利用AutoML技術助力K-12的 人工智能教育

[摘 要]在中小學階段開展人工智能教育是我國基礎教育發展的要求，然而，當前人工智能的普及教育面臨著學科跨度大、知識儲備要求高、模型訓練復雜等問題，這對教學的開展提出了挑戰。如何簡化模型訓練過程，隱藏實驗細節，突出人工智能教學的主題和重點是個難題。近年隨著自動化機器學習（AutoML）技術的興起，人工智能的平民化成為現實，文章調研了AutoML技術的解決方案，確定了一種可以將人工智能的教學案例進行簡化的教學項目設計流程，為K-12人工智能教育的實施提供發展思路。

[關鍵詞]人工智能;K-12教育;自動化機器學習

[中圖分類號]G434 [文獻標識碼]A [文章編號]1008-7656（2022）01-0024-08

引言

在中小學階段開展人工智能教育，旨在為培養符合未來社會需求的、具備良好計算思維和創新思維的人工智能人才奠定基礎。它一方面幫助中小學生了解人工智能對現代社會的影響，關注相關前沿知識;另一方面完成對高等教育階段人工智能專業的知識和能力結構的銜接，為培養新時代人工智能人才提供發展動力。

要在中小學階段廣泛開展人工智能普及教育，首先要解決教學內容的問題。從教學內容來看，能力模型是教學目標的指南針，通識學習是教育的基礎，而實訓實踐項目是突破口。從這三個方面出發，才能打造層次分明、目標明確的K-12人工智能課程知識體系。

本文通過文獻調研等方法，對國內外編程教育的教學實踐存在的問題進行了分析，并通過技術選型和實踐，提出了一種基于自動化機器學習（AutoML）技術的人工智能教育項目開發流程，以期對我國青少年人工智能教育的實踐實訓項目開發提供一些借鑒。

一、開展K-12人工智能教育是時代的要求

回顧教育發展的歷史，每一次技術變革都會帶來教育理念的重大變化，其本質在于技術對人類社會發展的推動作用。人工智能技術是一種生產力的變革，正在推動經濟社會發展要素的變化。

國務院在2017年發布的《新一代人工智能發展規劃》[1]中，明確指出：“到2025年，人工智能基礎理論實現重大突破，部分技術與應用達到世界領先水平，人工智能成為我國產業升級和經濟轉型的主要動力，智能社會建設取得積極進展;到2030年，人工智能理論、技術與應用總體達到世界領先水平，成為世界主要人工智能創新中心。”教育部在2018年發布的《高等學校人工智能創新行動計劃》中，從前沿創新、人才培養、科技成果轉化與示范應用等方面提出了具體的行動目標[2]。

人才培養是系統性工程，為了構建多層次、階梯化的人工智能人才培養體系，勢必要按照人才培養的規律，打造從K-12到高等教育的全過程的人工智能教育。按照人才培養規律來教書育人，就是要針對不同學習階段的知識結構、智力發展水平，有針對性地制定不同的教學目標，設計不同的配套課程。

教育部《關于全面開展中小學生人工智能教育的提案》的答復中明確指出，目前，我國中小學相關課程已安排人工智能教學內容。小學科學、初中科學、普通高中信息技術、普通高中通用技術和中小學綜合實踐活動等已將人工智能教育相關內容納入到課程內容之中[3]。

二、K-12人工智能教育概念的相關辨析與發展現狀

（一）人工智能教育與一些概念的區分

長期以來，由于人工智能教育的高度專業性和復雜性，導致部分教育者對于人工智能教育教什么、如何界定、人工智能教育的目標是什么還存在認識上的偏差，還存在將人工智能教育與其他教育類型混淆的情況，因此，要解決人工智能教育存在的問題，就不得不談容易與人工智能教育混淆的一些教育類型。

1. STEM 教育

STEM教育的基本理念是培養跨學科并使用多學科的思維方式和知識解決實際問題的能力。STEM教育在利用數學工具對實際問題建模的能力方面有較為具體的教學目標，并對多學科的綜合能力提出了較高的要求。

2. 機器人教育

機器人教育一般是通過預制的教育機器人產品的組裝、編程和運行的教學過程，激發學生學習興趣，培養學生綜合能力，有時也被視為STEM教育或者創客教育的工具。實際上，這類教程內嵌的知識基本與人工智能無關，或者雖然某些組件用到了人工智能的產品，但是人工智能封裝在了部件功能里面，與整個教學過程沒有太多聯系。

3. 編程教育

編程教育主要是介紹變量、循環、遞歸和函數等邏輯概念，培養學生在某個語法框架下解決問題的能力。編程教育考察的重點主要是在算法設計和對日常問題的應用建模，在培養學生的計算思維方面具有不可替代性。

4. 創客教育

創客教育一般的實施方法是以某種電腦開源硬件為平臺，綜合多種工程技術能力比如編程、電路等進行創意設計和作品開發。創客教育的核心是支持學生開展基于創造的學習，鼓勵學習者在學習過程中主動發現、自主探究，培養批判性思維，強調在解決問題的過程中培養學生的創新能力和藝術創作能力[4]。

那么人工智能教育與上述教育類型的區別是什么呢？美國人工智能促進協會（AAAI）、美國計算機科學教師協會（CSTA）等機構聯合發布了K-12人工智能教學指南。這個指南對從小學到高中的基礎教育階段人工智能教學的目標、內容、資源給出了科學、專業的設計。在美國版的指南中，把適合K-12階段學習的人工智能知識分為5大主題——感知、表示與推理、機器學習、人機交互、社會影響。

（1）感知指通過傳感器感知世界，它涵蓋了人工智能領域的很多重要應用，如語音識別、計算機視覺、場景理解等。

（2）表示與推理指通過特定的邏輯模型表示現實世界，并進行推理，像網絡智能搜索、自動駕駛汽車、人工智能對弈等都是它的具體應用。

（3）機器學習指計算機通過數據以及各種算法進行學習，它的具體應用有機器翻譯、各種搜索、識別系統的訓練等。

（4）人機交互指計算機與人類自然交互，如聊天機器人、教育中的智能學習伙伴等。

（5）社會影響要求對人工智能帶來的正面或負面的影響予以關注，包含了人工智能在道德層面的決策標準、設計方案等。

上述5個主題從性質上覆蓋人工智能的各領域，因此，課程內容和目標以這5個主題為基本框架，并在此基礎上設計了各主題中的主要概念和分級學習目標[5]。

教育部《普通高中信息技術課程標準（2017年版）》[6]將高中層次的人工智能能力目標層次定位在：

（1）了解人工智能的發展歷程及其概念;

（2）能描述典型人工智能算法的實現過程;

（3）通過開發簡單的智能技術應用模塊;

（4）親歷設計與實現簡單智能系統的基本過程與方法;

（5）增強利用智能技術服務人類發展的責任感。

（二）當前K-12教育存在的不足

目前的人工智能教育產品容易陷入兩類誤區。第一類把創客教育或機器人教育包裝成所謂的“人工智能教育”，這類產品的特點是以之前的創客教育或者STEM教育體系為主，講授機器人的傳感控制或編程知識。這和人工智能的核心主題關系不大，沒有涉及人工智能學科領域;第二類則忽略人工智能專業的龐雜性，導致開發的課程體系與K-12學生的知識體系和認知水平差異較大，難以獲得良好的教育效果[7]。

事實上，人工智能的應用領域非常廣泛，在計算機視覺、語音識別、機器人學、自動駕駛等應用領域里，每一種應用領域都涉及豐富的內容，從數據的變換和特征提取這一方面，不同的領域就有不同類型的數據對象，涉及不同的物理原理，需要做不同的變換，而這些處理大部分與人工智能的核心沒有直接關聯，比如視覺計算里面的數據變換涉及到圖形學等基礎知識，如果要展開講解RGB空間變換和圖像變換這些內容，則需要引入較多的數學知識，這在時間和知識結構上都超出了K-12的范疇。上述問題是導致人工智能教材最后變成了創客教程的最直接原因。

K-12階段的人工智能教育并不只是夯實編程基礎與對人工智能的簡單科普，更不能只是簡單加入人工智能知識的編程課，人工智能教育與創客教育、編程教育等有著截然不同的側重點。通過對K-12階段的人工智能教育的主題分類、能力目標的總結可以看到，中小學人工智能的教育，既不是拘泥于某個AI產品的學習，也不是強調編程和算法能力，最重要的是學習從AI的角度來認識世界，以AI的視角來理解世界、解決問題，這是一種思維方式的鍛煉。AI教育融入到中小學，不是把大學的課照搬到中小學，而是“重思維、輕編程、淺AI”。讓學生用計算思維的方式進行分析，用創造性的思維去想象解決方案，最終用設計思維去生成產品和作品。在課程內容上，可根據課程目標的要求，特別是不同年齡段目標的設定，選擇相應的內容。

（三）當前人工智能教育的效果分析

《中小學階段人工智能普及教育現狀調研報告》表明，許多受訪者對于人工智能的應用和人工智能基本概念的認知存在不足[8]。如下頁圖1所示，受調研的學生中有近八成表示對人工智能概念有所了解，但多數學生對人工智能的理解多依靠生活經驗和感性認識，停留在感性和具象的水平。如實際生活中辨識度較強的對話機器人、自動駕駛汽車、語音空調、繪畫機器人等是多數學生眼里的人工智能。在認為“不屬于人工智能技術分支”的回答中，我們能夠發現更多的學生填寫了大數據、深度學習、圖像識別、情緒識別這幾個方面。不難看出，學生對人工智能概念理解的準確度仍存在不小的偏差。筆者認為當前人工智能的教育仍然離目標有一定的距離。可以看到從教材的針對性、實驗的設計和師資水平方面仍有較大的提升空間。

三、人工智能教育的改進措施

隨著人工智能課程開始納入我國基礎教育階段以來的各種問題得到關注，《普通高中信息技術課程標準 （2017年版）》再次重新設計了“人工智能初步”模塊。從課標的變化上來看，傳統信息技術教育注重軟件技術的學習，而當前的人工智能教育更注重核心素養的培養，包括計算思維和對人工智能的理解。“人工智能初步”課程的開展要求更加符合實際，側重項目式教學，同時，課程體系強調對學生的個性化培養。

但是無論概念如何簡化，人工智能教學項目的講授，都離不開復雜的建模。對于創客教育和機器人教育來說，軟硬件可以開發出半成品交付給教學，但模型是人工智能的核心產品，其訓練過程伴隨著教學過程。而一個機器學習模型的訓練包括了從數據的獲取、清洗、特征提取和變換，模型的訓練是一個漫長過程。師資水平不足，也限制了K-12階段的人工智能教學的實際開展。

本研究在調研了機器學習領域近年來的發展的基礎上，提出利用近年來涌現出來的基于AutoML技術的建模產品助力K-12的人工智能教育的建議。

在機器學習從業領域，一個項目有大約80%的時間用在做數據清洗和特征工程，僅有20%的時間用來做算法建模，并且在模型的訓練階段，大量的超參數的調試也需要專業的知識，這樣就導致機器學習和人工智能對于普通人來說變得門檻過高，對于K-12階段的學生來說，哪怕是高中階段的知識，也難以支撐起基本的機器學習算法比如線性回歸的介紹，而且可以應用的案例較少。因此，越來越多的教育從業者也希望能夠降低機器學習的入門門檻，尤其是降低對特定領域的業務經驗要求、算法調參經驗等，甚至做到無代碼訓練模型，基于這一背景，AutoML應運而生。

大部分的AutoML主要是基于神經網絡架構搜索NAS（Neural Architecture Search）和遷移學習（transfer learning）技術，利用強化學習或進化算法來設計新的神經網絡結構，以及利用遷移學習和預訓練好的模型加速模型的收斂速度。

AutoML的興起對其他領域的企業將AI應用到業務提供了一種可行的方案，同時也將變革帶入了K-12的人工智能教育。AutoML將模型訓練作為一種無門檻或者低門檻的服務提供給了市場，企業、教育機構和個人均可以利用AutoML產品獲得人工智能的優勢，對于教育從業者來說，可以設計和開發出更生動、更能激發學生創作靈感的學習資源和項目，讓學生可以更直觀地獲得對人工智能的感受，對機器學習概念的理解。AutoML的出現開啟AI平民化的歷程，也讓K-12的人工智能教育能夠更多的聚焦在基本概念的理解、機器學習的應用實踐上，無疑對于K-12的人工智能教育意義重大。

四、K-12人工智能教學應用案例

本文在測試了技術可行性的基礎上，引入了一個基于micro：bit和谷歌teachable machine的人工智能教學方法，示范如何在K-12課堂里面開展人工智能教育。

（一）micro：bit

micro：bit是一款面向青少年編程教育，由微軟、英國廣播電視公司（BBC）、英國蘭卡斯特大學等20幾家機構合作開發設計的微型電腦開發板，該開發板集成了加速度計、電子羅盤、藍牙、按鈕、LED點陣表，適合作為K-12教育階段的創客平臺。除了英國以外，micro：bit已被利用到一些國家和地區的信息技術課程中，被視為正式課程里的內容。

micro：bit主板集成了豐富的傳感器和接口，無需獨立采購太多配件，即可完成許多任務，開發板界面如圖2所示，部分功能介紹如下頁表1所示。

與之配套的，微軟公司開發了基于web瀏覽器的makecode平臺，可以便捷地為micro：bit的開發提供一個IDE環境和模擬器。makecode平臺支持積木語言、JavaScript和Python三種語言，學習者可以在三種語言之中實時切換使用。Makecode還提供了一個模擬器，假若忽視micro：bit實體開發板的輸入輸出，makecode的模擬器幾乎可以替代micro：bit的開發板，用于大量編程實驗的開發和設計之中，既降低了成本，也能實現編程開發。

基于micro：bit的創客教程非常多，makecode的官網上也有很多的例子，包括利用micro：bit的LED陣列顯示各種動態、靜態的圖案以及結合板載加速度計、麥克風等傳感器對顯示內容進行反饋和修改等。另外一些高級教程則需要用到更多的智能配件，比如在大量的micro：bit教育產品套裝里面，可以利用micro：bit控制攝像頭、服務器等配件的游戲產品，比如智能小車、機器人等。這些教程，體現了micro：bit的強大功能性和可玩性。然而，各種高級套件和各類機器人培訓和競賽吸引大量使用者目光的同時，我們也應看到，由于機器學習的理論門檻較高，以及對模型的訓練、師資、教學時間、知識結構均提出了較高的要求，導致真正的人工智能教育項目較難實施，而許多人工智能的訓練營、課程，實際上與講授人工智能存在差距。

（二）谷歌teachable machine

谷歌的創意實驗室發布了teachable machine，這是一個基于AutoML的免費在線模型訓練器，可在瀏覽器中使用機器學習，使用網絡攝像頭作為輸入來訓練自己的機器學習模型。所有的訓練都是使用deeplearn.js軟件庫在瀏覽器中完成的，該軟件庫是一個使用硬件加速的JavaScript庫，由Google Brain PAIR團隊構建并開放提供。要使用teachable machine，用戶只需要對自己想要識別的一些對象拍照，訓練的加速是通過下載稱為“squeezenet”的預先訓練好的神經網絡實現的。研究顯示，相對于做對比的神經網絡，squeezenet減少了50倍的訓練參數。這意味著，squeezenet可以作為小于0.5MB的文件下載。雖然該神經網絡具有更少的參數，但其分類效果不遜于大型的神經網絡。

借助谷歌teachable machine建模工具，可以把人工智能的應用簡化成一種流水線，讓學生跳過復雜的數學過程，對于模型、特征，有更直接的感受，從而為學生理解人工智能的模式提供了很好的啟蒙，為其以后的探索和求知奠定基礎。

比如，可以上傳或者通過攝像頭錄制不同的分類的訓練圖片，然后在瀏覽器里通過拖拽teachable machine的模塊即可完成模型的訓練。

整個模型的過程，從導入數據到打標簽到訓練模型，所有的操作都是通過拖拽完成。在這個模型生成以及訓練的過程中，不需要人為的干預。訓練數據例如圖片則不會同時上傳到云端的服務器，模型的訓練全在本地進行，這確保了隱私得到了充分的保護。在模型訓練完畢，可以將模型保存在本地，也可以選擇將模型上傳到云端進行共享。

教師在教學過程中，可以快速地在瀏覽器中建立模型，并在瀏覽器中直接演示模型效果。谷歌在2017年第一版的teachable machine里面只支持圖片的分類任務，目前已經擴展到了對姿勢、聲音的識別和分類，可以方便應用開發者和課程建設者開發出各種有趣的應用。

（三）將micro：bit與teachable machine結合，打造有趣的人工智能應用

如果機器學習模型的分類只能在瀏覽器中完成。但是如果能夠實現讓micro：bit接受teachable machine模型的推導結果，針對不同的結果，作出不同的動作，就把可玩性拓展了，這實際上可以通過p5.js庫來間接實現。p5.js是一個JavaScript的函數庫，它的設計目標就是讓藝術家、設計師、教育工作者和編程初學者能夠輕易地用程序來開發各種創意應用，因此在很多創客項目里面都有廣泛的使用。

teachable machine作為模型訓練器，其模型輸出結果無法直接控制micro：bit，而p5.js提供了很便利訪問串口的方法，因此可以通過p5.js將web端（teachable machine的分類器的結果）寫入串口，然后micro：bit在指定的串口偵聽接收的數據，完成與teachable machined的通信的。整個人工智能應用的實現原理和工作流程如下。

1. 模型訓練和生成：利用teachable machine訓練模型，并把模型存儲在云端，記錄下模型的URL。

2. 獲得模型分類結果：編寫p5.js腳本并運行，p5調用攝像頭實時采集圖像，將數據發送給模型進行推導，然后將推導結果發往注冊的micro：bit串口地址。

3. 將micro：bit的處理邏輯用makecode寫入主板并運行。

這個流程框架大大降低了模型訓練的難度，這不但讓教學者，甚至學生也能參與到人工智能應用到創作中來，構思出大量有趣的、真正基于人工智能的應用，比如用動作來指揮micro：bit演奏不同的音符，或者用手勢來指揮micro：bit控制小車移動等。micro：bit的不同反饋是利用機器學習中的圖像分類來實現的。teachable machine還支持對姿勢、聲音的分類識別，基于類似的原理，教師可以快速地建成各種模型，并將建成的模型應用到不同場景。

五、結語

K-12人工智能教育的意義在于培養學生有意識地利用人工智能思維來思考和解決問題的能力。在教學上，應該思考如何以一個完整的人工智能項目的實施流程，在幫助學生體驗人工智能的同時，創新性地應用人工智能解決實際問題。由于人工智能學科的特殊性，目前，K-12 人工智能教育仍處于探索階段，無論是在教學內容設計還是師資培養上，均有待大量的研究和實踐。作為一種將AI平民化的工具，AutoML技術潮流帶給教育領域的變革潛力是巨大的。因此，在調研了目前主流產品的情況下，本研究提出了一種人工智能課程資源開發的流程以資參考，期望借此促進K-12人工智能教育的科學化、系統化開展。

[參考文獻]

[1]中國政府網. 國務院關于印發新一代人工智能發展規劃的通知[EB/OL].（2017-07-20）[2021-11-06].http：//www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm.

[2]中華人民共和國教育部.教育部關于印發《高等學校人工智能創新行動計劃》的通知[EB/OL].（2018-04-03）[2021-11-07].http：//www.moe.gov.cn/srcsite/A16/s7062/201804/t20180410_332722.html.

[3]中華人民共和國教育部.關于政協十三屆全國委員會第三次會議第2453號（教育類225號）提案答復的函[EB/OL].（2020-12-08）[2021-10-20].http：//www.moe.gov.cn/jyb_xxgk/xxgk_jyta/jyta_jia oshisi/202101/t20210128_511574.html.

[4]盧宇，湯筱玙，宋佳宸，等.智能時代的中小學人工智能教育：總體定位與核心內容領域[J].中國遠程教育，2021（5）：22-31+77.

[5]方圓媛，黃旭光.中小學人工智能教育：學什么，怎么教——來自“美國K-12人工智能教育行動”的啟示[J].中國電化教育，2020（10）：32-39.

[6]中華人民共和國教育部. 普通高中信息技術課程標準（2017年版）[Z]. 北京：人民教育出版社，2018：1.

[7]謝忠新，曹楊璐，李盈，等.中小學人工智能課程內容設計探究[J].中國電化教育，2019（4）：17-22.

[8]中國青少年科技輔導員協會人工智能普及教育專業委員會.中小學階段人工智能普及教育現狀調查報告[R].2018-11-27.

[作者簡介]黃鐳，廣西信息職業技術學院互聯網科技學院助理研究員，碩士，研究方向：機器學習理論、大數據與教育數據分析。

[責任編輯 韋書令]