人工智能下的教育反思精选(十四篇)

序言：作为思想的载体和知识的探索者，写作是一种独特的艺术，我们为您准备了不同风格的14篇人工智能下的教育反思，期待它们能激发您的灵感。

篇1

近两年，“AlphaGo”连胜全世界的围棋名将，被媒体广泛报道。人工智能开始成为社会关注的热点，引起人们的广泛兴趣，并令人深信不疑。

在刚刚结束的2017年高考，学霸君与准星云学两家企业的“高考机器人”分别拿出了 134 分和 105 分的高考文科数学成绩。在做题方面，机器可能已经超越了不少人类。正是这样一件事，同样引发了人们的深度讨论与思考。

的确，随着理论和技术的日益成熟，人工智能开始受到产业资本的热捧，语音识别、机器视觉、智能控制、智能检索、智能互联、专家系统、自动规划等应用步伐加速。金融、电商零售、医疗健康、交通、个人助理等多个领域都可以看到人工智能的应用，人工智能已然开始取代工厂工人、客户服务等重复性工作。人工智能在教育领域同样拥有巨大的应用潜力，随着知识表示方法、机器学习与深度学习、自然语言处理、智能、情感计算等关键技术的发展，人工智能将在学校管理、校园安全、课堂管理、智能助教、自动阅卷、自适应教学等方面发挥作用。

面向未来，我们不禁要问，人工智能是否能够改变教育？人工智能在教育领域将释放怎样的潜力？本期策划，我们邀请上海海事大学魏忠，探讨人工智能视角下的未来教育，从人工智能的教育本体、对学科的影响、对教育技术的改变、对教育价值的重新定位几个方面进行了系y思考与分析。江苏师范大学智慧教育学院周宝、杨现民结合人工智能在教育中的典型应用，探讨人工智能对学校管理及教学带来的革命性影响。华东师范大学第二附属中学刘党生，从技术与教育的关系延伸到人工智能，并对非生物智能介入教育的未来趋势进行了预测；重庆市江津区聚奎小学校刘春林、重庆市聚奎中学校张渝江从教育教学实际出发，介绍了人工智能软件如何温柔地改变教育。上海市位育中学陈凯从教育哲学的角度，探讨了人工智能如何作用于思维、认知、学习，并进行了反思。

“这是最好的时代，这是最坏的时代；这是智慧的时代，这是愚蠢的时代。”人工智能时代的钟声已经敲响，我们还在工业时代的迷梦中寻找教育的未来。谁曾想到，未来来得如此之快，我们是否准备好做出改变？未来，我们需要什么样的人才？我们需要什么样的教育？我们不妨想象一下，未来10年、20年的教育将发生怎样的改变？也许一个崭新的时代并不会留给我们那么长时间去形成新的教育生态系统。

篇2

关键词：人工智能；教育变革；智慧教育

近年来大数据、云计算等信息技术飞速发展，人工智能在一些特殊领域（如图像识别、语音识别、自然语言等）不断取得突破性进展。人工智能作为新的技术驱动力正引发第四次工业革命，为医疗、教育、能源、环境等关键领域带来新的发展机遇。人工智能专家预测，人工智能在通用技术领域可能尚不能替代人类，但在一些特殊领域，人工智能将会淘汰现有的劳动力。在国外，许多国家纷纷把人工智能作为国家发展的重要竞争战略，我国学者也密切关注着人工智能的最新理论进展和实践应用，国务院于2017年7月颁布《新一代人工智能发展规划》，明确人工智能发展的重点策略。“人工智能变革教育”的潮流，引发了教育研究领域的“人工智能热”。当前全球范围内，人工智能在教育领域的大量研究和应用催发形成了教育人工智能概念。目前梳理学术上关于研究人工智能与教育的文献主要集中于：

（一）教育理念的革新。“人机一体”将成为未来新的教育方式[1]，由新技术和新手段的出现所应运而生的智慧教育[2]，将对原有教育进行改进和完善。智能技术在改变教育的手段和环境的同时，还有利于构建出系统解决教育问题的教育新体系，从而真正触及教育的根本[3]。

（二）关注技术的革新。机器深度学习、智能学习的算法、视觉识别以及智能语言识别这些基础技术的突破，为人工智能的教育应用奠定了坚实的基础[4]。

（三）探究教育的应用。人工智能在学校教育中的学业测评、交叉学科、角色变化等应用领域具有巨大潜力，教师角色内涵也将在与人工智能的协同共存中发生改变。AI监课系统能够数据化、可视化评估教师的授课情况，将人工智能技术的运用渗透到整个教学过程中，教师可以根据评分实时调整授课内容，以促进个性化学习，从而提升教学效果。教育深受技术发展的影响，新技术融入教育并促进教育方式的转变已成为必然趋势。一方面技术为教育提供了新的、更加广阔的可能性；另一方面技术具有变革人类的教育方式与学习方式的能力。然而，技术是一把“双刃剑”，如何获取或实现以人工智能为代表的新兴信息技术所拥有的特征、优势与功能，使其在教育中最大限度地发挥其应有的价值呢？人工智能技术如何继续被安全使用到教育领域？如何通过教育变革来促进新兴信息技术在教育教学中的广泛与深入应用，实现教育深层次革命等问题，是目前需要关注和探讨的主要问题。

1人工智能时代下教育变革的背景

1.1人工智能的内涵及具备的强大能力

人工智能最早由美国达特茅斯学院于1956年提出，其研究主要包括机器人、图像识别、自然语言处理、语音识别等，实质是一种自动感知、学习思考并做出判断的程序。人工智能具有自主学习、推断与革新的能力，推动了图像识别、自然语言处理等方面的技术突破。人工智能同时具有理性判断力、超强的工作力，只要电力供应不断，几乎可以无限制地工作下去，而且适应不需要情感投入的工作。它的超强能力，源于三个重要的技术：深度学习、大数据和强算力。

1.2人工智能时代的机遇和挑战

人工智能在精力、记忆力、计算力、感知力以及进化力等方面与人类相比，具有突出优势。在医药领域，人工智能的出现使普通民众可以享受更为高效、稀缺的医疗资源，解决医疗诊断领域诊断质量不均衡、医生资源不足等问题。在教育领域，人工智能促进教学质量进一步提升、教师角色多样化、学生学习能力的提升；为教育研究提供新技术和数据支撑；极大拓展了教育研究新视域；使教育在立德树人方面、教育方法创新方面、教育手段和环境方面以及教育服务供给方式方面均发生改变。然而，看到人工智能以其强大的处理能力带来机遇的同时，也需要正视人工智能带来的新挑战。在人工智能浪潮冲击下，如何借助人工智能发展的机遇推进教育的变革与创新？人工智能技术如何继续被安全使用？首先，人工智能专家大都认为，人工智能将会淘汰大量现有的依靠非脑力劳动为生的劳动力，需要培养人工智能时代的新型劳动力。而且，人工智能技术本身的不太成熟使很多人工智能技术只是应用在儿童教育领域，再者，人工智能潜在的道德伦理问题缺乏法律制度规范。除此之外，人工智能时代将对社会结构以及人的地位构成挑战。综上所述，人工智能时代所带来的机遇是大于挑战的。教育需适应人工智能技术所带来的突破和飞跃，不断调整和更新教育的方向和目标，实现育人成人的发展目标。

2人工智能与教育变革

2.1人工智能与教育目的的变革

人工智能带来的巨变不仅影响人类未来如何发展，而且极大释放了人类的生产力，这些在一定程度上使得人类需要重新思考教育是何目的。人工智能影响教育目的的变革主要表现在：第一，人工智能可能会使人类陷入精神危机。这源于两方面的结果：一方面，人工智能将取代大部分人的工作岗位，工作的丧失将会导致人的价值和尊严丧失。另一方面，人工智能技术的发展将可能导致所有基于自由主义的想法破产，转而人类所拥有的价值和尊严可能转化为一种“算法”，人工智能带来的职业替代风险在教育领域同样存在，主要是对教师角色的挑战。第二，人工智能有利于培养人的学习能力。从某种角度上讲，人工智能剥夺人的就业机会，但同时，人工智能助教机器人将协助教师实现个性化指导，从而有利于将学习的过程视为寻求自我价值和意义的过程。除此之外，人工智能有利于使教育注重培养人的精神能力，这种精神能力大致包括实践动手能力、价值追求能力以及创造能力，从而有利于学生知识以便于更好地完善自我、丰富自我，使教育跳脱“知识为本”的陷阱，发挥“立德树人”的正向作用。

2.2人工智能与学习方式的变革

第一，深度学习。深度学习也称为深度结构学习或者深度机器学习，是一类算法的集合。深度学习概念的提出，一方面尊重了教学规律，另一方面也是应对人工智能时代下的挑战。深度学习在机器学习、专家系统、信息处理等领域取得了显著成就，提倡学教并重、认知重构、反思教学过程，进而达到解决问题的目的。第二，个性化学习。个性化学习区别以往传统班级课堂授课，尊重学生的个性发展，因材施教。人工智能技术与大数据的应用有利于学生享受个性化的学习服务，可提供个性化的学习内容，可视化分析学生的学习数据，快速提高学生的学习效率。第三，自适应学习。自适应学习是指人工智能基于对个体学习进行快速反馈的基础上，根据学习者特征，为其推荐个性化的学习资源和学习路径，从而最大程度上适应学生的学习状态，是实现个性化学习的重要手段。人工智能技术有利于快捷、科学地判断学生的学习状态，进行学习反馈；持续收集学生的学习数据，其中包括学习目标、学习内容；高效地为学生提供海量的学习资源。

2.3人工智能与学习环境的变革

首先，有利于搭建灵活创新的学校环境。不仅可以使空间规划更具弹性，而且可以调节性增强物理环境。其次，人工智能时代的教育区别于以往传统教育强调的统一秩序，更注重个体的用户体验。创客空间、创新实验室等学习环境的不断增加以及人工智能技术的不断发展，个性化的空间环境与学习支持将改变目前学习的学习空间环境。除此之外，随着对话交互技术的逐渐成熟与不断普及，有利于实现虚实结合的立体化实时交互。VR、AR等技术的同步协作也有利于搭建新的学习环境，满足学习者的一系列要求。脑机互动技术的突破有利于实现将人工智能植入人脑，从而改变人类自然语言的交流方式。最后，人工智能通过即时、准确、高效的大数据分析有利于进行精准且个性的学习评价与反馈。人工智能将综合收集所有同学的学习记录，互相比对、优化，从而进行综合提升。更为重要的是，人工智能的人脸识别以及语音识别技术可以运用到教师的教学过程中，进行学生的学习情绪感知，学习状况的了解，从而促进学生学习的科学化；智慧校园、智慧图书馆等的出现，为教学环境的建设提供重要参考。

3人工智能在教育领域的应用

人工智能被认为是最有潜力和影响力的教育信息化技术，将通过人工智能数据挖掘分析、3D打印、模拟仿真等技术的应用，实现人工智能与教育的深度融合，对计算机辅助教学、个性化教育服务、教育人工智能生态环境等产生根本影响。2018年《地平线报告》（高等教育版本）指出了教育领域的信息化发展，未来一段时间内将通过人工智能与信息技术的结合，进而影响教育阶段的不同过程。具体见表1所示。

篇3

关键词:HPS教育;小学科学;人工智能

随着我国教育的迅猛发展，作为科学教育重中之重的小学科学教育逐渐开始被大众所关注，所以探索小学科学教育的新思路已成为教育改革的关键之一。多年来，我国不断借鉴发达国家的教育改革理念与经验，并进行本土化研究，促进我国教育发展。

一、研究背景

HPS教育作为西方20世纪80年代盛行的理论，引入中国已有20余年。作为极其受欢迎的教育理念，凭借着自身优势在中国教育课程改革中占据了一席之地，也为中国科学教育提供了新思路。

(一)HPS的概念界定

HPS的提出源自科学内部对科学反思和科学外部人员对科学本质认识的思考。最初，HPS指的是科学史(HistoryofScience)和科学哲学(PhilosophyofScience)两大学科领域，但在20世纪90年代科学建构论流行后，科学社会学与科学知识社会学被引入科学教育，HPS逐渐演化成科学史(HistoryofScience)、科学哲学(PhilosophyofScience)和科学社会学(SociologyofScience)三者的统称［1］:科学史即研究科学(包括自然科学和社会科学)和科学知识的历史;科学哲学则是对科学本性的理性分析，以及对科学概念、科学话语的哲学思辨，比如科学这把“双刃剑”对人类社会的影响;科学社会学则讨论科学处在社会大系统中，社会种种因素在科学发展过程中的地位和作用，这包括了政治、经济、文化、技术、信仰等因素［2］。在国外，德国科学家和史学家马赫最早提倡HPS教育，突出强调哲学与历史应用至科学教学中的作用。我国HPS相关研究开始晚且研究规模较小，首都师范大学的丁邦平教授认为HPS融入科学课程与教学是培养学生理解科学本质的一个重要途径［3］。

(二)HPS教育理念融入小学科学课程的必要性

运用科学史、科学哲学等进行教学是目前国际上小学科学教育改革的一种新趋势。2017年，教育部颁布的《义务教育小学科学课程标准》标志着我国科学教育步入了新阶段，其不仅要求达成科学知识、科学探究的相应目标，也要养成相应的科学态度，思考科学、技术、社会与环境的融洽相处。该标准提出了“初步了解在科学技术的研究与应用中，需要考虑伦理和道德的价值取向，提倡热爱自然、珍爱生命，提高保护环境意识和社会责任感”。HPS教育与小学科学课程的结合是教学内容由知识到能力再到素养的过程，是小学科学教育的新维度，改变了小学科学课程的教学环境。将科学课程中融入HPS教育的内容，可以帮助学生理解科学本质，研究科学知识是如何产生的，科学对社会的多方面影响以及科学和科学方法的优、缺点等。当《小学课程标准》将科学态度和价值观视为科学教育的有机组成部分时，小学科学课程就有望成为HPS教育的天然载体，同时为小学科学课程渗透HPS教育提出了挑战。目前，我国小学科学课程虽已有部分设计融入了HPS教育理念，但该融入过程仍停留在表面，融入程度低，融入方式单一。所以，研究HPS教育理念融入小学科学课程十分有必要。

(三)HPS教育理念融入小学科学课程的可行性

纵观国内外已有的研究，将HPS教育融入小学科学课程可分为基于传统课堂模式的正式教育课程和基于科技馆、研学机构等的非正式教育课程。由皖新传媒、中国科学技术大学先进技术研究院新媒体研究院、中国科学技术大学出版社三方通力合作、联合打造的《人工智能读本》系列丛书自出版以来已发行八万套，在安徽省多个市区的小学得以应用，是青少年人工智能教育上的一次全新探索。该套丛书分三年级至六年级共四套，涵盖了16个人工智能前沿研究领域知识点，每一节课都设有场景引入、读一读、看一看、试一试4个模块。小学《人工智能读本》作为阐述新兴科技的读本，以亲切的场景对话和可爱幽默的插画等形式吸引了众多小学生的兴趣，不仅可作为学校科学课读本，也可以应用于课外场景。本文则以小学《人工智能读本》为例，对HPS教育进行初步摸索与实践，以期对小学科学教育带来教益。

二、HPS教育理念融入小学科学的典型案例

《人工智能读本》作为HPS教育理念融入小学科学实践的典型案例，侧重引导学生多维度、科学辩证地认识人工智能，内容包括机器学习、决策职能和类脑智能，以及人工智能的不同发展阶段，带领学生思考人工智能带来的伦理问题以及其他挑战，培养学生正确的世界观、人生观和价值观。本研究将以《人工智能读本》六年级第四单元“人工智能伦理与其他挑战”为例，分析HPS教育理念融入小学科学的实践。

(一)科学史:提升课程趣味性

小学科学教育作为培养具有科学素养公众的重要步骤，提升过程的趣味性则十分重要。过去传统的小学科学教育注重知识的传递而忽略了学习过程，填鸭式教学导致学生失去对科学的兴趣与探索欲，不利于公民科学素养的整体提高。而科学史作为研究科学(包括自然科学和社会科学)和科学知识的历史，已经逐渐渗透到科学教育中来。科学史常常介绍科学家的事迹，某一知识诞生所面临的困难和曲折过程，而将科学史融入课程可以带学生重回知识诞生的时刻，切身体会科学。读本作为在小学科学教育中不可或缺的工具，利用科学史内容，以叙事方式可以将科学哲学与科学社会学的思想融入教学过程中，在读本中融入历史，可以提升课程趣味性，帮助学生更加容易探求科学本质，感受科学家不懈努力、敢于质疑的精神，提升科学素养。例如《人工智能读本》六年级第四单元“人工智能伦理与其他挑战”引入部分即以时间顺序展开，介绍人工智能的发展与面临的困境。在“看一看”中机器人索菲亚是否可以结婚的故事不仅为本章节提供了丰富的内容，提升了课程的趣味性，而且还融入了科学与哲学，引发读者对于人工智能的思考。

(二)科学社会学:提升课程社会性

科学社会学是研究一切科学与社会之间的联系与影响，包含科学对社会的影响和社会对科学的影响。科学是一种社会活动，同时也受到政治、经济、文化等多方面影响，比如蒸汽机的诞生表明科学促进社会的发展。在科学教育的课堂中融入科学社会学不仅可以帮助学生理解科学问题，还可以通过介绍科学与社会之间的复杂关系，培养学生灵活、批判看待科学问题的思维能力。如六年级第四单元“人工智能伦理与其他挑战”中，在介绍个人与技术的基础上引入了政府和环境这两个要素，使学生在更宏观的背景下，获得这样一种认知:环境与技术之间有一把“双刃剑”，个人与技术、政府与技术之间是相互促进的主客体关系。《人工智能读本》并不全是说教性质的文字，在“试一试”中的辩论赛环节让同学通过亲身实践，更加了解人工智能对于社会的多方面影响。通过对于科技是一把“双刃剑”这一事实的了解，同学们可以更好地将学习知识与社会的背景联系在一起，深刻体会科学中的人文素养，增强社会责任感。

(三)科学哲学:提升课程思辨性

以往研究发现，国内学科教材中关于科学史和科学社会学内容较多而且呈显性，而对于科学哲学的融入内容不够，且不鲜明。［3］科学哲学融入科学教育无疑可以提升学生的思辨性，帮助学生建立起对于科学正确而全面的认识。例如，《人工智能读本》六年级第四单元“人工智能伦理与其他挑战”中，引入人工智能伦理，通过介绍人工智能面对的挑战、人工智能的具体应对策略，让小学生了解人工智能技术发展的同时也要重视可能引发的法律和伦理道德问题，明白人与人工智能之间的关系以及处理这些关系的准则。通过“读一读”先让学生明白伦理概念，再用一幅画让学生思考在算法的发展下，人类与机器人的关系如何定义，向学生传递树立人类与人工智能和谐共生的技术伦理观。通过这种方式，可以帮助学生逐步建立完整的科学观，全面且思辨地看待科学，提升学生思辨性，进而提升科学素养。

三、HPS教育理念融入小学科学课程的实践建议

《人工智能读本》作为一套理论与实践相结合，具有知识性与趣味性的儿童科普读物，着重引导小学生培养科学创新意识，提升人工智能素养，产生求知探索欲望。但《人工智能读本》作为HPS融入小学科学课程的初始，仍存在教育资源不充分、内容结合较浅等不足，为了将HPS教育更好融入小学科学课程，可从以下三方面加以改进。

(一)开发HPS教育资源

HPS教育需要教育资源的支撑。HPS教育资源来源广泛，无论是学生的现实生活，还是历史资料，都可以提供契机和灵感。《人工智能读本》中收集了大量与人工智能相关的故事和现实案例，都可以作为教育资源，从各个角度达到科普的目的。在新媒体时代，进行HPS教育资源开发时，应当注意借助最新的信息与通信技术增强资源的互动性，如互动多媒体技术、虚拟现实技术、增强现实技术、科学可视化技术等。在传统的科学课堂教学中，主要是通过图片文字讲解，实验演示及互动来开展。这种形式对于现实中能接触到的实验内容，如常见的动植物、可操作的物理化学实验等，比较容易开展。而对于地球与宇宙科学领域的知识，或者一些已经不存在的动植物，则只能通过图片视频进行展示，不容易进行实验展示。通过虚拟现实技术、增强现实技术等，则可以虚拟出世界万物，如不易操作的物理化学实验、已消失的动植物等都可以通过虚拟现实的手段得以呈现。这些技术或能使教学内容变得生动形象，或通过营造沉浸感以使学生有更佳的情境体验，或让学生与教学资源进行交互从而自定义内容，服务于学生科学素养提升的终极目的。

(二)对小学科学教师进行培训

HPS教育的关键是从社会、历史、哲学等角度对自然科学内容进行重新编排，并不是将大量的内容或学科知识简单相加，这对教师能力也提出了更高要求。目前，人工智能教学领域常常出现“学生不会学、老师不会教”的状况，《人工智能读本》作为内容翔实有趣的读本可以弥补一部分缺失。但与此同时，也需要提升教师的教学能力与知识储备。HPS教育理念不仅仅针对历史中的科学人物，所有的学生主体也是历史中的主体，他们也身处于社会中，并且对于生活中的各种科学现象有着自己的思考。所以教师身为引导者，需要注意到学生的思考，深入挖掘，鼓励他们对所思内容进行反思并付诸实践。科学史和科学哲学应当成为科学教师教育项目中的一部分，这能让科学教师更好地理解他们的社会责任。为此，对职业科学教师进行HPS培训便是必要的。

(三)多场景开展小学科学教育

科学素养不是空洞的，它来自学生的认识体验，并从中获得生动、具体的理解和收获。《人工智能读本》作为方便携带的读本，不仅可以在小学科学课堂中作为教材使用，也可以应用在其他场景，如研学旅行、科技馆等场所。课堂学习只是小学科学教育中的一个环节，家庭、科技馆等也可以进行科学教育。例如，科技馆与博物馆可以以科学家和历史科学仪器为主题举办展览，展览中融入HPS教育理念，学生在参观和学习过程中学习有关科学内容。一些历史上大型的科学实验，学校教室或实验室无法满足条件，但在大型的场馆中可以实现。例如，研学旅行作为目前科学教育中最受欢迎的方式之一，已被纳入学校教育教学计划，列为中小学生的“必修课”，正逐渐成为学生获得科学知识的另一个途径。研学旅行作为一种集知识性、教育性、趣味性和娱乐性为一体的旅游形式，通常伴随着知识教育的过程，包括科学知识的普及，所以也是开展小学科学教育的重要场所。在该场景下，运用《人工智能读本》等新兴手段进行科学教育往往取得事半功倍的效果。

结语

目前，HPS教育理念已经积极尝试运用到小学科学教育中，包括学校内的正式学习以及学校外如科技馆、博物馆、研学旅游中的非正式学习之中。其中，科技史以时间维度为线索创造丰富资源的同时也可以提升课程趣味性;科学社会学以科学与社会之间的相互关系帮助学生理解科学本质，提升科学素养;科学哲学则以哲学的视域审视科学的诞生提升学生思辨能力。未来，HPS教育结合小学科学则需要更深入，在资源开发、教师培训以及应用场景等方面加以改进，为提升国民科学素养做出努力。

参考文献:

［1］袁维新．国外科学史融入科学课程的研究综述［J］．比较教育研究，2005，26(10):62-67．

［2］张晶．HPS(科学史，科学哲学与科学社会学):一种新的科学教育范式［J］．自然辩证法研究，2008，24(9):83-87．

［3］丁邦平．HPS教育与科学课程改革［J］．比较教育研究，2000(06):6-12．

篇4

关键词：人工智能；教学改革；教学方法

引言

人工智能(ArtificialIntelligence)是一门研究和模拟人类智能的跨领域学科，是模拟、延伸和扩展人的智能的一门新技术。由于信息环境巨变与社会新需求的爆发，人工智能技术的日趋成熟。随着AI3.0时代的到来，大数据、云计算等新技术的应用也愈发广泛，对于管理类人才来说，加强对人工智能知识的深入学习，不断将人工智能技术与管理知识结合起来，对其未来职业生涯的发展有着重要作用。人工智能是一门前沿学科，管理学院开设人工智能课程的目的是为了更好地培养学生的技术创新思维与能力，基于其覆盖面广、包容性强、应用需求空间巨大的学科特点，通过概率统计、数据结构、计算机编程语言、数据库原理等基础课程的学习，加强学生解决实际问题的能力，为就业打下基础。本文基于社会对于人工智能领域的人才需求，结合诸多长期从事经管类专业课程教学的老师意见，针对管理类人才的人工智能课程教学内容与方法进行探讨，以期对中国高校人工智能课程教学改革研究提供帮助与借鉴。

1、教学现状与问题

作为一门综合性、实践性和应用性很强的理论技术学科，人工智能课程内容及内涵及其丰富，外延极其广泛。学习这门课程，需要较好的数学基础和较强的逻辑思维能力。针对管理类人才，该课程在课程教学过程中存在几个较为突出的问题。(1)课堂教学氛围枯燥目前，中国大多数大学仍采用传统的课堂教学模式，在教学过程中照本宣科，忽略与学生的互动，并且缺乏能够有效引起学生学习兴趣与加深知识理解的教学环节设置，如此一来大大降低了学生自主思考的能力。在进行人工智能相关课程知识讲解时，随着章节的知识难度不断增加，单向介绍式的枯燥教学方式无法反映人工智能学科的全貌，课堂讲解难以同时给以学生感性和理性的认知，部分学生因乏味的课堂氛围渐渐无法跟上教学进度，导致学习动力不足。(2)基础课程掌握不牢管理类专业的学生大部分都会走向更加具体化的管理岗位，具有多学科的素养，但这也导致很多学生所学知识杂而不精。学生在基础不夯实的情况下去学习更高层面的知识，给学生学习与老师教学都造成了很大困扰。人工智能课程知识点较多，涵盖模式识别、机器学习、数据挖掘等众多内容，概念抽象，不易学习。一些管理类专业的学生未能熟练掌握高等数学、运筹学、数据结构、数据库技术等先修课程，缺乏一定的关联思考和研究意识，导致课程学习难度增加，产生学时不足和教学内容难点过多的问题。(3)教学与实际应用脱节当下，人工智能广泛应用于机器视觉、智能制造等各个领域，给学生提供了大量的现实案例，使得人工智能不再是高深莫测的理论，而是现实中可以触及的内容。例如，在机械学科领域，人工智能技术是电气工程、机械设计制造、车辆工程等方向的重要技术来源；在医疗领域，是医疗器械的创新生产源动力；在能动领域，是高端能源装备与新能源发展的重要驱动；在光电信息与计算机工程领域，技术的发展时刻推动着智能科学与技术核心价值的提升。然而，对于管理类专业的学生来说，现阶段的人工智能教材涵盖许多智能算法及相关理论，在教学过程中常常涉及到很多从未接触过的抽象理论和复杂算法，书本中的应用实例大多纸上谈兵，缺乏专门适用于管理类专业知识与人工智能技术相结合的教学实践，加上一些教师授课方法单一，不利于引导学生将人工智能算法应用于现实生活。另外，大学生对知识的理解能力差异很大，教师采用统一的方式教给他们，这使一些学生无法跟上和理解，教师也无法控制学生的学习状况，导致学生缺乏动力。因此，如何结合学生的现实情况，提高他们的动手能力和实践经验也是人工智能课程教学要考虑的问题。

2、管理类人才的人工智能课程教学改进策略

课程教学改革是一项提高大学教学效果和人才培养质量的重要手段。如何在时代背景下应用新技术和新思想进行实施课程教学改革是高校亟待解决的问题。对于高校的教学工作而言，教学目标、教学内容和教学方式的变化不再是课程资源的简单数字化和信息化，而是充分利用时代信息资源优势的新型教学模式。针对管理类专业人工智能课程教学过程中存在的问题，可以从教学方法改进和教学内容设置两个方面进行课程教学改进。

2.1教学方法改进

教师对学生具有引领作用，其教学方法的改进能够带动学生改进自身学习方法。(1)启发式案例教学案例教学法就是教师根据教学目标、教学内容以及教学要求，通过安排一些具体的教学案例，引导学生积极参与案例思考、分析、讨论和表达等多项活动，是一种培养学生认知问题、分析和解决问题等综合能力的行之有效的教学方法。启发式案例教学以自主、合作、探究为主要特征，调动学生的学习积极性，并紧密结合人工智能领域的相关理论与方法，有效理解知识要点及其关联性，适用于管理类专业学生的教学。具体而言，高校基于其问题启发性、教学互动性以及实践有用性等特点，可以建立基于人工智能知识体系的教学案例库，虽然这项建设将极具挑战性与耗时性，但具有很强的积极效果：培养学生较强的批判性思维能力，更多地保留课程材料，更积极地参与课堂活动，对提高教学质量、培养具有人工智能背景的管理类人才具有重要意义。例如，通过单一案例教学，让学生掌握相关基础知识原理及应用；通过一题多解的案例使学生思考如何获取最有效的解题方法；通过综合案例的设计，启发学生全方位地探索问题的解决方案。(2)研讨互动式教学研讨互动式的各个教学环节是逐渐递进、有机结合的。研讨是基于学生个体的差异性，在课堂讨论的过程中对学生做出评判，从而对不同类型的学生开展针对性的教学。互动则是在研讨的基础上，通过老师与学生、学生与学生的互动，让学生主动参与到课堂教学的过程中来。在人工智能课程教学过程中，教师通过课堂讨论了解学生对于知识点的掌握情况，可以有针对性地设计教学内容，例如，对于学校积极性不强的学生，将人工智能理论内容与学生个人兴趣范畴、社会产业发展及研究现状联系起来，能够极大程度地提高学生学习的自主能力；对于基础知识较为薄弱的学生，可以在教师的指导下查阅相关文献资料，根据自己的理解撰写心得报告，并在课堂或课外进行师生互动。像这样研讨与互动相结合的模式。有助于增强学生的探索和求知欲望，建立起浓厚的学习氛围。(3)有效激励式教学人工智能是引领未来的战略性技术，人才需求量极大，对教师的教学水平也提出了更高要求，因此，进行有效激励极为重要。在学生激励方面，可以举办各类人工智能竞赛项目，设置相应项目奖学金，吸引学生参与实践，调动学生做研究、发论文的积极性。例如，教育部主办的中国研究生人工智能创新大赛，围绕新一代人工智能创新主题，激发学生的创新意识，提高学生的创新实践能力，为人工智能领域健康发展提供人才支撑。高校也可以借鉴这种模式，在各学院乃至全校开展此类竞赛项目，激发学生的创新能力与团队合作能力，鼓舞更多学生加入到人工智能课程的学习中来，激发其学习兴趣。在教师激励方面，在教师聘任和提升过程中把参加学生课程制定、课堂与课外作业、课程项目和论文指导等看作教学任务的一部分，鼓励教师积极参与这些活动。(4)学科渗透式教学人工智能学科知识融合程度较高，学科交叉性强。基于人工智能的学科交叉性特点，增强管理类人才对学科应用的领悟，可以采取开展学科渗透式教学的方法。从2015年起，国务院和教育部先后印发了《国务院关于积极推进“互联网+”行动的指导意见教育》、《高等学校人工智能创新行动计划》等文件，“互联网+”、“智能+”已经渗透到各个领域，人类进入数字经济时代，社会需求“技术+管理”的高端复合人才。例如，基于工业4.0和强国战略，人工智能技术在智能制造的应用极为广泛。上海理工大学非常重视少数民族预科班的教育质量。为增强少数民族管理类人才对该领域应用的认识，我们请机械工程、能源动力领域的相关专家以授课或讲座的形式，进行相关领域知识和发展趋势的讲解，使学生理解更为透彻。此外，在教学实践过程中，还可以用举办人工智能知识交流会、线上人工智能论坛等形式，促进不同专业间老师、学生对于人工智能知识模块的见解，相互交流、渗透和学习，从而推动人工智能课程教学的改进。

2.2教学内容设置

世界一流大学在人工智能课程内容设置根据不同国家的教育体系设置，肯定会有不同，但颇有共通之处。本文借鉴世界顶尖大学经验，针对管理类专业人工智能课程教学内容进行研究，结合中国教育体系设置，认为应从以下几方面进行改进。(1)核心内容设置为避免学生因为知识点过多而出现杂而不精的问题，势必要精化教学内容。在互联网时代，我们可以使用云计算和其他方式来实现数据信息的传输、存储和处理，通过在线收集和整合网络课程相关数据，挖掘和丰富教学资源，并在整合课程资源的基础上，进行研究方法和前沿知识的扩展。在核心内容设置方面，可以通过收集到的数据资料，选择人工智能领域具有代表性且难易程度适中的知识作为重点，使学生能够在有限的学时内掌握人工智能的知识脉络。例如，编写针对管理类人才的人工智能教材，内容涉及绪论、知识表示与推理、常用算法、机器学习、神经网络等方面的同时，重点增加相应知识点在管理上的应用案例，加强学生对知识点的理解。同时，根据管理类专业偏向领域，开设关联程度较大、应用较广泛的人工智能选修课程，以便学生根据自己的兴趣与需求选修具体方向的课程。(2)注重学生的数理及编程基础良好的数理及编程基础是学习人工智能的前提。只有具备了这些基础，才能搞清楚人工智能模型的数量关系、空间形式和优化过程等，才能将数学语言转化为程序语言，并应用于实验。管理学院人才的数理及编程基础相对薄弱，因此，在安排学生学习人工智能课程之前，建议开设面向全体管理类专业学生的微积分、线性代数、概率论等专业基础数学课程以及C语言、python等编程基础课程，使学生具备数学分析的基础与一定编程基础，为学习人工智能课程打下坚实的基础。另外，可以推进MOOC平台建设，在平台上开设人工智能网络课程，帮助学生掌握人工智能知识基础及专业技能。(3)实验建设为了加强学生对于人工智能知识点间的关联性理解，可以基于不同的应用模块，设计具有前后铺垫、上下关联的综合性实验，设计不同层次的项目要求，同时基于相同的实验课题，让学生分组对实验课题进行攻克，并设置多元化的实验评价体系，通过实验教学过程中反映出的不同进度，让教师能对学生的学习水平做出准确评判，及时进行教学反思，以便更好地开展下一步工作。例如，针对人工智能课程应用中很广的遗传算法，在某一管理规划的具体应用上设置理解－实现－参数分析－具体应用－尝试改进－深度拓展的不同层次的项目要求，在这些项目层次中规定必做项与可选项，让学生基于同一实验课题进行合作学习，然后通过个人自我评价、小组成员互相评价以及教师评价的方式进行打分，对小组整体能力以及个人能力进行综合评估，以期培养学生的自主思考能力。

篇5

【关键词】人工智能；未来教育；未来学校；创新变革；挑战

【中图分类号】G434 【文献标识码】A

【论文编号】1671-7384（2017）07-0012-03

近年来，世界各国高度重视人工智能技术的发展，相继了相关研究报告。2016年10月，美国白宫了《为人工智能的未来做好准备》和《国家人工智能研究与发展战略计划》两份重要报告。2016年11月，英国政府《人工智能：未来决策制定的机遇与影响》报告。2017年3月，国务院总理发表2017政府工作报告，指出要加快培育壮大包括人工智能在内的新兴产业，“人工智能”首次被写入政府工作报告。当前，人工智能正逐渐融入电商零售、医疗健康、交通以及个人助理等多个领域，并展现出巨大的应用空间。人工智能在教育领域同样拥有巨大的应用潜力，随着知识表示方法、机器学习与深度学习、自然语言处理、智能、情感计算等关键技术的发展，人工智能将在教育领域发挥越来越大的作用[1]。

人工智能在教育中的典型应用主要集中在智能导师辅助个性化教与学、教育机器人等智能助手、居家学习的儿童伙伴、实时跟踪与反馈的智能测评、教育数据的挖掘与智能化分析、学习分析与学习者数字肖像六大方向[1]，已经表现出巨大的应用潜力。学校作为教育活动的重要组织场所之一，人工智能将为学校的管理与教学带来变革性的影响，主要表现在四大方面：维护校园安全、辅助教师教学、变革学习范式以及优化学校管理。

维护校园安全

校园安全是顺利开展学校教育活动的基础，也是教育改革和发展的基本保障。《国家中长期教育改革和发展规划纲要（2010-2020年）》指出，要“切实维护教育系统和谐稳定，深入开展平安校园、文明校园、绿色校园、和谐校园创建活樱为师生创造安定有序、和谐融洽、充满活力的工作学习生活环境”[2]。计算机视觉与机器人技术的发展使得人工智能维护校园安全成为可能，其将在非法人员识别、消防安全预警、活动事故防护三个方面发挥重要作用。

1. 非法人员识别

部署保安机器人将是未来学校保证维护校园安全的重要措施之一。保安机器人能通过眼部的图像采集设备采集进入校园人员的面部信息，识别当前人员身份，若未检测到相关人员信息，系统则会通知学校的安保人员进行身份验证、登记等工作。同时，位于校园各处的保安机器人还将实时监控是否有陌生人通过非正规途径进入校园，检测到相关行为之后，则会通知学校安保人员进行处理。此外，位于学校门口的保安机器人还将采集学生的面部信息，与信息库中的学生信息相比对，确定学生身份，并记录学生到校与离校时间，确保学生在校期间的安全。

2. 消防安全预警

未来学校的消防安全预警系统包含了感烟探测器、感温探测器、火焰探测器、可燃气体探测器等多种感应器，同时通过摄像设备实时采集图像信息，分析画面中是否出现明火、烟雾等现象。其综合图像分析与探测器感知，判断是否有火灾现象发生。此外，系统通过实时采集校园内人员的行为数据，与数据库中消防安全危险行为做比对，分析是否有相关危险行为发生。若危险行为发生，则会通知学校安防人员。在火灾发生时，拥有智能搜救技术的消防机器人将会代替人进入火灾发生区，通过生命探测仪，自动感应、搜索、识别被困人员，将其救出火灾发生区。消防机器人的部署很大程度上避免了人员进入火灾发生区受到二次伤害现象的发生，其机动性超越了现有的消防安全系统，在很大程度上保证了校园内师生生命和财产安全。

3. 活动事故防护

目前，校园课间活动的伤害事故主要表现在拥挤踩踏伤害、追逐打闹伤害、危险游戏伤害等三个方面。基于人工智能的活动事故防护系统通过校园内的摄像设备实时采集师生行为数据，通过与数据库中活动事故危险行为模型相比对，分析判断是否有危险行为发生。若相关行为发生，系统则会将相关危险行为发生的地点、类型等发送给学校的安防人员，提醒安防人员采取相应措施。

辅助教师教学

随着图像识别、语音识别、自然语言处理等技术的发展，越来越多的人工智能工具被应用于教育领域，成为教师教学的得力助手。教育机器人和智能作业测评工具的出现大大减轻了教师的负担，提高了教师教学的效率。

1. 辅助备课

备课是真实教学实践的预演，是应用教师知识并发展教师知识的过程。其既是确保教学质量的条件，也是教师专业发展的途径[3]，是教师教学的重要组成部分。备课机器人能够通过语音识别记录教师话语信息，利用自然语言处理技术分析整合教师话语信息，识别教师要求。备课机器人根据教师提供的教学目标、教学重难点、学生的基础知识等，在相关学科的知识库中进行资源的搜索与整合，形成电子教案。同时，根据教案内容为教师提供课堂测试习题以及上课所需课件。教师只需要根据所教班级的学生特点与自己的教学习惯，对教案、测试习题以及课件稍作调整即可应用于教学。

2. 智能作业测评

自然语言处理技术的进步使得作业自动批改成为可能。科大讯飞将“讯飞超脑”计划的阶段性研究成果“全学科阅卷”技术应用于考试，实现阅卷过程的数据化与自动化，在将教师从简单重复的阅卷工作中解放出来的同时，完成对考试数据的采集[4]。基于人工智能的作业评测系统可对作文、阅读等主观题进行语义识别并提出修改意见，根据学生的作业结果为教师自动生成详细的学情报告。智能作业评测技术的应用将有效分担教师的教学压力，显著提高教学效率，教师能够更多地专注于与学生互动、教学设计和专业发展。

3. 辅助课堂管理

在未来，教辅机器人将走进教室，辅助学生解决学习中遇到的难题。教辅机器人能够识别学生身份，读取学生当天所学课程信息以及学生在课堂的行为数据，为学生提供个性化解题方案奠定基础。教辅机器人通过语音识别获取学生问题信息，利用自然语言处理技术分析整合学生话语信息。然后，教辅机器人通过人脸识别采集学生的面部信息，综合面部表情、姿态和语调通过情感计算技术分析目前学生的情绪状态，综合学生的情绪状态和行为数据确定学生当前学习状态。教辅机器人依托优秀教师授课资源库，智能搜索相关答案，针对不同学习状态的学生采取不用的解题风格。此外，教辅机器人将收集到的学生行为数据上传到学生管理系统，辅助教师等进行学生的日常管理工作。

变革学习范式

学习范式是指特定时代的学习共同体所共有的学习理念、学习方式，并对学习者的学习态度、学习行为产生积极的引导作用，以促进学习的有效进行[5]。人工智能技术的发展使自适应学习系统真正地为教育所用，为学习所用，人工智能将使现有的学习范式走向自适应学习。

自适应学习系统在本质上是一类支持个别化学习的在线学习环境。它针对个体在学习过程中的差异性（因人、因时）而提供适合个体特征的学习支持，包括个性化的学习资源、学习过程和学习策略等[6]。基于人工智能的自适应学习系统将整合自适应内容、自适应评估和自适应序列三种工具。自适应内容通过分析学生对问题具体的回答，为学生提供个性化的内容反馈和学习资源推送。自适应序列利用一定的算法和预测性分析，基于学生的学习表现，持续收集数据。其中在数据收集阶段，自适应序列会将学习目标、学习内容与学生互动集成起来，再由模型计算引擎对数据进行处理以备使用。自适应评估可根据学生回答问题的正确与否，及时改变和调整测评的标准。

优化学校管理

学校是教育的核心单元，高效的学校管理是学校开展各项工作并得以高效运行的重要保障[7]。人工智能的融入将使未来学校的管理工作更加高效，使学校更好地服务于教师的教学与学习者的学习。其将在考务管理、教师管理、学生管理三方面发挥重要作用。

1. 考务管理

在未来的学校中，监考机器人将代替监考人员进行考务工作，很大程度上节省学校考务管理方面的人力资源。监考机器人通过内置于眼部的摄像头采集学生的面部信息，与数据库中学生信息比对，确定学生身份，自动完成签到。其通过内置于手臂端的金属探测器，扫描学生全身，z测学生是否带有作弊物品。监考机器人通过摄像头、红外感知等确定学生位置以及教室内的桌椅等位置，规划行动路径，分发和收集试卷。此外，监考机器人还将通过位于眼部的摄像头实时采集学生行为数据，与数据库中作弊行为实时对比分析，如果学生有作弊行为发生，则会立即制止，维护考场纪律。

2. 教师管理

教师管理是学校管理工作中的重要组成部分，教师评价则是教学管理中的核心部分。人工智能为教师的智能评价提供了可能。基于人工智能的教师评价系统通过教室的摄像设备实时采集教师及学生的行为数据、表情数据，通过学生的穿戴设备采集其体征数据。系统经过对教师和学生的行为数据、情绪数据和体征数据的分析（如系统与学校的学科管理系统相连通，确定教师的教学内容是否与教学大纲要求相适应，重难点是否突出，所讲述内容是否具有实用性；教师讲授知识时，根据学生的行为、情绪和体征的反应确定教师所讲授知识是否被学生理解；教师在讲授内容和组织学习活动时，语言是否规范、清晰，态度是否亲切和蔼等），最终评定教师的教学效果，并生成可视化报告，辅助学校完成对教师教学效果的评估工作。此外，系统还将通过教室的摄像设备采集教师面部信息，识别教师身份，自动记录教师的出勤情况，辅助学校的教师管理工作。

3. 学生管理

学生管理在学校管理中同样发挥着重要作用。基于人工智能的学生管理系统可通过位于学校门口以及教室的摄像设备采集学生面部信息，识别学生身份，自动记录学生的到校时间和离校时间，为学生的出勤考核提供数据支持。通过位于教室的摄像设备实时采集学生的行为数据，分析学生的课堂表现以及课余时间的同学之间的交流情况，为学生管理的班风、学风管理提供决策支持。同时，通过分析学生的学习成绩、课堂表现、课下交流情况，判断学生是否有异常行为（趋向），并及时反馈给学校管理者。此外，系统还将学生的在校情况，包括到校时间、离校时间、测试成绩、作业完成情况等反馈给学生家长，家校协同完成学生管理工作。

让机器在没有人类教师的帮助下学习，让机器像人类一样感知和理解世界，使机器具有自我意识、情感，以及反思自身处境与行为的能力，是人工智能面临的主要挑战[8]。除此之外，人工智能在教育领域中的应用目前还处于初级阶段，在学校的管理与教学应用方面仍面临着数据基础薄弱、决策和推理机制适应难、缺乏专业应用人才等挑战。

（作者单位：江苏师范大学智慧教育学院）

参考文献

闫志明，唐夏夏，秦旋等. 教育人工智能（EAI）的内涵、关键技术与应用趋势――美国《为人工智能的未来做好准备》和《国家人工智能研发战略规划》报告解析[J]. 远程教育杂志，2017（1）： 26-35.

程天君，李永康. 校园安全：形势、症结与政策支持[J]. 教育研究与实验，2016（1）： 15-20.

翁春敏，陈群波. 基于教师情境知识的备课研究――国外研究的视角[J]. 外国中小学教育，2015（5）： 51-57.

搜狐教育. 科大讯飞吴晓如：互联网+人工智能时代的教育变革[EB/OL]. http： // sohu. com/a/69484549_372506，2017-6-15.

George R. Boggs. What Is the Learning Paradigm？ [EB/OL]. http： //vccslitonline. cc. va. us/mrcte/learning_paradigm. html， 2017-6-13.

陈仕品，张剑平. 基于EAHAM模型的适应性学习支持系统体系结构[J]. 电化教育研究，2008（11）： 53-57+82.

篇6

回想1997年深蓝战胜国际象棋大师卡斯帕罗夫时，我没有如此惊悚过，因为深蓝就如我们应试教育下训练出来的解题机器，它是用暴力算法（ brute-force）应对人类智能。

为什么这样说呢？深蓝的数据库虽然存储了一百多年来优秀棋手的两百多万对局，足以应付一般的棋手，但遇到库中没有的走法，就只能依赖暴力计算。这种死脑筋机器，在1996年挑战卡斯帕罗夫时落败。于是在1997年，深蓝运算速度提升了2倍，运算能力为每秒113.8亿次浮点运算，在当时的超级电脑中排名第259位。另外，深蓝在强大的32颗CPU之外又另加了480颗特别制造的超大规模集成电路国际象棋芯片，使得1997年的深蓝可搜寻及估计12步棋，而人类国际象棋高手大约只可估计10步棋。也就是说，深蓝就是为应付“考试”（国际象棋）而定制的考生，除了会考试（国际象棋）外，其他的事都不会！

更为可笑的是，在对局时，还有一些国际象棋高手和计算机专家在幕后随时调整深蓝的参数，以便在对局时有利，即为了考试成功，还有幕后团队帮它作弊！所以，卡斯帕罗夫很不服气，要求来年再战，但IBM却说，已经将深蓝解体，不了了之。

花这么大的人力和金钱就是为了打造一个只会下国际象棋的呆板的“考生”，你说我会崇拜IBM的人工智能吗？不会，IBM无非是用此噱头多卖机器。

但这次不一样了，谷歌的阿尔法狗接入到1202个CPU组成的网络中，运算能力比深蓝要强至少2.5万倍，不仅有人类围棋棋谱库，更可以通过自身对弈来完成深度学习。对战前，它已在人类棋谱的基础上积累了3000万次的自我对局训练，以优化它比深蓝更优更有效的算法。从实战的结果来看，它的这套算法无论是在总体棋局的判断，还是在近身博弈的策略上，都体现出相当高的水平。在以绝对优势连胜3局之后，李世h在第4局近身博弈时险中取胜，使得阿尔法狗表现出了莫名其妙的混乱。人类棋手似乎找到了救命稻草，纷纷认为这可能是它的死穴。但机器可以从失败中学习来丰富大数据并优化算法，落子选择是不会像人类那样受到情绪的影响。认识到这一点，果然看到第5局时阿尔法狗毫无悬念地又奏凯歌，让人类黯然神伤。

人机大战结束，人类围棋顶尖高手们纷纷表示要向机器学习如何下围棋，而冷静的人工智能专家们却站出来给人类打气，“蒙特卡洛树搜索法在阿尔法狗身上异常有效，但用到其他棋类游戏就没有这么明显的作用了。”“总体上看，目前的人工智能产品都还处于弱人工智能阶段。”云云。

但无论如何，人工智能的研究已掀开了新的一页。从学习科学领域的视角来看，有几点值得时下的教育好好反思。

一是死记硬背的学习与抽象出策略的学习。深蓝与阿尔法狗都有大量的死记硬背，人类的高水平棋谱均囊括其中为大数据。但不同的是，深蓝的算法更死脑筋，遇到不熟悉的变式就较容易出现不知所措，且不会自学。阿尔法狗则不同，基于大数据可以抽象出策略，并可以不断地自学，不断地完善自己。

一次去农村初中听课，生物老师在课堂上对关节的一个个结构进行了详细的讲解，书写了满满一黑板的知识点，课堂练习时设计了大量的填空、选择和判断题。课后，对于这种满堂灌我们不想多说什么，只是弱弱地问了一句：“为什么不让学生画关节示意图呢？从视觉上去记忆知识点会更好。”但那位老师却回答：“这几年没考过画图的题了！”后来我在武汉农村初中教师的培训中询问同样的问题，一位年长的老师说：“那还用说，肯定不考啦！”我表示惊讶：如果学习就是穷尽海量题库记忆其答案，那么与深蓝死脑筋的暴力算法又有何异？练习的本质是为了如阿尔法狗那样抽象出策略，获得“棋感”，锻炼出灵活的头脑，这样才能让学生的智能得以进步，让他们在遇到不熟悉的变式时能灵活应对。

二是蜻蜓点水式学习与深度学习。从小学到大学，我们为学生安排了众多的课程内容。教育部门和课程专家们编排的这张知识大网容纳进去了许许多多的知识点，犹如一个庞大的数据库。一个知识点接着一个知识点的学习，我们以为学生可以记住，记住了可以使用。可惜人脑比不上深蓝和阿尔法狗的存储器，放进去的信息可以随时检索出来，人类大脑却会把不常用的遗忘掉。经常听到的聊以的话是：“教育就是当你把学校里学到的东西都忘掉后剩下的东西。”如果教育是如此蜻蜓点水，无异于在浪费孩子们童年和青春的大好时光，这不是犯罪吗？

许多普遍存在的现象值得反思。为什么熟读唐诗三百首，不会作诗只会吟？为什么学了那么多力学知识、练习了那么多力学的习题，却不会玩机械？为什么学了C语言编程，却写不出小软件？这种“为什么”可以无穷尽地问下去。学了不会用，顶多只能回忆出来，怀特海称之为惰性知识，中国人的说法是死知识。阿尔法狗的学习就不一样，它存储了人类的棋谱，通过算法从中获得策略，然后又通过无休止的自我对弈不断调整策略，使得围棋智能不断精进。

深度学习的奥妙就在于通过不断使用知识获得灵活的智能。学了就要给学生大量的时间和机会去使用，使得陈述性知识和程序性知识统一，认知与元认知统一，理论和实践统一。做到了这些，人类的创造力才有机会得到培育。蜻蜓点水式的学习适于20年前的机器（深蓝），如果我们现在还不采取比阿尔法狗还要好的深度学习发展学生的创造力，人类将极有可能受制于机器。何去何从？我不想再拿“奇点来临”来“惊悚”世人。

三是发展与机器协同学习、工作的能力。把机器擅长的交给机器，教育要把时间和精力专注在人类的创造力培养和美好人性的发展上。

棋类游戏是完全信息的零和博弈，参赛者可以在棋盘上看到对手的一切信息，它适合人工智能的机器。零和博弈的双方要么赢，要么输，是不可能合作共赢的，但人与机器不是这种关系，人与机器的协同才能使人类在未来获得更大的解放，几次工业革命已经证实了这种乐观预期。但在人类大量的活动中，信息是不完全的，在此情况下，人工智能要胜过人类大脑就缺少了先天条件。为什么大数据这么热门，无不与此有关。数据越多越充分，机器就越有优势。人不如把大量已有的数据交付给机器，并建立丰富的传感网络不断丰富大数据，让机器去做它擅长的事。将腾挪出的时间和精力，去专注于发展人的创造力和美好人性。

在一些自然观察活动中，传统的做法是手绘观察到的事物。对于科学启蒙来说，自然观察的重点将不在于手绘记录，更重要的是发展学生美好的人性――热爱生命、热爱自然、思考自然界中的一些问题。

在一些制造活动中，传统做法最关注的是动手。而现在好了，有了各种智能的制造机器，我们可以把重点放在用电脑去做创造性的设计上，让机器去代替动手。

篇7

从资本市场与企业的业务经营变化来看，商业模式经历了从线下转向线上之后，进入了业务数字化和智能化阶段。现代信息技术对商业模式的影响日益深广，对财务人才的知识结构和技能提出了重大挑战。尤其是2020年高招过程中，清华大学停招会计学本科专业、安徽大学停招财务管理专业更是引发了社会对财会人才培养和专业建设的反思。

我国财务管理专业建设在信息技术的冲击下正在发生重大变化，浙江大学、山东财经大学等高校已经新开设了智能财务专业，而其他部分高校亦加强了智能财务实验室建设，开设有关大数据分析、人工智能、区块链技术及应用等课程。而国外高校也逐步加强了财务管理专业与信息技术专业的复合型人才培养。在理论研究中，学者已经对财务管理智能化、智慧财务、智能财务等进行了探讨，指出了财务会计转向管理会计的发展趋势，但未对专业本身的建设进行探讨。因此，本文对现代信息技术对财务管理专业建设的影响进行初步探讨，梳理我国高校财务管理专业建设的新变化，提出相应的政策建议，旨在引发数字经济时代财务管理专业建设的反思与改革。

1人才培养模式的比较与反思

从英国大学商学院专业设置来看，会计学与金融学作为传统优势商科专业一直处于重要地位，这也是海外留学的热门专业。但在对金融学、财务管理专业的理解上，我国与英国存在很大的分歧。随着海外留学人才回国任教人数的增加，这种分歧正在逐渐减少，从而促进了人才培养目标共识的达成。

1.1财务管理专业人才培养模式的比较

1.1.1我国现行主要做法

改革开放之后，金融人才的培养成为经济学院或者经济系的重要使命。为此，金融学专业是设置在经济学院或者经济系，课程设计主要以货币银行学和国际金融而展开。而会计学专业作为商科专业设置在商学院或者管理学院。随着市场经济的深化，商学院在培养人才方面也意识到，培养体系缺乏金融人才培养这一重要环节。为此，商学院亦通过设置财务管理专业的方式，与会计学专业一同成为商科主要专业。因此，我国高校商学院在设置财务管理专业上形成了以下格局:要么在设置会计学专业的同时，由会计系下设财务管理专业;要么仅设置会计学专业。毫无例外的是，在商学院设置财务管理专业的同时，经济学院或经济系也开设金融学专业。

在这种专业设置的格局下，财务管理专业培养目标是比较模糊的，基本上是在会计学和金融学专业之间游移。当然，这里的金融学专业是指我国以宏观金融为核心而构建的专业培养体系。随着我国金融学专业建设的推进，以公司金融和证券投资学为核心的微观金融逐步受到重视，公司金融、投资学、金融市场、金融衍生品、金融工程等成为金融学专业的基础课程，但传统宏观金融课程仍然占据重要地位。正因为如此，高校近年来进行专业学科改革中亦停止了财务管理专业的招生，通过开设计算金融或者会计学(智能财务)专业，强化微观金融方向的专业知识和技能的培训。值得注意的是，厦门大学财务管理专业人才培养和课程设置体现了欧美商学院会计与金融本科专业的特点，提供了传统会计学和流行金融学专业的核心课程。除财务会计、管理会计、审计与鉴证、税收等会计课程之外，亦开设了公司财务(金融)、证券投资学、固定收益证券、衍生金融产品、金融工程等必修课程。在培养方向上设定了公司理财和证券投资两个方向，这与英国商学院会计与金融专业培养模式是相通的。

1.1.2英国会计与金融专业模式

从国外来看，会计学专业也发生了很大的改变。英国会计学专业设置极具特点。从《泰晤士报》(TheTimes)和《卫报》(Guardian)公布的2020年会计与金融(accountingandfinance)排名前10的大学名单来看，除利兹大学、伦敦政治经济学院、巴斯大学、华威大学、拉夫堡大学、思克莱德大学这6所大学均入榜之外，根据《卫报》和《金融时报》的评价标准，8所大学出现了较大波动，仅进入其中一份榜单。入围两份榜单前10的这14所大学中，仅思克莱德大学、贝尔法斯特女王大学设置了会计学专业(accounting)，其他12所大学的商学院均设置会计与金融专业(accountingandfinance)(思克莱德大学亦同时设置了会计与金融专业)。值得注意的是，巴斯大学和华威大学商学院只设置了会计与金融专业，没有其他会计学、金融学专业设置。即使利兹大学、伦敦政治经济学院、约克大学设置了多个金融方向的专业，但与会计学有关的专业仅有会计与金融专业。与英国会计与金融学专业设置相比较来看，我国高校的财务管理专业实际上类似英国流行的商科专业———会计与金融，在强化财务会计、管理会计知识和技能的同时，加强公司金融、金融市场、投资分析与组合管理知识和技能的训练。

1.2现代信息技术对人才培养目标带来的挑战

大数据、区块链、人工智能等信息技术对财务管理人才的知识和技能结构产生了影响，企业中传统的大量重复性的日常业务会被智能系统所替代，对日常财务管理人才的需求数量会减少。甚至企业将日常财务业务外包给专业化的财务管理咨询公司，由其利用财务信息技术进行集约化管理。与此同时，现代信息技术凸显了财务管理人才的重要性。公司财务管理人才发挥着财务信息与其他企业信息的归集与分析中枢的角色，尤其是在企业数字化转型中，财务管理人才提供的企业信息的准确性和全面性直接影响着企业发展的重大决策。这就要求公司财务管理人才具备对实时、大量的财务数据和其他数据的挖掘能力和分析能力，要求公司财务人员必须掌握计算机科学与技术、数据科学与大数据技术等专业知识和技能。因此，财务管理人才培养目标应定位于掌握金融学、会计学的基础理论和方法，在企业价值创造、财务决策、风险管理等领域具备较强的数据分析、数理工具运用的能力。

为此，财务管理专业作为会计与金融(accountingandfinance)的复合型专业，应当在财务会计、管理会计、公司财务、资产定价和投资组合管理知识和方法的基础上，通晓数据挖掘与分析的知识和技能。我国部分高校已经进行了积极探索，在专业课程体系与专业学位建设上进行了改革。

2专业课程体系的调整

商学院在财务管理专业课程体系设置方面已经加入了数据分析与大数据技术方面的课程，部分高校甚至设置了专门的智能财务专业。2.1我国大学课程体系的改革

在财务管理与会计学专业建设过程中，部分高校利用其在大数据分析方面的教学科研优势，鼓励财务管理等商科专业选修信息技术类课程，甚至作为必选课程，这在理工类大学商学院得到了积极回应。南京理工大学经管学院智能会计专业的建设过程中，设置了大量开放式选修课程，例如《Excel高级数据分析与可视化》《大数据分析》《财务共享服务与智能财务》《商业智能分析》《大数据财务决策》《大数据供应链成本管理》《IT审计》等。山东财经大学智能会计专业开设了《机器学习与数据挖掘》《智能财务共享》《大数据与智能财务决策》《Python数据分析》核心课程，并加强《智能会计概论》《智能会计信息系统》《智能财务共享》《智能财务决策》《智能财务分析可视化》等智能会计系列教材的建设。而作为面向内地提供复合型、国际化人才的香港中文大学(深圳)经济管理学院，会计学专业课程包括《会计与金融中的文本分析》《会计分析中的数据挖掘》《会计数据库和数据可视化》《计算机科技导论:程式设计方法》《计算机实验》《数据分析导论》《数据挖掘技术》等，并且部分课程是与金融学专业共享的。

2.2智能财务专业的开设

除了智能会计专业之外，浙江大学、长沙理工大学在智能财务专业建设上进行了积极探索。浙江大学管理学院于2019年在竺可桢学院开设智能财务专业，鲜明地体现了“公司财务+人工智能+大数据”的深度融合，开设《人工智能导论》《深度学习理论及应用》《智能机器人原理与技术》《数据编程》《数据管理与数据挖掘》《数据建模与数据可视化》等课程。相较而言，浙江大学智能财务专业更重视人工智能创新能力的培养。浙江大学管理学院鼓励学生辅修计算机、数学等交叉课程，而这一做法在英国亦是普遍做法。上海财经大学会计学院已经开设了财务管理(智能化)专业，开设课程包括《程序语言(Python)》《SQL数据库基础》《智能财务前沿专题(区块链、机器学习)》《大数据分析与数据挖掘》。而长沙理工大学财务管理(智能方向)，以及南京理工大学和山东财经大学智能会计专业则更侧重大数据分析及运用。值得注意的是，即使没有设立智能财务或者智能会计专业，部分高校亦加强了智能财务实验室建设，通过与科技公司的合作推进产学研的协同发展。例如，云南财经大学、西南财经大学、上海财经大学等以成立智能财务与大数据研究院或会计智能化教学改革研究中心等形式，推进财务数智化人才的培养。

2.3英国大学的做法:以选修课程为主的模式

英国商学院在应对信息技术对商科教学体系的挑战时，主要采取了两种教学改革模式:一是在会计与金融专业的选修课程中增加大数据分析方面的课程;二是开设计算机与商科交叉类专业。为了适应信息技术的快速发展，部分大学商学院鼓励学生辅修第二学位或提供双学位教育。英国商学院提供双学位教育的一个便利条例是课程的数量不多，这也是为鼓励甚至要求学生接受双学位教育的前提条件。会计与金融专业的核心课程上基本上包括4门，即《财务会计》《管理会计》《公司财务》《投资学》，其他课程均是在此基础上进一步演变为初级和高级课程，以及专题课程。伦敦政治经济学院在选修课程组上提供了信息系统课程模块，开设了创新数字系统与服务、信息系统发展与管理、信息交流技术、数字创新研究项目、软件工程等课程。利兹大学、华威大学、杜伦大学、巴斯大学、爱丁堡大学均开设了计算科学与商学专业(ComputerScienceandBusiness)。在接受数据科学基础、算法与数据结构等课程基础上，选择商科类课程等。整体而言，英国商学院在会计与金融专业课程数量上并不多，但难度也不低。从伦敦政治经济学院提供的会计与金融专业课程介绍来看，斯蒂芬·罗斯等的《公司金融》、理查德·布雷利等的《公司金融原理》、伯克等的《公司金融》、滋维·博迪等的《投资学》成为资产定价、金融市场、公司金融、投资学课程的指定教材。这几本经典教材采取了“搭积木”的内容模式，可以根据不同授课对象和学分选择不同的内容。这意味着，在核心专业课程之外，学生会有更多的时间选修其他领域的课程，甚至是双学位课程。

篇8

 

1.1从“人工智能”到人机系统

 

Wiener的“控制论”和钱学森的“工程控制论”是人们研制较为简单的系统，且系统运行的环境也不复杂情况下的一面旗帜。

 

1956年，在美国Dartmouth举行的一个信息科学大会上，J.McCarthy和H.Simon倡议开展人类思维活动规律的研究，并给予其“人工智能”(ArtificialIntelligence)的命名。人工智能主要研究用人工的方法和技术来模仿、延伸及扩展人的智能，从而实现机器智能。迄今为止，这一方向虽然已取得了不少成就，如博弈、自动定理证明、模式识别、自然语言理解、自动编程和专家系统等，但是，传统的人工智能在方法论上以符号推理为中心，企图用机器来实现人类的思维活动。所以，许多年来的研究虽然取得了一些成就，但距离人工智能提出的目标还有很大距离。

 

近三十年来，人工智能进展缓慢。1979年，H.L.Dreyfus《计算机不能做什么?》一书的副标题就是“人工智能的极限”提出了人工智能存在不可逾越的障碍。紧接着，以人工神经网络为代表的“计算智能”和Brooks的反应式结构(“没有表示”、“没有推理”的系统)给传统的符号智能带来了巨大冲击。特别是日本提出的“第五代计算机”并没有达到预期的目标，仅以实现一个“人机对弈”而告终，这些事实都促使人们对“智能”(或“人工智能”)要有一个重新的认识。对人工智能四十年的研究进行反思，使人们从科学概念上明白了以往不自觉地企图用机器解决一切问题的局限性，并试图从科学观念、研究目标和方法论上打开思路，以重新认识，寻求新的途径。

 

另一方面，四十年来，特别是从最近二十多年科学技术的发展来看，在当前的信息社会中，信息技术是立国之本，信息化的进一步发展必然走向“智能化”因此，以“智能”为核心的技术是至关重要的。从两次海湾战争以及其他局部战争，我们可以十分清楚地看出，今后的战争是人——机结合的智能系统之间的对抗，而智能技术将会覆盖几乎所有的工程技术领域。

 

既然完全基于机器的符号推理(也包括其他的智能方法)不能达到实现人的思维的目的，那么有没有其他道路可循?这是人们都很关心的问题。解决这个问题要从两方面着手。一方面，需要脑科学、认知科学等一些研究人的智慧的基础学科继续研究人的思维规律一一这也是人类永远的追求。虽然目前还不能做到这一点，但人们总是在不遗余力、一步一步地向着这一目标前进。当然，这也是人类社会发展赋予智能学科的一个任务，这就是智能科学的目标。另一方面，社会生产、生活、科技、军事各个方面又提出了层出不穷的需求，迫切要求设备、系统、工程要“智能化”而现在尚没有真正能模拟人的智慧的计算机,因此计算机还不能代替人。解决这个问题只有从两方面入手，一方面实事求是，尽量开拓、发展当前的计算机科学技术，使计算机尽可能多地帮助人做工作;另一方面，尽可能把人的智慧包含到系统中去，人要起主导作用，但要充分发挥计算机科学与技术的优势，创造出最有“智能”的人机结合系统。

 

具体来说，人机结合的系统就是将人作为一个组成部分包括到系统之中，并能清楚地区分出哪些工作应该由人完成，哪些工作应该由机器完成。在运行过程中，当进行到需要人完成的工作时，系统就将工作交给人;而当需要机器完成时，就将任务转交给机器，最终构成一套和谐的、协调的、高效的运行机制，以保证系统目标的实现。

 

1.2“智能”学科的三个层次

 

根据研究任务的不同，智能科学技术的学科内容可以划分为智能科学、智能技术、智能工程三个层次。

 

(1)智能科学(IntelligenceScience)

 

这是基础研究的层次，它的主要任务是研究人的智慧，建立人机结合系统的理论，并用其模拟人的智慧。智能科学主要包括脑科学、思维科学、认知科学等在内的基础学科。

 

思维科学着重研究人的思维规律，也就是研究人是如何思维的，这种研究的目的是为了给人工智能提供基础，也就是告诉计算机要模拟什么。而认知科学则是研究人的认识，也就是人是如何认识事物的，并将其扩展去研究动物的智能。

 

智能科学的成果将是整个智能科技发展的基础和先导。

 

(2)智能技术(IntelligenceTechnology)

 

在智能科学的框架内创建人机结合的智能系统，需要有合适的方法、工具和技术，这就是智能技术。

 

信息的本质是知识，而知识是构成智能的基础。因此，信息化发展必然走向智能化。

 

(3)智能工程(IntelligenceEngineering)

 

用智能科学的理念和思想，充分运用智能技术工具去创建各种应用系统，这就是智能工程。“智能化”实质上就是智能工程实现的过程和归宿。智能工程是当前科学技术和社会发展的前沿阵地，特别是高技术发展的核心动力之一。同时，它也是当前新技术、新产品、新产业的重要发展方向、开发策略和显著标志。

 

2无处不在的智能科技

 

2.1前沿高技术是智能科学技术发展的动力和源泉

 

智能科学技术是一个融合计算机、人工智能、模式识别等研究领域的交叉性学科，这些前沿高技术也是当前智能科学发展的动力和源泉。

 

在所有系统中，体现智能行为的工具和载体就是计算机。所以，计算机科学很自然地成为智能科学发展最重要的支撑点和原动力之一。

 

以符号推理为基础的人工智能方法和以人工神经元网络为代表的计算智能方法仍然是当前智能技术的重要组成部分。它们从不同的途径和方法进行问题求解，在搜索、规划、学习等各类问题中取得了相当有价值的成果。

 

模式识别是人类智能的一种体现。“模式”是一个极为广泛的概念，如图像、图形、文字、语言都是一种“模式”。按Zadeh的定义，“模式识别”是一种从“模式”出发的一种非线性映射，它是一种技术，可以用来实现人类智慧的一部分功能，如文字识别(认字)、语言的说与听等。模式识别的目的是将对象进行分类，可以是图像、信号波形式或者任何可测量且需要分类的对象。模式识别在工业自动化以及信息处理和检索中变得日益重要，这种趋势把模式识别推向工程应用研究的高级阶段。在大多数机器智能系统中，模式识别是用于决策的主要部分。

 

模式识别技术在各种工程实际系统中大量存在。机器视觉的主要技术基础就是模式识别;OCR(光学字符识别)是模式识别的另一个重要应用，它是识别文字字符信息的很主要的手段;计算机辅助诊断也是另一个重要的应用，多种医学图像处理已成为当前信息产业的一个热点;语言识别当然是模式识别另一个研究和应用的热点。其他如指纹识别，以及其他生物器官的识别、签名认证、文本检索、表情和手势识别，都是很有趣的研究领域，也是用来开发人机结合智能系统的很有价值的技术。

 

当前，对复杂智能系统进行研究的核心是解决人与机器的结合问题，也就是人作为系统的一个组成部分参与到系统的运行中，系统功能中也应体现出人的一部分作用。人与机器的结合有两个层次，一是人作为一个成员，综合到系统的体系结构中;一是人和机器的结合通过某个“人机界面”来实现。当然，这种界面不仅仅是目前计算机普通采用的图标界面，而是包含了模式识别这类涉及感知方面问题的广义的人机界面。这是当前十分活跃的一个研究领域，最有代表性的包括多媒体技术和虚拟现实(VirtualReality)技术。

 

2.2现代工业生产和复杂工程急需智能科学技术

 

随着社会的发展，人类在生产、生活等各个方面也不断提出新的需求，因此现代工业生产不断壮大，并日趋复杂。现在，现代工业生产和复杂工程急需智能科学技术，一批已经在发挥重要作用的技术如下：

 

*智能自动化和控制技术生产过程监控、产品自动检测和质量控制、工艺参数的优化和自动设定、故障自动诊断的报警等;

 

*智能CAD复杂工程的优化设计智能仪表对工艺参数的自动分析、监测、报警和调整;

 

智能交通红绿灯管理、基于GPS与电子地图的定位与导航、安全监控、车流自动疏导等;

 

*智能仿真技术，这是大型复杂工程设计不可缺少的手段。

 

2.3智能科技是现代军事科技(包括航天领域)最重要的关键技术之一

 

智能科技是现代军事科技最重要的关键技术之一。近代科技发展的历史表明，军事的需求总是科技创新的最大动力之一，“以军带民”是一般规律。军用技术辐射和带动国民经济是一条促进社会经济发展十分有效的途径。因此，军事科技(包括航天领域)也是应用智能技术最多的领域之一。

 

未来战争的重要武器——无人作战平台(无人机、无人战车、自主水下机器人、机器人士兵等)的自动导航、路径规划、自动避障、目标识别、自动驾驶和其他自主控制技术等都是智能技术的典型应用。以无人机为例，它是现代战争中掌握制空权的重要手段，在近年来的几次局部战争中都发挥了很大作用，例如它可以进行侦察，发现目标后引导有人飞机实行攻击，并对攻击效果进行评估。

 

在地面军用机器人中，智能技术也发挥着重要作用。

 

地面军用机器人不仅可以在平时帮助人类排除炸弹，完成要地保安任务，还可以在战时代替士兵执行扫雷、侦察和攻击等各种任务。例如，美国的ALV是一种高水平的陆地自主军用机器人，它采用各种智能技术来实现自主操作。ALV装有高级彩色摄像机(视觉)，用以识别道路，同时还配备有阵列激光测距仪，用以识别障碍;它可以根据道路场景规划行车路径，避免碰撞，躲避障碍，实现公路上的自动驾驶，行车速度可达60千米/小时。除此之外，车上还可装载各种仪器，以完成不同的侦察任务。

 

防爆(暴)机器人是机器人发挥威力的另一重要领域。暴徒、爆炸、火灾以及其他灾害都是非常危险的环境，因此用机器人去处理是减少危险、提高成功率的有效途径。在反恐斗争中，有针对性地研制这类机器人，是当前迫切需要解决的问题。

 

航天领域综合展现了最高水平的智能科技，人造卫星、航天器和各种太空探测器是当代高水平智能技术的综合体现。在2004年初，在火星成功着陆的火星探测机器人是最有说服力的例子之一。

 

2.4为人类生活服务是智能科技发展的广阔天地

 

为人类生活服务是科技的重要方向。随着人类生活水平的不断提高，生活质量也需要不断改善，服务要求更周到，做到方便、舒适、节约、安全，更具人性化。这种需要也为智能科技的发展增添了新的活力。

 

具有一定智能的机器人代替人做服务工作是一种发展趋势，这也是智能技术为人类服务最有代表性的事件之一。

 

这类机器人的典型例子有：可以自动完成清扫任务和自动充电的清扫机器人;能辅助医生进行外科手术的医疗机器人;能为病人服务的机器人护士;可在家中进行巡视、监测潜在危险情况并适时报警的家庭保安机器人;用于照顾老、病、残的服务机器人等。

 

总而言之，只要有需要的地方，就有可能是机器人可以服务的地方。

 

3对"智能科学与技术〃专业架构的思考

 

从上面列举的很少一部分实例，我们已经可以看出当前智能科技的发展状况。它无处不在、发展迅猛、功效卓著，已经成为当前科技发展不可缺少的部分。它是许多重大工程的支撑，引领许多传统领域向现代化方向发展，是当代前沿高技术发展的重要方向。

 

另一方面，计算机科学、信息科学、控制科学等学科的进步，也极大地促进了智能科技的快速发展，智能化科技已经展现出一幕幕诱人的场景。科技发展的根本是人才，“智能科学与技术”大学本科专业已经成功设立，迈出了培养高层次人才的关键一步，这必将推动我国的智能科技更快地向前发展。

 

目前，追溯各个设立“智能科学与技术”专业学校的本源，可以发现各校之间差别甚大。有的学校的“人工智能”专业从计算机科学延伸而来，有的则来自控制科学和控制工程，还有的由信息科学的其他分支演变而来。在归属方面，有的学校将其归于理科，而有的学校则将其纳入工程学科。此外，设置该专业的行政学院亦有所区别，不同学校的智能学科分别隶属于各类学院。这种现象正好说明“智能科学与技术”这一学科发展的多源性，学科发展的空间大，应用需求面广。

 

另一方面，面对这样一个蓬勃发展、涉及面极广的新兴学科，如果培养各层次的人才，高校教育应该有一个怎样的架构，已经成为一个不可回避的问题摆在我们面前。解决好这个问题，就可能推动学科和人才培养顺利发展。从学科发展的多源性和应用面的广谱性来看，智能学科不可能作为另一个学科的二级学科来发展。从学科的性质来说，“智能科学与技术”应该建立一级学科的架构。根据我国教育体制的结构以及多层次人才培养的需求，可以设想如下架构。

 

“智能科学与技术”作为一级学科，设一级学科博士点，根据各个学校的不同情况，将其分别归属为理学或工学。对于不同的归属，该专业在培养目标和培养方式上应有所区别，理学应偏重基础研究，而工学则应注重技术和工程。一级学科下设若干个二级学科，二级学科设硕士点和博士点。二级学科的设置需要更进一步考虑学科发展的多源性以及延拓应用的专业性，梳理分类，并结合现实的需要与可能，经过充分的讨论后来决定，这是多层次架构中最复杂的环节。

 

以上架构属于人才培养架构的高层次，即研究生培养阶段。目前，更有现实意义的是解决本科阶段培养中的问题。现在，多所高校招收了“智能科学与技术”专业的本科学生，并开始有毕业生走向社会，因此正是总结经验，走向新的发展阶段的时机。本科教育是学科发展的根本，有了本科基础，各层次人才培养就有了基础，高层次创新人才培养就有了希望。由于“人工智能”学科的多源性，各个学校的培养方案有不少差别，有的按理学，有的按工学。按照国家的教育体制和社会需求，按理学或工学适当规范本科教学方案，对当前推进“智能科学与技术”专业的健康发展是非常重要的。

篇9

入境生情

2016年3月15日，谷歌围棋人工智能程序AlphaGo以高超的运算能力和缜密的逻辑判断，4：1击败世界围棋的顶尖高手李世石，让世人对新一代人工智能刮目相看。AlphaGo的胜利，再一次激发了机器人教育工作者的使命感。因此，对机器人教育工作者来说，今天对机器人爱好者情感态度与价值观的引领比以往任何时候都重要。那么，我们在开展机器人教学时应如何培养学生的情感态度与价值观呢？

1.精心选取教学载体

用于引入教学情境的教学载体应具备三方面功用：一是明确学习内容，激发学习兴趣；二是引发学生对机器人与人类生活联系的思考；三是打开学生创造的思维。

在教学中，我们发现对同龄人的优秀作品，学生最感兴趣，而大师级的优秀作品，对拓展学生的创造思路和提升作品的质量最有裨益。需要强调的是，作为教学引入的情境，必须与学生的生活相关，即来自真实的情境，这样才能在最短的时间内唤起学生的共情，激发学生的社会责任感，让学生愿意专注于所学的内容。例如，智能垃圾分类收集、五水共治等机器人项目能够引发学生对利用智能机器人开展环境保护与治理的设想；汽车总动员、智能快递等项目能够让学生畅想未来无人驾驶高智能交通工具给生活带来的美好与便利；等等。这些环节是为学生种下类似“友善的超人工智能价值观”的情怀的合适时机。

引入新课之后，教师呈现的第二份教学载体是本课学生需要完成的任务。机器人教学中交给学生完成的任务应当是开放性的，每位学生都可以拥有自己的想法和解决问题的方法。例如，让学生设计一个让机器人对垃圾进行分类收集的方案，学生有的想把所有的垃圾收集到回收站再逐一分类，有的则想让机器人将垃圾一边进行分类，一边收集。又如，机器人巡线行走，学生可以根据地图环境自行选择距离传感器、灰度传感器、指南针等配件设计单边或双边巡线的程序算法。像这样开放性的任务，有利于保持学生思维的灵活与开阔。

2.精心运用教学语言

学生思想的高度、深度与开阔程度，取决于教师对学生的期许以及教师个人的审美，而教师对学生的期许以及教师个人的审美往往通过教学语言来达成，因此，教师在情境导向中一定要重视教学语言的提炼，以便让学生在简洁易懂、温暖美好、开阔畅达的语境中学习。特别是在创作引导上，教学语言的指引尤为重要，学生学习的信心及创造性思维的灵活度将由此生发。

例如，在教学《机器人走迷宫》时，我们这样引入新课：“同学们，今天我们将设计一款机器人，帮助视力残疾人士方便而安全地在室内行走。”接着指引学生思考：“想象一下，假设教室未摆放桌椅，蒙上眼睛，你能从前门准确地走到后门吗？”在问题的导引下，学生很快由生活常识用手摸着墙壁行走得出利用红外距离传感器引导机器人贴着墙壁走的策略。教师接着问：“再想想，一只手摸着墙壁走，有没有可能撞上墙壁？另一只手能否也来辅助？来，比一比如何辅助。”教师拓展性的问题带来的结果是学生主动进阶思考当出现90度拐角时，如何用正前方避障法防止机器人“碰壁”。当师生的对话催生出学生解决问题的策略后，教师提出期望：“技术与智慧的结合能让我们做许多有意义的事情。老师希望同学们能在今天所掌握的知识的基础上，设计出能识别更复杂环境的机器人，让机器人在室外也能为视力残疾人士导航。”

获取知识

学生明确学习任务后，接下来要做的事情就是对自己的知识结构进行分析，已经掌握的知识与技能是否能解决问题，如果不能，是听老师讲解还是与伙伴进行研讨以获取问题解决所需的知识与技能。这个环节教师要准备好多种学习资源，以支撑学生的自主建构。对于学生自己摸索耗时较多的知识点，教师应作适当的讲解。对部分掌握知识点较迟缓的学生，教师可以提供微课、文档等资源供学生自主学习。对少数自主学习有困难的学生，教师可通过同伴互助或亲自指导的方式，让学生能掌握解决问题应具备的知识与技能。

例如，讲授《认识机器人的感觉器官――传感器》一课时，可以让学生将亮度传感器置于手电筒光源下、室内、室外等光线强度不同的环境中，记录返回的数值范围，掌握改变外部环境因素检测传感器的通用方法。然后提供微课资源，让学生分组自行探究学习灰度、距离、声音、指南针等传感器的使用。最后各组汇报交流实验结果。

在习得新的知识与技能之后，教师应引导学生思考问题解决的策略，分析其中隐含着的思想方法。如在“九宫乐园”项目的学习中，教师可引导学生通过体味优秀范例程序或自主尝试，小组讨论得出其中所隐藏的策略，让学生总结出“快、稳、准”三种程序设计策略：巡线和灭火求“快”，否则时间可能不够；伐木环节应“稳”，此区域线路细且模糊，稳定是关键，速度是其次；计数辨路环节贵在“准”，用好碰撞侦测准确计数是辨路的前提。在机器人学习过程中，策略既是智慧的外显，又是经验的整合；既强调实现目标方法的多元，又强调能根据实际情况灵活调整行动方案。因此，教师应重视培养学生掌握解决问题的策略。

学生在形成解决问题的初步策略的同时，还要判断自己所拥有的资源是否满足创作需求。若未满足，继续寻找；若已经满足，则可以进入机器人制作与程序设计的创作阶段。

探究创作

在探究创作阶段，学生的主要行动是规划问题解决方案和实施方案解决问题。规划问题解决方案是承上启下的，学生在自主规划问题解决方案前，对问题大抵已经有了应对的策略，当下要做的就是将思想策略转化为可落实的方案并运用所学的知识与技能将其实现。如前文提到九宫乐园计数辨路策略的实现，如果学生习惯性用碰撞感应器进行简单碰撞记录，他们将会遇到出现障碍物被撞开前有多次碰撞记录的情况，必须从替换其他传感器或程序算法修改的角度去完善。这是一个将想法变成现实的创造过程，学生在这一过程中将得到多方面的锻炼。

在学生努力实现方案时，教师应特别关注学生面对困难的情绪、与同伴合作的融洽程度以及创新度。这是因为在机器人的学习过程中问题总是层出不穷，这些问题可能出现在程序设计过程中，也可能出现在调试过程中。调试过程中的问题往往在学生的意料之外，因为机器人对周围环境的要求较高，光、磁场、场地的平滑度等都会影响机器人的行为，学生必须自己耐心地找出问题的所在，然后再想办法来应对。这个过程需要不断修改机器人程序的参数，然后实验……这样的调试过程常常要重复几十到几百次。一直重复同一件事情难免会产生负面情绪，如厌倦、烦躁、抱怨等。这时，教师及时的鼓励与点拨非常重要。学生只要多经历几次这样的柳暗花明，直面困难与挑战的信心就会增加，而这种品质是可以直接迁移到其他学科的学习和生活中去的。

另外，在学习机器人的过程中，同伴的合作尤为重要，许多机器人项目都是需要两人或两人以上合作完成的，在合作的过程中，互帮互学、共同成长。对于大部分是独生子女的学生而言，合作并非易事，大部分学生需要许多次磨合才能达到融洽。在学生合作的过程中，教师要用心感受学生情绪的变化，在学生各执己见矛盾激化时，要引导学生用包容的心态去审视对方的想法，学会吸纳对方的长处，从而形成更有利于解决问题的方案。

富有创新精神的学生，其解决问题的方案自有特别之处，但学生自己可能并不知道。在学生实施方案解决问题时，教师要及时发现方案的优势，通过点评或点赞的方式，让学生感受到创新的价值，从而让创新成为学生的自觉追求。

分享反思

问题得到解决，方案尘埃落定，接下来学生要做的事情是分享学习成果，接受同伴及教师评价，并根据评价反思、优化作品。

评价环节最有利于培养学生的综合素质。从介绍成果的语言表达，到评价过程中对审美和创新的把握，再到反思不足，确定优化方向，对投入其中的学生，这不啻一次成长蜕变的过程。这个过程也是教师雕塑学生美好情怀的契机，学生对机器人的态度以及运用技术设计生活的情怀将在这里启程。近几年，随着RTEC创意闯关项目和创意机器人项目的兴起，我们留意到，善于分享与反思的学生往往能自信且到位地展现他们作品的独到之处，面对老师的提问也能从容且有条理地陈述从设想到实现项目的漫长过程。学生此时的表现就离不开平时学习机器人的过程中所养成的展示、分享的态度和习惯。

篇10

【关 键 词】法理学/法律推理/人工智能

【正 文】

一、人工智能法律系统的历史

机先驱思想家莱布尼兹曾这样不无浪漫地谈到推理与计算的关系：“我们要造成这样一个结果，使所有推理的错误都只成为计算的错误，这样，当争论发生的时候，两个家同两个计算家一样，用不着辩论，只要把笔拿在手里，并且在算盘面前坐下，两个人面对面地说：让我们来计算一下吧！”（注：转引自肖尔兹著：《简明逻辑史》，张家龙译，商务印书馆1977年版，第54页。）

如果连抽象的哲学推理都能转变为计算来解决，法律推理的定量化也许还要相对简单一些。尽管理论上的可能性与技术可行性之间依然存在着巨大的鸿沟，但是，人工智能技术的发展速度确实令人惊叹。从诞生至今的短短45年内，人工智能从一般问题的研究向特殊领域不断深入。1956年纽厄尔和西蒙教授的“逻辑理论家”程序，证明了罗素《数学原理》第二章52个定理中的38个定理。塞缪尔的课题组利用对策论和启发式探索技术开发的具有自能力的跳棋程序，在1959年击败了其设计者，1962年击败了州跳棋冠军，1997年超级计算机“深蓝”使世界头号国际象棋大师卡斯帕罗夫俯首称臣。

20世纪60年代，人工智能研究的主要课题是博弈、难题求解和智能机器人；70年代开始研究语言理解和专家系统。1971年费根鲍姆教授等人研制出“化学家系统”之后，“计算机数学家”、“计算机医生”等系统相继诞生。在其他领域专家系统研究取得突出成就的鼓舞下，一些律师提出了研制“法律诊断”系统和律师系统的可能性。（注：Simon Chalton，Legal Diagnostics，Computers and Law，No.25，August 1980.pp.13-15.Bryan Niblett，Expert Systems for Lawyers，Computers and Law，No.29，August 1981.p.2.）

1970年Buchanan & Headrick发表了《关于人工智能和法律推理若干问题的考察》，一文，拉开了对法律推理进行人工智能研究的序幕。文章认为，理解、模拟法律论证或法律推理，需要在许多知识领域进行艰难的研究。首先要了解如何描述案件、规则和论证等几种知识类型，即如何描述法律知识，其中处理开放结构的法律概念是主要难题。其次，要了解如何运用各种知识进行推理，包括分别运用规则、判例和假设的推理，以及混合运用规则和判例的推理。再次，要了解审判实践中法律推理运用的实际过程，如审判程序的运行，规则的适用，事实的辩论等等。最后，如何将它们最终运用于编制能执行法律推理和辩论任务的计算机程序，区别和不同的案件，预测并规避对手的辩护策略，建立巧妙的假设等等。（注：Buchanan & Headrick，Some SpeculationAbout Artificial Intelligence and Legal Reasoning，23 StanfordLaw Review(1970).pp.40-62.）法律推理的人工智能研究在这一时期主要沿着两条途径前进：一是基于规则模拟归纳推理，70年代初由Walter G.Popp和Bernhard Schlink开发了JUDITH律师推理系统。二是模拟法律分析，寻求在模型与以前贮存的基础数据之间建立实际联系，并仅依这种关联的相似性而得出结论。Jeffrey Meld-man 1977年开发了计算机辅助法律分析系统，它以律师推理为模拟对象，试图识别与案件事实模型相似的其他案件。考虑到律师分析案件既用归纳推理又用演绎推理，程序对两者都给予了必要的关注，并且包括了各种水平的分析推理方法。

专家系统在法律中的第一次实际应用，是D.沃特曼和M.皮特森1981年开发的法律判决辅助系统(LDS)。研究者探索将其当作法律适用的实践工具，对美国民法制度的某个方面进行检测，运用严格责任、相对疏忽和损害赔偿等模型，计算出责任案件的赔偿价值，并论证了如何模拟法律专家意见的方法论问题。（注：'Models of LegalDecisionmaking Report'，R-2717-ICJ(1981).）

我国专家系统的研制于20世纪80年代中期起步。（注： 钱学森教授：《论法治系统工程的任务与》（《管理》1981年第4期）、《主义和法治学与技术》（《法制建设》1984年第3期）、《现代科学技术与法和法制建设》（《政法论坛》）1985年第3期）等文章，为我国法律专家系统的研发起了思想解放和奠基作用。）1986年由朱华荣、肖开权主持的《量刑综合平衡与电脑辅助量刑专家系统研究》被确定为国家社科“七五”研究课题，它在建立盗窃罪量刑数学模型方面取得了成果。在法律数据库开发方面，1993年中山大学学生胡钊、周宗毅、汪宏杰等人合作研制了《LOA律师办公自动化系统》。（注：杨建广、骆梅芬编著：《法治系统工程》，中山大学出版社1996年版，第344-349页。）1993年武汉大学法学院赵廷光教授主持开发了《实用刑法专家系统》。（注：赵廷光等著：《实用刑法专家系统用户手册》，北京新概念软件研究所1993年版。）它由咨询检索系统、辅助定性系统和辅助量刑系统组成，具有检索刑法知识和对刑事个案进行推理判断的功能。

专家系统与以往的“通用难题求解”相比具有以下特点：(1)它要解决复杂的实际，而不是规则简单的游戏或数学定理证明问题；(2)它面向更加专门的领域，而不是单纯的原理性探索；(3)它主要根据具体的问题域，选择合理的方法来表达和运用特殊的知识，而不强调与问题的特殊性无关的普适性推理和搜索策略。

法律专家系统在法规和判例的辅助检索方面确实发挥了重要作用，解放了律师一部分脑力劳动。但绝大多数专家系统只能做法律数据的检索工作，缺乏应有的推理功能。20世纪90年代以后，人工智能法律系统进入了以知识工程为主要技术手段的开发时期。知识工程是指以知识为处理对象，以能在机上表达和运用知识的技术为主要手段，研究知识型系统的设计、构造和维护的一门更加高级的人工智能技术。（注：《大百科全书·自动控制与系统工程》，中国大百科全书出版社1991年版，第579页。）知识工程概念的提出，改变了以往人们认为几个推理定律再加上强大的计算机就会产生专家功能的信念。以知识工程为技术手段的法律系统研制，如果能在法律知识的获得、表达和应用等方面获得突破，将会使人工智能法律系统的研制产生一个质的飞跃。

人工智能法律系统的源于两种动力。其一是法律实践自身的要求。随着社会生活和法律关系的复杂化，法律实践需要新的思维工具，否则，法律家（律师、检察官和法官）将无法承受法律日积月累和法律案件不断增多的重负。其二是人工智能发展的需要。人工智能以模拟人的全部思维活动为目标，但又必须以具体思维活动一城一池的攻克为过程。它需要通过对不同思维领域的征服，来证明知识的每个领域都可以精确描述并制造出类似人类智能的机器。此外，人工智能选择法律领域寻求突破，还有下述原因：(1)尽管法律推理十分复杂，但它有相对稳定的对象（案件）、相对明确的前提（法律规则、法律事实）及严格的程序规则，且须得出确定的判决结论。这为人工智能模拟提供了极为有利的条件。(2)法律推理特别是抗辩制审判中的司法推理，以明确的规则、理性的标准、充分的辩论，为观察思维活动的轨迹提供了可以记录和回放的样本。(3)法律知识长期的积累、完备的档案，为模拟法律知识的获得、表达和应用提供了丰富、准确的资料。(4)法律活动所特有的自我意识、自我批评精神，对法律程序和假设进行检验的传统，为模拟法律推理提供了良好的反思条件。

二、人工智能法律系统的价值

人工智能法律系统的研制对法学理论和法律实践的价值和意义，可以概括为以下几点：

一是方法论启示。P.Wahlgren说：“人工智能方法的研究可以支持和深化在创造性方法上的法反思。这个信仰反映了法理学可以被视为旨在于开发法律和法律推理之方法的活动。从法理学的观点看，这种研究的最终目标是揭示方法论的潜在作用，从而有助于开展从法理学观点所提出的解决方法的讨论，而不仅仅是探讨与计算机科学和人工智能有关的非常细致的技术方面。”（注：P.Wahlgren，Automationof Legal Reasoning:A Study on Artificial Intelligence and Law，Computer Law Series 11.Kluwer Law and Taxation Publishers.Deventer Boston 1992.Chapter 7.）在模拟法律推理的过程中，法学家通过与工人智能专家的密切合作，可以从其对法律推理的独特理解中获得有关方法论方面的启示。例如，由于很少有两个案件完全相似，在判例法实践中，总有某些不相似的方面需要法律家运用假设来分析已有判例与现实案件的相关性程度。但法学家们在假设的性质问题上常常莫衷一是。然而HYPO的设计者，在无真实判例或真实判例不能充分解释现实案件的情况下，以假设的反例来反驳对方的观点，用补充、删减和改变事实的机械论方法来生成假设。这种用人工智能方法来处理假设的办法，就使复杂问题变得十分简单：假设实际上是一个新的论证产生于一个经过修正的老的论证的过程。总之，人工智能方法可以帮助法学家跳出法理学方法的思维定势，用其他学科的方法来重新审视法学问题，从而为法律问题的解决提供了新的途径。

二是提供了思想实验手段。西蒙认为，尽管我们还不知道思维在头脑中是怎样由生理作用完成的，“但我们知道这些处理在数字机中是由电子作用完成的。给计算机编程序使之思维，已经证明有可能为思维提供机械论解释”。（注：转引自童天湘：《人工智能与第N代计算机》，载《》1985年第5期。）童天湘先生认为：“通过编制有关思维活动的程序，就会加深对思维活动具体细节的了解，并将这种程序送进计算机运行，检验其正确性。这是一种思想实验，有助于我们研究人脑思维的机理。”（注：转引自童天湘：《人工智能与第N代计算机》，载《哲学研究》1985年第5期。）人工智能系统研究的直接目标是使计算机能够获取、表达和法律知识，软件工程师为模拟法律推理而编制程序，必须先对人的推理过程作出基于人工智能和的独特解释。人工智能以功能模拟开路，在未搞清法律家的推理结构之前，首先从功能上对法律证成、法律检索、法律解释、法律适用等法律推理的要素和活动进行数理，将法、诉讼法学关于法律推理的研究成果模型化，以实现法律推理知识的机器表达或再现，从而为认识法律推理的过程和提供了一种实验手段。法学家则可以将人工智能法律系统的推理过程、方法和结论与人类法律推理活动相对照，为法律推理的法理学研究所借鉴。因此，用人工智能方法模拟法律推理，深化了人们对法律推理性质、要素和过程的认识，使法学家得以借助人工智能的敏锐透镜去考察法律推理的微观机制。正是在这个意义上，Bryan Niblett教授说：“一个成功的专家系统很可能比其他的途径对法理学作出更多的（理论）贡献。”（注：Bryan Niblett，ExpertSystems for Lawyers，Computers and Law，No.29，August 1981.note14，p.3.）

三是辅助司法审判。按照格雷的观点，法律专家系统首先在英美判例法国家出现的直接原因在于，浩如烟海的判例案卷如果没有计算机编纂、分类、查询，这种法律制度简直就无法运转了。（注：Pamela N.Gray Brookfield，Artificial Legal Intelligence，VT:DartmouthPublishing Co.，1997.p.402.）其实不仅是判例法，制定法制度下的律师和法官往往也要为检索有关的法律、法规和司法解释耗费大量的精力和时间，而且由于人脑的知识和记忆能力有限，还存在着检索不全面、记忆不准确的。人工智能法律系统强大的记忆和检索功能，可以弥补人类智能的某些局限性，帮助律师和法官从事相对简单的法律检索工作，从而极大地解放律师和法官的脑力劳动，使其能够集中精力从事更加复杂的法律推理活动。

四是促进司法公正。司法推理虽有统一的法律标准，但法官是具有主观能动性的差异个体，所以在执行统一标准时会产生一些差异的结果。司法解释所具有的建构性、辩证性和创造性的特点，进一步加剧了这种差异。如果换了钢铁之躯的机器，这种由主观原因所造成的差异性就有可能加以避免。这当然不是说让计算机完全取代法官，而是说，由于人工智能法律系统为司法审判提供了相对统一的推理标准和评价标准，从而可以辅助法官取得具有一贯性的判决。无论如何，我们必须承认，钢铁之躯的机器没有物质欲望和感情生活，可以比人更少地受到外界因素的干扰。正像计算机录取增强了高考招生的公正性、电子监视器提高了纠正行车违章的公正性一样，智能法律系统在庭审中的运用有可能减少某些徇私舞弊现象。

五是辅助法律和培训。人工智能法律系统凝聚了法律家的专门知识和法官群体的审判经验，如果通过软件系统或计算机实现专家经验和知识的共享，便可在法律教育和培训中发挥多方面的作用。例如，(1)在法学院教学中发挥模拟法庭的作用，可以帮助法律专业学生巩固自己所学知识，并将法律知识应用于模拟的审判实践，从而较快地提高解决法律实践问题的能力。(2)帮助新律师和新法官全面掌握法律知识，迅速获得判案经验，在审判过程的跟踪检测和判决结论的动态校正中增长知识和才干，较快地接近或达到专家水平。(3)可使不同地区、不同层次的律师和法官及时获得有关法律问题的咨询建议，弥补因知识结构差异和判案经验多寡而可能出现的失误。(4)可以为大众提供及时的法律咨询，提高广大人民群众的法律素质，增强法律意识。

六是辅助立法活动。人工智能系统不仅对辅助司法审判有重要的意义，而且对完善立法也具有实用价值。（注：Edwina L.Rissland，Artificial Intelligence and Law:Stepping Stones to a Modelof Legal Reasoning， Yale Law Journal.(Vol.99:1957-1981).）例如，伦敦大学Imperial学院的逻辑程序组将1981年英国国籍法的形式化，帮助立法者发现了该法在预见性上存在的一些缺陷和法律漏洞。（注：Edwina L.Rissland，Artificial Intelligence and Law:Stepping Stones to a Model of Legal Reasoning，The Yale LawJournal.(Vol.99:1957-1981).）立法辅助系统如能于法律起草和法律草案的审议过程，有可能事先发现一些立法漏洞，避免一个法律内部各种规则之间以及新法律与现有法律制度之间的相互冲突。

三、法在人工智能法律系统中的作用

1.人工智能法律系统的法理学思想来源

关于人工智能法律系统之法理学思想来源的追踪，不是对法理学与人工智能的联系作面面俱到的考察，而旨在揭示法理学对人工智能法律系统的所产生的一些直接。

第一，法律形式主义为人工智能法律系统的产生奠定了基础。18-19世纪的法律形式主义强调法律推理的形式方面，认为将法律化成简单的几何公式是完全可能的。这种以J·奥斯汀为代表的英国法学的传统，主张“法律推理应该依据客观事实、明确的规则以及逻辑去解决一切为法律所要求的具体行为。假如法律能如此运作，那么无论谁作裁决，法律推理都会导向同样的裁决。”（注：（美）史蒂文·J·伯顿著：《法律和法律推理导论》，张志铭、解兴权译，政法大学出版社1998年9月版，第3页。）换言之，机器只要遵守法律推理的逻辑，也可以得出和法官一样的判决结果。在分析法学家看来，“所谓‘法治’就是要求结论必须是大前提与小前提逻辑必然结果。”（注：朱景文主编：《对西律传统的挑战》，中国检察出版社1996年2月版，第292页。）如果法官违反三段论推理的逻辑，就会破坏法治。这种机械论的法律推理观，反映了分析法学要求法官不以个人价值观干扰法律推理活动的主张。但是，它同时具有忽视法官主观能动性和法律推理灵活性的僵化的缺陷。所以，自由法学家比埃利希将法律形式主义的逻辑推理说称为“自动售货机”理论。然而，从人工智能就是为思维提供机械论解释的意义上说，法律形式主义对法律推理所作的机械论解释，恰恰为人工智能法律系统的开发提供了可能的前提。从人工智能法律系统研制的实际过程来看，在其起步阶段，人工智能专家正是根据法律形式主义所提供的理论前提，首先选择三段论演绎推理进行模拟，由Walter G.Popp和Bernhard Schlink在20世纪70年代初开发了JUDITH律师推理系统。在这个系统中，作为推理大小前提的法律和事实之间的逻辑关系，被机以“如果A和B，那么C”的方式加以描述，使机器法律推理第一次从理论变为现实。

第二，法律现实主义推动智能模拟深入到主体的思维结构领域。法律形式主义忽视了推理主体的性。法官是生活在现实社会中的人，其所从事的法律活动不可能不受到其社会体验和思维结构的影响。法官在实际的审判实践中，并不是机械地遵循规则，特别是在遇到复杂案件时，往往需要作出某种价值选择。而一旦面对价值，法律形式主义的逻辑决定论便立刻陷入困境，显出其僵化性的致命弱点。法律现实主义对其僵化性进行了深刻的批判。霍姆斯法官明确提出“法律的生命并不在于逻辑而在于经验”（注：（美）博登海默著：《法理学——法及其方法》，邓正来、姬敬武译，华夏出版社1987年12月版，第478页。）的格言。这里所谓逻辑，就是指法律形式主义的三段论演绎逻辑；所谓经验，则包括一定的道德和理论、公共政策及直觉知识，甚至法官的偏见。法律现实主义对法官主观能动性和法律推理灵活性的强调，促使人工智能研究从模拟法律推理的外在逻辑形式进一步转向探求法官的内在思维结构。人们开始考虑，如果思维结构对法官的推理活动具有定向作用，那么，人工智能法律系统若要达到法官水平，就应该通过建立思维结构模型来设计机器的运行结构。TAXMAN的设计就借鉴了这一思想，法律知识被计算机结构语言以语义的方式组成不同的规则系统，解释程序、协调程序、说明程序分别对网络结构中的输入和输出信息进行动态结构调整，从而适应了知识整合的需要。大规模知识系统的KBS(Knowledge Based System)开发也注意了思维结构的整合作用，许多具有内在联系的小规模KBS子系统，在分别模拟法律推理要素功能（证成、法律查询、法律解释、法律适用、法律评价、理由阐述）的基础上，又通过联想程序被有机联系起来，构成了具有法律推理整体功能的概念模型。（注：P.Wahlgren，Automation of Legal Reasoning:A Study onArtificial Intelligence and Law，Computer Law Series 11.KluwerLaw and Taxation Publishers.Deventer Boston 1992.Chapter 7.）

第三，“开放结构”的概念打开了疑难案件法律推理模拟的思路。法律形式主义忽视了疑难案件的存在。疑难案件的特征表现为法律规则和案件之间不存在单一的逻辑对应关系。有时候从一个法律规则可以推出几种不同的结论，它们往往没有明显的对错之分；有时一个案件面对着几个相似的法律规则。在这些情况下，形式主义推理说都一筹莫展。但是，法律现实主义在批判法律形式主义时又走向另一个极端，它否认具有普遍性的一般法律规则的存在，试图用“行动中的法律”完全代替法学“本本中的法律”。这种矫枉过正的做法虽然是使法律推理摆脱机械论束缚所走出的必要一步，然而，法律如果真像现实主义法学所说的那样仅仅存在于具体判决之中，法律推理如果可以不遵循任何标准或因人而异，那么，受到挑战的就不仅是法律形式主义，而且还会殃及法治要求实现规则统治之根本原则，并动摇人工智能法律系统存在的基础。哈特在法律形式主义和法律现实主义的争论中采取了一种折中立场，他既承认逻辑的局限性又强调其重要性；既拒斥法官完全按自己的预感来随意判案的见解，又承认直觉的存在。这种折中立场在哈特“开放结构”的法律概念中得到了充分体现。法律概念既有“意义核心”又有“开放结构”，逻辑推理可以帮助法官发现的阳面，而根据政策、价值和后果对规则进行解释则有助于发现问题的阴面。开放结构的法律概念，使基于规则的法律推理模拟在受到概念封闭性的限制而对疑难案件无能为力时，找到了新的立足点。在此基础上，运用开放结构概念的疑难案件法律推理模型，通过逻辑程序工具和联想技术而建立起来。Gardner博士就疑难案件提出两种解决策略：一是将简易问题从疑难问题中筛选出来，运用基于规则的技术来解决；二是将疑难问题同“开放结构”的法律概念联系在一起，先用非范例知识如规则、控辩双方的陈述、常识来获得初步答案，再运用范例来澄清案件、检查答案的正确性。

第四，目的法学促进了价值推理的人工智能。目的法学是指一种所谓直接实现目的之“后法治”理想。美国法学家诺内特和塞尔兹尼克把法律分为三种类型。他们认为，以法治为标志的自治型法，过分强调手段或程序的正当性，有把手段当作目的的倾向。这说明法治社会并没有反映人类关于美好社会的最高理想，因为实质正义不是经过人们直接追求而实现的，而是通过追求形式正义而间接获得的。因此他们提出以回应型法取代自治型法的主张。在回应型法中，“目的为评判既定的做法设立了标准，从而也就开辟了变化的途径。同时，如果认真地对待目的，它们就能控制行政自由裁量权，从而减轻制度屈从的危险。反之，缺少目的既是僵硬的根源，又是机会主义的根源。”（注：（美）诺内特、塞尔兹尼克著：《转变中的法律与社会》，张志铭译，政法大学出版社1994年版，第60页。）美国批判法学家昂格尔对形式主义法律推理和目的型法律推理的特点进行了比较，他认为，前者要求使用明确、固定的规则，无视社会现实生活中不同价值观念的冲突，不能适应复杂情况和变化，追求形式正义；后者则要求放松对法律推理标准的严格限制，允许使用无固定内容的抽象标准，迫使人们在不同的价值观念之间做出选择，追求实质正义。与此相应，佩雷尔曼提出了新修辞学(New Rhetoric)的法律。他认为，形式逻辑只是根据演绎法或归纳法对问题加以说明或论证的技术，属于手段的逻辑；新修辞学要填补形式逻辑的不足，是关于目的的辩证逻辑，可以帮助法官论证其决定和选择，因而是进行价值判断的逻辑。他认为，在司法三段论思想支配下，法学的任务是将全部法律系统化并作为阐释法律的大前提，“明确性、一致性和完备性”就成为对法律的三个要求。而新修辞学的基本思想是价值判断的多元论，法官必须在某种价值判断的指示下履行义务，必须考虑哪些价值是“合理的、可接受的、社会上有效的公平的”。这些价值构成了判决的正当理由。（注：沈宗灵著：《西》，北京大学出版社1992年版，第443-446页。）制造人工智能法律系统最终需要解决价值推理的模拟问题，否则，就难以实现为判决提供正当理由的要求。为此，P.Wahlgren提出的与人工智能相关的5种知识表达途径中，明确地包括了以道义为基础的法律推理模型。（注：P.Wahlgren，Automation of Legal Reasoning:A Study on ArtificialIntelligence and Law，Computer Law Series 11.Kluwer Law andTaxation Publishers.Deventer Boston 1992.Chapter 7.）引入道义逻辑，或者说在机器中采用基于某种道义逻辑的推理程序，强调目的价值，也许是制造智能法律系统的关键。不过，即使把道义逻辑硬塞给机，钢铁之躯的机器没有生理需要，也很难产生价值观念和主观体验，没办法解决主观选择的问题。在这个问题上，波斯纳曾以法律家有七情六欲为由对法律家对法律的机械忠诚表示了强烈怀疑，并辩证地将其视为法律的动力之一。只有人才能够平衡相互冲突的利益，能够发现对人类生存和发展至关重要的价值。因此，关于价值推理的人工智能模拟究竟能取得什么成果，恐怕还是个未知数。

2.法对人工智能系统研制的指导作用

Gold and Susskind指出：“不争的事实是，所有的专家系统必须适应一些法理学理论，因为一切法律专家系统都需要提出关于法律和法律推理性质的假设。从更严格的意义上说，一切专家系统都必须体现一种结构理论和法律的个性，一种法律规范理论，一种描述法律的理论，一种法律推理理论”。（注：Gold and Susskind，ExpertSystems in Law:A Jurisprudential and Formal SpecificationApproach，pp.307-309.）人工智能法律系统的，不仅需要以法理学关于法律的一般理论为知识基础，还需要从法理学获得关于法律推理的完整理论，如法律推理实践和理论的，法律推理的标准、主体、过程、等等。人工智能对法律推理的模拟，主要是对法理学关于法律推理的知识进行人工智能方法的描述，建立数学模型并编制机程序，从而在智能机器上再现人类法律推理功能的过程。在这个过程中，人工智能专家的主要任务是研究如何吸收法理学关于法律推理的研究成果，包括法理学关于人工智能法律系统的研究成果。

随着人工智能法律系统研究从低级向高级目标的推进，人们越来越意识到，对法律推理的微观机制认识不足已成为人工智能模拟的严重障碍。P.Wahlgren指出，“许多人工智能技术在法律领域的开发项目之所以失败，就是因为许多潜在的法理学原则没有在系统开发的开始阶段被遵守或给予有效的注意。”“法理学对法律推理和方法论的关注已经有几百年，而人工智能的诞生只是本世纪50年代中期的事情，这个事实是人工智能通过考察法理学知识来丰富自己的一个有效动机。”（注：P.Wahlgren，Automation of Legal Reasoning:A Study onArtificial Intelligence and Law，Computer Law Series 11.KluwerLaw and Taxation Publishers.Deventer Boston 1992.Chapter 7.）因此，研究法律推理自动化的目标，“一方面是用人工智能（通过把计算机的应用与模型相结合）来支撑法律推理的可能性；另一方面是应用法理学理论来解决作为法律推理支撑系统的以及一般的人工智能问题。”（注：P.Wahlgren，Automation of Legal Reasoning:A Studyon Artificial Intelligence and Law，Computer Law Series 11.Kluwer Law and Taxation Publishers.Deventer Boston 1992.Chapter 7.）在前一方面，是人工智能法律系统充当法律推理研究的思想实验手段以及辅助司法审判的问题。后一方面，则是法律推理的法律学研究成果直接为人工智能法律系统的研制所应用的问题。例如，20世纪70年代法理学在真实和假设案例的推理和分析方面所取得的成果，已为几种人工智能法律装置借鉴而成为其设计工作的理论基础。在运用模糊或开放结构概念的法律推理研究方面，以及在法庭辩论和法律解释的形式化等问题上，法理学的研究成果也已为人工智能法律系统的研究所借鉴。

四、人工智能法律系统研究的难点

人工智能法律系统的研究尽管在很短的时间内取得了许多令人振奋的成果，但它的发展也面临着许多困难。这些困难构成了研究工作需要进一步努力奋斗的目标。

第一，关于法律解释的模拟。在法理学的诸多研究成果中，法律解释的研究对人工智能法律系统的研制起着关键作用。法律知识表达的核心问题是法律解释。法律规范在一个法律论点上的效力，是由法律家按忠实原意和适合当时案件的原则通过法律解释予以确认的，其中包含着人类特有的价值和目的考虑，反映了法律家的知识表达具有主观能动性。所以，德沃金将解释过程看作是一种结合了法律知识、信息和思维方法而形成的，能够应变的思维策略。（注：Dworkin，Taking RightsSeriously，Harvard University Press Cambridge，Massachusetts1977.p.75.）的法律专家系统并未以知识表达为目的来解释法律，而是将法律整齐地“码放”在计算机记忆系统中仅供一般检索之用。然而，在法律知识工程系统中，法律知识必须被解释，以满足自动推理对法律知识进行重新建构的需要。麦卡锡说：“在开发智能信息系统的过程中，最关键的任务既不是文件的重建也不是专家意见的重建，而是建立有关法律领域的概念模型。”（注：McCarty，Intelligent legalinformation systems:problems and prospects，op.cit.supra，note25，p.126.）建立法律概念模型必须以法律家对某一法律概念的共识为基础，但不同的法律家对同一法律概念往往有不同的解释策略。凯尔森甚至说：即使在国内法领域也难以形成一个“能够用来叙述一定法律共同体的实在法的基本概念”。（注：（奥）凯尔森著：《法与国家的一般理论》，沈宗灵译，大百科全书出版社1996年版，第1页。）尽管如此，法理学还是为法律概念模型的重建提供了一些方法。例如，德沃金认为，法官在“解释”阶段，要通过推理论证，为自己在“前解释”阶段所确定的大多数法官对模糊法律规范的“一致看法”提供“一些总的理由”。获取这些总的理由的过程分为两个步骤：首先，从现存的明确法律制度中抽象出一般的法律原则，用自我建立的一般法律理论来证明这种法律原则是其中的一部分，证明现存的明确法律制度是正当的。其次，再以法律原则为依据反向推出具体的法律结论，即用一般法律理论来证明某一法律原则存在的合理性，再用该法律原则来解释某一法律概念。TAXMAN等系统装置已吸收了这种方法，法律知识被计算机结构语言以语义的方式组成不同的规则系统，解释程序使计算机根据案件事实来执行某条法律规则，并在新案件事实输入时对法律规则作出新的解释后才加以调用。不过，法律知识表达的进展还依赖于法律解释研究取得更多的突破。

第二，关于启发式程序。的专家系统如果不能与启发式程序接口，不能运用判断性知识进行推理，只通过规则反馈来提供简单解释，就谈不上真正的智能性。启发式程序要解决智能机器如何模拟法律家推理的直觉性、经验性以及推理结果的不确定性等，即人可以有效地处理错误的或不完全的数据，在必要时作出猜测和假设，从而使问题的解决具有灵活性。在这方面，Gardner的混合推理模型，Edwina L.Rissland运用联想程序对规则和判例推理的结果作集合处理的思路，以及Massachusetts大学研制的CABARET（基于判例的推理工具），在将启发式程序于系统开发方面都进行了有益的尝试。但是，法律问题往往没有唯一正确的答案，这是人工智能模拟法律推理的一个难题。选择哪一个答案，往往取决于法律推理的目的标准和推理主体的立场和价值观念。但智能机器没有自己的目的、利益和立场。这似乎从某种程度上划定了机器法律推理所能解决问题的范围。

第三，关于法律语言理解。在设计基于规则的程序时，设计者必须假定整套规则没有意义不明和冲突，程序必须消灭这些问题而使规则呈现出更多的一致性。就是说，尽管人们对法律概念的含义可以争论不休，但输入机器的法律语言却不能互相矛盾。机器语言具有很大的局限性，例如，LDS基于规则来模拟严格责任并实际损害时，表现出的最大弱点就是不能使用不精确的自然语言进行推理。然而，在实际的法律推理过程中，法律家对某个问题的任何一种回答都可根据上下文关系作多种解释，而且辩论双方总是寻求得出不同的结论。因此，智能法律专家系统的成功在很大程度上还依赖于自然语言理解工作的突破。牛津大学的一个程序组正在研究法律自然语言的理解问题，但是遇到了重重困难。原因是连法学家们自己目前也还没有建立起一套大家一致同意的专业术语规范。所以Edwina L.Rissland认为，常识知识、意图和信仰类知识的模拟化，以及自然语言理解的模拟问题，迄今为止可能是人工智能面临的最困难的任务。对于语言模拟来说，像交际短语和短语概括的有限能力可能会在较窄的语境条件下取得成果，完全的功能模拟、一般“解决问题”能力的模拟则距离非常遥远，而像书面上诉意见的理解则是永远的终极幻想。（注：Edwina L.Rissland，ArtificialIntelligence and Law:Stepping Stones to a Model of LegalReasoning， Yale Law Journal.(Vol.99:1957-1981).）

五、人工智能法律系统的开发策略和应用前景

我们能够制造出一台什么样的机器，可以证明它是人工智能法律系统？从检验标准上看，这主要是法律知识在机器中再现的判定问题。根据“图灵试验”原理，我们可将该检验标准概括如下：设两间隔开的屋子，一间坐着一位法律家，另一间“坐着”一台智能机器。一个人（也是法律家）向法律家和机器提出同样的法律问题，如果提问者不能从二者的回答中区分出谁是法律家、谁是机器，就不能怀疑机器具有法律知识表达的能力。

依“图灵试验”制定的智能法律系统检验标准，所看重的是功能。只要机器和法律家解决同样法律问题时所表现出来的功能相同，就不再苛求哪个是钢铁结构、哪个是血肉之躯。人工智能立足的基础，就是相同的功能可以通过不同的结构来实现之功能模拟。

从功能模拟的观点来确定人工智能法律系统的研究与开发策略，可作以下考虑：

第一，扩大人工智能法律系统的研发主体。现有人工法律系统的幼稚，暴露了仅仅依靠计算机和知识工程专家从事系统研发工作的局限性。因此，应该确立以法律家、逻辑学家和计算机专家三结合的研发群体。在系统研发初期，可组成由法学家、逻辑与认知专家、计算机和知识工程专家为主体的课题组，制定系统研发的整体战略和分阶段实施的研发规划。在系统研发中期，应通过等手段充分吸收初级产品用户（律师、检察官、法官）的意见，使研发工作在理论研究与实际应用之间形成反馈，将开发精英与广大用户的智慧结合起来，互相启发、群策群力，推动系统迅速升级。

第二，确定与相结合、以应用为主导的研发策略。国外人工智能系统的研究大多停留在实验室领域，还没有在司法实践中加以应用。但是，任何智能系统包括相对简单的软件系统，如果不经过用户的长期使用和反馈，是永远也不可能走向成熟的。从我国的实际情况看，如果不能将初期研究成果尽快地转化为产品，我们也难以为后续研究工作提供雄厚的资金支持。因此，人工智能法律系统的研究必须走产研结合的道路，坚持以应用开路，使智能法律系统尽快走出实验室，同时以研究为先导，促进不断更新升级。

第三，系统研发目标与初级产品功能定位。人工智能法律系统的研发目标是制造出能够满足多用户（律师、检察官、法官、立法者、法学家）多种需要的机型。初级产品的定位应考虑到，人的推理功能特别是价值推理的功能远远超过机器，但人的记忆功能、检索速度和准确性又远不如机器。同时还应该考虑到，我国目前有12万律师，23万检察官和21万法官，每年1.2万法学院本科毕业生，他们对法律知识的获取、表达和应用能力参差不齐。因此，初级产品的标准可适当降低，先研制推理功能薄弱、检索功能强大的法律专家系统。可与机厂商合作生产具有强大数据库功能的硬件，并确保最新法律、法规、司法解释和判例的网上及时更新；同时编制以案件为引导的高速检索软件。系统开发的先期目标应确定为：(1)替律师起草仅供的起诉书和辩护词；(2)替法官起草仅供参考的判决书；(3)为法学院学生提供模拟法庭审判的通用系统软件，以辅助学生在起诉、辩护和审判等诉讼的不同阶段巩固所学知识、获得审判经验。上述软件旨在提供一个初级平台，先解决有无和急需，再不断收集用户反馈意见，逐步改进完善。

第四，实验室研发应确定较高的起点或跟踪战略。国外以知识工程为主要技术手段的人工智能法律系统开发已经历了如下阶段：(1)主要适用于简单案件的规则推理；(2)运用开放结构概念的推理；(3)运用判例和假设的推理；(4)运用规则和判例的混合推理。我们如确定以简单案件的规则推理为初级市场产品，那么，实验室中第二代产品开发就应瞄准运用开放结构概念的推理。同时，跟踪运用假设的推理及混合推理，吸收国外先进的KBS和HYPO的设计思想，将功能子系统开发与联想式控制系统结合。HYPO判例法推理智能装置具有如下功能：(1)评价相关判例；(2)判定何方使用判例更加贴切；(3)并区分判例；(4)建立假设并用假设来推理；(5)为一种主张引用各种类型的反例；(6)建立判例的引证概要。HYPO以商业秘密法的判例推理为模拟对象，假设了完全自动化的法律推理过程中全部要素被建立起来的途径。值得注意的是，HYPO忽略了许多要素的存在，如商业秘密法背后的政策考虑，法律概念应用于实际情况时固有的模糊性，信息是否已被公开，被告是否使用了对方设计的产品，是否签署了让与协议，等等。一个系统设计的要素列表无论多长，好律师也总能再多想出一些。同样，律师对案件的分析，不可能仅限于商业秘密法判例，还可能援引侵权法或专利法的判例，这决定了起诉缘由的多种可能性。Ashley还讨论了判例法推理模拟的其他困难：判例并不是概念的肯定的或否定的样本，因此，要通过要素等简单的法律术语使模糊的法律规则得到澄清十分困难，法律原则和类推推理之间的关系还不能以令人满意的方式加以描述。（注：Edwina L.Rissland，Artificial Intelligence and Law:Stepping Stones toa Model of Legal Reasoning， Yale Law Journal.(Vol.99:1957-1981).）这说明，即使具有较高起点的实验室基础研究，也不宜确定过高的目标。因为，智能法律系统的研究不能脱离人工智能的整体发展水平。

第五，人－机系统解决方案。人和机器在解决法律时各有所长。人的优点是能作价值推理，使法律问题的解决适应的变化发展，从而具有灵活性。机器的长处是记忆和检索功能强，可以使法律问题的解决具有一贯性。人－机系统解决方案立足于人与机器的功能互补，目的是解放人的脑力劳动，服务于国家的法治建设。该方案的实施可以分为两个阶段：第一阶段以人为主，机器为人收集信息并作初步分析，提供决策参考。律师受理案件后，可以先用机器处理大批数据，并参考机器的起诉和辩护方案，再做更加高级的推证工作。法官接触一个新案件，或新法官刚接触审判工作，也可以先看看“机器法官”的判决建议或者审判思路，作为参考。法院的监督部门可参照机器法官的判决，对法官的审判活动进行某种监督，如二者的判决结果差别太大，可以审查一下法官的判决理由。这也许可以在一定程度上制约司法腐败。在人－机系统开发的第二阶段，会有越来越多的简单案件的判决与电脑推理结果完全相同，因此，某些简单案件可以机器为主进行审判，例如，美国小额法庭的一些案件，我国法庭可用简易程序来审理的一些案件。法官可以作为“产品检验员”监督和修订机器的判决结果。这样，法官的判案效率将大大提高，法官队伍也可借此“消肿”，有可能大幅度提高法官薪水，吸引高素质法律人才进入法官队伍。

篇11

关键词：智能科学与技术；专业建设；科研建设；人才培养

1背景介绍

智能科学与技术专业是一门新兴的交叉型学科[1]。随着信息化的进一步深入以及IBM“智慧地球”、我国“感知中国”等战略的实施，智能科学技术正在成为关系国民经济、社会发展和国家安全的一个重要领域。因此，智能科学与技术相关专业的建设也引起了国内外高校的重视。国外许多著名高校都设立了人工智能专业，并授予智能科学专业学位；世界多数知名理工类院校都设立有人工智能研究所或实验室，进行智能科学专业的科学研究和人才培养。

相对而言，国内智能科学与技术专业的起步较晚。2004年，北京大学信息科学技术学院经教育部正式批准设立了全国第一个智能科学与技术本科专业。之后，国内许多高校也相继设立了这一专业，有些高校还成立了相应的系。现在智能科学与技术专业已经从计划外专业变成计划内专业，标志着该专业的建设在国内已逐渐形成气候。

厦门大学是国内较早设立智能科学与技术系的高校之一。基于在智能科学与技术领域多年的研究积累和师资储备，厦门大学于2006向教育部申请并获批设立了智能科学与技术本科专业，之后又于2007年6月6日成立了智能科学与技术系[2]。建系以来，厦门大学智能科学与技术系一直坚持以“科研带动教学、教学促进科研”的办学理念。一方面，我们以系里的科研实力、科研特色为基础，在人才培养过程中发挥优势，为人才培养服务，更好地完成专业培养的目标；另一方面，优秀人才的培养也为我系的科研提供了有生力量和储备力量，反过来促进系里的科研发展。

从2007年成立至今，我系完成了首届本科生完整的一轮培养，因此我们希望能将4年来的专业建设的情况做一次梳理，为下一步的工作提供参考。作为一个新兴专业，各高校对于智能科学与技术专业的建设也都处在探索阶段，因此我们也希望这些工作梳理能对其他院校的专业建设起到参考作用。

我们对专业建设的梳理从两个方面展开：一是科研与学科建设的进展情况；二是教学与人才培养的进展情况。

2科研与学科建设进展

2007年以来，我系科研与学科建设取得了很大进展，下面从凝练科研方向和科研平台与学科点建设两个方面来介绍。

2.1凝练科研方向

在智能科学与技术系成立之前，厦门大学在人工智能领域已经有了不少积累，在心脑计算、艺术认知和自然语言处理等领域形成了一定的优势。

2007年建系以后，我们结合自身研究特色和学术发展前沿，进一步凝练了研究方向，基本上确定了四个重点发展的方向，并成立相应的研究室。

1) 艺术认知与计算方向。

主要围绕人类艺术活动的脑机制，特别是有关诗歌、音乐与舞蹈的审美与创作方面，开展相关的认知与计算研究工作。

2) 智能多媒体方向。

主要从事有关多媒体信息处理方面的关键技术研究和应用系统的研发，涉及视频图像处理与运动目标检测、基于内容的多媒体信息检索、智能中医信息处理等方面的研究。

3) 自然语言处理方向。

主要从事机器翻译、实体关系抽取、跨语言信息检索、语音识别与合成等方面的理论研究和相关应用系统开发。

4) 仿脑智能计算方向。

主要开展有关机器人认知计算引擎的基础性研究工作，目标是开发一个具有普适性的认知推理引擎，并将其嵌入到机器人中，使机器人具有综合的意识、视觉、语言和动作能力。

方向的凝练很好地促进了我系研究队伍的整合，也使系里的人才引进工作有了更好的针对性。经过四年的建设，以上四个方向均逐步形成了一支结构合理的研究团队，如表1所示，科学研究也相应的取得了一些进展。2007-2010年间，我系教师承担国家自然科学基金项目、国家863计划项目、省级课题、企业委托横项课题等各类科研课题近50项，每年新立项的项目数量如表2所示。同时，我们在《Neuroscience Letters》、《Journal of Vision》、《Computational Intelligence》、《中国科学》、《软件学报》及《电子学报》等国内外重要学术期刊和国际会议上发表学术论文200余篇，其中EI/SCI检索论文150余篇。这些方向的发展为我们的人才培养奠定了良好的科研基础。

2.2科研平台与学科点建设

科研平台是学科发展的重要载体，是科技创新的重要源头，是聚集和培养高层次人才的重要场所。因此，科研平台建设是学科建设的重要内容。

一直以来，我们就很重视科研平台的建设，也形

成了较好的基础。2003年，我们建立了一个跨专业的校内科研平台――厦门大学语言技术中心；2005年，我们获批建设了“智能信息技术福建省高校重点实验室”。依托这两个平台，并基于我们对科研方向的进一步凝练，我们最终于2009年获批建设“仿脑智能计算福建省重点实验室”。该重点实验室的建设以人工大脑研究为中心，并包含仿脑计算、智能语言处理、视听感知和机器人及其行为控制等方面的研究，更有利于我系进一步整合和优化科研结构。

学科点建设也是学科建设的重要内容之一。拥有学科点一方面反映了相关领域的学科建设水平，另一方面又能为高层次人才培养提供必要保障。

智能科学与技术至今还未被列为一级学科，因此智能科学与技术专业的研究生目前只能依托其他相关专业进行招生和培养。建系之前，我们已经依托厦门大学“数学”一级学科，自主设立了“人工智能基础”二级学科博士点，具有了培养本专业博士层次研究生的基本保证。2010年，我系与厦门大学计算机系、厦门大学软件学院共同合作成功申报了“计算机科学与技术”一级学科博士点，在此一级学科下设的10个方向中，我系将负责建设其中的数字媒体艺术、信息安全技术、自然语言处理以及模式识别与智能计算等4个方向。该博士学位授予点将于2012年正式招生，这为我们在博士层次上培养智能科学与技术专业人才奠定了更好的基础。

3教学与人才培养进展

下面从本科生和研究生两个层次的学生培养介绍我系教学与人才培养的进展情况。

3.1本科生培养

在本科生方面，厦门大学智能科学与技术系的目标是培养有效和系统地掌握本学科的理论基础，比较深入地理解智能科学与技术理论；具有一定的分析、综合和创新能力，能够承当智能信息系统设计、开发和智能科学与技术学科教学任务的，德、智、体全面发展的科学技术工作者。为了实现这一目标，我们遵循“宽口径、厚基础、抓关键、重实践”四项基本原则，制定了较合理的教学计划，并特别注重学生实践能力的培养，采取了增设实用技术类课程、增设本科生进研究室参与课题研究的“课题实践”环节、组织学生参加企业实习等若干措施，加强学生的实践能力培养[3]。

目前，我系在本科生培养方面已经初具成效，具体体现在两个方面。

1) 多组本科生团队获批立项大学生创新性实验项目。

2009年，我系本科学生组成的创新实验团队中的3支获得了国家级创新性实验项目资助；1支获得了校级创新性实验项目资助；今年的创新性实验项目初评中，我系本科生团队又有3支入选。

2) 首届学生就业形式喜人。

2007级本科生是我系的首届学生，共计31人，其中2/3的学生入学都是经专业调剂的，因此学生入学之初对本专业多是不了解甚至是不感兴趣的。经过4年的学习，他们都能很好地完成学业，多数学生逐渐喜欢上了本专业，部分学生更是将本专业作为其未来进一步学习和工作的方向。今年7月，我系2007级本科生毕业，毕业率和就业率均为100%，毕业去向情况如图1所示。

图1厦门大学智能科学与技术系2007级本科毕业生去向

其中，11名学生进一步升学攻读研究生；4名学生选择了到美国、中国香港的高校深造；其他16名学生则进入企业就业。

3.2研究生培养

我系的研究生培养以加强创新能力的培养为核心，以加强基础课、专业课、实验实践教学、论文创新写作、促进理论与实践相结合为重点，包含硕士研究生和博士研究生两个层次。在硕士研究生方面，有3个学术型硕士学位授予专业(人工智能基础、模式识别与智能系统、计算机应用技术)和1个“计算机技术”工程硕士培养方向(智能工程及网络安全方向)；在博士研究生方面，目前有1个二级学科博士学位授予专业(人工智能基础)。

为了培养研究生的创新能力，我们主要依托系里所承担的科研项目，特别是国家级科研课题。学生们参与到课题研讨中，接触最新的学术前沿问题，并在不断讨论、实验过程中逐步提高独立科研能力。

为了促进学生将理论与实践相结合，我们积极加强与企业的联系，建立联合实验室或联合培养基地，例如，我们与深圳名人公司建立了机器翻译联合实验室，与北京德威特电力系统自动化有限公司建立了电力自动化软件联合实验室，与厦门中资源有限公司建立了智能反垃圾邮件联合研究中心，与厦门东南融通系统工程有限公司建立了计算机软件与理论研究生教育创新基地等。这些基地的建立使学生能够参与企业的实际课题，在提高实践能力的同时也促进了就业。

目前，我系的研究生培养也取得了一些可喜的成果。学生们参加各种竞赛或展示均取得了优异的成绩。例如，2010年，仿脑智能系统方向研究生研发的社交机器人――“文博之星NAO”项目获得第三届海峡两岸(厦门)文化产业博览交易会最佳创意产品铜奖；自然语言处理方向研究生研发的汉语句法分析器和汉语人名消歧系统分别参加2009中文信息学会句法分析评测(CIPS-ParsEval-2009)和2010中文信

息学会与SIGHAN联合会议(CIPS-SIGHAN 2010)的人名消歧评测，均荣获第二名。

4反思

智能科学与技术专业作为一个新兴专业，虽然得到国内许多高校的重视并有良好的发展势头，但目前仍存在一些发展的制约因素。第一，智能科学与技术未能被列为一级学科，因此各高校的智能科学与技术学科建设只能依附于其他相关专业，导致该专业的发展缺少必要的学科保障，高层次人才(博士层次)的培养也受到严重制约；第二，智能科学与技术在国内尚未形成明显的产业群，因此该专业毕业生就业的行业特色不明显，目前各高校智能科学与技术专业毕业生的就业行业与计算机科学与技术、自动化、电子科学与技术等相关专业学生的就业领域基本相近，这导致该专业的特色无法被正确理解，也影响了专业招生。

在这种状况下，我们认为智能科学与技术专业要大力发展，应突出两点。首先，要加强智能科学与技术的科学研究，这一方面可以促进人才培养，另一方面也能通过展现高水平成果进一步扩大专业的学科影响力；其次，要加强智能科学与技术专业学生的实践能力培养，以此提高专业学生的就业竞争力，进而增强专业的吸引力。

参考文献：

[1] 钟义信. 设置“智能科学与技术”博士学位一级学科：必要性、可行性、紧迫性[J]. 计算机教育,2009(11):5-9.

[2] 东,李绍滋, 潘伟. 厦门大学“智能科学与技术”专业建设介绍[J]. 计算机教育,2009(11):46-48.

[3] 东,李绍滋. 智能科学与技术专业学生实践能力培养若干探索[J]. 计算机教育,2010(19):61-63.

Specialty Construction of Cognitive Science in Xiamen University

CHEN Yidong, LI Shaozi, PAN Wei

(Department of Cognitive Science, School of Information Science and Technology, Xiamen University, Xiamen 361005, China)

篇12

［关键词］“互联网+”；汽车专业；职业教育；智慧课堂；教学模式

一、引言

2012年业界首次提出“互联网+”概念，2015年政府工作报告首次提到制订“互联网+”行动计划，此后我国互联网跨界融合迅速展开，当今互联网创新效果深度影响各个领域。智慧课堂作为一种新型的教学形式，职业教育领域研究智慧课堂教学之风迅速兴起。目前国内关于“互联网+”背景下智慧课堂教学模式的研究仍处于初始阶段，大多研究侧重于智慧课堂的硬件技术实现，如智慧教室、移动终端教学工具、数字化教学平台、虚拟仿真软件等，搭建智慧教室或依托互联网智能教学环境。本文将总结“互联网+”背景下智慧课堂总体架构，建立适应高职汽车专业的智慧课堂教学模式实施构架和教学活动程序，开发“互联网+”背景下智慧资源，探索“互联网+”背景下多元化的动态评价体系，并进行智慧课堂教学模式的改革实践，将移动智能终端和大数据有效融入教学过程中，巩固专业知识，强化专业智慧技能，培养学生的创新意识以及使其养成良好的学习习惯，并促成可持续发展能力，从而对教学模式改革进行有意义的探索。

二、智慧课堂教学模式的改革路径

（一）明确概念，确定智慧课堂教学模式结构框架

教学模式是在教学理念的指导下，为完成一定的教学目标，进行教学活动规范，具体包含教学活动结构框架与相应教学活动程序，使教学过程较为稳定，且具有与之相对应的程序和策略。其中，教学活动结构框架是宏观上确定教学活动整体规划，而教学活动过程主要突出教学活动的具体操作。智慧课堂教学模式有特定的逻辑步骤和操作程序，体现了职业教育现阶段的教学理论思想，基本构成要素由智慧技能教学理论基础、课堂教学目标、课堂教学程序、智慧教学辅助条件、教学评价与拓展迁移六方面组成，“六方面”既要满足企业需求，又要实现学生的智慧技能可持续发展，并为智慧课堂教学模式实施构架的设计提供依据。

（二）探索“互联网+”背景下智慧课堂教学模式框架

根据教学模式构成的基本要素，将智慧课堂与当前职业教育教学理念相结合，从智慧技能教学理论基础、课堂教学目标、课堂教学程序、智慧教学辅助条件、教学评价与拓展迁移六个层面进行智慧课堂教学模式实施框架的设计。1.智慧技能教学理论基础“互联网+教育”是当今互联网科技与教育领域相结合的新教育形式，随着科学技术的不断发展而逐渐完善。教育部2018年《教育信息化2.0行动计划》提出现代教育技术要嵌入学习系统，建设基于互联网的大资源，建设人工智能的思维学习环境，提升学生的信息技术素养，开启智能教育。智慧课堂教学模式可以理解为充分利用大数据、云计算、物联网、虚拟现实及人工智能等现代信息技术，对行业企业需求、教师需求、学生需求、学习情境进行多方位获取，对学生学习过程进行有效记录和分析，依托课前备课系统、多媒体教学系统、问卷和答题系统等信息化技术手段为个性化学习的开展提供智能教育支持。2.课堂教学目标智慧课堂教学目标在于以问题解决为中心，建构有意义的教学内容，注重元认知的调节，充分发挥学生的主体性、创造性，引导学生学会学习，培养学生学会求知的能力，培养学生自主发现问题、解决问题的能力，使学生养成学习反思的习惯，引导学生创造性的学习，启迪学生的心智，最终促进学生终身学习和可持续发展。3.课堂教学程序教学活动是教学工作的基本形式，是一个为了达到一定的教学目标而进行的完整教学系统，包含师生活动全部行为，教学活动一般可以分为课前、课中和课后三个教学环节。在课前环节，要求教师依据课堂教学目标制作预习材料，结合学生特征进行分析，有针对性地进行课前设计，设计预习活动内容，资源；要求学生预习汽车相关的新结构、新材料、新工艺；然后实施自主预习活动，在线交流，实时反馈，数据呈现学生预习结果，科学应用课前预数据，适当调整课中和课后教学设计。在课中环节，教师创设情境，项目引领，问题切入，布置任务，导入新课，课堂随测限时提交，实时点评；学生整理问题，确定问题，多屏参与互动，巩固内化，举一反三；课中保持师生立体化互动，持续沟通，合作探究，教与学乐在其中，在寓学于乐中培养学生的综合职业能力。在课后环节，要求教师设置差异性学习拓展、比预习题型多样化的课后习题，提醒学生反思，开展个性辅导；学生学习相应拓展，提出疑问，提交必做的课后作业，提交录制的操作视频；课后巩固学习内容，学生之间可以互相学习，教师对此进行点评，学生在意义建构过程中形成持续深入学习的能力。4.智慧教学辅助条件（1）硬件条件。智慧教室应具备便捷、实时、可靠的电脑、平板、手机、笔记本等信息化智能移动学习终端，话筒、摄像头等移动终端硬件采集设备，多个显示屏幕、光传感器等物联网设备；智慧教室布局灵活桌椅；学生使用智能手机。能满足多设备、大数据量的互动需求，采集相关数据，记录存储教室内各种互动数据与轨迹。提供生产实训环境，智慧课堂需要对实践教学环节进行支持，汽车类专业智慧教室，最好能配置前教室、后车间的一体化教学环境。（2）软件条件。智慧课堂教学系统需要智能诊断、大数据、物联网、智能现实等技术支持，支持智慧学习系统需求；结合生产岗位具体需求，设置虚实相结合的虚拟仿真实训环境，解决个别实操设备、实践场景等受限问题。5.教学评价在“互联网+”背景下，充分应用人工智能、大数据等信息技术手段，探索教师、企业、学生等多元主体参与的“师生交互”动态评价体系，以便更客观地评价学生学习的效果和教师的教学质量。把学生在线学习、在线交流、在线测验、课堂表现、小组协作、技能操作、学习活动、行为轨迹、平时测试和期末考试等作为评价指标；借助移动工具、教学平台、考试平台、第三方问卷平台、调查问卷和综合考试等开展在线评价、面对面评价；开展学生自评、学生互评、小组评价、教师评价、企业评价和督导评价等多元评价活动；进而多元评价学生应知应会、操作技能、求知能力、分析解决问题能力、协作能力、创新能力和教师教学质量效果等。应用评价情况动态调整教学活动，促进教师开展教学改革，督促学生注重过程学习。6.拓展迁移教学中要注意学习迁移的作用，利用大数据掌握学生喜好以及对解决问题的程度，设置有关学习拓展，推介相关拓展学习内容，充分利用正迁移，消除负迁移，促进学生智慧成长和可持续发展。

（三）开发“互联网+”背景下智慧课堂教学资源

汽车技术日新月异，为了更好地适应汽车行业岗位需求，立德树人，要以行业需求和企业岗位工作任务为依据，对高职汽车类专业核心课程的教学内容进行重构，将“1+X”证书要求、职业资格证书标准、新技术新规范、工匠精神、创新精神融入课程中。工欲善其事，必先利其器。智慧课堂教学必须依托校企深度合作，进行产教融合，共同开发课程，建设优质教学资源。1.建教材优结构开发可及时更新的新媒体化活页式教材，内容要注重学生能力培养。首先，紧盯汽车产业转型升级需求，将基础知识及先进技术融入教材，比如汽车底盘检修课程的教材，内容选取要着重汽车底盘各系统结构原理、检修方法，同时将汽车新能源、智能化、网联化的新技术、工匠精神、创新精神融入教材，对于使用频率不高的相关原理可以选择性摒弃或设成拓展学习。其次，优化实践教学内容，理论、实践有效结合，促进学生融会贯通。最后，教材要能形象描述或动态演示专业设备仪器使用及汽车底盘系统检修方法、技术规范等。2.建课程配资源校企合作培养能熟练应用“互联网+”教学的“双师素质”教学团队，建设与教材同步的数字化教学资源，如讲解视频、实操视频、三维动画、课件、学习评价、测试题等，建设教学资源云平台，建设优质颗粒化网络数字资源，建设核心专业资源共享课程，保障学生课程学习兴趣和主动自主在线学习的积极性，建设拓展迁移资源，多门同类课程云平台改造整合，充分利用优质网络教学资源和大数据，进行深度互动，通过拓展资源促进学生知识迁移及可持续发展。

三、结论

篇13

【关键词】机器人；人的本质；机械唯物主义；

1737年，法国人雅克•瓦坎森制作出了一个真人大小的人形机器，可以吹出十二首笛曲，其精巧性已经超越了一般的玩具，标志着人类的第一个机器人诞生。人们在惊叹的同时也产生了恐慌之感。1818年，英国女作家玛丽•雪莱创作了被认为是第一部科幻小说的《弗兰肯斯坦》，小说的副标题是“现代的普罗米修斯”，她把创造了“怪人”并最终与“怪人”同归于尽的弗兰肯斯坦比作普罗米修斯，给人类带来了文明，自己却受尽惩罚，而“怪人”所隐喻的就是科技。从第一个机器人诞生至今的三个世纪里，机器人的智能化水平不断提高，与此同时，机器人恐慌也随之增强，科幻小说和影视作品无一不涉及“机器人威胁人类”的情节。

一、对机器人恐慌是对机器恐慌的加剧化

对机器人恐慌并不是无中生有，而是自工业社会以来人们对机器恐慌的加剧化。

（一）害怕被机器人取代。机器是一种工具，但与手工工具有着本质的区别。手工工具的运用需要人的技艺和气力，人的因素在产品形成中起着主导作用。机器的结构分为发动机、传动机、工作机三个部分[2]，远比手工工具复杂，因而具有不为操作者意志所控制的自动化的特点，对产品形成起主导作用的是机器而不是操作者。由于机器在力量、标准化、生产效率上远远胜过人类，人的力量的一部分——技艺和体力被机器代替，于是机器一出现就让人的生存受到威胁，“英国蒸汽织机把80万织工抛向街头”，衣食无着，工人处于恐慌而爆发了捣毁机器的“卢德运动”。机器人相比于机器，在自动化程度上实现了新的飞跃——智能化，不仅能更有效地替代人的体力，而且能替代人的脑力，在计算速度上、准确性上不断超越人类，车间、操作台、控制室、设计室等全方位的劳动领域上人的位置越来越多地被机器人所取代，人的安身之地在哪里？人前所未有地感到自己的渺小和无力。

（二）害怕被机器人伤害。在工业化早期，不少工人因反应慢于机器，被机器夹断肢体的事情经常发生，而更多的人成为《摩登时代》中卓别林饰演的工人，像机器一样做着紧张、单调的机械运动，连挠痒这样的人类基本生理需求也被机器剥夺了。在体质上由钢筋铁骨组成、在智能上有光速般计算速度的机器人面前，人受到伤害的可能性及其危害会更大。1920年捷克斯洛伐克作家卡列尔•萨佩克写了一部名为《洛桑的万能机器人》的剧本：一群不再甘愿被人奴役的机器人，把不再有什么作用的人类都杀了，成了地球的主人。这个剧本反映了人们对机器人的深度恐慌，如果说机器对人的伤害是让人变为畸形，那么机器人对人的伤害则是让人毁灭。萨佩克的预言在一定程度上已经得到应验：据统计，美军在2004年至2012年间，针对阿富汗恐怖组织的无人机空袭有300多次，杀死人数3000余人，但误杀平民和儿童1100人。

（三）害怕被机器人统治。马克思指出：“在工场手工业中仆人的角色总是由工具来担当”，而在机器生产中，“实行（简单）协作和把协作工人当作一个巨大的总自动机的活动附件和仆人而分配到这个自动机的各个部分上”。在工业化初期，机器统治人已经成为现实，许多人更有理由相信比机器智能得多的机器人将更有力地实现对人的统治。法兰克福学派代表人物马尔库塞认为：“工艺的基本原理就是统治的基本原理”，“旨在启蒙的技术能力的进步伴随着非人化的过程”。机器人的身体具有人类无法比拟的强大，如果还拥有高过人的智力，甚至具有情感的话，那么无论从身体还是思想上来看，机器人都是比人类更高形态的生命，如同人对低等生命所做的那样，机器人必然统治人类，机器人“待人类可能就像拍死一个蚊子这么简单”，人将会变成或害虫，被“在将来的动物园里”。科幻电影《黑客帝国》就展现了看似正常的现实世界实际上是由一个名为“矩阵”的计算机人工智能系统控制的未来景象。

二、对机器人恐慌的哲学根源是机械唯物主义

上述三种对机器人恐慌都可以归结为一点，即认为机器人的智能将会发展成为意识。这个认识与“人是机器”的观点同出一辙，因为只有肯定了“人是机器”，那么才有可能创造出和人一样会思考、有情感的机器，才能最终使机器人超越人类。工业化初期产生的机械唯物主义在人的本质上所提出的“人是机器”的观点，看似已经成为一个历史笑话，但实际上机械唯物主义并没有退出历史舞台，而是以新的话语形式表现出来，其中以行为主义、符号主义、联结主义为主要代表。机械唯物主义既是当时对机器恐慌的哲学根源，也是当今对机器人恐慌的根源。

（一）行为主义把机器的功能与人的行为等同起来。行为主义又称控制器学派，20世界40、50年代产生的控制论是其理论基础。控制论的代表人物维纳提出：“机器的自适应、自组织、自修复和学习功能是由系统的输入输出反馈行为决定的。”该学派认为，感知是对环境刺激产生的一种反应，而行为就是对这种反应的陈述，因此只要机器人能够像人一样行动就说明他们能够像人一样感知现实世界和环境，那么通过不断改进传感器、执行器就可以使人工智能不断进化，最终达到和超越人的智能。人工智能的创始人图灵认为，不要问“机器能否思维”，而要问“机器能否通过表征智能行为的测试”，如果对后者的回答是肯定的，那么对前者的回答就必然是肯定的。显然，图灵用转换命题的方式回避了“机器能否思维”问题，而不是回答了该问题。农民挑水浇灌菜地和天下雨淋湿菜地，结果都是菜地湿了，难道就能得出老天会挑水浇地的结论吗？只选取行为片段，而忽略行为发生的全过程，这是片面地、孤立地、静止地分析问题的机械唯物主义的认识方法。

（二）符号主义把人的思维与计算机的信息处理等同起来。符号主义是人工智能的主流学派，主要代表人物是美国赫伯特•西蒙、艾伦•纽厄尔等。该学派认为，人类智能的基本元素是符号（Symbol），因而是一个物理符号的系统，计算机也是一个物理符号系统，所以计算机可以具有与人一样的智能。符号主义源远流长，笛卡尔的理念论是其鼻祖。笛卡尔认为，任何种类的问题都可转化为数学问题，进而转化为代数问题，最终转化为方程（组）问题，而方程组的根就是问题的答案。功利主义的集大成者边沁将笛卡尔的理念论明确地拓展到人的心灵世界，人的情感、欲求、感受等的产生都是基于心灵对苦乐程度的计算和比较，因此计算才是心灵的本质，情感等只是一些外在的托词，完全可以将之归结为人体内分泌的调节，比如“荷尔蒙”的刺激作用。1674年，莱布尼兹发明了第一台机械式四则运算机，并毫不掩饰地宣称他的“计算机”的运算能力要强过人的运算能力，甚至还宣称它将会“象显微镜和望远镜取代视力一样”取代人的智能。符号主义用符号替换了笛卡尔的数字，用符号（信息）处理替换了笛卡尔的数学计算，却为笛卡尔“提供”了一台既能全面模拟人类心灵、又能实现人类身体功能的计算机，使笛卡尔的身心二元论得到了和解，因此符号主义是对理念论的继承和发展。理念论和符号主义将人的思维中的一部分过程——数学计算或信息处理夸大为人的思维的全过程，这仍然是以偏概全、一叶障目的机械唯物主义的认识方法。

（三）联结主义把人脑的生理结构与计算机网络等同起来。联结主义又称人工神经网络学派、神经计算学派、仿真学派或生理学派，联结主义中的机器人没有人形结构，而是一个试图实现人脑功能的计算机系统。1943年，麦克卡洛奇和匹兹创立了人工神经细胞模型（MP模型），并宣称人的大脑中每一个神经元都是一个简单的数字信息处理器，而大脑作为一个整体是一种形式的计算机器。依此观点，每一台计算机就是一个神经元，多台计算机连接起来的网络就形成神经元网络，多个网络系统相互连接就构成神经系统，多个具有简单应激性的单个计算机通过相互之间的信息交流来进行协同工作，就能够达到人的智能。20世纪90年代，联结主义发展到多智能体系分布式研究阶段，即按照人类社会活动是多人进行的且在地理上是分离的特征，致力于研制多台单智能体（一台计算机器）组成的，在分布式环境中由具有自洽性、交互性、协作性、实时性和自适应性的多智能体系统。尽管多智能体系结构远比MP模型复杂得多，但其基本的逻辑前提是人脑是计算机器，这个观点其实就是“人是机器”的翻版：人脑是人的最重要的器官，计算机器也是机器，连人脑都可以是机器，还有什么其他的人体器官不可以是机器呢？这就必然得出“人是机器”的结论。

三、人的本质学说是消解对机器人恐慌的良方

机器人具有或终将具有意识的观点，不是一点作用也没有，它以“人造人”的幻景激励着研究者们开展人工智能的研究和开发，但是由于哲学上错误性，它一方面导致社会对机器人的恐慌，即对机器人研制的质疑，另一方面导致机器人研制陷入永动机式的困局，这两方面都不利于人工智能的深化发展。机器人的出现和演化体现着、推动着人对自身本质的认识和反思，只有坚持人的本质学说，才能消除对机器人的恐慌，促进人工智能健康发展。

（一）机器人永远不可能具有人的意识。马克思指出：人的本质“是一切社会关系的总和”。意识作为人的机能具有两个基本属性：一是社会性。人及其意识是在劳动过程中产生和发展的。劳动使人实现消费、交换、分配，获得生存、繁衍和发展，因而是一种集体协作，必然形成一定的社会关系，因此劳动从一开始就具有社会性，决定了人及其意识的本质特征也都是社会性，无论是抽象思维还是形象思维，无论是情感还是潜意识，都是对人所处社会关系的反映。二是能动性。人在改造世界的劳动中生存和发展，因而人的意识具有能动性，不仅能够通过纷繁复杂的现象中发现事物的本质，而且可以通过想象在头脑中创造出世界上没有的新事物，为改造世界提供指导。以此反观机器人：其一，机器人工作不为消费、交换、生存、发展，不会结成一定的社会关系。

机器人，包括多智能体分布式系统，都不可能具有社会性，因而不具有产生意识的基础。其二，尽管CPU、传感器等元器件的性能越来越好，机器人的自动化程度越来越高，看起来具有越来越好的灵活性，但是机器人按照人所设定的程序进行运算而行动的机理没有变，因而不具有能动性，不能主动地、创造性地反映和改造世界。凡是主张机器人能够具有意识的观点，一个普遍性的倾向就是把人和意识割裂开，脱离人的本质来理解意识。例如，大卫•J•查默斯试图“严肃地对待意识”，却提出“任何具有适当功能组织的系统是有意识的，不管这一系统由何物形成”；“实施一个适当运算对于意识是充分的”。离开了对世界上最复杂的事物——人的本质的分析，意识就可以被想当然地任意简单化，可视为“适当功能”，也可视为“逻辑运算”等等，似是而非，结果是谬以千里。机械唯物主义肯定了意识在一定物质基础上产生，坚持了唯物主义，但是由于在社会领域上的唯心论和机械论，因而始终陷入“人是机器”或者“机器可以是人”的怪圈而不能自拔。

（二）机器人控制人的实质是人对人的控制。马克思认为，工人捣毁机器是工人运动不成熟的标志。他指出：“工人要学会把机器和机器的资本主义应用区别分开，从而学会把自己的攻击从物质生产资料本身转向物质生产资料的社会使用形式。”物是受人控制的，物对人的控制实际上是人对人的控制，即物的所有者对劳动者的控制。机器生产是生产力的进步，落后的是资本主义私有制，工人要捣毁的不应当是机器，而应当是资本主义制度，否则不仅不能改变工人阶级的命运，反而会受到资本主义制度更加残酷的迫害。1812年，英国国会通过《保障治安法案》，动用军警对付工人。1813年，政府颁布《捣毁机器惩治法》，规定可用死刑惩治破坏机器的工人。1813年，在约克郡绞死和流放破坏机器者多人。1814年，企业主又成立了侦缉机器破坏者协会，残酷镇压工人。

机器人对人的威胁，其根源仍然是资本主义制度。无人机滥杀无辜，是发达资本主义国家利用高科技实施霸权主义的恶果。美国科幻作家阿西莫夫曾给出了著名的“机器人学三定律”：第一定律是机器人不得伤害人类，也不得见人受到伤害而袖手旁观；第二定律是机器人必须服从人的命令，但不得违反第一定律；第三定律是机器人必须保护自己，但不得违反第一、第二定律。”这三个定律局限于人和机器的关系，回避了人与人的关系。事实上，机器人只会听从其所有者的命令，是否遵守第一定律取决于机器人所有者的意愿，最重要的第一定律变得最不重要，只是一个美丽的泡影而已。消解对机器人的恐慌，最根本的出路就是人压迫人的资本主义制度，建立社会主义制度，将少数人掌控的科学技术置于人民群众的掌控之中，让机器人为最大多数人服务，才能彻底消除机器人对人的伤害。

（三）人的全面自由发展是机器人发展的条件。曾任美国数学会主席的斯梅尔向全世界数学家提出了21世纪需要解决的24个数学问题，其中的一个问题是:“人工智能的极限是什么？”并指出这个问题与哥德尔不完全性定理有关。如果用一个数学定理证明人工智能的极限，这就是将人工智能看作是数学问题，又回到符号主义的窠臼中去。弱人工智能观和强人工智能观对这个问题做出了一定的回答：前者认为人工智能终将低于人的意识，是有极限的；后者认为人工智能终将超越人的意识，是无极限的。强人工智能观是机械唯物主义观点，而弱人工智能观否定了科技发展的无限性，两者都有局限性。回答人工智能的极限问题，不能离开人的本质问题，即只有科学地认识人的本质，才能正确认识人工智能的极限。马克思指出，科技发展是“历史有力的杠杆，是最高意义上的革命”，“对人的彻底解放具有彻底的意义”。

马克思认为，科技是人类社会实践的产物，是人类智慧发展的结晶，科技发展的程度表明人的本质力量得到自由发展的程度，同时科技发展也对人的发展提出了新要求，即要求人的更加自由全面的发展，只有自由全面发展的人才能更加推进科技的进步。人工智能开拓了人类利用自然物质的反应特性制造工具的极其广阔的领域，是人的本质力量——认识和改造世界的能力的一个崭新的革命性飞跃，使人们从繁重、危险的体力劳动和繁琐、计算性的脑力劳动中解脱出来，为人类能动性发挥提供了有利的条件，也提出了新的要求。1996年国际象棋棋王卡斯帕罗夫战胜了计算机“深蓝”，1997年输给了计算机“更深的蓝”，这不能证明人工智能超过了人的智能，而是呼唤人类不走常规棋谱的老路，创造出新的棋招，人类终将能够做到，“再深的蓝”也不能战胜。人的本质力量发展是没有极限的，人工智能也是没有极限的，它将随着人的发展而发展。人的全面自由发展是机器人发展的条件，只要人类解决了自身的发展问题，就不会再有对机器人的恐慌，也不必去担忧人工智能的极限问题。

参考文献：

[1]参见维基百科中的robot词条.

[2]马克思:《资本论》(第1卷),人民出版社1975年版,第410页.

[3]同上,470页.[4]朱启超:《滥用无人机反恐后果严重》,科技日报,2013年9月24日.

[5]《马克思恩格斯全集》(第47卷),人民出版社1979年版,第525页.

[6]转引自《法兰克福学派研究》,欧力同,张伟著,重庆出版社1990年版,270页.

[7][美]约翰•华生.行为主义心理学,李维译,浙江教育出版社1998年版,第56页.

[8]冯天瑾:《智能学简史》,科学出版社2007年版,第115页.

[9][英]笛卡儿:《探求真理的指导原则》,管震湖译,商务印书馆1991年版,第89页.

[10]周辅成:《西方伦理学名著选辑》(下卷),商务印书馆1964年版,第227页.

[11]参见《莱布尼兹自然哲学著作选》,中国社会科学院出版社1985年版,第6页.

[12]《马克思恩格斯选集》(第1卷),人民出版社1995年版,第56页.

[13][美]大卫•J•查默斯:《有意识的心灵——一种基础理论研究》,朱建平译,人民大学出版社2013年版,第1页.

[14]同上,第379页.[15]同上,第380页.[16]马克思:《资本论》(第1卷),人民出版社1975年版,第469页.

篇14

技术联姻教育总是那么谨慎

技术与教育之间的关系，我们以为是一个不等式：1+1≠2。

一方面，整个世界对教育的抱怨不断强化，如诺贝尔物理学奖获得者中村修二批评整个东亚教育体系“浪费了太多生命”。美国投资家查理・芒格演讲指出：“光靠已有的知识，你走不了多远”……另一方面，仅以联合国教科文组织为例，继1972年出版了研究报告《学为生存：教育世界的今天和明天》和1996年出版了研究报告《教育：内在的财富》之后，2016年又公开出版了一份新的研究报告《反思教育：向“全球共同利益”的理念转变？》。联合国教科文组织总干事伊琳娜・博科娃在这一报告的《序言》中指出：“社会无处不在经历着深刻变革，这种形势呼吁新的教育形式，培养当今及今后社会和经济所需要的能力……我们必须高瞻远瞩，在不断变化的世界中重新审视教育。”

一方面，微软创始人比尔・盖茨2013年在出席美国德克萨斯州奥斯汀市举办的SXSW互动大会教育分会上明确表示：过去十几年间教育领域的技术发展陷入了停滞，研发投入也远远不够……到了2016年，比・盖茨在ASU-GSV峰会上所做演讲围绕“科技革命如何引导教育进入下一阶段”的主题时谨慎明确表示：“我们的基金会已经在美国教育上花费了几十亿美元，不过在此之前，我们首先需要搞清楚现在这些学生是什么样的，以及我们怎么才能很好地服务于他们。”另一方面，2017 年 6 月召开的联合国国际电信联盟（ITU）等联合国机构和 XPRIZE 基金会共同组织了人工智能造福人类峰会（AI for Global Good Summit），旨在讨论让人工智能符合可持续发展的目标（SDG）强调的 17 个可持续发展目标中，“质量教育（Quality Education）：用个性化教学变革教育”赫然在目。

以上两组看似对立，实则呼应的案例，揭示了当前教育变革的痛点、痒点和奇点，都与时展、科技进步等外在因素间架构起诸多交集，而由此派生出来的诸如学习模式、思维特质、个性潜质和行为科学、脑科学等新兴教育边缘学科之间形成了新的认知和有了新的应对之策。曾经几时，教育陆续地迎来了许多新技术。从最初的广播录音到电影电视，再到后来的互联网……然而，技术到底能否改变教育呢？如果我们只是试图用颠覆性革命视角去看待技术的教育价值，那么无疑会得到悲观的结果，而在现实中，技术对于教育的改变是温水煮青蛙式的改变：第一，技术改变了知识观念，对知识的定义不再拘泥于总结性结论信息的汲取，而更重视可持续发展，乃至未来趋势性的元素预判。第二，技术改变了教育界限，学校正在成为学生生命中重要成长阶段的孵化器，进而要求教师承担起多元智慧导引的新使命。第三，技术改变了学习，关注正式学习形式、拓展和延伸学习的内涵等深度学习要素排序急剧上升。

反观本段落的不等式，答案应该是：教育因技术而成长，技术因教育而迭代。

教育技术的内涵与外延该不该重构

教育变维时代，应该能达成学习变频的交集。

“变维”一词最形象的揭示出现在《三体》，而最精准的学术定义倾向于“谷歌学术”；限于篇幅，这里只罗列一组相关概念延伸：降维、升维、高维、低维、众维、分维……简单理解就是一句话“升维思考，降维执行（打击）”。在教育视域下，看似高维的技术攀升，并不一定只有操作升维才能响应，事实上，反倒是在契合时代进步的同时，不忘初心，更显得适切教育本元。教育装备，教育技术，教育工程，教育生态……这一路走来，教育技术的内涵与外延重构的核心概念大可归结为一个词：“跨界迭代”。唯一需要阐明的一点就是，在不被传统教学范式捆绑的同时，也实在没必要刻意追求技术条件与装备环境的高大上先行；高解构与低结构之间是完全有可能达成平衡的。依我们的经验，通过八项保障性学能资源体系的建构，同样可以在确实有需要的境况下，达成类似的目的（这八项实验生态改革是：在既有学科实验室的基础上，第一做到突破教材实验底线要求，实现学科成长实验贯通；第二是要求学科间实验室实现交叉实验项目的开放响应；第三是鼓励创建基于学科拓展的特色实验室；第四是引进学校区位环境内的社会博物馆科技馆资源课程；第五是寻求驻在学校所在城市的大专院校实验室向中小学生有条件开放；第六是说服社会高新企业研发级实验室为中小学生研究提供方便；第七是建立基于实验项目可行性论证之后的中科院系所研发环境的支撑；最后，是建立与海外科研机构、高校资源链接的离岸实验系统）。

在教育的执行层面，比如学科、学校、课堂、学教……介入因子的能动变化确实稍显被动，即便是前进也亦步亦趋，鲜少主动因应。究其原因，还是观念过于固守，思维定式影响力过于强大，加之教育界内外求全责备、又自我混乱的评议生态的干扰，就使得自我变革的欲望不断被内耗，自我探究的勇气不断被质疑，自我实验的冗余度环境不甚理想……即便如此，我们依然有可能在“变频”中收获坚守。大家熟知的（基于兴趣，而非成绩）“走班制”“学习广场”“学术假期”不再多言，除此之外，还有一些做法可以借鉴。比如“STEM”课程，同样以“机器人教育”为抓手，有很多学校都群起效之，但真能做到学科融合、学能一体的经验实在还不够多；这里，贡献一己设计，期待抛砖引玉：“使命召唤――卓越成长支撑共同体”。由“学能生态孵化环境”（可选项包括学科成长促进机制、国家课程贯通重构、团队协作课程开发、校内微型实验基地群落地等）；“未来生涯导引系统”（可选项包括潜质检测分析、个性特质跟踪及行为科学介入训练、对接国际能力档案的第三方多元评价响应、职业导向辅导等）；“资源辅佐响应体系”（可选项包括八级实验环境支撑、预现未来的深度学习同频、远程异地交流后台建设等）；“访学成长基地布局”（可选项包括世界高端学术观摩、跨学段课程先修、学生境内学术假制度和离岸访学基地建设）；注重品牌内涵附加值提升的外联共享特色（可选项包括结合区位环境的联盟校个性课程生态再设计、高端课程资源社群、校际联动课程众筹协调机构、学生专利世界等）五部分协调响应（可渐次推进）。

教育技术有哪些引领教改的发力点

技术只是工具，外在环境可以改变一部分人，而不是全体。从教育的视角，有两个理由可以佐证。

其一，“天生我材必有用”名言的支撑点在于“不拘一格降人才”；当下教育变革中，一个最大的困惑就在于，我们总是在寻求一种能够帮到所有学生齐步向前的“万全之策”。事实上，这只能是一种善良却不科学（更不理性）的愿望而已。一旦我们对教育的认知有了如此这般的修正，那么，技术对教育的影响力才有可能真正释放出来。

其二，我们都已经熟知一个词“STEM”，我们也都不同程度地了解人类发展经历了漫长时期的同时，最重要的进化，是学会使用工具，有了“技术”。单从字母排序上，“技术（Technology）”位列第二，但这之后的工程（Engineering）和数学（Mathematics），与前面的科学、技术之间，难道没有发现一种内在的教育规律么？在教育的金字塔结构中，“科学”承载着所有，但“工程”却引领着技术！而最终稳坐桂冠的永远都是“数学”（哲学境界的象征）。所以，理性的解读应该是教育工程既传承了科学，也弘扬时代未来，更实践着科学发展。

因此，技术影响力延后对教育领域的波及，乃在于教育期待技术的支撑而不是替代；由此延伸，也就顺带着回答了另一个问题：为什么以总结性经验（知识）为主要表征的教育方法论，千百年来却又一直承担起建构未来的重任。

下面的举证，都是为了以上推演的成立。

首先，最新技术，尤其是到了智能时代的技术爆炸阶段，技术不再以效仿人类为己任。比如，机器人不再止步于减轻人的劳动付出，而是向着无人境界远行；再比如，深蓝和阿法狗选择了挑战人类引以为傲的高智慧尊严；再来看看权威机构的预判，全球数百位顶尖科学家，耗费漫长时间，搭建了一个复杂数学模型，通过类似摩尔定律的多重推演，得到一个最终结论：人工智能或将在2040年，达到普通人智能水平，并引发智力爆炸。这一时刻，距今还有23年……面对这样的发展趋势，来自教育的回答是“教育不教知识和技能，却能让人胜任任何学科和职业”（理查德・莱文（Richard Charles Levin），耶鲁大学校长）。

其次，比23年期限更可怕的是，到达节点后，人工智能或将实现瞬间飞跃。对AI的最新定义是“非生物智能”！人工智能专家普遍认同，非生物智能不可能锁死在人类自己能够展望的水平上。它将超越人类，变成我们无法理解的智慧物种。这里，就给教育以警示，我们必须提早介入到帮助所有学生认清情势，并提前因应的绸缪之中，@里的教育重点，或将越来越多地从“技术中心论”调适为“生存中心论”。

再次，教育将优先关注那些有效的个性化学习产品。比如，“Big History Project”（这个产品重新定义了小孩学习科学的方式）；比如，NewClassrooms和ThinkCERCA就分别为K12学生学习数学、掌握读写能力提供了全新的学习体验……

最后，要清醒地认清，就教育的支点而言（毕竟美国正式推出STEM是以“国家战略”的名义的），教育技术与获得技术支撑的教育之间的关系，是一种目与纲的关系。与此同时，亟待建立证据基础来评判产品是否有效，比如LEAP Innovations这个组织就在做这件事情，它针对个性化学习产品提供了行之有效的评估方法。

我们布局最新教育技术应用的设计

着眼于未来办教育，这是教育的初心，更是教育不遗余力追求的本元。但样本肯定不是唯一的，甚至在现阶段，只能存在挂一漏万的实验设计。

我们现在正在开发的“未来学校”模式，就其契合技术这个视角而言，大抵做了四个方面的响应。

第一，“同频时代”。不单是指学校的基础设施将得到极大提升，教室会变得很不一样。不仅是说跟进了一些最尖端的智能设备，而是学习（是的，不再是教育教学）的整个布局都会变得个性化。在这方面，我们持续了整整十年的摸索，上文提及的“八级学习资源系统”将多快好省地保证深度学习模式的有效实施，而不必再纠结于经费、师资、教材等的制约。

第二，“同步世界”。我们重点试验了两大系统，一个是Summit Public Schools和Facebook联合开发的一种在线教育工具――PLP（个性化学习平台）。这一软件能将整个学年的课程放在一起，形成视觉化的项目图，而学生可以在日程表上安排自己的学习进度、选择学习材料并参加考试。通过PLP，教师也可以评估学生的学习情况，并与学生配合，共同确定新课程计划。另一个是Wolfram Alpha（也称为WolframAlpha或Wolfram|Alpha，缩写WA），是由Wolfram Research公司推出的一款在线自动问答系统，在美国 Popular Science 杂志的投票评选中获得2009年度最伟大的科技创新产品的荣誉）；Wolfram|alpha就像从一个巨大的电子大脑（electric brain）搜索答案，它能针对广泛的问题提供详尽的答案，即使这些问题以不同的方式询问，它也能应对自如。

第三，“定制未来”。这方面的支撑理论是“冰山理论”和“最近发展区理论”，而辅佐的技术支撑主要由现代心理学、认知科学、行为科学和最新脑科学等成果组成；而派生出来的成果聚焦在个体潜质发现，与职业生涯设计。