近年來，隨著《關于加強中小學人工智能教育的通知》《中小學人工智能通識教育指南（2025年版）》的相繼發布，全國各地基礎教育領域掀起了人工智能教育的熱潮，不少省份還發布了人工智能教育的相關工作方案、地方課程綱要。當下，人工智能教育在中小學實踐中依然存在著諸多難點與困惑，破解這些問題，需要高校專家、教研員與一線教師通力協作、智慧共享，通過更多的對話與行動，探索適合各地實際的中小學人工智能教育之路。

本期對話，四川師范大學的廖志武教授與北京市東城區教育科學研究院的魏寧研修員，將對中小學人工智能教育中的基本概念、算法編程、模型搭建、問題解決、批判思維等重要內容進行深入探討，同時，對如何開展人工智能教師培訓等問題提供思路，期待能為開展人工智能教育的各中小學校帶來啟發。

廖志武

四川師范大學互聯網學院教授，博士，碩士生導師，第11批四川省學術與技術帶頭人后備人選。2006—2008年在南方醫科大學醫學工程學院從事博士后研究。研究興趣包括深度學習算法與應用、隨機統計建模等，發表論文40余篇（第一作者或通訊作者），獲得2項國家自然科學基金面上項目資助、1項中國博士后研究基金資助，授權2項國家專利。

魏寧

北京市東城區教育科學研究院研修員，《中國信息技術教育》雜志特約撰稿人。

人工智能教育：必要性和差異化

魏寧：廖教授您好，人工智能已經成為當今世界新一輪科技革命與產業變革的核心驅動力，人工智能的發展水平也成為衡量國家競爭力的重要標志。在這樣的時代背景下，推動人工智能教育高質量實施是中小學教育的必然選擇，為國家培育引領智能時代發展的未來科技領軍人才，是中小學教育的重要使命。2024年11月18日，教育部辦公廳發布《關于加強中小學人工智能教育的通知》，提出了進一步完善相關課程中人工智能教育的要求。2025年5月12日，教育部基礎教育教學指導委員會發布《中小學人工智能通識教育指南（2025年版）》，要求“構建分層遞進、螺旋上升的中小學人工智能通識教育體系”。此后，各省市陸續發布了推動人工智能教育的工作方案、地方課程綱要等，中小學人工智能教育逐漸在全國各地普及、推廣開來。

但在實踐中，中小學人工智能教育面臨著很大的挑戰，廣大一線教師在教學中也存在著不少困惑。作為一名計算機專家，您如何看待當前人工智能教育的熱潮，以及中小學教師所面臨的挑戰？

廖志武：在基礎教育階段普及人工智能教育，因應新一輪科技革命的驅動和建設科技強國的需求，已經成為國家發展的戰略布局。從去年開始，全國各地都掀起了一股人工智能教育的熱潮。我也很高興地看到，不少地方的教育管理部門發布了體系完備的符合實際的工作方案、課程綱要，并且組織開展了系統的教師培訓，為推動各地中小學人工智能教育的開展奠定了很好的基礎。

當然，人工智能教育畢竟是一個新生事物，在實踐中少不了要“摸著石頭過河”，也會存在這樣那樣的困惑。在當前中小學人工智能教育的起步階段，我建議各領域，包括高校計算機專業、教育技術專業的專家與基礎教育領域的教研員、一線教師加強合作，一方面多挖掘、推廣典型經驗和案例，另一方面共同研討教學實踐中存在的問題、困惑，尋求對策，探索出一條適合各地實際的人工智能教育之路。

魏寧：目前，各地開展的人工智能教育涵蓋了從小學到高中的各學段，也都注重構建“多層次、遞進式”的培養體系。您認為，在當下，中小學人工智能教育應如何面對不同學段、不同層次的學生？

廖志武：對于人工智能的學習，即使在一個班級里，學生之間也是存在著認知差異的。在基礎教育階段，高中生已經開始選科，偏文科的學生和偏理科的學生在知識結構、思維模式上存在一定的差異，這種差異也將影響到他們對人工智能技術的理解。初中階段雖然沒有分科，但由于興趣、能力、知識儲備等方面的不同，學生對人工智能的接受程度也因人而異。在這種背景下，人工智能教育是否能夠區別對待、分層次開展教學呢？

在高等教育階段，對于文、理科學生，人工智能教育通常是有區別的，如針對理科生，會側重模型建構等底層訓練，而針對文科生更多的是注重大語言模型的應用。高校中的實踐路徑也可以給中小學人工智能教育的實施提供借鑒。

考慮到不同階段學生的認知特征，總的來說，我們主張，在小學階段，以體驗的方式，初步理解人工智能的基本概念與特點，感知人工智能技術對學習和生活的影響，同時重在激發學生對人工智能技術的好奇心與求知欲。進入中學以后，就需要加強對人工智能技術的系統認知，通過經歷人工智能模型訓練過程，形成對數據采集、模型訓練的初步理解，并提高運用人工智能技術解決實際問題的能力。

人工智能技術：發展脈絡與基本概念

魏寧：讓我們回到中小學人工智能教育的主要內容，這一次的人工智能熱潮，源自這幾年生成式人工智能的爆發。自然地，生成式人工智能及其相關原理就成為人工智能教育的重要內容，人工智能自身的研究經歷了怎樣的發展脈絡？其核心原理又經歷了哪些演變？

廖志武：人工智能有著漫長的發展歷程，也經歷了幾波發展的浪潮。在深度學習興起之前，大多數人工智能應用都是基于傳統模式識別技術構建的。由于當時的計算能力有限，系統無法直接處理海量的原始數據，通常會先進行特征選擇，也就是從原始數據中提取出具有區分性的關鍵屬性，而不是直接處理所有數據。例如，在區分貓和狗的任務中，我們可以選擇測量它們的長度、高度和體重等特征。這些特征在被提取后，輸入到分類器中進行決策。我們可以根據體重設定一個閾值（如5公斤），大于閾值的判定為狗，小于閾值的判定為貓，當然，在實際任務中會進行更精細的特征選擇和組合。總的來說，在圖像識別等復雜任務中，直接處理每個像素非常困難，因此特征選擇顯得尤為關鍵，它能夠簡化數據并提升分類效率。

但是，這種模式識別式的人工智能存在一個很大的局限，就是特征提取和分類器設計都嚴重依賴人的經驗。而卷積神經網絡（CNN）的出現，徹底改變了特征提取的方式。與傳統模式識別需要人工設計和選擇特征不同，深度學習中的特征提取是自動完成的。

其核心在于，神經網絡通過數據驅動的方式，自動學習最優的權重參數。在這個過程中，網絡自動完成了特征選擇與提取。以卷積神經網絡為例，其核心組件——卷積核，就是自動學習得到的特征提取器。每個不同的卷積核會在訓練中調整自身的權重，從而學會檢測圖像中的特定模式。因此，網絡無需人工指定“用長度或體重來區分”，而是直接從原始數據中，層層抽象出最能服務于目標的區分性特征。

簡而言之，深度學習將傳統意義上依賴人工的特征提取難題，轉化為通過大量數據和算力進行模型參數優化的問題，實現了端到端的自動學習。

需要注意的是，在深度學習中，自動提取的特征會輸送到分類器進行最終判斷。這個分類器通常就是網絡末端本身的全連接層。關鍵在于，特征提取部分與分類器部分構成了一個整體模型，并進行端到端的聯合訓練。

訓練過程完全依賴于帶標簽的數據，也就是說，模型的全部能力本質上是從訓練數據中“學習”而來的。這就意味著，模型的性能與公平性嚴重依賴于輸入數據的質量。如果訓練數據本身存在偏見，或標簽標注不準確、不一致，模型不僅會學會這些錯誤，甚至可能會放大它們。因此，高質量、無偏差的數據是構建可靠、可信的人工智能系統的基石。

上述以卷積神經網絡（CNN）為代表的深度學習模式，在圖像分類等判別式任務上取得了巨大成功。然而，它仍然無法解決另一類關鍵問題：創造與生成。例如，我們將一張低清、模糊的照片恢復成清晰的高清版本。這就不只是簡單的分類問題了，還需要模型去“想象”和“補全”原始數據中不存在的細節信息，CNN在這方面卻遇到了瓶頸。

為了讓機器學會從無到有地“生成”內容，生成式人工智能正式登場，其核心模型是生成對抗網絡（GAN）。其靈感源于圖靈測試，它并非單一模型，而是一個由生成器和判別器組成的動態博弈系統。其中，生成器的目標是學習真實數據的分布，并生成以假亂真的樣本；判別器的目標則是判斷輸入數據的真偽。

在訓練中，二者相互對抗、博弈，共同進化，最終，博弈將達到一個均衡點——生成器能產生足以亂真的數據，使得判別器無法區分。通過這種“對抗性訓練”，GAN開創了數據生成的新范式。

此后，生成式人工智能的概念和技術被拓展至各個領域。尤其是在自然語言處理領域，基于Transformer架構的大語言模型，通過“預測下一個詞”這種生成式的訓練目標，展現出驚人的創造與理解能力。當模型的參數規模和數據量被擴大到前所未有的級別時，便誕生了如今我們所見的、能夠處理復雜任務的大語言模型。

魏寧：人工智能技術在不斷發展與演進，在當前的中小學人工智能教育中，您覺得有哪些基本概念是學生應該掌握的？

廖志武：任何一個學科體系，都有它的基本概念，人工智能也不例外。在人工智能教育中，基本概念是繞不開的內容，對于中學生來說，像卷積神經網絡、激活函數等重要概念還是需要了解的。不過，相對于需要掌握哪些基本概念，我們更應該思考的是，如何用中小學生聽得懂的語言來介紹這些概念，我覺得這是完全可以做到的。

例如卷積，如果我們用一句話來說，它本質上就是一種“加權和”。我在給中小學教師做培訓的時候，曾經開玩笑說，“內卷”這個詞就是從卷積來的，通俗地說，就是周圍的人決定你的狀態。周圍的人都很強，你也必須“卷起來”，跟周圍的人看齊，這就相當于做了一個卷積。我相信，中小學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。

人工智能教學：從算法到模型

魏寧：在中小學信息科技課程中，計算思維是學科核心素養之一，它強調問題解決能力，重視算法的教育。而在人工智能教育中，雖然也強調問題解決，但現代人工智能似乎并不以算法為核心，您如何看待這一差異？

廖志武：在《義務教育信息科技課程標準（2022年版）》和《普通高中信息科技課程標準日常修訂版（2017年版2025年修訂）》中，計算思維都是學科核心素養之一，指的是“個體運用計算機科學領域的思想方法，在問題解決過程中涉及的抽象、分解、建模、算法設計等思維活動”。可見，在中小學信息科技課程中，問題解決過程中的算法學習是核心內容。

在中小學人工智能教育中，同樣強調問題解決能力，即能夠運用所學的人工智能知識和技術，積極探索，創造性地解決現實問題。但是，在人工智能的發展過程中，算法的地位卻出現了一定的變化。

我們知道，經典人工智能更多依靠傳統算法解決問題，如排序、查找、搜索、回溯等，它們本質上都是對底層數據的操控。但隨著計算機算力的快速提升、大數據的普及，現代人工智能在解決問題時更多地依靠模型（有時也被稱為算法），也就是算法通過學習數據自己去解決問題。這時的算法對于使用者而言反而成了一個“黑箱”，其內部機制難以直觀理解，模型架構和訓練策略成為人工智能算法的重點。

隨著算法地位的變化，相應地，編程語言的教學也有值得商榷之處。例如Python語言，在人工智能教育中，我們不必把Python語言中的所有內容都講給學生聽，而只需要著重介紹其中比較重要的內容，并且用中小學生能夠聽明白的方式講給他們聽。

當然，總的來說，關于人工智能教育中的編程部分，對它的講解在中學階段還是有其必要性的。但是，應該講什么、怎么講，如何提取其中有價值的部分，還需要更多的探討。我也建議專家和一線教師可以就這個問題在實踐中繼續磨合，以形成共識。

魏寧：那么，對于中學階段人工智能的學習，我們是否需要把側重點轉向模型的搭建？

廖志武：對于人工智能教育而言，如果只講編程，多少有點“紙上談兵”的感覺，只有通過實際訓練模型、處理數據，才能形成對人工智能技術本質的直觀理解。

從我自己的經驗出發，我建議讓學生“看”到模型的結構。我曾經觀摩過一些人工智能公開課，課上僅僅是應用了某個平臺，然后輸入照片，進行辨認，得出某種結果。像這樣的人工智能學習更多還是停留在體驗的層次上，對于中學生來說還是有所欠缺的。

通俗地講，人工智能技術的核心原理類似搭積木，可以在源代碼基礎上通過優化數據、調整參數來驗證模型的性能。而像上面所說的學習方式，平臺將模型封裝成了“黑箱”，學生既無法觀察其內部結構，也因其數據量較小，難以進行數據增強等操作，這樣的學習并沒能觸及人工智能的核心技術邏輯。

在進入中學階段以后，學生還是需要掌握模型網絡架構的構成原理，如網絡層數設計、分類器的實現方式、代價函數的選擇等，通過參數調優來解決具體問題，這種基于人工智能原理的實踐訓練才是有用的。

人工智能學習：做生活的有心人

魏寧：我注意到，很多地方在中小學人工智能教育中，都強調要讓人工智能“人人可學、人人愿學”，要注重興趣培養，引導學生用人工智能解決身邊的問題。對此您有何建議？

廖志武：我認為，對于中小學人工智能教育來說，這是非常重要的。我在中小學進行教師培訓時，用到最多的標題就是“人人可學的人工智能”，給學生最多的建議就是“做生活的有心人”。

很多年前在電視節目《機智過人第二季》里，有一位8歲的“最萌AI研究員”發明了“狗表情識別”技術，通過卷積神經網絡，構建了一個犬只面部表情AI智能識別系統，幫助“鏟屎官”更便捷地感受愛犬的喜怒哀樂。雖然這位小朋友訓練出來的模型還未達到專家水平，但已經可以用來解決生活中的問題了。一個8歲的小朋友都能夠發現身邊的問題，并嘗試用人工智能技術去解決問題，我相信我們的中小學生同樣可以做到。

例如，當商場遇到突發災害時，正確的做法是從“逃生通道”迅速撤離，但在一個樓層較多的商場里，人們很難迅速找到正確的逃生路線。并且，若商場的空間結構立體化或較為復雜，一般的導航工具是很難準確描述的。這時，我們能否通過人工智能技術給每個顧客的手機里發送引導路線，指引他們從最近的逃生通道撤離，以避免更大的災害發生呢？

再如，我們都很喜愛大熊貓，大熊貓的幼崽出生時體型非常小，一般僅有熊貓媽媽體重的千分之一。這么小的幼崽有時是很難利用視覺手段發現的，如不能及時予以照顧，熊貓幼崽將面臨危險的處境。在熊貓基地，當熊貓將要產仔時，飼養員會輪班24小時監守。那我們有沒有辦法，通過人工智能技術及時識別幼崽已經出生，并且通過APP及時提示飼養員需要立即找到出生的幼崽呢？

這些都是我和學生一起思考、設計過的問題，也都是需要用人工智能來解決的問題。這些問題看起來簡單，但實現起來并不容易，并且，如果不了解人工智能的技術方法，可能很難找到解決方案和相關的人工智能算法。

我覺得，在學習了人工智能以后，在生活中要養成愛觀察、愛思考的習慣，當在生活中遇到問題的時候，能首先去思考怎樣用人工智能技術來解決問題，這就是我們常說的具備了用人工智能解決問題的意識和思維習慣，這將使學生終身受益。

魏寧：近年來，隨著生成式人工智能的發展和廣泛應用，它所帶來的數據安全、倫理道德、技術風險等問題也日益引起了人們的注意。在中小學人工智能教育中，人工智能倫理和社會責任被普遍視為學生的必備素養。《中小學人工智能通識教育指南（2025年版）》中就強調了學生批判性思維的培養，并提出了一些具體的要求，如“在生成式人工智能技術應用中辨析虛假信息風險”。在這方面，您有何建議？

廖志武：計算機倫理一直是計算機領域的一個重要研究分支，當生成式人工智能出現以后，它帶來的倫理道德方面的問題引起了更廣泛的重視。其中比較突出的是虛假信息傳播問題。例如，圖片的偽造，AI偽造的圖片比傳統的用PS等軟件偽造的圖片更難以識別。對這個問題，我想每位學生在自己的生活中也多少會有一些經驗，也會見過一些AI偽造的圖片。其實，這也是一個很好的教學素材。我自己就在教學中和學生一起分析過新聞里披露的AI偽造圖片，通過AI合成過程中的一些瑕疵鑒別它的真偽。我覺得這是人工智能學習中的一節必修課。在辨析虛假信息風險方面，學生的批判性思維無疑是非常重要的，要以批判性思維看待人工智能生成的內容，不要輕易相信。

當然，我們既然學習了人工智能技術，就要善于利用技術工具幫助我們辨析虛假信息。所謂“道高一尺魔高一丈”，有一定基礎的中學生可以嘗試如下的方法：借助一些已經訓練好的、開源的檢測模型（如一些基于CLIP等視覺語言模型的檢測框架），通過輸入待檢測的圖片或視頻，讓模型判斷其真偽。把已知的真實和虛假的樣本（帶有標簽的數據）輸入到模型中，通過調整參數，提高模型的識別率，這個過程就相當于我們“教”模型辨析虛假信息。當然，要想識破最新的偽造技術，還需要隨時關注計算機視覺領域的頂級會議（如CVPR、ICCV）上最新發表的論文，以獲取最先進的檢測模型和方法，感興趣的學生可以在教師的幫助下進一步深入研究。

當有了更多的經驗以后，我們在虛假信息識別方面的能力就會加強，不借助技術工具也會進行很好的識別。就像很多經驗豐富的公安刑偵人員，他們僅憑一雙“火眼金睛”，在信息識別方面就比普通人厲害得多。但作為人工智能教育，還是有必要讓學生掌握一些具體的工具和方法。

除了虛假信息帶來的風險以外，我們還需要注意大語言模型可能會出現“幻覺”。所以，在應用人工智能的時候，學生的批判性思維很重要，對大語言模型給出的信息，一定不要全部相信。此外，人工智能在應用中還會涉及知識產權、法律等方面的知識，這些也需要讓學生有一定程度的了解。

人工智能教師培訓：授人以魚不如授人以漁

魏寧：當前，中小學人工智能教育面臨的一個比較突出的問題就是師資問題，各級各類文件都強調了師資隊伍建設的重要性。一支合格的人工智能師資隊伍對于人工智能教學來說其重要性不言而喻，您如何看待中小學人工智能師資隊伍的前景？

廖志武：從長遠看，我對中小學人工智能師資的前景是樂觀的。因為隨著近年來生成式人工智能的出現，高校的人工智能專業建設普遍得到加強，面向基礎教育的人工智能教育專業也浮出水面。教育部發布的《普通高等學校本科專業目錄（2025年）》，在學科門類教育學下明確設立了“人工智能教育”專業。其目的就是致力于培養兼具人工智能技術素養與教育實踐能力的復合型人才，破解中小學人工智能教育師資短缺難題，服務國家教育智能化戰略需求。畢業生可擔任中小學人工智能或信息科技類課程教師，負責課程設計、教學實施以及智能教育工具的開發和推廣等。

除了專門設置的人工智能教育專業，近年來，高校計算機、教育技術等相關專業也加強了人工智能方向的布局。可以預見，在不遠的將來，中小學人工智能教育的師資專業性將得到保障。

魏寧：從短時間來看，各地如何應對人工智能教育的開展？特別是對于一些非人工智能專業背景的教師，如何讓他們快速具備開展人工智能教育的能力？相關的教師培訓的重點應放在哪里？

廖志武：如果想在短時間內快速提升教師的人工智能教學水平，使教師能勝任人工智能教育，我的建議是讓教師親手去做一個簡單的模型。我們說“授人以魚不如授人以漁”，在人工智能教師培訓中也是這個道理，我們不能只給教師那條“魚”，而是要教給教師打魚的工具。

通俗地說，就是讓教師能“跑”一個模型。例如，最近我就在嘗試對中小學教師進行人工智能教育的培訓，我們會做一個只有兩層卷積層和兩層全連接層的簡單模型，讓它識別手寫體的數字。這種輕量級模型雖然簡單，但是已經具備了復雜模型的基礎。老師們可以從“跑通”這個模型開始，了解什么是卷積、什么是全連接層等核心概念。

根據我的經驗，老師們大概用四到五次課的時間就能大體“跑通”一個模型，對于人工智能的學習來說，這就相當于組建了一張“漁網”。

魏寧：廖教授，今天很榮幸和您就中小學人工智能教育中方方面面的問題進行了探討。您從計算機專家的視角所帶來的有關人工智能教育的寶貴建議，相信能給老師們很多有益的啟示。

廖志武：中小學人工智能教育具有非常廣闊的前景，相信在相關專家和廣大一線教師的共同努力下，中小學人工智能教育一定會擁有一個輝煌的明天。

文章刊登于《中國信息技術教育》

2026年第11期

引用請注明參考文獻：

廖志武，魏寧.中小學人工智能教育：讓人工智能“人人可學”[J].中國信息技術教育，2026（11）：4-10 .

歡迎訂閱

識別上方二維碼訂閱紙質版或電子版雜志