新工科背景下嵌入式人工智能實踐課程教學體系的研究

周 波，劉亞軍，郭迎九

（北京城市學院 信息學部，北京 101309）

0 引 言

自2016年我國正式加入“華盛頓工程認證協議”后，新工科建設成為應對全球新一輪科技和產業革命的又一重大戰略選擇。歷經“復旦共識”“天大行動”“北京指南”等一系列探索實踐，我國的新工科建設向縱深發展。2018年4月，教育部印發《高等學校人工智能創新行動計劃》，要求推進新工科建設，重視人工智能與計算機、物聯網、生物學、心理學、社會學等學科專業教育的交叉融合，形成“人工智能+X”復合專業培養新模式。

《人工智能產業人才發展報告（2019-2020）》中指出，目前人工智能產業人才供需結構不平衡，整體需求缺口較大，人才供給在當前面臨的崗位類型和技術方向上與企業需求之間存在顯著錯位的嚴重現象；人才供需質量不平衡，企業對創新型、應用型、復合型人才的需求更加突出。

嵌入式人工智能（Embedded Artificial Intelligence, EAI）是以微控制器MCU或應用處理器MPU為核心，具備基本學習或者推理算法，融合傳感器采樣、濾波處理、邊緣計算、通信及執行機構等功能于一體的嵌入式計算機系統。目前它的發展還處于初始階段，其發展應用正與物聯網技術有機融合，勢必會引起先進制造業的深刻變革。

1 現狀及存在問題

1.1 現狀分析

為了搶占科技發展的制高點，各個學校都將人工智能作為優先發展的方向，比如清華大學于2018年成立人工智能研究中心，北京大學于2019年成立人工智能研究院，中國科學院大學于2019年成立人工智能學院，北京科技大學于2019年成立人工智能研究院，北京石油化工學院于2020年7月成立人工智能研究院。通過人工智能與相關學科的交叉融合，帶動智能制造、智能醫療、智能環保、智能安全、智能材料、智能商務、智慧管理等學科領域的升級換代。

目前人工智能的人才培養重理論、輕實踐，注重于機器學習算法理論、通用人工智能、高性能計算機模型訓練等方面；而在嵌入式人工智能人才培養方面，由于難度大、復雜交叉性強，缺乏完整系統的教學知識體系，未能有效地展開教學，從而無法滿足當前對人工智能人才的需求。

以本校為例，在2018年修訂了新的培養方案，計算機科學與技術、軟件工程、數據科學與大數據技術、物聯網工程、電子信息工程等相關專業均以選修拓展課或者方向課的形式開設了人工智能類的相關課程。這些課程目前只停留在理論和簡單的數據訓練層面，無法形成教學體系，更談不上實踐體系的建設。

隨著近些年人工智能技術和MOOC課程的迅速發展，利用線上線下課內課外混合式的教學資源以及豐富的人工智能實踐平臺，能夠使得大規模的數據訓練和模型獲取變得簡便。然而，對于模型的終端部署（嵌入式人工智能）未形成統一的教學體系，仍然是各個高校普遍存在的共性問題。

1.2 存在問題

（1）資源未有效整合

目前，嵌入式人工智能相關知識仍分散在各個專業、各個方向，線上線下的資源魚龍混雜，關鍵性的核心技術未有效地公開，需要進行大量的探索，導致學生學習效率極差、無法整合海量的知識，不能利用相關的技術真正解決現實的工程實際問題。

（2）課程相關實驗陳舊

無論是機器學習還是深度學習等相關課程，實現具體的算法時，仍然是以傳統的實驗為主，數據集經典、案例成熟，已無法適應當今快速發展的應用場景。由于獲取真實的數據較困難，導致課程授課難度變大。

（3）軟硬件配置無法有效統一

大規模的數據訓練需要高配置的服務器資源（高性能的CPU、GPU等），并且模型的輕量化裁剪沒有統一的流程和方法，嵌入式端的處理能力更是參差不齊，無法有效地統一，學生無法抓住學習訓練主線，導致學習時心有余而力不足。

2 實踐教學研究基礎

2.1 實踐教學理念

線上線下和課內課外的混合式教學，可以有效解決教學實踐中學時不足的問題。利用現有的線上資源，選擇適合學生特點的相關資源進行整合，并開發特色實踐案例。建立起“基本理論-算法分析-數據采集-模型訓練-輕量化裁剪-模型部署-應用測試”的全周期項目資源鏈條。

以結果為導向（OBE）的項目制教學，在國內外知名高校早已開始廣泛實施。這一教學理念特別適用于人工智能實踐教學，具體流程如圖1所示。

圖1 實踐項目流程

2.2 實踐教學平臺

（1）數據獲取平臺

在真實項目的基礎上，依托物聯網的感知平臺，獲取大量的真實數據，并對數據做初步的加工處理，初步確定數據的相關特征。

（2）模型訓練

依托開源的深度學習平臺（比如百度飛槳AI Studio、阿里天池），進行模型的初步訓練，再利用現有的本地算力服務器資源進行模型的再訓練，利用訓練集進行多次測試調參。

（3）模型裁剪及嵌入式終端部署

將訓練的模型進行蒸餾、剪枝等操作，根據不同的嵌入式終端，找到符合真實場景的最優化模型，進行反復的測試。

3 實踐教學研究內容

基于新工科的培養目標，結合工程認證的相關理念，建立人工智能理論與實踐相結合的教學體系，不斷完善產學合作的實踐教學方法及課程評價方案，研究內容主要從課程知識模塊構建、教學方法、評價方案、實施計劃等四個方面展開。

3.1 課程知識模塊

目前我校的培養方案執行的是“平臺課+核心課+方向課+拓展課”的模式，受學時限制，部分核心課程或者方向課程開設在拓展模塊，并且執行過程中均是根據專業指定相關拓展課程，失去了制定拓展課的意義。鑒于人工智能在計算機專業中共有的意義，在拓展課程中構建完整的課程群體系具有一定的參考價值。嵌入式人工智能課程群知識模塊包括四大部分：數學基礎模塊、基礎算法模塊、核心技術模塊和創新應用模塊，具體見表1所列。

表1 嵌入式人工智能課程群知識模塊

表1中所列的相關知識模塊，實際上在各專業人才培養方案中均有所涉及，但是未成體系。例如數學基礎部分的矩陣和概率相關知識在基礎數學中均會涉及到，針對人工智能領域常見的數學方法的概括和再現，完全可以放在線上由學生自主學習并完成相關測試，但并不是否定基礎數學的重要性。各個專業均可以按照自身的培養目標，合理地選擇相應的模塊。

3.2 教學方法

鑒于表1中所列的課程要遠遠超過現有的學時安排，可以逐步建立起網絡教學資源，供學生自學和選學，輔助教師串講答疑即可。這種線上+線下的混合式教學模式，更加符合學生實際選課的個性化需求，也能解決線下學時緊張的問題。而對純實踐類課程，教學方式以培養學生能力為導向，面向工程實際、項目導向，提高學生創新和動手實踐能力，實現技能的培養。鼓勵學生參加各種學科類開放型的競賽，以賽促學，比賽的過程及成績可以作為考核評價的一部分。

3.3 評價方案

評價考核體系也是課程群實施的重要一環，這里會重點研究線上教學、線上+線下的混合式教學、純線下教學等不同模式的考核方式。按照工程教育的評價標準，課程體系的評價方法主要從12個方面進行：①工程知識；②問題分析；③設計/開發解決方案；④復雜工程問題研究；⑤使用現代工具；⑥工程與社會影響評價；⑦環境和可持續發展理解評估；⑧職業規范；⑨個人和團隊角色承擔；⑩溝通；?項目管理；?終身學習。

在評價方式方面，重點研究項目+團隊+競賽等全方位的考核，不再以單一的考核方式為主。

3.4 實施方案

（1）線上資源建設

按照知識模塊內容，分批次建設相關的網絡資源，并且可以發掘學生“傳幫帶”的作用，鼓勵學生開發網絡資源，開展小組式學習，不斷優化相關資源，并逐步開發測試題集，對線上資源的學習有相應反饋。

（2）開發實際應用案例

以項目制為依托，結合教師和競賽中的實際應用項目，打通從理論到應用的通道。比如在《機器學習與人工智能》課程中以機器學習和深度學習為依據，著重培養學生自主搭建深度學習框架的能力，貫穿簡單的人工智能案例，達到人工智能與現實場景的高度融合。

依托實習實踐基地，開設相關知識的訓練營，引進企業工程師，促進真實案例在企業落地，引導學生提前進入工程項目的實際訓練，不斷提高項目實操能力。

（3）以賽促教，賽教融合

以中國軟件杯大賽、全國大學生人工智能大賽、全國大學生物聯網設計大賽和挑戰杯、國際互聯網+創新創業大賽為依托，將參賽過程的實際表現融入課程的平時成績，最終比賽結果可直接作為考核結果，學生在比賽過程中積累相關知識和經驗，反向促進教學，真正實現賽教融合。

4 結 語

新工科的建設重在學科融合和交叉，要打破原有的學科框架，以培養復合型、創新型人才為目標，不斷優化理論與實踐知識體系。以最終實現嵌入式人工智能為目標，打通從硬件到軟件、從理論到應用的完整的培養路徑；利用線上線下相結合、以工程實際項目為依托的教學手段，建立起“基本理論-算法分析-數據采集-模型訓練-輕量化裁剪-模型部署-應用測試”的全周期項目資源鏈條，不斷在創新型人才培養上有突破。嵌入式人工智能的人才培養之路才剛剛開始，建立起完整的實踐教學體系有十分重要的現實意義。