自ChatGPT为代表的大语言模型爆发以来，人工智能迈入了一个全新的发展阶段，这个阶段我们称为新一代人工智能发展时期。新一代人工智能的发展有几个显著特征，为人工智能教育带来了诸多挑战：一是基于连接主义的深度学习算法的崛起，具有前沿性，这涉及青少年学生如何入门的问题；二是不局限于计算机科学的发展，而是物理科学、神经科学等与计算机科学交叉融合发展的产物，具有跨学科性，这涉及青少年学生从何入手的问题；三是不再囿于实验室的算法实验，而是面向真实问题解决，具有实践性，这涉及人工智能教育以何为径的问题；四是不再是单一的算法设计，而侧重基于数据集的模型训练和预训练，具有算力依赖性，这涉及人工智能教育以何为具的问题。
这些特征决定了新时期的人工智能教育与过往的人工智能教育有着显著差异，需要用新的视角重新理解：一方面，要让青少年学生触摸前沿科技，如果从人工智能底层的概念、算法、模型、框架开始学起，无疑具有极高的门槛，不利于激发和维持学生的学习兴趣。开展中小学人工智能教育要有逆向学习思维，改变过往从0到1的学习路径，基于真实问题解决，从现成的智能工具的体验、运用开始，或者从模型的搭建、训练、应用（工程与技术方法）渐进理解人工智能背后的算法模型（科学与数学思想）。换言之，中小学人工智能教育不是高校人工智能专业教育的简单下放，而是要从工程教育出发逐步过渡到科学教育，这样才能破解青少年接触前沿科技门槛过高的难题，也才能顺应人工智能跨学科性和实践性的特点。另一方面，作为基础教育课程，在引领学生了解前沿科技的基础上，要特别树立素养教育理念，发挥课程的育人价值：不仅要体现利用人工智能解决问题的新型思维方式，还要让学生能够理解和面对人工智能技术发展所带来的伦理道德问题。
中小学人工智能教育的课程体系构建还要尊重学生的认知特征和发展特点，符合循序渐进、螺旋上升的要求。课程设计的逻辑主线是新一代人工智能课程体系的内在经脉。构建人工智能课程的逻辑主线有不同的思路。例如，从人工智能技术本身（如不同的技术流派或者不同的技术路线的模型框架）出发构建逻辑主线，但是人工智能处在快速发展阶段，学科体系尚不成熟，所谓人工智能的技术流派和技术路线尚存争议；更重要的是，这种学科本位的逻辑思路很可能带来大量陈旧而艰深的人工智能基础知识的学习，回到过往从0到1的学习路径，远离青少年学生的生活经验和认知特点，无法有效降低中小学生的学习门槛，不符合上述逆向学习的思维。相比之下，从人工智能技术的不同样态和应用需求中寻找逻辑线索可能更接地气。借用具身哲学的观点，由表及里地使用某种技术，实质反映的是人与技术关系的不断深入。因此，笔者认为，从表层的人工智能技术应用（用现成的人工智能工具解决问题），到里层的人工智能模型应用和模型优化（用人工智能技术设计人工智能工具），再到深层的人工智能思维方法和情感道德的塑造与内化，构成了人类主体与人工智能具身关系的基本发展路径，从这些路径中可以提炼出工具智能化、问题模型化、模型优化、思维可视化、道德情感内化五大逻辑主线。
工具智能化：生成式人工智能、大模型、智能体、多模态、轻应用
工具智能化是指在人工智能技术的加持下，面向大众的通用信息技术工具越来越智能化，形成了基于智能工具的应用体系：不仅新兴的人工智能工具具有极高的智能化水平，如生成式人工智能工具；而且过往的信息技术工具也越来越智能化，如传统的门禁系统整合了人脸识别的功能。这些智能工具主要以多模态数据为基础、大模型技术为支撑、生成式为功能、智能体为载体、轻应用为形态，在解决问题时表现出高度通用性与灵活性，能够有效应对多样化需求。因此，在工具智能化路径下，通过“用中学”的方式，学生在使用智能工具解决真实情境问题的同时，可以理解新技术背后的原理及价值，实现应用与理解之间的有机结合。例如，学生在运用某种认知大模型解答学习困惑时，不仅能够掌握智能工具的应用技巧（如提示词编写），还可以通过与工具的互动逐渐理解其工作原理（如文字生成机制），从而加深对智能工具的科学认知。这不仅使学生能够认识到工具的优势与潜力，还能意识到工具固有的局限性（如“幻觉”现象）。此外，学生还可以根据实际问题和需求，选择具备特定功能的虚拟智能体（如英语聊天助手、作文修改助手等）或物理智能体（如智能教学机器人、无人驾驶汽车等），甚至还可以通过提示语或低代码方式搭建个性化智能体，精准且高效地解决所面临的问题。
工具智能化是引导青少年学生感受和进入人工智能领域的桥梁。通过使用智能工具解决真实问题，不仅有效降低了学习和运用人工智能的门槛，而且能够充分感受人工智能的独特优势，有效激发学生深入探索人工智能技术的兴趣。同时，通过非代码或低代码的方式对智能工具进行二次开发，不仅可以提升学生利用人工智能技术解决实际问题的能力，而且能够了解人工智能的基本概念与工作原理，为后续学习复杂的模型构建与优化奠定基础。
问题模型化：问题建模、数据集准备、模型训练、模型推理
问题模型化是将真实问题抽象分解为可以被计算的问题链，并选择和搭建合适的人工智能模型，准备合适的数据集训练模型获得最优解的过程，旨在培养学生应用人工智能模型开发智能工具、进而解决真实问题的能力。在具体课程实践中，问题模型化可以分为问题建模与模型开发两大任务。
问题建模指将实际需求或抽象问题分解为问题链，并转化为一系列可数字化表述的数据和可被机器执行的算法模型。在人工智能教育中，问题建模的关键任务是将复杂的现实问题或抽象概念提炼为可以通过人工智能技术求解的模型需求。在这一过程中，学生需要运用所学人工智能基础知识，从多维度分析和分解问题，提炼关键要素，并以人工智能视角把握问题的核心，从而在实践中逐步理解人工智能的基本逻辑，初步形成利用人工智能模型解决实际问题的思维模式。
模型开发是将问题建模结果转化为实际可操作的人工智能解决方案的过程。模型开发可细分为数据集准备、模型训练和模型推理三个核心环节。数据集准备环节要求学生收集、清洗和组织数据，以自然语言处理为例，主要涉及如何通过分词（将文本分割为基本语言单元）和嵌入（以向量方式实现语义关联）将文本数据转换成机器可以理解的形式；通过这些过程，学生将能够理解数据质量对模型性能的影响，并认识到数据在人工智能中的重要作用。模型训练环节要求学生选择合适的算法训练模型，并通过调整超参数优化模型性能，旨在促进学生深入理解人工智能算法模型的工作机制，培养其实验探究精神和数据分析能力。模型推理环节要求学生评估并测试模型的实际表现，并提出针对性优化方案，借此过程学生将能回顾审视数据集准备和模型训练存在的不足，提升发现问题、解决问题的实践能力。
模型优化：泛化、压缩、部署、算力
模型优化是指在利用人工智能模型解决问题的过程中，通过一系列技术手段提升模型的性能、效率和可用性，以确保其在实际应用中的稳定性和高效性。进一步说，模型优化的实质是增强模型的泛化能力、减少计算资源消耗，并提升其在不同场景下的适应性。在新一代人工智能教育中，模型优化不仅要关注模型精度的提升，还要强调计算效率和资源的优化。因此，以模型优化为逻辑主线，旨在引导学生渐进理解人工智能算法背后的深层逻辑，同时理解数据、算法（模型）和算力在人工智能模型中的相互依存关系，从而提升学生对人工智能技术的整体把握。
模型优化的方法包括泛化、压缩等，通过学习这些优化方法，学生可以更深入理解人工智能背后的技术思想。例如，为了提高模型泛化能力，避免过拟合（指模型在训练数据上表现优异，但在测试数据或新的数据集上性能不佳的现象，如同学生做了许多同质练习题但没有理解其一般性），需要用到各种泛化技术，进而可以帮助学生理解正则化技术（指通过降低函数中不同特征项的权重以降低模型复杂度的技术）和数据增强技术（指采用更多样化的数据进行模型训练，如同通过增加差异化练习题来提高学生的迁移能力）。
具备泛化能力的模型不一定具备实用价值，还需要考虑模型部署涉及的硬件性能（存储空间和算力等），因此往往还需要通过模型压缩来优化模型、适配硬件条件，例如通过“量化”降低参数精度，通过“剪枝”删除一些不重要的参数，通过“蒸馏”生成简化模型等。简言之，模型优化的目的是满足模型部署后的使用与效率，模型部署则可以检验模型优化的效果并为优化提供指引。模型部署环节要求学生将经过训练的模型部署于专用设备（如边缘计算硬件），制作能够独立运行的智能交互系统，并确保其稳定、高效运行。这一过程将帮助学生学会如何将人工智能技术转化为具体的应用，深刻感悟人工智能技术的实用价值，并获得利用人工智能技术开展多模态、跨学科实践创新的成就感。
模型优化不仅聚焦于模型性能的提升，还体现了数据、算法和算力之间的密切关系。人工智能在算力的支持下，利用算法从数据中学习知识，从而达到智能化解决问题的目标。一般而言，问题的复杂性越高，数据量越大、非结构化程度越强，算法的复杂程度和对算力的需求也越高。[1] 在模型优化过程中，如何通过减少计算复杂度降低对算力的需求，如何通过更高效的数据处理提升模型性能，都是模型优化实践中的关键课题。例如，剪枝技术通过减少冗余连接降低计算量，从而降低算力需求；数据量化技术则通过降低数据精度来减少计算资源消耗。在这一过程中，学生将逐步理解算力和数据在人工智能模型中的作用及其与算法间的关系，并掌握如何通过模型优化实现三者的动态平衡。
总之，通过模型优化，学生不仅可以经历持续调整模型的结构、算法与参数实现模型迭代优化的过程，还能深刻体会到人工智能算法背后的设计逻辑，深化对人工智能算法机制的认识，进而提升其人工智能素养。
思维可视化：工程思维、设计思维、计算思维、系统思维
思维可视化是指在人工智能教育中将内隐、抽象、复杂的思维过程外化为显性的实践过程。新一代人工智能的发展要求教育领域积极培育学生具备那些不会被技术工具所取代的心智模式（如高阶思维等）。人工智能思维体系的基本框架包括工程思维、设计思维、计算思维和系统思维。[2] 四种思维相互联系、互为补充，共同构成人工智能背景下人类适应终身发展和整体发展需要的思维方式。在中小学人工智能教育中，人工智能思维的可视化证据主要来源于学生设计、开发、测试与优化“智能交互系统”的全过程。需要注意的是，此处的“智能交互系统”是智慧系统而非单向度的技术系统，旨在彰显“人机共智”理念，体现人工智能技术与人类主体之间的双向建构。在人工智能教育实践过程中，需要审慎把握四种思维的联系与区别。
首先，工程思维与设计思维具有紧密的逻辑关系，前者主要是指以系统分析和比较权衡为核心的一种筹划性思维，[3] 同时还是一种构造思维（通过工程制造将设计结果转化为现实的人工物品），[4] 后者则主要指基于技术问题进行创新性方案构思的一系列问题解决过程。工程思维与设计思维在人工智能教育实践过程中常常融合为“工程设计思维”，既要求学生根据用户的真实需求发现问题，并通过多种形式提出创造性解决问题的方案，也要求学生根据方案实现智能交互系统的开发、测试与优化。
其次，计算思维能够使学生更深层了解人工智能解决问题的过程，在人工智能教育实践过程中可将其提炼为七个部分：一是在“分解与模块化”方面，学生在智能交互系统设计的过程中，能够将大问题分解成小问题，将复杂问题（系统）划分（分解）成若干子模块；二是在“抽象与建模”方面，学生在设计智能交互系统的过程中，能够运用计算机科学领域的思想方法，通过问题抽象形成模型化问题解决方案；三是在“数据与标注”方面，学生在设计智能交互系统的过程中，能够在文本、视频、图像等原始数据的基础上添加元数据进行标注，即通过“打标签”形成训练数据集；四是在“训练与模拟”方面，学生在开发智能交互系统的过程中，能够将标记好的数据用于训练机器学习的模型，并通过模拟、仿真等验证模型的运行效果；五是在“部署与推理”方面，学生在开发智能交互系统的过程中，能够将训练好的模型部署到嵌入式设备中，并接收新数据进行推理与预测；六是在“优化与迭代”方面，学生在测试智能交互系统的过程中，能够持续反思当前方案的不足，逐步求精和优化完善；七是在“复用与迁移”方面，学生在开发智能交互系统的过程中，能够利用已有问题解决方案，并将其迁移运用于解决其他问题。
最后，系统思维是一种统筹性思维，可以渗透于工程思维、设计思维和计算思维之中，共同作用于智能交互系统设计、开发、测试与优化的全过程，要求学生合理统筹系统功能、结构、美观等各个要素及要素间的作用关系，制作出最大限度满足需求的智能交互系统。
道德情感内化：文明礼仪、行为规范、信息安全、社会公平
道德情感内化是指个体在学习和应用人工智能技术的过程中，深刻理解伦理标准和道德规则并内化为自身的情感和价值观体系。新一代人工智能技术区别于其他技术的关键之处在于其可能模仿人类思维方式，使人工智能与人类之间的界限愈益模糊，甚至对人类的主体地位构成潜在威胁。同时，新一代人工智能技术发展依然面临着不稳定、算法黑箱、信息安全等风险，有可能被不法分子利用，致使人工智能技术实施危害社会的行为。当前，尽管能进行信息处理、加工乃至深度学习和情感计算的人工智能也有“意识”，也能反应、感想、反思和决定，但唯独不能想象和共情，这是未来相当一段时间内人工情感与人类情感的质差。[5] 作为人之为人的根本，情感尤其是道德情感在形塑品格、涵养德行、生成价值观的过程中占据着不可忽略的基础性地位，不仅可以明确人工智能与人类之间可能产生的伦理道德问题，也可以应对现代社会风险的不确定性，为人类社会行为提供具有普遍指导意义的观念、原则或标准。因此，新一代中小学人工智能课程需要从道德情感内化的角度，综合考虑人工智能技术与人类、社会的复杂关系，提高学生重规范、合伦理、高效率运用人工智能技术的自主性。[6]
首先，人工智能的强势发展及其与人类之间的复杂关系必然引发人工智能与人类之间的伦理道德问题，对这些问题的探讨有助于树立理性的技术价值观，引领学生找到智能时代的人类主体定位，进而形成适应新一代人工智能发展时期人机交互的文明礼仪和行为规范。这里所谓文明礼仪是指人机交互时遵循的社会文化规范、道德准则以及互动规则。这些礼仪不仅涉及用户与系统交互时的礼貌、尊重与体贴，还包括系统在回应用户时所表现出的适当性、友好性和理解性。这里所谓行为规范是指人机交互时遵循的一套系统化、标准化行为模式和操作规则。这些规范对于优化用户体验、提升人机协作效率以及维护人机协作的和谐关系至关重要。在人工智能教育实践过程中，需要引导学生全面理解人工智能与人类的关系，掌握与人工智能工具进行文明互动及规范应用的方式和规则，以便在未来有理智、负责任地使用人工智能技术。
其次，人工智能技术发展的不稳定性及其与社会之间的融合关系可能引发具有不确定性的现代社会风险，对这些风险的探讨有助于明确人工智能给社会公平、信息安全等可能带来的隐患。其中，人工智能技术所引发的信息安全风险是指在人工智能技术的应用和发展过程中可能导致的信息泄露、数据滥用、系统漏洞、隐私侵犯等一系列安全问题；人工智能技术所引发的社会公平问题是指在人工智能技术的开发和应用过程中可能出现的不平等或歧视现象，特别是在不同群体、个体或社会层面产生的差异，例如算法黑箱可能带有数据偏差、数据歧视、算法陷阱，技术不平等应用可能导致数字鸿沟等。在人工智能教育实践过程中，需要引导学生全面理解人工智能与社会发展的相互促进作用，探究人工智能开发与应用可能带来的公平问题和法律风险，明确并遵循人工智能开发与应用的公平机制和法律规范。
参考文献：
[1] 钟柏昌，余峻展，谢作如. 中小学人工智能课程需要何种智能硬件？—现状分析与发展方向[J]. 远程教育杂志，2024，42（01）：74-83.
[2] 钟柏昌，刘晓凡. 人工智能思维：框架与解读[J]. 课程·教材·教法，2024，44（01）：149-155.
[3] 教育部. 普通高中通用技术课程标准（2017年版2020年修订）[M]. 北京：人民教育出版社，2020：4.
[4] 钟柏昌，李艺. 计算思维的科学涵义与社会价值解析[J]. 江汉学术，2016（2）：88-97.
[5] 钟柏昌，刘晓凡. 生成式人工智能何以、以何生成教育[J]. 电化教育研究，2024，45（10）：12-18+27.
[6] 钟柏昌，刘晓凡，杨明欢. 何谓人工智能素养：本质、构成与评价体系[J]. 华东师范大学学报（教育科学版），2024，42（01）：71-84.
（钟柏昌 作者系华南师范大学教育信息技术学院学术分委员会主任、教授、博士生导师）
《人民教育》2024年第24期