研產教融合引導的“人工智能導論”教學案例設計

王振華　徐新黎　孫磊

摘? 要：針對目前“人工智能導論”課程知識點關聯不夠、授課內容與實際產業脫節較大、學生學習積極性較低等問題，以實際工業需求為背景，以人工智能技術發展研究態勢為主線，分析課程模塊之間的邏輯關聯和遞進關系，提出科研、產業、教育融合引導的“人工智能導論”教學案例設計思想、設計策略與相關案例，并討論這些案例對培養學生分析與解決實際工程問題能力的積極作用。

關鍵詞：研產教融合;人工智能教學;教學案例;知識體系

中圖分類號：G642? ? ? 文獻標識碼：A 文章編號：2096-4706（2020）09-0176-04

“Introduction to Artificial Intelligence” Teaching Case Design Guided by

the Integration of Research，Production and Teaching

WANG Zhenhua1，XU Xinli1，SUN Lei2

（1.College of Computer Science and Technology，Zhejiang University of Technology，Hangzhou? 310023，China;

2.Kaifeng Xiangfu Liudian Duzhuang Primary School，Kaifeng? 475114，China）

Abstract：In view of the problems such as insufficient connection of knowledge points in the course of “Introduction to Artificial Intelligence”，large disconnection between the teaching content and the actual industry，and low learning enthusiasm of students，this paper analyzes the logical connection and progressive relationship between the course modules with the background of the actual industrial demand and the research trend of the development of artificial intelligence technology as the main line. This paper puts forward the teaching case design idea，design strategy and relevant cases of “Introduction to Artificial Intelligence” guided by the integration of scientific research，industry and education，and discusses the positive role of these cases in cultivating studentsability to analyze and solve practical engineering problems.

Keywords：integration of research，industry and teaching;artificial intelligence teaching;teaching case;knowledge architecture

0? 引? 言

隨著智能產業的發展升級與人工智能技術的不斷革新，很多高校開設了“人工智能導論”課程，該課程成為本科電子信息相關專業的專業必修課或重要選修課，是支撐本科生培養目標的重要課程之一[1]。目前，我校計算機科學與技術學院、軟件學院開設了“人工智能導論”課程，“人工智能導論”是軟件工程、計算機科學與技術、網絡工程、物聯網等專業本科生的一門基礎選修課程，也是面向包括人文社科等全校所有專業的公選課之一[1，2]。本課程主要介紹人工智能問題求解的一般性原理和基本思想以及一些前沿內容，為學生提供最基本的人工智能技術和有關問題的入門性知識，為進一步學習和研究人工智能理論與應用奠定基礎。因此，建設好“人工智能導論”課程具有廣泛需求和重要意義。

1? “人工智能導論”課程概述

人工智能是一門典型的交叉學科，與數學、心理學、神經科學、計算機科學均有緊密的關聯[3]，而作為一門課程，“人工智能導論”的重要先修課程包括高等數學、線性代數、概率論、數據結構、算法分析和程序設計，其知識點的掌握需要學生具備較強的理論運用分析和編程實踐能力。人工智能技術日新月異，迭代更新速度較快，對教師授課內容的深度與廣度均提出了較強的挑戰[4]。因此，如何在激發學生學習興趣的同時，逐漸支持學生構建邏輯性強的人工智能知識體系，并逐步提升其分析和解決現實工程問題的能力，是現階段“人工智能導論”授課時亟待解決的重要問題。

教學案例的選擇與設計是“人工智能導論”授課的重要問題之一。受學時、教材和上機實驗條件制約，目前教學案例的選取側重于簡單的、孤立的、和實際生產關聯較弱的案例[2，5，6]，對課程培養目標的支撐程度有待提升。例如，在講授搜索/狀態模型時，采用“五子棋問題”;在講解遺傳算法時，采用“流水車間調度案例”;而在講授BP神經網絡環節，采用數碼識別問題。即便是同一模塊的不同算法，亦采用多種不同的簡單案例進行分析。例如，在搜索模塊，講授深度優先/廣度優先搜索時采用“積木問題”“卒子穿陣問題”，而講授啟發式搜索時又采用“八數碼問題”。采用這些簡單、孤立案例的問題在于不利于對不同模型或算法進行分析對比，導致授課內容寬泛并缺乏深度、學生難以掌握人工智能核心知識體系，甚至阻礙實現“培養學生采用智能的思想、手段和方法分析解決實際復雜工程問題”的培養目標。

針對上述問題，本文提出研究、產業、教學（研產教）相互融合的人工智能教學案例設計思想，并討論在該思想指引下的教學案例設計策略、途徑和方法。所謂研產教融合，即指以實際工業應用場景引導教師提煉關鍵科學問題、在科研中提出問題解決方案，并在“人工智能導論”教學實踐中對科學問題和解決方案進行濃縮、提煉和升華。本文聚焦實際工程問題及其解決方案的提煉與升華的教學方法論，輔以相關案例說明如何設計契合研產教融合思想的教學案例，以期為解決上述“人工智能導論”授課問題提供有效的途徑和方法支持，最終提升教學效果并實現課程培養目標。

2? 教學案例設計理念

根據上述學情分析，本文提出“人工智能導論”本科授課教學案例設計所遵循的“三個有利于原則”，即有利于串聯不同知識模塊和構建“人工智能導論”課程知識體系的原則、有利于為學生在人工智能方向就業或深造奠定基礎的原則、有利于學生在有限時間內完成學習任務的原則。

2.1? 有利于串聯不同知識模塊和構建“人工智能導論”課程知識體系

目前，人工智能課程涵蓋的熱門就業方向包括智能推薦、語音識別、機器翻譯、基于內容的圖片搜索、視頻監控、游戲以及各行各業的智能升級改造，而其外延的熱點研究方向包括計機器學習、算機視覺、模式識別、計算機聽覺、數據挖掘、生物信息學等。因此，人工智能教學案例設計應適度結合與體現智能技術在行業的最新應用，并支持最新研究成果與經典模型、技術和算法的對比分析。

2.2? 有利于為學生在人工智能方向就業或深造奠定基礎

“人工智能導論”知識包括建模、學習和推理3大模塊。其中建模模塊主要包括知識表示、人工神經網絡2個子模塊;學習模塊主要包括智能計算、機器學習與深度學習3個子模塊;推理模塊包含確定性推理、不確定性推理和搜索求解3個子模塊。在實際工業應用領域，復雜人工智能系統均涉及此3大模塊的研發。其中，建模環節實現從系統輸入到輸出的抽象表達與映射，學習模塊支持以靜態或動態的方式獲取表達與映射關系的具體模型參數，而推理模塊負責利用輸入和模型求解對應的結論。例如，在人臉識別系統中，利用深度卷積網絡對人臉特征提取問題進行建模，然后利用隨機梯度下降算法學習網絡模型參數，最后對人臉數據庫進行搜索和特征比對獲得人臉識別結果（即推理）。在設計教學案例時，應考慮如何有效串聯、對比、分析不同知識模塊、子模塊及算法，幫助學生構建人工智能核心知識體系。

2.3? 有利于學生在有限時間內完成學習任務

如上文所述，人工智能知識點繁雜，涉及基礎課程較多，學生普遍反映難以熟練掌握。如教學案例過于復雜，必將加劇學生的厭學情緒。因此，在教學案例設計盡量遵循以上2個原則的基礎上，應盡可能簡化細枝末節的內容及問題復雜度，有利于學生在有限時間內完成學習任務。

3? 教學案例設計實踐

本節以“人工智能導論”課程中的“搜索”和“機器學習”2大模塊為例，說明如何設計符合上述基本原則的教學案例。

3.1? 案例設計1：通勤方案規劃問題

問題描述：假設有n個街區，編號為1，2，…，n。有兩種交通方式：步行和乘坐公交。步行從任意編號為s∈{1，2，…，n}的街區到編號為s+1的街區需要1分鐘，乘坐公交從編號為任意s的街區到編號為2s的街區需要2分鐘。請選擇一種交通方案，使從編號為1的街區到編號為n的街區花費的總體通勤時間最短。

該案例的相關實際應用包括智能作業調度、機器人路徑規劃、智能游戲、機器翻譯等，對該案例進行適當擴展，將為學生在這些領域的就業或科研奠定重要的理論和實踐基礎。

通過上述描述可以看出，該問題并不復雜。然而，該案例能夠串聯人工智能搜索模塊多種主要算法，包括回溯算法、動態規劃算法、一致代價搜索、A*搜尋算法，如圖1所示。由于該問題十分簡潔，教師在授課過程中較容易采用現場編程的方式對該問題進行建模（采用Python編程僅需要約20行代碼），且創建的“通勤方案規劃問題”類可為現場編程演示搜索算法復用。教師可以增加街區的個數n，則問題的復雜度也隨之增加，方便對比不同搜索算法的時間復雜度和空間復雜度，使學生在教學現場即能較深入的理解搜索問題和相關算法，快速構建人工智能搜索經典搜索算法知識體系。

除了“搜索”模塊，該案例能夠支撐構建搜索算法和機器學習算法之間的橋梁。例如，通過改變n的大小產生一組通勤方案規劃問題作為訓練集，并通過動態規劃搜索算法獲得所有問題的最優解，作為訓練數據對應的真實輸出。基于該合成數據集，采用機器學習算法，如結構化感知學習動作集的代價和真實代價進行對比即可發現相關規律，進而強化學生對搜索模塊和機器學習模塊之間關聯的理解和人工智能知識體系構建。

3.2? 案例設計2：家庭成員關系推斷問題

問題描述：已知5位家庭成員之間的關系如圖2所示，其中每個節點表示一個成員，由一條實線有向邊表示所系兩人之間的關系，例如“黃蓉是郭襄的母親”。根據已知關系（實線邊）推斷“郭靖”和“郭襄”之間的關系（虛線邊表示關系未知）。

該案例用于知識圖譜學習和推理內容的講授，其設計思路是基于僅含5個節點的關系網絡，串聯起知識圖譜構建和擴展問題中的建模模塊、學習模塊和推理模塊。盡管該案例所含問題比較簡單，但通過對該問題的講解和演示，能使學生深刻理解知識表示、機器學習和推理之間的關聯，亦能通過應用所學知識解決新問題的模式，提升學生分析問題的能力和動手實踐水平。另一方面，當前人工智能的重要發展趨勢之一是通過知識與數據的融合實現智能系統性能的顯著提升。該案例結合了基于數據的機器學習模型與知識圖譜模型，反映了當前智能技術發展的前沿方向，能夠為學生未來在此方面的研究與開發奠定基礎。

3.3? 案例設計3：手寫數字識別問題

問題描述：識別二值圖像（大小為32×32）中的手寫數字，以MNIST數據集為例，輸出識別正確率和模糊矩陣。

該案例為典型的計算機視覺圖像分類問題，為教授機器學習模塊而設計，涉及的知識點主要包括線性分類器、支持向量機、全連接神經網絡、卷積神經網絡等重要機器學習算法。和傳統機器學習教學案例（如判別字符串是否包含人名、垃圾郵件識別、癌癥判別等）相比，該案例更符合本文第2部分所提的3條原則，主要原因如下：

（1）該案例適合講授圖3所示的重要機器學習算法，而上述傳統教學案例不適合卷積神經網絡的講授和應用，因此手寫數字識別案例對構建完整的機器學習知識體系支撐度更高。如果未在前期備課中通盤考慮教學案例設計對知識體系構建的支持，則在后續教學環節就需要不斷引入新的教學案例，存在持續增加授課和學習難度的風險;

（2）計算機視覺是當前人工智能研究的熱點，手寫數字識別是計算機視覺中的重要問題之一，在圖像識別領域有著廣闊的應用前景。學生學習該案例后，容易舉一反三，把模式識別的基本思想、方法和手段應用到實際生產問題，為他們未來深造與就業奠定堅實的理論和方法基礎;

（3）通過比對、分析不同機器學習算法在手寫數字識別問題上的性能，能夠提升學生對算法的認知和理解，并培養其分析、解決復雜問題的能力。

4? 教學效果分析

4.1? 基于課內實驗的教學效果分析

課程共包含4次課內實驗，共8學時。這些實驗均和課內教學案例共享核心知識點，但實驗所設問題的難度稍高于對應的教學案例。例如，A*搜尋算法相關實驗是對3.1部分通勤方案規劃問題的縱深拓展，在基本通勤問題的基礎上增加約束條件，要求訪問奇數車站的個數不少于偶數車站的個數，重點鍛煉、考查學生運用松弛策略設計求解問題的合適狀態和估價函數，進而培養他們應用人工智能方法解決復雜工程問題的能力。通過批改學生提交的源碼和運行結果截圖發現，大部分學生在教學案例代碼的基礎上進行拓展，能夠設計合適的狀態結構和估價函數并編程實現，進而計算獲得正確答案。相當一部分有余力的學生實現了額外的功能，如比較A*搜尋算法和一致代價搜索在該問題上的求解速度、對比多種估價函數、開發一個簡單的在線搜索演示平臺等，而這種現象在未采用“研產教融合引導的人工智能教學案例設計”教學方法之前比較少見。

4.2? 基于自主實驗的教學效果分析

為檢驗學生運用所學知識解決復雜工程問題的能力，課程設置自主實驗環節，共占4學時，用于驗收學生實驗成果。為培養學生團隊協作能力，所有學生按照自由結合的方式分成小組，每組2～3人。在選題方面，教師基于對所了解的研發熱點問題推薦20個題目，如“車牌檢測與識別”“手語識別”“課堂行為識別”“人像摳圖”“花卉識別”“鳥類識別”等。在復雜度和教師推薦題目相近的前提下，學生也可以自擬感興趣題目。

通過實驗驗收環節發現，大部分組能夠按時在公開數據集上完成實驗，并恰當回答教師在實驗驗收環節所提問題。盡管學生求解問題所采用的算法參考了相關經典工作，大部分組仍通過超參數優化、數據增廣和特征融合等常用技巧實現了系統性能的穩步提升。少數組對所選課題進行了較深入的研究，在教師的引導下，通過對經典模型和算法進行改進實現了識別性能的較大幅度提升。例如，為識別課堂行為，一組學生基于共享特征的思想提出了端到端的統一人體檢測和感興趣行為分類網絡，其主要訓練數據在開封市祥符區劉店鄉杜莊小學采集，采用小批次數據和隨機梯度下降訓練所提網絡模型，實現了快速、準確的課堂行為識別性能，并在此基礎上開發了一款課堂教學評價軟件。

5? 結? 論

本文主要討論了人工智能本科課程教學案例設計的原則和相關方法。這些原則主要圍繞促進人工智能研究、產業、教學的深度融合而提出，最終目的是實現學生利用人工智能原理、手段和算法解決復雜工程問題能力的全面提升。作為實現研產教融合的重要途徑，教學案例設計應有利于串聯不同知識模塊和構建“人工智能導論”課程知識體系，有利于為學生在人工智能方向就業或深造奠定基礎，并有利于學生在有限時間內完成學習任務。我們認為，遵循“三個有利于原則”的教學案例將為提升教師授課質量提供重要支撐。

參考文獻：

[1] 徐新黎，王萬良，楊旭華.“人工智能導論”課程的教學與實踐改革探索 [J].計算機教育，2009（11）：129-132+126.

[2] 徐新黎，胡磊，王萬良，等.智能搜索算法在線教學實驗平臺的設計與實現 [J].實驗技術與管理，2012，29（5）：112-117.

[3] 王國胤，劉群，夏英，等.大數據與智能化領域新工科創新人才培養模式探索 [J].中國大學教學，2019（4）：28-33.

[4] 嵩天.人工智能領域產教融合的邊界分析 [J].中國大學教學，2018（7）：31-35.

[5] 周婧，王曉楠.人工智能時代信息技術教學模式探究 [J].計算機教育，2017（12）：109-112.

[6] 欒曉，于洪.智能游戲開發與設計課程教學方法探索 [J].計算機教育，2016（10）：42-44.

作者簡介：王振華（1984—），男，漢族，河南開封人，講師，博士，研究方向：人工智能、深度學習。