高中二年级信息科技·人工智能的“黑盒灰盒白盒”-大模型原理探究与跨学科创新教案

高中二年级信息科技·人工智能的“黑盒-灰盒-白盒”——大模型原理探究与跨学科创新教案

一、课程基本信息与设计理念

（一）课程定位与背景

【非常重要】【热点】【政策依据】本教案依据教育部《普通高中信息科技课程标准（2017年版2025年修订）》及《浙江省中小学人工智能通识教育指导意见》研制，定位于高中二年级信息科技选择性必修课程“人工智能初步”模块。课程以“探究—创新—融通”为高中阶段核心目标，直面生成式人工智能时代对基础教育提出的底层原理理解诉求，旨在打破“AI即工具应用”的表层化教学窠臼，将教学重心从“如何使用大模型”前移至“大模型为何如此工作”及“如何与模型协同创造”【1】【2】【5】。

（二）学情精准画像

【重要】授课对象为已完成必修“数据与计算”“信息系统与社会”模块的高二学生。学生具备Python程序设计基础，掌握数据、算法、函数等核心概念，多数学生有过使用ChatGPT、文心一言等大模型的日常体验，但对模型“幻觉”成因、参数调整意义、数据与算力的支撑作用存在认知盲区；对“人工智能是否真正思考”“算法是否客观公正”存在朴素困惑。本设计以此为认知起点，采用“黑盒-灰盒-白盒”三阶认知路径，将艰深的底层原理转化为可感知、可操作、可思辨的学习历程【9】。

（三）跨学科融合理念

【基础】【创新】本课程深度融通信息科技、数学（概率统计与线性代数基础概念）、通用技术（系统设计）、语文（提示工程与表达逻辑）、政治（科技伦理与法治意识）五大学科领域。以“语言大模型的原理与边界”为核心议题，引导学生从单一技术学习走向复杂问题解决，在跨学科语境中建立“人工智能思维”这一高阶认知框架【7】【8】。

（四）总课时安排

本单元共3课时，每课时45分钟，均为本教学设计覆盖范畴。三课时构成“原理认知—代码实践—跨界创新”的完整闭环。

二、单元教学目标体系

（一）核心素养统整目标

【非常重要】信息意识：能够敏锐识别日常生活中人工智能应用的场景与潜在风险，建立“算法并非中立”的批判性警觉，理解自主可控技术对国家数字主权的战略意义【2】。

计算思维：能够将真实问题分解为“数据—模型—反馈”的可计算框架，理解神经网络特征提取的层级逻辑，初步具备对黑箱模型进行“可解释性”追问的意识。

数字化学习与创新：能够借助AI辅助开发工具完成从需求分析到原型验证的完整项目周期，在与智能体协同创作中保持人的主体性决策地位。

信息社会责任：辩证理解大模型的社会影响，在具体案例中形成“科技向善”的价值立场，自觉维护数据安全与网络空间秩序【9】。

（二）单元具体学习目标

【基础】能用自己的语言复述神经网络“输入层—隐藏层—输出层”的基本结构，区分监督学习、无监督学习与强化学习的适用场景。

【核心】通过极简代码实践，理解“参数”是模型记忆与泛化的核心载体，能够解释过拟合与欠拟合的成因；能通过调整批大小、学习率等超参数观察准确率变化。

【难点】【高频考点】能够比较生成式人工智能善于解决与不善于解决的问题类型，分析大模型产生“幻觉”的数学本质与数据成因【2】。

【拔尖】结合个人专业兴趣，选择一个跨学科主题（如古典诗词格律校验、区域水资源调度、校园心理支持智能体），完成基于开源大模型的轻量级微调方案设计或提示工程策略开发，并阐述其社会价值与伦理边界。

三、教学实施过程（核心篇幅）

（一）第一课时：黑盒探测——从体验到边界追问

1.情境锚点与认知冲突创设

【重要】【热点】上课伊始，教师展示一组实时生成内容：由大模型生成的“浙江省2026年高考作文命题预测”及由图像生成模型绘制的“南宋临安城元宇宙街景”。学生直观感受生成式AI的“惊艳”效果后，教师即刻呈现反例——模型将“红楼梦贾宝玉佩戴智能手表”绘制为“手表镶嵌在古代长袍”的荒诞图景，并展示大模型对“浙江精神与古希腊城邦精神异同”回答中存在的史实性幻觉。

【教学行为】教师不直接讲解，而是发起5分钟“头脑风暴”：为什么一个能写诗、能画图的系统，会犯如此低级的错误？它真的“理解”自己在说什么吗？

【生本预判】学生可能提出“它只是背答案”“它不懂逻辑”“它是拼接怪”等朴素认知。教师将这些观点板书为“黑盒猜想区”，暂不作对错评判。

2.核心概念建构——什么是“学习”

【基础】教师引入本节课第一个核心隐喻：“猜数字游戏”。设定规则：教师心中有一个函数f(x)=2x+1，但不向学生透露；学生给出x，教师告知f(x)的结果；学生需通过不断试错，推测函数形态。学生迅速发现，当积累足够多(x,f(x))对时，即可准确预测任意x对应的值。

【师生共建】教师顺势引出定义：机器学习，本质上是从“输入—输出”对中逆向推断映射函数的过程。大模型就是这个规模放大亿万倍、函数形态复杂亿万倍的“超级猜数系统”。

【重要】此时自然引出“数据是燃料，算法是引擎，算力是底座”的三角框架。学生意识到：模型的能力边界，根本上是训练数据与算力投入的边界。

3.生成式AI边界分类探究

【高频考点】【难点】学生4人小组领取任务卡，每组分配一组问题集，任务卡分为两类：

A类问题（模型擅长）：撰写请假条、总结新闻要点、将白话文改写为文言风格、为商品命名。

B类问题（模型不擅长）：精确计算“3.14159的平方根保留小数点后5位”、推理“甲说乙说谎，乙说丙说谎，丙说甲乙都说谎，谁说真话”、对未经训练的专业细分领域（如某特定型号机床故障代码）进行诊断。

各小组将测试结果填入对比表，并尝试归纳“擅长”与“不擅长”的特征规律。

【生成性结论】在全班汇报基础上，教师提炼：【非常重要】大模型本质是“高维语境下的模式补全器”，擅长语义类、开放类、经验类任务；不擅长精确符号运算、多步形式逻辑推理、稀缺长尾数据覆盖领域。这是由自回归语言模型的数学本质决定的——它预测的是下一个最可能的token，而非执行符号计算。此结论为后续“幻觉成因”埋下伏笔。

4.第一课时收束与伦理锚点

【思政自然融入】教师展示案例：某国外大模型在回答“医生、护士、幼儿园教师”职业画像时，将护士默认关联为女性。学生立即意识到：训练数据中的社会偏见被模型“学习”并固化。教师设问：模型应该保持“客观中立”，还是需要主动纠偏？谁有权决定纠偏的方向？

无统一答案，但问题本身即构成对“技术中性论”的祛魅。学生带着对黑箱的敬畏与质疑离场。

（二）第二课时：灰盒拆解——神经网络的隐喻与代码实验

1.从生物学到数学的类比迁移

【基础】【非常重要】教师展示神经元结构简图与单层感知机示意图，建立经典类比：树突→输入特征，细胞体→加权求和与激活函数，轴突→输出信号。学生此前在生物学课程中学习过反射弧，此跨学科映射显著降低认知负荷。

但教师立即强调：【重要警示】人工智能中的“神经元”是数学函数，而非生物仿真。此处的“祛魅”至关重要——避免学生产生拟人化误解。

2.极简神经网络代码实验

【核心实践】本环节依托浙江中小学数字教学系统AI编程助手及云端Jupyter环境开展【6】【10】。学生以两人结对编程方式，运行一份极简全连接神经网络代码（使用TensorFlow.js或简化版Keras），任务为手写数字识别MNIST的子集（仅识别0和1，二分类）。

实验任务单包含三个渐进子任务：

子任务1【基础运行】：加载预设代码，训练模型，记录测试集准确率基线。

子任务2【参数扰动】：在教师指导下，分别修改批次大小（batchsize）、学习率（learningrate）、迭代轮次（epochs），观察并记录训练曲线变化。

子任务3【过拟合制造】：故意将训练数据减少至50张，持续迭代20轮，观察训练集准确率升至100%而验证集准确率停滞不前甚至下降的典型现象。

【难点突破】学生亲历“过拟合”后，教师结合板书示意图讲解：模型本质上是在“记忆数据”与“学会规律”之间寻求平衡。参数规模远超数据量时，模型便陷入死记硬背，失去泛化能力。

【重要升华】至此，学生真正理解：为什么大模型需要海量数据，为什么“高质量数据”比“海量数据”更重要，为什么参数不是越多越好。对“数据、算法、算力”三角关系的理解从标语式记忆升维为具身体验。

3.生成式AI幻觉的数理归因

【高频考点】【难点】承接上环节，教师提出核心问题：为什么大模型会自信地给出错误答案？

基于前序实验获得的直觉，学生能够推导出若干成因：

其一，训练数据中缺乏相关事实，模型为完成“补全”任务而强行编造；

其二，自回归架构中，一旦早期预测出现偏差，后续误差呈指数级放大；

其三，模型缺乏“我不知道”的建模机制——它被训练为永远输出最合理的下一个词，而非判断自己是否知晓。

教师补充【拓展】：研究者正在探索“不确定性估计”技术，让模型学会表达“我不确定”。这既是技术前沿，也是人机信任体系的核心基石。

4.灰盒阶段小结

本课时结束前，每个学生在学习平台提交一条“此刻我对人工智能最想追问的问题”。数据实时汇入词云，前三位为：AI会有自我意识吗？它会取代我的职业吗？谁为AI的错误负责？这三个问题成为第三课时的探究起点。

（三）第三课时：白盒重构——提示工程、微调思辨与跨学科创新

1.从“被测试者”到“协作者”的角色转换

【非常重要】【热点】本课时开篇重塑师生共识：在绝大多数真实场景中，我们无需从零训练模型，而是调用开源或商业模型，通过“提示工程”或“微调”使其适配特定任务。智能时代的关键素养，不是“会编程”，而是“会与AI协同创造”。

2.提示工程——结构化的表达智慧

【跨学科锚点：语文学科】教师展示三个层级提示语：

劣质提示：“写一篇关于环保的作文。”

优质提示：“我是一名高二学生，需要写一篇关于‘校园减塑行动’的倡议书，面向全校师生发布。要求：字数600字左右，语气有号召力，包含具体行动建议。”

进阶提示（增加角色设定与约束）：“你是一名经验丰富的环保志愿者组织者，请为我策划一场持续一个月的校园减塑挑战赛，包含每周主题、宣传标语、量化评比规则。”

学生分组体验不同提示策略的输出质量差异，归纳“清晰的目标+具体的约束+角色设定+范例引导”四维提示框架。

【核心素养】此环节并非仅训练“提问技巧”，而是引导学生反思：提示的质量本质上反映了人是否将模糊需求转化为清晰指令的能力。AI并未“理解”人心，但人类的表达精度决定了协作效能。这是数字化学习与创新的核心要义。

3.轻量级微调——让模型学会“专业语言”

【拔尖】【跨学科：工程技术】教师以西安理工大学“AI赋能案例解码”课程中无人机低空智联案例为引子【7】，提出挑战：通用大模型不熟悉特定学校的课程代码体系、社团简称、校园地名。如何让模型准确回答“高二选科走班制下，冲突课如何申请调换”？

学生讨论后，教师引入“微调”概念：在通用模型基础上，用少量高质量垂直领域数据继续训练，让模型调整参数权重，适配专业语境。

【技术实践】学生不进行真实算力训练，而是使用教师预先准备的模拟沙盘（基于LoRA原理的可视化交互界面），通过“拖拽—合并—测试”流程，体验“领域数据注入→模型行为调整”的逻辑闭环。学生亲眼见证：输入50条校园教务问答对后，模型对选课咨询的回答准确率从47%跃升至89%。

【重要价值观】此环节使学生直观理解：人工智能的“智能”并非恒定，而是取决于它所“吃过”的数据。训练高质量中文语料、行业语料，是构建国家人工智能竞争力的根基。自主可控绝非口号，而是每一行代码、每一个数据集的选择【2】。

4.跨学科创新工坊——我的第一个AI赋能方案

【非常重要】【单元高潮】本环节为60分钟长时段项目式学习，贯穿第三课时后半段并可延伸至课后服务时段。

学生依据兴趣组成6个跨学科项目组，每组需完成“方案设计白皮书”框架，包含：场景痛点、技术路径、数据来源、伦理风险评估。

典型选题包括：

古典文学组：“宋词格律校验智能体”——针对中学生诗词创作场景，基于大模型微调或精心设计的提示链，自动检测平仄押韵错误并提供修改建议。

心理支持组：“树洞学长”——校园匿名心理支持智能体，训练语料精选青少年常见成长困惑与专业心理支持话术，严格规避诊断建议，仅提供共情回应与求助渠道指引。

生态数据组：“校园碳足迹计算器”——学生日常行为数据（用电、纸张、餐饮）与碳排放因子库关联，生成可视化报告并提供减碳建议。

智慧交通组：“校门口潮汐车道模拟”——运用多智能体强化学习思想，仿真不同信号灯配时对拥堵指数的影响（非真实控制，仅仿真推演）。

【实施要点】教师在此环节中角色转型为“赋能者”而非“评判者”【6】。每个小组可携带笔记本电脑，允许使用联网搜索、代码生成工具、AI绘图工具辅助完成方案视觉呈现。教师重点巡视各组的伦理审查环节：数据从何而来？是否涉及个人信息？回答是否可能对用户造成误导？有无明确标识“AI生成内容”？

5.伦理审议与素养升华

【热点】【难点】各小组完成3分钟方案路演后，不设教师评委，而是进行“同伴伦理质询”。如“树洞学长”组被问及：“如果学生连续三次表达自杀意念，智能体应如何应对？”组员需现场修订方案，加入“强制转接人工心理热线+监护人通报机制（按年龄段合规设计）”。

【非常重要】此质询环节的价值远超知识传授。学生切身体会：技术向善不是自然发生的，而是通过无数个具体的设计决策“嵌入”系统的。人工智能教育最终是指向人的教育——培养能用技术创造美好生活、且不被技术异化的时代新人。

四、教学评价与素养反馈体系

（一）过程性评价设计

【重要】本设计彻底摒弃传统纸笔测试对概念死记硬背的考查，构建“三阶证据”评价模型：

第一阶【知】——课堂实时反馈：依托数字平台客观题与拖拽交互题，即时诊断学生对神经网络层级、过拟合成因、大模型边界等核心概念的理解正误。数据用于动态调整教学节奏。

第二阶【行】——代码实验档案：保存第二课时学生每组修改参数后的准确率曲线，作为“计算思维”水平的重要佐证。重点观察学生是否有意识对比不同参数组合，而非单纯记录数值。

第三阶【范】——创新方案评估：采用“方案价值环”量规，从问题真实性、技术适切性、数据合规性、伦理周密性四个维度，对跨学科项目白皮书进行等级评定。此部分权重占单元总评50%。

（二）学业质量标准对应

依据2025年修订课标学业质量水平划分【2】：

水平1：能复述人工智能基本概念，识别日常应用场景。——对应第一课时参与状态。

水平2：能借助工具完成简单模型训练与参数调整，解释数据对模型的影响。——对应第二课时实验报告。

水平3：能在复杂真实情境中综合运用AI工具与批判性思维，提出负责任的创新解决方案，并论证其可行性边界。——对应第三课时项目白皮书。

五、支持系统与资源架构

（一）软硬件环境

【基础】网络多媒体教室、学生自备终端（笔记本电脑或平板，具备主流浏览器即可）；教师主控机安装Chromium内核浏览器；推荐接入浙江中小学数字教学系统AI编程助手或同类国产自主可控教学平台【6】【10】。

（二）学习支架设计

词汇支架：每课时核心术语卡（中英对照，含通俗隐喻与学科定义双版本）。

代码支架：第二课时代码库设三级难度入口——基础版（仅需运行观察）、进阶版（可调显式参数）、挑战版（开放部分网络结构定义）。

思维支架：跨学科创新工坊提供结构化白皮书模板，避免学生因“从零开始”而产生习得性无助。

（三）课程资源伦理审查前置

【重要】所有用于课堂展示的大模型生成案例、微调演示数据集，均经过教师严格审核，确保无不良价值观引导、无个人隐私泄露风险、无偏见固化倾向。严禁在课堂上使用未经内容过滤的开放式互联网大模型裸接口。

六、教学特色与创新价值

（一）以“原理深度”替代“应用广度”

本设计拒绝将人工智能课上成“APP推荐会”或“网红工具秀”。三课时始终紧扣“数据驱动”“参数调整”“边界认知”这一核心主线，将最前沿的大模型技术降维至高中生可感知、可操作、可思辨的认知水位。学生获得的不是碎片化的知识点，而是理解智能技术的一整套思维框架。

（二）跨学科不