大学本科人工智能专业一年级《人工智能导论》基础模块教案

大学本科人工智能专业一年级《人工智能导论》基础模块教案

一、教学设计基准框架

（一）学科与学段定位：本教案服务于大学本科人工智能专业一年级核心必修课程“人工智能导论”的开篇基础模块。学生已完成高等数学、线性代数及Python程序设计等先修课程，具备基础的抽象思维与代码实现能力，但对人工智能学科的知识图谱、核心范式及工程伦理缺乏系统性认知。本模块在整个课程体系中承担“学科地图绘制”与“思维范式奠基”的双重功能，是后续机器学习、计算机视觉、自然语言处理等纵深领域学习的认知锚点。

（二）课程内容范畴：严格遵循《普通高等学校人工智能专业教学质量国家标准》对导论类课程的知识要求，本教案整合七大知识单元——人工智能学科内涵与历史演进、智能的本质与度量标准、知识表示与问题求解框架、搜索策略与算法实现、机器学习范式与初步实践、深度学习基础概念、人工智能伦理与安全。共计6学时（300分钟），按“历史—方法—伦理”三维逻辑组织。

（二）设计哲学：以学科大概念为统摄，以认知冲突为驱动，以可计算思维为内核。摒弃导论课常见的“名词解释堆砌”模式，转向“概念演变史+算法亲历史+伦理问题史”的融合叙事，使学生在掌握基础术语的同时，形成对人工智能学科独特方法论的同理心与批判性反思能力。

二、教学目标体系

（一）知识与技能目标

1.能够精准复述人工智能的三种能力边界定义（弱人工智能、强人工智能、超级智能）【基础】【高频考点】，并沿时间轴标注达特茅斯会议、深蓝、AlphaFold三个里程碑事件【基础】。

2.能够运用图灵测试的原始设计思想与塞尔中文房间论证，从行为主义与认知主义两个视角辨析“智能”是否可度量【难点】【高频考点】。

3.能够陈述谓词逻辑、产生式规则、框架表示三种经典知识表示方法的语法结构与适用场景【重要】，并针对“亲属关系推理”等微型问题完成表示方案的手工设计【难点】。

4.能够独立编写宽度优先搜索与深度优先搜索的Python函数，解决状态空间规模≤9的八数码简化版问题，并从完备性、最优性、时间与空间复杂度四个维度绘制对比表格【非常重要】【高频考点】。

5.能够清晰界定监督学习、无监督学习、强化学习的核心差异【基础】【热点】，并使用Scikit-learn库调用线性回归模型完成波士顿房价单变量拟合实验，输出模型参数与决定系数【重要】。

6.能够口头解释卷积神经网络中卷积层、池化层、全连接层的空间变换作用，无需推导反向传播公式，但需说出“误差从输出层向输入层逐层回传”的宏观直觉【热点】【难点】。

7.能够结合COMPAS再犯风险评估算法、Tay聊天机器人等真实案例，归纳人工智能系统在公平性、透明度、责任归属三个维度上引发的典型伦理冲突【重要】【热点】。

（二）过程与方法目标

1.通过“图灵测试模拟法庭”的角色扮演，体验科学假说在辩论与反例中不断精炼的过程。

2.通过“八数码难题”的代码调试，领悟搜索算法中启发式信息对计算效率的指数级影响。

3.通过“垃圾邮件二分类器”的微型项目，完整经历数据清洗、特征选择、模型训练与评估的机器学习标准流程。

（三）情感态度与价值观目标

1.形成对人工智能技术能力的理性自信与技术局限的审慎谦逊，拒绝“万能论”与“威胁论”的二元摇摆。

2.确立“科技向善”的工程伦理底线，在算法设计初期即具备对偏见、隐私、可解释性的主动关注意识。

三、教学重点与难点分层

（一）教学重点【非常重要】

1.人工智能学科研究边界的清晰界定——区分“计算模拟”与“真实智能”的学术话语体系。

2.图灵测试在智能度量史上的范式革命意义——从哲学思辨转向可操作实验。

3.搜索算法中问题形式化的五要素模型（状态、动作、转移、目标、代价）。

4.机器学习三大范式在“监督信号”维度上的根本差异。

（二）教学难点

1.中文房间论证对强人工智能功能主义假设的诘难【难点】【高频考点】——需拆解为“符号操作”与“语义理解”的层次断裂。

2.启发式函数的可采纳性与优势性在实际编码中的权衡【难点】——不要求证明，但需通过仿真观察不同启发值对搜索节点数的影响。

3.反向传播算法中链式法则的几何直观【难点】——借助三维曲面梯度下降可视化工具建立“误差曲面”心智模型。

4.算法公平性的量化定义冲突（个体公平vs群体公平）【难点】【热点】——需呈现同一组数据在不同公平性指标下的矛盾结论。

四、教学方法与媒介生态

（一）教学方法组合：以BOPPPS有效教学结构为课时骨架，内部嵌入案例教学法（历史关键事件还原）、问题驱动教学法（“如何让计算机下棋”作为单元驱动问题）、翻转课堂（Turing论文节选课前阅读）、实时编程双屏演示（教师屏编码+学生屏跟练）。

（二）媒介与工具：智慧教室双屏交互系统、JupyterHub校本云编程平台（免配置环境）、PhET交互仿真课件（搜索树可视化）、3Blue1Brown神经网络系列动画节选、小组讨论专用触控侧屏（6组）。

（三）空间与资源：采用“工作坊”式座位布局，每桌配备白板笔与可擦写桌贴，便于学生随时手绘状态空间图；助教2名，分别驻守算法调试区与伦理案例区，实现分层即时答疑。

五、教学实施过程（核心环节，占全文篇幅78%）

本模块总计6学时，严格切割为三大单元，每单元2学时（100分钟）。以下按教学进程逐分钟描述，所有核心知识点均以【】标注其在考核与学科体系中的权重。

第一单元：学科轮廓与智能之辨（2学时）

【单元锚点】以“何谓智能”这一永恒追问贯穿始终，从哲学思辨走向可计算度量，为后续算法注入历史纵深感。

1.认知冲突导入（0-10分钟）

教师于双屏左侧同时播放三段无解说视频：1997年DeepBlue击败卡斯帕罗夫最后一步棋、2020年AlphaFold2预测蛋白质结构精度达到实验水平、2023年多模态模型根据简笔画生成古诗。随即抛出元问题：“这三者之中，哪一个真正‘理解’自己在做什么？”学生异质小组（按编程基础混合搭配）讨论2分钟，每组需在白板贴上写下关键词。教师将全班观点聚类为“行为胜任派”“意识必需派”“工具工具派”三类并留存，作为本单元结课时自我认知迭代的证据。此环节不给出标准答案，旨在暴露前概念，制造“智能定义尚未统一”的认知悬念。

2.学科边界建构（10-30分钟）【基础】【高频考点】

教师系统讲授人工智能的四种学科身份：计算机科学的分支（强调算法效率）、认知科学的验证手段（强调心理现实性）、工程学的解决方案（强调任务性能）、通用智能的终极追求（强调跨领域迁移）。以韦恩图形式呈现人工智能与计算机科学、控制科学、神经科学的交集与离心部分。重点剖析Russell与Norvig在《人工智能：一种现代方法》中的核心定义——“智能体是行动者，其理性表现为在不确定性下最大化期望效用”。【非常重要】此处插入第一轮即时诊断：呈现无人超市结算系统、专家系统诊断肺炎、生成式AI撰写结案报告、扫地机器人随机碰撞四个案例，学生使用投票器判断其是否属于人工智能研究范畴，正确率需达到85%方可通过，否则追加“迷思概念澄清”微讲座。

3.思想实验剧场（30-55分钟）【难点】【高频考点】

教师首先播放2分钟BBC纪录片《图灵传》剪辑，复原图灵测试在1950年的原始构想：模仿游戏→性别替换→机器是否能够胜任。明确图灵测试的操作主义本质——将“智能”从不可观测的内在意识转换为可判别的外部行为。随即转入塞尔1980年的诘难：中文房间论证。此处采用结构性辩论：全班分为两大阵营。功能主义方需论证“房间整体理解中文”，生物自然主义方需论证“符号操作不等于语义内容”。给予5分钟组内准备，可使用教材第3章附录及课前分发的中文房间变体材料。辩论环节持续8分钟，教师仅担任计时员与秩序维护者，不介入内容评判。辩论结束后，教师从语言学、现象学、计算机科学三个视角进行整合性升华：中文房间并未“击败”图灵测试，而是将度量难题从“行为充分性”推进至“意识解释性”，这正是人工智能学科至今仍充满活力的哲学张力所在。【热点】

4.历史长河与学派基因（55-75分钟）【基础】

教师以手绘动态时间轴（1956达特茅斯会议—1973莱特希尔报告—1986反向传播复兴—1997深蓝—2012AlexNet—2018BERT—2022对话模型）快速掠过三起两落。此处重点不是背诵年份，而是提炼每一阶段的“核心算法意志”：逻辑主义追求符号推演的严密性、连接主义相信大量简单单元的涌现能力、行为主义强调与环境的实时互动、统计学习将不确定性纳入形式化框架。随即发布小组任务：在一张空白二维坐标系上，横轴为“抽象程度”（高/低），纵轴为“数据依赖度”（高/低），将符号主义、连接主义、行为主义、统计学习四大学派落位并给出理由。六组完成后通过侧屏互评，教师抽取两份典型偏差（如将统计学习误置于低数据依赖区）进行概念校准。

5.单元收束与认知对比（75-100分钟）

师生共同回顾本单元起始时关于三段视频的初始观点。教师邀请三位学生重述自己是否发生观点迁移，并简述触发迁移的关键信息。此环节不追求全员改变立场，而是示范“学术信念应随证据更新”的理性习惯。教师发布思维导图主干，要求学生课后填充细节并上传至课程维基。预习驱动：阅读Turing1950论文节选（已隐去数学部分），撰写300字反思——“如果我与图灵对话，我将反驳/赞同他的哪一点？”；算法预演：给定3×2滑块棋盘，手推从初始态到目标态的可能移动序列，感受“状态爆炸”前的人类思维局限。

第二单元：状态空间与搜索智慧（2学时）

【单元锚点】将智能问题转化为图上的路径发现，通过亲手构造搜索树，体悟“问题表征决定求解难度”这一人工智能根本方法论。

1.问题形式化的解剖学（0-20分钟）【重要】

教师以“农夫过河”为解剖标本，在双屏上逐层拆解：状态用（农夫,狼,羊,白菜）四元组编码；动作定义为合法划船操作；转移模型通过安全约束条件过滤非法后继；目标测试是集合等于(右,右,右,右)；路径代价统一为单位耗散。接着呈现“梵塔”与“八数码”，强调同一物理问题可对应不同状态表示，表示的质量直接影响搜索树规模。随即发放“传教士与野人”任务卡（3传教士3野人，船容2人，任何岸边野人数不得多于传教士数）。学生小组协作，在15分钟内完成五要素规范文档并上传至小组屏。教师巡视中重点诊断：状态表达是否冗余、动作是否对称遗漏、目标测试是否遗漏船的位置。选取一份中等质量方案公开重构，演示如何将口头描述“翻译”为计算机可处理的数据结构——这是从自然语言思维到计算思维的关键跃迁。

2.无信息搜索双生子实验（20-55分钟）【非常重要】【高频考点】

教师使用JupyterHub现场逐行编写宽度优先搜索（BFS）求解八数码简化版（3×2棋盘）。每一步均停顿解释：为何需要closed集防止回溯？为何队列保证了逐层扩展？动画插件同步展示搜索树生长过程，节点染色区分边缘与已探索。随后学生获取代码脚手架（缺失DFS的核心递归/栈控制流），独立完成深度优先搜索（DFS）版本。教师通过云监屏系统收集全班运行结果，筛选典型——包括DFS找到非最优解、陷入无限深度的正确报错处理等。现场生成BFS与DFS在同一初始状态下的节点扩展数对比箱线图。教师引出算法评价四维框架：完备性（有解必找）、最优性（首解即最优）、时间复杂度（节点数）、空间复杂度（边缘集峰值）【高频考点】。学生据此填写纸质对比卡，组内交换批阅。此环节拒绝直接背诵结论，必须基于亲手运行的数据归纳。

3.启发式搜索的认知冲突（55-80分钟）【难点】【热点】

教师从“BFS太盲目”这一学生普遍痛点切入，提问：如果允许你偷看答案方向，搜索会变快吗？引出启发式函数——估计当前状态到目标代价的捷径。以曼哈顿距离与错位数为例，现场编码两个函数并嵌入BFS骨架，摇身变为贪婪最佳优先搜索。通过Geogebra交互课件展示：贪婪策略常常更快到达目标，但可能绕远路甚至困于死胡同。此时引入A*算法，定义评价函数f=g+h。教师不进行数学最优性证明，而是通过仿真滑块实验：设置同一初始状态，分别使用h=0（退化为Dijkstra）、h=曼哈顿距离（可采纳）、h=错位数（不可采纳但更快），对比三者的扩展节点数与解路径长度。学生亲眼见证：可采纳启发式保证最优解，但扩展节点未必最少——这打破了“好启发式一定扩展更少”的直觉，揭示算法设计中理论保证与工程效率的微妙权衡。

4.搜索的工业血脉（80-95分钟）

教师以短案例形式呈现：GPS导航中的分层A*与实时交通权值更新、波士顿动力机器人运动规划中的快速扩展随机树（RRT）、围棋AI中蒙特卡洛树搜索与价值网络共生。特别强调：即便在端到端深度学习盛行的当下，亚马逊仓库机器人调度仍以搜索为核心引擎，因为搜索具有可解释性与形式化验证优势。此举旨在对冲学生对深度学习的过度崇拜，建立“算法工具箱”而非“算法宗教”的务实态度。

5.代码诊断与拓展指令（95-100分钟）

教师通过云平台检索全班BFS代码中普遍缺失的“状态哈希存储”优化，现场展示未优化代码在求解深度12层问题时的内存溢出，并演示Python内置frozenset作为字典键的提速效果。课后作业分层：基础层——完成A*算法求解标准八数码，提交通过判题机测试的代码；进阶层——自主设计一种新的启发式函数（如线性冲突），并撰写实验报告对比其与曼哈顿距离在100个随机实例上的平均扩展节点数。

第三单元：数据驱动的智能——机器学习与伦理嵌入（2学时）

【单元锚点】实现从符号推演到统计归纳的范式转换，在亲手调节参数的“笨拙”过程中体悟学习的本质，并在真实案例中完成技术理性的伦理校准。

1.机器学习范式辨析对抗赛（0-25分钟）【基础】【热点】

教师以“如何让计算机识别猫”这一经典命题开篇，左侧呈现符号主义方案：工程师穷举胡须、耳朵、纹理等规则，代码超过5000行仍漏洞百出；右侧展示学习方案：向算法投喂万张标注猫图，自动归纳特征。学生直观感受到“学习”相对于“编程”的范式革命。随后定义机器学习的核心三要素：数据、模型、优化准则。通过三个生活化类比——房价预测（监督）、新闻聚类（无监督）、AlphaGo自我对弈（强化）——引出三大范式的判别标准：监督信号是否存在以及以何种形式存在【非常重要】。此处插入高密度快问快答：教师口述12个应用场景（如电商推荐、异常流量检测、自动驾驶决策、蛋白质结构预测等），学生举牌（红/蓝/黄）判断范式。教师实时统计正确率，当低于80%时立刻回授，重述混淆场景的边界案例。

2.线性回归：从一次函数到梯度下降（25-55分钟）【重要】【高频考点】

教师以波士顿房价中“房间数—房价”散点图切入，引导学生回忆初中数学：y=ax+b。如何找到最佳的a和b？最小二乘法提供闭式解，但为了体悟“迭代优化”这一学习核心意象，教师要求所有学生不使用sklearn，而是从零实现批量梯度下降。代码框架由教师提供：包含前向传播、均方误差损失、参数梯度计算、参数更新四模块。学生需手动调节学习率，观察损失曲线是震荡下降还是爆炸。此环节的核心目标不是代码性能，而是让学生在连续多次迭代后看到预测直线缓缓拟合数据点的过程——这是理解“学习即参数修正”最珍贵的具身认知体验。教师巡回指导，重点关注损失曲面可视化控件：学生在三维曲面图上拖动学习率滑块，观察优化轨迹从“顺利下山”滑入“震荡悬崖”。

3.深度学习萌芽：感知机困境与多层突围（55-75分钟）【热点】【基础】

教师从M-P神经元的结构与布尔逻辑实现讲起，展示单层感知机通过调整权重能够模拟与门、或门，却在异或门面前彻底失效。播放2分钟历史影像：Minsky与Papert在1969年《感知机》书中对异或问题的分析，直接导致连接主义第一次寒冬。随后利用3Blue1Brown的神经网络可视化视频，直观展示：在二维输入空间中，单层感知机只能画出一条直线；而两层网络可以通过第一条直线将空间折叠，第二条直线再次分割——非线性激活函数是折叠空间的“手”。学生分组操作TensorFlowPlayground网页仿真器，从2-2-1结构开始，逐步增加神经元，观察分类边界从直线演变为复杂曲线。此处明确告知学生：反向传播的链式推导不是本课要求，但需能用口语复述“误差信号从输出层往回传，每层神经元根据自己对误差的贡献大小调整权重”这一宏观机制【难点】。

4.伦理剧场：原则与情境的碰撞（75-95分钟）【重要】【热点】

教师首先用3分钟快速扫描全球人工智能伦理文件地图：欧盟可信人工智能七要素、OECD原则、我国《新一代人工智能伦理规范》的五大基本道德规范。随即指出：原则往往相互冲突（如精度与公平难以兼得），伦理困境正是选择冲突的具身化。采用“伦理剧场”形式：六组分别抽取一个真实事件卡——(1)COMPAS算法对黑人被告再犯风险评估偏高；(2)Tay聊天机器人上线16小时被教化成种族主义者；(3)自动驾驶真实事故中车辆未能识别浅色卡车；(4)Deepfake用于伪造女性政治家发言视频；(5)招聘筛选算法因历史数据贬低女性求职者；(6)医疗AI对肤色较深患者诊断准确率显著下降。每组需在8分钟内完成三轮讨论：技术原因（算法/数据哪一环出了问题？）；利益相关者（谁受益、谁受损、谁决策？）；改进方向（技术侧+制度侧+教育侧）。随后每名组员进行1分钟电梯演讲，必须脱稿且面对全班。教师点评聚焦于“技术非中立”——每一行代码都暗含价值选择，并对可解释人工智能、公平性机器学习等前沿子领域作概念性引入。

5.模块大收官与认知升维（95-100分钟）

师生共建本模块三维知识立方体：x轴为范式（符号/连接/行为/统计），y轴为任务（推理/搜索/学习/决策），z轴为伦理（公平/透明/问责）。教师将最初“人工智能导论”拆解为“人工（工程造物）+智能（能力表现）+导论（系统视角）”，寄语学生：技术能力越强，伦理约束应越为内隐而非外铄。布置模块终结性大作业：任选一个具体场景（如智慧医疗、智慧教育、智慧交通），提交一份研究日志，必须包含问题形式化、至少一种算法的伪代码或流程图、微型实验（鼓励但不强制编码）、以及不少于500字的伦理反思。

六、教学评价与反馈系统

（一）过程性评价（权重60%）

1.课堂应答系统数据（15%）：每学时嵌入3-5个诊断性选择题，系统自动记录学生个体应答正确率与反应时，生成班级概念掌握热力图。

2.小组屏产出质量（20%）：针对问题形式化文档、搜索算法对比卡、伦理剧场演讲，采用组间匿名互评量规，从“学科规范性”“逻辑严谨性”“创新独特性”三维度打分，教师拥有最终20%调权。

3.编程作业自动评测（25%）：BFS/DFS/A*算法作业部署于在线判题系统，以隐藏测试用例通过率（70%）、代码风格PEP8检查（15%）、关键函数注释完整度（15%）合成得分。

（二）终结性评价（权重40%）

模块大作业以“技术报告+快闪展演”形式验收。学生需提交PDF格式报告，并于最后一次课进行3分钟极简展演。教师与两位助教依据问题复杂性（20%）、方法适切性（30%）、实现完整度（20%）、伦理反思深度（30%）进行综合评级。优秀作品经作者授权录入学院《智能新生年度成果集》，并获推荐参与校级本科生学术论坛。

七、教学资源矩阵

1.核心教材：RussellNorvig《人工智能：一种现代方法（第4版）》第1-3章、第5章、第19-21章（选读）。

2.历史文献：Turing,A.(1950).ComputingMachineryandIntelligence.中译本节选；Searle,J.(1980).Minds,Brains,andPrograms.论证梗概。

3.数字资源：JupyterHu