中小學人工智能教育中的實驗設計

中圖分類號：G434 文獻標識碼：A論文編號：1674-2117（2025）09-0005-04

背景：人工智能教育不能僅教屠龍技

2022年，筆者曾在《莫把人工智能教成屠龍技》一文中提出“當前中小學人工智能教育實際上并沒有教學生有用技能”，中小學的人工智能教材“往往滿足于介紹人工智能的發展歷史，講一點原理，體驗一些應用，然后開始討論人工智能的倫理問題”。因此有人用“屠龍技”類比，吐槽某些教材并不實用。究其原因主要是人工智能發展太快，教育領域對人工智能的認識沒能跟上其步伐，存在各種誤解，要么認為學生沒必要學習，要么認為學生學不了。

實際上，當“智能”可以通過“喂養”數據而獲得時，就意味著人工智能的技術門檻開始“降維”一只要擁有足夠豐富的數據，訓練模型不過是流程化的操作。中小學的人工智能課程顯然不能回避以神經網絡和深度學習為代表的新一代人工智能內容。但是，這些內容對學生而言不能僅僅浮于表面，停留在概念介紹上。如果不能真正去實驗、實踐人工智能技術，那么人工智能素養的培育肯定無從說起。人工智能教育應該采用實驗教學、工程式項目學習等方式，幫助學生從人工智能的使用者向人工智能的開發者身份過渡。

0 分析：實驗教學需要工具和平臺支持

在中小學開展人工智能實驗教學活動需要適合的學習工具。以高中信息技術課程中的“人工智能初步”模塊為例，所有版本中只要是涉及機器模型訓練的，全都使用Google公司的人工智能開發框架TensorFlow或者Keras。雖然相對于TensorFlow來說，Keras的使用門檻已經比較低，但畢竟不是為中小學生程度的學習者開發的，代碼依然比較復雜且難以理解。同時，因為義務教育階段的人工智能教材回避了實驗活動，導致模型訓練方面的知識成為真空地帶，學生學習起來比較困難。所以在2022年，上海人工智能實驗室發布了支持使用極簡代碼 行代碼）訓練計算機視覺模型的MMEdu工具。隨后，BaseML和BaseNN陸續發布，機器學習和自定義神經網絡的模型也能使用類似的極簡代碼。MMEdu、BaseML、BaseNN和XEduHub等工具彼此獨立又密切關聯，形成了一套名為XEdu的人工智能學習工具箱，支持數據處理、模型訓練、模型部署等人工智能全鏈路開發工作。

在中小學人工智能課堂開展實驗活動還存在一道難題，那就是環境搭建。在人工智能行業有句俗話，大意是環境搭建勸退了 9 0 % 以上想學人工智能的人。因為人工智能的開發框架很多，涉及各種庫，這些庫的版本常常會沖突：不僅庫與庫之間存在版本兼任問題，庫和Python的版本、CUDA的版本之間都需要做復雜的匹配工作。因而，浦育平臺（OpenInnolab）的發布曾經被人工智能教師視為“救星”，原因之一是其內置了容器，可以在線調用云端算力，另外它還支持用瀏覽器前端算力訓練一些簡單的模型，如圖像分類、姿態分類、音頻分類、文本分類等。當然，值得期待的還有上海熊星科技開發的AIRay，它實現了在瀏覽器前端訓練通用的深度學習模型，如全連接神經網絡、循環神經網絡等，而且這些模型還能夠導出為其他通用格式的模型，如ONNX。

0 展示：人工智能實驗設計的典型案例

目前，專門研究人工智能教育中實驗教學的團隊還很少，尤其是面向中小學方向。但人工智能與信息科技課程的教學內容關聯度極高，其學習載體都是計算機，可以借鑒參考。信息科技中的實驗可以分為驗證性實驗、探究性實驗、創新應用性實驗和虛擬仿真實驗等類型，筆者在日常教學中設計了一系列人工智能實驗活動，下面，將按照這四個類型分別選取典型案例進行介紹。

1.驗證性實驗

驗證性實驗是通過實踐驗證或證明特定的現象或理論，幫助學生鞏固和應用所學的理論知識，培養學生的實踐動手能力。機器學習和深度學習中的算法可以解決哪些問題、如何訓練、數據集如何劃分等問題都可以采用驗證性實驗來研究。

實驗案例之一：線性回歸和溫度轉換。

實驗目標：使用線性回歸算法尋找不同溫度之間的關系。

實驗描述：通過攝氏溫度和華氏溫度對應表，我們知道二者之間存在一定的對應關系。假設我們并不清楚它們之間的轉換公式，能否通過訓練線性回歸模型找出二者之間的關系？請以小組為單位，參考資源包中的代碼完成模型訓練，實現“輸入攝氏溫度，輸出華氏溫度”的功能。

實驗內容：

（1）完善代碼，輸入數據集路徑，進行模型訓練和保存。

（2）將訓練好的模型復制到模型應用代碼對應的文件夾中，然后運行模型應用代碼，輸入攝氏溫度，測試輸出的華氏溫度是否正確。

（3）進一步思考：如果要訓練“華氏溫度→攝氏溫度”的模型，該如何實現？

2.探究性實驗

探究性實驗強調學生主動探索和發現知識的過程。在人工智能教學中，學生可以通過自主設計實驗和進行實踐操作，發現問題、提出假設并進行實驗驗證，以達到對算法的深人理解。探究性實驗有利于培養學生的探索精神、解決問題的能力和批判性思維。不同數據集、不同算法、不同參數和超參數之間的比較，都可以用探究性實驗來開展研究。

實驗案例之二：投石車落地距離預測的不同算法對比。

實驗目標：使用不同機器學習算法訓練模型并比較，尋找最佳算法。

實驗描述：投石車能夠以指定角度向空中拋出石頭，我們以恒定的力量，分別從不同角度拋出，測量石頭落地點距投石車的距離，可以得到一個“角度—距離”對照表。請使用多種回歸算法訓練“投石落地距離”預測模型，對比不同算法的效果，并填寫表格。

實驗內容：

（1）完善代碼，選擇多種算法，進行模型訓練并使用R平方指標評估。

（2）對比不同算法的效果，分析并總結在該數據集上選擇何種算法最合適。

（3）進一步思考：如何在投石車上應用這一模型，驅動電機進行投擲？

3.創新應用性實驗

創新應用性實驗旨在培養學生的創新思維，提升學生創造性解決實際問題的能力。在這類實驗中，學生要將所學知識應用于實際場景，并嘗試著進行創新性的改進和應用。例如，在用人工智能解決真實問題時，學生往往需要采集大量數據，然后逐一做標注，非常煩瑣，而采用零樣本分類（Zero-shotclassification）的思路，可以大大降低時間成本。但是零樣本圖像分類是否有效、采用哪種模型編碼效果較好，都可以借助創新應用性實驗來開展研究。

實驗案例之三：零樣本圖像分類的有效性探究。

實驗目標：使用Clip模型實現對常見動物圖像的零樣本分類。

實驗描述：零樣本圖像分類指模型能夠對以前未見過的圖片類別進行分類。請將常見的圖像分類數據集“CIFAR10”的分類信息作為文本標簽，經過CIip模型編碼后作為分類基準。然后對一組推理圖像進行同樣的編碼，與文本的向量進行相似度計算。

實驗內容：

（1）完善代碼，選擇不同的圖像進行推理，記錄準確率。

（2）修改文本標簽，將英文單詞 改為中文，比較識別率的變化。

（3）進一步思考：如果提供的是“CIFAR10”的驗證集圖像，然后用全連接神經網絡訓練模型，是否可以實現少樣本分類的功能？

4.虛擬仿真實驗

虛擬仿真實驗是利用虛擬環境來模擬真實實驗的過程和結果。人工智能中涉及硬件的實驗，如具身智能、無人駕駛等內容都可以通過虛擬仿真實驗來研究。通過人工智能仿真平臺，學生可以在虛擬環境中進行實驗操作和觀察，不僅能進行零風險、高真實度的實驗，還可以在不受時間和空間限制的情況下，深入理解實驗過程和結論。虛擬仿真實驗降低了實驗成本和安全風險，提供反復練習和實驗條件的多樣性。例如，以熊星智境平臺（AIPlace）內置的簡易城市賽道為載體，設計符合中小學生認知水平的自動駕駛實驗，使學生能夠在機房完成從數據采集到模型部署的完整流程。

實驗案例之四：自動駕駛的算法比較。

實驗目標：通過比較簡單反饋算法與小型神經網絡兩條路徑，體驗數據驅動模型的優勢與局限。

實驗描述：利用四周布置8個虛擬雷達的車輛，控制其方向盤角度、油門力度、剎車力度，實現安全駛離起點并在限定時間內到達終點，在這期間不得碰撞或駛出賽道。

實驗內容：

（1）選擇簡單反饋算法，用示例代碼來控制車輛觀察汽車的行駛情況，記錄得分。

（2）選擇小型神經網絡，搭建訓練端到端模型，觀察汽車的行駛情況，記錄得分。

（3）進一步思考：當前的訓練數據來自手動駕駛，如何設計簡單的獎勵函數（如“到達終點 + 1 0 0 ，碰撞- ），用來強化學習控制？

反思：人工智能實驗需要實驗室支持

中小學的機房普遍沒有配備GPU顯卡，大部分深度學習模型都比較復雜，在CPU環境中訓練動輒需要數個小時，雖然在數據集上也可以做優化，但一節課僅僅40分鐘實在不夠用。這些問題限制了教師們設計人工智能實驗活動的積極性。

中小學不僅缺少帶算力的電腦，也缺少算力服務器，更缺少算力服務器的管理軟件。自2024年3月開源人工智能教學平臺OpenHydra發布后，中小學終于有了一個新的解決方案。一些有條件的學校開始購置算力服務器，也有一些學校和地區如上海奉賢、嘉定等地區，租用OpenHydra的云算力服務開展教學，彌補算力的不足。

教育部辦公廳發布的《關于加強中小學人工智能教育的通知》（教基廳函[2024]32號）為中小學開展人工智能的實驗教學提供了政策指導。全國部分地區率先開始了相關探索，比如深圳市鼓勵高校、科研院所和企業到學校捐建或援建人工智能實驗室，讓學生在校內有一個更具體更直觀的感知。

中小學人工智能實驗室應該具備哪些設備，購買哪些平臺，目前還沒有官方標準，甚至還沒有合適的行業標準。2024年，筆者組織骨干教師編寫“中小學開源人工智能實驗室建設方案”，并在中國教育裝備行業協會立項了“中小學人工智能教育（通用）技術規范”。根據人工智能實驗室的目標定位，其功能可以分為基本學習條件、AI課程教學、AI科創實踐、AI環境營造和AI算力保障這五大部分，不同要素之間的關系如上圖所示。

結語：借助實驗打開人工智能的黑箱

在當前大部分人工智能課程或教育項目中，課程設計主要采取純面向應用的視角，忽視了對復雜算法或技術 （如神經網絡）背后原理的探討。人工智能的底層概念在純應用情境中難以得到理解，導致在學生眼中人工智能始終是一個

“黑箱”，這也違背了開設人工智能課程的初衷。著名華人人工智能科學家李飛飛強調，人工智能應該是一個灰色盒子。人工智能如何從“黑箱”到“灰箱”，從深灰到淺灰，甚至最后變成透明，就需要依賴各種人工智能實驗活動的開展。在后續的工作中，筆者將按照實驗內容的層級分類，在基礎實驗的基礎上設計一系列有深度的實驗，如設置不同的學習率研究對模型收斂的影響讀取模型權重文件研究卷積神經網絡中卷積核的變化、將復雜模型拆解為骨干網絡加線性層等。

參考文獻：

[1盧秋紅，王振強，高淑印，等.訪談：普及中小學人工智能教育的現實困境與實踐路徑[J].中小學信息技術教育，2025（01）：5-10

[2]魏雄鷹.加強信息科技實驗教學發揮信息科技育人價值[DB/OL].htp：//www.moe.gov.cn/jyb_xwfb/moe_2082/2023/2023zl24/202311/t20231123_1091836.html.e