如何理解作為教學實踐的人工智能教育

向金 吳俊杰

作為一個每周上幾節課的老師，雖然很向往教育學者侃侃而談、著書立說的那種感覺，但對于很多具體的問題還是會說：“要不然您拿一節課，最好是自己上一節課給我講講？”此次關于人工智能與教育的對話，我請到了在技術上和教學上都十分優秀的西安交通大學附屬小學的向金老師，一起聊聊作為教學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，其實我們已經很熟悉了，但還是要問，您是如何走上人工智能與教育相結合這條路的？

向金：感謝您的邀請。首先，我以前是語文教師，并不是專業的科班出身的信息技術教師，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，那時用的計算機還是286，最高端的還是蘋果機。有一位新畢業的教師給我們上編程課，我記得特別清楚，當時講的是BASIC語言，很多同學都沒有聽懂，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，我一個語文專業的師范生，理論上計算機是可學可不學的，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。

上班后，因為學的是中文，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域的教學和研究。而真正開始將人工智能和教育結合起來，是在兩年前。

吳俊杰：是在國務院發布人工智能的相關政策文件的時候？

向金：是的，有政策因素，也有自己對技術趨勢的把握。例如，有時候為了能夠找到好的解決方案，我需要大量的數據，并嘗試用數據模型的思想來解決問題，但當時我還沒有意識到這就是人工智能的重要思想。學生們也會去分析競賽中產生的各種數據之間的關系，并與程序結合起來。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。后來我們就想用數組一類的方法去解決這個問題，沿著這個思路找規律，在查閱資料的過程中慢慢發現，這其實就是人工智能里面很重要的一部分——基于數據訓練模型。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域。

向金：當我們從機器人自然而然地走向人工智能時，發現人工智能這個教育領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，數據、知識及模型之間的關系，這種思維方式可以移植到很多學科。例如，我一直在做的這個課程，希望人工智能和數學結合起來，不是讓人工智能幫助學生學已知的數學，而是讓學生借助人工智能的思想去重新認識數學，然后讓他們理解人工智能所需要的一些理論基礎，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得特別明顯。在學科層面上，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學科為先導的一個系統的教學內容，另一方向是用人工智能來輔助傳統學科的教學，這可以稱為“人工智能+”，感覺和“互聯網+”類似，數學還是講原來的東西，只是有了人工智能的學伴。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，去解決實際問題，各個學科都可以用，但用的過程又不是本學科原本的用法，是方法導向而非知識導向的一種做法，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，而非傳統學科的拐杖。人工智能的通用方法是人工智能作為實踐教學的核心。

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據去訓練模型，要想辦法獲得大量的數據，然后用生成的模型去解決問題。這是人工智能和傳統的編程教學很大的一個區別，這種思維方式我覺得在教學中一定要讓學生去理解，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，缺乏做出開創性貢獻的思維基礎。

而你說的“人工智能+”也可以分為淺層和深層的應用，我更關注深層的應用。人工智能教育編程是基礎，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據從哪里來，數據獲取有很多的方式和方法，人工智能的興起，數據功不可沒。這也是必須讓學生理解未來的社會數據很重要的原因。學生不僅要知道數據在網絡安全中有用，而且要知道公平地用數據、科學地用數據，注重數據的共享性的同時還要注重數據應用的倫理原則。

有了這種思維方式，然后要學習的就是一些關于數學上的東西，我認為這也是可以做的一件事情，就是怎么樣把“數學”與“數據”結合在一起，然后用數學的一些方式，去找到數據之間內在的關系。開始，我們可以讓學生自己去找，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生在做項目時，一開始就能夠區別傳統的編程模式，而不是把它理解為只是為了完成一個項目而去做的數據處理分析，整個過程主要還是讓學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學科視角的人工智能教育可能是一個主流的狀態，現在我認為跨學科視角的人工智能教育發展潛力巨大，我們可以借由人工智能與教育的結合，對學科教學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置背景。在我所在的學校中，機器人課是單獨的課，而未來計劃把它與編程課放在一起，因為學習機器人肯定要學編程，但也不完全等同，因為機器人還涉及結構、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，都是大班教學的狀態。下一學期，我計劃在大班開設人工智能課。其實每個學科，都可以去做人工智能的整合，舉個例子，之前西安交通大學聯合中小學，做了一個知識圖譜的課題。這個課題是與人工智能相關的國家重點課題，就是用人工智能的方式來處理所有的學科的知識圖譜，目前已經實現22個學科的知識系統。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。學生可以學習構建這個圖譜的過程，也可以應用這個知識圖譜來學習。這更合適“人工智能+教育”的執行方式，知識圖譜也可以幫助教師進行決策，當某一個學生的知識點出現問題時，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的課程，給全國的教師們看一看。當然人工智能的教學還是需要一些教學平臺和硬件設備，這樣就能夠從一個教學場景出發，具體告訴教師這些硬件和編程環境是如何在小學教學中實施的。

向金：那么我來舉兩個比較典型的教學場景。

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

之后，則會生成該模型，這就相當于規律已經找到了，后續學生要驗證該規律，而驗證的過程是將一個原數據之外的數據放進去，看一看計算機的訓練結果（如下頁圖2）。當學生驗證時，發現人工智能找到的規律并不一定是二倍的關系，這就涉及一些類似損失函數之類的概念，在后面的學習中學生就可以去慢慢理解了。

接下來，就是進行優化，把模型調得更好，這里會有很多方法，如提高數據的數量、增加訓練的數目、調整參數值，甚至改進底層算法。我們能夠看出，編程過程并不是特別復雜，簡單幾步就可以做好，但其解決問題的方式與傳統的編程是截然不同的，而這一切我們現在都把它放在一個我們開發的類似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，工作量是相當大的，但用數據訓練的思路，我們會讓學生知道只是把之前讓人工智能找數學規律的過程遷移過來。

首先是采集數據，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，當然這個過程具體的算法很復雜，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系統優化了這個過程。完成后系統就會輸出一個類似函數的東西，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，驗證是不是實現了真正的無人駕駛。如果效果不好，就要看是不是原始數據有誤或者數據的品質有誤。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計更為復雜的環境。當然這個過程都是要經歷類似“準備數據—生成模型—驗證模型—改進模型”的過程，我們稱其為人機建模，這與之前程序教學當中更注重過程和邏輯的教學模式是不同的，其重點也有區別。

吳俊杰：實際上這就是數據和模型驅動下的人工智能教育。該思維方式應該是在一開始就明確地告訴學生的，這是人工智能時代學生的數據素養、信息素養的一個重要組成部分。我覺得這種思想方法，也可以用在物理學的學習中，我們在做物理實驗的時候也是從數據中去證明一些結論或者發現一些新結論，您的做法也給了我很大的啟示。就是說能不能從物理學科的角度出發，去訓練人工智能，去發現一些可能會忽略的有規律性的概念，就像阿爾法狗發現了千百年來圍棋大師們所沒有嘗試過的棋局形態一樣。這也是人工智能時代對我們傳統的科學素養概念的一個提升。

這么來看，數據素養、科學素養和信息素養在人工智能時代是三位一體的關系，共同構成了人工智能時代的勞動力結構。同時，這種關系和數字科學家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：用物理的實驗數據去找內在規律，這是非常好的一種思路。其實，與人找規律相比，人工智能能夠發現我們沒有發現的一些規律，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，還有很多其他學科的應用。例如，藝術類的案例，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生會覺得更美。這其實就是對人工智能進行訓練，把這些畫都放進去，讓學生來給畫貼標簽，是美還是不美。然后，再把年齡標簽、性別標簽都放進去，你會發現特別奇特的現象，很有意思，即用人工智能數據給出的結果是不一樣的，基本上你就能夠推導出下一幅畫學生是喜歡還是不喜歡。但是，模型中到底有什么樣的規律我們很難判斷，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，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。各個學科的應用場景，讓我想到了“未來學?！钡母拍?，您覺得在人工智能驅動下的未來學校會是一個什么樣子？人工智能對未來學校會有怎樣的影響呢？

向金：我覺得未來的學校會是一個跨平臺的事物，就像我們梳理的知識圖譜一樣。很多基礎知識的學習會在線上完成，且這是一個更加跨領域、跨地域的學習狀態。人工智能對未來學校的影響首先是大數據支持的學習診斷，如果數據足夠多，就可以推導出學生的學習方向和趨勢。其次，學生的每一次學習、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，都會形成數據沉淀下來。這樣，傳統意義上的學校的概念就會被打破?？偨Y起來看，線上更像是現在知識傳授型的學校，而線下則更像是一家醫院或者一個社區。

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，到后來的創客教育，在2012年的時候就已經形成了一些基本的觀點，如軟硬件結合的好處、編程中的系統思維、互動媒體中的藝術規律，還有開源文化和未來社會的關系。在之前我看到的很多人工智能的教學案例中，并沒有跳出這些核心概念，讓我有一種舊瓶裝新酒的感覺。但是聽了您關于人工智能與教育結合的這些思路，包括對未來學校的暢想，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，而且現在就遇到了第一個困難，即人工智能領域中的項目及產品特別多，且相關算法也特別多，雖然一些已經被開源出來，但對中小學來說還是太難了，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的開放平臺，與Scratch一樣，具備很多圖標，學生根據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，學生才能把復雜的問題簡單化。當然，封裝時不能太死，要給學生留有可發揮的余地，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時，算力是非常難解決的問題。以小組學習為例，幾個學生同時在計算，對計算機、本地服務器的壓力都是很大的。如果采用云端的方式，也只能10到20個學生同時進行測算，而且五六分鐘左右才能出數據。如果更大規模則可能有一些延遲或延誤，這就影響了教學體驗。所以我想，未來我們可能會聯合一些廠商或者一些志同道合的大企業貢獻一定的“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，這可能需要更專業的人來加入進來，這也是我們下一步的重點。