人工智能研究性学习范文

人工智能研究性学习范文第1篇

一、智慧与工作智慧

同志曾经说过：我们的任务是过河，但是没有桥或没有船就不能过。不解决桥或船的问题，过河就是一句空话，不解决方法问题，任务也只是瞎说一顿。

达尔文认为：最有价值的知识是方法的知识。

爱因斯坦的成功方程式：成功=艰苦劳动+正确方法+少说空话。

这里的方法，其实就是智慧的一种现实形态。智慧，本是梵文，读音“般若”，汉语译为“智慧”，现在对智慧的解释是对事物认识、辨识、判断处理和发明创造的能力；也指才智、智谋。是一个人借助经验和思考而获得的能力。智慧，是教育的永恒追求，古圣先哲苏格拉底就认为教育的目的就是“通过认识自己达到获取知识，最终成为有智慧、有完善道德的人”，强调从“自我认识中，探索寻求永恒的真理，寻找最高之善―智慧”。在科学技术尚未解放人类劳动之前，发展智慧只不过是统治阶级的一种特权享受，而在以职业生活及其相关的活动为主要生活内容的现代社会，人的智慧则体现于激发、创造于个体的工作世界中。马克思认为社会的基本关系是生产关系，而生产关系同时从另外一个角度看就是职业关系，总体而言人们很大程度上是通过职业活动来认识和改造世界、构建社会关系。从这一意义上分析，工作智慧即创造某一成就的行动的能力，是智慧的重要内容和构成要素，也是智慧的特殊表现形式。在工作世界中，每一个微小的技能技术或方法的创造性使用，也无不时时闪烁着智慧的光辉。在知识经济时代，一个社会组织的成员，其工作和学习应该是合二为一的，工作就是一个持续学习的过程，职业人必须通过不断学习来增加自身价值。

知识型社会，从本质上讲就是一个以智慧型人才为主流的社会，同时智慧也是经济增长，社会和谐的灵魂。而人，作为智慧资本的载体，在社会发展过程中发挥着中心作用。人们在工作中所体现的智慧不仅是知识经济社会发展的动机，同时也创造着智慧本身，即只有智慧才能衍生智慧。在这一背景下，面对瞬时生变的市场，各种社会组织，尤其是经济组织，要生存和发展，就必须具备较高智慧，尤其是较强的判断力、应变力和创新精神，而这些能力和精神来源于组织内处于不同岗位的拥有持续创新能力和高素质的人力资本。但是，人不可能天生就是人力资本，而是需要通过后天的创造性学习才有可能升华为人力资本。从这个角度来讲，当代对职业人的要求，也就是对工作智慧教育的要求。改变陈旧过时的教育（学习）范式，强调培养已经或将要从事特定职业的人们的工作智慧已成为职业教育刻不容缓的任务。事实上，我们不会认为工作不需要智慧，也不能说以求职为主要目的，职业院校的学生就不需要增进智慧。

在时下的教育教学活动中，教育已被异化为知识传授，教者呈现的是现成的、标准化的、一成不变的知识，所有受教育者之外的教育主体关注的是学生掌握知识的多少，特别是陈述性知识的多少，“知识就是力量”这句话也似乎深得人心，却很少有人考虑这句话的内在涵义是“智慧就是力量”。在这种状况下，有意识或无意识地忽略学生的智慧发展已成为不争的事实，不仅普通教育如此，在义务教育基础上发展并蓬来的职业教育也没能脱离这一巢臼，而且智慧在人们的眼里一直是一个高雅的名词，似乎与职业教育关系不大，职业教育也被很多人，包括一些职业教育工作者，偏颇地理解为弱势教育，因此，职业教育培养出来的人才不少还是脱离现实需求的复现记忆型人才，他们可能拥有不少书本知识，工作中也会运用一些技能技巧，但这些活动都具有僵化的特征，缺少人生的智慧。

二、研究性学习是开发工作智慧的重要渠道

美国未来学家阿尔温・托夫勒说过：“未来文盲不再是目不识丁的人，而是没有学会怎样学习的人”。这句话对世界有普遍意义，所以自产生以来就得到世人的普遍认同，这种普遍且重要的意义不仅仅体现于接受普通教育和专业教育的学术科研型人才和工程型人才身上，同样也体现于接受职业技术教育的技术型和技能型人才、体现于所有从事一定工作或者将会从事一定职业的人身上。在不断变化的世界中，没有一种或一组技能为人服务一辈子，因而最重要的技能便是学会如何学习，即拥有智慧、掌握学习方法。正是这种思想得到人们的普遍认同，研究性学习也就应运而生并得到教育界的广泛欢迎。古人云：“学而不思则罔”，智成于思，思始于行，学习的过程就是思考的过程，研究性学习特别能体现学习和思考、方法和智慧的内在紧密联系。

首先让我们来解读研究性学习的内涵。按照教育部颁布的《普通高中“研究性学习”实施指南》，研究性学习是指“学生在教师指导下，从学生生活和社会生活中选择和确定研究专题，主动地获取知识、应用知识、解决问题的学习活动，其基本要义有三：

其一，回归学生的生活世界。儿童生活在现实世界中，教育要对儿童的生活产生影响，就必须关注现实生活，使儿童具有强烈的现实感和生活感。研究性学习针对传统课程与学生生活世界剥离的弊端，冲破学科疆域的束缚，努力向儿童的生活和经验回归。这种回归意味着“研究性学习”在生活中，通过生活并为了生活。

其二，立足学生的直接经验。研究性学习超越了以文化符号为表征的课程形态，强调以学生的经验为核心，对课程资源进行整合；摈弃抽象的文化知识积累的认知方式。倡导依靠学生的亲身经历获得知识。研究性学习并不把直接经验与间接经验相对立，一方面尊重直接经验的课程价值，另一方面寻求间接经验的个人意义，使两者共同建构起个体的完整的经验。

其三，关注学生的自主探究。自主探究是与研究性学习相适应的基本学习方式。研究性学习的重要目的就在于改变学生单一的知识接受性的学习方式和简单的技艺性的活动方式，使学生通过调查、访问、考察、测量、实验、劳动等多样化的探究活动展开学习。其“自主探究”虽然形式上是研究，但实质上是学习。

对一切活动而言，方法问题都是不可忽略的重要问题，“得法者事半功倍，不得法者事倍功半”，掌握科学的学习方法，对所有学习者皆至关重要，影响着学生在实际工作情景中的学习迁移能力。而方法，作为智慧的外在形态，无非是智慧在各种实际情境中的现实阐释。但是，增长智慧的目的是什么？无非是把它运用于生活实践之中，让人们享受它带来的心灵愉悦以及提高工作效率、生活水平的实际利益和乐趣。从以上三点要义的解释来看，研究性学习对接受职业教育的学生首先具有方法论的指导意义，蕴含着一种面向未来的自主创新的新学习观。它可以被看作是一种学习方法，教学方法，即既指导学生“学会”，又引导学生“会学”，为提升学生的持续学习能力埋下伏笔，奠定终生学习的坚实基础。

从另一角度讲，“研究性学习”与其说是一种具体的学习方法，还不如说是一种学习理念，因为不同的学习阶段、学习内容、学习环境、专业性质、课程特点不同，研究性学习在具体方法上所表达的形式也有所不同。如日本学者田之教授归纳的五种研究性学习的课程模型：调查研究型课程、综合表达型课程、社会参与型课程、生活实践型课程、共同交流型课程，它们都各具特色，对各种参与角色的技能和态度有着特殊要求，并且其适应范围也各不相同。作为一种学习理念，不管这种理念如何进步，它都必须与应用它的环境和条件相匹配才能发挥它应有的功能。而且笔者还认为，任何一种先进的教育理念，要想成功地转化为教育实践，关键还在于教育主体（包括教师、学生）接受这种观念，并把它当作一种信念，根据对它的自我理解和其自身的教学或学习风格，创造性地运用于教学实践中，最初创造这种理念的人把它用于实践，它便成为一种方法，并且是一种让人耳目一新的方法、有很强实践意义的方法，才能得到人们的认可并推广开来。反之若一种新的教育理念及方法仅仅依托于行政法规而强制推行于教育系统，那么它就只能是一种外在的强势力量，而不能成为职业教育发展的内趋力。

三、工作智慧需要职业教育引导学生进行研究性学习

首先，职业教育中的专业教学内容源于工作世界的职业实践，职业教育课程从开发、编制到实施都强调以人类的基本活动――职业活动为中心，通过对工作世界的分析、各类职业的职业分析、教育对象分析以及劳动力市场需求分析的基础上组织开展职业教育活动。在这一点上，研究性学习强调学习内容的实践性与职业教育的特点非常吻合，这种吻合为职业院校开展研究性学习所必须的科学探究、社会探究、实践探究展示了广阔空间。

人工智能研究性学习范文第2篇

关键词：人工智能 技术 机器学习

中图分类号：TP181 文献标识码：A 文章编号：1007-9416（2016）11-0089-01人工智能技术，是一门诞生于在二十世纪中期的技术，对于社会和经济发展都有着长远的意义。人工智能这一科学，包含的学科领域比较广，主要包含计算机科学、信息科学、数学科学、工程技术以及哲学心理学等知识体系，其研究的核心问题主要在于能够令及其具备基本的学习、交流、输入和输出的能力，最终目的是实现机器和人类相似的认识世界和独立思考的能力，人工令机器具备更加“聪明”的属性，这也是能够令计算机具有智能性能的基本方式。

1 机器学习概述

1.1 机器学习定义

机器学习，主要就是指通过系统或者知识的识别，对于机械的学习能力进行提升，使其能够获得新技能或者新知识。与人类的学习方式类似，如果不进行系统的学习或者没能掌握合适的学习方式，那么机器学习的效果也会大打折扣，难以进行新知识、新作品的创造，机器学习也是相同的道理，只有通过学习掌握了分析问题、解决问题的方式，才能够获取创新能力。机器学习在人工智能发展领域是一个热门的研究领域，其研究的目的简而言之就是推动机器能够像人类一样不断获取新的知识，获得分析问题和解决问题的能力，建立起相关的知识体系，并且将这些能力运用在具体的实践问题解决中[1]。

1.2 机器学习研究目的

机器学习研究的主要研究目标有三个，首先，需要进行人类学习整体过程的模拟，在此基础上进行学习认知模型的建立，目标的实现对于科学知识的认知和发展存在着很强的相关性；其次，需要推动机器进行相关理论的学习与研究，探索多种学习方法，并且根据机器本身的特质进行特定的程序设计，体会其相似和区别性；最后，设定关于机器学习的相关程序，主要研究内容就是获取知识的工具以及相关系统，在机器发函系统建立的过程中建立起相关数据库，进行知识和经验的累积。不断进行自身知识的累计，提升能力掌握的水平，提升机器智能化的能力，令机器能够接近人类的学习能力。

1.3 机器学习方式方法

机器学习方式方法主要就是基于人类的学习方式，需要将机器和人类学习的方式进行综合学习，掌握更科学的学习方式方法，在人类思考方式和学习方式的基础上进行机械性能的扩展，能够实现快速、大内存、高复制性的工作，得到适合的机器学习方式方法。当前，机械学习的具体学习方式方法有两种思路，一种是演绎学习系统，从一般到特殊的学习方式方法，能够通过公理的推断得出相应的结论和目的；另一种属于归纳学习系统，主要思路就与演绎方法相反，特殊到一般的思维方式，其主要包含传统归纳和创新归纳两种模式，也可以包含完全和不完全归纳这两种模式，其中传统的归纳关系是根据事实思考方式，归纳出其中的共性，得到科学的机器学习方式方法。

2 基于人工智能的机器学习研究

2.1 环境适应性机器学习研究

机器与人类的很大一点不同在于，对于环境的适应性有所不同，机器对于环境的适应性研究也就成为人工智能技术研究的重要问题之一，环境能够位系统提供的质量高低对于机器学习的质量有着深远的影响，同时，机器内部体系存放的原则往往都是通过环境适应性的原则建立起来的，然而，外界环境通常都具有复杂性，学习过程中必须通过大量的数据进行支持，对于多余环节进行删减，在此基础上进行总结推广，设定成为系统的动作指导一般性准则，这样可能会导致机器学习过程繁杂，这对于整个系统长远发展是不利的[2]。

2.2 机器知识库的扩展延伸

机器知识库的设置对于机器学习的发展而言也意义重大，需要保障机器知识库种类丰富、表现形式多样化，其中需要包含基本的特征向量、规则化语言以及网络化关联等等，因此在进行机器知识库的设计中，需要做到知识库适当的扩展延伸，实现提升机器学习能力的目的，主要可以从三个角度入手，首先，要求逻辑简单、表意明确的机器表达模式，其次要求做到推理过程简单易懂，能够降低机械计算成本，这就要求机器学习的系统进行简单的推理过程，最后，要求实现知识的充分扩展和眼神，人工智能技术背景下的机器系统的学习不仅仅要求基础知识的掌握，更要求知识的表达方式以及表达效率的提升，甚至一个知识要求需要不同的表达模式，对于系统的构筑要求也有所不同。

2.3 机器学习反馈评价体系

基于人工智能技术的机器学习，需要建立起相应的反馈和评价体系，针对机器学习反馈评价体系而言，其反馈主要包含三重内容，其一是根据简单基础的规则进行基础反馈评价，其二是进行设计多个概念的复杂型评价反馈体系，最后就是设计小型的策略分析评价体系，分步根据实际任务进行机器学习反馈评价体系的建立。在此基础上，应当提升学习反馈评价机制的透明度，要求执行的过程和结果通过简明的方式表现出来，对于已有的知识库进行合理评价，在表达模式当中采取元级表述的方式进行反馈评价，这样的反馈评价体系有利于人工智能技术在机器发展中的应用，扩展机器学习范畴的同时提升其执行能力。

3 结语

综上所述，在人工智能的背景下，进行机器学习的研究势在必行，需要通过多种方式在研究机器学习定义、目的和方式方法的基础上，对于人工智能在机器学习中的认知进行深入思考和完善，通过环境适应性机器学习研究、机器知识库的扩展延伸和机器学习反馈评价体系的建立这三种方式进行人工智能的机器学习发展，推动人工智能技术在机器学习领域的深入发展，推动社会经济的发展。

参考文献

人工智能研究性学习范文第3篇

关键词：人工智能；深度学习；教学建议

0 引言

传统的人工智能课程主要包括人工智能导论、模式分析、机器学习、数据挖掘等。这些课程由各个院校根据专业情况不同而选择，课程的内容也有较大差别，但是，基本上都涉及人工神经网络的内容。然而在人工神经网络的教学内容上，一般只讲解经典的多层感知器和反向传播算法，或再加入一些反馈网络的内容，这种教学内容设计的一个不足是忽视了人工智能领域的最新发展——深度学习，它是近几年人工智能领域最具影响力的研究主题，并在大规模语音识别、大规模图像检索等领域取得突破。

北京邮电大学计算机学院开设人工智能科学与技术的本科专业，笔者从事深度学习的研究工作，同时承担了本科生和研究生人工智能类课程的教学工作，因此产生了将深度学习内容引人人工智能类课程的想法。本文先介绍深度学习的背景，说明深度学习在人工智能发展中的地位，之后分析了将深度学习基本内容引入人工智能类课程的必要性和可行性，最后给出了一些实施建议供探讨。

1 深度学习背景

2006年，加拿大多伦多大学的GeoffreyHinton教授与Salakhutdinov博士在美国《科学》杂志发表了题为“Reducing the Dimensionality ofDatawith Neural Networks”的论文，该文提出一种学习多层神经网络的方法，并将这种具有多层结构的学习方法命名为深度学习（Deep Learning），而这成为深度学习研究的一个导火索，从此深度学习的研究与应用蓬勃发展起来。

深度学习在语音识别与生成、计算机视觉等应用领域取得了突出进展。近几年的国际机器学会（International Conference on MachineLearning，ICML）、神经信息处理大会（AnnualConference On Neural Information Processing Systems，NIPS）、计算机视觉大会（InternationalConference on Computer Vision，ICCV）、

声学语音与信号处理大会（International ConferenceOn Acoustics，Speech，and Signal Processing，ICASSP）、计算语言学大会（Annual Meeting of the Association for Computational Linguistics.ACL）、计算机视觉与模式识别（InternationalConference on Computer Vision and P atternRecognition，CVPR）等都有不少相关的研究论文、会议教程和小组研讨会（Workshop）。美国国防高级研究计划（DARPA）也提出了关于深层学习的研究项目。此外，2013年6月《程序员杂志》的封面故事，采访了周志华、李航、朱军3位国内的机器学习专家对于深度学习的看法，他们一致肯定了深度学习在机器学习领域的贡献。

工业界对深度学习也寄予了很高期望。2012年6月，《纽约时报》报道了斯坦福大学计算机科学家AndrewNg和谷歌公司的系统专家JeffDean共同研究深度神经网络的机器学习模型在语音识别和图像识别等领域获得的巨大成功。2012年11月，微软公司在天津公开演示了一个全自动的同声传译系统，其关键技术也是深度学习。2013年1月，百度公司首席执行官李彦宏先生宣布建立深度学习研究院（Institute of Deep Learning）。2013年3月，谷歌公司收购了由深度学习创始人Geoffrey Hinton创立的公司。

从学术界与工业界的研究态势看，深度学习已经成为机器学习与模式识别，乃至人工智能领域的研究热点。正是在这样一个背景下，人工神经网络重新回到人们的视野。此前人工神经网络的发展大致可以分为两个时期，1943年，McCulloch和Pitts提出了最早的人工神经元，这种神经元具有学习能力，这是人工神经网络的发端，也可以被认为是人工智能的发端（当时还没有人工智能这个术语）。1949年，Hebb提出了Hebbian学习算法。1957年，Rosenblatt提出了感知器的神经网络模型。1969年，Minsky和Papert分析了这种感知器神经网络模型的局限性。然而，很多研究者认为，感知器的这种局限性对于所有的神经网络模型都适用，这使人工神经网络的研究很快暗淡下来。1980年代中期，诺贝尔奖得主John Hopfield提出了Hopfield神经网络模型，这种Recurrent神经网络具有的动态性有可能用于解决复杂的问题。同时，多层前向神经网络的后传算法也被重新发现，这两个工作使人工神经网络得到重生。这时，人工神经网络已经成为人工智能的一个重要组成部分。但是，在随后的研究中，人们发现，当学习多层神经网络包含更多的隐藏层时，后传算法并不能学到有效的网络权值，这使得神经网络的研究再次陷入低潮。此次以深层神经网络为代表的深度学习重新回到研究的舞台，其中一个重要因素是Hinton提出的逐层预训练神经网络方法治愈了多层神经网络的一个致命伤。

2 必要性与可行性

深度学习的发展使得从事教学一线的教师也无法忽视这个颇具影响力的研究主题。为此，我们提出将深度学习这个主题引入到人工智能类课程中，将它作为课题教学的一部分。

2.1 必要性

将深度学习这个主题引入到人工智能类课程中的必要性主要包括如下4点。

1）深度学习是人工智能的前沿。

2006年以来，深度学习的研究席卷了整个人工智能，从机器学习、机器视觉、语音识别到语言处理，都不断涌现出新的研究工作和突破性进展。深度学习不仅在机器学习领域成为研究热点，同时在多个应用领域也成为有力工具，而且，在工业界的系统应用中，深度学习成为其中的关键解决技术。

2）深度学习是人工智能的突破。

深度学习的发端是神经网络。关于神经网络的论述，在人工智能类常见教科书中还停留在多层神经网络，即神经网络的第二阶段，它们大部分描述多层结构无法训练的现象。但是，从深度学习的角度看，深层神经网络不仅可学习，而且有必要，这与第二代神经网络的观点是完全不同的。深度学习突破了原有人工神经网络的认识，超越了人工智能神经网络教科书中的原有内容，因此，有必要将多层神经网络结构的可学习性告知学生，从新的视角纠正原有的观点。

3）深度学习是人工智能的延伸。

深度学习不仅提供了一种可以在深层神经结构下训练网络的方法，也包含了不少新的内容，是人工智能的新发展，为人工智能补充了新的内容。到目前为止，深度学习至少包括：从生物神经网络与人类认知的角度认识深层神经网络的必要性；如何构建和学习深层学习网络；如何将深层结构用于解决视觉、语音、语言的应用问题；如何看待深度学习与原有的机器学习方法，如流形学习、概率图模型、能量模型的直接关系；深度学习与其他学科的关系等。

4）深度学习是学生的潜在兴趣点。

大学生对知识有着强烈的好奇心，加之当前信息技术的发达，部分对智能感兴趣的学生可以从其他途径了解到这个学科发展的前沿。因此，顺势而为，将深度学习这个主题做具体讲解，满足学生的好奇心，培养他们对学科前沿与发展的认识，是十分必要的。对高年级的学生而言，了解深度学习的基本知识，是他们全面认识人工智能与发展前沿的一个途径，而对于研究生，较多地了解和掌握深度学习的基本知识有助于他们研究工作的开展。

基于以上几点，笔者认为，将深度学习这个主题引入到人工智能类课程中非常有必要。深度学习作为人工智能的前沿，既是对人工智能原有理论和技术的一个突破和补充。

2.2 可行性

将深度学习引入到人工智能类课程中的可行性主要包括如下3点。

1）深度学习与现有人工智能联系密切。

深度学习并不像突兀的山峰拔地而起。而是深深植根于原有的人工智能理论与技术。深度学习是以神经网络为出发点，这正是深度学习教与学的切入点。比如，可以通过对多层感知器隐藏层的增加和后传算法的失效来讲解深度学习是如何解决这个问题的。再者，深度学习的一个核心构建“受限波尔兹曼机（Restricted Boltzmann Machine）”，可以被认为是一种能量模型，而这种模型与Hopfield网络都可以从物理学的能量模型角度分析，RBM可以认为是Hopfield网络的随机扩展。总之，深度学习与现有人工智能的联系，使学习深度学习变得容易。

2）深度学习的基本内容并不深。

深度学习有个很好的名字，这个名字恰当地描述了特定的学习结构。比如，深度学习的核心部件受限于波尔兹曼机RBM，其结构非常简单。从神经网络的角度，受限波尔兹曼机是一种随机的双向连接神经网络，信号可以从可见层传递到隐藏层，也可以从隐藏层传递到可见层。网络中每个节点是具有特定结构的神经元，其中的神经元具有典型的包含自身偏置的Logistic函数的随机单元，能够依Logistic函数计算得到的概率输出0状态或1状态。概括地说，深度学习的基本内容在高年级阶段较易掌握。

3）深度学习的资料容易获得。

当前的信息资讯非常发达，有相当多的资料可以通过互联网等多种途径获得，这使学习深度学习成为可能。近期，中国计算机学会主办了多个技术讲座均涉及深度学习的部分；深度学习的创始人Hinton教授的主页也有很多资料；Coursera网站有免费的Hinton教授的神经网络课程；斯坦福大学的Ng教授提供了很多的在线教程；蒙特利尔大学Bengio教授发表的题为“Learning Deep Architectures for AI”的论文也是这领域的优质资料。

3 实施建议

在具体的教学过程中，笔者建议适当安排深度学习的最基本内容，内容不宜过多，也不宜占用过多的学时，可以根据教学对象的不同进行调整。比如，本科生的高年级专业课可以安排1学时的教学量，介绍层次训练的基本算法；也可以在高年级前沿讲座中安排2学时，内容覆盖面尽可能广泛。在研究生的教学中，可以根据教学的课程主题安排内容与学时。比如，神经网络主题的课程可以安排4-6学时的教学内容，包括波尔兹曼机及学习算法、深层信念网络与学习算法、深层波尔兹曼机与学习算法卷、积神经网络、自动编码器等。结合应用，课程还可以包含MNIST数字识别的应用、人脸识别的应用、图像检索的应用、语音识别中的应用等。另外，深度学习是一个实践性很强的研究，随机性：大规模（意味着数据不宜可视化，程序运行时间长）等多种因素混合，使深度学习在学习中不容易理解。为此，可以在条件允许的前提下，增加小规模的实验，辅助理解。最后，课件可以通过对优质资料做修改得到。

人工智能研究性学习范文第4篇

关键词:人工智能;理论传授;实验训练;科研训练

人工智能(Artificial Intelligence,AI)是计算机科学与技术专业的一门重要专业课程,是一门研究运用计算机模拟和延伸人脑功能的综合性学科。它研究如何用计算机模仿人脑所从事的推理、证明、识别、理解、设计、学习、思考、规划以及问题求解等思维活动,并以此解决需要人类专家才能处理的复杂问题,例如咨询、诊断、预测、规划等决策性问题[1]。人工智能是一门涉及数学、计算机、控制论、信息学、心理学、哲学等学科的交叉和综合学科。目前,人工智能很多研究领域,如自然语言处理、模式识别、机器学习、数据挖掘、智能检索、机器人技术、智能计算等都走在了信息技术的前沿,有许多研究成果已经进入并影响了人们的生活。

2003年12月5日,国内第一个“智能科学与技术”本科专业在北京大学诞生[2],它标志着我国智能科学与技术本科教育的开始,对我国智能科学技术人才培养和智能科学与技术学科建设起到极大的带动作用。目前,人工智能课程的教学存在几个问题:首先,注重讲授理论知识,实验环节滞后,这不利于培养学生的实践能力,更谈不上实践创新。其次,人工智能是交叉学科,内容比较繁杂,各种教材的内容不一样,授课没有统一的体系,学生学习时抓不住重点,不能理解人工智能的根本方法和思想。一般说来,计算机专业的其他课程,如网络技术、数据库技术、算法分析与设计等,都是求解结构化问题的基本技术,而人工智能技术则是解决非结构化、半结构化问题的有效技术。最后,人工智能科学与技术飞速发展,但目前人工智能只被视为一门专业课,课程讲授和人工智能没有作为一个研究方向结合起来,也没有把传授课本知识和引导启发创新结合起来。

适应知识经济发展的高等教育,要把培养创造精神和创新能力摆在突出的位置。创新是基础研究的生命,而高等学校的教学只有与科研紧密结合,才能在培养学生的创新精神方面有所作为。为此,针对人工智能的课程特点,我们积极开展研究型教学、研究型学习,提高大学生的学习能力、实践能力和创新能力的研究与实践。在教材上,我们选用了清华大学出版社出版、马少平等编写的《人工智能》。我们的教学研究与实践的主要内容包括三个方面:启发式传授人工智能解决问题的非结构化的思想;成体系的实验训练;以及与毕业论文,学校大学生科研项目资助计划,国家大学生创新性实验计划相对接的科研训练。这三个主要方面,层层递进、环环相扣,是体系完整的创新型人工智能教学实践。下面,我们就这三个方面内容展开探讨。

1启发式传授人工智能解决问题的非结构化思想

现实世界的问题可以按照结构化程度划分成三个层次[1]:1)结构化问题,能用形式化(或称公式化)方法描述和求解的一类问题;2)非结构化问题,难以用确定的形式来描述,主要根据经验来求解;3)半结构化问题,介于上述两者之间。一般说来,计算机专业的其他课程如网络技术、数据库技术、算法分析与设计等,都是求解结构化问题的基本技术。而人工智能技术则是解决非结构化、半结构化问题的有效技术。人工智能的教学可以让学生在体验、认识人工智能知识与技术的过程中获得对非结构化、半结构化问题的解决过程的了解,从而达到培养学生多角度思维的目的。

我们使用的教材主要内容包括搜索和高级搜素、谓词逻辑和归结原理、知识表示、不确定性推理方法、机器学习等。这些主要内容也可以相应地归结为若干个典型算法,如启发式A*搜索算法、 剪枝算法、元启发式算法(模拟退火,遗传算法)、谓词逻辑归结算法、贝叶斯网络、决策树、神经网络(BP算法、自组织网络和Hopfield神经网络算法)。元启发式算法是一种启发式的随机算法,是用来解决非结构化问题的典型算法,其思想和传统的决定性算法如动态规划、分支限界完全不一样。学生在刚一接触到这些元启发式算法一时难以接受和理解其机理,对算法的有效性往往半信半疑。根据非结构化、半结构化问题的特点,讲解和演示算法在解决此类问题的具体步骤和详细过程,从而让学生掌握人工智能算法的基本思想。在讲解不同的元启发式算法的时候,学生会问,是模拟退火算法强,还是遗传算法强;在讲到机器学习算法的时候,学生会问到底哪个分类算法最好,这时候我们可以把搜索(优化)领域和机器学习领域的“没有免费午餐”定理进行适当的讲解和解释,从而把具体算法实现层面之上的一些人工智能的哲学思想进行传授。

在人工智能的具体教学中,采用问题教学法和参与式教学法。在问题教学法中,围绕人工智能的知识模块,在引导学生发现各种各样问题的前提下,传授知识。教学活动中,尝试使人工智能知识围绕实际问题而展现,使问题不仅成为激发学生求知欲的前提,也成为学生期盼、理解和吸收知识的前提,以此激发学生的创造动机和创造性思维。在参与式教学中,打破人工智能算法的枯燥、沉闷的传统教学法,尝试开放式教学内容;提问式讲课;无标准答案的课程设计;查找文献,分组动手实现人工智能算法等参与式教学方法,培养和发扬学生的参与意识,通过参与式教学提高学生学习的主动性、积极性和效率,培养学生的动手能力和创新能力。

2成体系的实验训练

独立开展人工智能实验课程,开发一批新型、富有创意的实验案例库,搭建一个创新实验和虚拟学习社区平台。人工智能实验课程的特点是应用各种人工智能方法,根据问题的约束、结构、信息进行表示建模和计算机上实现,是与人工智能原理同步的实验课程。学生必须掌握的人工智能的基本原理和计算机操作技能,它对于学生的知识、能力和综合素质的培养与提高起着至关重要的作用,在整个教学过程中占有非常重要的地位,是计算机软件、计算机应用、计算机网络、软件工程等专业的一门重要的必修专业课程。通过实验,学生得到严格的训练,能规范地掌握人工智能的基本理论和主要方法、基本问题求解技术,熟悉各种计算环境的基本使用。

在培养学生掌握实验的基本操作、基本技能和基本知识的同时,努力培养学生的创新意识与创新能力。为实现这一目标,在课程内容安排上采用适量基本原理与方法的实验内容为基本内容,增加一系列综合性实验和开放性创新实验问题,在实验内容方面更注重研究性实验中的创新问题。实验内容方面分为三个层次:基本原理的基础性实验、综合实验和研究性实验。在后两个层次的实验中,部分引入人工智能课程小组团队的最新科研成果,目的在于通过完成这些研究性实验,培养学生独立解决实际问题的能力,以提升学生的科研素质与创新意识。我们将这些设计实验称为新型实验案例库,它被放在人工智能课程小组网站上,以此搭建一个创新实验和虚拟学习社区平台。通过实验课程的学习和训练,学生应达到下列要求。

1) 掌握人工智能方法的优点及其在实际中的应用。

2) 学会对人工智能问题进行分析建模和应用各种计算工具实现问题求解,熟悉对实验现象的观察和记录,实验数据的获取与设计,最佳实验条件的判断和选择,实验结果的分析和讨论等一套严谨的实验方法。

3) 巩固并加深对人工智能原理课程的基本原理和概念的理解,培养学生勤奋学习,求真求实的科学品德,培养学生的动手能力、观察能力、查阅文献能力、思维能力、想象能力、表达能力。

4) 通过完成综合研究性实验,培养学生独立解决实际问题的能力,提高学生的科研素质与创新意识。

在培养学生掌握实验的基本操作、基本技能和基本知识的同时,进一步培养学生分析问题和解决问题的能力,培养学生的创新意识、创新精神和创新能力,为学生今后从事科研、教学或企事业单位的分析检验以及新技术的研发工作打下扎实的基础。

在实验组织方面,根据各实验的目的和要求,学生分为5人1组,指定一个组长,每组选择1套实验题目。基础实验题目要求达到27学时、综合性实验题目选择1题和研究性实验题目选择1题,基础实验题目要求在规定时间内,小组独立完成实验测定、数据处理,并撰写实验报告。实验过程中, 要求学生勤于动手, 敏锐观察, 细心操作, 开动脑筋, 分析钻研问题, 准确记录原始数据, 经教师检查,实验及其原始数据记录才有效。同时,团队作业,需要多人分工合作、相互帮助,这样可以提高人际交往和沟通能力,学会与他人合作,培养团队创新能力。

3课程学习与毕业论文,科研训练相结合

人工智能技术在一定程度上代表着信息技术的前沿和未来,通过学习和体验人工智能的知识和技术,学生能够在一定程度上了解信息技术发展的前沿知识,这有助学生开阔视野、培养兴趣,为今后继续深造或走向社会奠定坚实的基础[3-4]。

人工智能的理论和方法广泛应用于数据挖掘、机器学习、模式识别、图像处理中,这些内容既是高年级的后续课程,又是现在热门的研究方向。学习和深刻理解人工智能的理论、方法和应用,对后续课程学习以及今后的研究具有重要的意义。

我院规定大学三年级的学生开始联系毕业论文指导导师,同时确定毕业论文的研究方向,提前进行科研实践,以培养实践能力和研究素质。人工智能课程正好是大三高年级开设的专业课,因此,我们把课程实验及设计与同学的兴趣相结合,引导学生,并提炼和形成学生的毕业选题和课外的科研方向,它是提高本科生研究创新能力的有效手段。

基于新的教学实践,很多学生的选题都与上述归纳的人工智能若干算法相关,如算法本身的研究和改进,或是算法在各领域,如数据挖掘、图像处理等的应用。在我们的科研能力训练计划中,一批项目和课题,如混合神经网络的研究与应用、差分演化算法研究与应用、基于协同训练的推荐系统等,分别受到国家和学校本科生科研项目立项资助。一批三四年级的本科生以第一作者身份在国内核心期刊、国际会议和期刊上发表学术论文,这激发了学生的科研兴趣,使学生体会到了创新的乐趣。

总之,课程学习与毕业论文、学校大学生科研项目资助计划、国家大学生创新性实验计划相对接的科研训练,极大地提升了学生的创新能力和科研基本素质。

4结语

针对人工智能的课程特点,我们积极开展研究型教学、研究型学习,提高大学生的学习能力、实践能力和创新能力的研究与实践。我们的教学研究与实践主要内容包括三个方面:启发式传授人工智能解决问题的非结构化的思想;成体系的实验训练;以及与毕业论文、学校大学生科研项目资助计划、国家大学生创新性实验计划相对接的科研训练。这三个主要方面,层层递进、环环相扣,是体系完整的创新型人工智能教学实践,新的改革和实践在教学中取得了令人满意效果。

参考文献:

[1] 张剑平. 关于人工智能教育的思考[J]. 电化教育研究,2003(1):24-28.

[2] 谢昆青. 第一个智能科学技术专业[J]. 计算机教育,2009(11):16-20.

[3] 罗辉,梁艳春. 大学生毕业论文与科研能力培养及就业[J]. 吉林教育,2003(10):18.

[4] 金聪,刘金安. 人工智能教育在能力培养中的作用及改革设想[J]. 计算机时代,2006(9):66-69.

Reform and Practice of Innovative Teaching in Artificial Intelligence

WANG Jia-hai, YIN Jian, LING Ying-biao

(Department of Computer Science, Sun Yat-sen University, Guangzhou 510006, China)

人工智能研究性学习范文第5篇

【关键字】人工智能；教育；进展

【中图分类号】G40-057 【文献标识码】A 【论文编号】1009―8097（2008）13―0018―03

人工智能是一门综合的交叉学科，涉及计算机科学、生理学、哲学、心理学、哲学和语言学等多个领域。人工智能主要研究用人工的方法和技术，模仿、延伸和扩展人的智能，实现机器智能，其长期目标是实现人类水平的人工智能。[1]从脑神经生理学的角度来看，人类智能的本质可以说是通过后天的自适应训练或学习而建立起来的种种错综复杂的条件反射神经网络回路的活动。[2]人工智能专家们面临的最大挑战之一是如何构造一个可以模仿人脑行为的系统。这一研究一旦有突破，不仅给学习科学以技术支撑，而且能反过来促使人脑的学习规律研究更加清晰，从而提供更加切实有效的方法论。[3]人工智能技术的不断发展，使人工智能不仅成为学校教育的内容之一，也为教育提供了丰富的教育资源，其研究成果已在教育领域得到应用，并取得了良好的效果，成为教育技术的重要研究内容。

人工智能的研究更多的是结合具体领域进行的，其主要研究领域有：专家系统、机器学习、模式识别、自然语言理解、自动定理证明、自动程序设计、机器人学、博弈、智能决策支持系统、人工神经网络和分布式人工智能等。[4]目前，在教育中应用较为广泛与活跃的研究领域主要有专家系统、机器人学、机器学习、自然语言理解、人工神经网络和分布式人工智能，下面就这些领域进行阐述。

一 专家系统

专家系统是一个具有大量专门知识与经验的程序系统，它使用人工智能技术，根据某个领域中一个或多个人类专家提供的知识和经验进行推理和判断，模拟人类专家的决策过程，以解决那些需要专家决定的复杂问题。[5]专家系统主要组成部分为：知识库，用于存储某领域专家系统的专门知识；综合数据库，用于存储领域或问题的初始数据和推理过程中得到的中间数据或信息；推理机，用于记忆所采用的规则和控制策略的程序，使整个专家系统能够以逻辑方式协调地工作；解释器，向用户解释专家系统的行为；接口，使用户与专家系统进行对话。近几十年来，专家系统迅速发展，是人工智能中最活跃、最有成效的一个研究领域，广泛用于医疗诊断、地质勘探、军事、石油化工、文化教育等领域。

目前，专家系统在教育中的应用最为广泛与活跃。专家系统的特点通常表现为计划系统或诊断系统。计划系统往前走，从一个给定系统状态指向最终状态。如计划系统中可以输入有关的课堂目标和学科内容，它可以制定出一个课堂大纲，写出一份教案，甚至有可能开发一堂样板课，而诊断系统是往后走，从一个给定系统陈述查找原因或对其进行分析，例如，一个诊断系统可能以一堂CBI（基于计算机的教学，computer-based instruction）课为例，输入学生课堂表现资料，分析为什么课堂的某一部分效果不佳。在开发专家计划系统支持教学系统开发（ISD）程序的领域中最有名的是梅里尔（Merrill）的教学设计专家系统（ID Expert）。[6]

教学专家系统的任务是根据学生的特点（如知识水平、性格等），以最合适的教案和教学方法对学生进行教学和辅导。其特点为：同时具有诊断和调试等功能；具有良好的人机界面。已经开发和应用的教学专家系统有美国麻省理工学院的MACSYMA符号积分与定理证明系统，我国一些大学开发的计算机程序设计语言、物理智能计算机辅助教学系统以及聋哑人语言训练专家系统等。[7]

目前，在教育中，专家系统的开发和应用更多的集中于远程教育，为现代远程教育的智能化提供了有力的技术支撑。基于专家系统构造的智能化远程教育系统具有以下几个方面的功能：具备某学科或领域的专门知识，能生成自己的提问和应答； 能够分析学生的特征，评价和记录学生的学习情况，诊断学生学习过程中的错误并进行补救教学；可以选择不同的教学方法实现以学生为主体的个别化教学。[8]目前应用于远程教育的专家系统有智能决策专家系统、智能答疑专家系统、网络教学资源专家系统、智能导学系统和智能网络组卷系统等。

二 机器人学

机器人学是人工智能研究是一个分支，其主要内容包括机器人基础理论与方法、机器人设计理论与技术、机器人仿生学、机器人系统理论与技术、机器人操作和移动理论与技术、微机器人学。[9]机器人的发展经历了三个阶段：第一代机器人是以 “示教―再现”方式进行工作；第二代机器人具有一定的感觉装置，表现出低级智能；第三代机器人是具有高度适应性的自治机器人，即智能机器人。目前开发和应用的机器人大多是智能机器人。机器人技术的发展对人类的生活和社会都产生了重要影响，其研究和应用逐渐由工业生产向教育、环境、社会服务、医疗等领域扩展。

机器人技术涉及多门科学，是一个国家科技发展水平和国民经济现代化、信息化的重要标志，因此，机器人技术是世界强国重点发展的高技术，也是世界公认的核心竞争力之一，很多国家已经将机器人学教育列为学校的科技教育课程，在孩子中普及机器人学知识，从可持续和长远发展的角度，为本国培养机器人研发人才。[10]在机器人竞赛的推动下，机器人教育逐渐从大学延伸到中小学，世界发达国家例如美国、英国、法国、德国、日本等已把机器人教育纳入中小学教育之中，我国许多有条件的中小学也开展了机器人教育。

机器人在作为教学内容的同时，也为教育提供了有力的技术支撑，成为培养学习者创新精神和实践能力的新的载体与平台，大大丰富了教学资源。多年来，我国中小学信息技术教育的主要载体是计算机和网络，教学资源单一，缺乏前瞻性。教学机器人的引入，不仅激发了学生的学习兴趣，还为教学提供了丰富的、先进的教学资源。随着机器人技术的发展，教学机器人种类越来越多，目前在中小学较为常用的教学机器人有：能力风暴机器人、通用机器人、未来之星机器人、乐高机器人、纳英特机器人、中鸣机器人等。

三 机器学习

机器学习是要使计算机能够模仿人的学习行为，自动通过学习来获取知识和技巧，[11]其研究综合应用了心理学、生物学、神经生理学、逻辑学、模糊数学和计算机科学等多个学科。机器学习的方法与技术有机械学习、示教学习、类比学习、示例学习、解释学习、归纳学习和基于神经网络的学习等，近年来，知识发现和数据挖掘是发展最快的机器学习技术。机器学习（自动获取新的事实及新的推理算法）是使计算机具有智能的根本途径，对机器学习的研究有助于发现人类学习的机理和揭示人脑的奥秘。[12]

随着计算机技术的进步和机器学习研究的深入，机器学习系统的性能大大提高，各种学习算法的应用范围不断扩大，例如将连接学习用于图文识别，归纳学习、分析学习用于专家系统等，大大推动了在教育中的应用，例如在建构适应性教学系统中，用机器学习与朴素的贝叶斯分类器动态了解学生的学习偏好，有较高的准确率[13]。基于案例的推理（case-based reasoning，CBR）是一种新兴的机器学习和推理方法，其核心思想是重用过去人们解决问题的经验解决新问题，在计算机辅助教育方面，已经出现了基于CBR的图形仿真教育系统，并且，针对个体特征的教育教学方法研究也有所突破。[14]另外，数据挖掘和知识发现在生物医学、金融管理、商业销售等领域的成功应用，不仅给机器学习注入新的生机，也为机器学习在教育中的应用提供了新的前景。

四 自然语言理解

自然语言理解就是研究如何让计算机理解人类的自然语言，以实现用自然语言与计算机之间的交流。一个能够理解自然语言信息的计算机系统看起来就像一个人一样需要有上下文知识以及根据这些上下文知识和信息用信息发生器进行推理的过程。[15]自然语言理解包括口语理解和书面理解两大任务，其功能为：回答问题，计算机能正确地回答用自然语言提出的问题；文摘生成，计算机能根据输入的文本产生摘要；释义，计算机能用不同的词语和句型来复述输入的自然语言信息；翻译，计算机能把一种语言翻译成另外一种语言。由于创造和使用自然语言是人类高度智能的表现，因此对自然语言处理的研究也有助于揭开人类高度智能的奥秘，深化对语言能力和思维本质的认识。[16]

自然语言理解最早的研究领域是机器翻译，随着应用研究的广泛开展，也为机器人和专家系统的知识获取提供了新的途径，例如由MIT研制的指挥机器人的自然语言理解系统SHRDLU就可以接收自然语言，进行人机对话，回答关于桌面上积木世界中的各种问题。同时，对自然语言理解的研究也促进了计算机辅助语言教学和计算机语言设计等方面的发展，例如“希赛可”网络智能英语学习系统，这个基于网络的“人-机”语境的建立，突破了普通英语教师和传统的单机的多媒体教学软件所能具备能力限制，也比建立于网络的“人-人”语境更具灵活性，可以为远程学习者提供良好的英语学习支持，在国内第一次系统地将用自然语言进行的人机对话系统应用在计算机辅助外语教学上，在国际上也是一种创新。[17]

五 人工神经网络

人工神经网络就是在对大脑的生理研究的基础上，用模拟生物神经元的某些基本功能的元件（即人工神经元），按各种不同的联结方式组织起来的一个网络，其目的在于模拟大脑的某些机理与机制，实现某个方面的功能，例如可以用于模仿视觉、模式识别、声音信号处理、控制、故障诊断等领域，人工神经元是人工神经网络的基本单元。[18]人工神经网络有两种基本结构：递归（反馈）网络和多层（前馈）网络，两种主要学习算法：有指导式学习和非指导式学习。

人工神经网络从模拟人类大脑神经网络的结构和行为出发，具有大规模并行、分布式存储和处理、自组织、自适应和自学习能力，特别适合于处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题，[19]这使人工神经网络具有更大的发展潜能，目前已经开发和应用的人工神经网络模型有30多种。人工神经网络在教育中的应用大多是与教学专家系统相结合，以此来改进教学专家系统的性能，提高智能性，使其在教学过程中对突发问题具有更好的应对能力。人工神经网络在学校管理中也得到应用，例如采用误差反传算法（BP）的多层感知器已应用于高校管理之中。

六 分布式人工智能(Distributed Artificial Intelligence，DAI)

分布式人工智能是分布式计算与人工智能结合的结果，研究目标是要创建一种能够描述自然系统和社会系统的精确概念模型，主要研究问题是各Agent之间的合作与对话，包括分布式问题求解和多Agent系统两个领域。[20]分布式人工智能系统一般由多个Agent组成，每个Agent又是一个半自治系统，Agent之间及Agent与环境之间进行并发活动并进行交互来完成问题求解。[21]由于分布式人工智能系统具有并行、分布、开放、协作和容错等优点，在资源、时空和功能上克服了单智能系统的局限性，因此获得了广泛的应用。

分布式人工智能中的Agent和多Agent技术在教学中的应用逐渐受到关注。在教学中引入Agent可以有效地提高教学系统的智能性，创造良好的学习情境，并能激发学习者的学习兴趣，进行个性化教育。目前，Agent和多Agent技术多用于远程智能教学系统，通过利用其分布性、自主性和社会性等特点，提高网络教学系统的智能性，使教学资源得到充分利用，并可实现对学习者的学习行为进行动态跟踪，为学习者的网络学习创造合作性的学习环境。在网络教学软件中应用Agent技术的一个典型是美国南加利福尼亚大学（USC）开发的教学Adele（Agent for Distance Education - Light Edition） [22]。Agent技术在网络教学软件中取得的良好效果，促进了研究者对分布式人工智能在教育中的应用研究。

综上所述，科学技术的发展将会推动人工智能技术在教育中应用的广度和深度。从人工智能的应用趋势来看，人工智能在教育中应用的扩展可以通过以下三个方面进行：一是人工智能与其他先进信息技术结合。人工智能已经与多媒体技术、网络技术、数据库技术等有效的融合，为提高学习效率和效度提供了有力的技术支持，而引起教育技术界广泛关注。[23]例如人工智能技术通过与多媒体技术相结合，可以提高智能教学系统的教学效果；与网络通讯技术相结合，可以提高和改进远程教育的智能性。二是人工智能应用研究领域间的集成。人工智能应用研究领域之间并不是彼此独立，而是相互促进，相互完善，它们可以通过集成扩展彼此的功能和应用能力。例如自然语言理解与专家系统、机器人的集成，为专家系统和机器人提供了新的知识获取途径。三是人工智能的研究和应用出现了许多新的领域，它们是传统人工智能的延伸与扩展，这些新领域有分布式人工智能与Agent、计算智能与进化计算、数据挖掘与知识发现以及人工生命等[24]，这些发展与应用蕴藏着巨大潜能，必将对教育产生重要的影响。

技术发展不断发挥着引导教育技术研究的作用，一种新兴技术的出现总是会掀起相应的研究热潮, 引发对技术在教育中应用的探讨、评价以及与传统技术的对比。[25] 人工智能作为一门交叉的前沿学科，虽然在基本理论和方法等方面存在着争论，但从其研究成果与应用效果来看，有着广阔的应用前景，值得进一步的开发和利用。

参考文献

[1] 史忠植,王文杰.人工智能[M].北京:国防工业出版社,2007:1.

[2][11][18][19] 《计算机与信息科学十万个为什么》丛书编辑委员会,计算机与信息科学十万个为什么(8):人工智能[M].北京:清华大学出版社,1998:5,189,78-79,84.

[3] 任友群,胡航.论学习科学的本质及其学科基础[J].中国电化教育,2007,(5):1-5.

[4][21] 蔡瑞英,李长河.人工智能[M].武汉:武汉理工大学出版社,2003:12-13.

[5][12][15][20][24] 蔡自兴,徐光.人工智能及其应用(第三版)――研究生用书[M].北京:清华大学出版社,2007: 12-14,19-20.

[6] [荷]山尼•戴克斯特拉,[德]诺伯特•M. 西尔,[德]弗兰兹•肖特,等.任友群,郑太年主译.教学设计的国际观第2册:解决教学设计问题[M].北京:教育科学出版社,2007:67.

[7] 任友群.技术支撑的教与学及其理论基础[M].上海:上海教育出版社,2007:42-43.

[8] 路利娟.应用专家系统提升现代远程教育的智能化[J].中国教育技术装备,2007,(12):79-80.

[9] 陈恳,杨向东,刘莉等.机器人技术与应用[M].北京:清华大学出版社,2007:6.

[10] 关注机器人幼儿教育――访鲍青山博士[DB/OL].

[13] 柏宏权,韩庆年.机器学习在适应性教学系统中的应用研究[J].南京师范大学学报(工程技术版),2007,7(4):76-79.

[14] 杨健,赵秦怡.基于案例的推理技术研究进展及应用[J].计算机工程与设计,2008,29(3):710-712.

[16] 自然语言理解[DB/OL].

[17] 贾积有.人工智能技术的远程教育应用探索――“希赛可”智能型网上英语学习系统[J].现代教育技术,2006,16(2):26-29.

[22] Erin Shaw, W. Lewis Johnson, and Rajaram Ganeshan, Pedagogical Agents on the Web[DB/OL].

人工智能研究性学习范文第6篇

任正非又说：“从科技的角度来看，未来二、三十年人类社会将演变成一个智能社会，其深度和广度我们还想象不到。”在2016年8月12日，由中国计算机学会(CCF)主办、雷锋网承办的“全球人工智能与机器人峰会(简称CCF-GAIR)上，亮相了一批巨头们进击人工智能与机器学习、探索“无人区”而尝试的技术、项目和科研成果。

华为诺亚方舟实验室、小米探索实验室、腾讯优图实验室、360人工智能研究院、百度自动驾驶事业部、微软亚洲研究院等，以及牛津大学计算机系、卡内基梅隆大学国家机器人工程中心、MIT机器人实验室、加拿大皇家学院等学术科研机构代表等阐述了对未来的理解。

人工智能大势不可挡

2016年并不是简单的人工智能60周年，也不是简单的AlphaGo人机大战激发全球新一轮人工智能的“幻想”。这一年，人工智能从漫长的学术研究周期迅速进入到产业化阶段。

就在2016 CCF-GAIR开幕的前两天，曝出了英特尔3.5亿美元收购人工智能AI创业公司Nervana Systems的消息。据称，Nervana Systems深度学习芯片的性价比高于GPU，处理速度是GPU的10倍等特点。业界惊呼，在AI战场上英特尔与NVIDIA两个芯片巨头直接开战。

就在8月初，NVIDIA刚了新一季财报，其中营收比去年同期增长24%、净收入比去年同期增长873%，而业务大幅增长的背后就是互联网企业等大规模地在数据中心里部署NVIDIA GPU用于完成AI相关计算任务。由于GPU的大规模并行计算能力，因而成为AI计算任务的首选。2016年7月，NVIDIA的首款深度学习服务器DGX -1开始上市销售。

面对NVIDIA对于英特尔在数据中心市场的威胁，英特尔也不会坐视不理。英特尔刚刚在今年6月的ISC国际超级计算机大会上，推出了代号为Knights Landing(KNL)的第二代至强融核处理器，这系列最高达72核的x86 CPU也是首款可作为独立处理器的Xeon Phi产品，这意味着可摆脱GPU而组成CPU-Only的高可扩展机器学习机群。

芯片设计巨头ARM通过7月中旬被软银的并购，将借助软银的资本以及生态实力抢在物联网产业大涨潮之前布局低功耗智能物联网芯片市场。ARM于今年2月推出了新处理器架构设计，主要针对5G以及大容量存储SoC嵌入式设备，为未来的AI普及打下基础。5月，AMR亦斥资3.5亿美元收购了计算机视觉技术提供商Apical。

除了底层的基础芯片技术外，在应用层面也可判断人工智能大趋势已经形成。7月28日，国内人工智能PaaS平台图灵机器人对外透露，图灵机器人PaaS平台在过去8个月新增了162亿次的服务请求，开发者在8个月内新增1.1倍、总数量超过23万。7月推出的智能机器人操作系统Turing OS1.5将新增11个视觉能力，包括人脸识别、人脸检测、人脸跟踪等多项视觉技术。

除了图灵机器人PaaS平台外，IBM公司借助Bluemix PaaS平台在华的落地，也把认知计算Watson的服务相继带到了国内，微软也相继在今年推出了体系化的人工智能认知计算服务，更不用说谷歌今年IO大会上推出的智能搜索引擎以及智能硬件Google Home，阿里云提出大数据AI是未来的战略发展方向等。

可以说，人工智能产业化的第一次大涨潮已经到来！

华为能否创造诺亚方舟？

华为诺亚方舟实验室负责人李航

华为早在2012年就在香港成立了诺亚方舟实验室，第一任实验室主任由香港科技大学教授、人工智能和数据挖掘专家杨强担纲。该实验室的研究方向包括：自然语言处理和信息检索、大规模数据挖掘和机器学习、社交媒体和移动智能、人机交互系统、机器学习理论等。

华为诺亚方舟实验室是华为2012实验室研究组织的组成部分。据称华为2012实验室的名字来自于任正非观看《2012》电影后认为未来信息爆炸会像数字洪水一样，华为要构造自己的“诺亚方舟”。2012实验室的主要研究的方向包括新一代通信、云计算、音频视频分析、数据挖掘、机器学习等，主要面向的未来5-10年的技术研究。

华为诺亚方舟实验室第一任主任杨强教授在2016 CCF-GAIR峰会上介绍了自己的主要研究方向：迁移学习。简单理解，迁移学习就把已经训练好的人工智能模型迁移到新的应用场景或数据集中。当前以人工神经元网络为主的深度学习算法已经相当成熟，但每个人工神经元网络模型都与初始数据集高度相关，一旦换到新的应用场景或数据集就必须从头再训练模型。迁移学习就致力于以较小的代价让已经训练出的人工智能模型具有普适性和通用性。

换句话说，把一个已有模型迁移到一个未知领域，这就叫做迁移学习。在人类社会里，把已有知识用于新的相关领域就是知识的转移，比如从学骑自动车到学骑两轮摩托车等。从这个角度看，迁移学习是通用型AI的前提和基础。迁移学习还可以把从大数据集中训练出的模型，迁移到小范围的数据集上，从而创造了更好的个性化。

华为诺亚方舟实验室第二任主任、北京大学和南京大学兼职教授李航在2016 CCF-GAIR峰会上表示，诺亚方舟实验室还围绕华为的智能手机、服务器、数据中心产品与设备等展开大数据与人工智能的研究工作，为华为三大BG事业群聚焦前沿产品开发，例如智能通讯网络、企业BG大数据应用、消费者BG的智能语音助手等。

除了诺亚方舟实验室外，“2012实验室”旗下有多家以世界知名科学家命名的实验室，包括香农实验室、高斯实验室、谢尔德实验室、高斯实验室、欧拉实验室、图灵实验室等，以及在欧洲、印度、美国、俄罗斯、加拿大、日本设立的8个海外研究所。据报道，华为今年还将在深圳设立10个基础研究所。

通过这些基础研究机构和研发组织，华为正试图探索无人区、为创造未来的华为打下基础。尽管华为对研发的投入保持在年收入的15%-20%左右，但像诺亚方舟实验室这样的基础研究性机构也仅成立了4年的时间，相比于微软研究院25年的历史、IBM研究机构80年的历史来说，华为的基础性研究才刚刚起步。

现在，华为的挑战是如何管理大规模的基础性研究组织。

小米对人工智能的探索

小米科技联合创始人、小米探索实验室负责人黄江吉

相对于华为四年前开始投入前沿科技研究来说，小米的起步从2016年初开始。2016年1月15日，小米科技创始人兼CEO雷军在内部年会上表示，小米2016年要组建特种部队，突破核心元器件的关键技术，并宣布成立小米探索实验室研究VR/机器人等前沿科技。2016年2月，小米探索实验室成立。

小米科技联合创始人、小米探索实验室负责人黄江吉在2016 CCF-GAIR峰会上表示，小米对于人工智能的观点是：产品+大数据+机器学习。也就是说，小米的人工智能观点是紧密结合智能手机、智能硬件等产品的。黄江吉以智能硬件内嵌的Wi-Fi模组为例，小米通过自己的研发把Wi-Fi模组价格从60多元降到了10元，这就打下了硬件产品“智能”的基础。

现在，每天有200TB+的数据流入小米云，这背后就是无处不在的Wi-Fi硬件在源源不断产生高质量的数据。只有掌握高质量的大数据，才有可能通过机器学习创造真正的人工智能。在这个过程中，每天的活跃用户数据也很重要。黄江吉表示，小米MIUI系统每天日活超过1000万的APP有8个、超过100万的APP有17个。

小米手机、小米手环、小米电视与盒子、小米网络设备、小米智能家庭设备等，再加上小米电商、小米互娱、小米市场和生态链等，构成了小米全生态、多样性的大数据资源。小米大数据处理呈金字塔结构，最下面是数据采集，往上依次是数据清洗、数字挖掘和数据智能。

围绕小米大数据可以生成高质量的用户画像，有的用户指标甚至无需用户输入就能精准推断出来；还可以生成一站式、标准化与规范化的内容数据，结合用户画像形成包括视频、音乐、商品、游戏、APP、小说、新闻等在内的内容池，为搜索、推荐、导流和人工运营服务。

黄江吉介绍小米的数据处理包括底层架构层的Hadoop基础平台以及数据工厂，向上基础能力层的机器学习(深度学习)、视觉识别、NLP自然语言处理和语音识别等，再向上的大数据层则包括业务数据、用户画像和内容池，高级能力则有商业智能、搜索、推荐、智能问答和图像等，最终对接各类小米智能硬件产品。

具体到小米的深度学习平台，在硬件层是公有云和本地数据中心的GPU机器，GPU集群管理采用的是Kubernetes+Docker、深度学习任务管理采用的是TensorFlow，存储服务则采用HBase/HDFS系统、计算服务采用的是Spark/Storm/MR系统，对接到智能助手、云相册、广告、金融和搜索推荐等小米业务。

黄江吉表示，优秀的产品能黏住用户、用户能生成高质量的大数据、大数据通过机器学习产生人工智能、人工智能再反馈给产品设计，这就是小米的人工智能观点。比如小米面孔相册的总用户数已达1.5亿人、照片存储量达500亿，这么大规模的大数据帮助小米更好的优化面孔相册产品。黄江吉强调，过去的观念是“好用的产品不一定好玩，好玩的产品不一定好用”，而随着人工智能和机器学习的发展，有可能把产品做的既好玩又好用。

在被问及对人工智能产品的看法时，黄江吉举例说现在人们每天都要无数次打开手机看信息或完成某个功能，这本身就说明智能手机产品还不够智能，真正的智能手机产品是要大幅减少人们打开手机的次数与看手机的时间，因为很多工作都会被智能手机“智能化”地完成了。

尽管当前小米神话进入了平台期，但可以说智能手机时代其实才刚刚开始。

百花齐放的AI生态

百度高级副总裁、自动驾驶事业部总经理王劲

任正非说，“越是前途不确定，越需要创造，这也给千百万家企业公司提供了千载难逢的机会。”

搜狗于今年4月22日向清华大学捐赠1.8亿元人民币，联合成立“清华大学天工智能计算研究院”，深入开发包含人工智能在内的前沿技术。搜狗CTO杨洪涛在2016 CCF-GAIR峰会上表示，搜索引擎是人工智能最大的应用场景。搜狗从2012年开始研发智能语音技术，2013年开始进行深度学习，数据显示搜狗手机输入法日均语音输入超过1.4亿次。搜狗语音输入法和语音搜索最大的场景之一，就是极大增强了微信等移动端的用户体验。

今日头条科学家、头条实验室总监李磊曾是原百度美国深度学习实验室科学家。在2016 CCF-GAIR峰会上，李磊说今日头条对人工智能的投入非常坚决，自2012年创立至今只有4年就专门成立了实验室。今日头条团队很早就有意识在最前沿的技术上做投入，不论是为了当下业务需求还是为了将来的技术储备。对今日头条来说，一边连接内容创作者，另一边连接内容消费者，正需要机器学习技术，今日头条可以说是一家人工智能公司。

腾讯于2012年成立了优图项目，腾讯优图是腾讯旗下机器学习研发团队之一，专注于图像处理、模式识别、深度学习等，目前已经拥有数十项先进的技术以及数千亿规模的图像计算能力。自创立腾讯优图实验室以来，黄飞跃现为该实验室总监及专家研究员。黄飞跃在2016 CCF-GAIR峰会上表示，期望通过人工智能技术真正改变互联网用户的生活品质，同时也把最新的研发成果通过开发平台和腾讯云对外输出。

猎豹是另一家新进入人工智能领域的公司，在7月份猎豹宣布的二次转型就是希望通过研究深度学习和个性化分发，从安全公司、软件公司发展为一家人工智能公司。尽管猎豹在国际化方面取得了不错的成绩，但随之进入了增长瓶颈以及股价下跌，猎豹今年以5700万美元收购News Republic，希望借助今日头条模式的全球化等打开公司的新业务空间。猎豹CEO傅盛在2016 CCF-GAIR峰会上表示，AI是后互联网时代的新一波红利。

360人工智能研究院成立于2015年9月，该研究院立足于深度学习研发，抓住大数据和云计算的时代机遇，向360相关部门提供业务支持，完成人工智能相关的原始技术积累和前沿探索。在今年3月，AlphaGo人机大战结束后，360董事长兼CEO周鸿祎随即发出员工信，认为人工智能产品在大众消费领域的普及只是一个时间问题。360人工智能研究院院长颜水成在2016 CCF-GAIR峰会上说，人工智能让学术界和工业界有了共同语言。

百度已经在人工智能方面进行了巨资投入，百度无人机项目自从去年在乌镇亮相以来就一直受到业界的关注，百度还计划在五年内实现无人驾驶汽车量产。百度高级副总裁、自动驾驶事业部总经理王劲在2016 CCF-GAIR峰会上介绍，百度去年12月购买的激光雷达为70万人民币/台，百度车载大脑也是一台接近20万的服务器。为此，百度与激光雷达公司Velodyne LiDAR达成投资意向，在本月Velodyne LiDAR也公开承诺，如果明年拿到一百万订单，64线激光雷达就可以降到五百美金的单价，这将扫平自动驾驶汽车量产的障碍。

另一家互联网公司乐视尽管挖来了原百度深度学习研究院高级科学家、百度无人驾驶汽车团队负责人倪凯负责乐视超级车项目，但倪凯在2016 CCF-GAIR峰会上表示其负责的范围并不仅限于智能汽车。乐视与合作伙伴Faraday and Future成立了一个FF Le Future的实验室，主要是研究人工智能技术，广泛为包括电视、手机、体育、汽车等在内的乐视生态服务。除了美国硅谷的研发中心，乐视也将在北京成立研发中心。

除了IT企业和互联网公司外，民营企业也开始涉及人工智能产业，并视人工智能和机器人为下一个千亿级规模的产业机遇。浙江大华技术股份有限公司是监控产品供应商和解决方案服务商，2014年IHS机构权威报告全球安防视频监控市场占有率位列第二。大华股份从2008年到2015年实现了产值100亿的目标，下一个目标是产值1000亿，为此成立了乐橙云作为视联网品牌，以视频智能硬件、视频云、视频智能技术“三位一体”云开放平台，拉动千亿市场规模。目前，乐橙云选择智能安防和智能母婴两个垂直领域作为首批拓展行业。

窥见未来

牛津大学计算机系主任Michael Wooldridge

在2016 CCF-GAIR峰会上，牛津大学计算机系主任、宾夕法尼亚大学工程学院院长、MIT机器人实验室主任等国际学术巨擘向中国产业界传递了最新的研究动向。

牛津大学计算机系主任Michael Wooldridge身兼Oxford-DeepMind Partnership负责人，他认为目前人工智能进展已经解决了棋类问题、SAT等复杂问题以及自动驾驶等，即将解决实时口语理解、骑自行车、可靠的语言翻译等问题，而理解复杂的故事及回答相关问题、创作笑话和有趣的故事、解释一幅图像的意义等则远未达到接近解决的阶段，强AI和通用AI则是完全开放状态。

Michael Wooldridge认为当前谈人工智能奇点还为时尚早，甚至人工智能奇点有可能永远都不会到来！尽管AlphaGo取得了大幅度的学术进展，但AlphaGo仍存在诸多问题。比如AlphaGo程序本身并“不知道”它在玩棋类游戏，它也不能解释自己的策略，也无法从AlphaGo代码中获取这些策略，基本上AlphaGo就是一个黑盒子。因此，AlphaGo无法实现通用型AI。

Michael Wooldridge介绍说他的研究领域为“Multi-Agent System”(多个机器系统)，这个领域其实也体现了他对AI的观点之一，即在窄任务领域对现有AI服务和算法的整合。当前，产业界逐渐把AI嵌入到几乎所有产品和服务中，但这些AI服务都相对独立和碎片化，那么如何通过单个或多个机器系统来整合这些AI服务就成为人工智能的下一个发展目标。比如个人通过手机的机器，与其它人的机器之间相互协商、相互协调，共同决策一个会议的日程安排以及各嘉宾的时间安排。

Vijay Kumar是美国国家工程院院士、宾夕法尼亚大学工程学院院长，他被认为是空中机器人(无人机)领域开山立派的宗师人物，其学生遍布全球各大无人机厂商。Vijay Kumar表示对空中机器人或无人机的研究，能够为学习和了解机器人的行为特点和算法积累数据。在Vijay Kumar的最新研究中，提出了空中机器人的“蜂群”效应。

所谓“蜂群”效应，就是指一群低智能的机器人聚集在一起，共同完成某项工程或任务。由于功耗等限制，无人机等小型和微型机器人无法配置高级计算资源，因而只能具有较低的机器智能水平。对比自然界的蚁群、鸟群、鱼群等，虽然都是低智能生物，但却能群聚在一起共同完成令人惊叹的复杂工程。对空中机器人“蜂群”效应的研究，还对地面机器人甚至海洋机器人的研究有重要意义。

美国麻省理工学院(MIT)一直是机器人科技研究的先驱，MIT机器人实验室主任、美国国家工程院院士Daniela Rus认为未来世界里，每个人都有可能拥有机器人，机器人就像是在路上跑的汽车一样常见，称之为“泛在机器人”世界。这些“泛在机器人”的形式甚至包括类似大白或自然界中蛇一样的软体机器人，以及水里的机器鱼。而如果误食了鱼刺等异物的时候，还可以吞下微型折叠机器人，从肠道中通过折叠形态把异物包裹起来带出体外。

美国南佛罗里达大学计算机科学与工程学院教授、机器人与深度学习专家孙宇所研究的机械手被认为是非常“黑科技”，是为数不多能与人手相媲美的重大成果。孙宇介绍说，人体206个骨骼，其中1/4的骨骼都在双手里，人体的双手是非常复杂的机械结构，是人体最复杂的器官之一。孙宇表示，机器人智能和计算机智能有所区别，在于机器人要与自然环境实实在在的接触，这是计算机智能没有涉及到的问题，因此机械手的研究有重大意义。

香港科技大学教授杨强的迁移学习无疑是机器学习下一个阶段的重要发展方向，如何能把深度神经元网络和机器学习中训练出的模型提炼出来，并以较小的代价应用到新的领域，这是走向通用AI的重要路径。此外，杨强认为，当前国内的机器学习和人工智能算法研究没有国际上那么均衡，实际上人工智能算法远不止深度神经元网络，而是多元化发展。

当前的大数据可以分为20%的即时性数据和80%的高时延数据。对20%即时性和高重复的数据来说(互联网数据为主)，用深度学习算法能解决大部分问题。而对于80%高时延数据来说(例如工业数据)则需要用到强化学习、增强学习、迁移学习等多种人工智能算法，才能解决其数据处理和产生数据智能的问题。

南京大学计算机科学与技术系副主任、机器学习与数据挖掘研究所(LAMDA)所长周志华表示，接下来机器学习技术的一个大趋势是要增加机器学习的鲁棒性。目前很多研究中的机器智能可达到人类水准，但是如果遇到一些罕见的情况，就会错得非常离谱。因此，机器智能在遇到罕见情况的时候，“不能比一般人的处理水平更低”，这是机器学习技术大规模普及的基本前提。

当然，整个人工智能和机器人产业的发展，离不开创业群体。国家教育部长江学者特聘教授王田苗教授表示，未来五年之内，机器人在工业、服务业、智能汽车和无人机等高端产业三大块将可能迎来第一波热潮。由于人工智能技术和认知技术的成熟，未来机器人在银行、家庭、医院、宾馆等服务业的地位将逐渐提高。

紫牛基金合伙人张泉灵特别强调，人工智能创业的商业模式这件事，不是在实验室里就能想出来的。金山软件兼金山云CEO张宏江的观点是，中国人工智能公司的创新能力提升的非常快，与美国等人工智能公司之间的差距正在缩小。一个公司进步的关键不是“看别人”，而应当回归到自身，搞清楚用户到底需要什么，脚踏实地朝这个方向努力。

人工智能研究性学习范文第7篇

关键词：人工智能；研究生教学；教学方法

人工智能是一门研究机器智能的学科，是在研究人类智能行为规律的基础上，利用人工的方法和技术，研制智能机器或智能系统来模仿、延伸和扩展人的智能，实现智能行为。在知识经济向智能经济高度发展的今天，人工智能具有重要的理论意义和社会价值。人工智能理论已经渗透到各个领域，人工智能技术也得到广泛应用，许多研究成果已经进入人们的生活。

人工智能课程是一门多学科交叉的课程，具有很强前沿性，涉及哲学、认知科学、行为科学、脑科学、生理学、心理学、语言学、逻辑学、物理学、数学等众多领域；涉及面宽，内容广泛，更新快。人工智能课程的开设能够更好地培养学生的创新思维和技术创新能力，培养学生对计算机前沿技术的前瞻性，提高他们的科技素质和学术水平[1]。

人工智能课程内容的广泛性、前沿性和应用性特点决定了授课方法的多样性。与本科生相比，研究生在教育目标和身心特征方面都有较大的区别。笔者多年从事研究生人工智能课程教学工作，现总结多年教学经验如下。

1研究生培养目标及其教学特点

研究生教育阶段的教育目标是使研究生形成具有个性化的研究品格、研究定向和研究视野，以具有独立思考并获得独创研究成果的能力[2]。从这一意义上讲，个性化是研究生教育培养目标的构成主体。尤其随着我国经济持续高速增长，社会对知识创新、新经济生长点的期望值增大，这就要求我国研究生教育在其培养目标的定位上不仅要重视人才培养的高层次性，更要重视创新能力、实践能力和创业精神的培养。并且，研究生身心发展已较成熟，具有较稳定的个性特征，思维力强，具有较高的专业性思维意识和创造力，为独立地进行专业研究活动提供了心理上和智力上的保证。而且，研究生已具备了基础理论和专业知识，特别是有一定工作经历的研究生，他们不仅有本科教育阶段的知识积累，也有应用这些知识的经验，对于扩大其专业知识领域并进行研究有着积极主动的态度。总之，从年龄构成及身心特征上讲，研究生适应高层次、跨学科知识领域的学习和研究。

研究生的特征及其教育目标决定了研究生教学不应该是由教师讲授已定论的知识，而应是以教学为基本依托，通过教学提出具有研究性、探索性、未确定性甚至是尚存争议性的课题，激励研究生独立思考和质疑，让他们在思考和质疑的过程中提出问题，培育他们发现问题、提出质疑的科学批判精神，训练并提高其创新能力、实践能力和创新精神。创新精神和创新能力主要表现在具有健全的人格、强烈的责任感、开放的心态、团结合作的精神、严谨科学的思维能力和创新思维方式。

个性是创新的源泉，研究生课程体系的设置应该具有一定的灵活性，依据研究生不同的知识基础和研究定向，设置具有弹性化的课程，使研究生的个性化得以凸显。另外，为提高研究生专业研究和创新能力，在课程教学中，也应凸显教学的研究性和专业性，重视专业领域背景知识和研究方法的讲授，开展跨学科、非专业知识的教学，教学内容应涵盖专业领域的研究热点、难点、争议问题和最新研究动态，还应包括交叉学科、边缘学科的研究趋势，以扩展学生的视野[3]。也就是说，研究生教学既要凸显研究生的个性化特点，又要凸显内容的学术性和研究的指向性。

2人工智能课程的特点

2.1多学科交叉，具有很强的前沿性

人工智能是一门多学科交叉的课程。课程内容的理解需要运用多学科知识和较强的逻辑思维能力，多学科的知识相互联系、相互交叉，融合形成新的知识，成为新的思维方法和综合能力的萌发点。通过课程学习，学生可以通过不同学科知识的融合来达到对原有知识的超越，用一种全新的思维方法来思考所遇到的问题，提出新的解决办法。这也是创造力的迸发和智能的飞跃。具有了知识的广度和深度才具有融会贯通、创新的可能，人工智能课程的开设能够更好地培养学生的创新思维和技术创新能力，为学生提供一种新的思维方法和问题求解手段。

2.2涉及面宽，内容广泛，更新快

人工智能课程是一门知识点较多的课程，它以概率统计、离散数学、数据结构、计算机编程语言、数据库原理等课程为基础，涵盖了模式识别、机器学习、数据挖掘、计算智能、自然语言理解、专家系统等众多研究方向，内容涉及面广，概念抽象，不易理解。并且，人工智能课程内容更新快，近年来人工智能科学的快速发展，涌现出了大批新方法，研究热点问题也从符号计算发展到智能计算和Agent等。其中，计算智能主要涉及神经计算、模糊计算、进化计算和人工生命等领域，在模式识别、图像处理、自动控制、通信网络等很多领域都得到了成功应用；Agent最早来自分布式人工智能，随着并行计算和分布式处理等技术的发展而逐渐成为热点。

在互联网上有大量最新的与课程内容相关的研究论文，为学生提供了很好的查阅文献的环境，使学生能够根据所学习的内容和所在课题组的研究方向阅读相应文献，提高学生的学习兴趣和独立提出问题、解决问题的能力。

2.3应用性强

人工智能理论已经渗透到科学的各个领域，当前，几乎所有的科学与技术分支都在共享着人工智能领域所提供的理论和技术。例如，自第一个专家系统DENDRAL研制成功以来，专家系统已成功地应用于数学、物理、化学、医学、地质、气象、农业、法律、教育、交通运输、军事、经济等几乎所有领域；数据挖掘技术是以一种更自动化的方式对具有大量数据的商业活动进行分析和预测，在市场营销、银行、制造业、保险业、计算机安全、医药、交通、电信等领域已有许多案例；语义Web让Web上的信息能够被机器所理解，实现Web信息的自动处理，成功地将人工智能的研究成果应用到互联网。另外，在机器视觉、自然语言理解、智能控制与智能制造等方面，人工智能技术也得到广泛的应用，有许多研究成果已经进入人们的生活。目前，从理论到技术，从产品到工程，从家庭到社会，智能无处不在，人工智能广泛的应用性给学生提供了大量的现实案例，使得人工智能不再是高深莫测的理论，而是现实中可以触及的内容。

人工智能课程的多学科交叉性、内容广泛性、概念抽象、不易理解以及前沿性和应用性特点决定了在该课程的讲授过程中应该采用多种授课方法。多种授课方法的采用一方面便于授课内容的理解，另一方面也能够更好地培养学生的创新思维和技术创新能力，提高他们的科技素质和学术水平。

3人工智能课程教学方法

3.1基于问题的启发式教学法

苏霍姆林斯基说：“唤起人实行自我教育，乃是一种真正的教育。”基于问题的启发式教学法是教师在深入了解学生心理特点和学习规律的基础上，设计适合教学的启发式问题，并采取灵活多样、生动活泼的启发方式，充分调动学生的学习兴趣，激发、引导学生进行科学思维，培养学生独立思考问题、提出问题和解决问题的能力。该教学方法强调的是过程，教师的主要任务是提出问题，依据举一反三的思路引导学生展开逻辑推理，通过逐层分析深入思考问题，最后综合学生观点阐述相关理论。

在课程教学中，有许多内容适合于采用启发式教学方法。例如，在知识表示方法的学习过程中，教师首先提出问题：“你是怎样进行数学定理证明的？”并在学生的回答过程中，引导学生认识到知识及其表示的重要性；随后，提出问题：“在计算机中如何表示知识？”引导学生逐步总结出不同知识表示方法在知识表达能力、推理效率、可实现性、可组织性、可维护性方面的区别。另外，在确定性推理的教学过程中，教师可以利用“某处发生盗窃案，公安局派出5个侦查员去调查，研究案情时，5个侦查员各给出了一句可信的结论，据此判断谁是盗窃犯”的问题[4]，让学生进行判断和讨论，引导学生认识到推理过程中可以使用多条规则进行推理，并且推理路线也可能存在多条，从而引出推理的两大基本问题：解决冲突消解等问题的推理策略，以及解决推理线路等问题的搜索策略。

启发式教学法的要点是设计适当的启发式问题和启发方式、安排能调动学生积极性的讨论环境、鼓励学生发表个性化观点。教师不仅用问题引发学生思考，更要鼓励学生让思维自由驰骋，主动提出问题，讨论问题，寻求问题解决方案。在探讨、研究问题中，不要以现有的结论和固定的程式束缚思想，鼓励学生的个性化观点。启发式教学是一种民主、科学的教学方法，其中包含诸多具体的教学方法，如激疑启发法、比喻启发法、类比启发法、联系启发法，等等。启发式教学在传授知识的同时，更注重的是对创新的孕育、萌芽、生成和壮大，它能促使学生自己获取知识、思考问题、提出问题、分析问题、解决问题，培养学生的自学能力。以问题为基础的启发式教学，利用问题引导学生学习，全方位深层次发展学生的创新思维和探究性学习能力。问题可以诱发出学生的求知欲，激发、唤醒了学生的主体意识；问题往往是面向生活世界的实践活动的，它使教学活动从以传授知识为中心转化为传授知识与培养能力并重，理论与实践相结合，提高了学生分析、综合、观察、想象等思维能力。

3.2基于案例的探究式教学法

基于案例的探究式教学法要求教师能够根据学生的认知水平和能力，创设引导学生进行探究活动的案例，以激发学生探究问题的兴趣，促进学生质疑、探求的创造性学习动机，通过选择与确定问题、讨论与提出设想、实践与寻求结果、验证与得出结论，发展学生的创造性思维，培养学生独立探究、研究能力和创新能力。探究式教学强调学生的积极参与，强调师生互动。对教师来说，必须转变传统的“传道”观念，以平等的心态与学生交流探讨。在课堂上，要努力营造民主、宽松、和谐的教学氛围，积极引导学生大胆设想，大胆探索。使学生树立研究型学习的观念，消除依附心理，养成勤于思考、善于思考的良好学习习惯，通过积极参与研讨培养学生自己获取新知、探求未知的能力，以及团队意识和合作精神。

我们在本课程神经网络部分的教学中，将基于BP神经网络的维吾尔文手写字母识别作为案例开展了探究式教学活动。在介绍了前馈多层感知器及标准BP算法之后，教师将科研项目中基于标准BP算法的维吾尔文手写字母识别实验及其结果详细地在课堂上进行演示，引导学生对实验提出质疑。在教学实践中，学生提出了大量问题，例如，输出层神经元个数如何确定，为什么输出层神经元个数对识别率会有影响？网络训练过程中出现震荡的原因是什么？如何解决？为什么有时误差较大，权值的调整量反而很小？等等。在教师事先准备好的实验演示的基础上，开展学生进行课堂讨论，让学生提出解决问题的各种方法，并现场通过实验进行验证，逐步让学生理解BP网络结构设计、输入输出数据的预处理、初始权值设计的必要性及其实现方法。课堂授课实践表明，这种方法极大地激发了学生的学习兴趣，使学生能够大胆设想，大胆探索，增加了学生的自信心和创新精神。本次课堂讨论结束后，教师根据学生的讨论以及实验结果演示，总结标准BP算法的局限性，例如，“易形成局部极小”，“训练次数多，学习效率低”，“训练时有学习新样本遗忘旧样本的趋势”等，并要求学生通过查资料、搜集必要的信息、积极地思索和实验验证提出解决上述问题的方法，将学生分组，让学生展开讨论，为下次讨论课作好准备。

传统教学方法是告诉学生怎么去做，在一定程度上损害了学生的积极性。而案例教学要求学生自己去思考、去创造，使得枯燥乏味的内容变得生动活泼，并且案例教学中，通过学生之间的交流既可以使学生取长补短、促进人际交流能力，也可以引导学生变注重知识为注重能力。

案例教学法的关键是案例的选择。案例是为教学目标服务的，因此它应该具有典型性，且应该与所对应的理论知识有直接的联系。案例最好是经过深入调查研究。来源于实践，不能只是一堆数据的罗列。教科书的编写应采用图片、表格、曲线等方式让学生看到算法的实验结果，启发学生思考。另外，案例应该只有情况没有结果，有激烈的矛盾冲突，没有处理办法和结论，由学生对案例提出质疑，从这个意义上讲，案例的情况越复杂，越多样性，越有价值。

案例教学法能够实现教学相长。教学中，教师不仅是教师而且也是学员。一方面，教师是整个教学的主导者，掌握着教学进程，引导学生思考、组织讨论研究，进行总结、归纳。另一方面，在教学中通过共同研讨，教师不但可以发现自己的弱点，而且从学生那里可以了解到大量感性材料。另外，案例教学法能够调动学生学习主动性。教学中，由于不断变换教学形式，学生大脑兴奋不断转移，注意力能够得到及时调节，有利于学生精神始终维持最佳状态。案例教学的最大特点是它的真实性。由于教学内容是具体的实例，加之采用是形象、直观、生动的形式，给人以身临其境之感，易于学习和理解。最后，案例教学法能够集思广益。教师在课堂上不是“独唱”，而是和大家一起讨论思考，学生在课堂上也不是忙于记笔记，而是共同探讨问题。由于调动集体的智慧和力量，容易开阔思路，收到良好的效果。

3.3加强研讨

鉴于研究生的培养目标和人工智能课程研究范畴的宽泛性、应用性、创新性和前沿性，根据我校计算机系硕士生指导教师的研究领域，我们在课堂教学中为计算智能、机器学习算法、机器视觉、自然语言理解部分增加了研讨会，要求学生上网进行文献检索、阅读和学术研讨，根据个人的研究兴趣和研究设想上台作报告。另外，我们还邀请相应专家和成果突出的各届研究生为学生做报告，介绍他们的研究实践、研究成果和心得体会。例如，在自然语言理解部分的课堂教学中，在介绍完自然语言理解的基本概念与原理之后，我们要求将来做这个领域的研究生在通过查资料了解所在研究小组工作的基础上，上台作报告。机器翻译研究组的同学在学习自然语言理解部分的内容之后，对其所在小组目前的工作及采用的技术、存在的问题做了分析，并通过阅读文献，提出了初步的解决问题的设想。与自己所在研究小组的科研相结合，开展文献检索和学术研讨，一方面让学生开阔了眼界，另一方面也提高了学生查阅文献、主动获取知识、独立思考的科研能力。

4结语

人工智能理论已经渗透到科学的各个领域，人工智能技术也得到了广泛的应用。人工智能课程具有多学科交叉、内容广泛、前沿性和应用性强等特点，课程开设能够很好地培养学生的创新思维和技术创新能力。教与学是教师与学生双方互动的过程，教学中要根据学生身心特征的实际情况采用相应的教学方法，并结合本校科研队伍的研究领域，不断地探索和提高，才能使教学工作更上一层楼，切实为国家、为社会培养具有创新能力、实践能力和创业精神的高层次人才。

参考文献：

[1] 陈白帆,蔡自兴,刘丽珏. 人工智能精品课程的创新性教学探索[J]. 计算机教育,2010(19):27-31.

[2] 谢安邦. 构建合理的研究生教育课程体系[J]. 高等教育研究,2003,24(5):68-72.

[3] 教育部研究生工作办公室,国务院学位委员会办公室. 高层次人才培养的研究与探索[M]. 北京:高等教育出版社,2000.

[4] 蔡自兴,徐光佑. 人工智能及其应用[M]. 4版. 北京:清华大学出版社,2010:113.

Exploration of Artificial Intelligence Course Teaching of Graduate Students

ZHAO Hui1, JIA Zhenhong1, WANG Weiqing2

(1.School of Information Engineering, Xinjiang University, Urumuchi 830046, China;

2.Graduate School, Xinjiang University, Urumuchi 830046, China)

人工智能研究性学习范文第8篇

关键词：教育智慧教师专业化教学机智

智慧的教育需要教育的智慧。当我们的教育停留在教师带着知识走向学生的时候，教师的知识是最重要的；但当我们的教育已经发展到教师带着学生走向智慧的时候，教师的智慧无疑就和教师的知识同等重要，甚至更加重要了。《教师角色与教师发展新探》一书中叶澜教授将教育智慧归结为解决教育教学中的新情况、新问题的能力，转化教育矛盾和冲突的教育机智，及时选择、调节教育行为的魄力，促进学生积极发展和创造的魅力等几个方面。我认为，教育智慧是教师良好的教学行为体现的一种品质，是教师具有的教育理念、教育意识、教学能力、教学艺术等方面的整合统一，是教师专业化的一种新境界。

一、教师教育智慧的表征

（一）独特性

独特个体性是教师智慧的首要表征。教育智慧具有高度的个体性色彩，体现着教师区别于他人的、个体的、个性化的独特教学风格。教育智慧是教师个体在教学过程中逐渐生成的；是某个人不断经过实践经验的积累与重组的结果；是教师基于专业上的需要，通过发现、修正与内化等复杂的过程所建构的。教师不断将既有的知识融入课堂教学中，并经过个人的重新诠释与转换过程，使智慧的生成符合现有的环境需求。所以，教育智慧是个体在日常教学中通过体验、感悟、思考和实践等方式逐步生成的，是受教师个体的思维、个性、知识储备、自我形象、职业动机，以及所处的教育环境等的影响。它蕴涵了教师将一般理论个性化，及与个人情感、知识、观念、价值、应用情况相融合的结果。

（二）情感性

“教育的智慧性是一种以儿童为指向的多方面、复杂的关心品质”。①对教育的责任感与情感是使教育智慧充满真善美的重要条件。教育智慧之所以是教育智慧，一方面说明它的确是智慧，即高尚的才智，另一方面说明它在教育问题的解决中的确能够发挥作用。更深入地思考，教育智慧符合真、善、美的标准。因为它是教育活动规律的创造性运用，它是巧妙的；对学生的爱是创造性运用教育规律的动力；对学生的爱保证了教育思考必然利于学生的发展；教育情感的渗入是教育智慧美的重要特征。教育智慧是使用爱的智慧，教育的使命要求教育者对孩子有责任与关爱，它是教师从事教学工作的基本条件，是教育者在教育上取得成功的前提条件。

（三）科学性

教育智慧能根据不同的教学条件、教学对象和复杂多变的问题，依靠教师直觉、灵感、顿悟和想象力的即兴发挥，在一瞬间把握事物的本质，做出相应的判断和裁决，从而采取不同的适合特定情境的行为方式和方法，以实现教育理论和教育实践的沟通、融合。经过对优秀教师或专家型教师的研究，发现他们对教学情境具有敏锐的观察力与判断力，对问题的分析更为清晰和透彻，解决问题的方法和策略更具有独特性、新颖性和恰当性，即拥有丰富的“教育智慧”。拥有教育智慧的教师，能够在解决问题时从多角度加以整体把握，洞察多种可能性，并迅速做出决策。

（四）缄默性

教育智慧是不能通过语言进行逻辑说明的，不能以规则的形式加以传递，是“潜移默化”“近朱则赤”“润物细无声”的。教育智慧是人们通过身体的感官或知觉而获得的，往往缺乏清晰的条理与明晰的意识，是“非批判的知识”，也很可能不在教师清晰的意识范围之内，也无法清楚的表达或理性的加以反思，但它往往与教师日常的生活与经验仅仅相联，甚至可能是教师自己也说不清从什么地方获得的，是只能意会的一种体验。

（五）艺术性

教育智慧是科学化的艺术力量，又是艺术化的科学力量。教育智慧的力量具体表现为这样几种能力：一是对教育问题的逻辑化理解能力；二是对教育问题的直觉把握能力；三是创造性地解决教育问题的能力。这三种能力在发挥作用的过程中，都能显现出科学的穿透力和艺术的感染力。对教育问题的理解，基本上是一个科学问题。自然，理解教育问题的能力基本上是一种科学能力。但是，教育智者对教育问题的理解，其角度、方式，完全可以上升为艺术。对教育问题的直觉把握几乎就是艺术。但是直觉之所以能够发生，却一定是建立在无数次逻辑把握基础上的。假如教育者没有深厚的教育科学、人文科学的素养，对教育问题的直觉把握即使发生也很难靠得住。创造性地解决教育问题，具有很强的艺术特点。观察教育智者的创造性解决问题的过程，就等于是在欣赏教育智者的艺术表演。观察者深知其美，深知其妙，但无法重复，无法获得。

二、教师教育智慧的生成

（一）教师教育智慧生成的内部条件

1．高尚的教育道德是教师教育智慧生成的核心。

（1）爱岗敬业

教育信念，是教师对教育事业、教育理论及基本教育主张、原则的确认和信奉。教育信念的集中表现是教师对教育工作高度的责任感和强烈的事业心，教师的责任感在于把培养教育好每一个学生作为自己神圣的职责，教师的事业心就是坚信自己所从事的教育工作是崇高的事业。

（2）爱学生

师爱对学生的健康成长，对教育教学效果来说，意义重大。教师要努力为学生创设一个充满爱意的成长环境，让每一个学生感受到老师的爱，这就要求我们每一个教师都要作到“四有”，即：一有对学生爱的情感。二有对学生爱的行为。三有对学生爱的能力。四有对学生爱的艺术。

（3）爱美

只有爱美的教师才能塑造美的心灵，培养好的人才。我认为教师的爱美，主要表现为自爱。自爱分为两个方面：一是外在的，包括仪态美、语言美、书法美等；二是内在的，包括人格美，情感美等。

（4）爱知识

首先是向自己的教育对象学习。其次要向外行人学习。第三要向书本学习。第四要向社会学习，向大自然学习。

2．科研是教师教育智慧生成的重要途径。

科研兴教、科研兴校，是大幅度提高教育教学质量的成功之路，而且也是一大批优秀教师成长的成功之路。教师科研能力的强化，正是教师创造力的表现，是教师教育智慧的体现。

（1）科研意识的培养

教育科研意识就是对教育活动的有意识的追求和探索，是运用教育科学理论指导教育活动的自觉，是对所从事的教育活动的一种清晰而完整的认识。教育科研意识由三个要素涵盖，即教育的信念与热情，教育的知识与经验，教育的眼光与智慧。

（2）在教学中开展行动研究

行动研究就是通过实践者在自然情境下对自身的实践进行研究，它以自主、实践、开放、反思为主要特征，以研究与开放式研讨为原则，以实践情境为主要研究场所，研究旨在解决现实问题，并通过实践来检验实践者对现实问题的看法是否正确，解决问题的设想和措施是否有效，实践者反思自己解决问题行为的成败，以达到研究者理性的自觉，进而切实地改变现实。行动研究有三种研究起点：

第一种研究起点是：研究起始于“不明”的情况。也就是指教师常可以因为一些大大小小的“疑惑”而开始进行研究。比如一种有普遍意义的反常倾向、学生中比较固定的落后行为、课堂中的意外、教学的无效等一时无法解释的现象和长期存在的问题，都可以成为一项研究的起点。第二种是以现象的追问为起点。把自己放在里面以对现象的追问为支点提出“问题”，在这个过程中，研究者必须以深度介入的态度把自己放到事件的当中去。这是因为：“自己的问题”自己更为熟悉，因此就最有发言权，最容易把握。而且从感情上来说也更容易接近和投入。第三种是教学即研究。现象是在教学实践中发现的，研究理所当然要根植于实践。在解读研究的过程中，要把自己的日常备课、教学过程、教育策略、相关活动的内容，与自己提出的研究问题紧密结合起来。

（3）建立激励机制，创设科研氛围

良好的氛围和高涨的积极性是促进教师科研素质不断提高的重要条件，教育主管部门和学校必须在这两方面下足功夫。一是氛围的创设，要采取有效的措施，积极开展丰富多彩的教育科研活动，如组织教师外出学习考察或参加各种学术研讨会，请专家来校开设讲座，指导教师开展科研等，通过活动促成良好科研风气的形成。二是建立物质与精神奖励的激励机制，完善考核评价体系，对教师的教育科研成果给予精神上的表彰与物质上的奖励。同时要把教师的教育科研成果与职务评聘、评优、晋升、获得科研资助联系起来，这样才能充分调动教师从事科研的积极性、主动性和创造性。

3．反思是激发教师教育智慧的源泉。

教学反思是教师把自己作为研究对象，研究自己的教学观念和实践，反思自己的教学行为、教学观念以及教学效果。教师进行教学反思要注意以下几个方面：

（1）理论的引领。理性思维就是从日常教学情景中获取价值的第三只眼睛。而这种充满智慧的理性思维的养成，本身就与孜孜不倦的理论学习与勤勉不殆的实践思考密不可分。一线教师最大的问题就是工学矛盾。解决这个矛盾的简单办法就是要养成学习理论的好习惯，同时要学会围绕所思考的教育问题组织资源，开展研究。这样，研究、学习就成为工作的一部分，而教学实践也就成为对教学假设的实证性研究。当工作、学习、研究三位一体时，教师也就实践了“教师成为研究者”的理想。

（2）要具有问题意识。教学反思的功能之一就在于能够唤起教师对教育生活事件中最真实的问题的关注，是教师走向研究者、走向专业化发展的重要一步。问题意识至少包含了这样一些要点：这是个什么问题？这个问题有意义吗？这个问题有根据吗？这个问题有针对性吗？这个问题能解决吗？当我们用这些疑问去思考我们所面对的教育现象时，也许就会从中发现那些真正需要我们解决的问题。从方法上讲，采用文献法是做好这一工作的重要开始。只有通过查阅文献，才能够知道别人在这一点上已经研究到什么程度了，也才知道自己的研究有没有价值。如果我们善于围绕一个明确的主题（问题）开展相关文献的收集、整理工作，就能够由此而上升到研究的层面。

（3）积极对话。对话，是走出个人视界的平台。教师作为个体的精神劳动者，更需要多元的精神碰撞与交流。教学反思，如果总是停留在个体的层面，客观上就会影响到反思的深刻性，影响到反思者个体的成长。与同伴、专家的对话、交流则会丰富反思的内涵，扩张反思的效果，修正反思的偏差，提高反思的品质。

4．偶发事件的恰当处理凝现着教师的教育智慧。

教学机智是教师巧妙应对变化了的课堂场景或灵活机智处理课堂偶发事件的能力。教师的教学机智表现在以下三个方面：一是教师具有敏锐的观察力、灵活的思维力和果断的意志力。二是教师具有对学生深度的了解和诚恳爱护和尊重的态度。三是教师具有长期积累的知识经验以及教育技巧。教师可以通过以下几方面凝练教育机智：

（1）抓住不同个体的认识矛盾和思维碰撞，在师生共同的问题探讨中化解矛盾冲突，展示教学机智。（2）正视学生独特的观察视角和思维流向，在学生出其不意的问题发难中稳住课堂阵脚，彰显教学魅力。（3）捕捉学生平凡中的发现，在对事物的比较探究中抓住问题实质，提升教学品位。（4）运用矛盾的对立统一规律，在一反常态的问题处置中吸引学生视线，凸显教学风采。（5）发掘与课堂关联的教育因素，在猝不及防的教育情境中巧于化害为利，发挥教育智慧。（6）以发现的眼光看待学生，在吸收学生独具慧眼的教学建议中把握认识标高，提高教学境界。（7）关注学生的举手投足，在解读学生的弦外之音中师生感同身受，展现人格魅力。（8）确立正确的教材、教参观，在对教材的质疑批判中注重创造发现，强化教学艺术。

（二）教师教育智慧生成的外部条件

1．建立民主、自由的校园文化。

学校文化对教师的影响是很大的，他一经形成便成为学校成员所共有的和必须遵守的（有主动和被动遵守之分）的学校普遍文化，并对学校成员所共有起着规范和束缚作用。不良的学校文化组织只会妨碍教师教育智慧的生成，使教师不愿创新或不敢创新，教师只有按照教材、教学大纲和各种教学纲要进行教学，使学生在标准化考试中取得好的成绩。

民主、自由的学校组织文化允许教师进行革新、为教师各尽所能提供空间。在民主、自由的学校组织文化中，教师享有学术自由，充分享有教学和管理的权利。学校行政人员过多的咨询、顾问、视察等使得教师的自由权受到了侵犯，以致于教师本人也满足于驯服的执行学校的规程、上级的行政指令，而不把自己看作专业技术工作者。少了行政不必要的监督，教师更能自由表达自己，自觉自愿的进行教学创新，探究使学生全面发展的有效途径。在自由的教学中，教师关注更多的是学生，而不是教学，只有在这样的教学中，教师的教育智慧才能够得以真正的释放。

2．学校要创设有利于终身学习的校园文化。

对于一所学校来说，首先要创设积极的学习氛围。学习的氛围就是一种校园的文化，特定的校园文化形成有一个长期的酝酿过程，需要领导和教师树立一个共同的愿景，每一个人都为之而不断的努力奋斗。作为一校之长和学校的领导集体，都应该积极地投入到学习中去，从思想和理念的高度重视自身的学习，并积极与教育教学的实践相结合，创造出新的工作思路和工作方法。作为教师自身来说，也要从持续发展的角度来认识学习的重要性。教师是一个专业，要实现自己的专业发展，面对日新月异的信息和新知识，都不得不重视学习与吸收，把握新的形势和新的信息，适应时代和社会的发展。其次要开辟专门的学习场所和学习时间。学习要开辟专门的学习场所，让教师主动地参与到学习中来，在学习场所和学习时间里，让教师们一起分享教学中的喜怒哀乐，一起学习新的理念与内容，一起畅谈体会心得，一次来丰富教师的生活，获得一种教育教学的方法与理念，获得乐观的生活心态和浓浓的人文关怀。在学习的形式上，可以是多种多样、求新求异。看教育理论书籍是一种基本的学习方式，除此之外，可以在听课中学习，研讨交流中学习，思考现象中学习，网上论坛中学习……在各种丰富多彩的学习活动过程中调动教师的学习积极性，造就乐于进取的心态和不懈追求的动力。

注释：

①马克斯·范梅南．教学机智—教育智慧的意蕴．李树英译．北京：教育科学出版社，2001．12

参考文献：

[1]刁培萼吴也显．智慧型教师素质探新［M］．北京：教育科学出版社，2005，37

[2]叶澜白益民．教师角色与教师发展新探［M］．北京：教育科学出版社，2002，163－166

[3]王枬．教育智慧：教师诗意的栖居［J］社会科学家，2002，3

人工智能研究性学习范文第9篇

关键词：新一代计算机；人工智能技术；发展趋势

“人工智能”是在1956年的Dartmouth学会上提出的，英文缩写是AI。它是计算机科学等多种学科互相渗透而发展起来的综合性、交叉性学科。从计算机应用系统的角度出发，人工智能是研究如何模拟人类智能活动，使机器能够胜任一些需要人类智能才能完成的复杂工作，以延伸人类智能的科学。

二、人工智能技术的发展状况

随着计算机、信息和并行程序设计技术的发展，人工智能的研究已经发展成为智能体系的研究。到目前为止，人工智能程序已经知道考虑他们要解决的问题，从而寻找比较好的答案。智能体体系可以被认为是智能体的软件工程模型，智能体语言是智能体的软件系统。在我国，智能体技术多被应用到处理具有异构、布、态、规模及自主性的系统中，如Internet，是人工智能技术的新应用。

目前，人工智能技术在美国等欧洲国家仍保持非常快的发展速度。在人工智能技术领域十分活跃的IBM公司，已经为加州劳伦斯利佛摩尔国家实验室制造了号称具有人脑的千分之一智力能力的ASCIWhite电脑。据称，其正在开发的更为强大的blue jean电脑的智力水平将与人脑相当。

三、新一代计算机和人工智能技术的应用

随着人工智能技术的不断发展，越来越多的技术发展都涉及到人工智能，人工智能已经被广泛应用到许多领域。

（一）人工智能技术在计算机符号计算中的应用

计算机最主要的用途之一就是科学计算，通常分为纯数值的计算和符号计算两种。其中符号计算是一种智能化的计算。随着新一代计算机的开发和普及以及人工智能技术的发展，多种功能计算机代数系统软件相继出现，都是用C语言写成的，可以在绝大多数计算机上使用。

（二）人工智能技术在计算机模式识别中的应用

计算机用数学方法研究模式的自动处理就是模式识别。用计算机实现模式的自动识别和判断，是利用人工智能技术开发智能机器的关键，计算机模式识别的特点是效率高，速度快，准确率高，也为人类认识自身智能提供了有利线索。

（三）计算机的机器翻译

计算机把一种语言转变为另一种语言的过程就是机器翻译。目前，我国的机器翻译软件的翻译特点，大致可以分为三类：词典翻译、汉化翻译和专业翻译。词典翻译软件可以迅速查询英文单词或词组的词义，并提供发音；汉化翻译软件提出“智能汉化”的概念，辅助翻译作用更加明显。

（四）人工智能技术在计算机机器学习中的应用

计算机的机器学习主要研究如何使计算机能够模拟或实现人类的学习能力。机器学习是机器具有智能能力的重要标志，也是机器获取知识的根本途径。机器学习是一个难度较大的研究领域，它与认知科学和逻辑学等学科都有着密切的联系，并对人工智能的其他分支也会起到重要的推动作用。

（五）人工智能技术在计算机问题求解中应用

人工智能技术在今天的计算机程序已能够达到各种方盘棋和国际象棋的锦标赛水平。但是，尚未解决包括人类棋手的表达能力和洞察能力等。人们通常都能根据具体问题找到思考问题和解决问题的办法，目前，人工智能技术已能通过计算机程序知道如何考虑要解决的问题，寻找较为准确的解答方法。

（六）人工智能技术在计算机推理证明中应用

逻辑推理在人工智能研究中是最持久的探究领域之一，其中特别重要的是，通过找到合理准确的方法，集中注意力在大型数据库中的有效事实上，关注可信证明，并在出现新信息时适时修正这些证明。因此，在人工智能方法的研究中，定理证明是一个极其重要的论题。

（七）人工智能技术在计算机语言处理中的应用

自然语言处理是人工智能技术应用于实际领域的典型范例，经过多年艰苦努力，这一领域已获得了大量令人瞩目的成果。目前该领域的主要课题是：计算机系统如何以主题和对话情境为基础，注重大量的常识——世界知识和期望作用，生成和理解自然语言。这是一个极其复杂的编码和解码问题。

（八）人工智能技术在计算机专家系统中的应用

专家系统是人工智能技术中最活跃、最有成效的研究领域，是具有特定领域内大量知识与经验的程序系统，已出现成功应用人工智能技术的趋势。计算机程序如果能体现和应用人类知识，就应该可以帮忙解决问题，而且能发现人类专家在推理过程中出现的差错。

四、新一代计算机和人工智能技术的发展趋势

新一代计算机和人工智能技术的发展潜力巨大，其作为一个整体的研究才刚刚开始。人工智能技术的发展总是超乎人们的想象，要准确地预测人工智能的未来，从目前一些前瞻性的研究中可以看出，未来人工智能技术可能会朝以下几个方向发展：模糊处理、并行化、神经网络和机器情感。

（1）自动推理是新一代计算机和人工智能技术最经典的研究分支，其基本理论是新一代计算机和人工智能技术其它分支的共同基础。其中知识系统的动态演化特征及可行性推理的研究，是最新的热点，很有可能取得突破。

（2）机器学习的研究使得许多新的学习方法相继问世，并获得了成功应用。但是也应看到，现有的机器学习方法尚不够有效，寻求一种新的方法，以解决新一代计算机和人工智能技术研究中的在线学习问题，是研究人员共同关心的问题。

（3）自然语言处理是新一代计算机和人工智能技术应用于实际领域的典型范例，这一领域已获得了大量令人瞩目的理论与应用成果。智能信息检索技术近年来已成为新一代计算机和人工智能技术的一个独立研究分支，将新一代计算机和人工智能技术应用于计算机科学与技术领域的研究，是人工智能走向应用的突破口。

五、结束语

很多新一代计算机和人工智能技术研究的成果已经进入人们的日常生活。未来，人工智能技术的发展将会给人类的知识、思考、生活、工作和教育产生巨大的影响，在人类的生活中占据一席之地，成为人类生活的伙伴。

参考文献：

[1]吴艳.关于“人工智能”技术发展的思考[J].和田师范专科学校学报.2010.

人工智能研究性学习范文第10篇

关键词：高中美术研究性学习多媒体技术引导

自高中美术课程改革得到各地许多美术教育工作者的支持以来，大家的共同努力使高中美术课改在教学目标、教学内容和教学方式上都得到了很大的改善。尤其在高中美术研究性学习开展中体现了以学生为本的教育理念，一定程度上彰显了教学与管理的科学性和人文性，但是这也需要我们在前进发展中不断总结经验并反思研究。

一、研究性学习在高中美术课程中的重要性

随着知识经济时代的来临，社会对人才的创新精神提出了前所未有的紧迫要求。《基础教育课程改革纲要（试行）》明确课程改革的目标是要学生具有“初步的创新精神、实践能力、科学和人文素养以及环境意识”。为了实现这一目标，美术课程作为普通高中课程的组成部分之一，在这次课程改革浪潮中起到了一定的作用，充分发挥了美术特色和优势力量。其中研究性学习作为国家规定的必修课程之一，它强调让学生通过实践加强探索和创新意识，培养学生的社会责任感与合作精神。为了响应国家教育方针的号召和顺应时代的发展，许多普通高中教育开展美术研究性学习颇有成效，但仍有部分教师对研究性学习的基本理念或开展的方式一知半解，出现了开展方式过于形式化、学生敷衍了事的现象，这样的研究学习对培养学生解决问题的能力和促进个性发展方面无法起到突出的效果。

《普通高中美术课程标准》强调美术课程应该“鼓励学生在感受、体验、参与、探究、思考和合作等学习活动的基础上，进一步学习基本的美术知识与技能，体验美术学习的过程和方法，形成有益于个人和社会的情感、态度和价值观”。同时它也指明了：“普通高中美术课程的实施要注重培养学生的独立精神，倡导自主学习、研究性学习和合作学习。”而在《全日制普通高级中学课程计划（试验修订稿）》中对研究性学习作了解释：“研究性学习以学生的自主性、探索性学习为基础，从学生生活和社会生活中选择和确定研究专题，主要以个人或小组合作的方式进行。通过亲身实践获取直接经验，养成科学精神和科学态度，掌握基本的科学方法，提高综合运用所学知识解决实际问题的能力。”由此可见，研究性学习在美术课程中的重要性，它在理论上可以通过教师的“解惑授道”来引导学生习得相关知识，又在实践上通过学生亲自实验来验证问题的假设，最终达到自我价值的实现和自我个性塑造的和谐发展。

二、高中美术开展研究性学习是时代的要求

1.多元智能理论对高中美术研究性学习的启示

心理学教授霍华德·加德纳对人类智力结构提出了新的观点，把智力结构归结为九种智能：言语——语言智能、逻辑——数学智能、视觉——空间智能、身体——运觉智能、音乐——节奏智能、人际交往智能、自我反省智能、自然观察者智能和存在智能。这九种能力相互间是独立的，但由于受到环境和教育以及遗传或性格等影响，又会使不同方面的智能形成各自特点，在成长过程中突显智能的优越性和差异性。因此如何利用教育的力量来培养学生的多元智能，是每位教育工作者都必须认真思考的问题。研究性学习打破以片面培养学生一两种智能为核心的课程的传统观念，力求更全面、创新地培养独具个性和创造性的学生。它关注为学生创设更真实生动的学习环境，鼓励他们从自身及周边生活中去挖掘有探究价值的问题。这种强调学生自主探究的学习方式更大限度地减轻了学生对老师的依赖性，扭转了学生对学习知识的被动接受性，开辟了学生获取知识渠道的多向性。

美术对学生树立正确的审美观、培养高尚的审美情操、发展学生健康全面的人格特质，并适宜地开发其美术方面的智能都具有重要意义。面对个性迥异的学生，以开展美术研究性学习为手段，发展学生的多元智能，让他们通过以美术为切入点的研究活动来更加了解自己的才华和能力，是顺应现代教育发展的体现。美术可以与历史、文学、音乐等都有不同程度的联系，只要学生对某一个方面有兴趣，都可以成为研究的内容。高中美术研究性学习同样可以通过社会调查、参与社区活动、合作创作、交流汇报等形式来发展学生的多元智能。

2.现代信息技术对高中美术研究性学习的影响

由于高中生对外界具有强烈的求知欲望和好奇心，所以面对着信息网络发展迅猛的互联网时代，电脑、数码相机、DV等已成为了他们日常生活中熟悉的工具。现代信息技术将动态或静态的图、像、声、字等多种信息资源巧妙结合，带给人们最大限度的视觉冲击，这一特点与作为视觉艺术的美术的形象直观性特点是最吻合的，使得美术课的教学不再局限于平面和立体的空间视觉形象上，而跨越了时空的界限，漫游在无际的虚拟世界。倘若师生不擅长运用最具时效的交流工具，就会和21世纪的先进文化脱节，那将不利于学生形成对世界的感知力和独立思考的价值取向，有碍他们的智慧提升和人格塑造。

随着20世纪初课程形态的研究性学习的诞生以来，逐渐显示出研究性学习是一场以合作为方式、以实践为手段、以网络为平台的学习方式革新，显然它的关注点并不在于探究的结果是什么，而是学习活动的过程中学生应怎样学。在美术教学中希望通过研究性学习让学生学会用艺术思维的方式认知世界，掌握艺术表现的方法，因此只有充分利用现代信息技术才能实现学生“实践——感知——思考”的整体学习。学生除了可以利用电脑进行绘画和设计，还可利用数码相机和摄像机等工具进行摄影摄像。他们对搜索到的信息资源进行分析——归纳——整理——提炼，最后把经过筛选得到的有价值的信息重新组合成自己的学习成果，并把学习成果实行资源共享，进而充分调动学生主动合作探究学习的积极性，加强团队交流协商互助的意识。

三、加强高中美术研究性学习的途径

1.加强教师的引导作用

在整个互联网时代的环境背景下，美术教师已经不再是学生唯一的知识传授者，网络资讯的普及使得学生获知的渠道变得四通八达，因此美术教师要能跟上时代的节奏，就必须加强整合网络信息的能力。研究性学习课程的实施需要教师转变职业角色，采用以学生活动为中心的教学步骤，充分发挥教师的指导作用。在开展高中美术研究性学习中，课程的性质需要教师以引导者与协助者的身份介入到学生的课题研究中来，师生之间应该体现出“对话”的关系。教师以学习伙伴的身份与学生共同研究课题，及时了解学生的兴趣点，面对疑惑时能给予启发和指导，对整个研究过程进行统筹安排。尤其是关于课题的选择上，教师更应该把主动权和选择权交给学生，无论是问题的提出和研究的方向、方法都应该允许学生按照个人兴趣提出并经过筛选等方式最终确立下来。进行研究性学习的地点也不一定都在课堂上，反而充分利用课外时间更能体现师生对资源的优化能力，因此网络上流行的QQ、E-mail、BBS、MSN等对话方式成为了师生青睐的互动手段。假如美术教师可以和学生共同建立一个专门用于交流讨论的网站，那么必定是为开展研究性学习提供了极为便利的途径，在网站里大家可以把研究成果分阶段共享，对有效的信息资料也可以互相传阅和讨论。此外教师同样生活在合作的群体里，要善于利用其他科目教师的优势，打破教师孤军作战的教学方式，以包容和开放的态度进行协作，帮助学生共同完成具有创新意义的研究工作。

2.完善对美术研究性学习的评价

由于美术具有浓厚的人文内涵，与社会、宗教、政治、经济以及其他领域的文化发生普遍的联系，加之其表现形式的多元化，包括绘画、雕塑、摄影摄像等不同种类，决定了在美术领域有丰富的可研究资源，美术研究性学习的表现手法也比其他学科更多样化，除了常见的撰写调查报告、实验报告，对绘画作品的评析，还可以制作手工艺品、设计海报、拍摄DV或制作小电影等。一些高中开设美术研究性学习时虽然体现了表现手法的多样性，却只是注重研究的结果，单纯从研究课题的选题新颖与否、作业表现形式创意与否等作业质量角度来评价学生，使得评价的标准仍然停留在“书面”的层面上。由于参与到研究性学习的学生一般是以合作的形式组合，所以在研究过程中可以看到并不是每个学生都会投入等量的努力，也不是每个学生都会表现出全面的智能，所以才需要教师因材评价。有时候学生会出现一种对待自评和互评“无所谓”的态度，因此就更应该加强学生在合作中的自评和互评的时效性，以及教师对学生的了解和观察的全面客观性。不仅学生本人要认真进行自评，还需要组员之间进行匿名互评，从对待研究课题的学习态度和实践过程中所表现出的投入程度，到合作期间反映出每个人不同的能力。通过书面形式把这些相对客观的评价汇集上交给教师进行审核。教师要善于用学习记录或成长记录袋等形式来对学生的综合能力进行评价，并注意对评价的反思。教师可以组织学生先分组进行讨论，然后再请代表对本组研究情况向全班作汇报，最后教师再作总结。另外，家长也应该参与到对学生的评价中，更全面地评价学生在课内外学习过程中的表现。

3.充分利用多媒体展示学生学习成果

当今的社会是多元化的社会，学习的途径也应是多元化的。为了更好地让学生展现自己的学习成果并学会享受成功的喜悦，因此把先进的现代化信息技术运用到学生的学习活动中，是教育发展的必经途径。我们提倡充分利用多媒体技术来展示学生的学习成果。近年来，随着多媒体技术逐渐融入教学中，我们的教学就可以摆脱往日那种因为受客观物质环境所限的状况，使学生的学习可以更透明，传递学习成果的途径更宽阔，对学生学习成果的评价更公平。由于高中生对多媒体技术并不陌生，因此除了言语表达，他们还可以通过软件制作、摄影、录像、幻灯、制作电子杂志等媒体技术来把学习过程记录下来，如利用投影把研究学习过程的笔记原版放映出来，或者利用录音录像把采访调研的片断剪接编辑成片等方式，让多媒体把同学间共同探讨问题、走访调查时的片断都变成汇报共享内容的一部分，使得老师和同学评价时可以更全面综合地分析每个同学的表现。

参考文献：

人工智能研究性学习范文第11篇

关键词：新课程 高中美术 多媒体技术 应用研究

自高中美术课程改革得到各地许多美术教育工作者的支持以来，大家的共同努力使高中美术课改在教学目标、教学内容和教学方式上都得到了很大的改善。尤其在高中美术研究性学习开展中体现了以学生为本的教育理念，一定程度上彰显了教学与管理的科学性和人文性，但是这也需要我们在前进发展中不断总结经验并反思研究。

一、研究性学习在高中美术课程中的重要性

随着知识经济时代的来临，社会对人才的创新精神提出了前所未有的紧迫要求。《基础教育课程改革纲要（试行）》明确课程改革的目标是要学生具有“初步的创新精神、实践能力、科学和人文素养以及环境意识”。为了实现这一目标，美术课程作为普通高中课程的组成部分之一，在这次课程改革浪潮中起到了一定的作用，充分发挥了美术特色和优势力量。其中研究性学习作为国家规定的必修课程之一，它强调让学生通过实践加强探索和创新意识，培养学生的社会责任感与合作精神。

二、高中美术开展研究性学习是时代的要求

1.多元智能理论对高中美术研究性学习的启示

心理学教授霍华德?加德纳对人类智力结构提出了新的观点，把智力结构归结为九种智能：言语——语言智能、逻辑——数学智能、视觉——空间智能、身体——运觉智能、音乐——节奏智能、人际交往智能、自我反省智能、自然观察者智能和存在智能。这九种能力相互间是独立的，但由于受到环境和教育以及遗传或性格等影响，又会使不同方面的智能形成各自特点，在成长过程中突显智能的优越性和差异性。因此如何利用教育的力量来培养学生的多元智能，是每位教育工作者都必须认真思考的问题。

美术对学生树立正确的审美观、培养高尚的审美情操、发展学生健康全面的人格特质，并适宜地开发其美术方面的智能都具有重要意义。面对个性迥异的学生，以开展美术研究性学习为手段，发展学生的多元智能，让他们通过以美术为切入点的研究活动来更加了解自己的才华和能力，是顺应现代教育发展的体现。美术可以与历史、文学、音乐等都有不同程度的联系，只要学生对某一个方面有兴趣，都可以成为研究的内容。高中美术研究性学习同样可以通过社会调查、参与社区活动、合作创作、交流汇报等形式来发展学生的多元智能。

2.现代信息技术对高中美术研究性学习的影响

由于高中生对外界具有强烈的求知欲望和好奇心，所以面对着信息网络发展迅猛的互联网时代，电脑、数码相机、DV等已成为了他们日常生活中熟悉的工具。现代信息技术将动态或静态的图、像、声、字等多种信息资源巧妙结合，带给人们最大限度的视觉冲击，这一特点与作为视觉艺术的美术的形象直观性特点是最吻合的，使得美术课的教学不再局限于平面和立体的空间视觉形象上，而跨越了时空的界限，漫游在无际的虚拟世界。倘若师生不擅长运用最具时效的交流工具，就会和21世纪的先进文化脱节，那将不利于学生形成对世界的感知力和独立思考的价值取向，有碍他们的智慧提升和人格塑造。

三、加强高中美术研究性学习的途径

1.加强教师的引导作用

在整个互联网时代的环境背景下，美术教师已经不再是学生唯一的知识传授者，网络资讯的普及使得学生获知的渠道变得四通八达，因此美术教师要能跟上时代的节奏，就必须加强整合网络信息的能力。研究性学习课程的实施需要教师转变职业角色，采用以学生活动为中心的教学步骤，充分发挥教师的指导作用。在开展高中美术研究性学习中，课程的性质需要教师以引导者与协助者的身份介入到学生的课题研究中来，师生之间应该体现出“对话”的关系。教师以学习伙伴的身份与学生共同研究课题，及时了解学生的兴趣点，面对疑惑时能给予启发和指导，对整个研究过程进行统筹安排。尤其是关于课题的选择上，教师更应该把主动权和选择权交给学生，无论是问题的提出和研究的方向、方法都应该允许学生按照个人兴趣提出并经过筛选等方式最终确立下来。进行研究性学习的地点也不一定都在课堂上，反而充分利用课外时间更能体现师生对资源的优化能力，因此网络上流行的QQ、E-mail、BBS、MSN等对话方式成为了师生青睐的

2.完善对美术研究性学习的评价

人工智能研究性学习范文第12篇

关键词:专业建设;人才培养;教学改革;课程体系;教学模式

21世纪是智能科学技术快速发展的时期,智能科学与技术本科专业应当抓住这个契机,大力推进智能科学与技术的本科教育和专业建设,培养适合社会发展和市场需求的智能科学技术人才[1]。坚持以学生为根本,以传授知识、培养能力、提高素质和协调发展为己任,以我国经济结构战略性调整的要求和社会发展对人才的迫切需求为重心,针对师资队伍、人才培养模式、教学内容与课程体系、教学方法与手段、教学管理及培养质量等方面进行深入改革,形成具有先进的办学理念、完善的管理体制、领先的改革思路、优秀的师资队伍的龙头专业。智能科学与技术作为具有广阔发展前景和巨大应用需求的综合交叉学科,高校应进一步拓展相关研究领域,结合办学条件、管理制度及政策倾斜,突出人才培养和专业建设的特色。

1深化实践教学改革,探讨多元复合型人才培养模式

智能科学与技术专业要协调发展,首先必须明确专业特色,形成自己特有的学科体系、人才培养模式和课程特色。在智能科学技术相关研究已经渗透到各个领域的形势下,对人才的培养要从多元化角度来考虑[2]。一方面,当前国内外智能科学领域的相关研究如火如荼,原创性理论与核心技术的研究步伐在进一步加快,国际上对智能科学与技术专业研究型人才求

贤若渴。另一方面,智能科学领域的一系列学术研究成果,迫切需要转化成能够产生社会效益、支持社会主义经济发展及人民生活需要的产品,大型企业、著名公司对具有智能科学技术专业知识的应用型和工程型人才的需求势头正旺,因此,目前探讨智能科学与技术专业的人才培养模式正当其时。

1) 多元化人才培养模式。智能科学与技术专业是一个集智能技术、通信技术、计算机技术、控制技术等多学科交叉、跨应用领域的本科专业。根据社会经济的发展、市场对人才的需求以及专业自身的发展特点,智能科学与技术专业的人才培养应当兼顾研究型、应用型和工程型等多元复合型人才需求,因此,智能科学专业在充分整合优质教育资源的基础上,需要不断改革教育模式。一方面,通过各种教学活动,丰富各层次、各类型的课程教学资源,如:积极开设双语教学、探究式教学、“本、研合一”的高水平课程、校外名师课程等,强化学生创新知识和科研学术能力的培养,推进高素质人才的培养计划;另一方面,针对智能科学与技术专业的应用特点,积极开展学生科研活动和实践训练,使学生通过项目实践锻炼自己的实际研发能力,提高运用所学知识解决实际问题的能力。此外,充分利用我校多学科、综合化的人才培养优势,通过以跨学科、跨专业的交叉融合,打通各方的优质教学资源,给学生提供更加广泛的学习空间,促进优质高效的复合型人才培养。

2) 专业素养培养。完善由智能科学与技术专业基础课程、专业核心课程、专业方向课程三部分组成的定位明确、特色突出、规范合理的专业教育课程体系,加强学生在基础知识训练和智能科学专业技能的素养培养,强化专业基础的相关性,突出专业核心的稳定性,扩大专业方向的多样性。

3) 科研素养和适应发展能力培养。智能科学与技术专业面对多元化人才需求,不仅要培养学生独立从事科学研究的能力,自主不断学习新理论、新方法和新技术的能力,以胜任学科的前沿研究和技术发展;同时还要重视学生在研发团队的协同工作能力,以适应学科在实际中的各种应用需求,在不断开发高质量智能软件系统及项目研发的实际锻炼中,培养学生的高效工作能力和良好的沟通能力。

基于以上观点,我校在教学模式的改革中,积极提倡“夯实基础、综合提高、加强实践”的三结合人才培养改革思想,针对学生的专业素养、专业技能等多个方面细化培养方案,不仅注重培养学生的实际应用能力,还要兼顾培养学生的研究型思维、科学研究的能力及创新精神,从整体上提升智能科学技术人才培养的素质。

我校智能科学与技术专业坚持“教学、科研、团队的协调发展,学科、专业、课程的整体建设”,依托北京市实验教学示范中心、北京市高等学校工程研究中心,北京市重点建设学科“计算机应用技术”、校级重点建设学科“软件理论与技术”以及与其他专业和兄弟院校的联合,开展了以教师队伍建设为基础、以人才培养改革为核心,以促进学生知识、能力、素质协调发展为目标的专业建设工作,并形成了层次型人才培养方案,如图1所示。

图1层次型人才培养方案

1.1层次型人才培养方案及教学模式

结合智能科学与技术本科专业的特点,针对多元化人才培养需求,我们构建了“教―学―用”的层次型培养模式,形成了“2+1+1”的教学模式。前两个学年主要学习计算机科学技术和智能科学基础理论知识,以学习、理解和掌握知识为主,同时采用启发引导及探究讨论的教学策略,培养学生自主学习的能力和主动探究的兴趣,进一步结合相关问题、设计方法、分析讨论和问题求解培养学生的专业素养[3]。第三学年侧重学习智能专业核心课程,如:智能机器人、智能游戏与虚拟现实技术、模式识别、智能信息获取与决策管理、自然语言处理等体现智能科学与技术专业特色的课程,使学生在理论方法的学习中提高专业技能,同时所设课程与相应的实验课相结合,加强学生理论知识的消化和实践能力的训练。第四学年,以综合实践训练为主,学生根据各自的情况和兴趣,参加学生科研立项、各类科研竞赛活动、大学生创新实验、专业实习、毕业设计及教师的科研项目等,进一步强化实践能力培养环节,有利于学生整体综合素质的提高。同时,以问题为纲,培养学生在解决问题的同时自主发现新问题和新知识,进一步培养学生的主动思维和创新提高的科学研究素养[4]。

1.2 “本、研合一”的教学体系

本科生与研究生的培养互动是推动本科生创新能力培养的有效措施。我校智能科学与技术专业经过几年的探索和实践,形成了“本、研合一”的教学体系。“本、研合一”教学体系的设计思路是将学生在各个学习阶段的知识结构、实际应用能力和科学研究能力进行一体化设计,使学生在有限的时间里掌握尽可能多的知识,得到尽可能充分的实践与锻炼,并在一体化的教学体系设计中逐步培养学生的研究型思维、应用型和工程型能力,以及创新型精神,提升智能科学与技术专业的人才素质。

我校智能科学与技术专业借助已获批北京市和校级精品课程、探究式课程、双语课程及网络多媒体课程,包括智能信息获取技术、人工智能原理、模式识别、智能科学与技术导论、智能机器人和自然语言处理等,在三年级开设提高性的研究型课程,这种提高性教学采取本科生与研究生合班上课的形式,使一部分本科学生在本科阶段先行选修部分研究生课程,并接受高水平教师的培养。这一阶段要求教师面向研究和学习对象,将每一阶段的理论知识与实际应用系统对应设计,同时要求理论课和专业技术课都要针对研究和学习对象设计问题,留出解决问题的空间。在完成整个学习阶段后,组织学有余力的本科生与研究生联合申请科研立项(由学校条装处资助)、实验室开放基金(由学校学生处资助);有计划地将本科生按照他们的兴趣爱好,逐步吸纳到由研究生导师、研究型教师、研究生、本科生组成的科研课题组或特色研究小组,以科研项目组为单位,对学生进行系统的综合提高训练。

1.3积极开展“研、教互动”,培养具有前沿性、时代性和实用性的复合型人才

教师的科研和教改项目为学生提供了课外学习的平台和广阔的发展空间。部分学生将课程组教师的研究成果,实现了直观验证和探索归纳两种实验分析模式。另外,我们还组织部分有能力、有兴趣的学生成立课外科研兴趣小组,参加各种科研活动,4年来课程组教师指导的36个校级科研项目中有22个获得学校奖励。科研活动与教学的互动不仅提高和增强了学生学习的兴趣和动力,更激发了他们钻研与探索的精神。在本科第三年,一方面聘请国内外知名教授,为本科生开设前沿性的科研讲座;另一方面要求学生去联合实践基地、对口企业进行为期三个月的专业实习和相关实践活动,由双方共派导师形成导师组联合指导培养学生。这些项目不仅给学生从事基础研究创造了机会,也加强了专业科研对外合作,有利于专业人才培养水平的提高。

2以多渠道交流、合作及开放的方式,加强“产、学、研”结合的多元化培养模式

我校智能科学与技术专业广泛利用国内外优势教育资源开展主题鲜明、形式多样的教学科研合作,积极开拓产学研结合渠道,与企业共建科研开发中心合作,一方面提供学生进行专业实习、毕业设计、综合训练等,另一方面,还为学生提供科技创造的实践环境和为社会提供各种技术服务的平台。智能专业除了与本校的兄弟学院建立教学科研合作之外,还与澳洲悉尼科技大学、美国密西根州立大学、中科院高能所、中科院自动化所、IBM公司、北京上善中加信息技术有限公司、北京智能谷科技有限公司等几十家中外著名大学、软件公司、企业及高级研究机构建立了开发、科研与人才培养合作的机制,通过多种多样的方式在学校和校外各方进行联合,积极开拓产学研结合渠道,引进最先进的智能研发环境,培养学生掌握最新的研究成果和开发技术,成为适应国家科学研究、社会主义市场经济和信息产业发展需要的研究型、应用型、工程型的复合型人才,力争在人才竞争中保持优势。

3加强师资队伍建设

师资队伍建设一直以来都是专业建设的基本保证,我校智能专业注重建立教师深造培训、学术交流和工作分配的有效机制,进一步为教师提供丰富教学经验、了解人才需求的平台,以人尽其才的用人方式激发教师的工作积极性。近年来,我们已先后从中国科学院、北京理工大学、西安工业大学、北京科技大学等国内知名高校和科研机构引进了多名具有博士学位的教师,并结合智能专业的特点,建立了一支多学科、多专业的基础理论课教师、专业核心课教师、科研及工程技术人员组成的专兼结合的教师团队。这支以中青年为主的教师队伍长期工作在教学、科研第一线,积累了丰富的教学经验,教学效果显著,其中教授3人,副教授2人,研究生导师6人,具有博士学位的教师6人。经过多年的建设,专业已形成了一支知识结构、学缘结构和年龄结构比较合理的师资队伍,教师具有扎实的专业基础,深厚的教学功底,开阔的学术视野和较强的科研能力,其中,2人获北京市优秀青年骨干教师称号,3人多次获得学校优秀主讲教师、优秀导师和优秀毕设指导教师等称号。

在专兼结合的教师团队中,智能科学与技术专业的教师侧重培养学生扎实的理论基础和专业知识,同时注重院校内部交叉学科知识的融会贯通,联合院内信息工程专业、计算机科学专业、软件工程专业以及教育科学学院从事相关研究的学者,通过讲座与项目联合的方式,培养学生对跨学科交叉领域知识的掌握与应用。同时,积极开展与国内外著名软件公司、企业及高级研究机构的交流与协作,建立相关产业和领域一线工程技术人员到学校兼职授课的制度和机制,进一步扩充师资队伍的力量。另外,在教师队伍的建设建设中,采用以老带新和以新促长的方式,注重分工协作和交流发展,采用课程主讲教师负责制,全面负责课程的教学、实验、实习和实践;而实验教师负责实验、实习和实践教学,从而保证了队伍的连续性和优势互补性。此外,教授、副教授每学年必须为本科生开设核心课程,并要承担一定的教学实验、专业实习、指导本科学生科研立项、毕业论文指导等工作,切实保障了课程理论学习与实验、实践、研究环节的紧密跟踪与指导。

4优化课程体系

课程建设是专业建设的重要内容,课程教学的质量直接关系到人才培养的质量。智能科学与技术专业目前有北京市、校级精品课程、优秀课程、探究式课程、双语课程及多媒体网络课程7门,智能信息获取技术、人工智能原理、模式识别、智能决策支持系统、智能机器人、自然语言处理,另外还有多门课程的建设工作验收合格。智能科学与技术专业在课程体系的设置和改革方面,参考了国内外著名高等学校,包括麻省理工大学、斯坦福大学、东京大学、悉尼大学以及北京大学、南开大学、西安电子科技大学、北京邮电大学的智能科学专业的课程设置,充分考虑了我院在信息处理技术方面的特色,以及智能科学专业多年来在机器学习、模式识别、自然语言理解以及智能信息处理等方向的科研成果及研究生培养经验积累,以智能机器人、智能游戏及智能信息处理等为特色课程,以建设“理论―研究―实践”为指导思想,设置了协同递进的特色课程体系,如图2所示。通过“学习+提高+实践”的协同递进和不断深化的过程,达到系统掌握和融会贯通,并由“基础训练”提高到“专业素养”,最终上升为综合能力。在理论基础和实践训练的协同学习过程中,案例学习与项目带动的一体化方式可以激发学生的学习热情和科研兴趣,同时使学生感知理论基础知识的重要性。

图2协同递进的课程体系

5拓宽多学科领域的教学科研合作,提高人才培养质量

智能科学与技术专业自身特点决定了在人才培养方面的学科综合交叉性[5],体现了与其他领域的技术相互渗透的必要性,这种跨学科的交叉应用研究更能激发智能科学与技术专业的活力,更能充分发挥智能专业的科研潜力。拓宽领域合作是各个学科在教学改革中值得思考的问题,我校智能科学与技术专业结合本校的办学特色,与教育科学学院教师联合开展了在教育信息智能化方面的相关合作,将专业技术广泛应用于教育信息的智能处理中,从学业表情、知识驱动、网络信息监管与安全分析入手,基于情感计算、数据挖掘、Multi-agent、分布式智能检测、教育信息等技术,在情绪信息认知计算模型和信息安全监控模型方面进行广泛深入的合作研究。这种交叉领域的教研合作,有利于促进专业相关课程及其实验、实习、科研、毕业论文、学生科研活动取得良好的应用效果[6]。

6人才培养和专业建设的架构

本校智能科学与技术专业结合近年来在人才培养和教学改革中的经验和教训,缜密剖析了当前智能科学与技术专业在我国的学科地位、自身特点和未来发展,建立起了“专业基础+项目实践+社会服务”的人才培养与专业建设架构,如图3所示。

图3人才培养与专业建设架构

7结语

智能科学与技术是一个与学科领域前沿及最新发展紧密结合的多学科交叉专业,因此要结合心理学、哲学、生命科学等多学科不断优化知识结构,根据教育部、教学指导委员会和国家及北京市科技发展中长期规划纲要,突出重点领域和前沿技术优先发展的有关要求,认真研究专业定位,规范智能科学与技术专业建设的基本内容,加强基础,提高素质,优化结构,增强优势,协调发展,突出特色;顺应社会的

发展需求,面向市场的用人需求, 构建经济社会发展需要的课程体系,规范课程教学内容设置,加强精品课程建设,开设高水平课程。同时,政策倾斜、条件改善和严格管理是提高人才培养质量的保障,高校应当进一步加大投入,支持智能科学与技术专业的实验室、实习基地、图书资料、基础设施、师资优化等教学条件的建设和改善,使其具有更好的办学条件和更加先进的教学手段,满足多元复合型人才培养的需要。此外,专业建设实行专业责任制,明确专业建设目标,理清专业建设思路,切实制定和完善专业建设实施规划,加强师资队伍建设,在课程改革与建设、教材建设、实践教学基地建设、教学改革与管理等方面落实相关人员责任,落实专业建设经费,确保达到专业建设的预期目标。最后,加强专业毕业生就业服务与跟踪调查:以科学发展观为指导,以学生的全面和谐发展为中心,在统筹兼顾的前提下,重点加强专业的毕业生就业服务与指导工作,努力提高就业率,积极开展就业跟踪调查,多渠道了解信息,建立更加完善的毕业生社会评价反馈体系,加强专业毕业生的后续管理,进一步提高专业的影响力和社会声誉。

参考文献:

[1] 王万森,钟义信,韩力群,等. 我国智能科学技术教育的现状与思考[J]. 计算机教育,2009(11):10-14.

[2] 谢昆青. 第一个智能科学与技术专业[J]. 计算机教育,2009(11):16-20.

[3] 焦李成,石光明,钟华,等. 智能科学与技术本科特色专业建设的实践与探讨[J]. 计算机教育,2009(11):26-29.

[4] 李擎,陈雯柏,李邓化,等. 智能科学技术专业建设的实践[J]. 计算机教育,2009(11):33-37.

[5] 魏秋月. 关于智能科学与技术专业人才培养和学科建设的思考[J]. 教育理论与实践,2009(9):18-19.

[6] 刘丽珍,王旭仁,刘杰. 智能科学与技术本科专业教学改革及课程建设[J]. 教育信息化,2009(11):112-115.

The Discussion on the Undergraduate Training and Professional Building of the Specialty of

Intelligence Science and Technology

LIU Li-zhen, SHI Chang-di, LI Zhi-ping, ZHANG Cong-xia

(College of Information Engineering, Capital Normal University, Beijing 100048, China)

人工智能研究性学习范文第13篇

关键词：人工智能；信息素养；信息技术

中图分类号：TP18文献标识码：A文章编号：1009-3044(2008)35-2417-02

Artificial Intelligence Education and Middle School Students Information Literacy

WU Wen-tie

(Mathematics and Computer Institute of Mianyang Normal University, Mianyang 621000, China)

Abstract: Information Literacy in the Information Age is a national basic literacy, artificial intelligence represents a cutting-edge information technology. Based on the analysis of information quality and substance of the definition on the basis of exploring the field of artificial intelligence research, as well as in education, put forward the theory of artificial intelligence and technology courses in secondary education should be in a more systematic, comprehensive Improve the information literacy of students.

Key words: artificial intelligence; information literacy; information technology

1 信息素养的定义及其内涵

“信息素养”一词最早产生于信息技术和信息产业发达的美国, 是随着现代信息社会的逐渐形成而对国民提出的一种兼跨人文和科学范畴的综合性个人素养要求的描述。随着研究的深入，人们对信息素养的认识也在不断深化。

1974年美国信息产业协会主席保罗・泽考斯基最先提出信息素养的概念, 他认为信息素养是“利用大量的信息工具及主要信息源使问题得到解答的技术及技能”。1992年美国图书馆协会提出：“信息素养是人能够判断何时需要信息, 并且能够对信息进行检索、评价和有效利用的能力。”同年, 道尔在《信息素养全美论坛的终结报告》中给出了一个较为全面的定义：一个具有信息素养的人, 他能够认识到精确和完整的信息是作出合理决策的基础, 他能够确定对信息的需求, 能够形成基于信息需求的问题, 能够确定潜在的信息源, 能够制定成功的检索方案, 从包括基于计算机的和其他的信息源中获取信息、评价信息、组织信息用于实际的应用, 将新的信息与原有的知识体系进行融合以及在批判性思考和问题解决过程中使用信息。

综上所述, 虽然研究人员从不同的视角界定了信息素养的定义, 但可看出, 信息素养既包括认知态度层面上的内容, 也包括技术层面、操作层面和能力层面上的内容。概括起来讲, 信息素养主要包括信息意识、信息能力和信息道德三个方面：

1) 信息意识。信息意识是信息素养的首要因素, 主要指人们对信息及其交流活动在社会中的地位、价值、功能和作用的认识, 换句话说, 就是指人们对信息的判断、捕捉的能力。信息意识的强弱将直接影响人们利用信息的程度和效果。人们只有有了信息意识,才有可能有信息的需求, 进一步去寻找信息和利用信息, 并主动学习与信息处理有关的技术。

2) 信息能力。信息能力是信息素养的重要方面, 是指人们获取信息、处理信息、利用信息、创造信息、交流信息的技术和能力。人们只有掌握一定的信息技能, 才能有效地开展各种信息活动, 有效地利用信息和创造信息, 充分发挥信息的价值, 变信息为动力和优势。

3) 信息道德。信息道德是指人们在整个信息交流活动过程中表现出来的信息道德品质。它是对信息生产者、信息加工者、信息传播者及信息使用者之间相互关系的行为进行规范的伦理准则, 是信息社会每个成员都应该自觉遵守的道德标准。

2 人工智能的研究领域

人工智能的研究领域非常广泛, 而且涉及的学科也非常多。目前,人工智能的主要研究领域包括：专家系统、机器学习、模式识别、自然语言理解、自动定理证明、自动程序设计、机器人学、智能决策支持系统及人工神经网络等。下面主要介绍在网络教育环境中常用的智能技术。

2.1 专家系统

所谓专家系统就是一种在相关领域中具有专家水平解题能力的智能程序系统, 它能运用该领域专家多年积累的经验与知识, 模拟人类的思维过程,求解需要专家才能解决的困难问题。

2.2 机器学习

“学习”是一个有特定目的的知识获取过程, 其内在行为是获取知识、积累经验、发现规律; 外部表现是改进性能、适应环境、实现系统的自我完善。所谓机器学习, 就是要使计算机能模拟人的学习行为, 自动地通过学习获取知识和技能, 不断改善性能, 实现自我完善。机器学习主要研究学习的机理、学习的方法以及针对相应的学习系统建立学习系统。

2.3 模式识别

所谓模式识别,是指研究一种自动技术。计算机通过运用这种技术,就可自动地或者人尽可能少干预地把待识别模式归入到相应的模式类中去。也就是说,模式识别研究的主要内容就是让计算机具有自动获取知识的能力,能识别文字、图形、图像、声音等。一般来说,模式识别需要经历模式信息采集、预处理、特征或基元抽取、模式分类等几个步骤。

2.4 人工神经网络

人工神经网络是指模拟人脑神经系统的结构和功能, 运用大量的处理部件, 由人工方式建立起来的网络系统。它是在生物神经网络研究的基础上建立起来的,是对脑神经系统的结构和功能的模拟, 具有学习能力、记忆能力、计算机能力以及智能处理功能。其中学习是神经网络的主要特征之一, 可以根据外界环境来修改自身的行为。学习的过程即是对网络进行训练的过程和不断调整它的连接权值, 以使它适应环境变化的过程。学习可分为有教师(或称有监督)学习与无教师(无监督)学习两种类型。对神经网络的研究使人们对思维和智能有了进一步的了解和认识,开辟了另一条模拟人类智能的道路。

3 人工智能技术在教育中的应用

3.1 智能搜索引擎

随着互联网站点和页面的激增以及网络用户队伍的不断壮大,信息检索成为人们利用Internet的重要途径。但是在浩瀚的网页海洋中寻找有用的信息并不容易,需要借助有力的检索工具如搜索引擎等等。目前一些著名的搜索引擎有:GOOGLE、YAHOO、EXCITE、INFOSEEK等,他们各有特色,但仍存在不足之处,如检索到的无关信息过多以及检索结果排序较混乱。智能化信息检索是信息检索的新分支,它是人工智能和信息检索的交叉学科。它在对内容的分析理解、内容表达、知识学习等基础上实现检索的智能化,这样可以节省学习者在检索中花费的时间,帮助学习者提高检索效率。智能化信息检索所用到的人工智能技术有专家系统、自然语言处理和知识表示。

3.2 智能体(agent)

agent技术早在70年代出现在人工智能领域,通过感知、学习、推理以及行动能够基于知识库的训练模仿人类社会的行为。随着其进一步发展,它在远程教育领域发挥着越来越重要的作用。一套完整的远程教育系统中包含许多子系统,如答疑、作业、考试、交互等等子系统。这些子系统都有各自的数据库用来存储信息。为了提高整个系统的智能性,可以引入智能技术,把众多子系统的数据库链接起来,实现信息资源的共享。通过分析这些信息,智能技术可以发现学习者的个别特征(如兴趣爱好信息、点击知识点信息统计、交互日志等等),并根据这些特征量身订做出适合学习者的学习方案,也有助于教师及时掌握学习者学习过程中的动态信息。

3.3 智能CAI(ICAI)

随着计算机技术的飞速发展,计算机辅助教学(CAI)已受到教育界的重视,成为学科教学改革的一种重要手段。许多学校都在开发CAI课件,但大多数CAI课件只是机械地按照教学设计者事先设计好的教学模式和内容向学生传授知识,并没有体现出个性化学习,无法做到因材施教。

智能CAI是以人工智能技术为核心,使CAI系统能够根据学生的学习情况等因素分析学生的特征,合理安排教学内容、变化教学方法去满足个别教学的需要。使用智能CAI进行教学能够克服传统CAI的不足,显著提高教学效果,是CAI课件发展的趋势。

3.4 智能教学系统ITS

智能教学系统(intelligent tutoring system,ITS)是涉及人工智能、计算机科学、认知科学、教育学、心理学和行为科学的综合性课题,其研究的最终目标是由计算机负担起人类教育的主要责任,即赋予计算机系统以智能,由计算机系统在一定程度上代替人类教师实现最佳教学。我国ITS的研究起步较晚,但近几年随着计算机的普及和教育软件需求增大,ITS的发展较快。ITS按照功能分为四个模块:专家知识模块、学生模块、教师模块、人机接口模块。

4 人工智能教育对学生信息素养的作用

人工智能(ArtificialIntelligence,AI)是计算机科学的一个分支,是一门研究运用计算机模拟和延伸人脑功能的综合性学科。换言之,它研究如何用计算机模仿人脑所从事的推理、证明、识别、理解、设计、学习、思考、规划以及问题求解等思维活动,来解决需要人类专家才能处理的复杂问题,例如咨询、诊断、预测、规划等决策性问题。人工智能也是一门涉及数学、计算机科学、控制论、信息学、心理学、哲学等学科的交叉和边缘学科。与一般的信息处理技术相比,人工智能技术在求解策略和处理手段上都有其独特的风格。人工智能研究处于信息技术的前沿,它的研究、应用和发展在一定程度上决定着计算机技术的发展方向。同时,信息技术的广泛应用也对人工智能技术的发展提出了急切的需求。今天,人工智能的不少研究领域如自然语言理解、模式识别、机器学习、数据挖掘、智能检索、机器人技术、人工神经网络等都走在了信息技术的前沿,有许多研究成果已经进入人们的生活、学习和工作中,并对人类的发展产生了重要影响。

综上所述,作为信息技术一个不可缺少的重要组成部分,人工智能的基本内容在中学信息技术课程中是不能不专门提及的,以往某些教材中用一两页篇幅作个简单介绍的方法根本不足以反映人工智能学科的全貌。因此,十分有必要在高中阶段的信息技术课程中专门设立人工智能选修课。我们认为,高中阶段开设人工智能课程可以在以下几个方面对学生的信息素养培养产生积极作用：

1) 多种思维方式的培养和信息素养的综合锻炼。

现实世界的问题可以按照结构化程度划分成三个层次：结构化问题,是能用形式化(或称公式化)方法描述和求解的一类问题;非结构化问题,难以用确定的形式来描述,主要根据经验来求解;半结构化问题则介于上述两者之间。一般说来,中学阶段开设的传统意义上的信息技术课程中所介绍的信息技术,例如多媒体技术、网络技术、数据库技术、算法与程序设计等,都是求解结构化问题的基本技术。而人工智能技术则是解决非结构化、半结构化问题的一类有效技术。

把人工智能课程引入我国现行的高中信息技术教育,可以让学生在体验、认识人工智能知识与技术的过程中获得对非结构化、半结构化问题解决过程的了解,从而培养学生的多种思维方式,达到提高信息素养的目的。通过人工智能课程的学习,学生还将了解人工智能语言的基本特征,学到智能化问题求解的最为基本的策略。

2) 体验人类专家解决复杂问题的思路,提高学生的逻辑思维能力。

这里以人工智能学科中“专家系统”技术的体验、学习与应用过程为例进行说明。在专家系统的应用过程中,一个实际的专家系统不仅能够为用户给出相关领域的专家水平建议或决策,而且能够通过解释机制,以用户容易理解的方式解释专家系统的具体推理过程。学生可以向专家系统提出诸如“为什么(Why)”、“如何(How)”、“如果……会怎么样”等问题,系统接受用户的问题指令后,可以根据推理的逻辑进程,即时将答案呈现给用户,整个过程如同教师与学生在进行面对面的教学。在该过程中,学生可以充分体验人类专家的求解思路和推理风格,有助于提高他们的分析、思维与判断能力。

另一方面,在专家系统的教学过程中,可以要求学生自行构建由产生式规则组成的知识库,或进一步利用工具软件来开发简单的实用型专家系统。为了完成该项工作,学生一开始就要编制开发规划、制定知识获取策略,并具体付诸实施,这是一个不断深化的过程。学生还得明确与系统有关的所有变量或相关的因素,并且将这些变量和因素转化为问题求解,得出相应的结论。在进行一系列问题求解分析之后,运用产生式规则来表示知识,以此建立起来的专家系统还可以让其他学生去运用和体验,具有一定的实用价值。

由于专家系统中的知识组织与推理过程是对人类专家思维方式的一种模拟,因此上述知识库的组织和系统的推理过程能够较好地体现学生的思维过程。在建造知识库过程中,学生需要将原来零碎的未成型的知识概念化、形式化和条理化,从而内化为学生自己的东西。所以,建造知识库的过程不但能反映学生的学习过程,而且有助于学生对该领域知识的深层思考并有利于长久记忆,同时也学会了专家系统的基本开发技术。正如美国著名的学习论专家Jonassen所指出的：那些自行设计专家系统的学生将会在这种活动中受益匪浅,因为这是一个对所学知识进行深度加工的过程。

3) 了解信息技术发展的前沿,激发对信息技术未来的追求。

人工智能技术在一定程度上代表着信息技术的前沿,通过人工智能知识、技术的学习与体验,高中学生能够对信息技术发展的前沿知识有一定程度的了解,这样有助于他们开阔视野,培养兴趣,激发对信息技术美好未来的追求,从而为今后进入大学或走向社会奠定良好的基础。

5 结束语

中学生的信息素养的培养是当前信息技术课的一个重要目标，而在现有的中学信息技术课程中，关于人工智能的知识只作了简单的介绍，学生们对于人工智能研究的广大领域不能有详细的概念，这对于中学生的信息化认识和信息素养的培养不够全面。因此在中学信息技术课中加大人工智能的知识介绍是信息技术课改革的重要内容。

参考文献：

[1] 雷晓庆.网络环境下大学生的信息素养及其培养[J].太原大学学报, 2004(2):38.

[2] 杜玉霞.美国信息素养教育与研究的启示[J].电化教育研究, 2005(10):42.

[3] 王永庆.人工智能原理与方法[M].西安:西安交通大学出版社,2002,1-53.

[4] 潘瑞玲,余轮.Agent技术在远程教育系统中应用的研究[J].微型电脑应用,2002,18(4):28-30.

[5] 吴战杰，秦健.Agent技术及其在网络教育中的应用研究[J].电化教育研究，2003(3):32-36.

[6] 张剑平.关于人工智能教育的思考[J].电化教育研究，2003(1):24-28.

人工智能研究性学习范文第14篇

谷歌人工智能AlphaGo战胜韩国棋手李世石的“人机围棋大战”，一度将人工智能概念推向风口浪尖。业内人士认为，在以“深度学习”技术为主流的全球人工智能科技竞赛中，中国专家所引领研究的“迁移学习”技术具备很强竞争力，代表了人工智能的发展趋势。

深度学习+小样本

“人机围棋大战”的背后，是人工智能领域机器学习技术的突破，即机器在模拟人脑运算方面取得的重大进展。实际上，人工智能技术已走过60年历程，直到近年机器学习技术中的“深度学习”技术取得突破，才迎来春天。

“深度学习”意为使机器模仿人脑神经网络的学习、判断和决策能力。比如，AlphaGo机器人以半年时间集中模仿学习了3000万步人类围棋大师的走法，并从自我对弈中积累胜负经验。

然而，“深度学习”局限性明显。原百度研究院副院长、地平线机器人CEO余凯坦言，肥沃的数据“土壤”才能“训练”出“深度学习”模型，但目前数据源、数据算法、数据应用的市场高度分离，未形成完善的“大数据+人工智能”产业链，导致人工智能技术的发展仍然面临数据源不足和技术垄断两大挑战。

“数据高度集中在谷歌、脸书、亚马逊、BAT等互联网巨头手中，长此以往，将导致人工智能技术垄断，反而不利于技术创新和国家安全。”香港科技大学计算机科学及工程学系主任杨强说。

杨强强调“深度学习+小样本”理念，即将大数据训练好的模型迁移到类似场景加以改进应用，打破了“逢模型必大数据”的局限。

“比如，将骑自行车的经验应用到骑摩托车上，就是‘迁移学习’。”杨强说。

2005年，微软举办的世界数据挖掘大赛中有关于搜索技术的竞赛题目，杨强团队利用“迁移学习”，将机器在其他领域的经验迁移过来。

在IT行业，“迁移学习”已有局部应用。

人工智能公司“第四范式”创始人戴文渊在百度负责名为“凤巢”的广告营销系统期间，利用“迁移学习”将百度搜索算法应用到问答社区“百度知道”，使后者点击率提升4成;腾讯将大规模在线电商推荐任务迁移到新领域，大大减少了数据需求量;微软也利用“迁移学习”分析了电商产品的舆情取向;香港科技大学利用“迁移学习”技术，将大数据训练出的对话模型迁移到具体行业的小数据领域，实现精准的“人机对话”，在服务业具有极强的应用价值。同时，杨强还在华为创立人工智能领域实验室，利用“迁移学习”技术研发了10多个智能移动终端的专利，并已注册。

“迁移学习”的应用障碍

多位受访专家认为，机器学习是当前人工智能技术的核心，“迁移学习”是机器学习技术发展的新阶段。杨强带领团队将研究不断深入，使中国占据了这一领域全球研究的制高点。

专家们认为，中国迫切需要发展“迁移学习”技术，并实现推广与应用。

但是，眼下“迁移学习”应用仍然有限。而造成这种情况的因素，是多方面的。

其实，在谷歌的人机围棋大战之前，人工智能少人问津。AlphaGo的胜利，源于谷歌团队此前收购了人工智能公司Deep Mind，获得了“深度学习”技术，Deep Mind人才主要来自多伦多大学，其研究长期默默无闻。这反映了人工智能长期“冷门”的现状，企业对前沿技术的敏感性不强。

由于人工智能产业处于发展初期，企业对“迁移学习”技术的需求也有限。目前，中国人工智能领域还没有一家以此为主业的上市公司，也没有出现一家龙头企业。百度虽然以人工智能为发展方向，但人工智能并非主要收入来源。

再者，产、学、研结合不够紧密。企业缺少渠道了解“象牙塔”技术，因此，难以应用先进研究成果。

如何保护隐私

专家认为，“迁移学习”技术的研究应用对中国具有战略意义，也是中国在人工智能科技方向获得全球领先地位的重要契机。

对于中国来说，“迁移学习”是国家实现科学技术弯道超车的契机。放眼人工智能产业，在人才、工业基础、研究环境、产业环境方面，中国和欧美的差距仍然较大，“迁移学习”是中国追赶发达国家的重要契机。

人工智能研究性学习范文第15篇

罗定生 北京大学机器感知与智能教育部重点实验室 副教授

中国电子学会教育工作委员会 副秘书长 使机器人具备智能，目前对人类来说还是一项巨大挑战，甚至“智能的本质是什么？”这个问题都还没有确切的答案。但是以人的智能行为能力为蓝本，从机器人环境知觉组织、交互与协作、知识获取与 推理、自主认知与高级决策等角度展开机器人的智能性研究，正成为现阶段机器人领域研究的主题。 设计和制造机器人并使之具有类人的智能，是人类文明进步与科技发展的目标之一。自上世纪中叶第一台可编程机械手及工业机器人问世以来，机器人的研究取得了丰硕的成果，并在包括工业、医学、农业、建筑业、军事等领域得以广泛应用。由于机器人技术综合了多个学科的研究成果，代表了高科技发展的前沿，因此机器人成为体现各国科技实力的一项重要指标，引发了全球研究的热潮。

探索的步伐从未停歇

综观机器人研发的历程，从最早我国西周出现的“歌舞伶人”、古希腊人发明的“自动机(Automata)”，到当下各国研发的各类先进的机器人，人类对机器人的研究经历了从探索概念原型、面向程控机械、注重自主功能到强调高智能水平等发展阶段。

1954年，第一台可编程机器人(机械手)和1959年第一台工业机器人相继问世，标志着真正意义上的机器人诞生；1968年美国斯坦福研究所研制出名为Shakey的第一台自主移动机器人，机器人以独立可移动个体的身份出现在世人面前；1969年日本早稻田大学加藤一郎实验室研制了第一台以双脚走路的人形机器人，与人们长期期待的真正像人一样的机器人梦想实现了接轨。

机器人学涉及众多学科的技术革新以及来自人们生产生活的大量实际需求，促使机器人技术飞速发展。然而，重中之重是机器人行业巨大潜在价值引发了各国政府的强大支持、各大公司及科研院所的产学研整合。正是这些力量的汇聚，架构了一个前景广阔的机器人产业。

随着与机器人学紧密相关各学科的不断突破和迅猛发展，机器人的研发有了坚实的基础。20世纪末，一系列各种各样各具特色的机器人井喷式地涌现。在2015年6月份由美国国防先进项目研究局(DARPA)举办的挑战赛上，登台亮相了一批来自世界各国的先进机器人。几乎每一款先进机器人的研制都有其相对应的强大力量作支撑——美国国防先进项目研究局（DARPA）支持下的波士顿动力研究所（Boston Dynamics）大狗(BigDog)机器人、Petman机器人、美国麻省理工学院（MIT）Atlas机器人与猎豹（Cheetah）机器人、欧盟框架计划（EUFP6, EUFP7, Horizon 2020）支持下的iCub 、日本产业技术综合研究所（AIST）HRP系列机器人、日本本田公司的ASIMO机器人，以及韩国高等科技研究院的HUBO机器人等。

尽管机器人的研发取得了长足的进展，然而，如何使机器人具备智能仍然是一项具有极大挑战的课题。而首先要回答的问题便是：机器人能否具备智能？这是一个哲学性质的命题，对这一命题的完美解答，是以另一个问题的回答为基础的，那就是“智能的本质是什么？”（该问题与物质、宇宙、生命被学者并列为自然界的四大奥秘）。目前看来，在包括脑科学与认知科学在内的众多相关学科取得更大的根本性突破进展之前，该问题是无法予以完美解答的。

与人工智能领域的研究及发展类似，如何使机器人具备智能这一课题的研究，并未因其根本问题未予完美解答而停滞。相反，研究机器人具备高智能性正成为现阶段机器人领域研究的主题。研究者以人的智能行为能力为蓝本，从强调机器人环境知觉组织、复杂场景适应、交互与协作、概念形成与整合、知识获取与推理、自主认知与高级决策、类人智能行为等角度，展开机器人的智能性研究。

双足才是最优选

与轮式、履带式和多足式机器人不同，双足的仿人机器人(Humanoid Robot)作为结构复杂、高度集成的机器人家族成员，由于外形与人相似，不仅更适合于在人的生活和工作环境中与人协同工作，而且更适宜借鉴来自人的智能行为能力的启示，从而成为研究机器人智能性的最佳选择。最典型的代表是在欧盟第6及第7框架计划(EUFP6, EUFP7)以及Horizon 2020计划支持下的iCub机器人。iCub由欧洲10所大学组成的欧洲创新大学协会联合研制，他们认为“仿人的操作是人类认知能力至关重要的因素”。基于这一“具身认知(Embodied Cognition)”思想，研究人员尽最大可能地模仿人的各类传感及结构，历时6年（2004年至2010年）开发了一个外形像2岁儿童iCub。iCub强调“认知能力的学习”，并将其作为开源平台，通过与环境交互和与人交互来获得各类行为能力和认知能力。日本本田公司研发的ASIMO机器人以其移动能力和能实现复杂动作的特点而声名大噪。随后在其版本不断更新的过程中，ASIMO对环境的认知能力不断加强，如复杂办公室环境下灵活避障、与人交互的基本智能行为等。

由于双足机器人是一个固有的非线性不稳定系统。现阶段，复杂多变路面环境下的稳定、快速双足行走，仍然是一个挑战。韩国高等科技研究院HUBO仿人机器人，在2015年6月举行的美国DARPA机器人挑战赛上一举夺魁，其主要技术策略正是对双足行走的规避。HUBO机器人利用在其膝盖和脚踝处装置的滚轮，通过一个跪下行为很容易地实现了，由双足行走到轮式行走的切换，极大地提升了移动速度。这为研究机器人智能行为借鉴其他优势模式的有益性，提供了例证。

自主学习不可或缺

学习能力是系统智能性的必要条件，一个不具备学习能力的系统，当然谈不上“智能”二字。学习的本质是指系统能根据过往经验提升自身性能。机器学习作为人工智能领域的核心内容，是一个持续受到高度关注的热点，特别在“深度学习（Deep Learning）”取得巨大成功之后。

在探索机器人智能性的过程中，强调学习的特性是自然而然的事情。然而，我们想要强调的是，这种学习更应是机器人的自主学习。以机器人获得识别人脸的能力为例，自主学习指的是这样的情形：机器人自己通过自己的眼睛（安装在机器人头上的摄像头），不断观察呈现在它面前的人脸图像，最终形成能正确识别人脸的策略，而且这一过程是增量式的，亦即识别的性能可随着观察的增多而不断地提升（Incremental Learning）；这一过程也是终生性的，像人类一样，在机器人生命期内一直持续（Life-long Learning），而并非仅仅将一个事先训练好的人脸识别模型，装载在“机器人的大脑”（机器人的主机）中便万事大吉了。尽管后一种处理方式可能省时省力，也可能暂时性地具备更好的识别性能，但忽略了机器人在“习得”这一能力过程中所拥有的丰富“副产品”——其他各种可能会在以后转化为知识的有用图像信息。

机器人智能的体现不应是在代替人从事单一工作时的表现，更应是像人类那样能智能地从事各类工作，并应对多种情况。工业机器人引发了社会的“重要”变革，极大地提高了生产力。但那仅仅是“重要”，并不是“彻底的”、“颠覆性的”。真正能够使人类的生产生活发生深刻变革的，只可能是具备“通用智能”（General Intelligence）的机器人。尽管这极具挑战，甚至可能无法实现，但有关机器人智能性的研究正朝着这个目标迈进，而强调机器人的自主学习方式，无疑是一个很好的出发点。

自主学习的三大特点

智能机器人自主学习的基本场景，体现在其各项技能的具体获取过程中。前面提到的机器人自主学习识别人脸正是机器人获得人脸识别这项技能的一个例子，另一个更直接的例子是机器人获得各项运动行为能力的过程。根据机器人系统的构造方式，理论上，在其工作空间内的任意稳定运动行为（不仅包括静态稳定，也包括动态稳定），都可以通过设计一组多关节运动轨迹来实现。比如双足仿人机器人的起立、行走，甚至跳舞、打太极拳等。如果这些行为是根据专家经验事先设计调整而成的，那么这些行为便毫无智能性可言，顶多是个耗时耗力极难维护的体力活。只有这些行为是在自主学习框架下获得的，并且具备前述增量学习（Incremental Learning）和终生学习（Life-long Learning）的特点，才算是机器人具有智能性的一种体现。

智能机器人自主学习的另一个特点，是对过往经验或已有知识的再利用，正如人类那样。这一思路与发展学习(或发育学习，Developmental Learning)的思想是相吻合的。它是对人的学习成长过程的借鉴，因为利用已有经验或知识，学习新事物是人类提升认知能力和行为能力的一个基本特征。

“机器人能否像小孩一样学习？”

事实上，机器人基于自主学习思想获得智能行为能力的过程，正是借鉴了儿童认知发展的过程。早在1950年，以阿兰·图灵（Alan Turing）为代表的许多先驱学者已提出“机器人能否像小孩一样学习？”等类似问题。然而针对这些问题的系统性研究，直到20世纪末才得以展开，以Weng等人于2001年在美国《科学》杂志上发表的“机器人或动物的自主心智发展”为代表。在机器人的已有研究中，有不少工作借鉴了人的行为方式并取得成功，如基于人体运动捕获数据(Human Motion Capture Data, HMCD)的一系列研究、机器人稳定行走研究中的膝盖拉伸(Knee Stretched)及支撑脚横滚策略(Rolling Foot)、抗推搡研究中的踝关节策略(Ankle Strategy)、臀部策略(Hip Strategy)，以及迈步策略(Stepping Strategy)等。

在探索“机器人能否像小孩一样学习？”这个问题之前，首先要弄清楚的问题是“小孩是如何学习的？”。著名心理学家皮亚杰（J. Piaget）关于儿童认知发展理论的重要思想，被公认为20世纪发展心理学上最权威的理论，他将儿童的认知发展分为四个阶段：感知运动阶段 Sensorimotor Stage（0岁至2岁左右）、前运算阶段 Preoperational Stage（2岁至6或7岁）、具体运算阶段 Concrete Operations Stage（6或7岁至11或12岁）、形式运算阶段 Formal Operations Stage（1 1或12岁及以后）。该思想为机器人自主学习各项行为能力，特别是运动行为能力,提供了理论依据和实施借鉴。

从儿童认知发展的过程，我们能够得到一系列智能机器人构建其自主学习框架的重要启示。

第一，完全自主性。我们完全做不到像对待机器人那样，对婴儿各关节赋以角度序列，使其完成某些动作；

第二，家长示教。尽管不能直接干预婴儿的运动行为，家长仍可通过间接辅教，协助婴儿完成特定的运动行为；

第三，主观模仿。无论是家长刻意重复特定运动行为过程，还是婴儿自己的主观观察，都更有助于婴儿获得该运动的行为能力；

第四，环境交互学习。婴儿获得的每一项特定运动行为能力，都是在与实际环境不断交互后才逐渐真正掌握的；

第五，试错模式。在与环境的不断交互过程中，婴儿总能根据环境的反馈对自身行为能力不断加以调节。

如何管理已获得的行为能力

智能机器人自主学习还要面对的一个问题是，如何合理高效地利用已获得的各项行为能力。智能机器人研究的根本目标之一，归根结底是在人类生产生活的实际环境中更好地服务于人类自身。这就需要机器人不仅拥有多项行为能力，而且在任务改变或环境变化时能实时做出恰当响应，即在线改变其运动行为。