走向國際共識的中小學AI教育

編者按：因為翻譯的問題，“智能”“智慧”和“Intelligence”“Smart”這幾個名詞往往是混用的，如“智慧校園”對應的單詞是“Smart School”，“智慧社會”則對應“Intelligent Society”?！爸悄芙逃笔侵溉斯ぶ悄芙逃€是智慧教育？“智能設備”是指人工智能設備還是電腦類設備？語義的混淆給人工智能教育的內容和目標界定帶來了困擾，也造成了“泛人工智能教育”（指把人工智能教育的邊界泛化到機器人、編程、物聯網等）的尷尬。那么，國際上對人工智能教育的認識和定位是怎么樣的？中小學人工智能教育如何走出“泛人工智能教育”的誤區并走向國際共識？本期對話邀請了溫州科技高中的特級教師謝作如、清華大學毛勇博士和北京十一學校鄭子杰老師，他們將圍繞“國際共識”展開討論。

算力、數據和算法是中小學AI教育的核心

謝作如：“算力、數據和算法是推動新一代人工智能發展的三駕馬車”，這句話對很多人來說已經是常識，隨處都能看到。我查過資料，關于“算力、數據和算法”的表述在2017版的高中信息技術課標中并沒有出現，但在2022年發布的義務教育信息科技課程標準中出現了，原文為“了解人工智能的基本特征及所依賴的數據、算法和算力三大技術基礎”。最初讀到這句話時，我并沒有深刻感觸。過了相當長一段時間我才忽然領悟到——“算力+數據+算法”不就是機器學習的過程嗎？毛勇博士是清華大學AI專業的博士，屬于在新一代人工智能興起前就畢業的那一批博士，我很好奇，當您第一次讀到“三駕馬車”的表述時，想到的是什么？

毛勇：我知道“三駕馬車”這一表述的時間也已經很晚了，大概在2017年之后。那時候深度學習已經興起，AlphaGo已經橫空出世。經過媒體的傳播，AI學科也漸漸成為人人關注的“顯學”。而在2007年前后，也就是我讀書和參與科研工作的年代，AI研究基本上局限在實驗室中。因此，我們當時的研究工作都不需要太強的算力和太多的數據，而且實際上這些條件也并不存在。當看到這句話之后，結合AI應用在生活中不斷出現，我意識到這是對AI領域核心要素非常精煉的概括。它概括的是AI發展的過程，即伴隨著互聯網和移動互聯網時代的發展，摩爾定律帶來的算力飛速提升以及各種優秀算法的出現，人工智能終于走出困境成為一個真正的工程學科。對于這個時代的每個學習者來說，建立起一個學科的宏觀概念是非常重要的，所以我認為這個總結很精辟，每個學生都應該理解它的內涵。

謝作如：相對于毛勇博士來說，我是“半路出家”的AI教育工作者，靠各種入門型的教程或者教材，才慢慢邁進了AI的大門。早在2005年左右，我把當時所有高中《人工智能初步》模塊教材都研究了一遍。即使這樣，我也僅僅了解了點皮毛，一度把機器人當作實施AI教育的最好載體。2014年左右，我應邀參加高中課標《智能系統初步》模塊（這一模塊后來又更名為《人工智能初步》）的討論和初稿編寫，重點則落在“機器人”和“智能控制”上。第一次編寫AI教材是在2019年，我應邀為初中生編寫一個學年的教材。最初也是中規中矩從符號主義開始學習，如知識表達、推理和搜索等內容，基本上沒有涉及神經網絡。到了2020年，我們在清華大學出版社的初中《信息科技》教材中加入了“深度學習”的內容。而現在，我的想法又有了變化：能不能把學習重點定位在“模型”上？因為“算力+數據+算法”得到的結果就是“模型”。我這十多年來的學習、認知歷程，是不是走了太多彎路？

毛勇：您這個歷程絕對不是走了彎路。您從開源硬件、互動媒體到創客、3D打印，再到人工智能，一直在堅持學習，這一點讓我尤為佩服，而且您的學習路徑很有趣，從“編程和控制”逐步轉移到“模型和訓練”，關注真實問題解決，為解決問題不斷學習新的知識，包括機器學習和深度學習。對于符號主義的涉獵，其實不能算是走彎路，而是在幫助自己建立對AI學科的全貌理解。而且對于之前的學習者來說，都不可避免有這樣的經歷。您正在推廣的“以數據驅動和模型訓練為核心”的AI教育，我認為是抓住了現階段AI學科的核心，路徑非常正確。

謝作如：謝謝毛博士的肯定。鄭子杰老師是北京十一學校的AI課程教師，我很早就在網上看到過您分享的一個PDF文件，標題為《如何開設面向10年級學生的機器學習課程》。請鄭老師簡單介紹一下，您的AI課程是什么時候開始實施的？面向哪些學生？涉及哪些課程內容？

鄭子杰：自2020年起，我在北京市十一學校開設機器學習課程，主要針對高一和高二學生。這門課每學期都開，一個學期為一個學習周期，每周二晚上上課，每次上課的長度是1.5至2小時。課程內容主要涉及機器學習的基礎知識、模型的訓練與測試流程，以及包括神經網絡、支持向量機、決策樹在內的多種常見模型。我盡可能深入淺出地闡釋這些概念，并鼓勵學生通過問題探索，激發他們思考。例如，在介紹“支持向量機”時，我會強調其設計理念中從“較優解”到“最優解”的演進過程。在講解決策樹時，我側重于交叉熵概念的講解。至于深度神經網絡，我會簡要介紹如何使用PyTorch搭建神經網絡以及一些常見的網絡模型，但不會深入，因為這需要更深厚的數學背景知識，超出了一般高中生的理解范圍。我的課程主要面向那些對AI有濃厚興趣、具備一定Python編程基礎，但又不僅僅為了參加學科競賽的優秀學生。雖然現在的AI跟升學沒關系，但有相當一部分家長會支持孩子選擇學習我的課程。

謝作如：謝謝鄭老師的介紹。您的課程很有難度，如“交叉熵”一詞就能嚇跑很多想研究AI的老師。但作為度量兩個概率分布間的差異性信息的概念，我也認為“交叉熵”在機器學習中實在是太重要了。對了，我們三個人還有一個共同的身份，都是NOAI科學教育委員會委員。NOAI是IOAI活動的國內版本，IOAI的全稱是國際人工智能奧林匹克，我想IOAI的方向基本上代表了AI教育方面的國際共識。那么IOAI活動是以怎樣的形式，將不同國家的青少年放在一起“競技”？關注哪方面的AI知識和能力？請毛博士簡單介紹一下IOAI官方網站給出的模擬試題，分析涉及的AI知識以及可能的考核形式。

毛勇：IOAI的考查形式是以4人組隊的方式解決真實的人工智能研究和應用問題。它主要包括兩輪考查，也就是兩種類型的題目。第一輪叫做科學輪，科學輪的3道題目會在國際活動前1個月就發送給學生。學生要在國內進行充分的學術準備和積累，然后在出國前提交一次正式的代碼和文檔，但是這部分內容只占總分的5%。而到了國際現場，這3道題目的后一半延展問題會直接給到學生手中。他們有8個小時左右的時間以團隊為單位進行研究、學習、寫代碼、處理數據、搭建模型，然后還有8個小時左右的時間可以用云端算力去跑訓練。然后他們要把自己的代碼、結果和文檔在線提交?？茖W輪的題目基本都是模擬了現實世界中非常新的科學研究問題，選手需要識別和解決現有方法中的局限性，并提出自己的解決方案。在這一輪中的表現主要取決于選手的基本編碼技能、對常用深度學習Python庫和框架的熟悉程度，以及對機器學習基本原理的理解。

謝作如：據我了解，類似IOAI活動的面向青少年的國際人工智能活動很少。我想請毛博士再介紹一下面向成人（包含大學生）的人工智能活動有哪些，這些活動的考核內容和傳統的編程比賽（如信息學奧賽）有什么區別。

毛勇：相對而言，面向大學生和成人的國際人工智能活動要更豐富些。例如，圖像領域的學術競賽ILSVRC（ImageNet Large-Scale Visual Recognition Challenge）、對話系統領域的DSTC（Dialogue System Technology Challenge）都是學術性非常強的比賽活動，還有開源數據平臺Kaggle上也會經常組織一些活動。此外，一些大公司也很喜歡把自己業務中的真實問題做成題目，開放地征集解決方案。這些活動要解決的問題往往具體、真實而又開放，有很大的研究和創新空間，考核內容和傳統的編程比賽相差比較大。

AI實驗要重點體現當今時代（近20年）主流AI的核心要素——數據、模型（算法）和算力。

在現階段，大語言模型的原理可以在專家講座中出現，大語言模型的應用可以滲透到其他課程和日常生活中，但是不適合直接放在中學AI課程中。

精心選擇AI實驗是中小學AI教育的抓手

謝作如：從毛博士的介紹可以看出，雖然都在強調算法，但是人工智能方面的活動涉及的知識往往不是我們熟悉的排序、搜索、動態規劃、線段樹之類，很多內容都很新，如“詞向量”“對抗生成”等。但我們不需要大驚小怪，因為國際奧林匹克活動本來就是為學有余力的學生設計的。當然，我們也必須知道，這些內容實際是新一代人工智能的課程不可缺少的部分。

從AI的各種知識點出發，我想給兩位出一道難題。兩位都知道，目前國內有多個省份和地區正組織專家編寫中小學人工智能通識課程，以地方課程的形式實施，如深圳和上海。假設某地區準備在小學、初中階段實施一個學年的通識課程，大概32課時，其中有6個AI實驗（一個實驗2課時）。假設你們都是這個地區編寫人工智能通識課程綱要或者指南的專家，你們會為初中生遴選哪6個AI實驗主題？

至于我為什么會選擇AI實驗？那是因為2023年教育部等十八部門頒布了《關于加強新時代中小學科學教育工作的意見》，提出要著力在教育“雙減”中做好科學教育加法，要加強中小學科學及相關學科（物理、化學、生物、地理、信息科技/信息技術、通用技術等）課程標準及教材修訂完善工作，加強實驗室建設，強化實驗教學等要求，通過實驗來學習AI，顯然是最好的抓手。另外，你們在遴選實驗主題時不要局限于上課教師的AI水平，即要假設教師們都經過一段時間的AI技術培訓，具備了一定的專業技術能力。

鄭子杰：首先，我們要明確設計這些實驗的目標是什么。以初中生的認知水平，想要通過這6個實驗了解AI的各個前沿方向，如大語言模型、多模態、具身智能等顯然是不現實的。所以，我會牢記基礎教育階段的“基礎性”，課程是為之后學習AI打下“基礎”的。至于AI前沿領域的發展，應該通過專家講座或者是通過其他課程完成。所以，AI實驗要重點體現當今時代（近20年）主流AI的核心要素——數據、模型（算法）和算力。我推薦的6個實驗分別是：

實驗1：以二維表為載體、旨在讓中學生認識和分析數據表的實驗，數據來源可以是他們真實的物理、化學、生物課堂；

實驗2：實現傳統機器學習的實驗，如線性回歸或者鳶尾花分類的實驗，用來體會機器學習的一般流程；

實驗3：計算機視覺方向的基礎實驗，如提取圖片特征等，簡單跟學生講講怎么使用卷積提取圖片邊界；

實驗4：計算機視覺方向的進階實驗，如基于CIFAR10這個數據集，使用卷積神經網絡實現圖像分類；

實驗5：自然語言處理的基礎實驗，如直接分析一篇小說，重點讓學生體會如何定量化地描述“文字”，并如何提取文字中的信息；

實驗6：自然語言處理的進階實驗，如使用Pytorch框架和LSTM實現文本的分類等。

這6個實驗可以分為3個大方向——機器學習、計算機視覺和自然語言處理，并且前一個實驗都是通過實驗載體了解簡單的原理，后一個實驗是走通AI訓練的流程。我之所以不提大語言模型，是因為其太復雜，學生在知道模型的一些基礎結構之前，很難體會大語言模型這類復雜模型的設計初衷。如果直接在課程上講解大語言模型，學生只會覺得“好厲害”，卻發現什么也學不到。所以我一直堅持，至少在現階段，大語言模型的原理可以在專家講座中出現，大語言模型的應用可以滲透到其他課程和日常生活中，但是不適合直接放在中學AI課程中。從教學角度講，我們要用符合中學生知識積累和認知水平的載體，讓學生體會數據、模型（算法）、算力，并盡可能體會一些模型設計的初衷和精妙之處。當學生能夠體會簡單模型的原理后，隨著年齡的增長，他們自然就會學習、應用、修改甚至創造更加復雜且精妙的模型。

毛勇：我非常同意鄭老師的思路，唯一的不同是我可能會選擇把實驗5和6改為某個更簡單的處理時序數據的問題，如天氣或股票數據等。這樣做對于像北京十一學校這樣的學校來說似乎少了一塊內容，但是對于更多的學校來說，相比處理自然語言做詞表、向量化等困難一些的實驗，也許簡單一些的結構化時間序列數據更加適合他們。當然，如果課時允許，可能更加理想的方式是將這部分內容增加到自然語言處理實驗的前面去，增加實驗時長，讓課程更加豐富。

謝作如：在給兩位出題的時候，我也進行了認真的思考，在腦海里把自己了解到的AI學科內容“搜索”了一遍，發現6個實驗真的不夠用。鄭老師給出的實驗清單涉及了機器學習、深度學習（卷積神經網絡、循環神經網絡），涵蓋了計算機視覺和自然語言處理，做到了“綱舉目張”，我相信這6個AI實驗一定會成為老師們開發課程的最好參考。

面對這6個實驗，相信很多老師會和我一樣有疑問——這些AI實驗對學生的數學能力都有一定的要求。即使我們不去講“交叉熵”，也不講“梯度下降”和“反向傳播”，但“向量”顯然不可回避。OpenAI的核心研發人員Jack Rae說過的“壓縮即智能”，給了我們一個重要的啟示：只要找到合適的方式在數據中提取到有效的特征向量，就能用低算力的方式訓練出可行的模型。因為，物理世界的信息“數字化”后能被計算機處理，“向量化”則讓數據能夠更好地用神經網絡來計算，如圖像識別是先要用卷積神經網絡提取特征向量，自然語言處理也是要先得到token。但“向量”是學生在什么年級才會學到的數學知識？初中生能不能理解“向量”？

鄭子杰：向量雖然在中學數學課程中是高一才學到的知識，但是初中生也能夠理解。在基礎教育階段，我們并不是非要等到數學知識都積累到了，才能學對應學科的知識。舉個例子，物理中的“力”是先于數學中的“向量”出現的，大家都下意識地將“向量”等同于“一個箭頭”，導致學生甚至數學和物理等學科的教師自身都不能理解向量的第二種理解方式——“數組”。把向量既看作是有方向性的量，又看作是數組，這種雙重視角對于AI的學習很重要。只要老師們愿意跳出自己學科固有的理解方式，接受數學、物理、計算機等學科對“向量”不同視角的理解，并轉述給學生，那么學生理解起來就非常容易。但由于現階段基礎教育的學科界限過于明顯，很多教師的措辭是“這是A學科應該解決的，不關咱們學科的事”，這才使得類似向量這些概念看起來很難。

從另一角度看，數學中很多概念的確不能過于超出學生現有的數學知識水平，但這不等于所有的概念都只能按部就班，不能越雷池一步。例如“矩陣”就很容易理解，可以直接理解為“數表”，甚至連矩陣的四則運算，中學生都可以很容易接受。但是“特征向量”這個概念就有些難，因為其本身就涉及線性代數根本繞不過去的底層原理。但是，提取圖像局部特征的“卷積”卻在中學能夠講清楚，因為其并不需要很多代數推導作為鋪墊。到底什么該講什么不該講，教師自身除了需要十分清楚AI內容和具備與之相關的數學基礎外，還需要對中學生各科的學習內容了如指掌，并且對“學生能不能理解”有準確的判斷。

值得一提的是，學生的Python編程基礎反而是在AI教學中最不需要擔心的。只要想學Python，在本人和家長不擔心因為學習編程耽誤時間或者影響視力的前提下，一個毫無代碼能力且具有基本英語閱讀和表達能力的初學生，每天晚上花2個小時學習寫代碼，1個月就能熟悉Python的基本語句。因為單從語法層面而言，Python編程無非就是對著計算機說與數學相關的英語而已。

謝作如：鄭老師的分析給了我很大的信心。兩位都知道，我在工作之余，還帶著上海人工智能實驗室的XEdu團隊為青少年學習AI開發工具，其中涉及機器學習、神經網絡、計算機視覺、自然語言處理等方面的模型訓練。雖然一線教師對XEdu系列工具的反饋都很好，但也會有人潑冷水，認為中小學生學不了也理解不了機器學習。特別是在ChatGPT流行后，也有好多專家提出中小學生只要會寫提示詞（Prompt）、會用大模型就夠了，沒有必要學習模型訓練之類的知識，甚至說只要學好語文就夠了。對于這些觀點，兩位是怎么看的？

鄭子杰：從學生發展的角度看，XEdu提供的功能足以讓學生掌握AI流程，并在進行機器學習、計算機視覺等案例的過程中，深入了解底層原理。然而，我認為這還不夠，我們還需要對內容進行更細致的分層。對于那些拔尖和對AI充滿興趣的學生，我們應提供更多關于底層原理的內容，引導他們深入思考并解決“為何會設計出多種不同的損失函數”“卷積如何實現特征提取”“全連接層的必要性何在”“如何調整學習率”等問題。而對于基礎相對薄弱，未來不打算涉足AI、數學和自然科學領域的學生，采納專家的觀點是明智之選，他們僅需了解AI應用并學會將AI作為工具使用。關于中學生難以理解機器學習的擔憂，其實源自當前AI教學內容的匱乏。目前，大部分AI資料都是針對本科生編寫的，缺乏專門面向中學生的教學內容。針對中學生的內容設計，不應僅僅是對大學教材內容的簡化，而應借鑒現有其他學科的教學方法，將內容調整至既能展現學科核心思想，又適合中學生學習的程度。例如，在中學和大學物理課程中都會講述熱學，但中學物理課程無需涉及玻爾茲曼分布，同樣能清晰闡述熱學的核心原理。

毛勇：我認為大模型有潛力成為非常重要的學習工具，學生可以通過和大模型的交互迅速學會原來需要很長學習周期學習或者學習曲線很陡峭的內容，并迅速應用、組裝、改寫大模型給出的代碼解決問題。這種項目導向、問題導向的學習方式，我認為非常適合AI和信息科技這種強調應用、工程、真實問題解決的學科。但是這并不意味著學生不需要理解技術背后的原理，不需要完整參與到從數據到模型的全過程中去。因為我會假設好奇心是人類學習的最大動力，相比掌握了更多知識的大學生、研究生，中小學生在好奇心上也許會更勝一籌。當他們體驗到AI的神奇應用后，我不相信他們不好奇背后發生了什么、不想去加深理解、不想去參與做一個自己的AI。當然，這里說的理解和參與是完全可以分層進行的，教師根據自己學生的學情選用合適的工具，小學生顯然也可以毫無壓力地體驗完整的模型訓練過程，并用AI來解決真實問題。我認為，這樣的學習才是更加完整和有價值的，而不是局限在對大模型的淺層使用上。

大模型有潛力成為非常重要的學習工具，學生可以通過和大模型的交互迅速學會原來需要很長學習周期學習或者學習曲線很陡峭的內容，并迅速應用、組裝、改寫大模型給出的代碼解決問題。

教師想去學習AI，也不知道往哪個方向努力。在“泛AI教育”的影響下，他們也以為做創客、玩機器人就是做AI教育。

不論是信息科技還是人工智能，都是應用性、工程性非常強的學科，如果教師沒有動手能力則很難指導學生。

走向國際共識需要師資和學習資源

謝作如：兩位博士都提到了最核心的問題，直面一個問題——我們究竟要培養怎樣的人才。我在《青少年AI教育：從應用技術到引領未來》一文（本刊2024年1月的專題文章）中提出要培養“更多真正理解AI、駕馭AI的人才”，從而引領AI的下一步發展。AI科學家李飛飛也說過，AI不是一個黑箱子，而應該是灰箱子。要讓這些箱子從黑變灰，就需要一系列涉及底層的實驗。我組織了一個叫做“AI開源課程眾籌計劃”的團隊，在暑假期間編寫這些開源的AI實驗，希望幫助更多的師生去理解AI。

我還記得幾年前，姚期智先生帶著清華姚班的同學編寫了一本面向高中生的《人工智能基礎》的教材，后來還做了一期培訓。我認真閱讀過這本教材，從中受益良多。記得鄭老師曾經參加過清華姚班組織的教材培訓。您能不能介紹一下這本教材的實施情況，以及培訓過程中教師們的反饋？

鄭子杰：姚老師編的教材整體方向很好，跟我設計課程的初衷基本一致。但因為各種原因，其推廣起來并不是很理想。首先是課程內容難度太高，基本接近本科生的AI課程。在教師培訓過程中，絕大部分教師其實都跟不上。以我們學校的學生為例，信息學競賽省隊水平的學生都表示學習起來很吃力。

但難度高還是次要的因素，更重要的是高估了現有中學教師的水平。國內的大部分中學教師普遍缺乏學習AI的動力，在沒有激勵的情況下，他們更希望直接使用那種不太費腦、只需要按照流程做就能跑通還能展示的課程資源。但是，直接拿過來就用的資源往往缺乏AI教育的價值。雪上加霜的一點是，一些有學習動力并通過自學掌握了AI流程和底層原理之后的中學教師或許就不愿意待在中學潛心教學了——他們如何抵制5倍工資和更高社會地位的誘惑呢？所以，如何合理調動中學之外的力量（如市場等）來激勵教師學習并建設AI課程，是值得思考的問題。

謝作如：鄭老師的回答讓我感動。中小學太需要具備實施AI教育能力的教師了，但中小學要想吸引并留住這些人才真的很難。還有一點，這些教師想去學習AI，也不知道往哪個方向努力。在“泛AI教育”的影響下，他們也以為做創客、玩機器人就是做AI教育。今年5月份，中國教育技術協會信息技術教育專委會組織了“第七屆中小學人工智能教育展示活動”，其中，基本功展示項目的上機操作部分的試題涉及機器學習和深度學習，不僅要求訓練模型還要部署AI應用，并要求教師們在斷網的條件下在3小時內完成。當然，在局域網內提供了大語言模型和模型訓練環境OpenHydra。毛博士看過那份試卷，請簡要點評一下。

毛勇：我看過那份試卷，好多題目給我耳目一新的感覺，尤其是其中的實踐題目，要求教師們真刀真槍地操練起來。我記得有一道燃油車效率回歸預測的問題，要求教師在短時間內完成從數據預處理、模型搭建訓練到推理預測的全過程，而且還要寫出簡單但完整的UI（程序界面）。線性回歸問題本身并不難，很適合中學階段的教學，很多有學科背景的教師應該都能解決，不過如果長時間處于刀槍入庫狀態，教師們恐怕也會面臨一些挑戰。不論是信息科技還是人工智能，都是應用性、工程性非常強的學科，如果教師沒有動手能力則很難指導學生，所以我覺得這份試卷對如何提升未來教師的AI素養給出了一個非常好的導向。

謝作如：是的，我們也期望通過各種形式給教師們提供學習方向。這幾年鄭老師和我一樣，不斷參與各種會議，不斷呼吁更多人參與到中小學的人工智能教育中來。我想鄭老師肯定和我一樣也接到很多來自一線教師的關于如何學習AI、如何教學AI的“求助”。在您看來，在中小學推動這種國際共識的真正的人工智能教育，除了要培養一批與時俱進的教師外，還需要哪些推動力？

鄭子杰：我覺得需要構建一個系統性的生態。這個生態里最需要解決三件事，分別是學術領袖、靈活且開放的政策、大學支持和企業的資助。我們需要一些AI教師成為有影響力的名師，能夠帶大家一起做事。但是這樣的學術領袖一般都是自帶AI背景，很難靠后期的教師培訓培養出來，所以怎么吸引這些人來中學值得思考。之所以說需要靈活且開放的政策，主要是因為在現在的大環境下，很多有這樣能力的教師做事情都擔心“違規”。例如，我只知道不能給北京十一學校以外的學生進行有償培訓以及幫其他教育機構建設課程。所以，教師們會在安全第一的情況下，盡可能地拒絕這些活動。因為害怕違規而讓AI教師力量沒有辦法在更大范圍內發揮，這勢必會阻礙AI的普及。另外，部分行政力量的措辭方法可能也會打擊AI教師的積極性。我在十一學校之所以能夠將AI課程開展得非常順利，是因為我們學校對教師的學術尊重遠大于行政制約。但當我走出學校時，在行政層面我碰到過類似以下這些措辭：“××說了AI很重要，你們本就應該放棄休息時間貢獻力量”“你如果不想做，我會通知你們校領導”“你們必須在兩年內做出效果，五年時間太長”……這會讓本還想要做事的教師放棄。AI課程開發并不是教師的常規職責，在沒有激勵只有壓力的情況下，有能力的教師會選擇隱藏自己的能力。既然提到激勵，單純靠行政力量是遠遠不夠的。既然這是一個教育界的“攻堅難題”，那么就需要提供與“攻堅難題”相匹配的資源支持和激勵，這就需要大學和企業的幫助，如大學提供能夠切實提升教師AI課程開發能力的教師培訓、企業提供資源和資金支持等，還有高校研究機構和企業要為中小學開發更加好用的AI教學工具。

謝作如：對，這個生態要很多人一起去建設。我就認為，低門檻的AI學習工具和教學平臺很重要，尤其是教學資源，如數據集和各種AI科創項目?；氐角懊骊P于AI實驗的話題來。實施AI教育估計最大的困難在于算力，因為隨著學生能力的提升，他們會不再滿足于簡單的模型訓練，會嘗試去收集更多的數據集，訓練更復雜的模型來解決更多的問題。我甚至把一所學校是否購買了算力服務器看成是評價學校AI教育實施情況的一個重要指標，我知道北京十一學校購買了AI服務器作為開課的基礎。鄭老師，我想了解一下北京十一學校購買的初衷，以及現在的使用情況。

鄭子杰：我們購買服務器和GPU的初衷是為了滿足AI課程對算力資源的需求。一節課時間太短了，為了讓學生在課堂上能夠直觀地感受到訓練過程，模型訓練工作盡量要在5分鐘內完成。但是，即便采用CIFAR10這樣小規模的數據集，在普通筆記本電腦或一體機上也難以做到。因此，我們需要購買算力服務器，配置獨立的GPU。但因為預算并不寬裕，僅購置了兩臺服務器，每臺服務器配備了兩個4090系列的GPU。其中一臺主要用于日常教學，如部署OpenHydra這樣的教學資源分配平臺；另一臺則供學生在進行項目時使用，以便在離線環境下運行較為復雜的模型。如果項目涉及當前的大型語言模型，使用和購買線上資源會更加合適。由于af1f91ef03247ab846ee643e3942d2c4服務器剛購入幾個月，目前只在一臺服務器上部署了OpenHydra，另一臺服務器尚未投入使用。我個人認為，中學需要建立一個分級算力體系，明確在教學過程中學生可能遇到的不同場景以及所需的算力資源，然后決定是采用本地部署還是線上資源。在本地部署時，要區分哪些任務需要依賴服務器，哪些可以由普通臺式機完成。換句話說，我們應該先確定課程內容，然后再考慮與內容匹配的計算資源。

謝作如：的確如此，學有余力的學生去參加活動，和有條件的學校去買算力服務器，是一樣的邏輯——教育不能做一刀切，要個性化。前面的6個AI實驗是面向所有學生（初中生）設計的，對算力的要求不高，如卷積神經網絡實驗用的CIFAR10數據集的圖片尺寸只有32×32，但是這種方式訓練出來的模型幾乎沒辦法用來解決生活中的真實問題。以我們常用的MobileNet算法來說，數據集的圖片尺寸是224×224，對算力設備就有要求了。因此我們必須了解，雖然算力設備不是實施AI教育的剛需，但是學生一旦掌握了訓練的流程和能力，很快就會對算力產生迫切的需求。關于算力的問題，后續將邀請相關專家展開討論，敬請期待。

實施AI教育估計最大的困難在于算力，因為隨著學生能力的提升，他們會不再滿足于簡單的模型訓練，會嘗試去收集更多的數據集，訓練更復雜的模型來解決更多的問題。

學有余力的學生去參加活動，和有條件的學校去買算力服務器，是一樣的邏輯——教育不能做一刀切，要個性化。

我和毛勇博士結識，算起來已經有十多年了。他用Arduino做了一款機器人，組織了一個比賽，并寫了一本書。我參與了他的課程編寫工作，受益匪淺，也結下了深厚的友誼。在開發XEdu系列工具的時候，我怕走錯方向，就常常去請教他。去年他說要組織NOAI活動，我很支持，并且祝賀他回到了老本行——十多年后，一個AI博士終于可以開始做人工智能教育了。

至于鄭子杰博士，我們之前一直是神交，真正見面是今年初，我特意去北京十一學?？此膶W科教室，看AI教室的環境部署和算力服務器。記得在他開車送我的路上，我問了一個很尖銳的問題：為什么北大畢業后不去頂尖研究機構，卻選擇做一名中學教師？他說，我從小就有志向做一件很了不起的工作?？粗乙苫蟮谋砬椋盅a充道：“我認為現在中小學的數學教育存在與時代脫節的問題，很嚴重。我研究AI教育，是希望能促進基礎教育中數學學科的變革?！庇羞@樣的想法，真的很了不起。

我邀請毛勇和鄭子杰博士做本期對話，他們欣然答應。我們都知道，這次的對話內容其實挺尖銳的，有期待，也有批評。但是批評不是目的，批評是為了更好地發展。在人類步入智能計算時代的過渡階段，我們都有一種使命感：基礎教育必須順應AI的發展，我們培養出來的學生才能更好地引領未來。