向金 吳俊杰

作為一個每周上幾節(jié)課的老師，雖然很向往教育學(xué)者侃侃而談、著書立說的那種感覺，但對于很多具體的問題還是會說：“要不然您拿一節(jié)課，最好是自己上一節(jié)課給我講講？”此次關(guān)于人工智能與教育的對話，我請到了在技術(shù)上和教學(xué)上都十分優(yōu)秀的西安交通大學(xué)附屬小學(xué)的向金老師，一起聊聊作為教學(xué)實踐的人工智能教育。

——吳俊杰

吳俊杰：向金老師，非常感謝您能參與本次對話，其實我們已經(jīng)很熟悉了，但還是要問，您是如何走上人工智能與教育相結(jié)合這條路的？

向金：感謝您的邀請。首先，我以前是語文教師，并不是專業(yè)的科班出身的信息技術(shù)教師，說起如何走上這條路的，還是有點機緣巧合。我就讀師范時就特別喜歡信息技術(shù)，那時用的計算機還是286，最高端的還是蘋果機。有一位新畢業(yè)的教師給我們上編程課，我記得特別清楚，當(dāng)時講的是BASIC語言，很多同學(xué)都沒有聽懂，而我聽懂了。我覺得很有意思，對它非常感興趣。

吳俊杰：向金老師一不小心暴露了年齡。

向金：是啊，我一個語文專業(yè)的師范生，理論上計算機是可學(xué)可不學(xué)的，但興趣促使了我的探索，計算機老師給了我一把鑰匙，讓我沒事就去機房，從此就開啟了我的編程夢想。也因此，我覺得有一位好的老師非常重要，他能夠為學(xué)生開啟未來的一扇大門。從那以后，大部分時間我都泡在計算機機房里，用BASIC做各種小游戲，寫各種代碼。學(xué)生時代，就這樣子過了有兩三年，后來包括寒暑假，我都在外面參加各種進修，也積累了一些技術(shù)。

上班后，因為學(xué)的是中文，所以還是做語文老師，但并沒有放棄計算機這個愛好，在1995年我租了第一臺電腦，那時候買不起電腦只能租。到2004年，畢業(yè)十年的時候，一個偶然的機會，我接觸到了智能機器人，然后就開始了機器人領(lǐng)域的教學(xué)和研究。而真正開始將人工智能和教育結(jié)合起來，是在兩年前。

吳俊杰：是在國務(wù)院發(fā)布人工智能的相關(guān)政策文件的時候？

向金：是的，有政策因素，也有自己對技術(shù)趨勢的把握。例如，有時候為了能夠找到好的解決方案，我需要大量的數(shù)據(jù)，并嘗試用數(shù)據(jù)模型的思想來解決問題，但當(dāng)時我還沒有意識到這就是人工智能的重要思想。學(xué)生們也會去分析競賽中產(chǎn)生的各種數(shù)據(jù)之間的關(guān)系，并與程序結(jié)合起來。后來，我們在思考一個問題，就是能不能做一個萬能的工具，不用每個賽道單獨編寫一個程序，這個想法其實是學(xué)生們提出來的。一開始我們也寫了一些萬能的程序，但是總覺得不夠滿意。后來我們就想用數(shù)組一類的方法去解決這個問題，沿著這個思路找規(guī)律，在查閱資料的過程中慢慢發(fā)現(xiàn)，這其實就是人工智能里面很重要的一部分——基于數(shù)據(jù)訓(xùn)練模型。我們覺得這個過程很有用，效果也非常好，所以自然而然，就從機器人圈子進入到了人工智能的圈子。

吳俊杰：是的，尋找一個能自動適應(yīng)各種賽道的機器人方案，是一個“通用問題求解”的過程，這確實和我們之前看到的機器人程序不同，而且也是人工智能的重要研究領(lǐng)域。

向金：當(dāng)我們從機器人自然而然地走向人工智能時，發(fā)現(xiàn)人工智能這個教育領(lǐng)域其實比想象的更廣、更寬，它代表著一種比簡單的編程更為通用的思維能力，數(shù)據(jù)、知識及模型之間的關(guān)系，這種思維方式可以移植到很多學(xué)科。例如，我一直在做的這個課程，希望人工智能和數(shù)學(xué)結(jié)合起來，不是讓人工智能幫助學(xué)生學(xué)已知的數(shù)學(xué)，而是讓學(xué)生借助人工智能的思想去重新認識數(shù)學(xué)，然后讓他們理解人工智能所需要的一些理論基礎(chǔ)，為他們以后真正做人工智能核心的算法進行一定的積累。

吳俊杰：很感謝您，分享了很多我并不太知道的故事。興趣是最好的老師，這一句話在您身上體現(xiàn)得特別明顯。在學(xué)科層面上，目前常見的做法是把人工智能分成兩個方向，第一個方向是把它作為信息技術(shù)學(xué)科為先導(dǎo)的一個系統(tǒng)的教學(xué)內(nèi)容，另一方向是用人工智能來輔助傳統(tǒng)學(xué)科的教學(xué)，這可以稱為“人工智能+”，感覺和“互聯(lián)網(wǎng)+”類似，數(shù)學(xué)還是講原來的東西，只是有了人工智能的學(xué)伴。而您對人工智能的理解，似乎超越了這兩個方向，是從人工智能的思想方法出發(fā)，去解決實際問題，各個學(xué)科都可以用，但用的過程又不是本學(xué)科原本的用法，是方法導(dǎo)向而非知識導(dǎo)向的一種做法，是綜合的而非孤立的。這很像LOGO語言之父、Scratch語言所在的“終身幼兒園”項目的創(chuàng)始人——西蒙·帕佩特先生的思想軌跡的一條延長線——計算機是一種思維的飛躍，而非傳統(tǒng)學(xué)科的拐杖。人工智能的通用方法是人工智能作為實踐教學(xué)的核心。

向金：人工智能一定少不了編程，這是最基本的知識，但它跟編程又有不同的方式，如編程的思維方式是人幫著計算機解決問題，而人工智能的思維方式是用數(shù)據(jù)去訓(xùn)練模型，要想辦法獲得大量的數(shù)據(jù)，然后用生成的模型去解決問題。這是人工智能和傳統(tǒng)的編程教學(xué)很大的一個區(qū)別，這種思維方式我覺得在教學(xué)中一定要讓學(xué)生去理解，否則的話，他們會把人工智能跟編程等同起來，將來可能只會成為一個簡單的碼農(nóng)，缺乏做出開創(chuàng)性貢獻的思維基礎(chǔ)。

而你說的“人工智能+”也可以分為淺層和深層的應(yīng)用，我更關(guān)注深層的應(yīng)用。人工智能教育編程是基礎(chǔ)，但是并不是以編程為目標的。除了編程之外，還有一個很重要的問題是要搞清楚數(shù)據(jù)從哪里來，數(shù)據(jù)獲取有很多的方式和方法，人工智能的興起，數(shù)據(jù)功不可沒。這也是必須讓學(xué)生理解未來的社會數(shù)據(jù)很重要的原因。學(xué)生不僅要知道數(shù)據(jù)在網(wǎng)絡(luò)安全中有用，而且要知道公平地用數(shù)據(jù)、科學(xué)地用數(shù)據(jù)，注重數(shù)據(jù)的共享性的同時還要注重數(shù)據(jù)應(yīng)用的倫理原則。

有了這種思維方式，然后要學(xué)習(xí)的就是一些關(guān)于數(shù)學(xué)上的東西，我認為這也是可以做的一件事情，就是怎么樣把“數(shù)學(xué)”與“數(shù)據(jù)”結(jié)合在一起，然后用數(shù)學(xué)的一些方式，去找到數(shù)據(jù)之間內(nèi)在的關(guān)系。開始，我們可以讓學(xué)生自己去找，然后用人工智能的方式再去驗證。這樣就形成了一個對比，讓學(xué)生理解什么是人工智能，明白人工智能其實還是要跟人的思維方式進行匹配。這樣做的好處是讓學(xué)生在做項目時，一開始就能夠區(qū)別傳統(tǒng)的編程模式，而不是把它理解為只是為了完成一個項目而去做的數(shù)據(jù)處理分析，整個過程主要還是讓學(xué)生對人工智能的思維過程有全面的了解。

吳俊杰：通過您的講解，我對一些概念的理解有了很大的提升，之前我認為信息技術(shù)學(xué)科視角的人工智能教育可能是一個主流的狀態(tài)，現(xiàn)在我認為跨學(xué)科視角的人工智能教育發(fā)展?jié)摿薮螅覀兛梢越栌扇斯ぶ悄芘c教育的結(jié)合，對學(xué)科教學(xué)進行更加大刀闊斧的改革。

向金：接下來，我介紹一下我一直在做的課程的設(shè)置背景。在我所在的學(xué)校中，機器人課是單獨的課，而未來計劃把它與編程課放在一起，因為學(xué)習(xí)機器人肯定要學(xué)編程，但也不完全等同，因為機器人還涉及結(jié)構(gòu)、傳動這些物理知識。另外一個課程是3D打印，該課程大多是針對建模的。目前這些課程由一個課程團隊實施，都是大班教學(xué)的狀態(tài)。下一學(xué)期，我計劃在大班開設(shè)人工智能課。其實每個學(xué)科，都可以去做人工智能的整合，舉個例子，之前西安交通大學(xué)聯(lián)合中小學(xué)，做了一個知識圖譜的課題。這個課題是與人工智能相關(guān)的國家重點課題，就是用人工智能的方式來處理所有的學(xué)科的知識圖譜，目前已經(jīng)實現(xiàn)22個學(xué)科的知識系統(tǒng)。這就是以“人工加智能”的方式去做的，因為目前要完全靠人工智能去做還是很困難，但在未來，這種圖譜在評價上就很有用。學(xué)生可以學(xué)習(xí)構(gòu)建這個圖譜的過程，也可以應(yīng)用這個知識圖譜來學(xué)習(xí)。這更合適“人工智能+教育”的執(zhí)行方式，知識圖譜也可以幫助教師進行決策，當(dāng)某一個學(xué)生的知識點出現(xiàn)問題時，我們通過知識圖譜去查閱他，看看如何提供個性化的幫助。

吳俊杰：真的很希望有機會能夠開放這些相關(guān)的課程，給全國的教師們看一看。當(dāng)然人工智能的教學(xué)還是需要一些教學(xué)平臺和硬件設(shè)備，這樣就能夠從一個教學(xué)場景出發(fā)，具體告訴教師這些硬件和編程環(huán)境是如何在小學(xué)教學(xué)中實施的。

向金：那么我來舉兩個比較典型的教學(xué)場景。

一個是兩列數(shù)組，第一列是1、2、3、4、5、6、7、8這種自然數(shù)，第二列是2、4、6、8、10、12、14、16，在課堂教學(xué)中，教師會讓學(xué)生去找這兩列數(shù)的規(guī)律，這個規(guī)律其實處理起來還是很容易的。但是，最重要的是要讓學(xué)生知道人工智能做法：第一步，把數(shù)據(jù)導(dǎo)入進去（如圖1）;第二步，把數(shù)據(jù)加載到一個模型里，對于這個模型的核心算法，小學(xué)生無法完成，但接下來學(xué)生可以去訓(xùn)練該模型。

之后，則會生成該模型，這就相當(dāng)于規(guī)律已經(jīng)找到了，后續(xù)學(xué)生要驗證該規(guī)律，而驗證的過程是將一個原數(shù)據(jù)之外的數(shù)據(jù)放進去，看一看計算機的訓(xùn)練結(jié)果（如下頁圖2）。當(dāng)學(xué)生驗證時，發(fā)現(xiàn)人工智能找到的規(guī)律并不一定是二倍的關(guān)系，這就涉及一些類似損失函數(shù)之類的概念，在后面的學(xué)習(xí)中學(xué)生就可以去慢慢理解了。

接下來，就是進行優(yōu)化，把模型調(diào)得更好，這里會有很多方法，如提高數(shù)據(jù)的數(shù)量、增加訓(xùn)練的數(shù)目、調(diào)整參數(shù)值，甚至改進底層算法。我們能夠看出，編程過程并不是特別復(fù)雜，簡單幾步就可以做好，但其解決問題的方式與傳統(tǒng)的編程是截然不同的，而這一切我們現(xiàn)在都把它放在一個我們開發(fā)的類似Scratch的圖形化編程平臺上。

另一個就是無人車的案例。我們都知道，無人車一般情況需要安裝很多的傳感器，而我們這個無人車并沒有使用太多的傳感器，我們使用攝像頭。其實如果只單純地用圖像識別的方式去做，工作量是相當(dāng)大的，但用數(shù)據(jù)訓(xùn)練的思路，我們會讓學(xué)生知道只是把之前讓人工智能找數(shù)學(xué)規(guī)律的過程遷移過來。

首先是采集數(shù)據(jù)，我們邊遙控邊拍照，獲得的圖片全部存到SD卡上或者云端。其次是生成模型，當(dāng)然這個過程具體的算法很復(fù)雜，使用本機常常需要幾個小時，后來我們建立了一個云端的GPU系統(tǒng)優(yōu)化了這個過程。完成后系統(tǒng)就會輸出一個類似函數(shù)的東西，通過這個模型就可以開始測試無人駕駛的效果（如圖3）。其實這與第一個案例也是非常相似的，驗證是不是實現(xiàn)了真正的無人駕駛。如果效果不好，就要看是不是原始數(shù)據(jù)有誤或者數(shù)據(jù)的品質(zhì)有誤。由此可以拓展，如何讓無人駕駛能夠更加智能，如增加語音識別或設(shè)計更為復(fù)雜的環(huán)境。當(dāng)然這個過程都是要經(jīng)歷類似“準備數(shù)據(jù)—生成模型—驗證模型—改進模型”的過程，我們稱其為人機建模，這與之前程序教學(xué)當(dāng)中更注重過程和邏輯的教學(xué)模式是不同的，其重點也有區(qū)別。

吳俊杰：實際上這就是數(shù)據(jù)和模型驅(qū)動下的人工智能教育。該思維方式應(yīng)該是在一開始就明確地告訴學(xué)生的，這是人工智能時代學(xué)生的數(shù)據(jù)素養(yǎng)、信息素養(yǎng)的一個重要組成部分。我覺得這種思想方法，也可以用在物理學(xué)的學(xué)習(xí)中，我們在做物理實驗的時候也是從數(shù)據(jù)中去證明一些結(jié)論或者發(fā)現(xiàn)一些新結(jié)論，您的做法也給了我很大的啟示。就是說能不能從物理學(xué)科的角度出發(fā)，去訓(xùn)練人工智能，去發(fā)現(xiàn)一些可能會忽略的有規(guī)律性的概念，就像阿爾法狗發(fā)現(xiàn)了千百年來圍棋大師們所沒有嘗試過的棋局形態(tài)一樣。這也是人工智能時代對我們傳統(tǒng)的科學(xué)素養(yǎng)概念的一個提升。

這么來看，數(shù)據(jù)素養(yǎng)、科學(xué)素養(yǎng)和信息素養(yǎng)在人工智能時代是三位一體的關(guān)系，共同構(gòu)成了人工智能時代的勞動力結(jié)構(gòu)。同時，這種關(guān)系和數(shù)字科學(xué)家2.0的理念也不謀而合，您的觀點也給了我很大的啟示。

向金：用物理的實驗數(shù)據(jù)去找內(nèi)在規(guī)律，這是非常好的一種思路。其實，與人找規(guī)律相比，人工智能能夠發(fā)現(xiàn)我們沒有發(fā)現(xiàn)的一些規(guī)律，沿著這個思路，我們也可以嘗試用人工智能的方式去做更多的課程整合。

不僅是針對物理，還有很多其他學(xué)科的應(yīng)用。例如，藝術(shù)類的案例，我們做了一個非常有趣的小型實驗，就是研究什么樣的畫學(xué)生會覺得更美。這其實就是對人工智能進行訓(xùn)練，把這些畫都放進去，讓學(xué)生來給畫貼標簽，是美還是不美。然后，再把年齡標簽、性別標簽都放進去，你會發(fā)現(xiàn)特別奇特的現(xiàn)象，很有意思，即用人工智能數(shù)據(jù)給出的結(jié)果是不一樣的，基本上你就能夠推導(dǎo)出下一幅畫學(xué)生是喜歡還是不喜歡。但是，模型中到底有什么樣的規(guī)律我們很難判斷，因為這里存在著一些沒有辦法量化的東西。

吳俊杰：這就有點像量子力學(xué)，一切都是概率性的東西，至于它具體在哪里，是不能夠具體量化的。各個學(xué)科的應(yīng)用場景，讓我想到了“未來學(xué)?！钡母拍睿X得在人工智能驅(qū)動下的未來學(xué)校會是一個什么樣子？人工智能對未來學(xué)校會有怎樣的影響呢？

向金：我覺得未來的學(xué)校會是一個跨平臺的事物，就像我們梳理的知識圖譜一樣。很多基礎(chǔ)知識的學(xué)習(xí)會在線上完成，且這是一個更加跨領(lǐng)域、跨地域的學(xué)習(xí)狀態(tài)。人工智能對未來學(xué)校的影響首先是大數(shù)據(jù)支持的學(xué)習(xí)診斷，如果數(shù)據(jù)足夠多，就可以推導(dǎo)出學(xué)生的學(xué)習(xí)方向和趨勢。其次，學(xué)生的每一次學(xué)習(xí)、每一個項目、每一個研究、每一次與別人的溝通、每一次線下的診斷、每一次與他人的互助，都會形成數(shù)據(jù)沉淀下來。這樣，傳統(tǒng)意義上的學(xué)校的概念就會被打破。總結(jié)起來看，線上更像是現(xiàn)在知識傳授型的學(xué)校，而線下則更像是一家醫(yī)院或者一個社區(qū)。

吳俊杰：您說的這些我很期待，而且離我們也并不遙遠。說實話，從2009年開始接觸Scratch，到后來的創(chuàng)客教育，在2012年的時候就已經(jīng)形成了一些基本的觀點，如軟硬件結(jié)合的好處、編程中的系統(tǒng)思維、互動媒體中的藝術(shù)規(guī)律，還有開源文化和未來社會的關(guān)系。在之前我看到的很多人工智能的教學(xué)案例中，并沒有跳出這些核心概念，讓我有一種舊瓶裝新酒的感覺。但是聽了您關(guān)于人工智能與教育結(jié)合的這些思路，包括對未來學(xué)校的暢想，從方法論的層面上，給了我一些新的思路。最后一個問題，您如何看待這種形態(tài)的人工智能教育在實施方面可能會遇到的一些困難？

向金：肯定是會遇到一些困難，而且現(xiàn)在就遇到了第一個困難，即人工智能領(lǐng)域中的項目及產(chǎn)品特別多，且相關(guān)算法也特別多，雖然一些已經(jīng)被開源出來，但對中小學(xué)來說還是太難了，根本就沒有辦法去落地實施。

因而，我們目前就要做一個開放平臺，即人工智能面向中小學(xué)的開放平臺，與Scratch一樣，具備很多圖標，學(xué)生根據(jù)需求就可以把它拖進來。雖然這些核心的源代碼不是我們原創(chuàng)的，但我們希望把這些開源的東西整合到一個平臺上，同時能夠真正地把它圖形化，并讓它能夠用起來。只有這樣，學(xué)生才能把復(fù)雜的問題簡單化。當(dāng)然，封裝時不能太死，要給學(xué)生留有可發(fā)揮的余地，基本的思路是要保證人工智能最基本的一些特性，特別是人機建模的思維過程。

面臨的第二個問題就是，未來人工智能的算力問題，特別是在進行大班教學(xué)時，算力是非常難解決的問題。以小組學(xué)習(xí)為例，幾個學(xué)生同時在計算，對計算機、本地服務(wù)器的壓力都是很大的。如果采用云端的方式，也只能10到20個學(xué)生同時進行測算，而且五六分鐘左右才能出數(shù)據(jù)。如果更大規(guī)模則可能有一些延遲或延誤，這就影響了教學(xué)體驗。所以我想，未來我們可能會聯(lián)合一些廠商或者一些志同道合的大企業(yè)貢獻一定的“算力”，或者是使用一些專用的芯片來解決問題。

可預(yù)見的還有第三個問題，就是到了一定層次的課程之后，在核心算法層面，還需要像剝洋蔥一樣一層一層把它剝出來，這可能需要更專業(yè)的人來加入進來，這也是我們下一步的重點。