硬件在人工智能基础教育中的角色: 机遇和挑战

二、人工智能在基础教学中面临的问题

叶琛博士认为，在人工智能领域，两个研究领域各有优势和特点，在人工智能教育中就会出现“教什么”的困难。深度神经网络缺乏理论支撑，因此无法从理论层面推演出教学内容的方向，只能依据现有特点和效果设计教学课程。在过去一年中，已经进行了许多课程实践。例如，出现了许多高中人工智能课程，主要分为典型的三部分：基于符号计算的课程、逐步过渡到应用场景的课程，以及完全从应用场景出发的课程。

三、神经元网络课程逐步成为人工智能课程的聚焦点

叶琛博士继续讲到，“从2018年开始，人工智能课程的讨论逐渐增多。直到2023年，随着大模型的出现，我们开始认识到神经元网络的优势和未来发展方向。神经元网络可能成为真正人工智能未来研究方向的一个聚焦点。从2023年开始，高中人工智能课程逐渐加大了有关神经元网络内容的产出。”

四、学校层面神经元网络教学内容探讨

在学校教授神经网络时，通常会侧重于经典的使用路径，涵盖数据准备、模型构建、模型评估与训练，以及模型应用等关键步骤。学生在掌握基础理论后，会进入实践扩展阶段，需要通过手动操作模型相关流程来应用所学知识。

叶琛博士分析到，“在解决实际问题时，应用人工智能涉及一系列环节，包括问题分析、数据收集、模型训练、模型部署、交互设计和应用构建。在这个过程中存在许多依赖项，例如选择何种工具用于数据收集和标注，以及在模型训练阶段考虑模型选择、算力需求和软件依赖等。模型部署阶段也需要考虑硬件依赖，如何将模型部署在硬件上进行推理。整个流程充满了不确定性，使用难度较大。