三届试题演变揭示中小学AI教育跃升路径：从工具使用到问题解决能力培养
近年来，中小学人工智能教育正逐步走向成熟。
如果早期的AI教学更多侧重于“体验工具”“调用模型”“完成分类任务”，那么从第七届、第八届到第九届全国中小学人工智能教育相关展示活动的测试题来看，命题方向已明确指向更高层次的能力要求：
这三届试题，表面是三套测试题，实质构成了一条中小学AI教育能力进阶的清晰路径。
它们共同回应了一个核心问题：
新时代的人工智能教师和学生，究竟需要具备怎样的AI通识素养与实践能力？
一、三届试题整体结构：综合实践始终是核心
第七届、第八届、第九届试题均为100分，测试时间180分钟，均强调断网施测、自带电脑、模型与程序本地可运行。
三届试题结构高度一致：
届次
选择题
编程填空
综合题
核心特色
第七届
15分
15分
70分
教师基本功、表格回归、摄像头动作识别
第八届
15分
15分
70分
政策理解、模型组合推理、健康预测、鸟类图像分类
第九届
15分
15分
70分
AI历史与前沿、NLP、物理建模、鸟鸣声音识别
可以看到，三届试题都把70分放在综合实践题上。
这说明命题者真正关注的，不是选手是否能背出几个AI概念，而是能否完成一个相对完整的人工智能项目：
这正是人工智能教育从“知识介绍”走向“项目实践”的关键标志。
二、选择题变化：从技术常识到政策伦理，再到AI历史与前沿
三届试题的选择题都只有5道，每题3分，共15分，但内容变化很值得关注。
第七届：强调AI前沿动态与基础技术史
第七届选择题涉及：
- OpenAI产品发布时间；
- 智能计算阶段；
- 梯度消失与ReLU；
- ONNX与开源硬件；
- ImageNet与AlexNet。
参考答案为：
题号
答案
1
D. GPT-4o
2
A. 大模型计算系统
3
B. ReLU
4
C. 行空板
5
A. AlexNet
这一届更突出“教师基本功”：既要知道GPT-4o、Sora、大模型计算系统等前沿动态，也要理解ReLU为什么能缓解梯度消失，知道AlexNet在ImageNet发展史中的里程碑意义。
这说明AI教师不能只会使用工具，还要理解技术背后的基本原理和发展脉络。
第八届：强调AI通识教育政策与生成式AI使用规范
第八届选择题涉及：
- 人工智能三大技术基础；
- 人工智能研究方向冷热变化；
- 深度学习的神经元基础；
- 《中小学人工智能通识教育指南（2025年版）》；
- 《中小学生成式人工智能使用指南（2025年版）》。
参考答案为：
题号
答案
1
A. 算力
2
C. 定理自动证明
3
D. M-P模型
4
B. 传感设备
5
A
这里特别要说明第4题。
题目问：《中小学人工智能通识教育指南（2025年版）》正文中没有出现的关键词是哪一个。
正确答案应为：B. 传感设备
从题意中，很容易错选，但文件正文中有“编程工具”相关的表述，例如：
“掌握简单人工智能工具的基础操作，通过可视化编程工具完成简单指令设计……”
因此，“编程工具”不能作为未出现项。
第八届选择题的一个重要变化是：AI教育不再只考技术，还考政策理解、教育定位和伦理边界。
特别是第5题强调：
生成式人工智能不能替代教师成为教学主体。
这体现了当前AI教育中的重要价值判断：
AI是辅助工具≠替代性教学主体
第九届：连接AI思想史、大模型前沿与智能体时代
第九届选择题涉及：
- 图灵与香农；
- 过拟合与dropout；
- Hinton、Hopfield与2024诺贝尔物理学奖；
- 智能体OpenClaw；
- RAG检索增强生成。
参考答案为：
题号
答案
1
A. 克劳德·香农
2
B. 增加dropout比率
3
D. 玻尔兹曼机
4
C. OpenClaw
5
C. 增加推理电脑的内存和显卡
这一届选择题非常有代表性。
它一方面回到人工智能思想源头：图灵与香农关于机器智能的讨论；另一方面又进入当下前沿：RAG、智能体、大模型知识库、神经网络诺奖成果。
这说明中学AI教育正在形成一种更完整的知识结构：
AI教育不能只追热点，也不能只讲旧知识，而要打通历史、基础、前沿与应用。
三、编程填空题变化：从数值归一化，到视觉推理，再到NLP文本分析
三届试题的编程填空题各15分，看似分值不高，却非常能体现AI基础能力的变化。
第七届：归一化——数据预处理的基本功
第七届编程填空题考查Min-Max归一化。
给定数据：
pose_features = [0.5, 0.9, 10.8, -1, 3.6]
要求将数据缩放到[0,1]区间。
公式为：
填空答案为：
空号
答案
1
pose_features
2
pose_features
3
x - min_val
补全后的关键代码为：
这道题虽然简单，却非常基础。
归一化广泛用于：
- 表格数据建模；
- 人体关键点动作识别；
- 图像像素处理；
- 神经网络输入预处理。
它告诉学生：模型训练不是从算法开始，而是从数据处理开始。
第八届：目标检测+图像分类的组合推理
第八届编程填空题考查XEduHub中两个模型的串联使用：
- det_coco_l：目标检测；
-cls_imagenet：图像分类。
程序逻辑是：
填空答案为：
空号
答案
1
bboxs
2
i
3
result['预测类别']
关键代码为：
这道题的价值在于，它不是单独考一个模型，而是考AI系统组合能力。
目标检测回答：
图中有什么？在哪里？
<