🎯 今日要点
- 挪威宣布 8 月底起禁止小学生在校使用生成式 AI，按学段分三级管控
- Datawhale 公开 Loop Engineering 14 步实操手册，拆解 AI 编码循环工程落地方法
- 高质量数据集为什么互联网大厂集体不参与？数据来源、合规、护城河三重矛盾
- 上海交大用 AI 重构课程资源：知识库 + 课程网站 + 可视化实验一条龙
📋 详细内容
1. 挪威禁止小学生使用 AI：8 月底落地，按学段分三级管控
原文：挪威政府正式公布校园 AI 使用新规，将于 8 月底实施。6–13 岁小学生全面禁用生成式 AI；14–16 岁初中生须在教师全程监管下使用；17–19 岁高中生通过实操教学引导规范使用。同步立法加大纸质教材供给，减少学生对电子设备的依赖。加拿大、丹麦、瑞典、芬兰、澳大利亚等国也相继更新未成年人网络监管条例。（世界互联网大会）
2. Loop Engineering 实操手册公开：14 步搭建 AI 编码循环工程
原文：Datawhale 分享了由 Codez 总结的 Loop Engineering 14 步实操手册，综合 Anthropic 工程文档和 Addy Osmani 的长文。核心框架分三层：先用 4 个问题判断是否需要循环（任务是否重复、能否自动验证、token 预算、Agent 能否自测），再掌握 5 个构件（Automations、Worktrees、Skills、Connectors、Sub-agents），最后搭建最小可运行的循环系统。文章强调 Loop 适合有强测试套件的团队做 CI 分类、依赖升级等重复任务，大部分个人开发者目前还用不上。（Datawhale）
3. 高质量数据集，为什么互联网大厂都不玩？
原文：政策推动的”高质量数据集”申报案例清一色是国央企和制造业龙头，互联网大厂和大模型公司集体缺席。原因有四：一是训练数据大量来自网络爬取，来源敏感不敢摆上台面；二是数据就是护城河，确权公开等于自毁长城；三是用户行为数据在《个保法》《数据安全法》下合规压力大；四是补贴这点钱大厂看不上。两边的”高质量”定义也完全不同——政策侧关注治理指标和数据流通，大模型侧关注 loss 下降和 benchmark 提升。但本质上，政策推数据标准化是在给大模型铺路，帮行业数据”翻译”成模型能吃的格式。（Nikola数说未来）
4. 上海交大：用 AI 重构课程资源，知识库 + 网站 + 可视化实验一条龙
原文：上海交通大学将教材、课件、题库、案例汇集成课程专属知识库，交由 AI 梳理脉络。在此基础上自动生成课程网站，包括知识图谱、思维导图、章节导览和学习路径，还能配套生成思考题和随堂练习。进一步，AI 帮教师搭建数学原理可视化演示和互动实验工具，如高尔顿钉板实验、3D 华容道、手写数字识别、词向量可视化等。知识库可由教师独立搭建，也支持教学团队共创或师生共建。（高校信息化应用）
今天的四条线索覆盖了 AI 的”管”与”用”两面：挪威在给 AI 进校园踩刹车，上海交大在用 AI 重构教学资源；Loop Engineering 在解决”怎么让 AI 自己干活”的工程问题，高质量数据集的讨论则揭示了政策与产业之间”同一个词、两套逻辑”的深层错位。