专家对话：中小学AI教育如何实现“人人可学”
廖志武
四川师范大学互联网学院教授，博士，硕士生导师，四川省第11批学术与技术带头人后备人选。2006—2008年在南方医科大学医学工程学院从事博士后研究工作。研究方向涵盖深度学习算法与应用、随机统计建模等领域，在国内外重要学术期刊发表论文40余篇（第一作者或通讯作者），主持2项国家自然科学基金面上项目、1项中国博士后研究基金，授权2项国家发明专利。
魏宁
北京市东城区教育科学研究院研修员，《中国信息技术教育》杂志特邀撰稿人。
人工智能教育：必要性与差异化发展
魏宁：廖教授您好，当前人工智能已成为全球科技革命和产业变革的核心驱动力，其发展水平也成为衡量国家综合竞争力的重要标尺。在此时代背景下，推进人工智能教育的高质量实施已成为中小学教育的必然选择，为国家培养引领智能时代发展的未来科技创新人才，是中小学教育肩负的重要使命。2024年11月18日，教育部办公厅发布《关于加强中小学人工智能教育的通知》，对完善相关课程中的人工智能教育提出了明确要求。2025年5月12日，教育部基础教育教学指导委员会发布《中小学人工智能通识教育指南（2025年版）》，明确提出“构建分层递进、螺旋上升的中小学人工智能通识教育体系”。此后，各省市相继发布了推动人工智能教育的工作方案、地方课程纲要等，中小学人工智能教育逐步在全国各地推广开来。
但在实践层面，中小学人工智能教育面临着诸多挑战，广大一线教师在教学中也存在不少困惑。作为计算机领域的专家，您如何看待当前人工智能教育的热潮，以及中小学教师所面临的主要困难？
廖志武：在基础教育阶段推广人工智能教育，顺应新一轮科技革命的浪潮和建设科技强国的需求，已成为国家发展的战略部署。自去年以来，全国各地掀起了人工智能教育的热潮。我也很欣喜地看到，不少地方的教育管理部门发布了符合实际、体系完整的工作方案和课程纲要，并组织开展了系统化的教师培训，为各地中小学人工智能教育的开展奠定了坚实基础。
当然，人工智能教育毕竟是新生事物，在实践中免不了要“摸着石头过河”，也会存在各种困惑。在当前中小学人工智能教育的起步阶段，我建议各相关领域，包括高校计算机专业、教育技术专业的学者与基础教育领域的教研员、一线教师加强协作，一方面深入挖掘、积极推广典型经验和优秀案例，另一方面共同探讨教学实践中存在的问题与困惑，寻求解决方案，探索出一条适合各地实际情况的人工智能教育发展路径。
魏宁：目前，各地开展的人工智能教育涵盖了从小学到高中的各个学段，也都注重构建“多层次、递进式”的培养体系。您认为，在当前阶段，中小学人工智能教育应如何针对不同学段、不同层次的学生开展差异化教学？
廖志武：对于人工智能的学习，即便在同一个班级内，学生之间也存在认知上的差异。在基础教育阶段，高中生已经开始选科，偏文科的学生和偏理科的学生在知识结构、思维模式上存在一定差异，这种差异也会影响他们对人工智能技术的理解。初中阶段虽然没有分科，但由于兴趣、能力、知识储备等方面的不同，学生对人工智能的接受程度也因人而异。在这样的背景下，人工智能教育能否实现差异化对待、分层次开展教学呢？
在高等教育阶段，对于文、理科学生，人工智能教育通常是有区别的，如针对理科生，会侧重模型构建等底层训练，而针对文科生更多的是注重大语言模型的应用。高校中的这些实践经验也可以为中小学人工智能教育的实施提供有益借鉴。
考虑到不同阶段学生的认知特点，总体而言，我们主张在小学阶段，以体验式学习为主，初步认识人工智能的基本概念与特征，感受人工智能技术对学习和生活的影响，同时重点激发学生对人工智能技术的好奇心与探索欲。进入中学阶段后，就需要加强对人工智能技术的系统认知，通过参与人工智能模型训练过程，形成对数据采集、模型训练的基本理解，并提升运用人工智能技术解决实际问题的能力。
人工智能技术：发展历程与核心概念
魏宁：让我们回到中小学人工智能教育的主要内容。这一次的人工智能热潮，源于近年来生成式人工智能的爆发。自然而然，生成式人工智能及其相关原理就成为人工智能教育的重要内容。人工智能自身的研究经历了怎样的发展历程？其核心原理又经历了哪些演变？
廖志武：人工智能有着漫长的发展历史，也经历了几波发展浪潮。在深度学习兴起之前，大多数人工智能应用都是基于传统模式识别技术构建的。由于当时的计算能力有限，系统无法直接处理海量的原始数据，通常需要先进行特征选择，也就是从原始数据中提取出具有区分性的关键属性，而不是直接处理所有数据。例如，在区分猫和狗的任务中，我们可以选择测量它们的长度、高度和体重等特征。这些特征被提取后，输入到分类器中进行判断。我们可以根据体重设定一个阈值（如5公斤），大于阈值的判定为狗，小于阈值的判定为猫，当然，在实际任务中会进行更精细的特征选择和组合。总的来说，在图像识别等复杂任务中，直接处理每个像素非常困难，因此特征选择显得尤为关键，它能够简化数据并提升分类效率。
然而，这种模式识别式的人工智能存在一个显著的局限，就是特征提取和分类器设计都严重依赖于人的经验。而卷积神经网络（CNN）的出现，彻底改变了特征提取的方式。与传统模式识别需要人工设计和选择特征不同，深度学习中的特征提取是自动完成的。
其核心在于，神经网络通过数据驱动的方式，自动学习最优的权重参数。在这个过程中，网络自动完成了特征选择与提取。以卷积神经网络为例，其核心组件——卷积核，就是自动学习得到的特征提取器。每个不同的卷积核会在训练中调整自身的权重，从而学会检测图像中的特定模式。因此，网络无需人工指定“用长度或体重来区分”，而是直接从原始数据中，层层抽象出最能服务于目标的区分性特征。
简而言之，深度学习将传统意义上依赖人工的特征提取难题，转化为通过大量数据和算力进行模型参数优化的问题，实现了端到端的自动学习。
需要注意的是，在深度学习中，自动提取的特征会输送到分类器进行最终判断。这个分类器通常就是网络末端本身的全连接层。关键在于，特征提取部分与分类器部分构成了一个整体模型，并进行端到端的联合训练。
训练过程完全依赖于带标签的数据，也就是说，模型的全部能力本质上是从训练数据中“学习”而来的。这就意味着，模型的性能与公平性严重依赖于输入数据的质量。如果训练数据本身存在偏见，或标签标注不准确、不一致，模型不仅会学会这些错误，甚至可能会放大它们。因此，高质量、无偏差的数据是构建可靠、可信的人工智能系统的基石。
上述以卷积神经网络（CNN）为代表的深度学习模式，在图像分类等判别式任务上取得了巨大成功。然而，它仍然无法解决另一类关键问题：创造与生成。例如，我们将一张低清、模糊的照片恢复成清晰的高清版本。这就不只是简单的分类问题了，还需要模型去“想象”和“补全”原始数据中不存在的细节信息，CNN在这方面却遇到了瓶颈。
为了让机器学会从无到有地“生成”内容，生成式人工智能正式登场，其核心模型是生成对抗网络（GAN）。其灵感源于图灵测试，它并非单一模型，而是一个由生成器和判别器组成的动态博弈系统。其中，生成器的目标是学习真实数据的分布，并生成以假乱真的样本；判别器的目标则是判断输入数据的真伪。
在训练过程中，二者相互对抗、博弈，共同进化。最终，博弈将达到一个均衡点——生成器能产生足以乱真的数据，使得判别器无法区分。通过这种“对抗性训练”，GAN开创了数据生成的新范式。
此后，生成式人工智能的概念和技术被拓展至各个领域。尤其是在自然语言处理领域，基于Transformer架构的大语言模型，通过“预测下一个词”这种生成式的训练目标，展现出惊人的创造与理解能力。当模型的参数规模和数据量被扩大到前所未有的级别时，便诞生了如今我们所见的、能够处理复杂任务的大语言模型。
魏宁：人工智能技术在不断发展与演进，在当前的中小学人工智能教育中，您觉得有哪些基本概念是学生应该掌握的？
廖志武：任何一个学科体系，都有它的基本概念，人工智能也不例外。在人工智能教育中，基本概念是绕不开的内容，对于中学生来说，像卷积神经网络、激活函数等重要概念还是需要了解的。不过，相对于需要掌握哪些基本概念，我们更应该思考的是，如何用中小学生听得懂的语言来介绍这些概念，我觉得这是完全可以做到的。
例如卷积，如果我们用一句话来说，它本质上就是一种“加权和”。我在给中小学教师做培训的时候，曾经开玩笑说，“内卷”这个词就是从卷积来的，通俗地说，就是周围的人决定你的状态。周围的人都很强，你也必须“卷起来”，跟周围的人看齐，这就相当于做了一个卷积。我相信，中小学人工智能教育中的很多概念都可以找到通俗易懂的表述方式。
人工智能教学：从算法到模型的转变
魏宁：在中小学信息科技课程中，计算思维是学科核心素养之一，它强调问题解决能力，重视算法的教育。而在人工智能教育中，虽然也强调问题解决，但现代人工智能似乎并不以算法为核心，您如何看待这一差异？
廖志武：在《义务教育信息科技课程标准（2022年版）》和《普通高中信息科技课程标准日常修订版（2017年版2025年修订）》中，计算思维都是学科核心素养之一，指的是“个体运用计算机科学领域的思想方法，在问题解决过程中涉及的抽象、分解、建模、算法设计等思维活动”。可见，在中小学信息科技课程中，问题解决过程中的算法学习是核心内容。
在中小学人工智能教育中，同样强调问题解决能力，即能够运用所学的人工智能知识和技术，积极探索，创造性地解决现实问题。但是，在人工智能的发展过程中，算法的地位却出现了一定的变化。
我们知道，经典人工智能更多依靠传统算法解决问题，如排序、查找、搜索、回溯等，它们本质上都是对底层数据的操控。但随着计算机算力的快速提升、大数据的普及，现代人工智能在解决问题时更多地依靠模型（有时也被称为算法），也就是算法通过学习数据自己去解决问题。这时的算法对于使用者而言反而成了一个“黑箱”，其内部机制难以直观理解，模型架构和训练策略成为人工智能算法的重点。
随着算法地位的变化，相应地，编程语言的教学也有值得商榷之处。例如Python语言，在人工智能教育中，我们不必把Python语言中的所有内容都讲给学生听，而只需要着重介绍其中比较重要的内容，并且用中小学生能够听明白的方式讲给他们听。
当然，总的来说，关于人工智能教育中的编程部分，对它的讲解在中学阶段还是有其必要性的。但是，应该讲什么、怎么讲，如何提取其中有价值的部分，还需要更多的探讨。我也建议专家和一线教师可以就这个问题在实践中继续磨合，以形成共识。
魏宁：那么，对于中学阶段人工智能的学习，我们是否需要把侧重点转向模型的搭建？
廖志武：对于人工智能教育而言，如果只讲编程，多少有点“纸上谈兵”的感觉，只有通过实际训练模型、处理数据，才能形成对人工智能技术本质的直观理解。
从我自己的经验出发，我建议让学生“看”到模型的结构。我曾经观摩过一些人工智能公开课，课上仅仅是应用了某个平台，然后输入照片，进行辨认，得出某种结果。像这样的人工智能学习更多还是停留在体验的层次上，对于中学生来说还是有所欠缺的。
通俗地讲，人工智能技术的核心原理类似搭积木，可以在源代码基础上通过优化数据、调整参数来验证模型的性能。而像上面所说的学习方式，平台将模型封装成了“黑箱”，学生既无法观察其内部结构，也因其数据量较小，难以进行数据增强等操作，这样的学习并没能触及人工智能的核心技术逻辑。
在进入中学阶段以后，学生还是需要掌握模型网络架构的构成原理，如网络层数设计、分类器的实现方式、代价函数的选择等，通过参数调优来解决具体问题，这种基于人工智能原理的实践训练才是有用的。
人工智能学习：做生活的有心人
魏宁：我注意到，很多地方在中小学人工智能教育中，都强调要让人工智能“人人可学、人人愿学”，要注重兴趣培养，引导学生用人工智能解决身边的问题。对此您有何建议？
廖志武：我认为，对于中小学人工智能教育来说，这是非常重要的。我在中小学进行教师培训时，用到最多的标题就是“人人可学的人工智能”，给学生最多的建议就是“做生活的有心人”。
很多年前在电视节目《机智过人第二季》里，有一位8岁的“最萌AI研究员”发明了“狗表情识别”技术，通过卷积神经网络，构建了一个犬只面部表情AI智能识别系统，帮助“铲屎官”更便捷地感受爱犬的喜怒哀乐。虽然这位小朋友训练出来的模型还未达到专家水平，但已经可以用来解决生活中的问题了。一个8岁的小朋友都能够发现身边的问题，并尝试用人工智能技术去解决问题，我相信我们的中小学生同样可以做到。
例如，当商场遇到突发灾害时，正确的做法是从“逃生通道”迅速撤离，但在一个楼层较多的商场里，人们很难迅速找到正确的逃生路线。并且，若商场的空间结构立体化或较为复杂，一般的导航工具是很难准确描述的。这时，我们能否通过人工智能技术给每个顾客的手机里发送引导路线，指引他们从最近的逃生通道撤离，以避免更大的灾害发生呢？
再如，我们都很喜爱大熊猫，大熊猫的幼崽出生时体型非常小，一般仅有熊猫妈妈体重的千分之一。这么小的幼崽有时是很难利用视觉手段发现的，如不能及时予以照顾，熊猫幼崽将面临危险的处境。在熊猫基地，当熊猫将要产仔时，饲养员会轮班24小时监守。那我们有没有办法，通过人工智能技术及时识别幼崽已经出生，并且通过APP及时提示饲养员需要立即找到出生的幼崽呢？
这些都是我和学生一起思考、设计过的问题，也都是需要用人工智能来解决的问题。这些问题看起来简单，但实现起来并不容易，并且，如果不了解人工智能的技术方法，可能很难找到解决方案和相关的人工智能算法。
我觉得，在学习了人工智能以后，在生活中要养成爱观察、爱思考的习惯，当在生活中遇到问题的时候，能首先去思考怎样用人工智能技术来解决问题，这就是我们常说的具备了用人工智能解决问题的意识和思维习惯，这将使学生终身受益。
魏宁：近年来，随着生成式人工智能的发展和广泛应用，它所带来的数据安全、伦理道德、技术风险等问题也日益引起了人们的注意。在中小学人工智能教育中，人工智能伦理和社会责任被普遍视为学生的必备素养。《中小学人工智能通识教育指南（2025年版）》中就强调了学生批判性思维的培养，并提出了一些具体的要求，如“在生成式人工智能技术应用中辨析虚假信息风险”。在这方面，您有何建议？
廖志武：计算机伦理一直是计算机领域的一个重要研究分支，当生成式人工智能出现以后，它带来的伦理道德方面的问题引起了更广泛的重视。其中比较突出的是虚假信息传播问题。例如，图片的伪造，AI伪造的图片比传统的用PS等软件伪造的图片更难以识别。对这个问题，我想每位学生在自己的生活中也多少会有一些经验，也会见过一些AI伪造的图片。其实，这也是一个很好的教学素材。我自己就在教学中和学生一起分析过新闻里披露的AI伪造图片，通过AI合成过程中的一些瑕疵鉴别它的真伪。我觉得这是人工智能学习中的一节必修课。在辨析虚假信息风险方面，学生的批判性思维无疑是非常重要的，要以批判性思维看待人工智能生成的内容，不要轻易相信。
当然，我们既然学习了人工智能技术，就要善于利用技术工具帮助我们辨析虚假信息。所谓“道高一尺魔高一丈”，有一定基础的中学生可以尝试如下的方法：借助一些已经训练好的、开源的检测模型（如一些基于CLIP等视觉语言模型的检测框架），通过输入待检测的图片或视频，让模型判断其真伪。把已知的真实和虚假的样本（带有标签的数据）输入到模型中，通过调整参数，提高模型的识别率，这个过程就相当于我们“教”模型辨析虚假信息。当然，要想识破最新的伪造技术，还需要随时关注计算机视觉领域的顶级会议（如CVPR、ICCV）上最新发表的论文，以获取最先进的检测模型和方法，感兴趣的学生可以在教师的帮助下进一步深入研究。
当有了更多的经验以后，我们在虚假信息识别方面的能力就会加强，不借助技术工具也会进行很好的识别。就像很多经验丰富的公安刑侦人员，他们仅凭一双“火眼金睛”，在信息识别方面就比普通人厉害得多。但作为人工智能教育，还是有必要让学生掌握一些具体的工具和方法。
除了虚假信息带来的风险以外，我们还需要注意大语言模型可能会出现“幻觉”。所以，在应用人工智能的时候，学生的批判性思维很重要，对大语言模型给出的信息，一定不要全部相信。此外，人工智能在应用中还会涉及知识产权、法律等方面的知识，这些也需要让学生有一定程度的了解。
人工智能教师培训：授人以渔
魏宁：当前，中小学人工智能教育面临的一个比较突出的问题就是师资问题，各级各类文件都强调了师资队伍建设的重要性。一支合格的人工智能师资队伍对于人工智能教学来说其重要性不言而喻，您如何看待中小学人工智能师资队伍的前景？
廖志武：从长远看，我对中小学人工智能师资的前景是乐观的。因为随着近年来生成式人工智能的出现，高校的人工智能专业建设普遍得到加强，面向基础教育的人工智能教育专业也浮出水面。教育部发布的《普通高等学校本科专业目录（2025年）》，在学科门类教育学下明确设立了“人工智能教育”专业。其目的就是致力于培养兼具人工智能技术素养与教育实践能力的复合型人才，破解中小学人工智能教育师资短缺难题，服务国家教育智能化战略需求。毕业生可担任中小学人工智能或信息科技类课程教师，负责课程设计、教学实施以及智能教育工具的开发和推广等。
除了专门设置的人工智能教育专业，近年来，高校计算机、教育技术等相关专业也加强了人工智能方向的布局。可以预见，在不远的将来，中小学人工智能教育的师资专业性将得到保障。
魏宁：从短时间来看，各地如何应对人工智能教育的开展？特别是对于一些非人工智能专业背景的教师，如何让他们快速具备开展人工智能教育的能力？相关的教师培训的重点应放在哪里？
廖志武：如果想在短时间内快速提升教师的人工智能教学水平，使教师能胜任人工智能教育，我的建议是让教师亲手去做一个简单的模型。我们说“授人以鱼不如授人以渔”，在人工智能教师培训中也是这个道理，我们不能只给教师那条“鱼”，而是要教给教师打鱼的工具。
通俗地说，就是让教师能“跑”一个模型。例如，最近我就在尝试对中小学教师进行人工智能教育的培训，我们会做一个只有两层卷积层和两层全连接层的简单模型，让它识别手写体的数字。这种轻量级模型虽然简单，但是已经具备了复杂模型的基础。老师们可以从“跑通”这个模型开始，了解什么是卷积、什么是全连接层等核心概念。
根据我的经验，老师们大概用四到五次课的时间就能大体“跑通”一个模型，对于人工智能的学习来说，这就相当于组建了一张“渔网”。
魏宁：廖教授，今天很荣幸和您就中小学人工智能教育中方方面面的话题进行了深入探讨。您从计算机专家的视角所带来的有关人工智能教育的宝贵建议，相信能给老师们很多有益的启示。
廖志武：中小学人工智能教育具有非常广阔的前景，相信在相关专家和广大一线教师的共同努力下，中小学人工智能教育一定会拥有一个辉煌的明天。