如何理解作为学科的人工智能教育
来源:用户上传
作者:
有一种人叫“职业创客”，他们看上去更符合创客的原始定义——“一群不以营利为目的，把想法变成现实的人”，是他们的那种团结的社区和多样的个性，让我看到了一种强大而并不无聊的教育和生活的可能性，于是才有了创客生活和创客教育的最初想法。程晨是我认识的第二个职业创客，他总是流露出一种“大隐隐于市”的气质，所以每当有一些混乱的概念的时候，我总是期望问一下职业创客的意见。面对大热同时又有一些众说纷纭的人工智能教育，身在此山中、技术上又没那么强的信息技术教师有可能被各种观点所迷惑，甚至忽略一些基本的常识，所以我们此次对话，想听一听职业创客程晨老师的意见。
——吴俊杰
嘉 宾
程晨，科技作家，创客布道师，致力于推广科技教育的普及。2015Intel软件创新大使，2017ELF全球杰出教育领袖。青少年创客教育联盟首席创客导师，全国青少年创客教育联盟创客技能测评标准组组长，中国电子学会全国青少年机器人技术等级考试标准工作组副组长，全国青少年软件编程等级考试标准工作组副组长，中国教育技术协会数字教育资源专业委员会专家，中国下一代教育基金会实践与创新工程专家委员会专家。编著、翻译、出版人工智能、物联网、3D打印、机器人领域相关图书数十余本，长期在《无线电》《爱上机器人》杂志刊登技术类项目文章，出版国内最早的Arduino、Intel Edison、3D打印技术、Mixly普及图书。
嘉 宾
吴俊杰，北京景山学校信息技术、物理教师，STEM教育研究者，研究方向为创客教育的普及课程和教师专业发展，创客教育普惠课程创始人。全国中小学STEAM教育大会联合发起人，“猫友汇”社群联合创始人，家庭创客空间计划、LaserBlock开源结构件项目发起人。在《上海教育》《教学仪器与实验》《中国信息技术教育》《中小学信息技术教育》杂志开设不定期专栏，发表论文七十余篇，专著三本。在创新创业领域，致力于从教育的角度推动可持续发展理念下的模块可重用的设计，推进电子、家电、家具、建筑行业的可重用设计的理念和消费行为。
吴俊杰：对于我而言，人工智能是一个既熟悉又陌生的概念，说熟悉，是因为北京景山学校从2007年使用地图出版社的高中信息技术教材以后，我就一直在讲《人工智能初步》这个选修模块;说陌生，是由于当时讲教材的时候很多东西都是浅尝辄止，而如今在人工智能大热的背景下，此时的人工智能与彼时的人工智能又有了很大区别，怕讲的知识有些过时。
程晨：谈到人工智能，可能大家印象最深刻的还是2016年3月AlphaGo以4比1的总比分击败围棋世界冠军职业九段棋手李世石的场景。这标志着人工智能的一个新的里程碑。而前一个里程碑应该是1997年5月11日“深蓝”击败國际象棋大师卡斯帕罗夫的时候。当时还有很多人说人工智能是无法在围棋上击败人类职业围棋冠军的，因为围棋的变化太多了，计算机完成不了这个数量级的计算。虽然在1997年到2016年之间，计算机技术依照摩尔定律在突飞猛进地发展，但这并不是新里程碑出现的主要原因。AlphaGo之所以能够击败人类围棋职业九段的选手，其实主要原因是人工智能领域出现新技术。
吴俊杰：是的，新的技术，而且能够广泛在行业中应用的技术，推动了人工智能的这次高潮。
程晨：“深蓝”时代采用了一种称为专家系统的技术，这种技术会把绝大多数的可能性都存储于计算机中，当遇到问题时，计算机会搜索所有的可能性，然后选择一条最优的路线。这种技术的核心是要预先想好所有可能出现的问题以及对应的解决方案，所以当年的主要工作就是组织专家给出对应问题的解决办法，然后把这些回答按照权重组织在一起形成专家系统。
我们现在了解到这种技术有很多局限性。一方面，在复杂的应用场景下建立完善的问题库往往是一个非常昂贵且耗时的过程;另一方面，很多基于自然输入的应用，如语音和图像的识别，很难以人工的方式定义具体的规则。因此，现在的人工智能普遍采用的都是机器学习的技术，这种技术与专家系统最大的区别就是我们不再告诉计算机可能出现的所有问题以及问题的解决办法了，而是设定一个原则，然后给计算机大量的数据，让计算机自己去学习如何进行决策，由于这个过程是计算机自己学习，所以称为机器学习。
吴俊杰：这恐怕就是现在大热的“深度学习”了。
程晨：是的，深度学习是机器学习中一种基于对数据进行表征学习的方法。其实比深度学习更广泛的概念应该叫“机器学习”。在专家系统中，我们是知道计算机如何工作的，还是以国际象棋为例，对应计算机的工作流程就是检索所有的棋谱，然后选择一个获胜概率最高的走法。这个过程如果没有计算机，换一个普通人也能完成，只是每走一步花的时间要多一些而已，计算机的优势只是速度快。而对于机器学习来说，当计算机学习完毕之后我们是不知道其对应的思考过程的，即这个过程是人本身完成不了的，无论花多少时间。AlphaGo学习的时候还是学的人类的棋谱，而之后的AlphaGo Zero完全是自学，它一开始就没有接触过人类棋谱。研发团队只是让它自由随意地在棋盘上下棋，然后进行自我博弈。最后的结果是，在AlphaGo Zero面前，AlphaGo完全不是对手，战绩是100比0。
吴俊杰：这个成绩确实很令人震惊，记得我在讲2007年版本的教材的时候，举深蓝的例子、让学生简单理解五子棋的对弈规则的同时，还不忘了说一句，“按照目前计算机的运算能力，围棋这种状态数接近宇宙量级的对弈形式，目前机器还是做不到战胜人类的。”
程晨：是的，AlphaGo的母公司很聪明地选择了围棋这样一个很有宣传点的例子来做噱头，但是其实它真正要宣传的是其机器学习的算法和解决机制。机器学习是目前人工智能的核心，是使计算机具有智能的根本途径。机器学习的产生主要原因是因科学家开始尝试模拟人类大脑的工作形式。人类思维的功能定位在大脑皮层，大脑皮层含有大约1011个神经元，每个神经元又通过神经突触与大约103个其他神经元相连，形成一个高度复杂、高度灵活的动态网络。通过对人脑神经网络的结构、功能及其工作机制的研究，科学家在计算机中实现了一个人工神经网络，这是生物神经网络在某种简化意义下的技术复现，作为一门学科，它的主要任务是根据生物神经网络的原理和实际应用的需要，利用代码建造实用的人工神经网络模型，设计相应的学习算法，模拟人脑的某种智能活动，然后在技术上实现出来用以解决实际问题。 吴俊杰：这应该就是所谓的“人工神经网络”了。回到这次对话的核心议题，作为一门学科存在的“人工智能教育”，就像我讲过的高中教材那样，它不应是一本文科教材，充满科幻色彩的想象，也不能是一本魔法书，充满各种炫技的案例。那么，小学、初中、高中一体化的人工智能教材，应该是一個怎样的架构，它的核心知识脉络应该是怎样的呢？
程晨：我觉得目前在技术方面开展人工智能教育的重点就应该是机器学习。作为学科教育的人工智能教育的目标应该是培养出合格的、能够设计优化相应学习算法的高科技人才。假设前面说的这个目标定位在大学，那么扩展到中小学，对应的目标就是在小学和初中要让学生了解什么是人工智能，体验人工智能在生活中的应用。而在高中就要让学生能够测试已有的一些人工智能学习算法，理解机器学习的概念，并能够利用大量的数据来训练某种机器学习模型。而如果要达到高中的人工智能教学目标，又必须要在小学和初中就开展编程教育。因此，我们可以得到如表1所示的人工智能教育的目标。
吴俊杰：这个表格的内容显然还不太全，看来您还是不完全了解教师写教学目标常见的那种话语体系，这说明作为一个对创客教育感兴趣的“职业创客”，还没有完全成为一名教师，而这应该是一件好事。但是这个体系核心很明确，有助于我们搞清楚在各个学段究竟要讲什么，而且我也很喜欢您把大量的数据作为一个核心工具来讲解这个时代的人工智能的做法。人工智能有很多应用领域，但是机器学习的思想方法是各个领域中通用的核心，而且现在流行并且证明比较有效的方法是用大量的数据最好是大数据来训练深度神经网络。
程晨：是这样的，搞清楚方法有助于帮助我们找到那些绚丽的人工智能应用领域中的共性特征，也有助于把握未来的趋势。人工智能应用的领域很多，每所学校可以按照自身的特色选择一个具体的方向开展人工智能教育，但这个方向一定要包含整个机器学习的过程。我在这里以人脸识别的方向来举例，如果应用到教学中，教师可分成如表2所示的教学环节来展开。
这些环节如果对应到大学、中学、小学（如表3），再加上一些相关的教学内容，那么我们就能得到一个基于人脸识别技术的人工智能教育方案，这里因为小学阶段和人工智能直接相关的内容较少，所以需要扩展更多的内容。而这个过程，就映射到人工智能各个学段的教学目标来看，就是一个由浅入深的人工智能教学的序列。
吴俊杰：沿着这个思路，我们就可以搞清楚人工智能的其他应用领域的学段教学内容了。这也就避免了小学课堂内容过于感性、太过玄幻。再从这个架构来看，之前我们在创客教育中的大量积累都可以自然地迁移到人工智能学科教育中。另外，软件厂商的具有人工智能教育功能的软件封装也变得有一定的意义，但作为一个可被调用的模块，它的难度应该不大。学段的教学重点还是围绕着该学段学生所能够接受的知识，且针对有衔接关系的知识展开，而那些模块的使用则是学生阶段性感受工具的方式。总之，到了高中后，有了小学和初中的基础，一切就都可以从底层学起。
程晨：这肯定还是需要一个过程的，但是核心架构还是能够自圆其说的，因为有些东西是可观的。前面，我们只是以人脸识别技术为例，如果我们依照这样的形式将其他方向（如自然语言处理、语音识别、自动驾驶等）也细化到不同年龄段，然后再归纳总结，则一定会得到一个比较全面的开展人工智能教育的方案。
吴俊杰：很感谢程老师能够成为这次对话的嘉宾，我很有收获。目前，我所知道的，很多出版社都在着手启动自己的系列人工智能教材的编写计划。但是作为一个通用教材，很多情况还要看教学对象是全体学生还是部分学生。就教材的修订节奏是否能够跟得上师生水平和技术本身提高的节奏而言，因此作为学科的人工智能教育仍有它不太明确的地方。而且，从大的范围来看，还存在着一个“人工智能技术在教育领域的应用”的更偏向教育信息化领域的概念，作为区分，这一形式称为“人工智能+教育”更为合适。
针对“人工智能+教育”，则是一个既包含教育信息化，又包含学科整合的更为宽泛的话题了。无论怎样，搞清楚作为学科的人工智能教育，都是避免出现浑水摸鱼的各种现象的一个基础性的话题。关于人工智能时代对教育带来的种种机遇和挑战，我们期待未来有更为细致和可持续的解决方案，但无论如何，充分而有意义的讨论、分享和学习的态度，将是我们面临诸多挑战能够占据主动权的核心态度。
转载注明来源:https://www.xzbu.com/9/view-14837964.htm
