智慧教育验收报告

智慧教育

目录

摘要

智慧教育是依托人工智能（AI）技术打造的泛在化、感知化、一体化、智能化的新型教育生态系统；通过实现教育环境、教育资源和教育管理的智能化，最终为学生、教师、管理者、家长、社会公众等提供智能化的教育服务。智慧教育仍然处于初步发展阶段，因此本报告重在总结智慧教育领域的技术和理论的研究现状，为智慧教育后续发展提供参考。

当前，大多数学校和企业的人才培训体系很难跟上人工智能技术的快速发展，主要体现在基础课程滞后，训练环境搭建复杂。很多学员在学习新的技能时，往往发现由于欠缺基础知识而需要大量补充学习，很多人因为四处碰壁，失去了学习的动力，加上系统搭建过程中可能碰到的各种问题，学习往往出现半途而废的现象。

另外一个主要因素是学习系统本身的造价昂贵、利用率低，在学校或企业的人才培养体系中所提供的学习资源是有限的且环境设置与配置混乱，很难管理，很多学员因为环境的问题而备受挫折。

为解决上述问题，本报告提出了人工智能实训平台方案，旨在为学校和企业提供一体化的解决方案，在统一平台下完成基础课程和实训项目，培养具备深度学习设计和开发技能，最终可直接服务于社会的人工智能行业人才。

关键词：智慧教育，人工智能，教育模式，学习方式

1.引言

2017年10月18日，习近平总书记在第十九次全国人民代表大会 的报告中强调建设教育强国是中华民族伟大复兴的基础工程，必须把教育事业放在优先位置，深化教育改革，加快教育现代化，办好人民满意的教育。要全面贯彻党的教育方针，落实立德树人根本任务，发展素质教育，推进教育公平，培养德智体美全面发展的社会主义建设者和接班人。2018年9月10日，习近平在全国教育大会上强调坚持中国特色社会主义教育发展道路，培养德智体美劳全面发展的社会主义建设者和接班人。习近平指出，要深化教育体制改革，健全立德树人落实机制，扭转不科学的教育评价导向，坚决克服唯分数、唯升学、唯文凭、唯论文、唯帽子的顽瘴痼疾，从根本上解决教育评价指挥棒问题。

2017年国务院印发《新一代AI发展规划》中提到：“人工智能（AI）作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎，重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新生态、新模式，引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。”

在AI浪潮的影响和渗透下，教育领域也有越来越多的AI技术和应用出现：在课堂教学方面，虚拟助教Jill Watson 被用在300 多人的课堂上，代替助教回答学生们的问题；在自适应学习方面，自适应教学平台Knewton 能够采集学习者学习过程中的行为数据，并对学生的学习兴趣、知识水平、学习风格、学习进度等做出分析和预测，以提供个性化的学习服务；在教育机器人方面，乐高推出的最新一代可编程智能机器人产品Mindstorms EV3 增强了与智能设备的互动，添加了WiFi 模块，可以和iOS、Android 设备连接，通过App 进行控制。通过改进的麦克和扬声器设备，可以支持人机交互。此外，在考试测评与评价诊断、校园管理及教学管理、教育决策与教育治理等教育场景中，AI技术也得到了广泛的应用。

随着AI技术爆发，教育的智能化是未来发展必然路径，但是目前来看，智慧教育仍然处于起步阶段，无论是智慧教育的理论基础、教学模式、政策规划，还是技术基础和实践路径，都没有形成完成体系，因此，智能的发展依然有很长的路要走。

2智慧教育的定义

在“智慧教育”概念兴起之前，学术界与产业界研究的热点是“智慧教育”。通常认为，“智慧教育”的概念起源于2008 年IBM 提出的“智慧地球”战略。经过多年的探索研究和建设实践，相关“智慧教育”的认识已变得非常丰富。通常认为，智慧教育是信息技术支持下为发展学生智慧能力的教育，强调构建技术融合的学习环境，使教师能够高效率教学，使学生能够个性化学习。而智慧教育是依托新一代信息技术所打造的泛在化、感知化、一体化、智能化的新型教育生态系统；通过实现教育环境、教育资源和教育管理的智慧化，最终为学生、教师、管理者、家长、社会公众等提供智慧化的教育服务。实施智慧教育的关键，是运用新一代信息技术对传统教育信息系统进行重构，汇聚、整合教育数据资源，形成具有智能感知能力、增进交流互动、有利于协作探究的智慧化教育教学环境，以支持智慧的教与学。由此可见，“智能化”是智慧教育的核心内容之一。

AI与教育的结合可以分两条思路来看，一是运用AI技术，引领教育系统性变革，例如说智能化感知，智能化的教育评价，智能化推荐数字教育资源，实现个性化学习等，即AI技术在各类教育场景的应用；二是进行AI教育，简单来说就是中小学生接受AI相关内容的学习，AI理论、计算思维、编程等等，即学习与AI相关的知识技能。

从行业发展阶段来看，目前AI教育行业仍处在发展阶段，尚未成熟。AI的概念虽火热，但AI在教育行业的具体赋能却并非是一蹴而就的。纵观AI教育行业的应用发展历程，起步阶段主要集中在对AI教育的规划和初步探索中，20世纪50年代，卡耐基梅隆大学教授艾伦·纽厄尔和赫伯特·西蒙作为AI的奠基人，结合数学、工程和经济学促进了AI的发展。20世纪70年代，JaimeCarbonell创建智能教学系统，开始利用计算机辅助教学；1993年英国爱丁堡举行第一届AI教育国际会议。随着时间发展，AI教育也开始正式走向发展阶段，21世纪初，美国Cognitive Tutor、Knewton、RealizeIt等智慧教育企业纷纷成立，AI技术开始被逐渐赋能到教育产业中。智适应学习技术是模拟老师对学生一对一教学的过程，赋予学习系统个性化教学的能力的AI教育技术。2010年后，中国智慧教育企业开始兴起，如新东方、好未来、乂学教育—松鼠AI等公司。2016年前后，国内的众多知名教育机构如好未来、新东方等以及资本也纷纷投入智慧教育领域。

纵观近几十年的发展历程，AI技术从早期的基于规则的知识表示与推理，开始向基于深度学习的自然语言处理、语音识别与图像识别转变，算法模型获得显著改进。大数据的支持为AI提供了数据驱动和认知计算。，AI在教育领域的应用需要跨学科、跨领域的共同合作，如神经科学、认知科学、心理学、数学、教育学等相关基础学科。。此外，智慧教育的本质仍然是教育，需要以终为始，结合政策导向，跨学科、跨领域的应用将联合推动AI教育的发展。

3智慧教育的相关政策

2019年联合国教科文组织移动学习周期间发布了《教育中的AI：可持续发展的机遇和挑战》工作报告。报告以AI技术如何帮助教育系统利用数据推动教育平等、提高教育质量为核心，分析了AI给教育带来的挑战：1）推动教育领域发展所需的技术环境十分复杂，要求多种因素和制度保持和谐一致。务须在国际和国内层面开展合作，进而建立服务于可持续发展的AI生态系统。2）在教育中应用AI时确保包容性和公平性：伴随着AI的发展，落后国家面临着新的技术、经济和社会分化所带来的种种风险。

2020年的移动学习周则以“AI和包容性”为主题，以探索的方式来利用和指导使用AI等先进技术来应对包容和公平教育的长期挑战，该主题研究了《北京共识——AI与教育》和《Cali Commitment to Equity and Inclusion in Education》，利用AI促进教育的发展，弥合数字、性别、财富、能力和其他鸿沟，创建包容性的知识社会。

我们务须直面基本技术基础设施等主要障碍，以创造基本条件、贯彻通过AI改善学习的新战略。

4智慧教育对传统教育模式的影响

智慧教育给传统教育模式带来了挑战和颠覆，突破了传统教育的育人方式。其影响主要体现在两个方面：

一方面，AI技术作为学校基础设施，让学校、课堂网络化、智慧化。诸如：人脸识别的门禁系统、网络协同的双师课堂、以及近期被广泛议论的由旷世出品的监测学生课堂行为状态的人脸识别应用等等。

另一方面，AI赋能教学练测评，让教学和学习个性化，提升教与学的效率。诸如：松鼠AI的自适应学习系统、英语流利说千人千面的学习体验等等。

从目标的层面上来说，教育能够从“育分”这一单一指标转变为使用AI观察分析学生学习模式以及个体差异，突破千篇一律的教学方式。研究表明，在这种模式之下学生的学业表现均有所提高，在课程完成时间、课程通过率、考试成绩方面相对于传统教育模式下的学生均有突出的表现。同时，AI教育也使普遍素质教育成为可能，在提高应试教育效率的同时注入思辨训练、创新能力培养等元素，全面培养学生能力。为“育人”，因材施教由于AI技术引入成为可能。

从教育方式的层面上来说，智慧教育针对学生具体情况和个体需求提供个性化解决方案；AI的参与改变了整个教学流程，还可以释放教师人力。基于教学大数真人教师以及AI助理并存于教学活动中，将教师从重复枯燥的试卷批改、日常管理工作中解放出来，为其专注于创造性教学研究工作以及学生一对一交流创造时间以及机会。AI辅助决策基于教学活动产生的大数据帮助教师更好地把握教学情况。AI打破了信息以及资源的流通壁垒。智慧校园理念的出现以及实现促使校园内的硬件设施上网联通，并加快校园内据进行决策，实现精准教学的同时使学习速度和灵活性得到了进一步的提升；AI实现校园内部信息流通以及跨区域的资源互通，打通了信息以及资源流通壁垒。

5 关键技术

AI中对教育领域产生深刻影响的技术颇多，以算法、图论以及推断统计学等计算机基础理论结合其他领域的前沿理论形成智慧教育应用中的关键技术。

图1智慧教育关键技术

5.1 算法模型

智慧教育的基础是各种AI技术，如何将AI技术融入教学辅助、考试评测、内容管控等教育的各个流程中，需要使用到语音识别、语音合成、文字识别、人脸识别、机器翻译、自然语言处理、学习路径规划、文本挖掘和搜索等多个领域的模型。

例如：遗传算法和逻辑回归可用于规划最佳的学习路径，最大化学生的学习效率。这些算法模型能够考虑学生所要完成的学习目标和当前的知识状态，推荐最佳的知识点学习路径，并依据学生的知识状态变化实时动态调整路径规划。在不断推送学习内容并获得学生的学习反馈后，系统将逐渐绘制学生的学习习惯、兴趣、方式等多方位的学生画像，持续自动优化推送逻辑。利用自然语言处理技术，自动生成学习内容标签；采用深度学习技术，分析学生画像和学习内容，从海量内容池中自动挑选合适学习内容给到学生。

5.2 智慧教育系统模型

在基于教学流程的智能学习系统中，从内容、数据和算法层面围绕智慧教育理念建立标准化的模型，完成多种技术到智慧教育系统的综合应用。其核心为知识主体的数字化，结合自动学习木星、知识排列模型等来进行知识点诊断与评估、智能推荐、分析与知识主体的构建。

图 2智能学习系统的技术架构

美国匹兹堡大学的Peter Brusilovsky最早提出了智能学习系统的通用模型，基于技术架构的基础上，将智能教学系统分成两大核心部分：系统模型与智能引擎。系统模型中有包括学习者模型、教学模型、知识模型和界面接口模型。在智能学习系统中，模型发挥着基础与核心作用，智能引擎则是系统实现的动力所在。在智能教学模型中，学习者模型与知识领域模型构建更为关键，需要系统化、多维度的建模，并在此基础上建立关联规则。

图 3智能学习系统的通用模型

6 智慧教育的研究领域

智慧教育应用的研究范畴集中在影响智慧教育应用建设与落地的三个主要领域：技术领域、模式领域与实践领域。技术领域主要研究AI技术在教育中的应用问题，模式领域主要研究融合AI后的教学模式问题，实践领域主要研究智慧教育的实践落地。

6.1 技术领域

技术领域的研究主要解决类似如何将AI技术应用到教育场景的问题。对智慧教育的技术领域来说，需要关注如何利用机器学习算法与AI引擎解决实际教育场景中的技术问题；需要关注实际教育应用场景中有哪些教育问题、学科问题和业务问题等可通过人工智能的手段来解决；需要关注人工智能技术特性和应用策略等相关问题。研究人员并不需要精通机器学习算法细节或人工智能技术开发，但应具备理解、识别和选择人工智能技术与方案的能力，特别是应具备在真实的教育场景中总结、归纳与提炼技术需求的能力。

例如，为老师提供丰富的教学手段，通过AI教育技术手段判断教学质量，使教学更具针对性，学习效率提升，促进教学质量的提升；智能识别试卷和学生作业；智能阅卷与作业批改； 通过 AI 教育技术深度学习，计算机可自动对发音进行评价，纠错、缺陷定位和分析；提供暴恐敏感信息过滤、色情人物过滤功能，对教育领域中的视频、直播及图片进行管控，帮助学校和企业避免内容违规风险。

6.2 模式领域

模式领域的研究主要解决智慧教育中如何设计教育模式、教育模式中如何有效整合技术、产品和方案等类型的问题。它首先要结合具体应用在真实教育场景中的实践，研究人工智能技术对当前业务流程与业务逻辑的影响；再结合相关的教育理念与学科特点，有计划地对业务流程进行再造、实验与验证，整理出通过实践检验的流程与方法；最后，将得出的流程与方法经提炼和升华，固化为新的教学模式、学习模式、考试模式、管理模式、评价模式等。因此，智慧教育应用模式领域的研究应根据教育业务与场景，结合人工智能技术、产品和方案的特点，构建出新的智慧教育应用模式，通过模式创新获得更好的智慧教育应用效果。

6.3 实践领域

实践领域的研究主要聚焦如何更有效地推动智慧教育的实践落地，及智慧教育技术对教学实践的影响等问题。实践领域是其它研究的基础，即对真实的、具体的、典型的实践案例进行全面剖析，总结产品技术、教育活动、管理策略等在实践过程中的成败得失，能够为后来的实践应用积累宝贵的经验教训。特别需要关注和破解的是对人工智能技术及其应用的误解与偏见。典型的误解与偏见包括：怀疑排斥型，即总是不相信人工智能可以做推理、判断，认为人工智能最多可以部分代替人类的体力劳动，而对人类的脑力劳动没有帮助；期望过高型，即认为人工智能无所不能，可以解决教育领域的大部分问题；概念混淆型，即根据片面的信息和自己的主观理解，把人工智能技术与其它相关概念混淆，如将远程教育等同于智慧教育等。

7 智慧教育与学习方式

智慧教育必然带来学习方式的巨大变革，AI改进过的学习方式不再以我们耳熟能详的应试为主，先教后学再考、题海战术、千人一面的PPT的教学方案、唯分数唯成绩论的学习必然需要做出改变。但智慧教育的本质还是教育，因此他必须围绕学生与学习。无论何种教育模式，学生与学习之间的关系都是永恒的，是学生就一定得学习，要学习就要把自己当做学生。本文总结了7种利用AI技术的学习方式，包括游戏化、社交化、协作型、问题式、自主型、探究型、项目式等。同时可根据学生与学习的关系，将上述学习方式划分成学习心理、群体心理、教学心理这三类,详细情况如下。

7.1 游戏化

对于学生来说，学习像游戏一样好玩、轻松，像游戏机制一样有极大的吸引力，他们就可能把玩游戏的精力放到学习上，游戏玩法战略都运用到学习上。当然，令人向往着迷的游戏也不仅仅有这几点魅力，游戏之所以能够比玩具更有吸引力是因为它拥有4大法宝。

对此，游戏化的学习体验，相信能够引起学生的关注、兴趣、向往。诸如：现在的少儿英语、少儿编程、早教等产品很多都利用游戏化的元素，结合游戏通关的机制来吸引用户。

7.2 自主型

自主型即让学生自己选择感兴趣的事物进行学习，而应试教育体制下，学生的选择余地较小，他们除了为考试而学习外，做其他事情都会受限。反观，如果学生有自主选择的权利，他们就会对自己做的选择负责，会因为责任而自主学习、努力以抵达目标。

显而易见，所有的学习中，兴趣驱动的事物往往会有更大的精神支撑，会有更持久的战斗力，会更自主。例如，现在的STEAM教育就非常注重兴趣。

7.3 社交化

社交是人类生存的刚需，也是作为群居动物的生存法则。所谓，物以类聚人以群分，是有数据依据的，据调查研究发现，学习成绩好的学生周边的同学成绩也不差。当然，这并不是教唆学生都跟所谓成绩好的同学相处或排斥成绩差的学生。

当几位成绩优异的学生聚集在一起，他们大概率会讨论学习或者与学习相关的事情,因为这是他们擅长的东西。为了获得群体中的认可和成就感，他们会因为某个问题的最优解而争论、而这一过程的批评性思维就是社交后的收获。反观，要是不进行社交，他们之间就无法相互学习，无法感受到群体带给他们强烈的成就感。当然，现实生活中的社交好处更是不言而喻。

7.4 协作型

一个人走得快，但走不远，这就是团队的力量。脱离团队的协作、合作，我们难以完成一件需多方资源介入的事情。

例如，比赛作品的制作，整个过程团队的协作的至关重要。或许可以脱离团队独立完成，但一个人的智慧毕竟有限，缺少头脑风暴、集思广益和协作，或许作品的创意不够或者创新性不强，甚至完成度达不到预期，团队的形成正是这一流程。所以学生们参加的竞赛大多是团队式，从政府顶层设计的目当然是促进学生之间协作的教育目的，但要是从学生的角度来看，其实是因为比赛是竞争式的，所以需要站队，结伴而行。这也就是为什么学生们要寻求参赛团队的根本原因。

显然，团队存在的目的不单纯是为了在气势压倒一切，竞争意识是触发形成团队的因子。而团队的真正建立，是要经历一场甚至多场赛事的磨合，才逐渐清楚哪些人适合这个团队，团队中的每个人依依适合什么角色，扮演什么角色才能够发挥他们各自的竞争力。只有如此反复的运转，大浪淘沙后才能找到志同道合的人，才能够拥有竞争力的团队。

7.5 项目式

在编程教育的潮流下，或许你对项目式学习并不陌生，编程教育需以项目为依托，以实际的物品、问题，以虚拟作品创作为载体，从而通过输出来检验或测试编程教育的学习情况。

现在对素质教育的呼吁，主要是训练、培养学生的综合素养、综合能力。而项目式的教学或学习过程正符合综合能力的训练。从创意的产生足以判断该学生具备独立思考的特性，而创意的进一步分解，开始分析创意的可行性、新颖度并对创意进行发散的构思，直至进行到问题的拆解解决阶段，能够训练学生的知识储备及活跃的思维。整个流程对学生的创新及解决问题的能力具有极大的考验，也是形成经验的基础。

项目最后的评估及优化，其实是反映一位学生的追求程度、看待问题的态度，乃至分析问题的能力。

7.6 探究型

探究是对一件事进行追溯，以联想、发现更多相似的知识,在不断推翻自己的假设，验证提出的假设，以及对假设做出的结论进行质疑的过程。这一持续的过程，是不断拓宽自己的思路，并训练自己批判性思维。

例如：学生们利用电子积木搭建一个避障小车的物联网应用时，他们会提出自己需要的假设，比如设想，红外检测传感器的检测距离设定多远，检测到障碍物时右转还是左转。在看似没问题的假设后，开始进行试验，此时他们已在小车前方安置了传感器，并设定好“检测到障碍物时-执行右转的程序”，在正常的条件下进行验证，实际往往会按照预期执行。

由此，他们会终止此项应用的探究。但，这过程其实更有意思的是提出质疑，比如：要是左右两侧、后方，都有其他的小车来撞击自己时，该如何是好，是否考虑全方位安装传感器。比如，障碍物是否太小以致检测不到，障碍物是否透明以致传感器无法进行判断等等，围绕应用进一步探究的问题。

而上述的质疑，其实就是不断提出问题、发现本质问题的过程，这也就是最后一个学习方式。

7.7 问题式

如果上述的避障小车应用到实际的自动驾驶汽车上，后果相当严重。可能我们不应该将学生的作品与实际产品对应起来，但是如果教育是脱离实际场景或实际应用，那其意义是否缺失了？学生们认识到的上述产品仅是一个雏形，甚至是一个产品、应用的模型。如果他们在实际开发时，仍然按照之前的思维进行设计，可能会设计出缺失可用性、安全性和价值性的产品。

所以，在实际的教学中，应该让他们将知识深入到实际场景中，在实际的环境中发现应用最关键、最本质的问题。探究过程中围绕最核心的部分，多质疑，多提问题，并以此来反复校正自己的认知。

8. 人工智能教学实训平台

8.1国内外人工智能教学现状

Coursera是免费大型公开在线课程项目，由美国斯坦福大学两名计算机科学教授创办。旨在同世界顶尖大学合作，在线提供免费的网络公开课程。Coursera的首批合作院校包括斯坦福大学、密歇根大学、普林斯顿大学、宾夕法尼亚大学等美国名校。2011年年底，科勒找到了让这一预言成为现实的可能性。当时，斯坦福大学试探性地将3门课程免费放到网上，其中包括她的同事、祖籍香港的华人安德鲁·吴（Andrew Ng，又名吴恩达）教授的“机器学习”（machine learning），最后意外发现报名人数竟超过10万人，学员来自世界各地。Coursera的机器学习课程现在也成为国内很多计算机系学生进入人工智能领域的重要选择，由此也反映出我国相关课程建设的滞后。

近年来，计算机体系架构发展迅猛，特别是云计算、大数据、高性能计算等领域的突飞猛进的发展，进一步拉大了传统教育体系和真实需求之间的差距，特别是对于当前流行的体系架构、编程框架、算法设计等方面的教学，国内很多学校的教学体系显得落后于时代发展。人工智能教学既涉及到统计概率、线性代数等数学知识，也涉及Python、GPU编程等计算机知识，还涉及到应用建模、神经网络设计等专业知识，很少的地方能够建设这样的跨领域综合课程。国家已经倡导完善人工智能领域学科布局，设立人工智能专业，推动人工智能领域一级学科建设，强调了再原有基础上与应用结合，拓宽人工智能专业教育内容，同时实施全民智慧教育，在中小学推广相关课程。这个过程需要一定时间和大量的资源。

8.2虚拟现实发展趋势

在政府工作报告中，李克强总理提出实施“中国制造2025”，迎来智能制造大潮。虚拟制造作为智能制造的重要环节，在产品的设计、销售、培训等过程中发挥着重要作用。虚拟现实服务应用于产品的设计、销售、培训过程中。设计过程中，基于虚拟现实技术，可实时的展示产品的实物效果。发现问题及时修改，提高设计效率。销售过程中，针对大型设备，不便随时向用户展示，基于虚拟现实技术，可对产品进行虚拟仿真，同时针对产品功能，进行功能交互操作展示。培训过程中，传统的知识培训，基本是纸上谈兵，实物操作培训，由于设备及空间、时间等方面的限制，无法进行高效培训，在虚拟现实空间进行设备的装配、拆解等工作。

基于虚拟现实的产品虚拟拆装技术在新产品开发、产品的维护以及操作培训方面具有独特的作用。在交互式虚拟装配环境中，用户使用各类交互设备(感知桌面/光学跟踪器、鼠标/键盘、全息展示操作设备、移动设备等)像在真实环境中一样对产品的零部件进行各类交互操作，在操作过程中系统提供实时的碰撞检测、装配交互约束处理、装配交互路径与序列处理等功能，从而使得用户能够对产品的可装配性进行分析、对产品零部件装配序列进行验证和规划、对装配操作人员进行培训等。基于虚拟现实的产品交互操作培训可让产品用户在虚拟场景中进行实际操作，无空间、时间、设备等方面的限制。在装配(或拆卸)结束以后，系统能够记录装配过程的所有信息，并生成评审报告、视频录像等供随后的分析使用。

8.3人工智能行业发展趋势

1956年夏，约翰.麦卡锡、马文.明斯基、纳撒尼尔.罗彻斯特和克劳德.香侬共同发起召开人工智能讨论会，实诚“达特茅斯夏季讨论会”。约翰.麦卡锡提议用人工智能（Aritficial Intelligence）作为这一交叉学科的名称。在半个多世纪的发展历程中，由于受到智能算法、计算速度、存储水平等多方面因素的影响，人工智能技术和应用发展经历了多次高潮和低谷。

图 4 人工智能发展史

2006 年以来，以深度学习为代表的机器学习算法在机器视觉和语音识别等领域取得了极大的成功，识别准确性大幅提升，使人工智能再次受到学术界和产业界的广泛关注。云计算、大数据等技术在提升运算速度，降低计算成本的同时，也为人工智能发展提供了丰富的数据资源，协助训练出更加智能化的算法模型。人工智能的发展模式也从过去追求“用计算机模拟人工智能”，逐步转向以机器与人结合而成的增强型混合智能系统，用机器、人、网络结合成新的群智系统，以及用机器、人、网络和物结合成的更加复杂的智能系统。

作为新一轮产业变革的核心驱动力，人工智能在催生新技术、新产品的同时，对传统行业也具备较强的赋能作用，能够引发经济结构的重大变革，实现社会生产力的整体跃升。人工智能将人从枯燥的劳动中解放出来，越来越多的简单性、重复性、危险性任务由人工智能系统完成，在减少人力投入，提高工作效率的同时，还能够比人类做得更快、更准确；人工智能还可以在教育、医疗、养老、环境保护、城市运行、司法服务等领域得到广泛应用，能够极大提高公共服务精准化水平，全面提升人民生活品质；同时，人工智能可帮助人类准确感知、预测、预警基础设施和社会安全运行的重大态势，及时把握群体认知及心理变化，主动作出决策反应，显著提高社会治理能力和水平，同时保障公共安全。

下面是知名市场研究机构CB Insights公布了一份"AI 100"名单，其中列出了100家在人工智能技术应用方面有突出表现的私营企业，囊括了物联网、医疗健康、汽车驾驶、金融科技和网络安全等诸多领域。可以看到，人工智能的发展使部分新兴企业得以快速发展，同时也促进了一些传统企业的变革。在这个变革中，传统职业的定位发生了变化，一部分职业将被取代，另一部分职业则获得新的变化。

图 5 人工智能行业Top100公司

从计算机诞生开始，如何用计算机为科学研究提供服务就成为计算机最重要的应用，随着计算机性能的发展，高性能计算（HPC）逐渐演变为科研和工程领域前沿研究的代名词，通过单机并行、跨节点并行等多种手段提升计算能力，充分发挥物力资源计算性能一直是HPC的重要特点。但近十年来，互联网行业的兴起，将各种基于大数据的应用逐渐变为现实，基于大数据的人工智能计算成为帮助人类解决问题、提升效率的关键。HPC的概念也在这个过程中变得逐渐模糊，建设HPC计算中心时越来越需要为更多新的应用需求提供服务。综合当前HPC，以及与HPC应用比较相似的，也是未来两者有可能深度结合的AI应用的需求，提出了建设“HPC+AI”云服务平台，即通过在HPC计算中心建设更加灵活的资源供给模式，以保证平台在提供传统高质量HPC服务的同时，为AI等新的应用需求提供服务。

“HPC+AI”云服务平台是在兼顾传统HPC科研教育用户应用的基础上，拓展HPC计算中心的服务内容，服务于更多人工智能交叉学科对规模化计算有需求的客户。在保证平台不改变传统HPC科研用户的使用模式，尽可能增加教育用户的易用性和平台的可靠性，以高质量服务于HPC科研用户；其次，平台需要适应于新型应用的快速发展，为科研教育用户提供更易用的工具，同时在系统架构上尽可能为未来保留扩展余地。

传统的HPC对环境的依赖相对简单，包括：操作系统、基础系统库环境、编译和运行的库环境，等。应用软件通常采用共享安装的方式，计算节点透明可见，各计算节点环境完全一致，商业应用软件的版本不会频繁更新，自研的软件可以部署在共享环境中，也可以部署在用户私有环境中，可随时更改。AI应用对计算环境的依赖比较复杂，主要原因是应用层的技术更新迭代太快，AI和HPC计算环境有一个比较明显的区别是计算环境通常会包含用于开发和运行应用的框架，这个框架对AI计算过程中用到的很多底层库函数进行了封装，为教育用户提供简易的接口，框架的类型、版本、依赖的系统环境变量和库的差异非常大。由于技术发展非常快，框架使用的多样性非常明显，用户在熟悉一个版本之后，经常不得不因为某个具体功能而转向另外一个版本。对这些传统的应用和先进的灵活的应用统一管理，给平台带来很大挑战，平台的设计必须兼顾这些需求。

HPC和AI都存在流程管理的需求，例如，在使用HPC进行工业仿真过程包括设计和仿真两个环节，在流程的开始需要进行数据导入、建模等前处理工作，完成大规模的仿真计算后，还需要对生成数据进行后处理。在AI的应用场景下，同样也存在流程管理的需求：从样本数据导入、数据标记，到建模、计算、调优，直到最后的保存网络参数、利用保存的网络参数进行推理，整个流程都围绕数据在工作。平台需要建立一套流程管理的引擎，对接下一层的作业调度系统和AI应用，为教育用户提升工作效率。

互联网时代技术发展迅速的一个重要原因是尊重个体，每个参与者都能通过平台创造价值，平台可以将个体价值无限放大。在建设人工智能教学实训平台时，我们应该为用户提供发布其自研应用的流程和接口，让部分用户开发出来的应用能够服务于其他用户，平台为用户的应用提供基础环境和运维工具等支撑。

科研教育用户需要的是类似于真实环境的学习和实验环境，当他们在这些学习和实验环境上完成学习后，可直接使用科研或生产环境。

8.4平台描述

将基础课程和实训项目融合在一套软硬一体的平台中，同时面向教师和学员。教师可基于平台直接进行基础课程的教学，并结合实训项目为学员提供动手训练环境，通过平台的管理功能获得所有学员的学习情况。学员无需自己动手搭建复杂的系统环境，只需要按照实验步骤的提示逐步动手操作，即可获取完整的知识体系。

遵循统一的自动化资源管理思想，意指通过统一的平台系统将学校和企业在人工智能知识体系培养上的教学资源充分利用，并通过镜像技术将教学环境做到独立化、标准化，避免环境设置与配置的混乱，通过云技术进行智能的设备分时复用，自动回收，鉴权使用。让教学资源的预约、灵活自助上机、实训成为可能。

在课程设计上，始终遵循“授人以鱼不如授人以渔”的原则，使用理论和实践相结合的教学方法，让学员获得完整知识体系以及各知识点的重要程度。在课程建设过程中，汲取最精华的教学资源，围绕深度学习的重要方法论，深入浅出地剖析深度学习的数学基础、建模思路、开发框架、代码原理等问题，通过人工智能在各个领域的应用案例，培养学员的应用能力，是学员具备更强的行业竞争力。

服务对象：

计算机科学相关的在校学生或从业人员，具备计算机知识和编程基础，希望在此基础上希望学习深度学习技能；

其他应用方向，如：化学、物理、生物、金融等专业学科的应用开发人员，希望借助深度学习技能改进传统行业应用效率；

学校或培训机构的教学和管理人员，希望快速建立人工智能专业课程，并配套教材和实验环境。

作为分其他计算、编程，如：传统高性能计算方向的教学实训平台，教师可以在平台上自定义课程。

平台设计的基本宗旨是：在保证高性能计算服务质量的基础上，提供科研教育用户面向人工智能、大数据分析等应用的服务。平台着重在基础环境部署、资源调度、作业调度、工作流调度、数据管理、试验环境管理等方面进行详细设计，以满足越来越多的新需求。

为了提升服务质量，平台从底层到应用层使用了多种较为先进的技术，包括：

1）基础环境管理：基于OpenHPC生态，实现基础环境部署和管理；

2）资源调度：通过构建计算和存储资源池，实现物理机资源和容器资源的灵活分配；

3）作业调度：根据批处理作业和容器作业的不同需求，采用批处理作业调度系统和容器编排系统结合的方式，实现作业的灵活调度；

4）工作流调度：提供多种灵活的工作流构建模板，与容器编排系统集成，实现应用流程化；

5）数据管理：集成多种文件系统，通过可视化方式实现数据管理；

6）教育实训试验管理：基于容器技术提供试验环境，同时为用户提供一套友好的实训引导界面。

8.5系统架构

人工智能教学实训平台包含了基础环境管理层、资源管理层和应用层，涵盖了各种应用场景的可能需求。

系统的总体架构设计如下：

图 6 系统整体架构图

下面对系统架构中的每一层进行介绍。

8.6基础环境管理层

基于OpenHPC软件栈构建系统的基础环境。OpenHPC是一套基于Linux的开放高性能计算环境构建工具。OpenHPC提供了一个集成且经过测试的软件组件集合，以及支持的标准Linux发行版，可用于实现功能齐全的计算集群。组件涵盖整个HPC软件生态系统，包括配置和系统管理工具、资源管理、I/O服务、开发工具、数学库等。

8.7资源管理层

HPC+AI平台支持物理机和容器两种资源管理和调度机制。基于物理机的资源调度机制围绕Slurm作业调度系统构建，支持资产管理、系统监控、统计分析、告警管理等功能。基于容器的资源调度机制主要用来服务于更加灵活的使用场景，例如：构建科研教学环境的资源、构建试验环境、工作流调度等。

8.8应用层

与资源管理机制对应，应用层可实现批处理作业提交、科研环境资源的申请、实验环境资源的申请、工作流调度、数据服务等。

8.9应用中心

面向个人的互联网业务快速发展的原因，就是应用生态的构建，企业级计算服务环境也必须加强应用方面的积累。HPC+AI平台构建应用生态的系统支撑功能，通过引入容器技术，避免了基于物理机时面临的因为环境冲突、系统区别等造成的移植困难。

平台构建私有DockHub的可视化解决方案，用户无需掌握复杂的操作和麻烦的异常处理方法，只需要通过WEB界面，即可进行应用模板的下载、编辑、发布、审批等功能。

图 7 应用中心图

计算机科学是一门动手的学科，无论是高性能计算、人工智能、大数据方向，动手试验是最佳掌握知识的方法。本方案开发了一套基于容器技术，包含了引导、可视化编辑、调试环境、数据管理等功能的交互试验环境，用户可以在不具备任何基础的情况下，按照系统引导完成一个复杂的试验场景。

实训试验管理功能可以服务于多种场景，计算中心入门的用户可以通过试验环境获得试用计算资源的技能、计算中心可以基于该功能开展各种应用软件的培训、教师也可以利用试验环境为学生提供上课需要的环境、该功能还可以作为应用软件Benchmark性能测试的载体。

图 8 实训中心图

数据服务功能利用容器环境挂载文件的可配置性，将共享文件系统上的数据进一步细分成逻辑的“数据集”。教育用户可以创建、发布或共享自己创建的数据集，也可以将数据集与数据处理环境绑定，这种方式实现了数据+环境的整体供给。被共享方无需下载数据，只需要直接打开配置好的环境，即可以进行操作，同时工作环境中只挂载有用的数据集，也大大提升了数据服务的安全行。

9 智慧教育研究小结

AI重塑了学习体验，新型教育体系正在形成,中国教育发展正在走向智能时代。然而一路走来，AI教育的发展仍然面临诸多问题。AI在教育领域的发展仍然前景光明。为了更好地实现AI教育并使其成为教育发展的未来，我们需要重新思考AI与教育在社会中的作用。

由于智慧教育充分利用了人类的技术成果，能够提高知识传承的效率，因此智慧教育是教育发展的必然趋势，AI技术肯定会对教育产生革命性的影响。智慧教育的研究、应用是一个涉及广泛的重大课题，未来教育的教育哲学、教育技术学、思维及认知理论等的进一步研究是发展智慧教育的基础。无论如何，教育依然要有情感有温度，教育目的要以人为本，这也是所有教育行业从业者的努力方向。

本报告提供了一个人工智能实训平台在为学校和企业提供一体化的解决方案，加快学科建设速度，让教学人员在统一平台下完成人工智能中深度学习课程和实训项目，培养具备深度学习设计和开发技能，最终可直接服务于社会的人工智能行业人才。

创新性主要体现在以下几个方面：

软硬一体的整体解决方案：从硬件、管理平台、基础课程到实训课程的完整解决方案，用户可基于该方案构建完整的教学环境；

高密度的硬件支撑环境：采用高密度硬件，在2U空间内提供大于60人的并发环境，大大减少了空间和电力成本损耗；

弹性可扩展的软硬件资源：采用分布式架构设计，从硬件资源、管理平台到实验环境三层可无缝横向扩展。用户无论是增加教学规模，还是更新教学内容，都可以高效地实现；

新颖的基础教学、丰富的实训项目：选择人工智能行业发展最快的深度学习技术，将其涉及到的理论基础、编程基础与实验项目有机融合，为学员提供完整的知识体系；

全面、友好的用户交互和管理平台：平台基于容器技术，通过友好的门户系统屏蔽了复杂的系统部署和操作，减轻学员的学习负担；

简易的升级支持：平台支持本地和在线升级，以最简洁的方式进行内容和系统升级。

参考文献：

[1] Choi Y , Na Y , Yoon Y , et al. Choose Your Own Question: Encouraging Self-Personalization in Learning Path Construction[J]. 2020.

[2] Garshi A , Jakobsen M W , J Nyborg-Christensen, et al. Smart technology in the classroom: a systematic review.Prospects for algorithmic accountability[J]. 2020.

[3] Liu H , Liu Z , Wu Z , et al. Personalized Multimodal Feedback Generation in Education[C]// Proceedings of the 28th International Conference on Computational Linguistics. 2020.

[4] Kiritchenko S , Nejadgholi I , Fraser K C . Confronting Abusive Language Online: A Survey from the Ethical and Human Rights Perspective[J]. 2020.

[5] Artificial intelligence and inclusion, compendium of promising initiatives. 2019.

[6] Artificial intelligence and inclusion, compendium of promising initiatives. 2020.

[7] Bose D , Khan P F . Artificial Intelligence enabled Smart Learning. 2021.

[8] Maghsudi S , Lan A , Xu J , et al. Personalized Education in the AI Era: What to Expect Next?[J]. 2021.

[9] Zhang C , Jiang Y , Zhang W , et al. MUSE: Multi-Scale Temporal Features Evolution for Knowledge Tracing[J]. 2021.

[10] Ahmad M , Batcha D , Jahina S R . Testing Lotka's Law and Pattern of Author Productivity in the Scholarly Publications of Artificial Intelligence[J]. 2021.

[11] Owoc M L , Sawicka A , Weichbroth P . Artificial Intelligence Technologies in Education: Benefits, Challenges and Strategies of Implementation. 2021.

[12] 李勖, 孙林岩, 汪应洛. 教育模式发展展望:从远程教育到智慧教育[J]. 陕西师范大学学报(哲学社会科学版), 2000(02):163-167..

[13] 王亚飞, 刘邦奇. 智慧教育应用研究概述[J]. 现代教育技术, 2018, v.28;No.201(01):5-11.

[14] 祝智庭. 智慧教育新发展:从翻转课堂到智慧课堂及智慧学习空间[J]. 开放教育研究, 2016(1):18-26.

教育智慧读后感

教育智慧读后感

《教育智慧》读后感

单项工程验收报告

竣工验收报告