中小学人工智能课程内容设计及实施案例分析
我国中小学人工智能教育取得飞速发展与瞩目成绩的同时，也存在以下几点主要问题。
其一，缺乏完善的课程体系，无论是国家课程还是校本课程，人工智能教育都是依托其他课程开展的，这导致了人工智能教育内容分量难以确定，目标难以明晰。横向来看，教学内容过于碎片化，学生难以构建相关知识体系；纵向来看，学段间的人工智能教育内容联系不够紧密，这既不利于学生循序渐进的知识与技能学习，也使得教师难以把握学情从而导致教学目标与教学效果之间的落差。此外，现阶段中小学人工智能教育的教材大多属于产品说明书或用户指南[4]。
二、中小学人工智能课程设计
表1中小学人工智能课程目标及内容架构
人工智能技术虽然复杂深奥，但是其应用广泛且贴近生活，知识内容间紧密联系，对学生而言并非是不可感知、无法构建的。以人工智能为依托培养学生的计算思维、智能素养也并非是难以实现的。教师如何设计人工智能课程内容以及课程间以何种方式组织就显得尤为重要。
（一）中小学人工智能课程内容设计案例
下面，以初中年级人工智能课程中的“智能灯”为例对中小学人工智能的课程内容设计做详细阐述。“智能灯”一课意在通过学生对于生活中常见情境下智能灯的设计了解其背后设计原理，能够通过模块化程序设计和python代码编写出智能灯的程序，激发学生对于人工智能在生活中应用的兴趣。“智能灯”课的具体课程内容设计如图1所示：
图1以“智能灯”为例的人工智能课程内容设计
1.问题提出，明确任务
问题提出：绿色、环保、节能、和谐是当今生活的主旋律，智能灯的出现深化了人类与灯光之间的关系。请同学们结合生活实际谈一谈你所了解的智能灯！
明确任务：明确智能灯的设计要求——内置监测外界光线强度传感器，当光敏值大于700时，灯自动打开，当光敏值小于700时，灯自动熄灭。
2.深入探究，设计展示
深入探究：请学生利用可视化工具，例如思维导图，深入理解智能灯的设计要求，分析其所需要的元器件并搭建其真实应用的简易场景。
设计展示：小组通过分工利用模块化程序语言和python语言对智能灯进行设计，调试形成小组作品，并对本组作品进行演示和分享，讨论这两种不同的计算机语言在应用时的异同之处。
3.总结反思，拓展提高
以思维导图的形式回顾智能灯设计的全过程。在实际生活中往往面临着更为复杂的情境，当外界光线昏暗，智能灯会自动给打开且不能自动关闭，这也造成了一种资源浪费。进而引发学生对智能灯更深入的思考，完善、改进作品设计，为之后的课程内容做好准备。
本案例从生活实际出发引发学生的学习兴趣，在内容设计过程中通过对可视化工具的利用帮助学生理清思维脉络，不仅重视学生对模块程序和计算机语言的学习利用，更是通过比较二者的语言风格加强学生对编程的深入理解，进而培养学生的计算思维。
（二）中小学人工智能课程组织案例
人工智能虽然是一个知识体系丰富的新兴技术领域，其内容架构设计包含人工智能基础、算法与编程、机器人与智能系统等多个模块。表面看起来是彼此独立、互不关联的内容，但实际上，无论是技术特点还是知识内容都是可联系、可互通的。忽视了课程内容间的联系、放弃将内容整合成为模块是无法将人工智能的原理与技术讲解透彻的，也无法将计算思维和智能的培养渗入课堂。因而，以综合任务为导向的模块化组织中小学人工智能课程不仅能够有效帮助学生构建人工智能知识体系，更有助于教师组织形式丰富、内容多样的系统课程，增加课堂趣味性、有效性。
以“模拟城市交通系统”为例组织相关课程内容。如图2所示，智能路灯、自动道闸、智能信号灯、环线巴士、无人加油站原本都是独立的课程内容，根据课程与生活实际的联系整合成模拟城市交通系统为主题的模块。教师利用5-10个课时实践此模块，引导学生设计完成模拟城市交通系统这个综合任务实践每课内容，帮助学生在体验人工智能的同时，创造性地应用人工智能解决实际问题。
图2“模拟城市交通系统”课程模块
三、中小学人工智能课程实施策略
（一）跨学科整合式教学
人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。它的涉及领域除了计算机科学外，更包括了生物学、心理学等。跨学科的整合能够将数学、生物、神经科学等多学科知识与人工智能知识相融合、渗透。在这个过程中，教师不仅能够利用其他学科知识帮助学生理解人工智能知识内容，更利用其他学科思维帮助学生培养计算思维的核心素养。跨学科整合式的教学是将人工智能学科与其他相关学科进行融合，以项目形式实践课程内容，利用人工智能技术创造性地解决实际生活问题。以“机器视觉”一课为例设计如下，这一课中，教师将人工智能中机器视觉的知识与神经科学相结合（如图3），以人是如何看到事物的为导入，进而类比解释机器是如何“看到”事物的。该教学设计在渗透了脑科学知识的基础上，帮助学生联系生活实际体验人工智能的应用与价值。
图3“机器视觉”与神经科学知识融合
（二）情境游戏化教学
由于中小学学生的认知水平存在局限性和差异性，以及人工智能领域知识特性，学生难以通过讲授和演示直接理解课程内容。人工智能技术的发展也为创设情境提供了条件，教师完全可以利用人工智能技术的应用反哺课堂教学，帮助学生增强学习的体验感，对人工智能技术形成直观、形象的理解。借助游戏化的角色、模式以及元素，为学生提供丰富、有趣的学习内容；通过机制、增益等策略，能够丰富学习者的经历和体验，同时提高学习者在活动中的参与率和巩固率[9]。因而，将情境的创设与游戏化学习相结合，有利于增强人工智能教学课堂的趣味性、个性化。例如东南大学举办的人工智能为主题的夏令活动中实施的“火灾演练”，要求学生扮演消防员在模拟灭火行动中完成救援。创设的火灾情境融合机器人小车巡线、FPV第一视角等教学内容。氛围营造、综合竞赛及消防员的角色扮演都极大激发了学生的课堂兴趣及参与感。该项目在实践中得到了学生与教师的一致肯定。该设计能够帮助学生将人工智能知识与生活实际相联系，建构开源硬件的知识体系。鼓励学生在游戏化式轻松的教学环境中大胆创新。从而达到培养学生核心素养与创新能力的目标。
表2“火灾演练”项目内容
面向中小学开展人工智能课程有利于学生了解现代科技发展、适应未来生活有着重要的意义。目前，我国中小学人工智能教育尚在探索发展阶段，无论是课程内容的设计还是其组织方式、或是教学策略均未成型，本研究希望借以案例的分析，促进研究者对中小学人工智能课程设计广泛、深入的思考。
参考文献
[1]国务院关于印发新一代人工智能发展规划的通知[EB/OL].
[2]教育部关于印发《教育信息化2.0行动计划》的通知
[3][7]谢忠新,曹杨璐,李盈.中小学人工智能课程内容设计探究[J].中国电化教育,2019(4):17-22.
[4]徐多,胡卫星,赵苗苗.困境与破局:我国机器人教育的研究与发展[J].现代教育技术,2017,27(10):94-99.
[5]周邵锦,王帆.K-12人工智能教育的逻辑思考:学生智慧生成之路——兼论K-12人工智能教材[J].现代教育技
术,2019,29(4):12-18.
[6]解月光,杨鑫,付海东.高中学生信息技术学科核心素养的描述与分级[J].中国电化教育,2017(5):8-14.
[8]李德毅.AI——人类社会发展的加速器[J].智能系统学报,2017,(5):583-589.
[9]祝智庭,魏非.教育信息化2.0:智能教育启程,智慧教育领航[J].电化教育研究,2018,39(9):5-16.
东南大学百研工坊：21世纪是我国创新型人才培养的关键期。东南大学百研工坊（儿童发展与教育研究所）结合信息技术、生物医学工程、脑科学技术，进行青少年科学素养的国际比较研究和学生核心概念掌握水平的评测系统的研究与开发，我们的目标是：（1）面向中小学学生综合能力发展的steam研究；（2）通过实证教育研究，探究科学素养的本质及有效的培养途径；（3）将科学素养的传统评测方法与现代信息技术相结合，探究基于ECD模型的学生科学素养评测方法研究；（4）运用ERP、EEG和眼动等脑科学技术，开展对学生核心概念熟练掌握程度的评测研究。
责编：罗培
推荐关注：韦钰院士公众号
可鑫的科学漫步
介绍有关神经教育学、神经信息工程和科学教育的相关信息
推荐书籍
滑动查看更多>>>返回搜狐，查看更多
《人工智能导论》教学大纲（含课程思政内容）
05
教学内容和课时安排（含课程思政内容）
（一）课程学时分配
（二）课程思政参考内容
（三）课程教学内容与重点难点
第1章人工智能导引
教学目的：了解人工智能的概念、学习人工智能的目的和意义、应用；了解人工智能的分支。
教学内容：人工智能的概念、应用场合；人工智能的分支。
重点难点：重点是了解人工智能的分支，难点是人工智能各个分支之间的关系。
第2章Python基础知识
教学目的：了解Python在不同环境下的安装；熟练使用python的基本编程，包括各种数据结构；掌握第三方模块的安装和使用，文件的读写；掌握NumPy包的熟练使用；掌握Python的绘图基础。
教学内容：编程基础（列表、元组及字典、基本语句；函数）；模块的安装与使用；文件的读写；NumPy的使用；Python的绘图基础。
重点难点：重点是使用Python进行相关的编程，如NumPy的编程，绘图基础等。难点是使用NumPy进行较为复杂的开发与绘图。
第3章机器学习初步
教学目的：了解机器学习的概念、其与人工智能的关系、机器学习的分类；了解数据预处理与特征工程，包括数据清洗、数据变化、过滤、特征工程；熟练使用Sklearn包；熟练使用回归分析。掌握聚类的基本原理与常见的聚类算法。
教学内容：机器学习及其工作流程；机器学习的分类；数据预处理与特征工程；Sklearn库的使用；逻辑回归分类和线性回归预测；聚类的原理与K-Means聚类算法。
重点难点：重点是机器学习的流程与Sklearn的实践。难点是聚类算法及其调优。
第4章自然语言处理
教学目的：了解自然语言处理的概念；掌握文本分词与词汇还原的方法；掌握文本分块与词袋模型；熟练使用TF-IDF算法，并据此构建文档类别预测器。
教学内容：自然语言处理的概念；文本分词与词汇还原；文本分块与词袋模型；文档类别预测；语义分析器；主题模型。
重点难点：重点是文本分词及其文档类别判断的方法。难点是语义分析器的理解与实现。
教学目的：了解处理语音信号的方式，可视化处理的过程；掌握处理语音信号的的相关技术；能够独立建立一个英文的语音识别系统。
教学内容：处理语音信号；可视化音频信号；音频信号从时域转换到频域；生成音频信号的方法；提取语音特征；构建语音识别系统。
重点难点：重点是语音特征的提取策略和方法；难点是构建语音识别系统，尤其是适当结合深度学习机制进行语音信号的识别。
第6章计算机视觉
教学目的：了解什么是计算机视觉,掌握安装流行的计算机视觉库—OpenCV。了解利用帧间差分法检测视频中的移动部分。掌握使用色彩空间和背景差分法来跟踪对象,使用CAMShift算法来构建一个目标跟踪器,并学习光流的基本知识。熟悉人脸检测的相关概念,构造一个人脸检测和跟踪器。
教学内容：计算机视觉的概念；OpenCV介绍；视频中移动物体检测方法；目标跟踪器的构建；基于光流的跟踪；Harr级联和积分图；人脸检测与跟踪。
重点难点：重点是熟悉基于OpenCV进行的各种视觉处理方法，为进一步深入视觉学习奠定基础。难点是人脸检测和跟踪，尤其是复杂的场景，如戴口罩情况下。
第7章人工神经网络
教学目的：了解什么是人工神经网络，熟悉如何建立人工神经网络；了解感知器，掌握基于感知器构建一个分类器；掌握单层和多层神经网络；掌握循环神经网路。
教学内容：神经网络的概念；建立和训练人工神经网络；感知器；构建单层人工神经网络和多层人工神经网络；循环人工神经网络；构建光学字符识别引擎。
重点难点：重点是熟悉构建单层、多层以及循环神经网络；难点是神经网络的使用，如利用神经网络来构建一个光学自负识别引擎。
第8章强化学习与深度学习
教学目的：掌握强化学习的概念及其表现；了解深度学习以及卷积神经网络；熟练使用卷积神经网络构建简单的应用。
教学内容：强化学习的概念；深度学习的概念；卷积神经网络；利用卷积神经网络建立图像分类器。
重点难点：重点是深度学习及其使用；难点是利用卷积神经网络进行实际的应用开发，尤其是其可解释性问题是需要学生简单了解的。
第9章区块链
教学目的：了解区块链的基本概念；掌握区块链和人工智能的关系；了解如何利用人工智能技术对区块链进一步优化。
教学内容：区块链概念；人工智能与区块链；在区块链中使用朴素贝叶斯；优化区块链。
重点难点：重点是区块链概念的理解，产生的原因的深入分析；难点是如何充分的利用区块链技术进行多方向（领域）融合的设计与开发，包括在教育领域、知识产权保护等等。
第10章人工智能算法
教学目的：了解人工智能常用的启发式算法；掌握其基本的思想方法；掌握遗传算法、模拟退火算法、蚁群算法等。
教学内容：启发式搜索算法；遗传算法；模拟退火算法；蚁群算法。
重点难点：重点是掌握典型的启发式算法，如遗传算法、模拟退火等；难点是这些算法优化的特定目标和适用的场景；同时，也希望同学能够探索一些其它的启发式算法，并进一步比较分析，这也是本章的另一个难点。
06
课程教学方法
本课程教学采用以多媒体教学为主，以板书为辅的教学方式，并加强图示教学和实例教学以增强学生的学习兴趣并加深学生对重点知识以及理论与实际工程问题相结合的理解。
1、教师课堂讲授：基本概念和核心知识内容的传授，由主讲教师完成。
2、课堂讨论：要求学生以小组的形式对所学的知识点进行现场讨论。
3、MOOC：对课程的一些知识点采用国内外知名专家学者的视频公开课进行知识的传授。
4、SPOC：对于授课难点问题尤其是实际运用的问题时，采用翻转课堂的形式积极引导学生的参与意识，提高学生的创新能力。
5、学生/项目组讲授/表达：学生小组讨论，对于常识性的知识点的表达，提高学生的沟通和表达能力。
07
课程学习资源
1.教材
《人工智能导论（Python版）微课视频版》
ISBN：978-7-302-57239-8
作者：姜春茂
定价：49元
｜学习资源｜
500分钟视频、PPT课件、示例源码、习题答案。返回搜狐，查看更多
人工智能导论（教学大纲和教案）
基本内容和要求：
1．了解人工智能程序设计语言的特点、分类和发展概况；
2．理解PROLOG语言的语句特点、程序结构和运行机理，能读懂和编写简单的PROLOG程序；
3．了解Python语言的特点和使用方法，能读懂和编写简单的Python程序。
教学重点：
1．PROLOG语言；
2．Python语言。
教学难点：
1．PROLOG语言的匹配合一和回溯控制；
2．Python语言的程序结构和资源库的使用。
第3章图搜索与问题求解
基本内容和要求：
1．理解状态图的基本概念，初步掌握状态图搜索基本技术和状态图问题求解的一般方法，包括穷举式搜索、启发式搜索、加权状态图搜索基本算法和A算法、A*算法以及博弈树搜索技术等；
2．理解与或图的基本概念，初步掌握与或图搜索基本技术和或图问题求解的基本算法；
3．理解并初步掌握一些经典规划调度问题（如迷宫、八数码、梵塔、旅行商、八皇后等问题）的求解方法；
教学重点：
1．状态图搜索常用算法和问题的状态图表示；
2．与或图搜索常用算法和问题的与或图表示。
教学难点：
1．问题的状态图、与或图表示。
2．启发函数和估价函数设计。
第4章遗传算法
基本内容和要求：
1．理解遗传算法的基本概念和特点；
2．理解基本遗传算法的原理和应用技术。
教学重点：
选择-复制、交叉和变异等三种遗传操作。
教学难点：
个体对象编码和适应函数设计。
第5章基于一阶谓词的机器推理
基本内容和要求：
1．掌握自然语言命题的谓词形式表示和基于谓词公式的形式演绎推理；
2．理解命题逻辑中的归结原理，掌握相应的归结推理方法；
3．理解谓词逻辑中的归结原理，掌握相应的归结推理方法；
4．掌握应用归结原理求取问题答案的方法。
教学重点：
命题逻辑中的归结原理和谓词逻辑中的归结原理。
教学难点：
谓词逻辑中的归结原理及归结策略的运用。
第6章基于产生式规则的机器推理
基本内容和要求：
1．理解并掌握产生式规则的表示和相应的推理模式；
2．理解产生式系统的结构和运行过程；
3．理解并掌握产生式系统的控制策略和常用算法。
教学重点：
1．产生式规则的表示；
2．产生式系统的控制策略和推理算法。
教学难点：
产生式系统的反向推理算法。
第7章几种结构化知识表示及其推理
基本内容和要求：
1．理解并初步掌握元组、框架、语义网、知识图谱、类与对象等的描述和推理方法；
2．初步掌握这几种知识表示的语言实现。
教学重点：
框架、语义网、知识图谱。
教学难点：
语义网及其语言实现。
第8章不确定和不确切性知识的表示与推理
基本内容和要求：
1．理解不确定性信息和不确切性信息的特点和区别；
2．初步掌握不确定性知识的表示及推理方法，了解几种经典的不确定性推理模型，初步掌握贝叶斯网络和相应的概率推理方法；
3．理解并初步掌握不确切性知识的表示及推理方法。
教学重点：
1．贝叶斯网络和相应的概率推理；
2．软语言值及其数学模型，基于软语言规则的推理。
教学难点：
1.贝叶斯网络及相应的概率推理。
2.基于软语言规则的推理方法。
第9章机器学习：符号学习与交互学习
基本内容和要求：
1．理解机器学习的基本原理和分类；
2．理解典型的（符号）学习方法，包括记忆学习、示例学习、演绎学习、类比学习、解释学习、发现学习等；
3．理解并掌握决策树学习的基本原理和算法；
4.理解强化学习的基本原理和值函数、Q函数及Q学习算法；
5.了解强化学习的发展概况。
教学重点：
决策树学习和强化学习。
教学难点：
强化学习的Q学习算法。
第10章统计学习
基本内容和要求：
1．理解统计学习基本原理、方法和分类；
2．理解回归问题的线性函数模型学习和梯度下降法、分类问题的线性判别函数模型学习和分类问题的Logistic回归模型学习，并掌握相应的学习算法；
3．理解监督学习的主要工作及步骤、准则函数的演变、过拟合、欠拟合、正则化，以及模型与学习方法的分类；
4.理解支持向量机的数学原理及分类，包括最大间隔超平面、线性可分支持向量机、线性支持向量机和非线性支持向量机等。
教学重点：
1．统计学习基本原理及分类；
2．回归问题的线性函数模型学习和梯度下降法、分类问题的线性判别函数模型学习。
教学难点：
支持向量机的数学原理。
第11章神经网络学习
基本内容和要求：
1．理解神经网络及其学习的基本原理，包括神经网络的拓扑结构与学习机理、神经网络模型及其分类等；
2．理解感知器和BP网络的拓扑结构和学习原理，并初步掌握相应的学习算法；
3．了解深度学习基本原理、突出特点和发展概况
教学重点：
1．神经网络及其学习的基本原理；
2．BP网络和BP学习算法。
教学难点：
深度学习的基本原理。
第12章数据挖掘与知识发现
基本内容和要求：
1．理解数据挖掘的基本原理，包括对象、任务和方法等；
2．理解关联规则发现原理，初步掌握Apriori算法；
3．理解并初步掌握k-均值聚类算法；
4．了解大数据挖掘与分布式学习基本原理和方法。
教学重点：
关联规则发现原理和Apriori算法及k-均值聚类算法。
教学难点：
大数据挖掘与分布式学习。
第13章模式识别
基本内容和要求：
1．理解模式识别的基本原理和分类；
2．理解统计模式识别的基本原理和方法，包括距离分类法、几何分类法和概率分类法等；
3．理解并掌握朴素贝叶斯分类算法及其应用；
4.理解概率密度函数估计基本原理，特别是最大似然估计。
教学重点：
1．统计模式识别的基本原理和方法；
2．朴素贝叶斯分类算法。
教学难点：
最大似然估计
第14章数-语互换
基本内容和要求：
1．理解并初步掌握数-语转换和语-数转换的基本原理和方法；
2．理解带数-语互换接口的推理方法。
教学重点：
数-语转换和语-数转换。
教学难点：
语-数转换。
第15章自然语言处理
基本内容和要求：
1．了解自然语言处理的原理，包括途径、方法及发展概况；
2．理解基于规则的自然语言理解，包括简单句的语法分析、语义分析和语用分析，复合句理解以及转换文法和转换网络；
3．理解统计语言模型及其数学原理。
教学重点：
基于规则的自然语言理解和统计语言模型。
教学难点：
语义分析和统计语言模型。
第16章专家（知识）系统
基本内容和要求：
1．理解专家（知识）系统的基本原理，包括概念、类型和结构；
2．理解专家系统的设计与实现技术；
3．了解专家系统开发语言、工具与环境；
4．了解专家系统的应用和发展概况。
教学重点：
专家（知识）系统的基本原理和建造方法。
教学难点：
专家系统的设计与实现。
第17章Agent系统
基本内容和要求：
1．理解Agent的概念、类型和结构；
2．理解多Agent系统的原理、结构和学习；
3．初步掌握Agent的实现技术；
4．了解Agent的应用和发展概况。
教学重点：
Agent的类型和结构。
教学难点：
多Agent系统。
第18章智能机器人
基本内容和要求：
1．理解智能机器人的概念和基本原理，包括机器人感知、规划和控制；
2．了解智能机器人的软件结构和程序语言；
3．了解机器人的应用和发展概况。
教学重点：
智能机器人基本原理。
教学难点：
机器人学习。
第19章智能计算机与智能化网络
基本内容和要求：
1．了解智能计算机的特点和发展概况；
2．了解智能网络和智能Web的概念和原理；
3．理解网络的智能化管理与控制基本技术；
4.理解网上信息的智能化检索基本原理和方法；
5.理解推荐系统的基本原理和算法。
教学重点：
1．网络的智能化管理与控制；
2．智能Web；
3.网上信息的智能化检索及推荐系统。
教学难点：
网上信息的智能化检索及推荐系统。
三、课程要求
1．本课程的教学包括课堂讲授、课外作业、辅导答疑、上机实习和期末复习考试等教学环节。
2．课堂教学采用启发式教学方法，理例结合，多媒体并用，引导学生加深对课程内容的理解，提高学生的学习兴趣和效果。
3．理论联系实际，通过本课程的教学，力争使学生在理解和掌握大纲所要求的教学内容的基础上，能正确地运用这些知识解决有关实际问题。
四、学时分配
章次内容学时备注1人工智能概述32人工智能程序设计语言5含上机2学时3图搜索与问题求解8含上机2学时4基于遗传算法的随机优化搜索25基于一阶谓词的机器推理86基于产生式规则的机器推理27几种结构化知识表示及其推理28不确定和不确切性知识的表示与推理89机器学习：符号学习与交互学习610统计学习8含上机2学时11神经网络学习8含上机2学时12数据挖掘与知识发现413614数-语互换215自然语言处理416专家（知识）系统8含上机2学时17Agent系统218智能机器人219智能计算机与智能化网络2合计90含上机10学时五、教材与教参
五、教材
本书全面系统地阐述了人工智能的基本原理，勾画了人工智能理论和技术体系的基本框架，内容涵盖了人工智能各个分支领域的基本知识和主要内容，并体现了人工智能的最新进展。本书内容全面、基础、新颖、实用，为读者进一步学习和研发奠定了基础，指引了方向。全书共分为六篇，每篇为一个知识单元。本书结构风格独特，条理清楚，语言精练，图文并茂，理例结合，深入浅出，易读易懂，易教易学。本书适合于人工智能、数据科学、计算机、自动化、软件工程、网络工程、电子信息等专业使用，亦可供其他专业的师生和相关工程技术人员自学或参考。
扫描，限时优惠购书
本书配套部分资源：在公众号书圈后台回复【9787302556039】，自助下载配套资源
参考书返回搜狐，查看更多
人工智能导论——人工智能学科研究的基本内容及主要研究领域
一、人工智能研究的基本内容
（1）知识表示
人工智能研究的目的是要建立一个能模拟人类智能行为的系统，但知识是一切智能行为的基础，因此首先要研究知识表示方法。只有这样才能把只是存储到计算机中去，供求解现实问题使用。知识表示方法可分为两类：符号表示法（用各种包含具体含义的符号以各种不同的方式和顺序组合起来表示知识的方法）和连接机制表示法（用神经网络表示知识）。
（2）机器感知
所谓机器感知就是使机器（计算机）具有类似于人的感知能力，其中以机器视觉和机器听觉为主。机器感知是机器获取外部信息的基本途径。
（3）机器思维
所谓机器思维是指通过感知得来的外部信息及机器内部的各种工作信息进行有目的的处理。
（4）机器学习
机器学习就是研究如何使计算机具有类似于人的学习能力，使它能通过学习自动的获取知识。
（5）机器行为
机器行为主要是指计算机的表达能力，即“说”、“写”、“画”等能力。对于智能机器人，它还应具有人的四肢功能，即能走路、能取物、能操作等。
二、人工智能的主要研究领域
目前，随着智能科学和技术的发展和计算机网络技术的广泛应用，人工智能技术应用到越来越多的领域。下面简要介绍几个主要领域：
（1）自动定理证明
自动定理证明是人工智能中最先进行研究并得到成功应用的一个研究领域，同时它也为人工智能的发展起到了重要的推动作用。实际上，除了数学定理证明以外，医疗诊断、信息检索、问题求解等许多非数学领域问题，都可以转化为定理证明问题。
（2）博弈
诸如下棋、打牌、战争等一类竞争性的智能活动称为博弈(gameplaying)。人工智能研究博弈的目的并不是为了让计算机与人进行下棋、打牌之类的游戏，而是通过对博弈的研究来检验某些人工智能技术是否能实现对人类智慧的模拟，促进人工智能技术的深入研究。
（3）模式识别
模式识别（patternrecognition）是一门研究对象描述和分类方法的学科。分析和识别的模式可以是信号、图象或者普通数据。模式是对一个物体或者某些其他感兴趣实体定量的或者结构的描述，而模式类是指具有某些共同属性的模式集合。
模式识别方法有统计模式识别、结构模式识别、模糊模式识别、神经网络模式识别等。
（4）机器视觉
机器视觉（machinevision）或者计算机视觉（computervision）是用机器代替人眼进行测量和判断，是模式识别研究的一个重要方面。计算机视觉通常分为低层视觉和高层视觉两类。
（5）自然语言理解
自然语言理解（naturallanguageunderstanding）就是研究如何让计算机理解人类自然语言，是人工智能中十分重要的一个研究领域。它是研究能够实现人与计算机之间用自然语言进行通讯的理论与方法。
（6）智能信息检索
数据库系统是存储大量信息的计算机系统。随着计算机应用的发展，存储的信息量越来越大，研究智能信息检索系统具有重要的理论意义和实际应用价值。智能信息检索系统应具有下述功能：能理解自然语言、具有推理能力、系统拥有一定的常识性知识。
（7）数据挖掘与知识发现
知识发现系统通过各种学习方法，自动处理数据库中大量的原始数据，提炼出具有必然性的、有有意义的知识，从而揭示出蕴涵在这些数据背后的内在联系和本质规律，实现知识的自动获取。知识发现是从数据库中发现知识的全过程，而数据挖掘则是这个全过程的一个特定的、关键的步骤，数据挖掘的目的是从数据库中找出有意义的模式。
（8）专家系统
专家系统是一个智能的计算机程序，运用知识和推理步骤来解决只有专家才能解决的疑难问题，是目前人工智能最活跃、最有成效的一个研究领域。可以这样定义，专家系统是一种具有特定领域内大量知识和经验的程序系统，它应用人工智能技术模拟人类专家求解问题的思维过程求解领域内的各种问题，其水平可以达到甚至超过人类专家的水平。
（9）自动程序设计
自动程序设计是将自然语言描述的程序自动转换可执行程序的技术，包括程序综合和程序正确性验证两个方面的内容。
（10）机器人
机器人是指可模拟人类行为的机器。它可分为三代：程序控制机器人（第一代）、自适应机器人（第二代）、智能机器人（第三代）。
（11）组合优化问题
组合优化问题一般是NP完全问题。NP完全问题是指：用目前知道的最好的方法求解，问题求解需要花费的时间（称为问题求解的复杂性）是随问题规模增大以指数关系增长。组合优化问题的求解方法已经应用于生产计划与调度、通信路由调度、交通运输调度等。
（12）人工神经网络
人工神经网络是一个用大量简单处理但愿经广泛连接而组成的人工网络，用来模拟大脑神经系统的结构与功能。
（13）分布式人工智能与多智能体
分布式人工智能（DAI）是分布式计算与人工智能结合的结果。分布式人工智能的研究目标是要建立一种描述自然系统和社会系统的模型。
（14）智能控制
智能控制就是把人工智能技术引入控制领域，建立智能控制系统。
（15）智能仿真
智能仿真就是将人工智能技术引入仿真领域，建立智能仿真系统。
（16）智能CAD
智能CAD就是将人工智能技术引入计算机辅助设计领域，建立智能CAD系统。
（17）智能CAI
智能CAI就是将人工智能技术引入计算机辅助教学领域，简历智能CAI系统即ICAI。
（18）智能管理与智能决策
智能管理就是将人工智能技术引入管理领域，建立智能管理系统，研究如何提高计算机管理系统的智能水平，以及智能管理系统的设计理论、方法和实现方法。智能决策就是将人工智能技术引入决策过程，建立智能决策支持系统。
（19）智能多媒体系统
智能多媒体实际上是人工智能与多媒体技术的有机结合。
（20）智能操作系统
智能操作系统就是将人工智能技术引入计算机的操作系统之中，从质上提高操作系统的性能和效率。
（21）智能计算机系统
智能计算机系统就是人们正在研制的新一代计算机系统，它将全面支持智能应用开发，且自身就具有智能。
（22）智能通信
智能通信就是将人工智能技术引入通信领域，建立智能通信系统，在通信系统的各个层次和环节上实现智能化。
（23）智能网络系统
智能网络系统就是将人工智能技术引入计算机网络系统。
（24）人工生命
人工生命是以计算机为研究工具，模拟自然界的生命现象，生成表现自然生命系统行为特点的仿真系统。
----内容来自于《人工智能导论(第四版)》