義教信息科技教學實施 | “人工智能與智慧社會”模塊-“人工智能的實現方式”單元的教學

“人工智能與智慧社會”模塊

“人工智能的實現方式”單元的教學

本期內容

1

課標理解

●解析核心技術，設計教學實踐

——“人工智能的實現方式”單元的教學

2

教學課例+同步教學資源

●“人工智能的實現方式”的教學

——以“學習者畫像聚類”項目為例

●從模型探究到智能創造

——初中生人工智能應用開發實踐探究

1

課標理解

解析核心技術，

設計教學實踐

——“人工智能的實現方式”

單元的教學

本文通過課標理解，介紹了人工智能（AI）四大核心技術（搜索、推理、預測及機器學習）的應用、實現及融合情況，提出了用生活場景（如預測遲到）和項目式學習拆解AI黑箱的教學策略，旨在幫助初中生理解AI的實現方式，培養計算思維。

“人工智能的實現方式”單元是《義務教育信息科技課程標準（2022年版）》（以下簡稱“課標”）9年級內容模塊“人工智能與智慧社會”中的第二個學習單元。要做好本單元的教學，教師首先應當研讀課標，認識并理解人工智能中的“搜索、推理、預測和機器學習”這幾種實現方式，在此基礎上，引導學生從身邊的人工智能應用入手，做好分類分析，逐步了解其實現的方式。

課標理解——人工智能的應用場景及實現方式

課標要求“通過對比不同的人工智能應用場景，初步了解人工智能中的搜索、推理、預測和機器學習等不同實現方式”。所謂人工智能應用場景是指人工智能技術在具體實際需求環境中的落地應用，也就是通過數據處理、智能分析或任務執行，解決特定問題、優化流程或提供智能服務的具體場景。人工智能（AI）在不同場景中的應用，主要依托搜索、推理、預測、機器學習這四大核心實現方向。

1.搜索：從“關鍵詞匹配”到“語義理解”的信息檢索

搜索是AI最基礎的功能，其核心就是從海量數據里快速找到想要的信息。

（1）典型應用場景

人們日常使用的搜索引擎，如百度、谷歌，當搜索“人工智能怎么用”時，它會返回相關網頁；還有專項搜索，如在淘寶搜“手機”能找到對應商品，在醫院查詢“糖尿病”可調出相關病歷，在學術網站搜“機器學習”能檢索到相關論文。另外，還有多種搜索方式，如在淘寶上傳裙子圖片可找到同款，在抖音上說出“搞笑視頻”就能搜索到相關內容等。

（2）實現方式與技術演進

搜索的核心是“建目錄+找東西”，技術上主要解決兩個問題：怎么快速建目錄、怎么精準找到想要的。

早期關鍵詞搜索：依靠“關鍵詞目錄”對應詞與文檔列表，用詞頻統計（TF-IDF）或BM25算法算相似度，缺點是只看字面不懂語義。

語義搜索：依靠機器學習把文字變成電腦能懂的數字（向量），再通過比較數字相似度找意思相近的內容。常用模型：Word2Vec/GloVe—將詞轉為數字向量，捕捉語義關系；BERT/Transformer：結合上下文理解歧義。

多模態搜索：把文字、圖片、語音的意思對應起來，如騰訊混元圖像3.0模型能讓“紅色裙子”的文字和圖片匹配，實現“以圖搜圖”“以文搜圖”。

（3）特點與局限性

特點：快、處理海量數據、結果能驗證。局限性：需要有現成數據；太復雜的問題需要靠推理。

2.推理：從“按規則算”到“會靈活思考”的邏輯推導

推理就是AI學習人類思考，其核心是根據已知信息或規則推出新結論。其發展的關鍵在于，在保持邏輯正確性的基礎上提升靈活性。

（1）典型應用場景

醫療診斷系統根據癥狀和規則判斷病情；法律AI依據條款推理合同有效性；代碼生成工具根據需求生成代碼。

（2）實現方式與技術演進

推理的核心是“規則+推導”，技術上主要解決怎么寫規則、怎么快速推導結論。

傳統規則推理：用“如果P就Q”規則，通過正向/反向推理推導結果，缺點是規則需人工編寫，難覆蓋復雜場景及模糊信息。

概率推理：針對模糊情況，用貝葉斯網絡結合規則與概率。

神經符號推理：結合神經網絡的識別能力與符號邏輯的嚴謹性，智譜GLM-4則通過“思維鏈”逐步推理。

（3）特點與局限性

特點：結論可解釋、邏輯嚴密；局限性：傳統規則需人工編寫，復雜場景覆蓋不全，概率推理需大量數據，神經符號推理尚未普及。

3.預測：從“過去數據”推“未來趨勢”

預測是AI的核心能力，就是從過去數據里找規律，猜未來會發生什么、概率是多少。發展方向就是模型越來越復雜，預測越來越準。

（1）典型應用場景

天氣預報、經濟預測、用戶行為預測、健康預測。

（2）實現方式與技術演進

預測的核心就是“從數據中找規律，再用到未來”，技術上主要解決怎么找規律、怎么用規律。

傳統統計模型：假設數據分布，用ARIMA/SARIMA預測時間序列，線性/邏輯回歸預測房價或購買概率。缺點：處理不了復雜數據；當數據不符合假設時，預測不準。

機器學習模型：不用假設數據規律，算法自己從數據里學規律。樹模型處理復雜數據；神經網絡處理時間序列數據。

大模型預測：通義千問根據股價描述預測走勢，華為盤古大模型處理多特征時間序列，精度超傳統模型。

（3）特點與局限性

特點：具有前瞻性、概率性，依賴數據質量。局限性：無法預測黑天鵝事件，當歷史數據代表性不足時偏差大，深度學習模型可解釋性差。

4.機器學習：讓AI自己學規律的核心方法

機器學習（ML）是人工智能（AI）的核心技術，它能讓模型自主從數據中學習規律，無需人工編寫規則。其本質是“從經驗中學習”，可使搜索、推理、預測的性能得到顯著提升。

（1）典型應用場景

計算機視覺（CV）：人臉識別、腫瘤檢測、自動駕駛。

自然語言處理（NLP）：機器翻譯（百度文心一言）、情感分析（科大訊飛星火）、聊天機器人（字節跳動豆包）；強化學習（RL）：絕藝圍棋、優必選機器人抓取、淘寶推薦系統優化點擊策略。

（2）實現方式與技術分類

機器學習的核心邏輯是“數據→模型→預測”，按“有沒有標簽”和“怎么學”分以下三大類。

監督學習：用帶標簽數據學習輸入輸出關系，算法包括CNN、文心一言、XGBoost，應用于搜索、推理、預測。

無監督學習：用無標簽數據學習內在規律，算法有K-means（用戶分群）、PCA（數據降維）、自編碼器（圖像壓縮），應用于搜索（查詢分群優化結果）、推理（文獻主題聚類）、預測（用戶活躍度分群預測銷量）。

強化學習（RL）：通過獎勵機制學習動作策略（如絕藝圍棋贏棋獎勵），算法包括DQN（游戲）、PPO（機器人）、天壤圍棋AI（搜索+深度學習），應用于搜索排序優化、代碼生成正確性提升、預測策略優化。

（3）與其他實現方式的關系

機器學習是搜索、推理、預測的底層技術，唯有其取得進步，另外三個方向的性能才能得到顯著提升。搜索與機器學習：從人工規則分詞升級為BERT自動學習語義，提升匹配精度。推理與機器學習：神經網絡與邏輯結合解決傳統規則靈活性問題，提升效率。預測與機器學習：深度學習處理復雜數據，預測精度超越統計模型。

5.四大技術怎么配合工作

搜索、推理、預測與機器學習并非獨立運作，而是相互支撐、協同作用的。下面，筆者將從核心邏輯、技術特點、應用場景三個維度展開對比，再通過實例闡釋它們如何配合。

（1）核心邏輯對比（如表1）

表1

（2）技術特點對比（如表2）

表2

（3）融合應用舉例

以醫療領域舉例，四個技術配合的流程是：搜索——醫生輸入“糖尿病”調取病歷。推理——結合規則判斷“可能2型糖尿病”。預測——XGBoost分析數據預測并發癥風險。機器學習——CNN檢測視網膜病變，百度靈醫智惠生成診斷報告。

再以電商舉例，它們配合的流程是：搜索——用戶搜“手機”返回商品。推理——規則推導推薦理由。預測——華為盤古大模型預測雙11銷量調整庫存。機器學習——協同過濾個性化推薦，騰訊混元圖像3.0實現圖像搜索。

6.未來趨勢：多模態、神經符號、大模型一起用

隨著AI技術的發展，這四種技術會結合得更緊密，未來趨勢主要有：多模態融合：搜索、推理、預測會從只用文字，擴展到文字、圖片、語音、視頻一起用。搜索（圖+語音找同款）、推理（圖像+文本推結論）、預測（視頻+評論+點擊數據預測熱度）。

神經符號融合：推理會從傳統規則向“神經符號”發展，解決“邏輯準”和“靈活用”的問題。神經符號搜索：文心一言學語義+符號邏輯分類（如“蘋果”分水果/公司），提升搜索精度。神經符號推理：用神經網絡處理模糊信息，結合符號邏輯推導結論，兼顧靈活性與可解釋性。

大模型融合：搜索、推理、預測會從“專用模型”變成“大模型”，用一個框架解決多種問題。大模型驅動：文心一言理解復雜問題（如“AI解決氣候變化”），智譜GLM-4思維鏈推理（解數學題、寫代碼），華為盤古大模型多數據預測（天氣、經濟等），實現通用框架。

歸納起來，人工智能的應用（搜索、推理、預測）和實現方法（機器學習），本質上是“處理信息能力”的不同層次：搜索是“找信息”（解決“找得到”）；推理是“推結論”（解決“想得對”）；預測是“猜趨勢”（解決“算得準”）；機器學習是“學規律”（解決“學得會”）。四大技術融合將推動AI從工具升級為智能體，最終實現能理解、會思考、可預測的通用人工智能（AGI）。

教學策略——做好分類分析，了解實現方式

課標要求“通過對常見人工智能應用的分類和分析，引導學生發現其中存在的不同實現方式，認識各種實現方式的計算過程，了解其適用的場景”。教學中用學生熟悉的場景設計項目，讓他們分類、分析，逐步了解常見人工智能應用背后的實現方式。

1.用生活場景幫助學生了解人工智能

初中生學習人工智能，應從他們熟悉的生活場景切入。例如，“判斷同學是否會遲到”，可按以下步驟教學：先引導學生分享自己的遲到經歷，讓他們回憶近3天上學遲到的原因，將這些原因在課堂上羅列出來，學生就能意識到：人類判斷事情依賴零散的經驗，有時并不準確。

再展示AI的處理方式：用文心一言演示“預測遲到”功能，輸入“家離學校3公里、騎自行車、明天中雨”，AI會輸出遲到概率。學生通常會憑直覺猜測“應該不會遲到”，通過對比，他們會產生疑問：“為什么AI需要這么多數據？”

用生活中的比喻解釋AI概念：將AI的三種實現方式對應到熟悉的事物上——“規則基方法”類似交通信號燈（紅燈停、綠燈行，遵循固定規則），“經驗法”如同老司機憑感覺開車（依賴以往的經歷），“機器學習”好比導航軟件（走的路越多，越清楚哪條路線最快），這樣學生能快速理解。

2.動手做項目，拆解人工智能“黑箱”，了解其實現方式

（1）收集數據：拆解AI“依賴什么輸入”

讓學生分組記錄10個同學2周內的“上學時間、交通方式（騎車/地鐵）、天氣、是否遲到”共140條數據。展示一張漏記天氣的表格，提問“這樣AI能算準嗎？”，引導學生發現：AI的輸入必須包含完整的關鍵信息，缺失會導致輸出偏差（垃圾數據出垃圾結果）——這是AI工作的基礎，它“吃”什么數據，決定了能“吐”什么結果。

（2）挑關鍵因素：拆解AI“如何處理信息”

組織“哪些因素真的影響遲到”小辯論（如正方說“出發時間晚導致遲到”，反方說“吃早餐快慢不影響”），讓學生自主選出3～5個關鍵因素（如天氣、交通方式、出發時間）。再教他們將“晴天”編碼為1、“陰天”編碼為2，引導學生理解：AI無法自動識別重要因素，需要人類幫它提煉“特征”；同時，AI只能處理數字，文字必須轉化為結構化數據——這是AI處理信息的必經步驟。

（3）訓練模型：拆解AI“如何學習規律”

用Teachable Machine導入整理好的數據，先讓學生實時觀察AI生成的預測規則，再讓其用50條和100條數據分別訓練，對比結果：數據量越多，規則越穩定、預測越準確。通過這一過程，學生能直觀理解：AI的“學習”本質是從大量數據中統計、歸納規律，再用這些規律建立模型——這是AI工作的核心機制，它不會“憑空想象”，只會“從數據里找模式”。

（4）測試模型：拆解AI“有什么局限性”

開展“AI預測大比拼”：輸入當天的實際情況（如“周三、暴雨、坐地鐵”），讓各組用訓練好的模型預測是否遲到。學生發現有時預測不準，進而思考“為什么？”。此時引導學生理解：AI的預測基于歷史數據中的規律，無法應對未見過的突發情況。進一步拆解了AI的“邊界”——它不是萬能的，輸出受限于訓練數據和已學規律。

這樣教下來，學生不光懂了AI是如何實現的，還能自己動手體驗，以后遇到AI應用也會多問一句：“它是如何算出來的？靠譜嗎？”——這就是課標希望培養的“人-智協同”的計算思維。

本文作者：

李維明

四川省教育科學研究院

文章刊登于《中國信息技術教育》

2026年第6期

引用請注明參考文獻：

李維明.解析核心技術，設計教學實踐——“人工智能的實現方式”單元的教學[J].中國信息技術教育，2026（06）：22-25.

2

教學課例+同步教學資源

“人工智能的實現方式”的教學

——“以學習者畫像聚類”

項目為例

作者：

王鈺茹 藺洋 四川省成都市第七中學

資源：

（1）教學論文：“人工智能的實現方式”的教學——以“學習者畫像聚類”項目為例點擊閱讀

（2）教學設計及課件：學習者畫像聚類教學設計及課件點擊下載

課例介紹：以“學習者畫像聚類”項目為例，提取學習者特征，構建學習者畫像，通過對學習者畫像數據進行數據編碼和聚類分析，了解聚類算法的實踐應用，體會人工智能技術給社會生活帶來的影響。

提示：在線兌換完雜志后自動解鎖本期目錄、原貌預覽、教學資源（可下載使用）。

從模型探究到智能創造

——初中生人工智能應用開發

實踐探究

作者：

蔣琪 北京學校

明紀英 北京市通州區教師研修中心

資源：

（1）教學論文：從模型探究到智能創造——初中生人工智能應用開發實踐探究點擊閱讀

（2）教學設計及課件：AI賦能安全駕駛——專注駕駛提醒器的設計與開發教學設計及課件點擊下載

課例介紹：本單元學生將圍繞“分心駕駛”這一真實社會問題，利用MediaPipe人體關鍵點檢測技術，開發一個部署在行空板上的專注駕駛提醒器原型。學習內容涵蓋從問題發現、數據特征提取、閾值設定、編程實現到硬件部署與倫理反思的完整AI應用開發流程，深刻理解特征、閾值、決策邏輯等AI核心概念。

提示：在線兌換完雜志后自動解鎖本期目錄、原貌預覽、教學資源（可下載使用）。

歡迎訂閱

識別上方二維碼訂閱紙質版或電子版雜志