用新一代人工智能技術解決真實問題

摘要：人工智能教育不能僅僅停留在科普和體驗階段，要讓學生用AI來解決真實問題。本文提出“AI科創活動”這一教育名詞，梳理了中小學AI科創活動的類型方向，從多個角度進行了可行性分析，并展示了溫州中學的學生案例。

關鍵詞：人工智能教育;AI科創活動;新一代人工智能技術

中圖分類號：G434 ?文獻標識碼：A ?論文編號：1674-2117（2022）13-0005-04

近年來人工智能技術突飛猛進，不管是抗拒還是順從，誰都無法否認，人工智能正在改變我們身邊的點點滴滴。和人工智能技術發展幾乎同步，中小學的人工智能教育也越來越引起關注。《普通高中信息技術課程標準（2017年版）》雖然在必修模塊中增加了“人工智能”，但畢竟是在高中階段，并沒有引起足夠重視。《義務教育信息科技課程標準（2022年版）》的發布，則意味著人工智能教育要進入國家課程，必將迎來新的熱點。

中小學人工智能教育該如何實施？一位人工智能方向的博士曾經非常直接地表示，讓中小學生做一個訓練識別手寫體的模型，或者體驗一下各種AI應用，不過是在教“屠龍之術”——指極為高明，但是在現實中用不到的技術或本領。顯然，遠離生活應用的AI教育無法吸引中小學生，是沒有生命力的。那么，中小學人工智能教育究竟如何開展才真正有效？筆者從開展AI科創活動這一可行的角度提出了自己的觀點。

● AI科創活動的提出和分類

人工智能是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學，科創活動是科技創新活動或者科普創新活動的簡稱，AI科創活動則是指融合AI技術的科技創新活動。

以研究內容或者方向進行劃分，中小學的AI科創活動大致可以劃分為AI+科研、AI+工程和AI+藝術三類，加上AI本身就是一個重要的研究領域，于是形成了AI科創的四個主要類別或者研究方向。

AI+科研。隨著科技的發展，數據探究已經成為科研活動最常用的手段，而運用AI能夠很好地開展一些重復煩瑣的數據整理工作。

AI+工程。在創客活動中，AI技術的應用已經非常普遍。AI技術的普及又推動中小學開源硬件逐步走向卡片電腦，如樹莓派、虛谷號、拿鐵熊貓和行空板等。這些控制板內置Linux系統，流暢運行如TensorFlow、PyTorch之類的AI框架。

AI+藝術。自從世界上第一件被拍賣的AI藝術品以432500美元的高價售出，“AI+藝術”的浪潮便勢不可擋。作為藝術與科技結合最典型的代表，交互藝術更是融入了越來越前沿的技術。隨著生成對抗網絡的普及，生成圖像（如貓臉、二次元頭像、人臉等）、圖片上色、藝術風格遷移等各種有趣的藝術應用不斷出現。

AI實驗研究。和其他經典計算機算法不同的是，AI模型的訓練和數據集的關聯特別密切。當面對一個真實的問題情境時，即使在最新SOTA模型的支持下，也需要微調很多參數。

● 開展AI科創活動的可行性分析

中小學生能不能使用AI技術開展科創活動？在編寫清華大學出版社初中信息科技教材時，筆者曾針對AI技術在解決真實問題方面，與幾位核心編委總結出了三種典型的途徑，并梳理出相應的支持工具。

1.應用AI技術解決真實問題的三種途徑

途徑一：調用人工智能開放平臺的接口

人工智能開放平臺的接口一般采用Web方式，因而也稱為WebAPI。利用這些WebAPI，學生不需要自行訓練AI模型，也不需要理解原理，只要將數據提交到平臺，然后根據返回的預測結果做相應的執行即可（如圖1）。人工智能開放平臺最典型代表是百度AI開放平臺，它提供了一個名為“baidu-aip”的Python庫。

途徑二：調用人工智能應用平臺

一些人工智能的算法和模型會封裝為AI應用平臺，和WebAPI一樣，學生不需要自行訓練模型，也不需要理解原理即可使用。可以將這些AI應用平臺看成是本地的API，常見的AI應用平臺有OpenCV和MediaPipe等，OpenCV還支持自行訓練分類器（AI模型），也可以稱為AI開發平臺。

有些AI算法和模型并沒有封裝為人工智能應用平臺，以擴展庫或者模塊等方式發布，需要用戶自行編譯使用，如清華大學自然語言處理實驗室推出的中文文本分類工具包THUCTC（THU Chinese Text Classification）、常見的語音合成庫Pyttsx等。

途徑三：收集數據選擇算法訓練模型

一些特定的場景是找不到通用工具的，只能靠自行訓練數據。例如，你想將自家的幾只寵物狗進行分類識別，就只能收集數據，再選擇算法自行訓練模型了。又如，識別普通話有很多WebAPI，但是要識別溫州話這種地方方言，就只能靠自己訓練。

顯然，途徑三的難度是最高的，也是最有AI味的做法。實際上，以深度學習為代表的新一代人工智能技術的興起，是對AI技術的一種有效“降維”，開發難度變低，識別效果卻更好。

2.開發AI應用系統的常見支撐技術

實際上，不管采用以上哪一種途徑，都僅僅是“用AI解決問題”的一個核心環節，并非全部。作為一個完整的AI應用系統，對數據進行推理或者識別環節固然重要，但獲取數據（感知），根據識別結果執行相應的動作（控制），同樣不可缺少。還有，這個AI應用如何部署也非常重要。這說明，僅僅有AI開發工具是不夠的，還需要其他的工具來支持。

以設計一個看到小朋友微笑會擺擺手并打招呼的微笑機器人為例，除了需要訓練一個識別微笑表情的AI模型或者相關WebAPI外，還需要很多其他相關工具：實時獲取攝像頭畫面的工具，如OpenCV;一個能夠驅動舵機的軟硬件工具，如pingpong和掌控板;一個能夠部署這個AI應用的迷你電腦，如拿鐵熊貓;一個語音合成工具，如Pyttsx等。

Python是當前中小學生學習AI的主流語言。在陪同學生開發AI應用的這幾年中，筆者收集了一些常見Python庫，并按照功能類型進行了分類（如下頁表）。

當然，中小學生開發的AI應用往往需要部署在一些迷你電腦上，能夠運行Linux系統的開源硬件就成為最常見的選擇，如jetson Nano、樹莓派、虛谷號和行空板等，這些硬件的性能和價格都不一樣，可以根據具體的要求做出選擇。如果對Linux系統不熟悉，也可以選擇拿鐵熊貓。

● AI科創活動案例

溫州中學的人工智能教育始于2017年，隨著AI技術的平民化，逐步從Kinect（微軟的一款深度攝像頭）、LeapMotion（一款手勢傳感器）轉向到基于普通攝像頭和深度學習上來，2021年，學校建設了人工智能實驗室，開設了“走進萬物智聯的世界”課程。學生在物聯網的基礎上，利用HASS（HomeAssistant，一款開源的智能家居網關）將實驗室等智能家居設備打通，設計一些智能控制方向的有趣應用，成為學校智慧校園建設的一部分。

案例1：趣味二進制燈組——基于數字識別的燈光控制系統

簡介：用戶在攝像頭（高拍儀）下寫0～255之間的數字，智能終端將數字轉化為二進制數字，然后發送相應的MQTT消息到MQTT服務器（SIoT），HASS網關接收到消息后，控制實驗室中的智能燈泡（8個一組）的開關狀態（如圖2）。

AI技術：手寫數字識別。利用MMEdu的Classification模塊和LeNet網絡模型。

相關技術：物聯網技術。借助MQTT服務器實現消息中轉，再使用HASS實現智能燈具的控制。

點評：這是典型的AI+工程的案例。手寫體識別是一個非常經典的人工智能實驗，也是一個入門級的卷積神經網絡實驗，借助LeNet網絡模型和Mnist數據集一般在數分鐘內就能訓練出一個準確度較高的AI模型。但是模型訓練出來后還能做什么？很多AI課程都沒有進行拓展。“趣味二進制燈組”案例給出了一個答案，那就是從AI模型訓練走向AI應用系統開發，讓物聯網和人工智能結合起來。

案例2：AI魔法棒——基于掌控板的手勢識別

簡介：魔法棒上內置了加速度傳感器（利用掌控板即可），利用MQTT發送每一次完成動作后的加速度傳感器數據（每秒采集128個），形成數據集后在臺式機上訓練出AI模型。之后，每完成一個動作就用MQTT發送消息到臺式機上預測，再利用MQTT接收識別結果，在屏幕上顯示或者執行相應的動作（如下頁圖3）。

AI技術：BP神經網絡。利用BaseNet搭建全連接神經網絡，在事先采集數據的基礎上訓練AI模型，用這個模型對新的數據進行預測。

相關技術：傳感器技術和物聯網技術。利用MQTT消息傳遞數據，借助SIoT的數據導出功能得到數據集。

點評：AI課程中在教學BP神經網絡時，往往采用“波士頓房價預測”“鳶尾花識別”之類的案例，非常無趣。本案例巧妙地使用了MQTT消息傳遞數據，借助臺式機的算力搭建BP神經網絡，訓練數據并用于新數據預測，從而識別出傳感器的運動狀態（手勢），是“創客+AI”教育的典型案例。

案例3：是什么決定了青少年的見識——基于好問題數據的深度探究

簡介：不同地區的學生在見識方面是否一致？他們的“提問”能力有什么不同？而這些差別和地區GDP是什么關系？帶著這樣的問題，學生分析了全國中小學生“好問題”大賽的一百多萬條數據，選擇了上海和贛州兩個地區進行多方面的比較，最后得出相關結論。

AI技術：中文文本分類。利用中文文本分類工具包THUCTC，對學生的問題內容進行分類。

相關技術：數據分析技術。利用Pandas分析一百多萬條數據。

點評：這是長三角中學生數據探究大賽的一個獲獎作品。雖然說利用jieba庫分詞和統計詞頻也是AI技術的典型應用，但畢竟過于簡單。如果沒有中文文本分類工具包（THUCTC）的支持，這個數據探究工作是無法進行的，因為數據量太大了。

案例4：當MediaPipe遇上BP神經網絡——對表情識別的另一種研究

簡介：表情識別 （Facial Expression Recognition） 是計算機理解人類情感的一個重要方向，也是人機交互的一個重要方面。訓練表情識別的AI模型對算力要求較高，需要GPU環境的支持，在普通機房無法開展這方面的研究。但是，如果先利用Dlib或者MediaPipe獲取人臉特征點，然后搭建神經網絡進行訓練呢？學生利用Extended Cohn-Kanade（CK+）數據集進行實驗，獲得了很不錯的準確率。

AI技術：MediaPipe和BP神經網絡。先利用MediaPipe獲取人臉特征點，再用BaseNet搭建全連接神經網絡。

點評：這是一個“AI實驗研究”方向的典型科創案例。MediaPipe是谷歌開源的人體關鍵點檢測算法，可以識別人臉、手勢、姿態等多種關鍵點，并且檢測速度足夠快。在MediaPipe的支持下，學生找到了一種低算力模式下的深度學習研究方向。

● 反思與展望

通過這幾年開展AI科創活動的實踐，筆者深深體會到用AI解決真實問題并不困難，學生完全有能力學習以深度學習為代表的新一代人工智能技術，并開發出一些簡單有趣的AI應用。雖然目前國內開展AI科創活動的學校主要集中在上海、北京這些城市的名校中，但筆者堅信，AI技術很快就會走下神壇，成為學生們實踐技術創新的重要工具之一。

參考文獻：

[1]吳俊杰，謝作如，戴娟.中小學AI教育需要怎樣的工具[J].中國信息技術教育，2022（12）：19-22.

[2]謝作如，邱奕盛.用深度學習和物聯網技術設計“AI魔法棒”[J].中國信息技術教育，2022（09）：77-79.