明确基本特征，了解核心算法

李维明

《普通高中信息技术课程标准（2017年版2020修订）》（以下简称《课标》）要求，通过人工智能基础部分的学习，“学生应该了解人工智能的发展历程及概念，能描述典型人工智能算法的实现过程”。所以，对本单元的教学可以从人工智能的基本概念入手，了解人工智能典型的核心算法，并借用案例，让学生在体验中习得。

● 明确人工智能的基本特征

人工智能的定义是什么？这个问题长期以来并没有统一的说法，从1950年的图灵测试，到1956年的达特茅斯会议，都没有形成一个共识。但其讨论的“用机器来模拟人类的学习及其他方面的智能活动”的话题却成为“人工智能”这个词的来源。《2021人工智能发展白皮书》将人工智能定义为：“人工智能是指研究、模拟人类智能的理论、方法、技术及应用系统的一门技术科学，其使用机器代替人类实现认知、识别、分析、决策等功能，其本质是对人的意识和思想的信息过程的模拟。”这应该是目前对人工智能的最适切的定义。

人工智能有三大基本特征：人工智能是由人类设计、为人类服务的，其本质为计算，基础为数据;人工智能能感知環境，能产生反应，能与人交互，能与人互补;人工智能有适应特性，有学习能力，有演化迭代，有连续扩展。

从根本上说，人工智能系统必须以人为本，这些系统是人类设计出的机器，按照人类设定的程序逻辑或软件算法通过人类发明的芯片等硬件载体来运行或工作，其本质体现为计算，通过对数据的采集、加工、处理、分析和挖掘，形成有价值的信息流和知识模型，来为人类提供延伸人类能力的服务，来实现对人类期望的一些“智能行为”的模拟，在理想情况下必须体现服务人类的特点，而不应该伤害人类，特别是不应该有目的性地做出伤害人类的行为。

人工智能系统应能借助传感器等器件产生对外界环境（包括人类）进行感知的能力，可以像人一样通过听觉、视觉、嗅觉、触觉等接收来自环境的各种信息，对外界输入产生文字、语音、表情、动作（控制执行机构）等必要的反应，甚至影响到环境或人类。借助于按钮、键盘、鼠标、屏幕、手势、体态、表情、力反馈、虚拟现实/增强现实等方式，人与机器间可以产生交互与互动，使机器设备越来越“理解”人类乃至与人类共同协作、优势互补。这样，人工智能系统能够帮助人类做人类不擅长、不喜欢但机器能够完成的工作，而人类则适合于去做更需要创造性、洞察力、想象力、灵活性、多变性乃至用心领悟或需要感情的一些工作。

人工智能系统在理想情况下应具有一定的自适应特性和学习能力，即具有一定的随环境、数据或任务变化而自适应调节参数或更新优化模型的能力，并且能够在此基础上通过与云、端、人、物越来越广泛深入的数字化连接扩展，实现机器客体乃至人类主体的演化迭代，以使系统具有适应性、鲁棒性、灵活性、扩展性，来应对不断变化的现实环境，从而使人工智能系统在各行各业产生丰富的应用。

● 了解人工智能的核心算法

《课标》要求学生要“了解人工智能的核心算法，熟悉智能技术应用的基本过程和实现原理”，这“核心算法”是指什么呢？《课标》里举了两个例子：启发式搜索、决策树。

要了解“启发式搜索”算法，首先应知道什么是搜索算法。搜索算法是利用计算机的高性能来有目的地穷举一个问题解空间的部分或所有的可能情况，从而求出问题的解的一种方法。现阶段一般有枚举算法、深度优先搜索、广度优先搜索、A*算法、散列函数等算法。在大规模实验环境中，通常通过在搜索前根据条件降低搜索规模、根据问题的约束条件进行剪枝、利用搜索过程中的中间解避免重复计算这几种方法进行优化。

具体来说，搜索算法就是根据初始条件和扩展规则构造一棵“解答树”并寻找符合目标状态的节点的过程。从最终的算法实现上来看，可以将其划分成两个部分——控制结构（扩展节点的方式）和产生系统（扩展节点），而其算法优化和改进是通过修改其控制结构来完成的。在这样的过程中，将一个具体的问题抽象成了一棵树，这就是搜索树。

搜索树的初始状态对应着根结点，目标状态对应着目标结点。排在前的结点叫父结点，其后的结点叫子结点，同一层中的结点是兄弟结点，由父结点产生子结点叫扩展。完成搜索的过程就是找到一条从根结点到目标结点的路径，找出一个最优的解。这种搜索算法的实现类似于图或树的遍历，通常可以有两种不同的实现方法，即深度优先搜索和广度优先搜索。

而启发式搜索算法，就是在状态空间中的搜索对每一个搜索的位置进行评估，得到最好的位置，再从这个位置进行搜索直到目标。例如，A*算法就是利用问题的规则和特点来制订一些启发规则，由此来改变节点的扩展顺序，将最有希望扩展出最优解的节点优先扩展，从而可以尽快地找到最优解。

决策树是一种基本的分类与回归方法，其本质是通过一系列规则对数据进行分类的过程。决策树算法首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。决策树模型呈树形结构，在分类问题中，表示基于特征对实例进行分类的过程。决策树算法是一种逼近离散函数值的方法，是一种典型的分类方法。

当然，人工智能涉及的算法远不止这些，但了解了这两种基本的核心算法，对其他算法的理解以及对人工智能的算法实现也就有了初步的感受，这对继续深入地了解人工智能实现的基本原理大有帮助。

● 教学策略

对于本单元的教学，《课标》给出了明确的策略：“在学习有关人工智能基础知识方面的内容时，可多采用案例剖析法，让学生在模仿中习得，在创造中推新。尽可能利用学生在必修、选择性必修等课程学习中已取得的经验，降低学习障碍，保证学习效果。”

为此，不同的教材给出了不同的案例帮助开展学习活动。例如，人教-中图版教材对决策树的认识就从“小明会推荐妈妈买哪款手机”入手，根据妈妈购买手机的需求构建一棵“手机选择决策树”，从而认识典型决策树的“决策点”“分支”“终结点”等要素，引出构造决策树的“收集数据”“准备数据”“训练算法”“测试算法”“使用算法”的一般流程，最终让学生在了解中习得。又如，沪科教版的教材设计项目活动“让智能车自动规划路径”，“用人工智能实现路径规划”“预测交通流量”，并“根据路况进行智能决策”，“搜索最佳路线”，从而使学生通过这些活动，逐步认识、理解决策算法、搜索及启发式搜索的基本思路和方法，构建决策树最终帮助实现决策，以找到最佳路线。

人工智能基础是学生进入智能世界的大门，运用正确的方法、建立正确的概念、形成正确的观念是本单元教学的基本思路，对具体案例的体验和模仿是实施教学的基本路径，如果能借助人工智能发展的历史案例进行教学，一定会获得更好的效果。