硬件在人工智能基础教育中的角色: 机遇和挑战

因此，在实际应用中，经典流程可以简化为两部分，一部分是与模型相关的（蓝色）、另一部分是可以利用到模型的（红色），同时将其中主要的传统的开源硬件和老师们熟悉的相关内容抽离出来集中到三大块：数据的采集、训练和推理、模型的转化和优化。通过这个方式，把训练好的模型融入到现有的控制系统中，可以大幅度减少老师和学生们在使用模型、利用模型中的一些困难。”

经典神经网络在实际应用中的流程简化图

XEduHub是面向基础教育的AI工具箱，在认知层面大大简化了人工智能的门槛。该工具箱集成了最新模型，并能方便快捷地与现有硬件进行整合和调用。这样一来，可以显著减轻老师们在环境配置、模型选择和数据训练方面的工作量。同时，DFRobot与谢老师团队合作，将AI工具箱通过Mind+的图形化编程软件界面融入其中，使老师们通过熟悉的界面增加AI相关的学习内容。通过简单的图形化和模块化方式，让老师和学生们从数据和简单模型训练起步，逐步进行模型推理。

集成Mind+图形化编程软件的XEduHubAI工具箱

五、硬件在人工智能基础教育

模型部署需要相应的硬件支持，以便让训练好的模型得以应用。硬件能够简化老师和学生们的模型部署流程。例如，二哈识图（HuskyLens）AI视觉传感器内置一些常用模型，学生们可以直接使用，只需通过一个摄像头，无需电脑和编程，便可以了解模式识别的内容。另外，行空板是一款标准的小型手掌电脑，可以通过一些转化工具直接将XEduHub生成的标准模型部署到行空板中。学生可以直接查看模型处理数据的结果，并与开源硬件连接，实现一些输出，如点击控制或灯光显示等。与二哈识图（HuskyLens）和行空板（Unihiker）相比，乐鑫ESP32开发板成本和门槛较低。这款开发板可以运行TinyML模型，同时能更准确、高效地处理持续数据。

硬件在人工智能基础教育中的部署

硬件在人工智能基础教育的机遇和挑战

叶琛博士，最后总结了硬件在人工智能基础教育的机遇和挑战，他讲到，“硬件在人工智能基础教育中可以极大地激发学生的兴趣。学生通过直接观察硬件相关技术和应用，将所学知识应用于项目和实践中，从而了解知识的运用效果。同时，更完善的集成化硬件帮助老师降低了使用门槛。然而，目前依然存在一些不足之处。软件供给链尚不完善，使用难度较高，需要更易用的软件出现。对于需要进行模型训练的场景，学校现有的算力和硬件均有不足。此外，对许多老师而言，使用新技术和设备往往带来一定的挑战和畏难情绪。我们需要共同努力，打造完善的生态系统，让软硬件工具变得更加成熟，让基础教育的老师们更好地拥抱人工智能。道阔沧桑，前行不止。”