人工智能教學的國際接軌探索

李春庚

（大連海事大學信息科學技術學院，大連116026）

0 引言

當前人工智能（Artificial Intelligence，AI）無論在平常百姓的日常生活里，還是在專業科研工作者的科研工作中，也還是在社會生產和經濟活動中，都是非常流行的潮詞。

從應用角度說，人工智能是在計算機控制下的機器設備能夠像人那樣完成各種工作。“像人那樣”意味著具有很強的環境適應性，具有學習能力，能夠解決非確定性的問題。

從科學研究的角度說，人工智能是以計算機和機器為工具，表示和產生人的智慧的科學。

從1956年達特茅斯會議上人工智能被正式提出，經過了60多年發展，人工智能已經取得了巨大進步，在特定領域和應用中已經能夠代替人的基本工作。如人工智能系統應用于銀行業務中，使得原來非常耗時費力的系統性、規范化的繁雜業務變得快捷和準確。在人工智能系統的幫助下，醫學上已經有了虛擬個人健康助理。在大型工業企業中，人工智能系統通常是生產單元的一部分。工業機器人可以給工件塑形，可以代替傳送帶將工件從一個工位準確地搬移到另一個工位。人工智能系統對機場航班管理，準確無誤，保證安全。人工智能在外科手術中，提高了手術的成功率。類似的情景還有很多。人工智能的如此應用給生活和生產帶來很大的變化，減少了人力付出，使生活充滿樂趣，使生產更加高效。

即使這樣，人工智能和人的智能差距還很大。我們期待將來更先進、更高級的人工智能系統。在某個特定領域，能夠通過復雜計算，準確高效完成高難度的工作；能夠適應不同的，變化的環境，完成各種人類才能夠勝任的更復雜的工作；具有情感，能夠感知其他系統和人的感情。

今天計算機硬件性能的快速提高，計算機網絡的迅速普及，給人工智能的發展提供了前所未有的物質前提。社會經濟發展的瓶頸，人類生活方式的變化，又給人工智能發展提供了社會層面上的迫切需求。世界各國都投入大量的人力物力，在科學技術層面和產業層面上大力發展人工智能。人工智能很可能就是下一次工業革命的原動力。

1 人工智能教學的作用和意義

中國是發展中國家。在多數傳統科技領域，由于歷史的原因，我國和發達國家一直有差距，甚至是很大的差距，我們一直在費力地追趕。正是這些差距，限制了中國的發展，影響了人民的幸福。無論在科學研究，還是產業發展，人工智能都是新興領域，我們和發達國家沒有本質差距，在一個起跑線上。人工智能很可能是下一次工業革命的原動力，我們有可能實現彎道超車。

為搶抓人工智能發展的重大戰略機遇，尤其在中國的當下，我們的經濟結構面臨調整，我們的產業結構需要轉型。人工智能無疑是實現“中國制造2025”總體目標的重要源動力之一。為了構筑我國人工智能發展的先發優勢，加快建設創新型國家和世界科技強國，2017年7月8日國務院印發的《新一代人工智能發展規劃》。2018年4月2日，教育部印發《高等學校人工智能創新行動計劃》，提出要完善人工智能領域人才培養體系，完善學科布局、加強專業建設、教材建設、人才培養，推動人工智能領域一級學科建設。當前迫切的任務是大學的人工智能教學必須為產業培養出足夠的，合格的各個層次的人工智能方面的人才。

在教育層面上，政府有關部門已經做了大量的工作，已經為教學的展開做好了管理上的準備工作。以后重要的工作要體現在教學部門——學校的具體教學工作中。

2 國內外人工智能教學歸納總結

2.1 人工智能的教學對象

雖然北京、上海等教育發達地區已經開始在中小學試點人工智能教學，全世界范圍內，人工智能的教學活動主要是在大學中開展的。通常有如下三個層次：①計算機科學與技術，軟件工程等傳統相關專業的本科人工智能教學；②智能科學與技術專業，數據科學與大數據技術等新興相關專業的本科人工智能教學；③計算機及相關專業（計算機科學與技術，軟件工程，控制理論與控制工程，信號與信息系統等）的碩士人工智能教學。由于還沒有人工智能學科，所以還沒有純粹的人工智能本科和碩士專業。人工智能教學是分散在相關的各個專業中，是以研究方向存在的。

2.2 人工智能的教學內容

人工智能屬于社會科學和自然科學的交叉，涉及數學、心理學、神經生理學、信息論、計算機科學、哲學和認知科學、不定性論及控制論等。研究范疇包括自然語言處理、機器學習、神經網絡、模式識別、智能搜索等。應用領域包括機器翻譯、語言和圖像理解、自動程序設計、專家系統等。在各個大學里，研究方向的不同，應用領域的不同，對學生培養目標的不同，教學內容也是很大同。這一點我們可以從國內外各大學為人工智能相關方向的學生開設的課程得到證實。

中國科學院大學[1]為“控制科學與工程”一級學科的碩士研究生開設了：模式識別、圖像處理與分析、自然語言處理、機器人學、現代控制理論、人工智能原理等核心課程；為“模式識別與智能系統”二級學科碩士研究生開設了：模式識別導論、視頻處理與分析、深度學習、生物特征識別、計算機視覺、腦網絡組學基礎及應用、智能人機交互、語音識別技術、交互式可視分析、多媒體分析與理解、虛擬現實、機器學習導論、大數據智能、情感計算、人工智能中的信息理論、語義計算與深度學習等專業普及課程；為“控制理論與控制工程”二級學科的碩士研究生開設：機器人智能控制、智能傳感與信息處理、機器人機構學、機器人系統設計、仿生機器人技術、最優控制理論、智能控制、復雜系統導論、預測控制等專業普及課。此外各個二級學科還開設了更接近實際應用研究的專業研討課。

美國西北大學為人工智能科學（Master of Artificial Intelligence）專業的碩士生開設[2]：認知建模導論（Introduction to Cognitive Modeling）、機器人實驗室簡介（Introduction to Robotics Laboratory）、數據管理和信息處理（Data Management and Information Processing）、人工智能程序設計（Artificial Intelligence Programming）、人機交互（Human computer Interaction）、計算機視覺導論（Introduction to Computer Vision）、語言信息處理導論（Intro to Semantic Information Processing）、智能信息系統實踐（Practicum in Intelligent Information Systems）、數據庫導論（Intro to Databases）、問題求解器的設計（Design of Problem Solvers）、人工智能導論（Intro to Artificial Intelligence）、機器學習（Machine Learning）、音樂和語音的機器感知（Machine Perception of Music&Audio）、知識表示和推理（Knowledge Representation and Reasoning）、機器人導論（Intro to robotics）、軟件項目管理和開發（Software Project Management&Development）、虛擬人物的認知模擬（Cognitive Simulation for virtual Characters）、高級計算機視覺（Advanced Computer Vision）、神經網絡（Neural Networks）、機器人的機器學習與人工智能（Machine Learning and Artificial Intelligence for Robotics）、用多智能體的語言設計和構造模型（Designing and Constructing Models with Multi-Agent Languages）、從零開始深度學習（Deep Learning Foundations From Scratch）、計算學習理論介紹（Introduction computational Learning Theory）、Web信息檢索與提取（Web Information Retrieval and Extraction）、人類水平人工智能（Human-Level Artificial Intelligence）、協同理論（Collaboration Technology）、計算語言學導論（Introduction to Computational Linguistics）。

剛招生的南京大學人工智能學院為新生開出了：數學分析（一）、高等代數（一）、離散數學、程序設計基礎、人工智能企業實現（一）、人工智能導學等課程[3]。

我們看到，中國科學院大學是給特定的一級學科和二級學科碩士研究生開設的課程，是明確圍繞著該校的研究領域的。美國西北大學是一個人工智能碩士項目，沒有太明確的研究方向，所以開設了大量能開出的和人工智能相關的課程供學生選擇。把研究方向留給學生的興趣去決定。而南京大學人工智能學院的本科一年級課程則明確在打數學基礎。

當前大量的人工智能教學面對的是計算機相關專業（如計算機科學與技術、軟件工程、自動化、電子信息科學與技術等）的本科或碩士生。他們將來很可能從事人工智能相關的工作。通常是一個學期的一門課，教學內容既要全面，兼顧人工智能的導引，包含人工智能的各個方面，又要在某些方面深入理論分析和實踐練習，為學生以后的發展做好鋪墊。

如浙江大學的《人工智能概論》課[4]，教材采用拉塞爾（Stuart Russell）、諾文（Peter Norving）著，姜哲等譯。《人工智能——一種現代方法》（第二版），人民郵電出版社，ISBN：7-115-12228-8，2004 年。課程要求：①了解人工智能的研究內容和發展歷史；②掌握智能主體的概念和結構；③掌握樹搜索算法，盲目搜索策略和最好優先搜索策略；④掌握一階邏輯推理和規劃算法；⑤掌握貝葉斯網絡及貝葉斯網絡推理；⑥掌握神經網絡算法和決策樹方法。

我們能夠找到的其他院校人工智能課程，課程名稱有的叫“人工智能理論與應用”，有的叫“人工智能”，也有的叫“人工智能原來及其應用”。采用的教材有王萬森編著的《人工智能原理及其應用》，電子工業出版社，2012年9月第一版；蔡自興等編著的《人工智能及其應用》，清華大學出版社，2010年2月第四版；廉師友編著的《人工智能技術導論》，西安電子科技大學出版社，2002年7月第二版；王士同主編的《人工智能教程》，電子工業出版社，2006年2月，第二版。各個學校的主要教學內容和浙江大學基本相同。有的學校還增加了專家系統和機器學習等內容。

在我們能找到資料的國外大學中，只有美國的詹姆斯麥迪遜大學（James Madison University）[5]，采用 Artificial Intelligence：Foundations of Computational Agents,2nd Edition,David Poole and Alan Mackworth,Cambridge University Press,2017.為教材；日本會津大學（University of Aizu）[6]的教材是 Qiangfu ZHAO and Tatsuo Higuchi,Artificial Intelligence：from fundamentals to intelligent searches,Kyoritsu,2017,ISBN：978-4-320-12419-6(in Japanese)。其他多數大學，如瑞典的于默奧大學(Umea University)[7]和包括卡內基梅隆大學（Carnegie Mellon University）[8]、愛荷華州立大學（Iowa State University）[9]、馬里蘭大學（Maryland University）[10]等20多所美國大學都是以Artificial Intelligence,A Modern Approach,3rd Edition,by Stuart Russell and Peter Norvig[19]為教材。斯坦福大學（Stanford University）[11]和哥倫比亞大學（Columbia University）[12]，沒有指定教材，但該教材是第一參考書。各個大學都在講述該教材的基本內容后，結合教授的研究領域，深入探討其中的若干章節，使學生在對人工智能廣泛了解的基礎上，通過特定領域的深入學習和實踐，為后續的深入學習打好基礎。

紐約大學（New York University）[13]的人工智能課分9個專題講解：

（1）Introduction（引言）(Russell and Norvig,chaps 1&2)；

（2）Prolog（用于人工智能的編程語言）(Bratko,chaps 1,2,3,5)；

（3）Natural Language Processing（自然語言處理）(Russell and Norvig,chaps 22&23)；

（4）Search（搜索）(Russell and Norvig,chap 3;Bratko chap 11)；

（5）Game Playing（博弈）(Russell and Norvig,chap 5)；

（6）Learning（學習）(Rusell and Norvig,chaps 18&19)；

（7）Automated reasoning（自動推理）(Russell and Norvig,chap 6-8;Bratko secs 14.4,14.8)；

（8）Planning（規劃）(Russell and Norvig,chap 11)；

（9）Vision and Robotics（視頻和機器人）(Russell and Norvig,chaps 24,25)。

南加利福尼亞大學（University of Southern California）[14]的 28個專題如下：

（1）Welcome（歡迎詞）– Introduction.Why study AI?What is AI?The Turing test.Rationality.Branches of AI.Brief history of AI.Challenges for the future.What is an intelligent agent?Doing the right thing(rational action).Performance measure.Autonomy.Environment and agent design.Structure of agents.Agent types.

（2）Problem Solving&Search（問題解決和搜索）–Types of problems.Example problems.Basic idea behind search algorithms.Complexity.Combinatorial explosion and NP completeness.Polynomial hierarchy.

（3）Uninformed Search（盲目搜索）-Depth-first.Breadth-first.Uniform-cost.Depth-limited.Iterative deepening.Examples.Properties.

（4）Continue uninformed search（連續無啟發搜索）.

（5）Informed search（啟發式搜索）-Best-first.A*search.Heuristics.Hill climbing.Problem of local extrema.Simulated annealing.

（6）Continue Informed search（連續啟發式搜索）.Genetic Algorithms.

（7）Game Playing（博弈）-The minimax algorithm.Resource limitations.Alpha-beta pruning.Chance and non-deterministic games.

（8）Constraint satisfaction（約束滿足）.Node,arc,path,and k-consistency.Backtracking search.Local search using min-conflicts.

（9）Agents that reason logically 1（邏輯推理的代理1）-Knowledge-based agents.Logic and representation.Propositional(boolean)logic.

（10）Agents that reason logically 2（邏輯推理的代理1）-Inference in propositional logic.Syntax.Semantics.Examples.

（11）First-order logic 1（一階邏輯 1）– Syntax.Semantics.Atomic sentences.Complex sentences.Quantifiers.Examples.FOL knowledge base.Situation calculus.

（12）First-order logic 2（一階邏輯 1）– Describing actions.Planning.Action sequences.

（13）Building a knowledge base（建立知識庫）–Knowledge bases.Vocabulary and rules.Ontologies.Organizing knowledge.

（14）Inference in first-order logic（一階邏輯推理）–Proofs.Unification.Generalized modus ponens.Forward and backward chaining.

（15）Continue Inference in first-order logic（一階邏輯中的連續推理）.Resolution.Proof by contradiction.

（16）Logical reasoning systems（邏輯推理系統）–Indexing,retrieval and unification.The Prolog language.Theorem provers.Frame systems and semantic networks.

（17）Planning（規劃）– Definition and goals.Basic representations for planning.Situation space and plan space.Examples.

（18）Fuzzy logic（模糊邏輯）–concepts,fuzzy inference,aggregation,defuzzyfication.

（19）Learning from examples（樣例學習）– supervised learning,learning decision trees,support vector machines.

（20）Learning with neural networks（神經網絡學習）–perceptrons,Hopfield networks.How to size a network?What can neural networks achieve?

（21）Advanced concepts in neural networks（神經網絡中的高級概念）–convnets,deep learning,stochastic gradient descent,dropout learning,autoencoders,applications and state of the art

（22）Reasoning under uncertainty（不確定性推理）–probabilities,conditional independence,Markov blanket,Bayes nets.

（23）Continue Reasoning under uncertainty（不確定性下的連續推理）–Probabilistic inference,enumeration,variable elimination,approximate inference by stochastic simulation,Markov chain Monte Carlo,Gibbs sampling.

（24）Probabilistic decision making（概率決策）–utility theory,decision networks,value iteration,policy iteration,Markov decision processes(MDP),partially observable MDP(POMDP).

（25）Probabilistic Reasoning over time（概率決策的時間歷經性）：Temporal models,Hidden Markov Models,Kalman filters,Dynamic Bayesian Networks,Automata theory

（26）Probability-Based Learning（概率學習）：Probabilistic Models,Na飗e Bayes Models,EM algorithm,Reinforcement Learning.

（27）Natural language processing（自然語言處理）–language models,information retrieval,syntactic analysis,machine translation,speech recognition.

（28）Towards intelligent machines（邁向智能機器）–The challenge of robots：with what we have learned,what hard problems remain to be solved?Different types of robots.Tasks that robots are for.Parts of robots.Architectures.

哥倫比亞大學（Columbia University）[12]講解如下內容：

（1）Introduction.Course Logistics.Background and History of AI.（引言。課程邏輯體系。AI的背景和歷史）

（2）Intelligent Agents.Uninformed Search.（智能體，無啟發搜索）

（3）Heuristic Search（啟發式搜索）

（4）Game Playing.Adversarial Search.（博弈，對抗搜索）

（5）Constraint Satisfaction.（約束滿足）

（6）Logic and Reasoning.Propositional Logic and Predicate Logic.（邏輯和推理，命題邏輯與謂詞邏輯）

（7）Probabilistic Reasoning and Decision Making.Bayesian Networks.（概率推理與決策。貝葉斯網絡）

（8）Machine Learning：Basics.Naive Bayes.Decision Trees.（機器學習：基礎。樸素的貝斯。決策樹）

（9）Machine Learning：Linear regression.Perceptron.Neural Networks.（機器學習：線性回歸。感知器。神經網絡）

（10）Neural Networks.Deep Learning.Convolution NN.（神經網絡。深度學習。卷積神經網絡）

（11）Reinforcement Learning.（強化學習）

（12）Applications：NLP（應用：NLP）.

（13）Future of AI.Hard Problems.AI and Society(Benefits&Risks).（人工智能的未來。困難的問題。人工智能與社會）

對比紐約大學、南加利福尼亞大學和哥倫比亞大學的教學內容，它們都是以教材Artificial Intelligence,A Modern Approach,3rd Edition,by Stuart Russell and Peter Norvig[19]的內容為主線，各個教學專題都是出自教材，但教學內容有所取舍。

有的大學的教學日歷中還使用了tentative（試探性的）或provisional（暫定的）詞匯。說明教學內容還會在執行過程中有所調整。這也間接證明，教學本身具有研究性、動態性。

綜合國內外多所大學人工智能課的教學內容，得到的結論是，國外（主要美國）多數大學都用同一本權威教材，各大學講授的核心內容基本一致，但也有不同的取舍。一個重要的原因是，人工智能是一門涉獵范圍很廣的交叉學科，在有限的時間內不可能面面俱到；其次，開課大學專業特色，開課教師的研究領域也是確定課程講授范圍和深入程度的一個重要原因；還有，學生的培養目標和層次也是決定課程講授內容的重要因素。

2.3 人工智能的教學方法

由于人工智能教學內容范圍廣，概念抽象，數學基礎要求高等原因，要想得到好的教學效果并不容易。多年來，從事人工智能教學的教師一直在為了好的教學效果不斷探索合適的教學方法。

韓潔瓊[15]等認為學生的學習興趣是提高教學效果的首要因素，所以，他在教學中首先會找到相關人工智能的應用實例，給學生演示，和學生互動來激發學生的學習興趣。如專家診斷系統。其次，他在教學中重視多媒體教學。用動畫演示推理過程。另外，他還重視實驗，在不多的實驗時間內，讓學生開發一個小的專家系統。陳白帆等[16]在優化教學內容基礎上，細化實驗教學。將實驗分為：①實際硬件和軟件實驗，要求用C或C++或Java等語言實現；②虛擬實驗，由人工智能網絡課程提供，可以在網上進行。在課堂教學環節，，除多媒體課件和網絡課程外，還給學生提供了相關參考資源，包括：①課程相關的國外雜志和書籍目錄，重要的參考文獻。②人工智能相關的網絡資源，如網站、新聞組、BBS等。它們包括了大量的文獻資料、討論、本領域研究的前沿動態等。③人工智能課程相關的演示動畫和實驗等。為了提高學生的學習興趣，①通過有趣難題或游戲的說明來進行理論知識的講解。如通過八數碼問題說明狀態空間法、梵塔問題說明問題歸約法等。又如，通過人臉或指紋識別問題來引出神經網絡理論，從而講解神經網絡學習方法等。②購買多種類型的人工智能產品實物，如漫游車、多功能歌舞機器人、機器狗、Amigo移動機器人等，用于演示和輔助說明課程中理論和方法的實際應用，避免了理論講解的乏味和空洞，有助于學生理解和保持興趣。另外，他還采用雙語教學來助推學生跟蹤世界研究發展前沿，使學生養成參考英文書籍，閱讀英文文獻的能力，也進一步提高了學生的學習興趣。

Deepak Kumar和Lisa Meeden[17]在多年的人工智能教學中，深刻體會到，由于人工智能是多個學科的交叉，涉及到寬泛的技術和不同的理論，沒有統一的思想方法。他們將人工智能的教學圍繞機器人實驗應用展開。因為人工智能的多數理論和技巧都是機器人應用的某些方面所涉及的內容。讓學生在實驗室里制作機器人，給機器人編寫控制程序，實現各種任務。這種以機器人實驗為中心的教學方法，極大地激勵了學生的學習熱情，因為讓學生體驗到了自己的成功。Asuncion Gomez和Natalia Juristo在西班牙馬德里綜合技術大學（Polytechnic University of Madrid，Spain）采用專題討論的方式講述人工智能[18]。

通過美國大學網站，發現各個大學的教學也各有特色。如紐約大學在教學中非常重視基本問題的Prolog編程訓練[13]。學校教學網站提供了6個問題集（Problem Sets）和相應的解決方法參考。愛荷華州立大學[9]的人工智能課明確了教材[19]中的哪些練習題必須完成。非常強調通過練習題，理解原理。課程結束前，要求學生在教師和助教的指導下，完成一個自選項目，最后提交項目報告并希望班級展示。斯坦福大學[11]的人工智能課教學內容非常寬泛，沒有教材，提供了多本參考書。課程最后成績，考試只占20%。作業占60%，課程項目占20%。加利福尼亞大學[14]非常強調文章閱讀，教學的多個部分，都要求閱讀這部分知識內容的代表性科技論文。詹姆斯麥迪遜大學的人工智能教學與眾不同的是強調學生在課后對教材的閱讀和全美其他大學相關教學視頻的觀看[5]。馬里蘭大學[10]的人工智能教學網站內容簡單，但一開始就強調教學大部分是按照加利福尼亞大學伯克利分校的AI課程進行，給出了鏈接，讓學生參考伯克利的網站（We'll be(largely)following the Berkeley AI materials;you can also refer there for more info！）。可見教學是非常開放的。

3 人工智能教學的展望和探索

通過對國內外大學人工智能課教學內容和教學方法的歸納和總結，我們知道了，由于人工智能知識是多學科的交叉，涉及的教學內容廣，應用的領域寬泛；接受教學的學生層次多樣等原因，不存在一種或幾種教學安排是最合理的。合理的人工智能教學，應該是動態的，是根據各方面因素不斷調整的。我們認為主要應該考慮以下方面。

3.1 國際接軌

隨著改革開放的深入，中國不但在經濟政治領域和世界深度融合，教育，尤其是高等教育也愈發深度融入世界整體教育體系。在高等教育的各個學科分支中，人工智能是新興的，相比其他領域我們落后不多，但我們還是落后的。人工智能起源于美國；當前多數人工智能的原始算法都不是我們提出的；谷歌的AlphaGo戰勝圍棋名將；IBM的Watson在電子、能源、教育、汽車、醫藥等各行業或領域的應用都很好地證明了以美國為代表的西方國家的領先。所以，我們的人工智能教學一開始就應該和國際接軌，在參考學習中不斷修正自己，避免被越拉越遠，“中國特色”是對的，但絕對不能標新立異，花架子地過分強調“中國特色”。我們應參考美國等發達國家，來調整我們的人工智能教學層次，安排教學內容，靈活應用教學方法。使人工智能的教學工作不僅僅“熱”，而且要“實”。人工智能教學國際接軌的一項有效手段是雙語教學。由于英語四六級考試的存在，學生普遍重視英語學習。雙語教學可以很大程度提高學生的學習積極性。通過雙語教學，讓學生具有用英語學習人工智能的能力。通過布置作業等方式，鼓勵學生登錄國外大學著名實驗室網站，注冊登錄行業內都關注的人工智能論壇、網絡社區。向國際同行學習，參與國際交流。因為人工智能是多學科的交叉，又應用于非常廣泛的領域，課堂教學不可能精深到方方面面，更多的是基本原理、基礎應用的分析和介紹。將來學生會走入人工智能的哪個領域，只能靠學生自己的興趣和工作中的實際需要。

3.2 多層次，多學科，多專業和多應用領域有機融合

人工智能是一個多交叉學科，應用的領域更是跨越了工程、經濟和管理等社會生活的各個方面。這就決定了搞好人工智能教學不是僅僅一門課的問題，而是多層次，多學科，多專業和多應用領域密切配合，高效協作的系統性問題。這個系統怎樣組建是當前人工智能教學的核心問題。我國的教育主管部門和一些學者主張建立人工智能一級學科[20]。國家標準GBT13735-92依據學科研究對象、研究特征、研究方法、學科的派生來源、研究目的、目標等五個方面對學科進行分類。學科的另一種含義：指高校教學、科研等的功能單位，是對高校人才培養、教師教學、科研業務隸屬范圍的相對界定。學科建設中“學科”的含義側重后者。人工智能是眾多學科的交叉，筆者認為，非要把本來屬于不同學科的人員，課程和應用捏合到一起是沒有意義的。真正有意義的是從事不同學科的教師和研究人員工作中的積極深入交流和合作。管理者為實現這種交流與合作創造環境和機會；研究者要理解交流與合作的意義，進而形成氛圍。這樣才能打破學科的壁壘，也不受學院、系及實驗室等行政單位的隔離。只有教課、選課無界限，教師可以跨越學科、學院系上課，學生跨越選課，人工智能及類似的廣泛交叉科學的教學才能真正系統合理地展開。

人工智能以多個學科作為其基礎，人工智能也應用于社會生活和生產的眾多領域。來自各個學科，從事不同應用領域的研究者們的合作當然可以產生創造性，但我們也不應該忽視人工智能在側重于某一個學科或某一個研究領域的深入發展。更主要的是一所大學，不可能涉獵人工智能的各個領域，通常只在其中的一個或幾個方面更擅長，有長期從事研究的教師，有專業實驗室。所以，教學中應該在保證基礎知識覆蓋面的基礎上，對擅長的領域深入講解，并配合實驗。使學生不但了解了人工智能的各個方面，而且深入學習了某一個或幾個領域。重要的是通過這一個或幾個領域的深入學習，掌握了深入研究的科學方法，激發了對科學，對人工智能發自內心深處的興趣。

對于當前階段，我國高校計算機相關專業本科和碩士研究生開設的通識性的人工智能課，通常課時不多，有專業人工智能實驗室的也不多，所以在基礎理解和方法講授基礎上，大作業就顯得尤為重要。為了開闊學生的視野，挖掘學生的潛力，最好采用雙語教學，即使不是雙語教學，也要鼓勵學生登錄世界著名的人工智能網站，論壇和社區。經常登錄國外著名大學的相關實驗室網站。使學生在學習過程中，思想開放，思維活躍，對人工智能充滿興趣。

4 結語

人工智能技術的蓬勃發展和廣泛應用迫切需要大學提供高質量的人工智能人才。為了使我國在人工智能領域不重蹈傳統科技領域落后的覆轍，人工智能教學應該以開放的思想，和國際接軌。教學中應盡可能采用雙語教學，通過國外大學人工智能相關實驗室網站、國際著名的論壇和社區，了解國外技術發展、教學內容和教學方法。教學中使用國際權威教材是必要的，是和國際接軌重要渠道。來自于不同學科、不同專業及不用應用領域的教師，要打破原有學科、學院及系和實驗室的限制，積極溝通合作；教師能夠跨越管理壁壘教學，學生也應該可以在全校內選課。讓人工智能這一交叉科學分支，擁有各學科有機融合的發展基礎。教學中要根據學生的專業背景和層次以及教師擅長的研究方向，選定合適的教學內容。決定教學的范圍和那些方面做深入探討，安排實驗或大作業。讓學生了解人工智能廣泛知識的基礎上，掌握深入研究的技能方法。為社會培養出合格的人工智能人才。