生成式人工智能支持下簡易智能芯片設計的實驗教學環(huán)境搭建

中圖分類號：G434文獻標識碼：A論文編號：1674—2117（2025）19-0033-05

在人工智能技術重塑產業(yè)格局、驅動社會變革的時代浪潮下，培育能夠貫通理論創(chuàng)新與工程實踐、實現(xiàn)多學科融合應用的復合型人才，已成為支撐國家科技自立自強的關鍵力量。人工智能領域的創(chuàng)新突破既需要算法模型的理論突破，也依賴硬件系統(tǒng)的高效支撐，而兩者的深度融合則離不開跨學科思維的培養(yǎng)。在構建系統(tǒng)性的知識體系過程中，教師可以搭建較為簡易的實現(xiàn)智能芯片設計的實驗教學環(huán)境，讓人工智能算法學習與硬件電路設計實現(xiàn)有機銜接，使得學生在從數(shù)據(jù)采集、模型訓練到硬件實現(xiàn)的完整流程中，體驗多學科知識的協(xié)同運用。在生成式人工智能的支持下，即便在基礎教育階段的人工智能實驗教學中，學生也可以體驗機器學習算法，并能夠體驗將抽象的算法設計轉化為具體的硬件電路的實現(xiàn)過程，或者基于硬件電路特性實現(xiàn)加速優(yōu)化設計。這種實踐過程自然地將軟件與硬件知識融合起來，讓學生得以觸摸計算的本質，理解理論與實踐之間的深層聯(lián)系，有效促進學生形成系統(tǒng)級思維。

生成式人工智能賦能軟硬件融合的人工智能實驗教學

在高中通用技術課程中，電子控制技術選擇性必修內容包含了模擬電路、數(shù)字電路、常用傳感器、電子控制系統(tǒng)等知識，為學生掌握硬件電路原理、元器件特性提供了基礎，同時，教學內容中涉及單片機或電子開發(fā)板的編程控制等實踐技能，為軟硬件融合的人工智能實驗教學筑牢根基。部分省市教育部門更是明確鼓勵利用通用技術課程時間開展人工智能教學，從政策層面為具有跨學科特性的人工智能教學實踐打開了廣闊空間。

在生成式人工智能賦能下，以往高中階段難以開展的硬件描述語言學習有了全新的突破路徑。學生無需耗費大量精力熟悉復雜的語法規(guī)則與底層技術細節(jié)，只需將硬件功能需求清晰描述，人工智能便能快速生成相應的基于硬件描述語言的功能模塊。這一轉變使學生得以跳出技術細節(jié)的桎梏，將更多精力聚焦于整體系統(tǒng)架構設計，

課標探索

關注各模塊間的協(xié)同工作。學生可以看到抽象的機器學習算法“活了起來，在實體硬件設備上運行并發(fā)揮實際效用，解決現(xiàn)實世界中的具體問題，學生在直觀體驗人工智能高效解決問題的過程中，加深對其原理和應用的理解。與此同時，使用生成式人工智能的過程，本身就是一次深度體驗人工智能技術魅力的機會。

為更好地發(fā)揮生成式人工智能在教學中的作用，教師可采用項目式學習模式，以真實場景為驅動，引導學生在項目實踐中運用生成式人工智能完成軟硬件融合設計。通過小組協(xié)作、方案匯報、成果展示等環(huán)節(jié)，培養(yǎng)學生的團隊協(xié)作能力與創(chuàng)新思維。這里需要特別指出的是，在項目式學習過程中，人工智能既是實施項目的工具，又是項目實施的預定目標之一，甚至還能成為一種檢驗和評價工具，這體現(xiàn)了人工智能在教育中的多重價值。

值得注意的是，生成式人工智能雖然極大降低了硬件設計門檻，但也有其局限性。其生成的代碼可能存在準確性、效率、安全性等問題，學生仍需掌握基礎的硬件知識，學會對生成內容進行檢查與優(yōu)化，避免過度依賴技術工具而忽視基礎能力的培養(yǎng)。學生可以在使用生成式人工智能設計硬件模塊后，通過與傳統(tǒng)設計方式對比，進一步加深對硬件設計原理的認識。

簡易智能芯片設計的教學環(huán)境的搭建

搭建智能芯片設計實驗教學環(huán)境需要軟件和硬件兩方面的準備。在軟件環(huán)境方面，除了必要的生成式人工智能工具，可以配置Python機器學習開發(fā)環(huán)境，安裝scikit-learn、pandas等機器學習庫用于數(shù)據(jù)分析和模型訓練，并根據(jù)具體情況安裝神經網絡框架，然后，需要Verilog、VHDL、PyHDL等硬件描述語言開發(fā)和編譯環(huán)境，通常還需要電路搭建、仿真、綜合、布線等工具。一般來說，基礎教育領域的信息科技教師應對Python機器學習開發(fā)環(huán)境較為熟悉，但對芯片電路設計方面的軟件相對陌生。這里介紹一套經實踐驗證可行的軟件工具的配備方案：推薦使用開源的Icarus Verilog（或稱為iverilog）作為編譯器實現(xiàn)硬件描述語言的編譯，可以配合GTKWave進行波形查看，也可以使用開源的電路仿真軟件如DigitalJS、Digital，QUCS等來仿真運行硬件描述語言，如有條件，可通過開源工具鏈如“Yosys-nextpnr”等實現(xiàn)芯片的綜合與布線。在硬件方面，有多種實體的FPGA開發(fā)板可供選擇，也可以采用虛擬的FPGA模擬器。

實驗教學過程示例

實驗教學建議采用以“數(shù)據(jù)驅動”為線索的項目式學習，可分為四個主要階段。

第一階段：數(shù)據(jù)采集與整理。學生可采用已有的數(shù)據(jù)集，或者自行采集數(shù)據(jù)，然后為進行機器學習或神經網絡訓練對數(shù)據(jù)加以整理，無論是數(shù)據(jù)采集還是整理，都有可能需要生成式人工智能的幫助。

第二階段：模型訓練與驗證。學生使用常用機器學習庫訓練模型，如樸素貝葉斯分類器、決策樹分類器等，并驗證評估模型性能，理解算法原理，或者搭建不同的人工神經網絡進行訓練。

第三階段：硬件實現(xiàn)。學生將訓練好的模型轉換為硬件描述語言代碼，搭建外圍電路，實現(xiàn)用戶交互。

第四階段：仿真驗證。學生編寫測試用例，使用仿真工具進行功能仿真。

下面，給出兩個項目的活動過程的簡單介紹，分別是基于K近鄰算法的鳶尾花識別裝置和基于樸素貝葉斯算法的好瓜壞瓜判斷裝置。

1.鶯尾花識別裝置

該項目的目標是，采用硬件電路，基于K近鄰算法對經典的鳶尾花數(shù)據(jù)集中的三種鳶尾花進行分類。實施過程大致如下：

先下載并觀察經典的鳶尾花數(shù)據(jù)集，然后借助生成式人工智能工具，要求基于鳶尾花數(shù)據(jù)集生成可實現(xiàn)K近鄰算法分類的硬件描述語言。通常，生成式人工智能能夠準確地產生出硬件描述語言的代碼。不過，即便是用生成式人工智能必須指出的問題是，生成式人工智能生成硬件描述語言的代碼，并不是必然正確的，可以采取多種方法來提高生成代碼的準確性。一種方法，可以借助多個不同的生成式人工智能生成代碼，然后對代碼的輸入和輸出結果進行相互驗證；另一種方法，要求生成式人工智能不直接生成硬件描述語言的代碼，而是讓其生成一個通用性的代碼轉換器，再通過這個轉換器針對特定格式的數(shù)據(jù)生產硬件描述語言。這樣，就不用每一批新的數(shù)據(jù)都重新面對生成式人工智能準確性不夠高的問題，在這個過程中，學生可更充分體會到自動化的價值。

式來表示鳶尾花的種類（當然，也可以用2位二進制數(shù)來表達種類然后再進行解碼）等。圖1所示的是一套可供參考的輸入輸出的接口參數(shù)。另一個要點是，需要正確描述如何存儲鳶尾花數(shù)據(jù)集中的數(shù)據(jù)，如可以簡單采用8位寄存器來存儲數(shù)據(jù)可以讓生成式人工智能來批量生成這些寄存器的數(shù)據(jù)。圖2所示的是硬件描述語言中，對應原始的鳶尾花數(shù)據(jù)集（假設從0開始編號）的第48到第50號記錄的寄存器數(shù)據(jù)。其中，第48和49號寄存器的類別是0，對應山鳶尾，第50和51號寄存器的類別是1，對應變色鳶尾。為了提高硬件處理數(shù)據(jù)的效率，在寄存器中，所存儲的數(shù)據(jù)由原來的數(shù)據(jù)乘以10獲得。

接下來，是對生成的代碼進行仿真，有多種開源工具可以實現(xiàn)仿真，如在命令行終端中用vvp工具進行仿真，或者利用pyverilog、cocotb等庫在Python語言環(huán)境中進行仿真，仿真涉及的測試用例仍然可以借助生成式人工智能生成。圖3所示的就是在Python環(huán)境中運行基于硬件描述語言的鳶尾花分類器的運行效果。

生成代碼，仍然需要正確說明一些技術參數(shù)。例如，其中一個要點是，正確描述輸人和輸出的接口參數(shù)，這里是一種方案示例：這個裝置需要用1位二進制數(shù)來表示“開始識別”的輸入信號，用1位二進制數(shù)來表示“重置”輸入信號，用8位二進制數(shù)來表示鳶尾花的花萼長度、花萼寬度、花瓣長度和花瓣寬度輸入數(shù)據(jù)，用3位二進制數(shù)以獨熱碼形

仿真和測試工作在Python界面中進行的優(yōu)點是界面統(tǒng)一、操作簡單。當然也有明顯的缺點，仿真過程只是用文字符號或波形圖提供了輸入數(shù)據(jù)和輸出數(shù)據(jù)的對應關系，

無論是輸人輸出接口參數(shù)的設定，還是存儲數(shù)據(jù)寬度的設定，在這些過程中，信息科技教學中抽難以從普通用戶的角度感受到芯片所起的作用，另外，設計和仿真過程都在Python中完成，學生較難感受到實際的計算工作是由FPGA芯片來實現(xiàn)，而并不是由Python實現(xiàn)的。所以，更進一步，可以借助電路仿真軟件（注意這種仿真不同于硬件描述語言的仿真），來實現(xiàn)一種實時的可與外界環(huán)境協(xié)同的FPGA芯片行為的模擬，具體方法可參考下面的項目活動。

2.好瓜壞瓜判斷裝置

該項目的目標是，采用硬件電路，基于樸素貝葉斯分類算法，根據(jù)西瓜的特征，分辨好瓜或壞瓜。

首先下載西瓜數(shù)據(jù)集，在實際教學中，建議對數(shù)據(jù)集進行一些簡化，如上頁圖4所示。

用生成式人工智能工具，基于已有數(shù)據(jù)集，生成樸素貝葉斯分類的概率推導公式，并基于公式生成硬件描述語言代碼。為了提高硬件處理數(shù)據(jù)的效率，公式中的數(shù)據(jù)都乘以100轉換為整數(shù)。圖5是經計算獲得的概率分布參數(shù)。和剛才例子不同的是，樸素貝葉斯分類的推理依靠化約的模型，不需要在芯片中存儲所有的特征數(shù)據(jù)。所以，即便西瓜數(shù)據(jù)集中的記錄條數(shù)非常多，也不會占用更多芯片中的寄存器。

接下來，可以在生成式人工智能的幫助下，通過執(zhí)行相應的命令，對硬件描述語言代碼進行仿真并生成波形圖。對于如何理解波形圖的意義，高中階段的學生可能會存在較大的困難，所以，建議只是產生并展示波形圖，用以說明存在專業(yè)、嚴謹?shù)尿炞C工具即可。圖6所示的是好瓜壞瓜判別裝置輸入信號和輸出信號波形圖的局部。

然后，就可以使用電路仿真軟件為FPGA芯片配置用戶界面，完成后的裝置如第96頁圖7所示。這樣就可以輸入西瓜特征的編碼，獲得西瓜好壞種類的編碼。在電路仿真軟件中，可以和這個裝置進行互動，這樣能給予學生一種較強的正面反饋。

在本文介紹的實驗項目中，無論是鳶尾花分類還是西瓜好壞分類，都沒有涉及更底層的K近鄰算法和樸素貝葉斯分類算法的基本原理，算法的實現(xiàn)由生成式人工智能完成并封裝成模塊。這里不妨討論這樣的問題：如果實驗教學中并未涉及算法的基本原理（這里暫不討論的確將算法原理納入整體活動項目的情況），那么，學生在實驗中，有哪些素養(yǎng)得到了培養(yǎng)？筆者試著給出部分回答：從信息科技學科的角度，學生的計算思維通過二進制編碼設計硬件數(shù)據(jù)存儲方案等實踐得到鍛煉；數(shù)字化學習與創(chuàng)新能力體現(xiàn)為利用生成式人工智能工具高效完成硬件描述語言轉換與優(yōu)化，探索技術驅動的創(chuàng)新路徑；信息意識則表現(xiàn)為通過數(shù)據(jù)采集、模型可靠性驗證等環(huán)節(jié)，強化了對數(shù)據(jù)價值的敏感度。從綜合性素養(yǎng)來看，學生通過軟硬件協(xié)同設計培養(yǎng)系統(tǒng)思維，理解系統(tǒng)中模塊與整體功能的

圖6好瓜壞瓜判別裝置輸入信號和輸出信號波形圖的局部