在教学设计上，现有的实验课程缺乏一致性，不同教师的教学方法各异，这可能导致学生难以形成对人工智能整体领域的系统理解。同时，AI技术快速变化，实验教学体系需不断更新以反映最新的发展动态。
从评估角度来看，当前的实验评估主要集中在是否达成预定目标，缺乏对学生课外探索和实践积极性的激励机制。多数学生只专注于课堂内的实验任务，很少会自发地去深化实验设计或拓展实验内容，这限制了他们解决实际问题时的创新能力。
人工智能项目式的综合实验教学平台则根据AI专业的课程安排、人才培养计划以及行业需求进行了调研，并结合了AI领域的最新进展，通过整合算法验证与场景化的项目实践，设计了一系列贴近实际应用的综合性项目。平台规划了嵌入式系统与AI边缘计算实验，并形成了从仿真到创新实验的连续性实验生态系统，旨在让学生在实际应用场景中独立解决问题，增强他们的实际操作能力和团队合作技巧。此外，平台也注重激发学生在课外进行创新实验设计的兴趣，鼓励他们自主思考并提出新的实验方案。
人工智能项目式综合实验教学平台秉承OBE（Outcome-BasedEducation）教育理念，核心理念为“以学生为中心，项目导向，循序渐进发展”。在当前的人工智能专业课程体系中，涵盖了计算机基础、电子信息基础、机器学习与模式识别、深度学习、数字图像处理、计算机视觉、自然语言处理等多门课程。
“以学生为中心”的核心理念，旨在促进理论与实践的深度融合，确保学生在学习过程中能够即学即用，同时这一理念也为学生参与课外实践活动提供了无缝衔接的桥梁，促进了知识的全面应用与拓展。
“项目为驱动”的教学模式，通过构建贴近真实应用情境的实验项目，将学习过程划分为“验证性实验”、“设计性实验”至“综合实践性实验”的递进层次。在此过程中，鼓励学生超越课堂，自主思考并设计创新的实验方案。在任务导向的驱动下，学生积极利用学习资源，进行自主探索与合作学习，力求达到甚至超越企业开发的标准与要求。
该平台旨在解决教学过程中的关键问题，形成由“人工智能算法仿真实验”到“嵌入式及AI边缘计算实验”，再到“人工智能综合创新实验”的实验生态体系。这一过程，从“项目启蒙”开始，经历“深入实践”，最终达到“知识融合贯通”的境界。同时，平台注重将课内教学项目有效延伸至课外实践，如AI技术应用、创新创业项目、学科竞赛等，以此激发学生的创新热情，促使他们主动进行实验设计，从而全面提升学生的专业素养、工程实践能力、创新能力、以及分析问题和解决问题的能力，同时增强团队协作能力。
人工智能项目式综合实验教学平台教学框架
（一）人工智能算法仿真实验
人工智能算法仿真实验旨在通过实践验证理论知识，结合学校提供的高性能NVIDIAGPU集群服务器与学生个人电脑，为职业院校一年级及二年级学生打造专业基础课程的实验环节。此设计强调平台的整合性与资源共享，具体策略如下：
1．统一化实验环境：采用Linux操作系统作为统一平台，直接调用NVIDIAGPU资源，构建标准化的实验开发环境（基于Python、PyTorch与JupyterNotebook）。此举旨在减轻学生自行搭建与配置实验环境的负担，并生成一套易于复用的人工智能环境配置教学模板。
2．课程实验内容的优化与拓展：基于PyTorch框架，对现有课程实验内容进行深度整合与丰富。紧跟人工智能技术的最新发展，引入项目式教学法，设计一系列创新性的实验项目。这些项目不仅巩固了基础知识，还激发了学生的探索兴趣。
3．项目式学习与实践评价：实验内容细分为专业基础仿真、深度学习项目基础仿真及课内数据科学竞赛三大板块，每个板块均围绕启蒙项目展开。通过组织课内的数据科学竞赛，不仅评估了实验教学效果，还促进了学生之间的交流与合作，鼓励他们在课外继续深入探索与实践。
人工智能算法仿真实验教学内
（1）Python编程基础实验。这部分内容旨在帮助学生掌握Python编程语言的基础知识，包括但不限于语法、网页数据抓取（网络爬虫）、数据分析以及数据可视化等技能。学生还需要通过Python编程实验加深对专业课程理论的理解，例如传统的图像特征提取方法、视频中的光流计算，以及机器学习中的决策树、逻辑回归、贝叶斯方法、支持向量机和神经网络等算法原理。
（2）深度学习项目基础仿真实验。学生将从PyTorch框架的基础操作开始实践，涵盖数据加载、模型架构设计、损失函数定义、反向传播机制和优化器的选择等方面。接着，学生需针对具体的场景化任务进行分析，并制定合理的解决方案和实施步骤。实验的重点在于让学生熟悉深度学习项目的开发流程，包括数据获取、标注、预处理、模型构建与训练、参数调整以及性能评估等环节。例如，基于VGG-16网络架构的中药识别和基于YOLOv5的目标检测在交通标志上的应用等。
（3）课堂数据科学竞赛。通过组织课堂内的数据科学竞赛来评估实验成果并促进学生的课外学习。竞赛鼓励学生将所学应用于解决实际问题中。参赛者面临的将是具有挑战性的实际数据科学问题，比如基于提供的数据集进行房价预测、图像分类、异常检测或是情感分析等任务。学生们需要运用学到的人工智能技术和模型，对数据进行特征抽取和有效信息提取，设计并训练模型，最终完成竞赛作品的提交。
（二）嵌入式与AI边缘计算实验
嵌入式与AI边缘计算实验依托树莓派、JETSONNANO、Arduino等嵌入式与AI边缘计算设备的教学改革资源，专为有一定专业基础的二年级和三年级学生设计，旨在深化其专业课程学习与工程实践能力。本实验平台秉承项目式教学法，将嵌入式开源硬件与AI边缘计算设备作为实践平台，模拟企业项目开发中的真实应用场景，通过一系列进阶式项目引导学生主动探索、提出问题并寻求解决方案，最终实现具体的应用场景落地。
为保持平台的先进性与实用性，本实验设计不仅聚焦于课内核心内容的实施，还注重课外扩展功能的探索与实现，鼓励学生将学习延伸至课堂之外。在人工智能算法仿真实验的基础上引入嵌入式与AI边缘计算实验，不仅为平台增添了新的活力，弥补了单纯仿真实验的局限性，还极大地激发了学生的创新思维与实践兴趣，实现了从验证性实验向设计性实验的跨越，进一步具象化了OBE（成果导向教育）的教学理念。
该实验体系划分为四大模块：嵌入式开源硬件及传感器控制实验、嵌入式AI边缘计算系统实验、深度学习计算机视觉应用实验、以及深度学习自然语言处理应用实验。每个模块均围绕进阶式项目展开，逐步提升学生的技术能力与问题解决能力，为未来的专业发展与技术创新奠定坚实基础。
（1）嵌入式硬件控制实验。实验首先通过展示开源硬件的示例作品和进行有趣的嵌入式控制传感器实验来吸引学生的注意力，激发他们的好奇心与学习动力。随后，以兴趣为导向，指导学生运用所学的电子信息技术基础、开源硬件和传感器知识，自行设计并制作硬件，通过编程与调试来实现具体的功能，例如自动追踪的小车、双轮平衡车、光立方等项目。
（2）嵌入式AI边缘计算系统实验。这类实验涉及树莓派、JetsonNano等嵌入式AI边缘计算系统的使用，主要包括三个阶段：模型训练、模型转换与模型部署。模型训练通常在高性能AI服务器上进行，并通过仿真实验完成；模型转换阶段则涉及模型优化，例如剪枝和量化等技术的应用，目的是在保持模型识别准确性的前提下，显著减小模型的体积，以便于在嵌入式AI硬件上运行；模型部署阶段则教授如何使用常见的嵌入式AI开发板，并在这些平台上编写模型推理代码，利用边缘计算技术实现AI模型在嵌入式设备上的安装和应用。
（3）深度学习计算机视觉应用实验。此实验要求学生掌握机器学习、深度学习及计算机视觉的基本理论，在嵌入式AI边缘计算系统实验的基础上，结合AI计算机视觉仿真实验，全面了解嵌入式AI项目开发的六个步骤：数据收集与标注、模型建立、模型训练、模型转换、模型部署及扩展应用。实验的最终目标是在计算机视觉场景下，成功部署嵌入式AI系统，如图像增强、行人检测、面部识别、图像分割等。
（4）深度学习自然语言处理应用实验。此类实验同样需要学生具备机器学习、深度学习以及自然语言处理的基本理论知识。在嵌入式AI边缘计算系统实验的基础上，结合AI自然语言处理仿真实验，学生应掌握数据收集与标注、模型建立、模型训练、模型转换、模型部署及扩展应用等六个步骤。实验的目的是在自然语言处理场景下，实现嵌入式AI系统的部署，如文本生成、问答系统的设计、语音识别及相应的系统构建等。
（三）人工智能综合创新实验
人工智能综合创新实验是一种综合性实践实验，它结合了激光雷达、双目深度相机等智能感知设备以及机器人、自动驾驶车辆、无人机等高级开发工具的教学设施。该实验主要面向三年级的学生，用于综合实践活动甚至毕业设计的内容，并考虑到项目的课外可扩展性。平台采用了“硬件系统+算法应用”的设计架构，尽可能地减少了规格更改和平台迁移所带来的额外工作负担。
在此前两个阶段实验的基础上，该实验继续秉承项目导向的教学理念，将设计性实验进一步深化为综合性实践实验，并将模拟情景升级为更为专业和系统的真实项目场景。通过设计综合性项目来推动学生开展人工智能综合创新实验，鼓励学生通过团队协作找到解决方案，并选择合适的软件、算法和硬件组合。
人工智能综合创新实验侧重于自主无人系统的开发与应用，平台将多学科的知识点细分为智能无人车、智能无人机和智能移动机器人三个方向。学生可以通过无人系统的感知定位、决策规划、控制执行等全流程实践，增强自身的综合实践能力、动手能力和解决复杂工程问题的能力，为将来AI技术的实际应用、创新创造以及学科竞赛打下坚实的理论和实践基础。自主无人系统的内容涵盖了循迹控制、激光雷达感知避障、摄像头感知避障、路径规划自主导航、多传感器感知融合、车路协同以及多智能体协同（如智能车与智能无人机的协同作业）等方面。
人工智能综合创新实验项目内容
1、人工智能AI实训平台
人工智能AI实训平台是一套以“AI+X”为理念的多功能综合教学实训平台，包含了完整的边缘计算人工智能设备的架构。既能满足人工智能实训所需的算法构建、模型训练、模型部署、模型推理等要求，又能将人工智能的模型通过融合云平台和各类的终端节点设备进行联动，让人工智能实训变成看得见、摸得着的典型项目应用。
人工智能实训平台
2、人工智能教学云平台
人工智能教学云平台是一个开放式的课程平台，除了平台的课程体系之外，老师可自主开发在线课程，支持Word、PPT、PDF、视频等常见课件直接转换成在线课程，从而让老师很方便的将专业基础课程迁移到平台上，便于构建完整的大数据、云计算、人工智能专业课程体系。平台内置丰富的教学实训资源，将教学与实训相集合，依托平台打造前沿的综合一站式实践基地。
人工智能从架构上划分分为三个层次：基础层、技术层和应用层。基础层包括：人工智能的计算能力和数据资源基础；技术层包括：算法、模型和技术开发；应用层则聚焦在人工智能和各行业各领域的结合。
从人工智能的这三个层次来对人工智能课程体系进行立体划分，如下图所示。
人工智能实践教学内容：
在人工智能实践教学方面，实验内容主要包括：人工智能基础层实验、人工智能技术层实验、人工智能综合应用实验，如下图所示。
人工智能基础层实验主要针对人工智能的基础层技术，包括：python基础实验、Linux操作系统实验和数据分析处理实验。其中python基础实验包括条件语句、复合语句、表达式、文件操作等实验；Linux操作系统实验包括Linux基础命令、Linux用户管理、Linux目录管理、Linux文件管理等实验；数据分析处理实验包括数据采集、数据分析、数据标注等实验。
人工智能技术层实验主要是针对人工智能的技术层技术，包括：计算机视觉实验、语言识别实验、机器学习实验、自然语言处理实验。计算机视觉实验分为图像处理、人脸检测、物体识别、车牌识别等实验；语音识别实验包括语言采集、信号处理、语音识别、语音编码等实验；机器学习实验包括模型构建、模型训练、模型部署、模型验证等实验；自然语言处理实验分为语法分析、语义分析、篇章理解等实验。