推荐｜人大附中学生告诉你：学人工智能没那么难！！！

2018 年 2 月 15 日 全球人工智能

中国人民大学附属中学在2017年10月份组织了中小学人工智能课程建设专家座谈会，邀请了来自清华、北大、中科院、航天科技、人工智能前沿企业等十几位专家教授前来指导。在专家们的指导建议下，结合人大附中实践，从面向全体的普及教育，到部分选修的跨学科实践应用，再到少数的深入动手做研究，梳理了金字塔形的中小学“STEAM+人工智能教育”课程体系，重构了与人工智能本身感知、认知、创新三个层次相对应中小学人工智能教育课程体系。

第一层是感知层，即中小学普及教育，重在培养基本的“人工智能+”思维和兴趣。这一层次具体落地于中小学信息技术课，将高质量科普资源融入日常科学课、信息课和一些选修课。把人工智能内容渗透到常规课堂的引入环节，介绍人工智能推动各学科领域发展的前沿成果，培养学生的交叉学科创新思维。我们的“STEAM+”人工智能普及教育的核心要素之一是建模仿真教育。

建模仿真能力的培养，不仅落实在课堂，也渗透在普及性的建模活动和比赛中。比如，人大附中学生在参加国际数学建模挑战赛时，就新高考下的排课问题深入挖掘数据，建立模型，考虑了各种约束条件和优化因素，提出了一种新高考排课问题的智能解决方案，荣获中华区特等奖

第二层是认知层，重在跨学科应用实践。比如在计算机课上，让学生与视觉艺术选修课的同学合作开发DIY智能滤镜软件，把人工智能项目式学习的具体目标落实到STEAM各个学科领域。此外，科学跨学科综合实践活动是以建模为核心的“STEAM+AI”解决实际问题的高质量学习平台，即不同学科的同学组成一个小组，从不同学科角度分析同一个问题，建立模型，通过团队合作，解决实际问题。在国际文凭项目的核心课中，创新服务实践活动，拓展论文和跨学科认识论都需要学生用跨界思维解决实际问题，对“人工智能+X”的人才培养具有积极作用。

第三层是研究与创新。目前，我们的学生已经能够将人工智能算法应用到其他领域进行交叉创新。例如朱星宇同学将机器学习算法与天体物理课题相结合，实现了光谱分类速度数量级上的突破。他还是人工智能两门课的课程助教，深入浅出地给学弟学妹们把人工神经网络讲得非常清楚，并且手把手带着他们进行实践——这是对学生创新能力的另一维度的培养。

案例一：朱星宇——一个中学生的人工智能之路

朱星宇是人大附中2011级早培班的一名学生，现在在高三出国班上课。他在学校的身份不只是学生，同时也是计算机视觉与深度学习研学和人工智能与数据挖掘校本选修课的助教，负责两门课的几乎全部编程技术以及部分理论知识的教学。但不了解他的人都不会知道，现在距离他开始系统性学习Python编程才刚刚一年左右。

在2016年九月，因为参加数学建模比赛的需求，他选择了高级数学建模作为校本选修。在这门课上，他的老师是比他大一届的学长孙逸潇同学。之前，他只会一些简单的C语言，可以被认为是没有什么基础。但是在学长的带领下，他很快掌握了Python的基本功能与语法，这是一门对他来说全新的编程语言。开始学习Python一个月后，他就直接参加了HiMCM的数学建模比赛，负责组内所有程序的编写。虽然因为经验并不丰富，比赛的结果并不完美，但是这个经历让他深入建模与算法的学习与实践，为之后的人工智能研究与创新打下了基础。

在2017年1月，他开始准备“登峰杯”数据挖掘竞赛。准备期间，在老师的引导与自学下，他接触到了深度学习，一种较为流行的机器学习算法，并且开始着迷于神经网络可以控制结构又无法详细了解运算过程的“黑箱”特质。在初赛中他和他的队友们使用深度学习算法，综合历届奥运会的奖牌榜数据以及各个参赛国家的经济、国民体质、财政投入情况等大量的数据得到了一种预测奥运会奖牌榜的算法。他们团队的准确率甚至超过了网上公布的预测排行榜中最准确的使用传统方法进行分析预测的高盛集团。他们通过通讯赛选拔，顺利进入了全国总决赛。在2017年8月举办的全国总决赛上，他们依然使用了深度学习算法，对电视剧在线播放与电视端收视率进行了预测，在可靠的模型和坚实的数据基础上，他们的团队又顺利拿到了总决赛的一等奖。

得力于人大附中早培班提供的研修平台，朱星宇在八年级的时候就加入了清华大学天体物理中心的科研团队，进行恒星光谱的研究，但由于技术限制一直没有做出什么特别的工作。在接触了深度学习算法之后，他意识到了机器学习与天体光谱学交叉研究的潜力，于是在自己的钻研下开发了一套基于深度学习的光谱特征提取与分类程序，在速度上大幅度超过了国家天文台现有的分类方法，得到了他在清华的导师很高的评价，并且在北京市青少年科技俱乐部针对全北京市高中生科研的评议中获得“突出”评级。