人工智能教学的国际接轨探索

李春庚

（大连海事大学信息科学技术学院，大连116026）

0 引言

当前人工智能（Artificial Intelligence，AI）无论在平常百姓的日常生活里，还是在专业科研工作者的科研工作中，也还是在社会生产和经济活动中，都是非常流行的潮词。

从应用角度说，人工智能是在计算机控制下的机器设备能够像人那样完成各种工作。“像人那样”意味着具有很强的环境适应性，具有学习能力，能够解决非确定性的问题。

从科学研究的角度说，人工智能是以计算机和机器为工具，表示和产生人的智慧的科学。

从1956年达特茅斯会议上人工智能被正式提出，经过了60多年发展，人工智能已经取得了巨大进步，在特定领域和应用中已经能够代替人的基本工作。如人工智能系统应用于银行业务中，使得原来非常耗时费力的系统性、规范化的繁杂业务变得快捷和准确。在人工智能系统的帮助下，医学上已经有了虚拟个人健康助理。在大型工业企业中，人工智能系统通常是生产单元的一部分。工业机器人可以给工件塑形，可以代替传送带将工件从一个工位准确地搬移到另一个工位。人工智能系统对机场航班管理，准确无误，保证安全。人工智能在外科手术中，提高了手术的成功率。类似的情景还有很多。人工智能的如此应用给生活和生产带来很大的变化，减少了人力付出，使生活充满乐趣，使生产更加高效。

即使这样，人工智能和人的智能差距还很大。我们期待将来更先进、更高级的人工智能系统。在某个特定领域，能够通过复杂计算，准确高效完成高难度的工作；能够适应不同的，变化的环境，完成各种人类才能够胜任的更复杂的工作；具有情感，能够感知其他系统和人的感情。

今天计算机硬件性能的快速提高，计算机网络的迅速普及，给人工智能的发展提供了前所未有的物质前提。社会经济发展的瓶颈，人类生活方式的变化，又给人工智能发展提供了社会层面上的迫切需求。世界各国都投入大量的人力物力，在科学技术层面和产业层面上大力发展人工智能。人工智能很可能就是下一次工业革命的原动力。

1 人工智能教学的作用和意义

中国是发展中国家。在多数传统科技领域，由于历史的原因，我国和发达国家一直有差距，甚至是很大的差距，我们一直在费力地追赶。正是这些差距，限制了中国的发展，影响了人民的幸福。无论在科学研究，还是产业发展，人工智能都是新兴领域，我们和发达国家没有本质差距，在一个起跑线上。人工智能很可能是下一次工业革命的原动力，我们有可能实现弯道超车。

为抢抓人工智能发展的重大战略机遇，尤其在中国的当下，我们的经济结构面临调整，我们的产业结构需要转型。人工智能无疑是实现“中国制造2025”总体目标的重要源动力之一。为了构筑我国人工智能发展的先发优势，加快建设创新型国家和世界科技强国，2017年7月8日国务院印发的《新一代人工智能发展规划》。2018年4月2日，教育部印发《高等学校人工智能创新行动计划》，提出要完善人工智能领域人才培养体系，完善学科布局、加强专业建设、教材建设、人才培养，推动人工智能领域一级学科建设。当前迫切的任务是大学的人工智能教学必须为产业培养出足够的，合格的各个层次的人工智能方面的人才。

在教育层面上，政府有关部门已经做了大量的工作，已经为教学的展开做好了管理上的准备工作。以后重要的工作要体现在教学部门——学校的具体教学工作中。

2 国内外人工智能教学归纳总结

2.1 人工智能的教学对象

虽然北京、上海等教育发达地区已经开始在中小学试点人工智能教学，全世界范围内，人工智能的教学活动主要是在大学中开展的。通常有如下三个层次：①计算机科学与技术，软件工程等传统相关专业的本科人工智能教学；②智能科学与技术专业，数据科学与大数据技术等新兴相关专业的本科人工智能教学；③计算机及相关专业（计算机科学与技术，软件工程，控制理论与控制工程，信号与信息系统等）的硕士人工智能教学。由于还没有人工智能学科，所以还没有纯粹的人工智能本科和硕士专业。人工智能教学是分散在相关的各个专业中，是以研究方向存在的。

2.2 人工智能的教学内容

人工智能属于社会科学和自然科学的交叉，涉及数学、心理学、神经生理学、信息论、计算机科学、哲学和认知科学、不定性论及控制论等。研究范畴包括自然语言处理、机器学习、神经网络、模式识别、智能搜索等。应用领域包括机器翻译、语言和图像理解、自动程序设计、专家系统等。在各个大学里，研究方向的不同，应用领域的不同，对学生培养目标的不同，教学内容也是很大同。这一点我们可以从国内外各大学为人工智能相关方向的学生开设的课程得到证实。

中国科学院大学[1]为“控制科学与工程”一级学科的硕士研究生开设了：模式识别、图像处理与分析、自然语言处理、机器人学、现代控制理论、人工智能原理等核心课程；为“模式识别与智能系统”二级学科硕士研究生开设了：模式识别导论、视频处理与分析、深度学习、生物特征识别、计算机视觉、脑网络组学基础及应用、智能人机交互、语音识别技术、交互式可视分析、多媒体分析与理解、虚拟现实、机器学习导论、大数据智能、情感计算、人工智能中的信息理论、语义计算与深度学习等专业普及课程；为“控制理论与控制工程”二级学科的硕士研究生开设：机器人智能控制、智能传感与信息处理、机器人机构学、机器人系统设计、仿生机器人技术、最优控制理论、智能控制、复杂系统导论、预测控制等专业普及课。此外各个二级学科还开设了更接近实际应用研究的专业研讨课。

美国西北大学为人工智能科学（Master of Artificial Intelligence）专业的硕士生开设[2]：认知建模导论（Introduction to Cognitive Modeling）、机器人实验室简介（Introduction to Robotics Laboratory）、数据管理和信息处理（Data Management and Information Processing）、人工智能程序设计（Artificial Intelligence Programming）、人机交互（Human computer Interaction）、计算机视觉导论（Introduction to Computer Vision）、语言信息处理导论（Intro to Semantic Information Processing）、智能信息系统实践（Practicum in Intelligent Information Systems）、数据库导论（Intro to Databases）、问题求解器的设计（Design of Problem Solvers）、人工智能导论（Intro to Artificial Intelligence）、机器学习（Machine Learning）、音乐和语音的机器感知（Machine Perception of Music&Audio）、知识表示和推理（Knowledge Representation and Reasoning）、机器人导论（Intro to robotics）、软件项目管理和开发（Software Project Management&Development）、虚拟人物的认知模拟（Cognitive Simulation for virtual Characters）、高级计算机视觉（Advanced Computer Vision）、神经网络（Neural Networks）、机器人的机器学习与人工智能（Machine Learning and Artificial Intelligence for Robotics）、用多智能体的语言设计和构造模型（Designing and Constructing Models with Multi-Agent Languages）、从零开始深度学习（Deep Learning Foundations From Scratch）、计算学习理论介绍（Introduction computational Learning Theory）、Web信息检索与提取（Web Information Retrieval and Extraction）、人类水平人工智能（Human-Level Artificial Intelligence）、协同理论（Collaboration Technology）、计算语言学导论（Introduction to Computational Linguistics）。

刚招生的南京大学人工智能学院为新生开出了：数学分析（一）、高等代数（一）、离散数学、程序设计基础、人工智能企业实现（一）、人工智能导学等课程[3]。

我们看到，中国科学院大学是给特定的一级学科和二级学科硕士研究生开设的课程，是明确围绕着该校的研究领域的。美国西北大学是一个人工智能硕士项目，没有太明确的研究方向，所以开设了大量能开出的和人工智能相关的课程供学生选择。把研究方向留给学生的兴趣去决定。而南京大学人工智能学院的本科一年级课程则明确在打数学基础。

当前大量的人工智能教学面对的是计算机相关专业（如计算机科学与技术、软件工程、自动化、电子信息科学与技术等）的本科或硕士生。他们将来很可能从事人工智能相关的工作。通常是一个学期的一门课，教学内容既要全面，兼顾人工智能的导引，包含人工智能的各个方面，又要在某些方面深入理论分析和实践练习，为学生以后的发展做好铺垫。

如浙江大学的《人工智能概论》课[4]，教材采用拉塞尔（Stuart Russell）、诺文（Peter Norving）著，姜哲等译。《人工智能——一种现代方法》（第二版），人民邮电出版社，ISBN：7-115-12228-8，2004 年。课程要求：①了解人工智能的研究内容和发展历史；②掌握智能主体的概念和结构；③掌握树搜索算法，盲目搜索策略和最好优先搜索策略；④掌握一阶逻辑推理和规划算法；⑤掌握贝叶斯网络及贝叶斯网络推理；⑥掌握神经网络算法和决策树方法。

我们能够找到的其他院校人工智能课程，课程名称有的叫“人工智能理论与应用”，有的叫“人工智能”，也有的叫“人工智能原来及其应用”。采用的教材有王万森编著的《人工智能原理及其应用》，电子工业出版社，2012年9月第一版；蔡自兴等编著的《人工智能及其应用》，清华大学出版社，2010年2月第四版；廉师友编著的《人工智能技术导论》，西安电子科技大学出版社，2002年7月第二版；王士同主编的《人工智能教程》，电子工业出版社，2006年2月，第二版。各个学校的主要教学内容和浙江大学基本相同。有的学校还增加了专家系统和机器学习等内容。

在我们能找到资料的国外大学中，只有美国的詹姆斯麦迪逊大学（James Madison University）[5]，采用 Artificial Intelligence：Foundations of Computational Agents,2nd Edition,David Poole and Alan Mackworth,Cambridge University Press,2017.为教材；日本会津大学（University of Aizu）[6]的教材是 Qiangfu ZHAO and Tatsuo Higuchi,Artificial Intelligence：from fundamentals to intelligent searches,Kyoritsu,2017,ISBN：978-4-320-12419-6(in Japanese)。其他多数大学，如瑞典的于默奥大学(Umea University)[7]和包括卡内基梅隆大学（Carnegie Mellon University）[8]、爱荷华州立大学（Iowa State University）[9]、马里兰大学（Maryland University）[10]等20多所美国大学都是以Artificial Intelligence,A Modern Approach,3rd Edition,by Stuart Russell and Peter Norvig[19]为教材。斯坦福大学（Stanford University）[11]和哥伦比亚大学（Columbia University）[12]，没有指定教材，但该教材是第一参考书。各个大学都在讲述该教材的基本内容后，结合教授的研究领域，深入探讨其中的若干章节，使学生在对人工智能广泛了解的基础上，通过特定领域的深入学习和实践，为后续的深入学习打好基础。

纽约大学（New York University）[13]的人工智能课分9个专题讲解：

（1）Introduction（引言）(Russell and Norvig,chaps 1&2)；

（2）Prolog（用于人工智能的编程语言）(Bratko,chaps 1,2,3,5)；

（3）Natural Language Processing（自然语言处理）(Russell and Norvig,chaps 22&23)；

（4）Search（搜索）(Russell and Norvig,chap 3;Bratko chap 11)；

（5）Game Playing（博弈）(Russell and Norvig,chap 5)；

（6）Learning（学习）(Rusell and Norvig,chaps 18&19)；

（7）Automated reasoning（自动推理）(Russell and Norvig,chap 6-8;Bratko secs 14.4,14.8)；

（8）Planning（规划）(Russell and Norvig,chap 11)；

（9）Vision and Robotics（视频和机器人）(Russell and Norvig,chaps 24,25)。

南加利福尼亚大学（University of Southern California）[14]的 28个专题如下：

（1）Welcome（欢迎词）– Introduction.Why study AI?What is AI?The Turing test.Rationality.Branches of AI.Brief history of AI.Challenges for the future.What is an intelligent agent?Doing the right thing(rational action).Performance measure.Autonomy.Environment and agent design.Structure of agents.Agent types.

（2）Problem Solving&Search（问题解决和搜索）–Types of problems.Example problems.Basic idea behind search algorithms.Complexity.Combinatorial explosion and NP completeness.Polynomial hierarchy.

（3）Uninformed Search（盲目搜索）-Depth-first.Breadth-first.Uniform-cost.Depth-limited.Iterative deepening.Examples.Properties.

（4）Continue uninformed search（连续无启发搜索）.

（5）Informed search（启发式搜索）-Best-first.A*search.Heuristics.Hill climbing.Problem of local extrema.Simulated annealing.

（6）Continue Informed search（连续启发式搜索）.Genetic Algorithms.

（7）Game Playing（博弈）-The minimax algorithm.Resource limitations.Alpha-beta pruning.Chance and non-deterministic games.

（8）Constraint satisfaction（约束满足）.Node,arc,path,and k-consistency.Backtracking search.Local search using min-conflicts.

（9）Agents that reason logically 1（逻辑推理的代理1）-Knowledge-based agents.Logic and representation.Propositional(boolean)logic.

（10）Agents that reason logically 2（逻辑推理的代理1）-Inference in propositional logic.Syntax.Semantics.Examples.

（11）First-order logic 1（一阶逻辑 1）– Syntax.Semantics.Atomic sentences.Complex sentences.Quantifiers.Examples.FOL knowledge base.Situation calculus.

（12）First-order logic 2（一阶逻辑 1）– Describing actions.Planning.Action sequences.

（13）Building a knowledge base（建立知识库）–Knowledge bases.Vocabulary and rules.Ontologies.Organizing knowledge.

（14）Inference in first-order logic（一阶逻辑推理）–Proofs.Unification.Generalized modus ponens.Forward and backward chaining.

（15）Continue Inference in first-order logic（一阶逻辑中的连续推理）.Resolution.Proof by contradiction.

（16）Logical reasoning systems（逻辑推理系统）–Indexing,retrieval and unification.The Prolog language.Theorem provers.Frame systems and semantic networks.

（17）Planning（规划）– Definition and goals.Basic representations for planning.Situation space and plan space.Examples.

（18）Fuzzy logic（模糊逻辑）–concepts,fuzzy inference,aggregation,defuzzyfication.

（19）Learning from examples（样例学习）– supervised learning,learning decision trees,support vector machines.

（20）Learning with neural networks（神经网络学习）–perceptrons,Hopfield networks.How to size a network?What can neural networks achieve?

（21）Advanced concepts in neural networks（神经网络中的高级概念）–convnets,deep learning,stochastic gradient descent,dropout learning,autoencoders,applications and state of the art

（22）Reasoning under uncertainty（不确定性推理）–probabilities,conditional independence,Markov blanket,Bayes nets.

（23）Continue Reasoning under uncertainty（不确定性下的连续推理）–Probabilistic inference,enumeration,variable elimination,approximate inference by stochastic simulation,Markov chain Monte Carlo,Gibbs sampling.

（24）Probabilistic decision making（概率决策）–utility theory,decision networks,value iteration,policy iteration,Markov decision processes(MDP),partially observable MDP(POMDP).

（25）Probabilistic Reasoning over time（概率决策的时间历经性）：Temporal models,Hidden Markov Models,Kalman filters,Dynamic Bayesian Networks,Automata theory

（26）Probability-Based Learning（概率学习）：Probabilistic Models,Na飗e Bayes Models,EM algorithm,Reinforcement Learning.

（27）Natural language processing（自然语言处理）–language models,information retrieval,syntactic analysis,machine translation,speech recognition.

（28）Towards intelligent machines（迈向智能机器）–The challenge of robots：with what we have learned,what hard problems remain to be solved?Different types of robots.Tasks that robots are for.Parts of robots.Architectures.

哥伦比亚大学（Columbia University）[12]讲解如下内容：

（1）Introduction.Course Logistics.Background and History of AI.（引言。课程逻辑体系。AI的背景和历史）

（2）Intelligent Agents.Uninformed Search.（智能体，无启发搜索）

（3）Heuristic Search（启发式搜索）

（4）Game Playing.Adversarial Search.（博弈，对抗搜索）

（5）Constraint Satisfaction.（约束满足）

（6）Logic and Reasoning.Propositional Logic and Predicate Logic.（逻辑和推理，命题逻辑与谓词逻辑）

（7）Probabilistic Reasoning and Decision Making.Bayesian Networks.（概率推理与决策。贝叶斯网络）

（8）Machine Learning：Basics.Naive Bayes.Decision Trees.（机器学习：基础。朴素的贝斯。决策树）

（9）Machine Learning：Linear regression.Perceptron.Neural Networks.（机器学习：线性回归。感知器。神经网络）

（10）Neural Networks.Deep Learning.Convolution NN.（神经网络。深度学习。卷积神经网络）

（11）Reinforcement Learning.（强化学习）

（12）Applications：NLP（应用：NLP）.

（13）Future of AI.Hard Problems.AI and Society(Benefits&Risks).（人工智能的未来。困难的问题。人工智能与社会）

对比纽约大学、南加利福尼亚大学和哥伦比亚大学的教学内容，它们都是以教材Artificial Intelligence,A Modern Approach,3rd Edition,by Stuart Russell and Peter Norvig[19]的内容为主线，各个教学专题都是出自教材，但教学内容有所取舍。

有的大学的教学日历中还使用了tentative（试探性的）或provisional（暂定的）词汇。说明教学内容还会在执行过程中有所调整。这也间接证明，教学本身具有研究性、动态性。

综合国内外多所大学人工智能课的教学内容，得到的结论是，国外（主要美国）多数大学都用同一本权威教材，各大学讲授的核心内容基本一致，但也有不同的取舍。一个重要的原因是，人工智能是一门涉猎范围很广的交叉学科，在有限的时间内不可能面面俱到；其次，开课大学专业特色，开课教师的研究领域也是确定课程讲授范围和深入程度的一个重要原因；还有，学生的培养目标和层次也是决定课程讲授内容的重要因素。

2.3 人工智能的教学方法

由于人工智能教学内容范围广，概念抽象，数学基础要求高等原因，要想得到好的教学效果并不容易。多年来，从事人工智能教学的教师一直在为了好的教学效果不断探索合适的教学方法。

韩洁琼[15]等认为学生的学习兴趣是提高教学效果的首要因素，所以，他在教学中首先会找到相关人工智能的应用实例，给学生演示，和学生互动来激发学生的学习兴趣。如专家诊断系统。其次，他在教学中重视多媒体教学。用动画演示推理过程。另外，他还重视实验，在不多的实验时间内，让学生开发一个小的专家系统。陈白帆等[16]在优化教学内容基础上，细化实验教学。将实验分为：①实际硬件和软件实验，要求用C或C++或Java等语言实现；②虚拟实验，由人工智能网络课程提供，可以在网上进行。在课堂教学环节，，除多媒体课件和网络课程外，还给学生提供了相关参考资源，包括：①课程相关的国外杂志和书籍目录，重要的参考文献。②人工智能相关的网络资源，如网站、新闻组、BBS等。它们包括了大量的文献资料、讨论、本领域研究的前沿动态等。③人工智能课程相关的演示动画和实验等。为了提高学生的学习兴趣，①通过有趣难题或游戏的说明来进行理论知识的讲解。如通过八数码问题说明状态空间法、梵塔问题说明问题归约法等。又如，通过人脸或指纹识别问题来引出神经网络理论，从而讲解神经网络学习方法等。②购买多种类型的人工智能产品实物，如漫游车、多功能歌舞机器人、机器狗、Amigo移动机器人等，用于演示和辅助说明课程中理论和方法的实际应用，避免了理论讲解的乏味和空洞，有助于学生理解和保持兴趣。另外，他还采用双语教学来助推学生跟踪世界研究发展前沿，使学生养成参考英文书籍，阅读英文文献的能力，也进一步提高了学生的学习兴趣。

Deepak Kumar和Lisa Meeden[17]在多年的人工智能教学中，深刻体会到，由于人工智能是多个学科的交叉，涉及到宽泛的技术和不同的理论，没有统一的思想方法。他们将人工智能的教学围绕机器人实验应用展开。因为人工智能的多数理论和技巧都是机器人应用的某些方面所涉及的内容。让学生在实验室里制作机器人，给机器人编写控制程序，实现各种任务。这种以机器人实验为中心的教学方法，极大地激励了学生的学习热情，因为让学生体验到了自己的成功。Asuncion Gomez和Natalia Juristo在西班牙马德里综合技术大学（Polytechnic University of Madrid，Spain）采用专题讨论的方式讲述人工智能[18]。

通过美国大学网站，发现各个大学的教学也各有特色。如纽约大学在教学中非常重视基本问题的Prolog编程训练[13]。学校教学网站提供了6个问题集（Problem Sets）和相应的解决方法参考。爱荷华州立大学[9]的人工智能课明确了教材[19]中的哪些练习题必须完成。非常强调通过练习题，理解原理。课程结束前，要求学生在教师和助教的指导下，完成一个自选项目，最后提交项目报告并希望班级展示。斯坦福大学[11]的人工智能课教学内容非常宽泛，没有教材，提供了多本参考书。课程最后成绩，考试只占20%。作业占60%，课程项目占20%。加利福尼亚大学[14]非常强调文章阅读，教学的多个部分，都要求阅读这部分知识内容的代表性科技论文。詹姆斯麦迪逊大学的人工智能教学与众不同的是强调学生在课后对教材的阅读和全美其他大学相关教学视频的观看[5]。马里兰大学[10]的人工智能教学网站内容简单，但一开始就强调教学大部分是按照加利福尼亚大学伯克利分校的AI课程进行，给出了链接，让学生参考伯克利的网站（We'll be(largely)following the Berkeley AI materials;you can also refer there for more info！）。可见教学是非常开放的。

3 人工智能教学的展望和探索

通过对国内外大学人工智能课教学内容和教学方法的归纳和总结，我们知道了，由于人工智能知识是多学科的交叉，涉及的教学内容广，应用的领域宽泛；接受教学的学生层次多样等原因，不存在一种或几种教学安排是最合理的。合理的人工智能教学，应该是动态的，是根据各方面因素不断调整的。我们认为主要应该考虑以下方面。

3.1 国际接轨

随着改革开放的深入，中国不但在经济政治领域和世界深度融合，教育，尤其是高等教育也愈发深度融入世界整体教育体系。在高等教育的各个学科分支中，人工智能是新兴的，相比其他领域我们落后不多，但我们还是落后的。人工智能起源于美国；当前多数人工智能的原始算法都不是我们提出的；谷歌的AlphaGo战胜围棋名将；IBM的Watson在电子、能源、教育、汽车、医药等各行业或领域的应用都很好地证明了以美国为代表的西方国家的领先。所以，我们的人工智能教学一开始就应该和国际接轨，在参考学习中不断修正自己，避免被越拉越远，“中国特色”是对的，但绝对不能标新立异，花架子地过分强调“中国特色”。我们应参考美国等发达国家，来调整我们的人工智能教学层次，安排教学内容，灵活应用教学方法。使人工智能的教学工作不仅仅“热”，而且要“实”。人工智能教学国际接轨的一项有效手段是双语教学。由于英语四六级考试的存在，学生普遍重视英语学习。双语教学可以很大程度提高学生的学习积极性。通过双语教学，让学生具有用英语学习人工智能的能力。通过布置作业等方式，鼓励学生登录国外大学著名实验室网站，注册登录行业内都关注的人工智能论坛、网络社区。向国际同行学习，参与国际交流。因为人工智能是多学科的交叉，又应用于非常广泛的领域，课堂教学不可能精深到方方面面，更多的是基本原理、基础应用的分析和介绍。将来学生会走入人工智能的哪个领域，只能靠学生自己的兴趣和工作中的实际需要。

3.2 多层次，多学科，多专业和多应用领域有机融合

人工智能是一个多交叉学科，应用的领域更是跨越了工程、经济和管理等社会生活的各个方面。这就决定了搞好人工智能教学不是仅仅一门课的问题，而是多层次，多学科，多专业和多应用领域密切配合，高效协作的系统性问题。这个系统怎样组建是当前人工智能教学的核心问题。我国的教育主管部门和一些学者主张建立人工智能一级学科[20]。国家标准GBT13735-92依据学科研究对象、研究特征、研究方法、学科的派生来源、研究目的、目标等五个方面对学科进行分类。学科的另一种含义：指高校教学、科研等的功能单位，是对高校人才培养、教师教学、科研业务隶属范围的相对界定。学科建设中“学科”的含义侧重后者。人工智能是众多学科的交叉，笔者认为，非要把本来属于不同学科的人员，课程和应用捏合到一起是没有意义的。真正有意义的是从事不同学科的教师和研究人员工作中的积极深入交流和合作。管理者为实现这种交流与合作创造环境和机会；研究者要理解交流与合作的意义，进而形成氛围。这样才能打破学科的壁垒，也不受学院、系及实验室等行政单位的隔离。只有教课、选课无界限，教师可以跨越学科、学院系上课，学生跨越选课，人工智能及类似的广泛交叉科学的教学才能真正系统合理地展开。

人工智能以多个学科作为其基础，人工智能也应用于社会生活和生产的众多领域。来自各个学科，从事不同应用领域的研究者们的合作当然可以产生创造性，但我们也不应该忽视人工智能在侧重于某一个学科或某一个研究领域的深入发展。更主要的是一所大学，不可能涉猎人工智能的各个领域，通常只在其中的一个或几个方面更擅长，有长期从事研究的教师，有专业实验室。所以，教学中应该在保证基础知识覆盖面的基础上，对擅长的领域深入讲解，并配合实验。使学生不但了解了人工智能的各个方面，而且深入学习了某一个或几个领域。重要的是通过这一个或几个领域的深入学习，掌握了深入研究的科学方法，激发了对科学，对人工智能发自内心深处的兴趣。

对于当前阶段，我国高校计算机相关专业本科和硕士研究生开设的通识性的人工智能课，通常课时不多，有专业人工智能实验室的也不多，所以在基础理解和方法讲授基础上，大作业就显得尤为重要。为了开阔学生的视野，挖掘学生的潜力，最好采用双语教学，即使不是双语教学，也要鼓励学生登录世界著名的人工智能网站，论坛和社区。经常登录国外著名大学的相关实验室网站。使学生在学习过程中，思想开放，思维活跃，对人工智能充满兴趣。

4 结语

人工智能技术的蓬勃发展和广泛应用迫切需要大学提供高质量的人工智能人才。为了使我国在人工智能领域不重蹈传统科技领域落后的覆辙，人工智能教学应该以开放的思想，和国际接轨。教学中应尽可能采用双语教学，通过国外大学人工智能相关实验室网站、国际著名的论坛和社区，了解国外技术发展、教学内容和教学方法。教学中使用国际权威教材是必要的，是和国际接轨重要渠道。来自于不同学科、不同专业及不用应用领域的教师，要打破原有学科、学院及系和实验室的限制，积极沟通合作；教师能够跨越管理壁垒教学，学生也应该可以在全校内选课。让人工智能这一交叉科学分支，拥有各学科有机融合的发展基础。教学中要根据学生的专业背景和层次以及教师擅长的研究方向，选定合适的教学内容。决定教学的范围和那些方面做深入探讨，安排实验或大作业。让学生了解人工智能广泛知识的基础上，掌握深入研究的技能方法。为社会培养出合格的人工智能人才。