人工智能助力教学 中国进入“智慧教育”时代
原标题：人工智能助力教学中国进入“智慧教育”时代近年来，随着人工智能(AI)的发展，“AI+教育”“智慧课堂”等名词逐渐出现在大众视野，越来越多的学校将人工智能助手融入课堂，当下中国正逐步进入“智慧教育”时代。
近年来，越来越多AI开放平台建设公司的人工智能设备进驻中国课堂，老师可以实时了解学生的课堂情绪和作业状况，学生在课堂上的表现包括回答问题的迟疑、互动形式的喜恶甚至溜号时的表情都掌握在老师的手里。不仅如此，课后这些内容还会被系统整理出分析结果反馈老师，老师可以以此调整课程进度和授课方式。
宁夏银川二中校长高小军告诉记者，银川二中现已建立大数据教研中心，同时利用远程专递课堂、网络空间教学、异校同步教学等技术手段协同知识建构、关注关键能力，帮助老师实现全场景动态过程性数据采集，聚焦学生个性化学习，更好地实现因材施教。
不止在宁夏，人工智能正走进中国越来越多的课堂。在浙江杭州第十一中学，新上线的“智慧课堂行为管理系统”辅助老师通过“阅读”学生的表情来分析学生上课状态，监督课堂教学;在重庆二十九中，人工智能分析评估系统--Faceminded对课堂上的学生进行实时表情分析，由此精确判断学生学习理解程度;在湖南省长沙第十一中学，全卷智能批阅大数据已经上线，辅助老师精准分析每个学生的学习掌握情况……
已实施智慧课堂教学有两年经验的郑州市第四十七中学老师李娜谈及教学感受时坦言:“智慧课堂帮助师生加强了课堂互动，课前也可以利用大数据技术分析学情数据，提前预设教学重难点，课后还能针对学生的薄弱知识点，向不同学生推送针对性的作业。老师的负担减轻了。”
智慧课堂将课前、课中、课后环节进行有机融合，实现了以学定教的真正落地，“教、学、管、评、测”的全链条打通并形成了闭环，助推了教育模式的变革。对此，银川二中高一学生刘奕洋也有很深的体会:“有了人工智能的辅助，我们每个人的作业都是‘量身定做’，对比传统课堂，我们有了更多自主性。”
据了解，自2018年教育部等五部门在《教师教育振兴行动计划(2018-2022年)》提出用5年左右时间建设一支高素质专业化创新型教师队伍后，各地利用云计算、大数据、虚拟现实、人工智能等新技术，推动以自主、合作、探究为主要特征的教学方式变革正在如火如荼进行。2019年1月，宁夏人工智能助推教师队伍建设行动试点工作展开，探索人工智能助推教师管理优化、助推教师教育和教育精准扶贫的新路径。在安徽，该省教育厅发布《安徽省中小学智慧校园建设指导意见》，计划到2020年，全省所有市、县(区)都要进行智慧学校建设。
展开全文“人工智能助力下的智慧课堂，让老师借助大数据和智能设施从‘老中医’变成了‘中医合璧’的专家。”银川二中副校长王萍感慨。如其所言，以前的传统教学中，老师是凭借经验教训的老中医，现在有大数据帮助把脉，实现中西合璧，每一个学生都是课堂的主体。
“智慧课堂的发展才刚起步，具体的技术和课堂如何真正实现融合，还需要走更长的探索之路。”王萍说，除了先进的设备，还需要不断提升教师信息化教学能力，“如果智慧教室是一部车，老师还需要考取驾照适应新型智能教学环境，因此，开展‘智慧教师’培训是当务之急。”
世纪海航（厦门）科技有限公司是全国领先的中小学人工智能教育技术与内容提供商，公司旗下的TDOG中小学校信息技术教师专项培训，是面向各中小学校提供的师资队伍教学专业技能培训服务产品，为教师在校独立开展编程教学提供专项培训，覆盖专业知识+课设能力+教学能力的培训。
全清北师资，超50%奥赛金牌讲师团队倾力担当教练团队，只为努力帮助各中小学校建设自有师资队伍，开展独立信息技术课程教学。返回搜狐，查看更多
责任编辑：基于人工智能背景下的模式识别课程教学改革与实践—中国教育信息化网ICTEDU
摘要模式识别作为人工智能的分支学科，其应用广泛且与生活联系紧密，受重视程度越来越高。本文针对模式识别课程教学状况及现存问题，从内容和方法这两大方面进行了改革尝试。
【摘 要】模式识别作为人工智能的分支学科，其应用广泛且与生活联系紧密，受重视程度越来越高。本文针对模式识别课程教学状况及现存问题，从内容和方法这两大方面进行了改革尝试。
【关键词】模式识别教学改革教学内容层次化项目实例教学法
随着经济和文化的不断创新改革，现代科学技术更是迅猛发展，尤其是计算机科学技术的进步，使得现代科学信息技术与人工智能已逐渐成为新时代重要的技术之一。作为人工智能重要的分支学科之一，模式识别是一门理论与实践相结合，综合性和理论性紧密相关的学科，也是信息科学和控制科学的重要组成部分[1]。其理论建立在矩阵论、概率论与数理统计等基础理论知识之上，其技术在人机交互、自动驾驶、工业制造、医学工程，以及基因技术等方面都发挥着重要作用。作为控制科学与技术领域重要的研究方向，高校开设模式识别相关课程，对提升自身科研实力，丰富学科课程体系，增强学生就业竞争力等都有着重要意义。
目前，在国内外众多课程设置中，模式识别既是信息和控制类专业的基础课程，同时又是众多科研或工程项目的关键技术。作为本科选修课程，模式识别课程教学的重点在于基础概念性知识，主要通过实例项目应用，加深学生对基础理论的理解，同时将前沿项目引入课堂，从而激发学生学习兴趣，吸引更多人加入相关专业进一步学习。
现存的教学问题由于模式识别课程的基础是矩阵论、数学分析、概率论等理论性非常强的数学课程。因此，在教学过程中需要进行大量的证明推导，这种情况导致理论与实践联系相对薄弱，使得教学氛围失去活力，学生听课困难没有兴趣，教学效果不理想。而理论知识本身较为抽象不够具体，这就使得学生在课堂上常常难以联系实际问题，在遇到实际项目时手足无措。就此来看，如何带动学生对模式识别课程的学习热情，让学生理解和有效掌握模式识别课程的基础知识，以及将理论与实践有效结合并加以应用，仍是当前模式识别教学亟待解决的难题。
除此之外，随着人工智能和数据挖掘等新兴技术的高速发展，相关新方法、新技术和新工具的出现，使得模式识别相关研究一直处于科技发展的前沿。而人工智能专业建设则需要将模式识别知识与其他知识相融合，不能只是单一学科知识的传授，更要注重同别的学科及应用领域相结合。因此，对跨学科的应用介绍及引导讲解显得尤为重要。
综上，本文针对模式识别课程改革提出了以下三个方面的问题。
1.改进基础性课程知识点间关联性薄弱的问题。一旦基础知识点出现断层，将会给后续的知识讲解和学生的理解造成障碍。
2.前沿性课程中知识点与实际问题能否有效结合的问题。前沿性课程中涉及很多模式识别最新研究理论与成果。因此，需要一些实例来加深对前沿技术的理解。
3.模式识别前沿研究方法和相关应用缺乏专业介绍的问题。国内在这方面起步较晚，缺少对前沿研究大量且详细的介绍。
针对模式识别课程的改革探索1.教学内容层次化
模式识别内容繁多，要将教学内容层次化，对知识进行分层讲解，可以加强学生对知识点有序深入的理解，还可以为后续项目实例的引入储备知识。本文将教学内容分成基础知识点、经典算法和前沿技术这三个层次进行说明。
(1)基础知识点
模式识别的基础知识点指的是发展至今已经完善的数学理论和基础方法。如统计决策论、线性分类器、概率密度函数估计等内容。由于这些基础方法运用广泛，作为模式识别中的重点基础知识，能为之后的进一步学习奠定基础。在基础知识这一部分内容教学中，公式推导尤为重要，需要学生有一定高等数学、线性代数、概率论等基础。笔者在教授过程中与学生多交流，获悉学生对基础知识点的疑惑并及时进行了解答。这样，有层次地、系统地学习基础性内容能为之后经典方法的引入、理解并正确地应用打下坚实的基础。
(2)经典算法
经典算法则是已经发展成型，并投入实际使用的模式识别原理和方法。如支持向量机、神经网络、随机算法、遗传算法等内容。这些算法在实际应用中极为广泛，并且具有一定的效果。因此，将算法和实例结合讲解，实例提出具体问题并引出解决方法，可以加深学生的理解，从而增强学生相关理论知识的实际应用能力。
(3)前沿技术
前沿性课程是指还在探索发展领域中的模式识别理论和方法，如当下人工智能领域内引起重大关注的深度学习，在应用中迅速发展的自动驾驶、基因检测、遥感图像识别等问题。这部分内容仍处于发展探索阶段，对数学及相关专业知识要求很高。因此，在授课过程中弱化公式推导，从实际问题和技术应用出发，重点讲授问题的演变和进化、方法的应用流程、技术结合的条件与应用范围等知识，结合国内外前沿研究的论文、慕课和相关视频，可以开阔学生视野，加强专业研究类科学建设，激发学生兴趣。
2.项目实例教学法
由于模式识别是一门理论与实践结合紧密的课程。因此，将知识点运用到实际问题中就显得尤为重要，把这些重点、难点知识结合实际项目实例，让学生更容易理解，也更方便学生结合实例进行运用，巩固所学知识。在人工智能专业建设的前提下，本文就此提出了应用实例和自主实例学习相结合的项目实例教学方法。
(1)应用实例
针对上述层次化的教学内容，笔者设计了医疗数据异常检测、文本分类等实例项目，并结合交通背景，将车牌识别、车流量检测、车辆分类等引入教学，对其进行具体分析。
对于前沿技术，通过关注模式识别领域的最新研究进展和行业发展，将最新的理论进展、前沿的技术应用和公布的创新成果以项目实例的形式引入课堂，构建全面覆盖基础知识、结合前沿方法、联系最新研究现状的全新课程体系及内容，力求理论推导严密，内容丰富，反映国内外最新的教学科研成果。并针对学校公路交通背景，设计包含自动驾驶、智慧交通、车联网等内容的相关案例，形成面向教学、联系前沿的、具有行业特色的模式识别高水平研究生课程。
(2)自主实例学习
由于受传统教学、师生关系等影响，在以往的教学过程中，大都以教师讲授为主，这不仅拉开了教师与学生的距离，并且使教学过程变成教师独白讲授的过程[2]。教师与学生在课堂上没有交流，导致学生学习兴趣不高，课堂氛围僵硬，教师无法对学生答疑解惑，使教学效果得不到正面反馈。
现代教学以尊重学生的个性与兴趣为重点，将学生放在主体位置，这样能最大程度激发学生的学习潜能与热情[3]。因此，在教学过程中，可以将教学内容进行分层，教师与学生共同协作，学生提问，师生共同解答，既可以锻炼学生的口头表达能力，又提高了学生自主学习的动力。
结语模式识别课程作为现代高校重要的专业课程之一，对相关专业学生的要求较高。因此，需对模式识别课程进行深刻改革。本文提出的教学分层和实例教学方法是对传统教学的一种改变与尝试，其中信息技术发展也为实例教学的传播提供了有力的技术支持[4]。将现代信息技术带入课堂，利用互联网查阅和参照国内外模式识别课程体系，建设以交通控制为背景，针对智慧交通和人工智能控制的模式识别高水平课程，仍是各院校努力的目标。
参考文献：[1]刘雨、孙即祥、余莉：《“模式识别”课程开放式案例教学设计》，《电气电子教学学报》2011年第3期，第103-105页。
[2]张新平、冯晓敏：《重思案例教学的知识观、师生观与教学观》，《高等教育研究》2015年第36卷第11期，第64-68页。
[3]冀俊忠：《落实科学发展观，深化“人工智能”课程的教学改革》，《计算机教育》2009年第24期，第105-107页。
[4]王应密、张乐平：《全日制工程硕士案例教学资源库建设探析》，《高等工程教育研究》2013年第4期，第166-171页。
（作者：张懿璞闫茂德常琪长安大学电子与控制工程学院）
《人工智能本科专业知识体系与课程设置》笔记
今天看到一本书《人工智能本科专业知识体系与课程设置》，清华大学出版社出版的，由西安交大的老师们编写的，感觉里面的内容设置对于非人工智能科班出身的同学们会有一定帮助，能够了解自己哪些地方还有什么不足。但是要注意的是，这是给本科开设的课程，如果已经进入研究阶段了，一些通识性的、非必修的课可以视自身情况而决定是否有必要补上
数学与统计课程群工科数学分析空间曲线的曲率与挠率
实验环节：基于matlab软件的计算方法
迭代法最优化方法数据拟合数据差值数值积分微分方程的数值解方法###线性代数与解析几何###计算机科学与人工智能的数学基础包括六部分：
逻辑性初步集合论与组合分析图论初步矩阵论初步数值计算优化理论与运筹学教学目的：1.掌握命题逻辑中的命题符号化、命题公式及分类、等值验算、范式与基本的逻辑推理方法，了解全功能集2.深入理解谓词逻辑中的合式公式及解释，并学会利用谓词逻辑等值式求前束范式3.熟悉集合的基本概念、基本运算与集合元素的计数方法，学会利用组合分析方法对集合或多重集中的元素进行计数，了解递推方程的算法复杂度分析方法4.理解无限集的势和可数集，了解不可数集和常见集合的势，了解康托集5.熟悉直线上的开集、闭集及其性质，了解康托闭区间套定理、魏尔斯特拉斯定理等基本理论，了解勒贝格测度与可测集6.了解图的基本概念并学会图的矩阵表示方法，掌握一些常见的特殊图并了解重要的应用实例，掌握树的概念与基本分析方法
7.熟悉掌握主成分分析方法，掌握矩阵的奇异分解与K-SVD算法，掌握稀疏矩阵方程求解的常用方法8.熟悉矩阵与向量的求导法则，并会利用求导法则解决实际问题，掌握基于帽子矩阵的多元线性回归方法9.掌握二分法、弦截法和迭代法等非线性方程的数值解法，理解高斯消去法、矩阵分解和迭代法等线性方程组的数值解法10.熟悉多项式插值和分段插值的方法，理解函数最佳逼近理论，掌握曲线拟合方法11.理解最优化问题，掌握凸集、凸函数、凸优化的概念12.学会使用最小二乘法、最速下降法、牛顿法、拟牛顿法和共轭梯度法等无约束优化方法13.了解单纯性法，分枝定界法等线性规划的基本解法，理解线性规划的对偶问题14.掌握等式约束优化、不等式约束优化和二次规划的基本方法15.熟悉使用C语言和matlab进行数值计算和优化方法的实现
概率统计与随机过程相比CS的概率论与数理统计，多了部分随机过程的知识，包括：1.熟悉随机过程的概率，理解平稳过程的概念、相关函数的性质2.了解各态经历性的判定，掌握谱密度的概念、性质和计算方法3.掌握平稳时间序列的概念、线性模型及模型识别4.会进行有关的参数估计并会用这些方法解决一些工程和经济管理中的实际问题
复变函数与积分变换博弈论（选修）信息论（选修）科学与工程课程群大学物理（含实验）电子技术与系统第一部分是电子器件与模拟电路，第二部分是数字系统结构与设计
数字信号处理现代控制工程##计算机科学与技术工程群
计算机程序设计学的是C/C++
数据结构与算法计算机体系结构个人感觉相比于CS的，多了一些内容，包括：1.了解向量处理器，单指令多数据以及GPU等数据并行技术2.熟悉线程并行技术3.熟悉面向领域应用的计算架构–特别是面向以深度学习为代表的人工智能应用的加速器设计
理论计算机科学的重要思想以理论计算机科学的核心思想为主线，对确定型算法、随机化算法、可计算性理论、密码学、博弈论、数论、数值线性代数等展开讨论。在以上每个领域分别选择一个具体课题进行讨论，包括图灵机停机问题、卡拉楚巴算法啊、拉斯维加斯算法与蒙特卡洛算法、零知识证明、纳什均衡、连分数与无理数的逼近、条件数与病态矩阵等等。参考资料
MITOpenCourseware6.080/6.089CMUCourse15-2513D计算机图形学（选修课）就是计算机图形学
智能感知与移动计算（选修课）涉及两个主题：
多维信息采集与处理移动计算与移动智能参考书：
《智能感知、无线传感器及测量》《雾计算：技术、架构及应用》##人工智能核心课程群
人工智能的现代方法参考书
人工智能-一种现代的方法花书概率图模型-原理与技术PatternRecognitionandMachineLearning包含两大部分：
问题表达与求解2.从智能体的角度理解人工智能的方法论，理解基于模型反射、基于目标、基于效用、基于学习的智能体的概念3.掌握典型的搜索方法：迭代加深搜索、启发式搜索、贪婪最佳优先搜索、A*搜索4.掌握在非确定、不完全观察环境下的搜索方法，如局部搜索爬山法、模拟退火、遗传算法和信念状态表示法5.掌握在完整信息下的两人零和游戏的方法：极小极大算法、a-b搜索算法6.掌握约束满足问题的搜索求解方法8.掌握贝叶斯网络的有向无环图的构建方法，通过贝叶斯网络完成精确推理计算9.掌握回归和分类的线性模型10.了解马尔科夫链、蒙特卡洛方法11.掌握主成分分析，EM算法12.了解隐马尔科夫模型、卡尔曼滤波和动态贝叶斯13.了解制定简单决策、复杂决策的相关概念
机器学习2.掌握随机图模型与贝叶斯分类，理解马尔科夫随机场与隐马尔科夫模型3.掌握核方法与支持向量机4.掌握集成学习与随机森林5.理解无监督学习与聚类、半监督学习与弱监督学习6.理解稀疏学习与压缩感知9.掌握生成模型的概念、理解生成对抗方法10.掌握概率采样与蒙特卡洛方法
自然语言处理大纲：
文本预处理技术文本正则化文本型符化文本编辑距离语言模型概率语言模型n-gram语言模型数据稀疏基于神经网络的语言模型词性标注词性标注序列标注句法分析句法分析句法分析的方法文本分类与聚类文本分类文本聚类统计机器翻译机器翻译概述基于神经网络的机器翻译模型概述信息检索与推荐系统信息检索推荐系统情感分析情感分析认知与语言认知科学与语言基础认知语言学基础计算机视觉与模式识别参考教材是2004翻译的ComputerVision:AModernApproach，和现在我们所说的CV关系不是太大大纲：
视觉生理学与视觉认知基础视觉生理学与经典理论（视觉生理学、视觉经典理论、马尔视觉理论）视觉认知基础（视觉生理机制、视觉选择性、眼动与注意、视觉记忆与想象）图形成像与图形模型相机模型（图像传感器、针孔相机、透视投影与仿射投影、相机模型与相机参数）相机标定（最小二乘方法、相机标定的线性方法、相机畸变参数估计、奇异值分解）图像模型（颜色视觉、光辐射测度、光源与光照模型、色彩与颜色模型、本征图像分解）立体视觉两视几何（深度感知、对极几何、本质矩阵与基础矩阵、弱标定）立体匹配（立体对应、视差与视差线索、极线约束、立体标定、立体匹配模型）运动视觉图像运动（感知运动、运动场与光流场、光流方程与孔径问题、运动分解、光流估计）目标运动（刚体运动与非刚体运动、目标表示与目标匹配、运动模型与观测模型、线性动态模型与卡尔曼滤波）图像结构检测、表示与匹配图像滤波（卷积与线性尺度空间、图像金字塔、边缘与边缘检测算子）形状与纹理（滤波器组、纹理基元与纹理表示、形状基元与形状表示、形状匹配）特征检测与表示（关键点、特征描述子、梯度直方图、尺度不变性特征变换、视觉词典）特征匹配（图像表示、相似性与鲁棒匹配、哈希算法、图像检索）感知聚类与分割方法感知组织与图像分割（感知组织、组织目标与场景、格式塔原理、感知聚类、视觉内插与视觉完形、图像分割）图像分割的聚类方法（特征空间、聚类方法、k-means、亲和矩阵、谱聚类与NCuts）图像分割的概率方法（概率模型、混合模型、EM算法、模型选择）图像分割的模型拟合方法（霍夫变换、直线与曲线拟合、鲁棒估计、RANSAC）马尔科夫随机场与推理算法（随机场与马尔科夫随机场、能量模型、信任传播算法与图割）视觉模式识别方法视觉分类(感知目标属性与部件、感知功能与类别、视觉分类、检测与鉴别、判别式模型与产生式模型)集成学习与支撑向量机（组合分类器与提升算法、支撑向量机与隐支撑向量机、可形变的部件模型、人脸检测与行人检测）视觉识别的非度量方法（决策树、分类与回归树、随机蕨与决策森林、人脸检测与对齐）卷积网络（感受野/知觉场、分层结构与分布式表示、卷积神经网络、前向推理与反传算法、图像分类网络与目标检测网络）递归网络（隐马尔科夫模型、递归神经网络、循环神经网络与长短时记忆网络、前-后向算法、动作识别）图像合成方法图像变换（2D几何变换、2D透视变换与2D仿射变换、图像插值、图像变形）图像拼接（图像对齐与图像拼接、图像融合、图像编辑）基于图像的绘制（真实感绘制与非真实感绘制、场景建模、光场与光照模型、全光函数、纹理映射）图像超分辨率（图像分辨率、图像退化模型、图像重建、图像不全、超分辨率重建网络）图像生成（图像生成、产生式模型、图像采样、图像产生网络）视觉应用系统视觉ADAS(视觉辅助驾驶系统、目标检测与跟踪、视觉测量、车道偏离报警、前向碰撞报警、自适应巡航、自动紧急刹车)视觉监控系统（视觉监控系统、身份认证、异常行为检测、人群密度估计、事件检测）强化学习与自然计算参考书：
RichardSS.AndrewGB.ReinforcementLearning:AnIndroduction.MITPress,2015吴启迪。自然计算导论。2011知识涉及：
MDP,POMDP及值迭代方法动态规划、蒙特卡洛学习、时序差分学习等预测与控制、规划与学习基于价值的深度强化学习方法基于策略梯度的深度强化学习方法能够解决动态决策问题自然计算的统一模型进化计算与遗传算法，能够仿真模拟模拟退化算法分布估计算法蚁群算法免疫计算混沌与分形量子计算、DNA计算人工智能的科学理解（选修课）两个主题
控制论与人工智能智能系统的信念参考书：
郝季仁。控制论NilsJ.Nilson理解信念。王飞跃等译游戏AI设计与开发（选修课）参考书：GeorgiosN.Y,JulianTogelius.ArtificialIntelligenceandGames.Berlin:Springer,2018
虚拟现实与增强现实（选修课）认知与神经课程群认知心理学基础参考书：
RobertL.Solsoetal.认知心理学RobertS.Feldman.普通心理学神经生物学与脑科学参考书：
JohnG.Nicholls.神经生物学-从神经元到脑丁斐。神经生物学etc。。。计算神经工程参考书：
RajeshP.N.Rao脑机接口导论##先进机器人技术课程群
机器人学基础多智能体与人机混合智能参考书：
王崇骏，等。多智能体系统及应用认知机器人参考：
陈敏。认知计算导论MITCognitiveRobotics课程材料仿生机器人人工智能与社会课程群人工智能的哲学基础与伦理人工智能的社会风险与法律人工智能工具与平台课程群机器学习工具与平台开源机器学习工具与平台人工智能系统与应用开源AI训练平台（OpenPAI、KubeFlow）开源AI推断平台（TensorRT,TVM,ONNX）分布式AI训练（数据并行、模型并行、参数服务器、AllReduce、分布式训练工具）OpenPAI分布式训练作业部署Kubernetes推断部署分布式系统概述：YARN,Kubernetes面向深度学习的调度系统与算法（群调度与容量调度、支持拓扑的GPU调度）三维深度感知（选修课）人工智能芯片设计导论（选修课）无人驾驶平台（选修课）专业综合性实验机器人导航技术实验自主无人系统实验虚拟现实与仿真实验脑信号处理实验人工智能课程进入美国基础教育阶段：教技术也重伦理
原标题：人工智能课程进入美国基础教育阶段：教技术也重伦理人工智能课程在全球范围内都越来越热，不管是在校园之内还是校园之外，各国的教育者们都在进行着自己的尝试。今天分享的这篇文章，介绍了美国人工智能课程在中小学阶段进行普及的一些案例，在学校、企业、家庭等多方参与之下，学生在其中有着怎样的收获？
阿亚娜与机器人康丝美（Cozmo）相见时俩人都显得异常激动，“她感觉就像见到了新的最好的朋友”，她的少年俱乐部老师詹姆斯·卡特说。“她们一拍即合”，当机器人叫出她的名字时，“她一时激动地手足无措”。
更有趣的是，给机器人编程让它叫出名字的恰恰是阿亚娜自己。
阿亚娜是宾夕法尼亚州西部一个少年俱乐部的孩子。这个俱乐部大约有五十多个孩子正在使用由ReadyAI公司研发的一种新的人工智能工具。包括该工具在内的若干新举措都致力于让人工智能在课堂中普及，就像人工智能走进我们的日常生活一样。
人工智能催生了亚马逊的建议引擎，谷歌翻译和Siri语音助手等等。但在美国的中小学里很少能接触到这类课题，其原因可能在于很少有适合孩子们的这方面的课程。“基础教育人工智能”小组成员最近在人工智能促进协会的白皮书中写到，“与通用的计算机课程不一样，当涉及到人工智能时，很少有针对基础教育阶段的教学指导”。
但这种情况已开始发生变化，例如，ISTE和AI4ALL在通用公司和谷歌公司的分别资助下正在独立开发课程。卡内基梅隆大学的通讯作者戴夫·图尔茨基已经自主开发出了课程——Calypso（海洋仙女）。作为“人工智能盒”工具的一部分，该课程已在数十个社团和中小学得到应用，其中就包括卡特的班级。
全球非盈利培训机构“彩虹社”的创始人塔拉·契可洛夫斯基预测，2019年将出现一系列面向年龄层低至八岁学生的简易课程，孩子们由此可以开始学习基础概念。“教育机构需要积极正面地应对人工智能的浪潮，这很重要”，她说。
这些课程会是什么样子呢？基础教育人工智能白皮书列举了五大核心理念。从技术角度讲，学生们要懂得计算机“通过传感器感知世界”，“能从数据中学习”，并利用数据建立模型进行推理。从伦理层面讲，学生们应该明白，在人工智能的应用中实现“与人类愉快的互动”是困难的，此外还应懂得，人工智能既能够帮助社会，也能危害社会。
北卡数理高中即将实施雷顿人工智能创新和领导力项目，项目预算达两百万美元，托德·罗伯茨校长表示，上述最后一条宗旨将会是项目的中心原则。人工智能和机器学习将极大地重塑我们的生活，这里的我们是大写的‘我们’。学生们要能够明白哪些能造福于我们，哪些务必要杜绝，分辨是非至关重要。”
展开全文在学生研究中特别强调这一点的同时，一些公立寄宿学校也被选中，由老师们自行开发课程，大学和较大的人工智能社团为课程提供反馈，之后通过GitHub或类似的网站将课程推广到别的学校。“希望能为我们学校以及更广阔范围内的学生提供学习人工智能的机会，”罗伯茨说
谈到学术研究的严谨性，契可洛夫斯基表示，课程应该最终超越将“机器学习”视为条件—结果事件链条中的一个数据块，并且学会建立告诉计算机如何分析并对所给指令作出反应的算法。机器人康丝美看来能满足这一愿景：它的基础编程平台是基于麻省理工学院的ScratchBlocks的简单可视化系统，不过也备有更高端的Python语言的选项。
总体上讲，契可洛夫斯基指出，人工智能课应当是以项目的形式开展，并能让学生亲自动手。“彩虹社”的人工智能家庭挑战项目重点强调用技术解决社会问题。因为“人工智能看起来有些冰冷又让人畏惧”，免费课程采取了亲切的路径，“以便让纯粹的门外汉入门并开始感兴趣”，她说。
入门阶段的课程甚至并不需要计算机。每个家庭只需要建一个带“超级计算机”的游戏台，“超级计算机”可以是一个人，这个人被“编程”为根据输入的指令通过一定方式作出决定。
“彩虹社”特别关注学习这些技术的受众。专门为被忽视群体提供教育和培训的组织已经在难民营开设了人工智能课程。“低收入社区也在通过媒体听说人工智能，他们感到好奇和不安，但没有人向他们施以援手”，契可洛夫斯基说。
这就是在宾夕法尼亚西部这所少年俱乐部正在发生的事。ReadyAI网站显示，“人工智能盒”零售价为2999美元，内含几个康丝美机器人、平板、笔记本电脑及游戏手柄。不过，少年俱乐部的机器人都是ReadyAI公司借出给俱乐部的。
俱乐部STEM主管（即负责科学、技术、工程和数学教育的主管）克里斯蒂娜·阮说她很感激能有这样的机会，当你考虑长大后干什么的时候，“如果你根本不知道有机会存在，你都不可能开始有梦想，ReadyAI公司让我们的孩子们有了梦想萌芽的可能。”
秋季的人工智能课程开始前，少年俱乐部绝大多数6--11岁的孩子完全不懂人工智能是怎么回事，卡特说，现在亲眼看着他们建立起概念并能给康丝美编程，“我的心里乐开了花”，他说。
或许他的胃也乐开了花：“上一堂课，我们教了康丝美怎样给大家订热狗。”
本文转载自微信公众号“腾讯教育”，作者丹尼尔·德雷林格，编译刘永义，来源EdSurge。文章为作者独立观点，不代表芥末堆立场。
本文来自芥末堆官网，创业家系授权发布，略经编辑修改，版权归作者所有，内容仅代表作者独立观点。[下载创业家APP，读懂中国赚钱的7000种生意]返回搜狐，查看更多
责任编辑：