大学本科计算机科学与技术专业《人工智能导论》核心概念单元教学设计

大学本科计算机科学与技术专业《人工智能导论》核心概念单元教学设计

一、课程基本信息与顶层设计逻辑

本单元定位于大学本科计算机科学与技术专业二年级核心必修课“人工智能导论”的奠基模块，学时为6学时（含2学时理论精讲与4学时项目化实验），授课对象已具备高等数学、线性代数及Python程序设计基础。课程设计严格遵循OBE成果导向教育理念，对标IEEE/ACM计算机课程体系CC2020中“智能系统”知识域要求，将学科核心素养凝练为计算思维、系统设计与伦理思辨三大支柱。单元标题经重构聚焦为“智能体构建逻辑：从表征到决策的范式演进”，旨在破除概念罗列式灌输，构建以问题为主线的认知图谱。全课以“人类如何使机器具备感知、推理与进化能力”这一元问题为锚点，通过四阶递进模块完成从符号主义到连接主义再到融合主义的知识内化。

二、教学目标精准定位

依据布鲁姆认知目标修订版与工程教育认证毕业要求，制定四维整合目标体系。

知识与技能维度：能精确复述人工智能的图灵测试定义、智能体感知-决策-执行闭环结构；能辨析符号主义、连接主义、行为主义三大流派的哲学预设与技术边界；能手动推导单层感知机权重更新律并解释其与线性分类器的等价性；能列举自然语言处理中词袋模型与词向量的本质差异。过程与方法维度：经历“黑盒观察—白盒拆解—灰盒建模”的认知阶梯，通过开源工具TensorFlowPlayground完成神经网络非线性决策边界的可视化实验；在小组辩论中应用Pólya问题解决法剖析自动驾驶“电车难题”的伦理算法化路径。情感态度与价值观维度：建立技术谦逊感，理解当前人工智能能力瓶颈源于常识建模与因果推断的缺失；形成算法问责意识，对训练数据偏差导致的群体公平性问题持有专业警觉。目标标注：【非常重要】【高频考点】智能体感知-决策-执行闭环；【重要】【热点】三大流派技术边界辨析；【基础】图灵测试定义及批判性反思。

三、教学资源结构化重组

废止教材章节线性推进模式，代之以“资源包+问题链”的供给形态。核心文本选用周志华《机器学习》西瓜书第三章与《人工智能导论：模型与算法》第一章，辅以斯坦福大学CS221讲义中关于智能体类型的对比表格。数字资源方面，预置GoogleColab交互式笔记本，内嵌MNIST手写数字识别的简化代码框架；伦理讨论环节引入MITMoralMachine公开数据集实景截图。物理资源包括分置于实验室六台工位机的AI一线通实验箱，内置语音合成、人脸检测等传感器套件。所有资源均通过学校SPOC平台以主题词云图谱形式发布，学习者点击任意概念节点即可触达微课视频、经典论文节选及典型争议案例。【非常重要】资源关联逻辑：每个核心概念均对应一个反常识现象（如“图像识别如何辨认得出哈士奇与狼的雪地背影”），以此激发认知冲突。

四、教学实施过程全息展开

全过程采用POT-ACE模型，即前测铺垫、目标澄清、教学互动、应用检验、总结强化、评价反馈六环节闭环。以下按四课时结构详述。

（一）认知唤醒与范式对峙：符号主义奠基

课时1以“机器能否思考”百年论辩史为叙事主线。开篇放映5分钟剪辑短片，内容涵盖图灵模仿游戏、约翰·塞尔中文屋思想实验、深蓝战胜卡斯帕罗夫及AlphaFold预测蛋白质结构。暂停于中文屋高潮片段，发起第一次嵌入式前测：使用在线词云工具匿名提交“你认为中文屋中的屋内人是否理解了中文”。收集结果显示约七成学生倾向于“不理解”，此时教师不公布答案，转而引入符号主义核心纲领——物理符号系统假说。讲授重点：【非常重要】【高频考点】符号接地问题。以黑板板书动态生成方式，将“符号-概念-指称”三角关系拆解为计算机内部0/1序列与外部世界实体的映射困境。列举知识表示中的语义网络、框架、脚本三种经典方案，以“餐厅就餐脚本”为例展示预定义角色的槽位填充过程。随即抛出认知钩子：为何脚本系统无法应对“服务员递上罚单”这类脚本外事件？学生通过相邻位次两两讨论，归纳出符号系统脆弱性源于封闭世界假设。此环节标注【难点】【高频考点】符号接地问题与常识推理缺口。随后引入智能体概念，基于Russell与Norvig定义拆解PEAS描述框架，以自主吸尘器与自动驾驶汽车为平行案例，要求学生现场在任务单上填写两种智能体的性能度量、环境、执行器、传感器四元组。教师随机抽取五份展示并点评，重点纠偏将“安全性”误归入执行器而非性能度量的典型错误。【基础】智能体PEAS表征必须全员过关。

（二）联结主义革命：从感知机到多层网络

课时2以历史反讽开篇：1958年弗兰克·罗森布拉特对感知机做出“未来将能够行走、说话、书写自我意识”的狂想，而1969年明斯基与帕珀特《感知机》一书证明单层网络无法解决异或问题，导致神经网络研究寒冬二十载。此处设置第二个前测点：让学生在坐标系中手绘异或问题的决策边界，验证其是否意识到线性不可分本质。随即进入核心概念精讲：【非常重要】【高频考点】感知机模型数学形式与学习过程。教师采用“权重空间漫步”隐喻，将权值调整比拟为盲人在丘陵地带寻找最低点，自然引出损失函数、梯度下降与步长（学习率）概念。为夯实理解，要求每位学生在草稿纸上完成一个微型手算实验：给定二分类数据集（1,1）为正、（1,-1）为负，初始权重均为0.5，学习率0.1，迭代计算一轮权重更新值。此时教师巡回指导，发现多数学生卡在预测值与真实值误差计算环节，当即插入板书纠错：感知机仅激活符号函数，不采用Sigmoid连续可导函数，因此其损失函数为误分类点驱动而非均方误差。此知识点标注【难点】。破解线性不可分瓶颈时，引入多层感知机与激活函数革命。不直接给出现代ReLU函数，而是复原历史路径：首先展示为什么需要非线性——在异或空间叠加第一层隐藏单元可生成新特征表示。借助GeoGebra三维动态演示，将隐藏层神经元输出可视化为对输入空间的折叠扭曲，最终在高维线性可分。学生此时产生强烈认知震撼，理解“表示学习”即自动构造合适特征这一关键洞见。【重要】【热点】反向传播算法不做微观求导推导，而是运用计算图与链式法则整体思想，类比“误差问责回溯链条”，确保概念通透而非符号操作。

（三）行为主义与具身智能：智能体与环境互动

课时3前半段切换范式，以“智能必须体现于身体”为宣言，展示RodneyBrooks的包容架构及其六足机器人行为涌现。此处播放MITGenghis机器人爬越障碍物原始录像，强调其无中央模型、仅有有限状态机层叠的设计哲学。核心概念萃取：【重要】具身认知与情境性。组织微型工作坊：六人一组，使用Cozmo机器人SDK模拟环境，编程实现基于反应式控制的避障行为，即仅通过红外测距传感器数据直接映射左右轮转速，不构建环境地图。学生在调试中发现“陷阱循环”问题，此时教师介入，点明纯反应式智能体缺乏内部状态导致的记忆缺失，顺势引出混合架构——在反应层之上增加规划层。这一设计使学生自然理解经典智能体模型分层逻辑。后半段进入人工智能伦理焦点：【非常重要】【热点】算法公平性与可解释性。使用COMPAS再犯风险评估算法种族偏差真实案例，展示相同前科下黑人被告被误判高风险率显著偏高。不采用单向灌输，而是实施结构化辩论：正反方辩题分别为“算法偏差应主要归因于历史数据中的社会偏见”与“算法偏差应主要归因于建模者忽视公平性约束”。辩论流程严格按照图尔敏论证模型，要求主张、数据、理据、支撑、限定、反驳六要素齐全。教师在此过程中捕捉学生论点中的逻辑漏洞与概念模糊，例如有学生将公平性简单等同于“无视群体差异”，此时及时澄清机会均等与结果均等的关键分野。【难点】可解释人工智能必要性论证：以医疗影像诊断为例，即便模型准确率高，若无法告知医生激活区域是病灶特征还是贴片伪影，临床部署便不可接受。

（四）融合范式与前沿贯通：表征学习重构

课时4致力于搭建整合认知框架。首先展示2012年ImageNet竞赛AlexNet颠覆性胜利的技术要素：大数据、GPU并行、ReLU与Dropout正则化。但不停留于技术编年史，而是从概念层面提炼三大核心迁移：【非常重要】【高频考点】分布式表示对局部表示的革命——符号主义中一个符号对应一个神经元，连接主义中概念对应多神经元激活模式，且同一神经元参与多个概念编码，从而具备泛化与容错性。以“女王-国王=女人-男人”词向量经典关系为例，现场调用Gensim库在预训练GoogleNews向量上执行类比推理，输出结果经投影仪实时展示。当学生看到vec(柏林)-vec(德国)+vec(法国)≈巴黎时，课堂发出惊叹。随即追问：这种数学运算何以反映语义？引入分布语义核心信条——单词由其上下文定义。此处标注【难点】但极为【高频考点】。后半场聚焦生成式人工智能核心机理，不涉Transformer复杂架构，而是凝练为“自监督学习”与“规模定律”两个概念锚点。使用类比：如同婴儿在无标注环境中通过观察世界预测下一时刻状态而习得视觉常识，GPT等模型通过遮掩语言建模任务获取世界知识。此时必须注入批判性思维：【热点】规模红利的边际效益递减与符号推理能力缺失。展示经典“斯特鲁普效应”测试：大模型能否准确回答“如果我把袜子穿在手上，把手套穿在脚上，那么我是先穿袜子还是先穿手套”。绝大多数学生能迅速意识到模型缺乏物理常识与因果模拟能力。由此自然收束至单元终极命题：神经符号系统融合可能是迈向强人工智能的必经之路，并预告下一单元知识图谱与因果推断。

五、形成性评价与精准干预网络

全程嵌入五级形成性评价节点，均不占额外课时，以零干扰方式采集数据。节点一：开课第8分钟，使用应答器检测智能体PEAS表征掌握度，正确率低于80%时自动触发2分钟微讲解，并增加生活化案例（智能烤箱）。节点二：感知机手算实验后，扫描全班练习册条形码上传至智慧教学系统，系统自动识别权重更新公式错误模式，教师根据错误聚类决定是否追加习题。节点三：辩论环节设置同伴互评量表，每人评价相邻小组两名成员的论据质量，评分维度含概念准确性、反驳针对性、伦理立场一致性，系统生成个人论证能力雷达图。节点四：课时4词向量演示后，即时发起预测任务：vec(中国)-vec(北京)+vec(东京)=？，限时20秒提交答案，系统自动统计正确率并生成混淆概念矩阵，若错误答案集中于vec(日本)则表明学生尚未把握“首都”关系运算。节点五：单元结束前36小时，在SPOC平台发布情境化迁移测验，题干模拟智能农业创业场景，要求学生为自动采摘机器人设计初步智能架构，并用本单元至少五个核心概念撰写设计说明书。教师根据概念网络密度评分，对边缘节点（如从未使用“符号接地”或“分布式表示”）的学生进行邮件提醒并推送针对性阅读材料。【非常重要】所有评价数据均不可用于期末总评排名，仅作为元认知反馈与教学策略调整依据。

六、课程思政浸润路径

思政元素不独立成章，而是完全溶解于技术逻辑推进中。讲授符号接地时关联汉字信息处理国家战略——如何在Unicode字符集编码之外建立汉字字形与语义的深层关联模型，服务于古籍智能化整理。引入感知机局限性时，自然勾连钱学森先生对人工智能的深刻见解：机器难以模拟人类对不完整信息的整体性把握，启发学生体认中华思维整体观对突破当前技术瓶颈的可能贡献。算法公平性辩论必以中国脱贫攻坚精准识别困难人群的算法实践为正面案例，凸显技术向善的制度优势。在结课环节，展示天宫空间站机械臂自主操控画面，引导学生感悟关键核心技术要不来、买不来、讨不来，在神经形态芯片、可解释人工智能等方向建立学术报国初心。

七、差异化教学调适策略

针对先修课程成绩呈两极分化的班级学情，设计三级认知支架。基础层（高阶数学薄弱学生）：配备预训练微课《梯度下降的登山隐喻》，并提供Python可视化脚本，学生可自行调节学习率观察权重收敛振荡现象，化抽象为直观。进阶层（代码能力较强学生）：在CoLab笔记本开放拓展任务，将MNIST识别准确率从基准90%提升至95%，需自主添加权重衰减正则项或批归一化层，并撰写技术日志解释性能提升原因。挑战层（参与过科创竞赛学生）：要求在智能体辩论赛基础上撰写400词英文观点短文，尝试使用NeurIPS论文格式进行伦理风险论证，并鼓励投稿校内本科生学术期刊。三类任务均赋予对应电子勋章，计入形成性评价附加分，但明确规定单项加分不超过总评2%，避免过度竞争扭曲学习动机。

八、教学反思与持续改进机制

单元教学结束后48小时内，授课教师须完成双维度复盘。维度一：概念认知诊断。调取五个形成性评价节点的全样本作答数据，绘制概念掌握热力图。若“符号接地问题”在热力图中持续偏冷，表明讲授时中文屋思想实验与技术模型关联搭建不紧密，下轮教学时应将塞尔批评直接投射到知识图谱构建中实体链接任务难点。维度二：课堂互动深描。回看智能体辩论赛录像，统计各小组成员的发言时长、语速及非言语互动指标。若发现部分小组出现一人垄断发言现象，未来须引入圆桌议事机制，规定首轮发言须按逆时针顺序每人限时1分钟。同时，建立单元迭代资源库，收集学生设计说明书中的优秀架构图，经脱敏处理制成典范案例集，供后续学生研习。与同教研室“数据结构”课程组建立定期对话，反馈学生在本次单元中暴露的树与图遍历算法遗忘问题，反向促成前期课程实验强化递归思维训练。最终将本轮教学实施的全套资料——含教案、课件、前测后测数据、典型学习成果——上传至校级教学发展中心知识库，申报人工智能教育教学创新案例。

九、核心概念全景图谱

为完整呼应标题中“核心概念”应列尽罗之要求，兹以概念簇形式系统性整理本单元全部关键知识节点，并标注层级属性。

第一簇：智能体基础理论。包含智能体定义、理性智能体、PEAS描述框架、环境类型（完全/部分可观测、确定性/随机性、静态/动态、离散/连续）、智能体架构（反应式、基于模型、基于目标、基于效用、学习型）。【非常重要】【高频考点】PEAS四元组拆解；【基础】环境属性分类。

第二簇：人工智能核心定义与哲学命题。包含图灵测试、中文屋论证、人工智能强/弱区分、物理符号系统假说、符号接地问题、框架问题、常识知识鸿沟。【非常重要】【高频考点】图灵测试局限性；【难点】中文屋与功能主义心灵哲学。

第三簇：主要流派与技术范式。包含符号主义（知识表示、推理引擎、专家系统、模式匹配）、连接主义（人工神经网络、分布式表示、反向传播、表示学习、泛化与过拟合）、行为主义（具身认知、包容架构、情境性、涌现、感知-动作回路）、统计学习（贝叶斯决策、概率图模型、最大似然估计）。【重要】三大流派历史论争；【热点】连接主义当前主导地位成因。

第四簇：机器学习基石。包含监督学习（分类、回归、训练/测试集、泛化误差、过拟合与欠拟合）、无监督学习（聚类、降维）、强化学习（试错、奖惩信号、策略、值函数）、半监督与自监督学习。【非常重要】【高频考点】过拟合识别与抑制方法；【基础】训练/测试划分原则。

第五簇：人工神经网络。包含单层感知机、多层感知机、激活函数（阶跃、Sigmoid、Tanh、ReLU及其变体）、损失函数（均方误差、交叉熵）、优化算法（梯度下降、随机梯度下降、学习率调度）、反向传播计算图、卷积神经网络局部连接与权值共享思想、循环神经网络时间步展开。【非常重要】【高频考点】感知机异或困境；【难点】链式法则在反向传播中的误差分配。

第六簇：自然语言处理基础。包含词表示方法（独热编码、词袋模型、TF-IDF、分布式词向量）、分布语义假设、词类比推理、上下文嵌入思想。【重要】【热点】静态词向量与上下文嵌入对比。

第七簇：计算机视觉基础。包含图像表示（像素矩阵、通道）、边缘检测、特征提取历史（SIFT、HOG）、端到端学习革命、目标检测与图像分类任务边界。【基础】图像数字表示；【热点】卷积核可视化。

第八簇：生成式人工智能与大型语言模型。包含自监督预训练、遮蔽语言建模、自回归生成、规模定律、涌现能力、指令微调、思维链、大模型局限性（幻觉、推理脆弱性、知识陈旧）。【热点】【难点】思维链与系统二思维类比。

第九簇：人工智能伦理、公平性与可解释性。包含算法公平性（群体公平、个体公平、机会均等、结果均等）、偏见来源（历史偏见、表征偏见、测量偏见）、可解释人工智能（事前解释、事后解释、反事实解释）、透明性与问责制、超级智能对齐假想。【非常重要】【热点】训练数据偏见沿袭与放大机制；【难点】公平性指标权衡。

第十簇：前沿趋势与交叉方向。包含神经符号系统、因果推断（干预、反事实、结构因果模型）、具身智能与机器人学习、小样本与零样本学习、量子机器学习概念启蒙。【热点】因果推断与纯关联模型本质分野。

以上十簇概念相互嵌套、层层递进，形成覆盖人工智能导论核心知识体系的三维语义网络。在后续课程中，每一簇将逐步展开为独立单元，本阶段重在建立概念关系图谱与认知价值倾向，严防碎片化堆积。

十、单元学习契约与学术规范

于首课时发放数字化学习契约，学生点击确认后生效。契约明确三条底线：第一，禁止在实验报告中篡改数据以拟合预期结论，如发现手工调试验证集标签以提升准确率，该次实验成绩以零分计并通报学工部门。第二，伦理辩论环节严禁人身攻击与技术优越论言辞，坚持就事论事、证据优先。第三，鼓励使用大模型辅助代码调试与概念查询，但必须在实验报告“工具使用声明”段落明确记录模型名称、提问时间与原始回复截屏，凡未声明但经查重确认为模型生成文本者