主要方法和思路铺展开来：不同算法分别在解决什么问题，它们之间有什么联系，又有哪些地方值得学生日后继续追下去。
杨同学在高中机器人队负责编程，此前学过Java和C++，也一直关注AI与机器人技术。来到夏校后，他发现，课程几乎把几十年间逐渐发展起来的AI知识压缩进了一张十天的课表。随着内容不断推进，一些模型背后涉及的数学，已经超出了多数高中生熟悉的范围，比如线性代数。
“有些问题我去问Peer Mentors（学生导师），他也要想一想该怎么解释，因为背后需要大学才会系统学习的数学。”杨同学说，“我们不可能在十天里把每个公式都推导清楚，但至少可以知道，它在解决什么问题，为什么能够得到这样的结果。”
黄同学则几乎没有Python基础。高中开展项目化学习时，她所在的小组曾借助AI搭建一个心理咨询网页。页面最终做了出来，但当时的她主要是把需求交给AI，再接过生成的代码。
这一次，她形容自己在十天里“速通”了不少Python。“现在虽然还不能完全从头写，但大部分代码已经能看懂了。”黄同学说。刚开始学习线性回归时，她曾对着一段代码完全摸不着头绪，同组一名有Python基础的学生便坐在身旁，逐行替她解释。“他一行一行带我看，突然就通了。”
比起网上散落的教程，她更喜欢这里课程之间的衔接：“上午讲数学和模型，下午的代码正好对应上。问Peer Mentors和问AI也不太一样，人更知道怎样把一个问题讲到学生能听懂。”
六个人，搭起一套多智能体系统
开头那块写满点子的白板，属于鲍同学、Alex和Chris所在的小组。三名中国学生、两名美国学生和一名立陶宛学生，最终共同做出了一款名为VibeGo的AI旅行规划工具。
项目的灵感来自鲍同学一次不太顺利的周末计划。他想趁在上海参加夏校的周末到周边走走，却发现交通、住宿、预算和活动信息散落在不同平台上。“订票、酒店、路线还是要自己去不同平台上找。我们就想，能不能让一个工具把这些事情一起解决掉？”他说。
真正开始做以后，小组很快碰上了第一个现实问题：类似的AI旅行产品，市场上已经有了。来自美国的Chris把自己接触过的产品介绍给组员。几个人干脆把现有工具调出来研究：既然已经有人做过，VibeGo还能多做什么？
不同背景带来的差异，很快落到了产品细节上：中国组员熟悉本地地图服务，Chris则带来了Google Maps API的使用经验。“如果大家都在同一个地方长大，接触到的产品和想法可能会比较接近。”Chris说，“国际化的小组让我们有更多东西可以比较，也更容易发现，同一个问题原来还有别的解决办法。”
小组最终搭建了一套多智能体旅行规划系统。六个子智能体分别负责预算、交通、住宿、餐饮、活动和行程规划，再由编排器（Orchestrator）协调执行流程，并将各智能体的输出整合成完整方案。五天里，白板上的框架慢慢变成GitHub上的代码，API陆续接入，系统开始真正运行。7月24日，VibeGo在最终展示中获得第一名。
评委、上纽大计算机科学实践教授兼计算机科学学科负责人徐立华在点评中尤其肯定了这套多智能体设计：不同智能体各自处理一部分旅行需求，再协同生成整体方案，展现了学生对AI系统如何运行、多个系统如何协作的理解。
模型跑通，还不是终点
另一批学生，则在和成千上万张垃圾图片较劲。
他们需要训练模型识别六类垃圾，再把它部署到一个真正可以使用的网站上。真正动手以后，问题一个接一个冒出来：数据集中不同类别的图片数量相差很大，模型会不会更倾向样本多的类别？为了提高准确率，是不是一定要使用更大的模型？模型大小和推理延迟，又能不能满足移动端部署的要求？
杨同学所在的小组从开源网站补充了大量图片，第一次训练结果却不尽如人意。“早上看到结果的时候，我都快崩溃了。”他说。检查数据、调整参数、重新训练；一种方案走不通，再换另一条路。慢慢地，他们不再只追着准确率跑，而开始考虑模型在真实使用场景中的表现。
计算机科学助理教授申华在评审一个垃圾分类项目时，特别肯定了这种取舍。“他们考虑的不只是分类任务完成得好不好，也在尝试开发更小、更适合部署在手机等轻量设备上的模型。”她说。学生还从准确率、模型大小和推理延迟等多个维度比较结果，而不是简单选出一个准确率最高的版本。
而模型跑通，也不等于项目已经完成。开发项目里，有人负责训练模型，有人搭建网站，也有人需要思考交互、视觉和展示：用户为什么会愿意打开这个产品？第一次使用时，能不能迅速看懂它怎么操作？
秦同学所在的TrashQuest小组把垃圾分类网站做成了一款互动学习工具。用户上传照片后，不会立刻看到答案，而是先自己猜一猜垃圾的材质和类别，再由AI公布结果。
临近最终展示，负责网站的同学仍在调试。几个小时后，网站终于可以在手机上正常打开。秦同学把链接生成二维码放上海报，自己先扫了一遍，又顺手发给妈妈和弟弟。“他们真的可以上传照片，也真的能用。”她说，“那一刻就觉得，它不只是我们课堂里做的一个东西了。”
代码可以生成，判断不能外包
十天之后，学生们对AI更熟悉了，却未必因此变得更加盲目乐观。
徐同学喜欢编程，也一直对AI辅助编程（Vibe Coding）保持一点警惕。在最终项目中，他第一次大量使用“智能体式编程工具”辅助开发。一些过去需要很久才能完成的工作，很快便有了雏形；但一旦程序报错，新的麻烦也随之出现。
“以前是我自己写的代码，报错了，我看一眼哪一行，大概就知道为什么。”他说，“这次AI用了很多我根本不会的技术，出了问题以后，反而不知道该从哪里改。”
工具可以加快开发，却不能替人理解代码、作出判断。也因此，在最终项目的推进和展示过程中，Peer Mentors的角色不只是回答技术问题。在准备海报和系统演示的过程中，他们也会从系统逻辑、信息组织和展示方式等方面给出具体反馈，帮助学生重新审视自己的方案：为什么这样设计？哪些选择需要解释清楚？一个能运行的系统，又该怎样让别人真正理解？
从教授带领的全英文课堂，到下午的代码实操、Peer Mentors的近距离指导和跨文化小组项目，学生需要不断在“学懂”“做出来”和“讲清楚”之间来回切换。课堂之外，与企业工程师的交流，又把这些问题带到了真实的AI应用场景中。
常务副校长雷蒙在结业致辞中说，对这一代学生而言，重要的不只是学会如何使用AI，也要理解它究竟如何运作。“如果你们能够继续建立这种深入而成熟的理解，就能跟上越来越强大的AI工具，用它们完成更复杂、更重要的事情，同时不让这些工具伤害自己或社会。”他说。
十天，当然不足以真正“学完AI”。但下一次面对AI给出的答案，这群学生或许不会再只问一句“能不能用”。他们还会继续追问：它根据什么作出判断？哪里可能出错？如果这个结果真的进入现实，又该由谁负责？