张清泉

教育部在《2020年教育信息化和网络安全工作要点》中指出，要继续推进中小学人工智能教育课程建设、应用与推广工作。近几年，如何将人工智能教育融入初中阶段教学，一直是我们的研究热点。初中生在人工智能认知水平和知识储备上都相对缺乏，且个体之间的能力差异也明显。而人工智能知识，如机器学习、神经网络、有监督学习和无监督学习等这些都涉及高等数学背景知识，比较深奥和抽象，刚开始接触这些概念时学生就已心生畏惧。

本文以《探秘机器学习中神经网络的游戏设计》一课为例，依托图形化编程平台，利用平台中最新的人工智能模块，探秘机器学习中神经网络的应用，让学生体验相关人工智能的技术，理解其中的原理，并依此创新设计出新的作品应用，从而达到有效学习的目的。

一、创设游戏项目情境，进行头脑风暴并发现问题

首先用游戏来引入，游戏是模仿Flappy Bird的一款经典游戏，利用鼠标控制小鸟角色的跳跃，从两根上下对齐的柱子角色中间穿过就奖励分数，继续游戏，迎接新的两根对齐柱子角色的到来，如果撞到两根柱子或上下边缘就结束游戏。相对于天空和草地等背景的向后移动和相对于两条上下对齐的向后移动的两根柱子，飞鸟角色的跳跃可以看作是向前飞翔。让学生在体验完游戏后，分小组进行头脑风暴，飞鸟角色不撞向柱子，该具备哪些条件。不难得出当飞鸟角色的Y坐标碰上柱子或上下边缘所对应的Y坐标，则游戏结束。

教师借助数字化学习平台，让学生观看神经网络、有监督学习知识讲解的微课。学生了解到神经网络是一种模拟生物神经系统的人工智能算法，有监督学习是一种机器学习的方法，它利用带有标签的数据来训练模型，以便对新数据进行预测。神经网络则是一种用于实现有监督学习的算法，其通过构建多层的神经元网络来学习输入数据的特征，以便能够对未知数据进行预测。于是结合游戏，教师引导学生进行头脑风暴：根据神经网络，游戏中哪些数据是作为输入层的，哪些数据作为输出层？

通过讨论汇报，在游戏中，输入层负责收集信息，是游戏中实时变化的数据，可以包括角色的坐标、游戏角色的血量、敌人的坐标、敌人的数量等等。输出层用来输出分类结果，相当于我们玩游戏时做出的决策，比如控制角色移动、控制角色发射子弹、取得的分数奖励等等。

通过观看微课并进行讨论，学生了解到人工智能算法可以用来训练游戏中的小鸟角色的自动跳跃，从而尽可能避开障碍物，取得更高的分数。教师接着讲解，以常用的人工智能算法来解释小鸟自动跳跃的训练方法，从而加深对神经网络概念的理解。

二、在体验和探究中解决问题，加深对有监督学习的理解

首先了解和体验有监督学习，从上面的討论中，了解到了输入层和输出层分别对应的是什么，然后通过图像化软件平台中封装的“黑箱”学习模块，讲解什么是有监督学习，就是我们教机器中的AI角色怎么飞，该什么时候飞，在平台中我们先设置好“飞不飞”的训练模块，分为“飞”和“不飞”两个类别，对应的特征就是飞鸟角色的Y坐标和柱子的Y坐标，也对应着神经网络的输入层。教师设计出不完整的程序，让学生补充对应的程序块，拖拉入主程序中，调试程序。接着就是如何采集数据，在我们去“教”飞鸟角色怎么飞的时候，鼠标每次点击让角色飞的时候，就会采集并记录下飞鸟角色的Y坐标和柱子的Y坐标。当不碰鼠标时，意味着就会出现很多撞到柱子的数据。这影响了训练结果的数据，所以还需要对数据进行清洗，删除无用数据，以免影响训练的正确率，系统提供编辑数据的可视化界面，可以把“教”飞鸟角色撞到柱子的数据删除。

采集到足够的数据后，我们可以利用数字平台中的模型训练工具进行训练。在训练过程中可以手动调参，学生了解模型训练中的学习率、正确率和损失率，还可以做预测。学生在体验数据训练的过程中会了解到采集到的数据越多，训练次数越多，清洗掉错误数据越多，则得到的正确率就高，训练的模型就越好。

训练完成后就是应用模型，让飞鸟角色自己“飞”。小组成员之间合作交流，讨论在应用模型中飞鸟角色的撞击情况，分析正确率和采集到的数据及参数设置。教师可以随机抽取两组演示并讲演数据采集、数据训练和模型使用的过程。这个环节为学生提供了更加深刻理解、运用知识和动手创作的机会，使其成为主动的学习者。非常不错的是，几组学生把飞鸟角色越过障碍物的得分也采集下来作为输入层的第三个特征，提高了训练的正确率。整个体验实践过程，学生了解到有监督学习的详细过程，包括采集数据、训练模型、验证和运用模型三个核心环节，突破教学中神经网络技术面临的技术难点，培养了学生小组协作、交流表达等能力，实现了人工智能“思维、方法”的素养培育。

学生在学习完有数据训练的游戏后，图形化数字平台中还提供了一个非常好用的AI模块，可以初始化模型的结构，里面可以填入输入层层数和输出层层数。学生在“教”飞鸟如何飞的过程，其实就是一直在记录数据的过程，直到停止。平台给了一个向后传播算法模块，可以快速优化模型，学生在游戏中“教”得越好，其实就是数据训练得越好，模型也优化得越好。在图形化编程的基础上，加上前一个环节的学习，学生就可以在游戏体验中快速完成任务。

三、任务进阶，实现无监督学习

掌握了以上两种有监督学习的过程后，教师提出问题“有没有办法让飞鸟角色自己来学会‘飞”引出无监督学习。通过微课视频介绍，在软件平台中，通过生成随机的100次模型，让AI角色在游戏中不断地重复尝试，大部分模型很快碰到柱子或柱子边缘被淘汰，有的却可以得到很高的分数。然后使用封装好的遗传算法模型，将得分高的模型保留下来。遗传算法是受达尔文进化论的启发，借鉴生物进化过程而提出的一种启发式搜索算法，将要解决的问题模拟成一个生物进化的过程，通过复制、交叉、突变等操作产生下一代的解，并逐步淘汰适应度函数值低的解，增加适应度函数值高的解。这样进化N代后就很有可能进化出适应度函数值很高的个体。它们相互之间进化，最终训练出能够获得更高分，表现得更好，一代比一代强的模型。

学生在调试过程中，可以非常直观地看到大量飞鸟角色自动“飞”的过程，大部分会撞击消失，最后只剩下一个“飞”得很好的，很直观地看到了整个“进化”过程。这种基于游戏化的图形化模块编程设计，能很好地培养学生的计算思维能力，快速掌握无监督学习的含义，有利于学生建构学科知识，培养逻辑思维能力。这同样实现了人工智能“思维、方法”的素养培育。

四、萌发创意，创新设计新项目，迁移新应用

课程帮助我们了解了有监督学习和无监督学习，因为在这个数字化学习平台，使用图形化和模块化，提高了掌握人工智能技术的效率。因为是游戏化，学生也非常乐意去实践，在玩中学，在体验中学，在体验中思考。学生在完成体验后，在思维碰撞中，创新设计游戏，萌发新的创意，并尝试去实现。教师如何引导学生重新设计游戏，引导他们如何去创新，引导他们做什么样的项目就显得很关键。有学生就用这个平台改写了人机互飞竞赛，看谁能挺到最后的竞赛；有学生改写了射击游戏的人机对

战；有学生想改写迷宫游戏；有学生还想用这个平台来制作五子棋游戏的人机对战。还有学生对遗传算法很有兴趣，去找生物老师了解遗传算法的具体原理，了解人工智能算法的跨学科意义；也有学生找信息老师了解遗传算法和反向传播算法的纯字符代码，了解其中的工作原理。对于水平高的学生，教师要引导他们做人工智能项目，从选题、设计、创作和迭代中完成项目的创新实践，引导他们迁移学习，把人工智能课程学习中获得的经验，通过某种形式变换，迁移到另外一个学科或者另外一个领域，也就是新课标提倡的跨学科项目应用。

本课主要采用了游戏化体验式教学方式，通过有监督学习和无监督学习两类游戏活动引导学生逐步实现教学目标，有些学习小组还努力利用这些技术开展跨学科项目的探究。这样的方式让枯燥的理论知识更加生动，提高了学生的学习兴趣，同时也降低了学生学习的难度。学生加深了对机器学习相关概念的理解，避免了机械地学习抽象复杂的理论。学生在体验和创作中，完成对知识的识记和理解。这节课的应用创新之处有：教学环节中突出体验式学习和创新实践，以学习者为中心，小组合作探究神经网络的工作原理，创新人工智能游戏应用设计，从意识、思维、创新应用等方面培养了学生的人工智能素养。

责任编辑 罗 峰