1258
近日，由中国人工智能学会主办的《2024年全球人工智能技术大会——面向基础教育课程的AIGC应用》在中国杭州举行。生成式人工智能（AIGC）在基础教育应用中还是初步阶段，对于AIGC与开源硬件深度结合应用于基础教育中的发展前景，上海智位机器人股份有限公司CEO叶琛博士与线上的专家和43万听众，一起探讨和分享了他的看法。
开源硬件在基础教育的10年
叶琛博士首先从硬件在基础教育发展的10年讲起，解惑了听众存在的疑问——开源硬件在人工智能基础教育中的作用。在这10年里，开源硬件在基础教育的发展经历了一段有序的演进。2006年，Arduino Uno作为首款面向高校艺术生的开源硬件问世，其简单易用的特点降低了非技术学生进行艺术类交互式项目和原型设计的门槛。10以后，在2016年，英国BBC发布了正式面向基础教育的开源硬件产品micro:bit，为学生提供了更多实践机会。2018年，国产掌控板也推出，进一步丰富了基础教育场景中的硬件选择。这些开源硬件已经在全球范围内的中小学基础教育中得到了比较广泛的应用。2014年，谢作如老师发布了面向开源硬件的中小学课程，开启了开源硬件在中国基础教育领域的发展。
开源硬件在基础教育的10年
这10年间，开源硬件在国内基础教育得到了广泛的应用。涵盖了自然科学、技术、生命科学、基础教育的劳动教育、通用技术，以及物理跨学科和实践类课程。开源硬件在基础教育生态系统中相对比较完善。全球范围内，提供了500多种不同的开源硬件选择，同时在软件层面上也有许多图形化编程软件和相关工具可供选择。近年来，在物联网领域，EasyIoT、SIOT等服务器端技术，以及与物联网通信相关的无线通信模块得到了广泛而完善的应用。
开源硬件在基础教育的10年中发挥的作用
叶琛博士总结了开源硬件在基础教育10中起到的四大作用：
一、在基础教育中，学习计算思维、STEM相关的课程，硬件增加了学生对所学内容的兴趣，培养和发展了学生的问题解决能力和机电一体化相关知识。
二、Arduino以及类似开发板被认为是一个用户友好且易于获取的教育资源，可以与模拟器结合使用，激发学生的动机，促进跨学科和多学科的学习。
三、编程与STEAM教育：学习编程有助于学生掌握其他与计算思维相关的STEAM学科，特别是机器人和人工智能领域。
四、使用硬件的学生在科学知识和技能测试中的表现优于未使用的学生。
开源硬件在STEAM跨学科中的广泛应用
叶琛博士讲到“开源硬件在STEAM跨学科中发挥了广泛的应用。在科学探究课上，学生常常面临没有适当工具的问题，但通过开源硬件，他们可以制作探究类的工具，以便完成相关的探究活动。比如，学生探究水在自然空气中和在太阳照射下的纯净度变化时，如果缺乏开源硬件，这个实验将会面临困难，因为需要花费几小时甚至几十个小时进行不间断的测量。然而，借助硬件，他们可以设计采集数据传感器来自动采集数据，进而根据这些数据进行分析。这种方法使得学生获得数据更加高效且准确。”
开源硬件在STEAM跨学科中的应用案例
人工智能融入基础教育成为趋势
“智慧物联网涉及多个传感器，可以采集声音、环境温湿度、含氧量、PM2.5等数据，这些数据被整体采集并显示出来，然后存储到本地服务器中。在面对如此多样化和高维度的数据之后，数据分析变得至关重要。然而，在处理这么多复杂高维数据时，目前的系统、软件和硬件存在着明显的局限性，无法同时有效识别大量数据。举例来说，对于基于加速度的手持识别，加速度会涉及大量持续数据，通过这些数据来识别不同手势变得具有挑战性，需要涉及到人工智能中的模式识别。传统方式下，这种任务可能让99.99%的老师和学生们感到困扰。因此，人工智能被视为一种处理高维数据和多维数据的强大工具，因此在基础教育中逐渐融入人工智能课程将成为重要趋势。”叶琛博士讲到。
基础教育中如何融入人工智能
基础教育中如何融入人工智能，叶琛博士从如下的五个方面：人工智能两大领域、人工智能在基础教育中面临的问题、神经元网络课程、学校层面神经元网络教学内容探讨和硬件在人工智能基础教育中的部署，深入浅出地分享了他的想法。
一、人工智能的两大领域
叶琛博士首先介绍了人工智能公认的两个研究领域：符号计算和联结计算。在2012年之前，人工智能的研究主要集中在符号计算领域。符号计算依赖于概率统计和信息代数等数学理论作为其基础，使其成为一种有理论依据、可解释的计算方法。直到2012年梯度下降学习方法的出现，深度神经网络才开始崭露头角。然而，与符号计算相比，深度神经网络目前缺少理论基础，当前研究主要还是侧重于深度神经网络的结构和能力边界的探究。深度神经网络的研究重点主要集中在数据处理方法、神经元架构以及联结方式（特别是近期对大数据模型如transformer和Mamba架构的研究），以及网络训练方法。
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。
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XEduHub AI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。”
下载ECAD模型
