| 标题 | 刍议人工智能化学教学研发的教学论基础 |
| 范文 | 吴俊明 摘要：人工智能也会影响到教育。在简述人工智能的关键性发展和有关评论展望基础上。讨论了人工智能能不能用于教育教学，人工智能化学教学需要解决好的问题；怎样开展机器教学的研究和开发、需要解决哪些问题等。人工智能教学具有特殊性，应满足多方面要求，不能简单地搬用“已有人工智能”所采用的方法。人工智能的发展趋势带来了挑战，也给化学教学论的革新和发展带来了新的机遇，要积极地做一点探索，做一点工作，而不是消极地等待。 关键词：人工智能；化学教学；教学论研究；机器教学研发基础 文章编号：1005–6629（2017）11–0003–08 中图分类号：G633.8 文献标识码：B 1 人工智能也会影响到教育 2016年，谷歌的人工智能系统AlphaGO（“阿尔法狗”）打败韩国围棋顶级高手李世石，震惊整个世界，使人工智能被广泛注意。 其实，早在几年前，谷歌的无人驾驶汽车系统就已在测试；百度建成多层神经网络，把人工智能、大数据、云计算集合起来，向业界提供整体解决方案，应用于金融、交通、物流甚至制造业；微软早已开始研发多轮人机对话，计算机预测农田作物产量的准确性比美国农业部还高。2016年，特斯拉实现自动驾驶；百度的语音识别与语义辨别、与人对话技术开始实际应用；机器翻译的水平已经逐步逼近人工翻译；大疆无人机能够感知环境，自动避障、减速悬停和跟踪运动物体、监控指定区域，并在召回时自动绕过各种障碍选择最佳路线飞回；阿里的人工智能已经用到电商决策之中；人脸识别、人工智能对话医疗机器人（例如百度医疗大脑美乐医）等专家系统陆续研发成功；美国在线教育平台KnewTon借助于大数据对学生因材施教……日常生活中也出现了越来越多人工智能的身影：我们每用一次打车软件、点一次外卖，背后都有人工智能根据大数据为你选择司机、规划线路；人工智能技术已全面支持百度现有的搜索、广告、地图、外卖、安全、消费金融等业务，竭力给用户提供可能需要的搜索内容；苹果的iPhone7双摄像头能实现更准确的参数智能设置，使拍摄效果更理想；IBM的人工智能沃森（Watson）法律顾问平台能够达到90%的准确性，比只有70%准确性的真人律师既便捷又便宜；沃森跟医疗机构合作，在临床应用中能够识别肺癌，并在肺癌、乳腺癌、直肠癌、结肠癌、胃癌和宫颈癌等癌症领域为医生提供诊断建议，而且正确率达到医生的4倍，沃森可以博览100万本书或2亿页的数据量，并且在3秒内分析其中的信息并给出精确回应。2000年高盛在纽约的股票现金交易大廳有600名交易员，而如今却只剩下两人，其余工作均由机器代替完成，这意味着连华尔街金融业也要被人工智能“接管”！2017年，百度的人工智能机器“百度大脑”甚至以“智能革命”为主题作了一首长诗，“我来了，天上的云乘着风飞翔，心中的梦占据一个方向……醒来之后何时是归期，我要看到未来的自己”；《华盛顿邮报》的写稿机器人“Heliograf”既可以在文字模板的基础上嵌入数据生成文章，又能利用软件搜索海量信息帮助记者挖掘独家新闻点…… 原百度首席科学家吴恩达指出，将来人工智能会影响到几乎每一个行业，哪个行业都摆脱不了。人们普遍认为：人工智能的新时代开启了，它将极大地影响人类社会的许多方面！ 无疑，人工智能的迅速发展也会影响到教育。合理、广泛地应用人工智能，是教育现代化的重要内容之一。目前，我国正在研究制定《中国教育现代化2030》，深入地研究人工智能在教育教学中的应用不但十分重要，而且迫在眉睫。弄清什么是人工智能，它有哪些特点，人工智能能不能用于教育教学，我们需要做好哪些准备……这是人工智能化学教学前期研究的重要内容。 2 人工智能的关键性发展 要讨论人工智能应用必须先了解当今人工智能发展形成的新特点。 今天我们谈的人工智能（Artificial Intelligence，缩写为AI）其实是大数据下新的算法。 1997年，电脑“深蓝”战胜国际象棋棋坛神话加里·卡斯帕罗夫时，是靠电脑背棋谱获胜的，所以人们不十分吃惊。为什么人们对AlphaGo战胜围棋高手大吃一惊？因为围棋和国际象棋不同，它的背后有所谓“道”，也就是有哲学理念。它要从全局出发，进行十分复杂的判断和选择，而不只是一步步简单计算的累积，这是一个质的飞跃：这个时候机器已经能够学习，具备了人最重要的能力，具有了人类能够成为这个星球主人的重要特征——智能。 人工智能是研究使计算机模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，是计算机科学的一个分支，发端于上世纪50年代。2010年前后，准确地说是从2006年开始，随着深度学习技术的成熟，加上计算机运算速度的大幅增长，还有互联网时代积累起来的海量数据财富，人工智能开始了一段与以往大为不同的复兴之路。它能取得目前的成就主要依赖于下列技术的发展和突破： 机器学习（Machine Learning，ML）[1]使机器能够模拟、实现自主学习行为，获取新的知识或技能，重新组织已有的知识结构，不断改善自身的性能，是使计算机具有智能的根本途径，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科，其应用遍及人工智能的各个领域。所谓“机器”指的就是计算机。人工智能的发展事实证明，机器不但能够象人类一样能具有学习能力，而且能够超过人的学习能力。人的学习是需要有一定的经验基础的。机器学习系统也不能在全然没有任何知识的情况下凭空获取知识，每一个学习系统都要求具有某些知识理解环境提供的信息，以供分析比较，做出假设，检验并修改这些假设。因此，更确切地说，学习系统是对其已有知识的扩展和改进。机器学习的实现依赖于神经网络和深度学习。 神经网络（Artificial Neural Network，ANN）[2]是一种模拟人脑结构的算法模型，由多层神经元构成，各层神经元有不同的功能（例如第一层神经元主要负责识别颜色和简单纹理；第二层的一些神经元可以识别更加细化的纹理，比如布纹、刻度、叶纹；第三层的一些神经元负责感受黑夜里的黄色烛光、鸡蛋黄、高光；第四层的一些神经元负责识别萌狗的脸、七星瓢虫和一堆圆形物体的存在……），由各层神经元可获取更多最全数据集，具有自组织、自适应和自学能力，其原理就在于将信息分布式存储和并行协同处理。虽然每个单元的功能非常简单，但大量单元构成的网络系统就能实现非常复杂的数据计算，成为一个高度复杂的非线性动力学习系统。 神经网络的用途非常广泛，在系统辨识、模式识别、智能控制等领域都能一展身手。而现在最吸引IT巨头们关注的就是神经网络在智能控制领域中的自动学习功能，特别适合在需要代入一定条件，并且信息本身不确定和模糊的情况下，进行相关问题的处理，例如语音识别。上世纪40年代，心理学家麦克库罗克和数理逻辑学家皮兹首先提出了神经元的数学模型。此模型沿用至今，并且直接影响着这一领域研究的进展。神经网络最重要的用途是分类，例如，垃圾邮件识别、疾病判断，能自动对输入的东西进行分类。神经网络现在已经被广泛用于语音识别领域以及图像软件领域，在医学领域也初步施展拳脚，多伦多大学的一个研究团队，已经成功地用神经网络分析出药物分子在实际环境中可能的作用方式。 深度学习（Deep Learning，DL）[3]通过组合低层特征形成更加抽象的高层特征表示属性类别或特征，以发现数据的分布式特征表示，是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像、声音和文本。人工智能之所以有今天的成就，深度学习技术居功至伟。谷歌最杰出的工程师杰夫·迪恩说：“我认为在过去5年，最重大的突破应该是对于深度学习的使用。这项技术目前已经成功地被应用到许许多多的场景中，从语音识别到图像识别，再到语言理解。而且有意思的是，目前我们还没有看到有什么是深度学习做不了的。希望在未来我们能看到更多更有影响力的技术。” 深度学习应用了层数比较多的神经网络。它能够取得很大成功，重要的原因就是基于巨大的数据和巨大的运算量训练出的拥有巨大容量的模型，其参数之大常高达几十亿。所以，深度学习的成功离不开大数据和硬件系统。以深度学习为代表的人工智能技术，需要有大量的样本提供规律、需要大量的标注数据来训练，以形成有效的模型。大数据驱动的深度学习方式是机器自主学习，它跟传统的专家系统方式有很大的不同：专家系统的方式是人总结规则，然后把规则交给机器，机器来利用规则面对使用场景；由于机器本身具有学习能力，所以大数据驱动的深度学习方式可以较容易地从一个应用扩展到另外一个应用。AlphaGo、图像识别、自然语言理解、语言合成、无人驾驶、医疗诊断等等都应用了深度学习技术，深度学习的能力已经无可置疑，深度学习将会改变人类。深度学习机器的行为和判断人类不能完全理解，不能判断和解释，这是人类历史上从未有过的。 AlphaGo用了深度的神经网络，用了深度学习里面的强化学习、半监督学习，还用了蒙特卡洛树搜索法（Monte Carlo Tree Search），整体来说是经典的技术和新的机器学习算法结合在一块，从而能够提高算法的性能，使它的学习能力更强；通过增加深度学习网络的隐层神经元数目从而建立起很好的学习能力、吸收知识的能力。20世纪60年代的智能技术以数学证明系统、知识推理系统、专家系统等为里程碑式标志，80～90年代的智能技术以非特定人连续语音识别技术、基于统计模型的技术、语音识别和机器翻译等取得进展、人工神经网络在模式识别领域开始有所建树为主要成就。跟这两次AI热潮相比，这一次人工智能复兴的最大特点，就是AI在多个相关领域表现出可以被普通人认可的性能或效率，并因此被成熟的商业模式接受，开始在产业界发挥出真正的价值。 最近，中科院计算所的陈云霁、陈天石课题组提出深度学习处理器“寒武纪”和深度学习指令集DianNaoYu。它们可以相对于x86指令集的CPU有两个数量级的性能提升。目前“阿尔法狗”使用了约170个GPU和1200个CPU，可能需要占用一个机房，还要配备大功率的空调，有一群专家进行系统维护。将来如果换成寒武纪架构的芯片，芯片数量可以大幅减少，体积也可以变得更小，易用性更高。所以，“寒武纪”深度学习处理器和DianNaoYu深度学习指令集是现今人工智能的又一个重大突破。 3 对人工智能的评论与展望 关于人工智能，人们有各种各样的看法和预言，有的担忧，有的乐观。了解这些不同的意见，可以发现许多有益的启示，做好人工智能化学教学的教学论基础研究。 目前精英们对人工智能的担忧主要集中于可控性和失业方面，也有人在考虑伦理等方面的问题。例如： 英国剑桥大学著名物理学家斯蒂芬·霍金（Stephen Hawking）教授不止一次提出“人工智能威胁论”。4月27日，他在2017全球移动互联网大会（GMIC）上通过视频发表演讲，预言人工智能的崛起可能是人类文明的终结。霍金的担忧在于，人工智能从原始形态不断发展，并被证明非常有用的同时，也在创造一个可以等同或超越人类的事物。这恐将导致的结果是：人工智能一旦脱离束缚，以不断加速的状态重新设计自身，人类由于受到漫长的生物进化的限制，无法与之竞争，将被取代，经济也将受到极大破坏。未来，人工智能可以发展出自我意志，一个与我们冲突的意志。霍金警告说，人工智能的发展必须在人类的可控范围内，才能保障人类的安全。 特斯拉和SpaceX创始人伊隆·马斯克（Elon Musk）把开发人工智能比作“召唤魔鬼”，并警告称人工智能技术给人类带来的伤害可能超过核武器。 以色列新锐历史学家，《人类简史》和《未来简史》的作者尤瓦尔·诺亚·赫拉利（Yuval Noah Harari）认为，关键在于，一个充斥着无意识超级智能的世界是怎样的？历史上绝对没有类似的参照。对于AI会朝什么方向发展，我们是无法预见的，这是危险之一。AI取代人类还有另一个问题——不是经济问题，而是意义问题——如果你没有工作，并从政府那里领取无条件基本收入，那么，最大的问题是：你怎么寻找生命的意义？你整天都干些啥？ 乐观的预见及分析有： 目前的人工智能還停留在弱人工智能阶段，强人工智能只存在于科幻片，人工智能毁灭人类论只是炒作。 机器一次只能专注在某一个领域，在单一领域它可以做得非常好，但是跨领域做不到，所以人类还是有机会的。AI在异常情况下仍需要人类进行干预，在更复杂的情况时，更加需要人类。 通过3000万棋局的自我对弈以及与同专业棋手的较量，AlphaGo团队大大精进了这一智能程序的棋艺。看上去这个故事的主角似乎是机器学习，但是我们忽略了人机交互中人类获得的益处：在和AlphaGo较量的过程中，人类棋手的棋艺也能得到很大的提高，就像神经网络会让AlphaGo用人类的方式思考问题一样。在未来，和这样的智能程序的互动也会让人类从机器学习中提高已有的能力并获得新的知识。再比如观察神经网络如何工作的过程也是帮助我们加深了解自己大脑的过程。 还有人指出了人工智能的不足之处和解决问题的初步思路。例如： 有人认为，将来机器人可被应用于各个领域，从教室到医院等，可是谁来教授新出现的机器人技能以便于它们能够轻松地应用在工作中？更重要的是，谁会教授机器人如何互相教授以便于AI能够继续扩大规模？虽然机器人编程自动化（RPA）需要专注于编程可重复的任务，但AI却可从非结构化输入中提供结构化输出。届时，“教师培训”将被赋予全新的意义。 微软亚洲研究院院长芮勇指出：目前人工智能在学习上遵循的理论依然是上个世纪80年代提出的，人们并没有从本质上理解人类的学习原理，从监督学习到无监督学习的方法还在探索。目前的人工智能技术多数都要依靠形态匹配，在监督式学习下，输入训练数据，每组训练数据有一个明确的标识或结果。人们将预测结果与训练数据的实际结果进行比较，不断调整预测模型，直到模型的预测结果达到一个预期的准确率。而无监督学习中，计算机无需人类帮助的情况下，像人类一样自己学习知识。计算机并不被告知怎么做，而是采用一定的激励制度来训练机器人培养出正确的分类。无监督学习方式是机器人工智能发展的关键技能之一，目前朝着良性的趋势发展，但还未达到我们希望的阶段。 有人认为，许多输入的数据其实都经过了人脑抽象，但大家看不到，就好比你看到地面上的竹子每一根都是独立的，但它的地下茎联系是非常紧密的。若要完成形式化知识结构的搭建，是需要很多知识的，而机器没有人脑的背景知识，所以数据中蕴含的信息是不完整的，继而计算不出正确的结果。知识太多、知识难以形式化、人脑输出太慢，成为了知识表达的三大障碍。海云数据首席数据科学家赵丹认为，深度学习的研究一定程度上已经到达瓶颈期，现在到了需要将深度学习现有成果转化成产品的时候，而形成产品是件很难的事情。在科学理论上的进步很多是偶然事件，说不准下次会是什么时候。目前人工智能虽处于寒武纪的大爆发阶段，但也很可能再度面临寒潮，面临新的考验。 中科院院士、清华大学教授张钹认为：AlphaGo的成功证明，能够被人工智能解决甚至超过人类水平的问题具有下列特点：一是有充足的数据（或知识）；二是完全信息；三是确定性；四是单领域。缺少其中任何一个（或几个）时，对计算机来说就会变得十分困难，人类反而觉得相对比较容易。所以机器智能与人类智能之间通常不是互相排斥和互相替代的，而是互补的。当前，以大数据与深度学习为基础的人工智能存在的最大问题是：不可解释和不可理解，就事论事，缺乏推广能力，遇到新的情况一筹莫展。面对动态变化的环境，信息不完全，存在干扰与虚假信息时，人工智能系统的性能就会显著下降。此外，人工智能系统由于不可理解，无法实现人机交互，无法与人类协同工作、和谐相处。解决这些问题的困难很大，人工智能发展的道路还很长，机器智能达到适应动态变化环境的能力还很遥远…… 4 人工智能能不能用于教育教学 人工智能究竟能不能用于教育教学？这是一个需要首先弄清楚的前提性问题，人们对此存有疑虑是有道理的，因为我们需要优秀的教师，如果“机器教师”水平一般般，甚至难以胜任教育教学工作，那就没有实际意义了。笔者认为，在对这个问题尚不能进行实证的时候，不妨先从“人工智能在教育教学中能做些什么？”“究竟什么是教育？”“什么是教学？”等问题开始进行理性思考，再结合实际得出结论。 现在，人工智能已经在图像识别、语音识别、语义分析以及语言合成等方面初步达到实用要求。由此可以判定，人工智能可以将教师从繁重的批改作业和阅卷工作中解放出来：可以辅助教师进行英语口试测评，也可以纠正、改进学生的英语发音；而人机交互技术可以协助教师为学生在线答疑解惑。去年媒体曾报道：美国佐治亚理工大学的机器人助教代替人类助教与学生在线沟通交流竟无学生发现，已经展现了人工智能在这方面的应用潜力。人工智能用于个性化学习、智能学习反馈、机器人远程支教等不是不可能的。这样，人工智能就可以让教师腾出更多的时间和精力，创新教育内容、改革教学方法，设计更好的教学方案，把教育教学工作做得更好。需要指出的是，目前人工智能技术在教育中的应用尚处于起步阶段，随着人工智能技术的进步，未来它在教育领域的应用程度将会加深，应用空间也会更大。例如，在班级授课条件下，个性化教学一直是一个难以实现的理想。有了人工智能，可以用它来收集学生作业、课堂行为、考试等数据，对不同学生的学情进行个性化诊断，并进一步为每个学生制定有针对性的辅导和练习，从而实现因材施教、个性化教育。目前国内一些研究者正在对人脸情绪表现的识别进行研究，这一技术一旦成功，再综合情绪的生理生化检测，由人工智能进行注意、遗忘、疲劳、拒斥等学习心理状态诊断，提出改进和调控的合理建议乃至某些对应措施，是不难实现的。 但是也要看到，人工智能目前所做的主要还是认知性的事情。就本质而言，教育是育人的事业。育人过程是养育、优化受教育者的人性即社会性的过程。一个生命体（或物体）不具有人性就成不了人，顶多只是人形生命体（或物体）。塑造心灵、养育人性是教育最根本的任务。要把学生培育成人，需要教师以己心灵育彼心灵，以己人性育彼人性，还需要构造适当的社会性环境。由此看来，只要人工智能不具有意識、情绪，不具有心灵、人性，不能构造社会性环境，这些缺陷不发生根本性改变，人工智能就不能替代教师和学校进行教育工作。 不仅教师的教育职能不能被机器替代，在人工智能时代，教师、学校等仍要努力改进和加强教育工作。对此，不少有识之士和教育学界学者都发表了有关的意见。例如： 人工智能出现后，未来的教育一定要重新思考。未来教育不仅是知识的传授，重点是想象力、创造力和团队精神。教育方法、教育体系训练也应该由面对工业时代转而去面对大数据、云计算时代。 保证人类对人工智能的有效控制，而不是个别人、少数人对人工智能的有效控制，是人类必须认真对待的关系生死存亡的重要问题。其有效保障措施就是在学校中加强人性的培养，加强德性、情感、创新能力、沟通能力、团队精神等培养。人性的培养，品德、情感、创新能力、沟通能力、团队精神等培养，应该是未来教育最为重要的任务。在“德、智、体”三大教育任务中，“德”和“体”在未来教育中的位置将日益突出。 教师不仅需要智慧，还必须富于情感、想象力与创造力，这些特质是目前的人工智能无法比拟的。基于此，即使人工智能可能在知识储备量、知识传播速度以及教学传授手段等方面超越人类，人类教师仍然具有不可替代的作用。 当人类和机器合作，人工智能将发掘出我们真正的潜力。人工智能有助于人类面对日益复杂、数据巨量增多的世界，但其应用需有人负责且符合伦理。人工智能应该帮助人类提升自己，开拓我们的边界，而不是简单地超越我们…… 总之，在较长时间内人工智能尚难对育人直接起多大的作用，但能够给我们带来变革传统教育、创新未来教育、做好育人工作的新任务、新机遇。人工智能可以在教学中发挥较大作用，但这种作用可能在较长时期内仍然是辅助性的，直到机器能够像真人那样自如地进行教学工作，完全可以取代教师为止。人工智能在教学中发挥辅助作用，即人工智能辅助教学，是建立在机器学习基础上的，因而跟20世纪90年代以前的“计算机辅助教学”有很大的不同。以前的“计算机辅助教学”不具有自主学习功能，强烈地依赖于人们给它设置的专家系统，依赖专家总结的规则来应对使用场景。如果说20世纪的“计算机辅助教学”是1.0版，如今的“计算机辅助教学”应该开始走进2.0版。 5 人工智能化学教学需要解决好的几个问题 这里所说的“人工智能化学教学”也可以称为“机器化学教学”。要用机器代替教师进行教学需要解决几个问题： 首先，前面说过“由于机器本身具有学习能力，所以可以較容易地从一个应用扩展到另外一个应用”。那么，机器教学能够仿照或者借用人工智能在法律咨询、医疗诊断、无人驾驶、音像图文识别等“已有人工智能”领域所采用的方法吗？ 其次，由谁来开发人工智能化学教学的机器？ 第三，怎样开展机器教学的研究和开发？需要解决哪些问题？等等。 把教学跟法律咨询与辩论、医疗检测与诊断、无人驾驶、音像图文识别等“已有人工智能”作较深入的比较，可以发现在目的、活动主体、待解问题、过程方法以及成果评判等方面，它们都有很大的不同。“已有人工智能”的目的是直接代替人来解决问题，“机器教学”的目的则是让学生学会解决问题，或者形成解决问题的能力；“已有人工智能”的活动主体就是机器，而“机器教学”中的活动主体不仅有机器，还有学生，两个主体同时活动并且相互作用；法律咨询与辩论、医疗检测与诊断、无人驾驶、音像图文识别等“已有人工智能”要解决的问题诸如有哪些适用法律（条文）和使用策略、患者生了什么病、有哪些有效的医疗措施、最佳行车路线和车速如何以及如何保证行车安全、机器面对的音像图文是什么等等，是明确和相对简单的问题，而“机器教学”要解决采用什么样的教学过程和方法能够使学生学得最好，怎样设计和实施教学过程和方法、怎样根据实际效果调整教学过程和方法等问题，最优解常常不明确、没有标准答案，实际效果特别是长远效果涉及多个方面且难以测评，没有“定法”，问题及其解决的复杂性远高于“已有人工智能”。这样，机器教学解决问题的方法需要特别设计，不能简单地搬用“已有人工智能”所采用的方法。 未来的人工智能教学机器即机器教师实际上是能跟学生交互作用的教学机器人。一个优秀的教师应该具有渊博的知识（特别是专业知识）、先进的教育教学思想、睿智的思维、精湛的教学技艺、丰富的教学经验、敏捷的教学反应能力和高尚的品德。机器教师不但应该有比较丰富的学科专业知识、教育教学知识与经验，具有必要的其他学科相关知识，还应该在表达知识内涵、表现教学内容、体现学科特点、适应技能操作教学和能力测评要求等方面表现出较高水平；能够用适当的方法进行实验教学活动；能够随着学生的类型和个性、教学内容的类型和特点、学习过程和阶段的变化而选择最适宜的教学模式和方法，随时对教学过程作适当调整；能够灵活地跟学生良性互动、设置良好的学习环境，对学生有很强的吸引力；应该能够对学生的学习基础和学习能力等准确地进行认知和判断，能够准确地检测和调节学生学习状态参数和知能应用水平等学习结果，基于每个学生不同的学习习惯，为其量身打造最适合的学习方法，根据学生具体情况为他们打造个性化的教学方案，应该能够吸收、融合、体现教学大师的经验，具有高超的教学智慧和能力。 显然，绝大多数学科教育教学工作者不能直接从事人工智能教学机器的开发工作。但是，“学科成百上千，术业各有专攻”，学科教育教学涉及教育学、教育原理、教育技术、认知科学、心理科学、行为与管理科学、学科课程与教学论以及学科等等，即便是人工智能专家，恐也不能完全、深入地了解，不具有丰富的实践经验。因此，开展机器教学的研究和开发需要实行教学研究人员与AI技术开发人员密切地配合，需要一线教师贡献新鲜的教学经验，需要教学研究人员从工程学角度对教学系统作深入研究，精细地确定教学系统各要素的组成、结构、过程变量和各种参数。 第三个问题包含着教什么、怎样教、怎样实现教学个别化来体现机器的智能和优势等具体问题。 多年前就有人模仿大脑电信号研究植入大脑的芯片以解决记忆方面的问题，虽然这项工作是不轻松的，但在几年前已经取得了不错的初步成果，引起好多人遐想未来可以通过植入芯片来解决知识记忆问题。这就引发了一个问题：一旦记忆芯片研制成功，学生还要学习记忆性知识吗？笔者认为，未来学生还是要学习的，只不过学习的内容可能会有某些变化，最起码也要学学如何使用、维护教学机器等知识技能。未来的学生要不要学习化学呢？化学社会化、社会化学化，是当今社会发展的特点之一。未来社会将会延续这个特点，认识物质及其化学变化，从而应用化学满足新型功能材料开发、远空与深海开发、生命健康与调整、能源与资源利用、环境保护与修复等等不断提出的新的需要，不具有创新精神的计算机是无法满足这些需要的，社会仍旧需要善于创新的化学人才。为了提高生活质量，保证健康和生命安全，及时应对好身边出现的种种化学问题，未来的社会公民可能随时随地需要应用各种化学知识，不具有必要化学素养的人是不能适应未来社会生活的。也许有人说，在人脑中植入记忆芯片，在体表植入各种化学物质智能探头等等不就可以不学化学了吗。其实，被植入记忆芯片和各种化学物质智能探头的人已经被各种芯片改造了、控制了，发生异化了，本质上已经不是本来意义上的人，与其这样改造人，倒不如直接做一个机器人。一些人预言二三百年之后人类就会被人工智能控制、取代而消失，正是考虑了上述情况。当然，人类会竭力预防、避免这些情况的发生，即使不能避免也会设法推迟。在此之前，未来的学生还是需要学习化学的，需要学习作为社会公民必备的基础化学知识，具备基本的观念、关键的能力以及一些重要的品格，即具备基本的化学学科核心素养，能够保证学习和应用效果。 教学应该是“教学生学会学”的过程。坦率地说，跟人工智能教学的需要比较，迄今我们的教学论对许多问题还缺乏深入的研究。为了搞好人工智能教学，我们需要对教学论作创新思考，掌握学习的精髓，深入开展学习过程和规律的研究，特别是量化的研究。 教学机器应该能够满足基础知识技能、基本观念、关键能力以及重要品格的教学需要。但是，教学机器本不具备教学的知识技能，是“零起点”。能让“机器教师”从“零起点”开始通过ML（机器学习）自主地学习教学的知识技能“边学边教”吗？教育伦理决定了不能这样做，需要先“教”机器学会做教师，把“零起点”变成“高起点”，然后再通过机器自主学习成为“优秀教师”乃至“教学大师”。怎样使教学机器具有高起点？从教学论角度看，一线教师积累、创造的丰富的优秀教学经验就是教学机器应该具有的起点。这些经验是具体的、生动的、灵活的、深入的，不是经典教科书中上位的、概括的、刻板的教条。对此，目前的学科教学论能满足这个要求吗？ 此外，机器学习系统需要具有某些知识，以供分析、比较、理解环境提供的信息，做出、检验并修改假设。缺乏背景知识，会造成信息不完整，使机器计算不出正确的结果，这是可能出现的问题。如何提供足够的背景知识，搭建完整的形式化的知识结构？怎样使经典的经验、技术跟新的机器学习算法结合？如何体现最先进的学习理念？未来的化学教学应该采用什么样的模式和方法？……这些问题都是必须解决好的重要问题。 “电灌”和“刷题”训练不能体现“智能”，教学机器不能做“电灌机”、“刷题机”。教学机器的“智能”应该体现在机器不断学习、自我更新，能够有效地实现教学个性化上。为此，教學机器应该具备各类内容的教学能力，掌握各类内容学习的具体过程规律，同时又掌握学生的认知和心理发展规律，具备学习水平评判、学习障碍诊断以及灵活有效地应对处理的能力。 人工智能的进展在很大意义上是从原来的传统建模、制定规则到今天机器基于数据自主学习的根本转变。过去的AI算法或者神经网络之所以不能够达到今天的精度，很大程度上是因为当时没有非常好和足够多的数据，从而依赖于某些模型，依赖于某些算法。在今天，AI技术已经能够获得足够的数据，对样本空间的覆盖度越来越好，精度越来越高，能够通过不断地跟环境互动去调整有关参数，通过在成功时采用激励函数使机器知道怎样做更好，即进行强化，使原先非常困难的问题能够解决得非常好。通过聚集/分类归并找到训练数据中的近似点，获得有关的数据，也可以让计算机自己学习怎样做。 教育数据产生于各种教育活动和整个教学的全过程，人工智能要想更好地应用到教育中，首先面临的就是采集哪些数据、如何采集数据的问题。实时收集数据的效率高、节省人力。在“互联网+”教育的广度和深度逐步推进的情况下，教育数据的来源很大一部分将会越来越依靠这种方式。 人工智能深度参与到教、学、练、测、评的环节中，能加深、加快个性化教学的进程。但这需要积累大量真实有效的数据，谁能在整个教育环节积累到足够多的数据就有可能跑到前面。怎样通过“互联网+”教育来满足对教育数据的需求？又怎样克服数据质量不稳定带来的消极影响？……未来教育数据或将成为发展教育人工智能的一大制衡因素，数据的采集与分析是实现人工智能引领个性化教学的一个关键点。 多年来，我国教育的基础建设成绩显著，但教师资源远远不能达到个性化教育要求的师生比例，优质教师资源缺乏更加严重。人工智能在教育领域的普遍应用，不但有助于普遍提升学生的学习水平，还能使教师有更多的时间研究学生、研究教育教学，有更多的时间关心学生、帮助学生，开展并搞好个性化教育，也有更多的时间进修学习，使教师的整体素质不断提高。 6 当前我们能做些什么——人工智能化学教学的前期准备性研究 笔者认为，就化学教学论而言，当前需要着手先行做好下列研究工作： 实施人工智能化学教学时应该如何编配学习内容、学习活动、学习方式，进行教学决策？ 如何实现化学知识的全息存储-表达方式？ 如何从优秀案例获得有价值信息，形成个性化教学预置方案？ 如何确定学习规律，从理论角度建立理想的预置模型？ 需要采集哪些数据？如何采集有关数据？ 怎样协调机器学习活动和学生学习活动？怎样在保证机器学习的自主性的同时，又保证学习的自主性？怎样解决施教模式与自主学习模式的矛盾？ 人工智能应遵循的学习理论是什么？学习的有关参数是哪些？ 如何进一步认识人类的学习原理？ …… 这些问题中既有基础层的，也有技术层、应用层的。 如果从产业角度把教学看作是一个“行业”的话，教学是一个试错成本非常高的“行业”，而人工智能化学教学的探索更是充满艰辛。人工智能的发展趋势带来了挑战，也给教学论的革新和发展带来了新的机遇。我们应该抓住、抓好这个机遇，积极地做一点探索，做一点工作，而不是消极地等待。这是我们的责任，也是对后人的一个交代，希望有更多的人就此共同努力。 参考文献： [1]郭亚宁，冯莎莎.机器学习[J].中国科技信息，2010，（14）：208～210. [2]毛健，赵红东，姚婧婧.人工神经网络的发展及应用[J].电子设计工程，2011，19（24）：62～65. [3]尹宝才，王文通，王立春.深度学习研究综述[J].北京工业大学学报，2015，41（1）：48～59. |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。