近日，由中國人工智能學會主辦的《2024年全球人工智能技術大會——面向基礎教育課程的AIGC應用》在中國杭州舉行。生成式人工智能（AIGC）在基礎教育應用中還是初步階段，對于AIGC與開源硬件深度結合應用于基礎教育中的發展前景，上海智位機器人股份有限公司CEO葉琛博士與線上的專家和43萬聽眾，一起探討和分享了他的看法。

開源硬件在基礎教育的10年

葉琛博士首先從硬件在基礎教育發展的10年講起，解惑了聽眾存在的疑問——開源硬件在人工智能基礎教育中的作用。在這10年里，開源硬件在基礎教育的發展經歷了一段有序的演進。2006年，Arduino Uno作為首款面向高校藝術生的開源硬件問世，其簡單易用的特點降低了非技術學生進行藝術類交互式項目和原型設計的門檻。10以后，在2016年，英國BBC發布了正式面向基礎教育的開源硬件產品micro:bit，為學生提供了更多實踐機會。2018年，國產掌控板也推出，進一步豐富了基礎教育場景中的硬件選擇。這些開源硬件已經在全球范圍內的中小學基礎教育中得到了比較廣泛的應用。2014年，謝作如老師發布了面向開源硬件的中小學課程，開啟了開源硬件在中國基礎教育領域的發展。

這10年間，開源硬件在國內基礎教育得到了廣泛的應用。涵蓋了自然科學、技術、生命科學、基礎教育的勞動教育、通用技術，以及物理跨學科和實踐類課程。開源硬件在基礎教育生態系統中相對比較完善。全球范圍內，提供了500多種不同的開源硬件選擇，同時在軟件層面上也有許多圖形化編程軟件和相關工具可供選擇。近年來，在物聯網領域，EasyIoT、SIOT等服務器端技術，以及與物聯網通信相關的無線通信模塊得到了廣泛而完善的應用。

開源硬件在基礎教育的10年中發揮的作用

葉琛博士總結了開源硬件在基礎教育10中起到的四大作用：

一、在基礎教育中，學習計算思維、STEM相關的課程，硬件增加了學生對所學內容的興趣，培養和發展了學生的問題解決能力和機電一體化相關知識。

二、Arduino以及類似開發板被認為是一個用戶友好且易于獲取的教育資源，可以與模擬器結合使用，激發學生的動機，促進跨學科和多學科的學習。

三、編程與STEAM教育：學習編程有助于學生掌握其他與計算思維相關的STEAM學科，特別是機器人和人工智能領域。

四、使用硬件的學生在科學知識和技能測試中的表現優于未使用的學生。

開源硬件在STEAM跨學科中的廣泛應用

葉琛博士講到“開源硬件在STEAM跨學科中發揮了廣泛的應用。在科學探究課上，學生常常面臨沒有適當工具的問題，但通過開源硬件，他們可以制作探究類的工具，以便完成相關的探究活動。比如，學生探究水在自然空氣中和在太陽照射下的純凈度變化時，如果缺乏開源硬件，這個實驗將會面臨困難，因為需要花費幾小時甚至幾十個小時進行不間斷的測量。然而，借助硬件，他們可以設計采集數據傳感器來自動采集數據，進而根據這些數據進行分析。這種方法使得學生獲得數據更加高效且準確。”

人工智能融入基礎教育成為趨勢

“智慧物聯網涉及多個傳感器，可以采集聲音、環境溫濕度、含氧量、PM2.5等數據，這些數據被整體采集并顯示出來，然后存儲到本地服務器中。在面對如此多樣化和高維度的數據之后，數據分析變得至關重要。然而，在處理這么多復雜高維數據時，目前的系統、軟件和硬件存在著明顯的局限性，無法同時有效識別大量數據。舉例來說，對于基于加速度的手持識別，加速度會涉及大量持續數據，通過這些數據來識別不同手勢變得具有挑戰性，需要涉及到人工智能中的模式識別。傳統方式下，這種任務可能讓99.99%的老師和學生們感到困擾。因此，人工智能被視為一種處理高維數據和多維數據的強大工具，因此在基礎教育中逐漸融入人工智能課程將成為重要趨勢。”葉琛博士講到。

基礎教育中如何融入人工智能

基礎教育中如何融入人工智能，葉琛博士從如下的五個方面：人工智能兩大領域、人工智能在基礎教育中面臨的問題、神經元網絡課程、學校層面神經元網絡教學內容探討和硬件在人工智能基礎教育中的部署，深入淺出地分享了他的想法。

一、人工智能的兩大領域

葉琛博士首先介紹了人工智能公認的兩個研究領域：符號計算和聯結計算。在2012年之前，人工智能的研究主要集中在符號計算領域。符號計算依賴于概率統計和信息代數等數學理論作為其基礎，使其成為一種有理論依據、可解釋的計算方法。直到2012年梯度下降學習方法的出現，深度神經網絡才開始嶄露頭角。然而，與符號計算相比，深度神經網絡目前缺少理論基礎，當前研究主要還是側重于深度神經網絡的結構和能力邊界的探究。深度神經網絡的研究重點主要集中在數據處理方法、神經元架構以及聯結方式（特別是近期對大數據模型如transformer和Mamba架構的研究），以及網絡訓練方法。

二、人工智能在基礎教學中面臨的問題

葉琛博士認為，在人工智能領域，兩個研究領域各有優勢和特點，在人工智能教育中就會出現“教什么”的困難。深度神經網絡缺乏理論支撐，因此無法從理論層面推演出教學內容的方向，只能依據現有特點和效果設計教學課程。在過去一年中，已經進行了許多課程實踐。例如，出現了許多高中人工智能課程，主要分為典型的三部分：基于符號計算的課程、逐步過渡到應用場景的課程，以及完全從應用場景出發的課程。

三、神經元網絡課程逐步成為人工智能課程的聚焦點

葉琛博士繼續講到，“從2018年開始，人工智能課程的討論逐漸增多。直到2023年，隨著大模型的出現，我們開始認識到神經元網絡的優勢和未來發展方向。神經元網絡可能成為真正人工智能未來研究方向的一個聚焦點。從2023年開始，高中人工智能課程逐漸加大了有關神經元網絡內容的產出。”

四、學校層面神經元網絡教學內容探討

在學校教授神經網絡時，通常會側重于經典的使用路徑，涵蓋數據準備、模型構建、模型評估與訓練，以及模型應用等關鍵步驟。學生在掌握基礎理論后，會進入實踐擴展階段，需要通過手動操作模型相關流程來應用所學知識。

葉琛博士分析到，“在解決實際問題時，應用人工智能涉及一系列環節，包括問題分析、數據收集、模型訓練、模型部署、交互設計和應用構建。在這個過程中存在許多依賴項，例如選擇何種工具用于數據收集和標注，以及在模型訓練階段考慮模型選擇、算力需求和軟件依賴等。模型部署階段也需要考慮硬件依賴，如何將模型部署在硬件上進行推理。整個流程充滿了不確定性，使用難度較大。

因此，在實際應用中，經典流程可以簡化為兩部分，一部分是與模型相關的（藍色）、另一部分是可以利用到模型的（紅色），同時將其中主要的傳統的開源硬件和老師們熟悉的相關內容抽離出來集中到三大塊：數據的采集、訓練和推理、模型的轉化和優化。通過這個方式，把訓練好的模型融入到現有的控制系統中，可以大幅度減少老師和學生們在使用模型、利用模型中的一些困難。”

XEduHub是面向基礎教育的AI工具箱，在認知層面大大簡化了人工智能的門檻。該工具箱集成了最新模型，并能方便快捷地與現有硬件進行整合和調用。這樣一來，可以顯著減輕老師們在環境配置、模型選擇和數據訓練方面的工作量。同時，DFRobot與謝老師團隊合作，將AI工具箱通過Mind+的圖形化編程軟件界面融入其中，使老師們通過熟悉的界面增加AI相關的學習內容。通過簡單的圖形化和模塊化方式，讓老師和學生們從數據和簡單模型訓練起步，逐步進行模型推理。

五、硬件在人工智能基礎教育

模型部署需要相應的硬件支持，以便讓訓練好的模型得以應用。硬件能夠簡化老師和學生們的模型部署流程。例如，二哈識圖（HuskyLens）AI 視覺傳感器內置一些常用模型，學生們可以直接使用，只需通過一個攝像頭，無需電腦和編程，便可以了解模式識別的內容。另外，行空板是一款標準的小型手掌電腦，可以通過一些轉化工具直接將XEduHub生成的標準模型部署到行空板中。學生可以直接查看模型處理數據的結果，并與開源硬件連接，實現一些輸出，如點擊控制或燈光顯示等。與二哈識圖（HuskyLens）和行空板（Unihiker）相比，樂鑫ESP32開發板成本和門檻較低。這款開發板可以運行TinyML模型，同時能更準確、高效地處理持續數據。

硬件在人工智能基礎教育的機遇和挑戰

葉琛博士，最后總結了硬件在人工智能基礎教育的機遇和挑戰，他講到，“硬件在人工智能基礎教育中可以極大地激發學生的興趣。學生通過直接觀察硬件相關技術和應用，將所學知識應用于項目和實踐中，從而了解知識的運用效果。同時，更完善的集成化硬件幫助老師降低了使用門檻。然而，目前依然存在一些不足之處。軟件供給鏈尚不完善，使用難度較高，需要更易用的軟件出現。對于需要進行模型訓練的場景，學校現有的算力和硬件均有不足。此外，對許多老師而言，使用新技術和設備往往帶來一定的挑戰和畏難情緒。我們需要共同努力，打造完善的生態系統，讓軟硬件工具變得更加成熟，讓基礎教育的老師們更好地擁抱人工智能。道闊滄桑，前行不止。”

審核編輯 黃宇