本地算力服務器支持下的人工智能教學和實踐

中圖分類號：G434文獻標識碼：A論文編號：1674-2117（2025）09-0016-04

教育部辦公廳2024年發布的《關于加強中小學人工智能教育的通知》明確提出，要通過人工智能課程培養學生的創新精神與問題解決能力。然而，在中小學推進人工智能實踐教學的過程中，算力匱乏始終是制約課程開展的關鍵瓶頸。商業云服務高昂的成本、外網連接的不確定性以及學生終端性能的局限性，使得許多學校在人工智能實驗教學中只能停留在淺層體驗階段。

為突破這一瓶頸，筆者設計了一套基于算力支持的單元課程，幫助學生理解人工智能技術的核心原理和應用邏輯。下面，筆者以單元的最后一課《Embedding和文本分類》為例，辨析本地算力服務器在中小學人工智能課堂中的價值與意義。

核心內容設計：讓計算機讀懂文字

人類通過字詞的排列組合理解語義，而計算機同樣需要用各種算法提取出文字特征來理解文本。早期人們通過統計詞頻來分析文本的特征，現在常用詞嵌入技術，其流程是先將字詞轉換為多個數值的列表（數學上的向量）（如下頁圖1），在經過深度學習模型訓練后，語義相近的詞數值也更加相近。

以常見的詞嵌入模型為例，訓練一個包含10萬詞匯的Word2Vec模型需要進行數百萬次矩陣運算；而基于Transformer架構的現代語言模型（如GPT-3等），其參數規模已達1750億（175B）甚至更大，也需要將字詞從文本轉為數字向量，再判斷可能的輸出詞，其單次推理就需要調用數以億計的參數。這些計算任務遠超普通教學終端的處理能力，因此，強大的算力支持變得至關重要，只有具備足夠的計算能力，才能讓計算機快速處理海量文本數據，真正實現從“能讀”到“會懂'的跨越。

本課是“人工智能跨學科項目入門”單元的總結課，本單元涵蓋機器學習基礎、感知機、神經網絡等核心概念（如圖2），并通過實踐項目幫助學生設計解決實際問題的智能應用。

學生已具備一定的機器學習知識，熟悉詞嵌入和向量比較原理，但尚未將文本向量化與分類模型訓練結合。學生熟悉OpenHydra平臺和Jupyter編輯器，可完成復雜模型訓練任務并分析報錯原因。

基于以上考慮，確認本課教學目標如下。

信息意識：培養對人工智能技術的敏感性和認知能力，理解詞嵌入和文本分類的技術原理及其在實際問題中的應用價值。

計算思維：通過調用預訓練模型和優化本地數據集，培養分析問題、設計算法、優化模型的能力，提升邏輯推理和問題解決能力。

數字化學習與創新：借助本地算力平臺和編程環境，能夠高效完成文本分類任務，自主探索機器學習算法，培養技術實踐能力和創新能力。

信息社會責任：通過解決校園管理中的實際問題，理解人工智能技術的社會意義，培養技術倫理意識和社會責任感。

硬件配置與本地算力教學平臺

針對上述問題，筆者所在學?？苿搱F隊采購了算力服務器，在其基礎上部署了校本算力管理平臺，不僅解決了算力匱乏的問題，還極大地提升了教學效率。

1.硬件

算力服務器專為處理復雜的計算任務而設計，它通常配備高性能的GPU（圖形處理單元），如筆者所在學校配置的算力服務器配有兩張TeslaT4顯卡，擁有32GB顯存，這些GPU能夠加速深度學習和機器學習算法的訓練過程，使學生能夠在短時間內完成復雜的計算任務。服務器操作系統一般選擇Linux系統，也有配備Windows系統的工作站可供選擇，適合初學者和對特定軟件有需求的用戶。

在預算范圍方面，根據市場調研和實際需求，中小學校部署一套能滿足課堂深度學習教學的本地算力服務器的預算通常在2萬元至5萬元之間。

2.OpenHydra平臺的優勢

在擁有硬件后，還需安裝特定軟件以實現算力分割功能，才能支持多個小組同時開展人工智能實驗。算力分割允許多個用戶或任務共享同一物理計算資源，而不會相互干擾，每個虛擬計算單元可以獨立運行不同計算任務，實現資源高效利用和任務并行處理。平臺中教師管理頁面如圖3所示。

除算力分割功能外，平臺還支持常規教學模塊與課程資源模塊。學生可以在瀏覽器中訪問平臺，點擊創建容器開始實驗（如圖4）。每個賬號擁有獨立的編程環境與文件目錄，也可為多人小組分配同一個賬號進行協作實驗。

在傳統教學模式下，教師需在不同設備上配置實驗環境，耗時費力且容易出現兼容問題，而容器化技術實現了“一次配置，多次使用”，顯著提升了教學效率。

教學過程與活動設計

1.課題導入與情境創設

課堂伊始，教師通過校園管理中的真實場景導人：校長信箱每月收到數百條學生反饋，涵蓋食堂、課程、宿舍等多個領域。接著，提出問題“如何讓計算機自動理解這些文本并精準分類”，通過課前收集的待分類數據集，讓學生直觀感受文本分類技術的應用價值。

2.預訓練模型調用

（1）詞嵌入原理講解

教師先通過動畫演示詞嵌入原理，結合物理中向量運算類比解釋語義運算（如\"國王-男人+女人≈ 女王\"），讓學生體驗向量運算的邏輯，再使用可視化工具展示字詞之間的相關性，幫助學生理解語義相近的詞在向量空間中的位置關系。

在隨后的實踐活動中，學生通過調用互聯網上的預訓練模型，對校長信箱文本數據進行向量化與文本分類，學生能夠在文件目錄中看到簡單分類后的結果（如下頁圖5）。

在這一過程中，本地算力服務器發揮了關鍵作用：上百條文本的向量化過程原本需要數十分鐘，如今在學生的瀏覽器上僅需數秒即可完成，讓學生能夠實時觀察到運算

多層感知機（MLP）和 1sec.ago 鑫尾花數集因其樣本。在中、斷、分類問題eML單，一了多入門級機器學習數圓基于果物的K近鄰分類.ipy.. 1 sec. ago 尾花的三個品種進行識別，驗證多層感知機（MLP）的分類性能。圓樸素貝葉斯和天氣預報.p.. 1 sec. ago圓支持向量機（SVM）和手. 1 sec. ago 1）實驗資源·data/iris.csv2）實驗目的·通過自主探究，可以理解多層感知機的基本原理，知道多層感知機可以運用鳶尾花分類任務：·通過使用BaseML搭建多層感知機分類器，掌握搭建多層感知機分類器的基礎代碼：·通過對模型參數的調整，能夠解釋重點參數的含義以及對于模型效果的作用。3）實驗內容0實驗一：使用多層感知機搭建并訓練鳶尾花分類模型 寸SimpleO 01 Python 3 （ipykernel） ↓ ldle Mode： Command Ln1，Col1多層感知機（MLP）和尾花分類.ipynb1

（2）實踐操作

結果結果。

3.模型的二次優化

雖然通過調用現成模型能夠獲取分類結果，但仍存在分類錯誤的問題。如“一鳴”便利店實際開設位置在食堂附近，但對于互聯網上的模型，詞庫中并不存在該建筑的地理位置信息，有關“一鳴”的建議就被隨機分到了“食堂”“寢室”等任意分類方向，此時就需要手動標注數據，生成一個本地化的數據集。

經過了“自動生成類別”的操作，再對上圖中的標簽進行微調，之后就可以將數據投入機器學習模型，讓其再次分類（如圖6），得到一個更加準確的機器學習模型。

為了讓學生快速回憶起機器學習的相關訓練流程，教師在公共課程文件夾中提供了“常見機器學習分類方法及其程序實現”的資源，每個程序文件中都包含了完整的算法講解與實際情境。資源目錄如下： ① 多層感知機（MLP）和鳶尾花分類； ② 基于果物的K近鄰分類；③ 樸素貝葉斯和天氣預報； ④ 支持向量機（SVM）和手勢分類（關鍵點檢測）。

學生兩人一小組，每組自行選擇一種機器學習方法進行學習，在學習完簡單案例后，替換代碼與數據集，用機器學習的算法完成文本數據的分類。

4.展示分享

在課堂最后，在教師提供的資源支架下，大部分小組能訓練出一個機器學習模型，在程序中看到新模型的分類效果。教師邀請部分小組展示分類模型應用情況，分享模型優化策略。

課后反思：中 小學人工智能教學的 算力困境與突破

算力是人工智能教育的底層支撐，但中小學校長期面臨算力匱乏的困境。筆者曾嘗試使用云端平臺進行模型訓練，但由于并發限制和網絡波動，學生經常無法完成實驗。這種“時斷時續”的教學體驗嚴重限制了課程開展的深度與廣度。

本地算力支持下的課堂教學能高效訓練模型，在結合適當的算力管理平臺后，還能擁有如下優勢：教師統一分發賬號，免去注冊與登錄流程，保障學生學習文件歸屬與連續性；虛擬助教提供個性化指導；豐富的公共課程與數據集助力學生自主學習跨學科內容。

許多中小學教師對算力部署存在顧慮，認為其部署流程復雜且成本高昂。然而，實踐證明，本地算力服務器的部署并不復雜（購置設備后安裝操作系統），成本也在可承受范圍內。通過算力支持，學生能夠深入參與模型訓練和算法優化，真正實現從“體驗”到“實踐”的轉變。算力不僅是技術支撐，更是解決人工智能課堂教學“淺層化、表面化”難題的利器，助力青少年在基礎教育階段了解“數據收集一模型訓練一模型部署”的人工智能應用邏輯。