鐘柏昌　顧榮楨

如今，以自然語言處理為代表的人工智能技術(shù)在改善人們生產(chǎn)生活的同時(shí)，也帶來了信息繭房、算法陷阱、欺詐舞弊等挑戰(zhàn)。在此背景下，開展扎實(shí)有效的中小學(xué)人工智能教育顯得極為重要。當(dāng)前，國內(nèi)外學(xué)者對中小學(xué)人工智能教育的目標(biāo)定位頗具共識(shí)，即它并非人工智能專業(yè)人才的培養(yǎng)，也并非少數(shù)人的教育，而是提升未來公民均需掌握的基本生存能力——人工智能素養(yǎng)[1-2]。人工智能素養(yǎng)的培養(yǎng)離不開高質(zhì)量的人工智能教育資源。雖然目前相關(guān)課程資源的開發(fā)并不鮮見，但絕大部分來自高等教育領(lǐng)域，需要學(xué)習(xí)者具備較高的理工科專業(yè)基礎(chǔ)，并不適用于中小學(xué)師生。毋庸置疑，人工智能的跨學(xué)科性和前沿性決定了其具有較高的技術(shù)門檻，這顯然與人工智能素養(yǎng)的普及培養(yǎng)存在矛盾。能否有效解決這個(gè)矛盾，決定了人工智能教育普及開展的成敗。為此，本文構(gòu)建了中小學(xué)人工智能教育的五級進(jìn)階框架，通過降低門檻、逐層遞進(jìn)的方式提升學(xué)生的人工智能素養(yǎng)。為幫助讀者理解，本文以“停車場自動(dòng)抬桿系統(tǒng)的優(yōu)化”為例，設(shè)計(jì)并詳述了基于五層進(jìn)階框架的項(xiàng)目式教學(xué)案例作為參考。

拾級而上：中小學(xué)人工智能教育的五個(gè)層級

對人工智能教育進(jìn)行分層的做法并非鮮見，國內(nèi)外已有一些研究做出了積極的探索。例如，《美國K—12 人工智能教育行動(dòng)計(jì)劃指南》將人工智能教育分為K—2 年級、3—5 年級、6—8 年級、9—12 年級4 個(gè)階段[3]。又如，國內(nèi)《中小學(xué)人工智能課程指南》根據(jù)小學(xué)、初中、高中3 個(gè)階段分別對人工智能課程內(nèi)容提出不同要求[4]。然而，這些研究主要是從學(xué)段角度進(jìn)行教育目標(biāo)和教育內(nèi)容的分層，缺乏學(xué)理依據(jù)的說明。同時(shí)，學(xué)段分層對大部分成熟學(xué)科而言可能是合理的，但對于人工智能這種新興學(xué)科而言則力有不逮：一方面是人工智能處在快速發(fā)展階段且學(xué)科體系尚不成熟，簡單作學(xué)段內(nèi)容切分難以周全；另一方面是人工智能技術(shù)存在門檻過高的問題，對人工智能技術(shù)作簡單條塊切分無法有效降低中小學(xué)生的進(jìn)入門檻。相比之下，較為科學(xué)合理的方案是對人工智能技術(shù)做降維處理后再遷移至中小學(xué)人工智能教育。需注意的是，中小學(xué)生覆蓋不同年齡階段，在認(rèn)知水平和能力上具有動(dòng)態(tài)發(fā)展性，因此，人工智能技術(shù)的降維處理應(yīng)當(dāng)具有不同的樣態(tài)，以適應(yīng)不同認(rèn)知發(fā)展階段的學(xué)生；教師也需要借此設(shè)計(jì)不同抽象層次的學(xué)習(xí)項(xiàng)目，引導(dǎo)學(xué)生循序漸進(jìn)、層層深入地把握人工智能的本質(zhì)。換言之，以不同降維處理的人工智能創(chuàng)作工具（平臺(tái)）作為腳手架，對人工智能教育進(jìn)行合理分層，引導(dǎo)學(xué)生由外向內(nèi)逐層探索人工智能技術(shù)，像剝洋蔥一樣打開人工智能的黑箱，才有可能有效提升中小學(xué)生的人工智能素養(yǎng)。

為便于分層，首先要按照不同降維程度對人工智能創(chuàng)作工具進(jìn)行分類。最基礎(chǔ)的人工智能創(chuàng)作工具是深度學(xué)習(xí)框架，例如PyTorch、TensorFlow 等，它們是深度學(xué)習(xí)算法經(jīng)模塊化封裝形成的人工智能學(xué)習(xí)庫，可以滿足用戶模型訓(xùn)練、測試等需求[5]，我們將此類工具稱為“人工智能框架工具”。此類工具的使用要求用戶熟諳神經(jīng)網(wǎng)絡(luò)的各層結(jié)構(gòu)，即具備較高的人工智能開發(fā)水平。在此基礎(chǔ)上經(jīng)第一次降維處理后的工具便是各類已有算法的開源文件， 如YOLO（You Only Look Once：Unified， Real-Time Object Detection）算法、SSD（Single Shot MultiBox Detector）算法等，我們將此類工具稱為“算法代碼工具”。用戶無須考慮網(wǎng)絡(luò)結(jié)構(gòu)，依據(jù)實(shí)際需要下載開源文件并作一定調(diào)整后即可使用此類工具。將算法代碼封裝，以圖形交互界面呈現(xiàn)的程序或網(wǎng)頁，可以視作人工智能創(chuàng)作工具的第二次降維處理，我們將此類工具稱為“程序交互工具”。例如飛槳（PaddlePaddle）、浦育（OpenInnoLab）等平臺(tái)中提供的人工智能體驗(yàn)功能，用戶只需上傳數(shù)據(jù)集至平臺(tái)并點(diǎn)擊“訓(xùn)練”按鈕即可訓(xùn)練模型。除以上3 類創(chuàng)作工具外，還有一類更直觀的工具，它不涉及模型訓(xùn)練，主要為各式人工智能應(yīng)用程序編程接口（API）和智能傳感器設(shè)備，如各類智能云API 和智能攝像頭，我們將此類工具稱為“編程體驗(yàn)工具”。針對此類工具，用戶只需將現(xiàn)成的模型進(jìn)行部署即可制作智能交互系統(tǒng)。綜上，根據(jù)抽象維度，可以將人工智能創(chuàng)作工具由高到低劃分為人工智能框架工具、算法代碼工具、程序交互工具和編程體驗(yàn)工具4 個(gè)類別。

其次，由于任何工具都離不開用戶主體，人工智能教育的分層還需特別關(guān)注學(xué)習(xí)者的認(rèn)知水平。依據(jù)修訂版的布盧姆認(rèn)知目標(biāo)分類框架，學(xué)生的認(rèn)知水平可以分為記憶、理解、應(yīng)用、分析、評價(jià)和創(chuàng)造6 個(gè)層次[6]。本文認(rèn)為這一分類非常契合中小學(xué)人工智能教育，不僅因?yàn)槿斯ぶ悄芙逃龑儆谒仞B(yǎng)教育，體現(xiàn)了認(rèn)知目標(biāo)與情感目標(biāo)的交疊關(guān)系[7]，還因?yàn)樯鲜鋈斯ぶ悄軇?chuàng)作工具在抽象維度的降維處理與認(rèn)知水平具有內(nèi)在一致性。

為此，可以將4 種人工智能創(chuàng)作工具與6個(gè)認(rèn)知層次進(jìn)行關(guān)聯(lián)：編程體驗(yàn)工具的使用門檻最低，學(xué)生只需記住模型接口、模型名稱及其功能，進(jìn)而在圖形化編程環(huán)境中直接調(diào)用預(yù)訓(xùn)練模型即可，因而可與記憶層次的認(rèn)知水平對應(yīng)；盡管程序交互工具需要準(zhǔn)備數(shù)據(jù)集和訓(xùn)練模型，但其采用的是可視化的按鈕操作環(huán)境，操作簡單，有利于用戶理解模型的訓(xùn)練過程，故與理解層面的認(rèn)知水平相當(dāng)；不同算法代碼工具所需修改應(yīng)用的難度差異較大，根據(jù)不同使用方法可覆蓋應(yīng)用和分析2 個(gè)認(rèn)知層次，例如直接調(diào)用已有算法進(jìn)行模型訓(xùn)練屬于應(yīng)用水平，而結(jié)合實(shí)際需求綜合運(yùn)用多個(gè)算法模型則需要分析綜合的能力；人工智能框架工具的抽象水平最高，要求學(xué)生不僅要深入了解不同框架、模型、算法的技術(shù)思想和功能差異，還要在評估實(shí)際問題需求的基礎(chǔ)上創(chuàng)新運(yùn)用工具，因此可與評價(jià)和創(chuàng)造水平相對應(yīng)。綜上，基于4 種工具和6 個(gè)認(rèn)知水平之間的5 種對應(yīng)關(guān)系，可以形成人工智能教育的五級水平，我們將其稱之為體驗(yàn)級、理解級、應(yīng)用級、綜合級和優(yōu)化級（見表1）。結(jié)合前述人工智能創(chuàng)作工具特點(diǎn)和項(xiàng)目實(shí)踐需求，可進(jìn)一步細(xì)化每一級的目標(biāo)要求（見表2）。

迭代實(shí)踐：停車場自動(dòng)抬桿系統(tǒng)的五級項(xiàng)目案例

停車場自動(dòng)抬桿系統(tǒng)是以圖像識(shí)別為核心技術(shù)的人工智能交互系統(tǒng)，能滿足從體驗(yàn)級到優(yōu)化級各級項(xiàng)目式教學(xué)的需要。首先，該系統(tǒng)在生活中較為常見，符合注重解決實(shí)際問題的項(xiàng)目式教學(xué)要求；其次，相較于數(shù)據(jù)分析等其他人工智能領(lǐng)域，圖像識(shí)別具有可視化特點(diǎn)，識(shí)別結(jié)果簡單易懂，便于學(xué)生理解。此外，與圖像識(shí)別相關(guān)的人工智能創(chuàng)作工具更為多樣，便于開展分級教學(xué)。下面以此為例介紹不同層級的項(xiàng)目式學(xué)習(xí)內(nèi)容。

體驗(yàn)級

體驗(yàn)級需要學(xué)生借助編程體驗(yàn)工具認(rèn)識(shí)人工智能，該層級不要求學(xué)生訓(xùn)練模型，因此設(shè)計(jì)學(xué)習(xí)活動(dòng)時(shí)只需考慮所用工具的模型功能能否滿足項(xiàng)目需求即可。停車場自動(dòng)抬桿系統(tǒng)的基本功能是攝像頭識(shí)別汽車后自動(dòng)抬桿放行，其核心在于車輛的自動(dòng)識(shí)別。就本層級而言，可以調(diào)用API 函數(shù)或智能攝像頭實(shí)現(xiàn)車輛自動(dòng)識(shí)別，本案例以后者為例，采用二哈識(shí)圖（HUSKYLENS）智能攝像頭開展實(shí)踐。該攝像頭包含多個(gè)預(yù)訓(xùn)練模型，包括用VOC 2007數(shù)據(jù)集訓(xùn)練而成的20 類物品識(shí)別模型，能夠?qū)B、汽車、人、沙發(fā)等20 種物體進(jìn)行圖像識(shí)別。智能攝像頭物體識(shí)別功能的圖形化（模塊化）編程指令如圖1 所示。

作為人工智能教育的第一層級，體驗(yàn)級的教學(xué)內(nèi)容仍以創(chuàng)客教育為主。創(chuàng)客教育是人工智能教育實(shí)施的主要路徑，是人工智能教育不可替代的有機(jī)組成部分[8]，良好的創(chuàng)客教育基礎(chǔ)是后續(xù)各層級開展的前提。當(dāng)然，體驗(yàn)級并未真正涉及人工智能的核心算法與模型，適合作為從傳統(tǒng)創(chuàng)客教育到人工智能教育的過渡階段。以本項(xiàng)目為例，可以先讓學(xué)生基于紅外傳感器或按鈕開關(guān)等硬件制作簡易抬桿控制系統(tǒng)，再讓學(xué)生嘗試使用智能攝像頭將其改造為智能抬桿系統(tǒng)，以供學(xué)生比較智能系統(tǒng)之于普通控制系統(tǒng)的優(yōu)勢，體悟智能傳感器與普通傳感器的區(qū)別。

理解級

理解級需要學(xué)生經(jīng)歷人工智能模型的開發(fā)過程，包括生成數(shù)據(jù)集、模型訓(xùn)練和模型部署3 個(gè)部分。為實(shí)現(xiàn)汽車的自動(dòng)識(shí)別，本案例采用OpenInnoLab 平臺(tái)“AI 體驗(yàn)”模塊中的圖像分類工具（如圖2），對生成數(shù)據(jù)集和模型訓(xùn)練兩部分進(jìn)行簡化操作，以支持學(xué)生快速完成項(xiàng)目任務(wù)。為提高項(xiàng)目難度，可進(jìn)一步細(xì)化項(xiàng)目任務(wù)要求，要求學(xué)生在智能抬桿的基礎(chǔ)上實(shí)現(xiàn)按類型統(tǒng)計(jì)車輛等功能，例如制作可區(qū)分轎車、貨車等不同車輛類型的圖像識(shí)別模型。

相較于體驗(yàn)級，理解級項(xiàng)目的重難點(diǎn)在于調(diào)整數(shù)據(jù)集以訓(xùn)練出更有效的模型。數(shù)據(jù)在人工智能系統(tǒng)中處于核心地位[9]，也是人工智能學(xué)習(xí)的重要知識(shí)點(diǎn)。在制作作品前，可讓學(xué)生反復(fù)嘗試修改數(shù)據(jù)集，體驗(yàn)數(shù)據(jù)對人工智能模型訓(xùn)練效果的影響。例如，在制作識(shí)別車輛種類的模型時(shí)，讓學(xué)生嘗試轎車數(shù)據(jù)集均采用黑色轎車圖片，貨車數(shù)據(jù)集均采用白色貨車圖片，再用黑色貨車圖片評估模型訓(xùn)練后的識(shí)別效果，則可以理解過擬合概念。除此之外，欠擬合、訓(xùn)練數(shù)據(jù)集、測試數(shù)據(jù)集等概念也可通過體驗(yàn)不同數(shù)據(jù)集的方式學(xué)習(xí)。

此外，模型部署還涉及不同的模型文件格式。OpenInnoLab 平臺(tái)訓(xùn)練模型后所獲得的模型文件為TensorFlow.js 模型文件， 需要將其轉(zhuǎn)為ONNX（Open Neural NetworkExchange）模型文件以便部署模型，因?yàn)榇蟛糠种悄苡布技嫒菰擃愇募袷?。ONNX 模型可用Netron 等工具實(shí)現(xiàn)模型結(jié)構(gòu)的可視化，以幫助學(xué)生直觀理解圖像識(shí)別的工作原理。舉例說明，圖3 為本案例模型可視化后的部分結(jié)構(gòu)，包括轉(zhuǎn)置層、卷積層等信息，學(xué)生由此可初步理解圖像識(shí)別是圖像數(shù)據(jù)輸入模型后經(jīng)過逐層計(jì)算得出結(jié)果的過程。

應(yīng)用級

應(yīng)用級要求學(xué)生使用算法代碼工具（如開源的人工智能算法訓(xùn)練模型）制作智能交互系統(tǒng)。根據(jù)本層級要求，可以將項(xiàng)目任務(wù)確定為目標(biāo)檢測，即在圖像中找到并框出車輛位置，所采用的算法工具為YOLOv5。YOLO 系列是目標(biāo)檢測領(lǐng)域中速度- 精度均衡的佼佼者[10]，且YOLOv5 提供了yolov5s.pt 等模型作為預(yù)訓(xùn)練模型，效果較好且對算力需求相對較低，適用于中小學(xué)生使用。

本層級項(xiàng)目需要生成的數(shù)據(jù)集相比理解級更為復(fù)雜。首先，相比圖像分類，目標(biāo)檢測在生成數(shù)據(jù)集部分需要學(xué)生對圖像進(jìn)行標(biāo)注。常用的標(biāo)注工具有LabelImg、LabelMe 等，如圖4 為LabelImg 的標(biāo)注界面，標(biāo)注信息以xml格式保存。此外，還需要學(xué)生正確整理數(shù)據(jù)集的格式。以YOLOv5 為例，使用該算法讀取數(shù)據(jù)時(shí)，需要先將xml 文件轉(zhuǎn)換為txt 文件，文件名需與圖片名對應(yīng)，并將文件保存在命名為“l(fā)abels”的文件夾中。具體格式要求可參考所用開源算法的說明文件。

應(yīng)用級學(xué)習(xí)的重點(diǎn)在于模型訓(xùn)練，學(xué)生使用算法代碼工具訓(xùn)練模型時(shí)，需要調(diào)整超參數(shù)。在卷積神經(jīng)網(wǎng)絡(luò)中，主要的超參數(shù)包括學(xué)習(xí)率（learning rate）、訓(xùn)練次數(shù)（epochs）、批次大?。╞atch_size）等。這些超參數(shù)的使用，需要學(xué)生了解前向傳播和反向傳播等基本概念。掌握基本概念后，可讓學(xué)生在較低訓(xùn)練次數(shù)下嘗試修改學(xué)習(xí)率和批次大小，通過比較模型訓(xùn)練效果加深對各個(gè)參數(shù)的理解。此外，模型訓(xùn)練的耗時(shí)、批次大小的上限也與硬件條件有關(guān)，有利于加深學(xué)生對算力、處理器運(yùn)算能力單位、GPU 等概念的認(rèn)識(shí)。

綜合級

相較于應(yīng)用級，綜合級需要學(xué)生分解實(shí)際項(xiàng)目問題并形成問題鏈，再靈活運(yùn)用不同的模型解決這些問題。例如一些新聞報(bào)道提及某些小汽車采用作弊行為逃繳停車費(fèi)，包括利用同伴車輛刷卡掩護(hù)出閘、使用打印或手機(jī)拍攝的虛假車牌號(hào)等現(xiàn)象。為解決此類問題，需要改進(jìn)現(xiàn)有的停車場自動(dòng)抬杠系統(tǒng)。本層級項(xiàng)目將以防止車輛掩護(hù)出閘為例對原有系統(tǒng)進(jìn)行改進(jìn)，需要實(shí)現(xiàn)的主要功能包括：①檢測攝像頭前是否出現(xiàn)車輛，如出現(xiàn)則抬桿放行；②跟蹤車輛運(yùn)動(dòng)方向，如有倒車等掩護(hù)出閘情形則適時(shí)降桿止行；③檢測車輛的車牌位置，并識(shí)別和記錄車牌號(hào)。在厘清系統(tǒng)功能后，需要學(xué)生通過分析形成問題鏈，并選用合適的模型進(jìn)行訓(xùn)練和整合。整個(gè)系統(tǒng)需要解決3 個(gè)問題和使用3 類人工智能模型，一是如何提取圖像中車輛位置和車牌位置，需要用到目標(biāo)檢測模型；二是如何跟蹤前一個(gè)模型中檢測到的車輛，需要用到目標(biāo)跟蹤模型；三是如何將提取的車牌圖片轉(zhuǎn)換為文字，需要用到字符識(shí)別模型。將3 類模型串聯(lián)使用，即可實(shí)現(xiàn)系統(tǒng)的主要功能（如圖5）。

在模型訓(xùn)練方面，目標(biāo)檢測模型的訓(xùn)練流程基本與應(yīng)用級一致，只需增加對車牌的目標(biāo)檢測即可。目標(biāo)跟蹤功能可以直接調(diào)用OpenCV 庫中的CSRT 或其他類似算法命令實(shí)現(xiàn)，但需要將之前目標(biāo)檢測的結(jié)果提供給目標(biāo)跟蹤模型。以YOLOv5 實(shí)現(xiàn)目標(biāo)檢測功能的detect 文件為例，以下是其中負(fù)責(zé)輸出的部分代碼：

label = names[c] if hide_conf else f'{names[c]}'

confidence = float（conf）

……

label=Noneifhide_labelselse（names[c] if hide_conf else f'{names[c]}{conf：.2f}'）

annotator.box_label（xyxy，label ，color=colors（c， True））

save_one_box（xyxy， imc， file=save_dir/ 'crops' / names[c] / f'{p.stem}.jpg'，BGR=True）

代碼中的label 和confidence 分別包含識(shí)別到對象的標(biāo)簽和置信度，是判斷是否將圖像傳輸給下一個(gè)推理文件的依據(jù)；xyxy 變量則包含對象在圖像中的位置信息，借助xyxy 變量可以匹配特定區(qū)域的圖像，圖像信息存儲(chǔ)于變量imc 中。為了在目標(biāo)跟蹤模型中跟蹤該目標(biāo)圖像，需要在推理文件中合適位置調(diào)整xyxy 和imc 參數(shù)格式并調(diào)用其實(shí)現(xiàn)目標(biāo)跟蹤。為此，需要學(xué)生能夠讀懂代碼并正確轉(zhuǎn)換各個(gè)參數(shù)的格式。

記錄車牌號(hào)需要采用光學(xué)字符識(shí)別（OCR）算法，相應(yīng)模型的使用需要學(xué)生具備圖像預(yù)處理能力。預(yù)處理的作用主要為調(diào)整數(shù)據(jù)尺寸以契合模型的輸入格式，并使圖像特征更明顯以便模型推理。本案例中所采用的OCR 算法為LPRNet，使用該算法涉及到的預(yù)處理包括圖像尺寸調(diào)整、數(shù)值歸一化、矩陣轉(zhuǎn)置等操作。相應(yīng)代碼如下所示：

img =cv2.resize（img，（168，48））

img = img.astype（np.float32）

img = （img/255-mean_value）/std_value

img = img.transpose（2，0，1）

img = img.reshape（1，*img.shape）

除人工智能部分外，完整的系統(tǒng)制作還包括圖形化界面設(shè)計(jì)、物聯(lián)網(wǎng)連接等。

優(yōu)化級

有別于前4 個(gè)層級，優(yōu)化級需要學(xué)生嘗試使用PyTorch 等人工智能框架嘗試修改或制作簡易的網(wǎng)絡(luò)模型。盡管上一層級的項(xiàng)目任務(wù)較為完善，但尚未解決如何區(qū)分含有車牌號(hào)的真實(shí)車輛與打印或手機(jī)拍攝的車輛圖片的問題[11]。解決該問題沒有現(xiàn)成模型可以直接利用，需要學(xué)生在理解卷積層、匯合層、激活函數(shù)等網(wǎng)絡(luò)結(jié)構(gòu)作用，以及深度學(xué)習(xí)工作方式的基礎(chǔ)上，構(gòu)建簡單的人工智能網(wǎng)絡(luò)模型。

在本案例的情境中，車輛圖片與真實(shí)車輛的不同之處在于圖片存在明顯的矩形邊界，若能在攝像頭捕捉畫面中提取出矩形邊界則說明識(shí)別對象為車輛圖片。提取邊界可通過使用邊緣濾波器作為卷積核的方式實(shí)現(xiàn)。如可采用整體邊緣濾波器為卷積核，設(shè)置卷積步長為1，構(gòu)建特定卷積層，并設(shè)置其他卷積層及全連接層、批歸一化層、隨機(jī)丟棄層等結(jié)構(gòu)以制作一個(gè)簡易的圖像識(shí)別網(wǎng)絡(luò)模型。

還有另外一種解決問題的思路，即駛?cè)氲恼鎸?shí)車輛與放入的車輛圖片在攝像頭捕捉畫面上存在數(shù)據(jù)差異：真實(shí)車輛駛?cè)腌R頭前的過程中，存在從外面駛?cè)氲倪^程，變化較為平穩(wěn)，且車輛停止時(shí)，畫面基本保持不變；而將車輛圖片放到攝像頭前時(shí)，畫面呈快速變化，且因手持圖片的原因，畫面始終會(huì)存在一定抖動(dòng)。為此，學(xué)生可以嘗試提取畫面前后2 幀的差異信息作為數(shù)據(jù)集，并以此構(gòu)建人工智能模型區(qū)分真實(shí)和虛假的車輛。初步的數(shù)據(jù)獲取代碼如下：

gray_frame = cv2.cvtColor（frame，cv2.COLOR_BGR2GRAY）

frame_diff = cv2.absdiff（gray_frame_before， gray_frame）

_， thresh = cv2.threshold（frame_diff，30， 255， cv2.THRESH_BINARY）

contours，_=cv2.find Contours（thresh，cv2.RETR_EXTERNAL，cv2.CHAIN_APPROX_SIMPLE）

借助OpenCV 庫的指令可獲取前后2 幀畫面的差異圖像frame_diff，并提取差異區(qū)域的端點(diǎn)坐標(biāo)信息contours。通過這些數(shù)據(jù)信息可以計(jì)算出2 幀畫面差異區(qū)域面積、差異區(qū)域質(zhì)心等信息，將一段時(shí)間畫面變化信息進(jìn)行記錄即構(gòu)成一個(gè)數(shù)據(jù)項(xiàng)。若每2 幀之間獲取5 個(gè)數(shù)據(jù)信息，連續(xù)記錄90 幀，則每個(gè)數(shù)據(jù)項(xiàng)都是形狀為（90，5）的數(shù)組，數(shù)據(jù)量相對較小，使用少量全連接層、批歸一化層即可完成數(shù)據(jù)處理。

本層級項(xiàng)目不僅對深度學(xué)習(xí)和網(wǎng)絡(luò)結(jié)構(gòu)等理論概念的理解有明顯提升，而且使用的工具也為抽象程度較高的人工智能框架工具，需要特別做好相關(guān)理論知識(shí)的學(xué)習(xí)和準(zhǔn)確把握。

總結(jié)

本文結(jié)合現(xiàn)有各類人工智能創(chuàng)作工具和實(shí)踐平臺(tái)，結(jié)合認(rèn)知目標(biāo)分類理論，構(gòu)建了中小學(xué)人工智能教育的五級進(jìn)階框架，并以“停車場自動(dòng)抬桿系統(tǒng)的優(yōu)化”為例，對各級項(xiàng)目任務(wù)樣例進(jìn)行了描述。在使用該框架時(shí)，仍需注意以下幾個(gè)方面的問題。

一是如何通過進(jìn)階項(xiàng)目促進(jìn)學(xué)生人工智能素養(yǎng)的全面提升 中小學(xué)人工智能教育應(yīng)兼顧知識(shí)、能力和情感的全面發(fā)展，以提高學(xué)生的人工智能素養(yǎng)[12]。通過項(xiàng)目實(shí)踐，學(xué)生應(yīng)用人工智能解決問題的能力固然會(huì)得到一定提升，但要讓學(xué)生的人工智能知識(shí)和情感也獲得同步提升，離不開恰當(dāng)?shù)倪^程性評價(jià)和良好的情境創(chuàng)設(shè)。使用過程性評價(jià)，可以檢驗(yàn)學(xué)生能否在實(shí)踐過程中合理應(yīng)用人工智能知識(shí)；而良好的情境創(chuàng)設(shè)可以讓學(xué)生代入個(gè)人情感，在真實(shí)情境中增強(qiáng)對人工智能應(yīng)用價(jià)值和人機(jī)關(guān)系的理解。

二是如何在有限條件下推進(jìn)人工智能教育的普及 在經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)，教育經(jīng)費(fèi)往往不足以支撐人工智能設(shè)備所需[13]。智能硬件的使用會(huì)顯著提高學(xué)校計(jì)算機(jī)實(shí)驗(yàn)室的建設(shè)成本，如體驗(yàn)級所提到的智能攝像頭。此外，從應(yīng)用級開始，中大型深度學(xué)習(xí)模型的本地訓(xùn)練對計(jì)算機(jī)的處理能力提出了較高要求，一個(gè)模型即便是幾十輪次的訓(xùn)練也可能一節(jié)課也“跑”不完。一種解決困境的思路是大幅提升智能硬件的計(jì)算性能，通過邊緣計(jì)算減少對計(jì)算機(jī)和云服務(wù)器算力的依賴。遺憾的是，目前市場上大部分智能硬件的算力資源有限，未來要開展大規(guī)模常態(tài)化人工智能教育，離不開學(xué)校本地服務(wù)器的算力資源。在不過分增加學(xué)校經(jīng)費(fèi)投入的前提下，這種算力資源要同時(shí)滿足幾十上百個(gè)模型的同步訓(xùn)練，就離不開算力資源的合理分割。從這個(gè)意義上說，如同創(chuàng)客教育離不開可切割結(jié)構(gòu)件的激光切割機(jī)一樣，人工智能教育也離不開可以切分算力（算力虛擬化）的服務(wù)器，相關(guān)技術(shù)方案的成熟發(fā)展同樣需要業(yè)界作出不懈努力[14]。

雖然本文五級進(jìn)階框架的構(gòu)建強(qiáng)調(diào)了人工智能創(chuàng)作工具的使用，但構(gòu)建分層進(jìn)階框架的目的并非讓學(xué)生停留于學(xué)會(huì)不同工具的使用方法，而是引導(dǎo)學(xué)生逐層探索人工智能的技術(shù)思想并理解利用人工智能解決問題的過程與方法，幫助學(xué)生實(shí)現(xiàn)對人工智能由外到內(nèi)的認(rèn)知發(fā)展過程，即獲得人工智能素養(yǎng)。整體而言，該框架是一個(gè)開創(chuàng)性的人工智能教育方案，已在廣東省教育廳主辦的2024 年廣東省學(xué)生信息科技創(chuàng)新大賽方案中有初步體現(xiàn)，期待未來有更多的同行跟進(jìn)討論和批評指正。

參考文獻(xiàn)

[1] 鐘柏昌，詹澤慧．人工智能教育的頂層設(shè)計(jì)：共識(shí)、差異與問題——基于4 套標(biāo)準(zhǔn)文件的內(nèi)容分析[J]．現(xiàn)代遠(yuǎn)程教育研究，2022，34（04）：29-40．

[2][7] 鐘柏昌，劉曉凡，楊明歡．何謂人工智能素養(yǎng)：本質(zhì)、構(gòu)成與評價(jià)體系．華東師范大學(xué)學(xué)報(bào)（教育科學(xué)版）[J]．2024（01）：71-84．

[3] Touretzky， D.， Gardner-McCune， C.， Martin， F.，& Seehorn， D. Envisioning AI for K-12： What ShouldEvery Child Know about AI？[J]. Proceedings of the AAAIConference on Artificial Intelligence， 2019， 33（01），9795-9799.

[4] 江波．中小學(xué)人工智能課程指南[J]．華東師范大學(xué)學(xué)報(bào)（教育科學(xué)版），2023，41（03）：121-134．

[5] 黃玉萍，梁煒萱，肖祖環(huán)．基于TensorFlow 和PyTorch 的深度學(xué)習(xí)框架對比分析[J]．現(xiàn)代信息科技，2020，4（04）：80-82+87．

[6] 洛林·安德森，等．（2009）．布盧姆教育目標(biāo)分類學(xué)（修訂版）．北京：外語教學(xué)與研究出版社，2009．

[8] 鐘柏昌，劉曉凡．人工智能教育教什么和如何教——兼論相關(guān)概念的關(guān)系與區(qū)別[J]．中國教育科學(xué)（中英文），2022，5（03）：22-40．

[9] 崔鐵軍，李莎莎．人工系統(tǒng)中數(shù)據(jù)– 因素– 算力– 算法作用及相互關(guān)系研究[J]．智能系統(tǒng)學(xué)報(bào)，2022，17（04）：772-779．

[10] 邵延華，張鐸，楚紅雨，等．基于深度學(xué)習(xí)的YOLO 目標(biāo)檢測綜述[J]．電子與信息學(xué)報(bào)，2022，44（10）：3697-3708．

[11] 鐘柏昌，顧榮楨．一種防偽車牌識(shí)別方法、系統(tǒng)及終端：CN202311777953．4[P]，2023-12-22．

[12] 鐘柏昌，余峻展．新時(shí)代我國中小學(xué)人工智能教育的體系化建設(shè)[J]．嶺南師范學(xué)院學(xué)報(bào)，2022，43（06）：1-6+22．

[13] 顧小清，李睿，李世瑾．人工智能教育現(xiàn)狀如何？——中小學(xué)人工智能教育競賽結(jié)果的證據(jù)回應(yīng)[J]．開放教育研究，2023，29（06）：82-91．

[14] 鐘柏昌，余峻展，謝作如．中小學(xué)人工智能課程需要何種智能硬件——現(xiàn)狀分析與發(fā)展方向[J]．遠(yuǎn)程教育雜志，2024（1）：74-83．