导语：如何才能写好一篇人工智能教学方案，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。
一、引言
第四次工业革命的到来，人工智能作为一项主要的技术，必将鞭策整个人类社会的转型。很多国家制订了战略规划，在2017年我国也了《新一代人工智能发展规划》和《新一代人工智能产业三年行动计划(2018-2020)》，人工智能产业已上升为国家战略。近年来，在人工智能涉及的领域中，艺术与技术结合，升华到与人工智能的结合且越来越受到重视。阿里智能AI“鲁班”已经掌握了上百万个设计师的创意内容，双11期间制作1.7亿张海报，没有一张是重复的，而这些工作如果人工制作的话需要100个设计师工作300年；央视节目中“鲁班”PK资深设计师取胜等等这些新闻，无不极大地震撼了整个设计行业。设计师会失业吗？高校的设计教育面对AI的挑战与机遇如何制定培养目标？如何在新的竞争中占领先机？未来已来，智能艺术设计的路在何方
二、设计行业面对四大挑战
（一）惊人的数字
马云在一次报告中说未来30年人类只工作4个小时，大量的工作岗位会被人工智能抢走；根据白宫的人工智能报告预测，在未来10-20年间，人工智能技术有可能取代47%现有工作。麦肯锡的预测是49%，盛产劳动力的中国和印度的影响最大。Siri之父、人工智能专家温那（Winarsky）的预测是70%的工作将被取代。不得不说，AI是人类智慧的结晶，正在高速颠覆着人们的生活。
（二）AI设计发展趋势
AI最容易取代的是简单设计：如LOGO、UI界面、海报招贴、网站网页、产品造型、室内家装、产品包装……原本这种理想的设计工作不再能提供人生的庇护所，但凡是明确、简单、重复标准、规则的美术设计与制作工作，未来都容易被取代，传统设计行业将会萎缩乃至可能逐渐消失。
（三）设计环境恶劣
设计创意无法保护，设计法规没有限定，设计竞价无序，商家厂家缺乏契约精神，设计知识产权无法保护契约，新设计新技术缺乏情趣，设计同质化严重……（四）设计教育落后现有设计模式传统、设计教育落后，设计知识体系缺乏更新、进化，知识性重复训练、模仿性传统方法制约了学生创造性情感思维的发展，设计师终身教育观念的缺失阻碍了设计师的可持续发展，设计知识与设计人才近亲繁殖、代际传递的情况严重。
三、AIDesign发展迅猛
目前传统艺术设计已经发生智变，使设计更美更快更简单。人工智能艺术与设计已经一定高水平，如果设计师仍停留在传统设计水平，就会受到来自机器的“威胁”。但也不全会，除了“创意”部分让机器无可奈何，人类设计师与机器的竞合中，我们要转变方向注重数字移动媒体策划与设计、移动媒体用户需求挖掘、数字移动媒体需求文档的撰写、数字移动媒体优化、数字移动媒体UI界面设计、H5设计、App设计、UE用户体验设计、虚拟移动媒体设计、信息交互设计等媒体智能设计新技术。高品质艺术、设计依赖于混合增强智能技术。AdobeMax“SneakPeeks”将迎来Adobe全家桶的诸多全新功能，如图片变视频、静态变动态、一键设计字体、视频扣剪、纸盒自动生成、AR呈现、AE一键去马、Ru跨平台制作（剪辑、混音、调色）、跨平台同步改稿、人工智能排版等十大看似很科幻但已经实现了的AI功能。华为Mate20手机3D扫描防生建模与成像，以及AI手势动作捕捉的体感游戏功能，更为我们提供了解放设计生产力的前景。同时MIT研发的工业产品AI设计系统即将面世。主要产品体现如下：
（一）AIVD人工智能视觉设计
AI集成化的成熟产品，比如Adobe系列的产品，软件低层融入AI技术，更好更快地创作文字和图像、影音等元素。如AdobeSensei：人工智能做设计的底层技术，集成在Adobe系列软件中，有字体匹配方案、自动配色方案、基于线稿自动上色、自动校正手绘图形等。
（二）AIPD人工智能产品设计
Adobe人工智能鞋包设计、IBMWatson智能设计服装、Autodesk智能设计汽车等。
（三）AISD人工智能空间设计
Prisma智能风格化设计、Autodesk建筑智能生成设计、ZahaHadid参数化设计等产品。
四、设计人工智能教育的发展动向
五、结束语
人工智能技术的诞生，为人类探索计算机科技、便捷生活展望了美好的前景，提供了丰富的想象空间，在社会科学中的应用广泛。教育手段革新，需要一种新的技术作为保障和支持。人工智能技术应用的普遍性和网络教育技术发展的需求性一拍即合，成为一种新的教育发展模式。本文将对人工智能在网络教育中的应用进行探究。
【关键词】人工智能网络教育具体应用
1网络教育模式的发展现状
1.1网络教育的优势
1.2网络教育存在的问题
网络教育的问题主要体现在以下方面：
1.2.1操作平台的局限性
1.2.2教学方式的一致性
网络教学中，一般采用计算机程序设定好的流程，授课、复习、习题演练、期末考试、综合评估为基本程序，流程化操作，无法根据学生的学习特点和成绩要求制定相应的教学方式。教学评价流程过于死板，无法像教师一样考虑其他综合因素进行分析，这就容易导致考试系统的公平性、评分的合理性受到质疑，无法体现教学权威性。
1.2.3服务系统的落后性
网络教育是以计算机的软件程序为表现载体，将教学课程和学习方式相融合。随着知识体系更新换代的不断加快，学术纠错的发生，课程及时更新也是十分重要的。但是网络教育服务系统具有一定的落后性和延时性，传递的知识和答疑手段相对落后，影响着网络教育的准确性和科学性。
2人工智能在网络教育中的具体应用
网络教育缺陷的存在，其重要原因是教育流程系统的“刚性”无法符合学习者不同的教学需求，不懂得如何具体因人而异、因材施教；而人工智能“柔性”的工作特点，可以有综合考虑各种影响因素，并及时调节，恰好是对缺陷的补充。事实证明，人工智能在网络教育中的具体应用也取得了较好的效果，主要体现在以下方面：
2.1专家系统的应用
专家系统是对智能教学系统、决策系统、导学系统以及先进的智能化硬件设备的总称。传统的网络教育是流程化、规范化的，智能化教学系统是对每个流程应用智能化手段，促进教学过程的科学性。
2.1.1智能决策系统。
在课程开始之前，增设智能决策功能即智能决策系统，类似于学校的入学考试，对学生的学习能力、成绩水平、智力状况进行基本的分析和了解，以学生能力而不是教师要求为教学依据，制定合理的教学计划和学习方案；通过智能化设计，确定学习成绩分阶段测试计划、智力开发方案和考试模拟系统等，通过这些方式，实现对学生能力的充分开发。
2.1.2智能导学系统
这是通过对学生一定时期学习环境的营造，通过对环境内各影响因素施加措施，为学生的学习提供优质条件。影响因素包括教师、学习资源、外部因素等，一旦学生学习没有达到预定的目标，教师模块就会对学生的动态行为做出科学正确的指导，并向正确的学习轨迹纠正；学生学习所需要的参考资料、试卷分析、时事热点等，会根据学生的学习进展情况及时更新资料库；学生在学习中遭遇困境，系统会根据智能化发挥引导和提醒功能。
2.1.3智能教学系统和智能化硬件设备
智能教学系统和智能化硬件设备分别是智能学习系统的软件和硬件载体。智能教学系统是智能决策和智能导学子系统的综合，是几种不同模式的组合与搭配，最终出现适合学生自身的学习模式，并且让系统关系更加稳固；硬件系统是网络学习的基础和载体，包括传输设备中的路由器、交换机设备，终端的打印机、摄像头等。
2.2其他人工智能系统的应用
2.2.1语言处理系统
语言处理系统在人工智能领域是一种应用较为广泛的技术，系统内部拥有录音模块、语言识别模块、转换模块和输出模块。学生向录音系统发出声音，语言识别和转换模块将语言转化为文字显示在计算机界面上。就目前的技术来说，语言处理系统可以处理简单口语和书面语言，局限在普通话，随着语言库的升级，语言处理系统的功能会越来越强大。这一功能的出现，对学生学习语言口语和减少文字任务有很大的帮助。
2.2.2知识库系统
知识库系统是对知识和数据的整合、汇总和储存，学生仅依靠记忆中对知识的只言片语和残损记忆，发挥知识库强大搜索功能，自动分辨出关键词，并提供完整的数据。这对学生学习记录的查找和知识的复习有很大帮助，也有助于系统的升级和完善。
3促进人工智能在网络教育中应用的具体措施
3.1加大资金支持
3.2开展教学实施
4结束语
参考文献
[1]冯佳.虚拟机技术在计算机网络课程教学中的应用[J].计算机光盘软件与应用，2011（17）.
[2]王世刚，王纪凤，尚玉莲，赵学军.计算机网络课程教学中的虚拟机技术应用[J].中国现代教育装备，2011（01）.
[3]刘健.人工智能在网络教育中的应用探索[J].计算机光盘软件与应用，2014（06）.
[4]陈建锋.人工智能及其在计算机网络技术中的应用[J].城市建设理论研究.2015（03）.
作者简介
侯燕（1981-），女，山东省济宁市人。硕士学历。现为齐鲁师范学院讲师。研究方向为计算机应用。
据统计，2017年中国人工智能核心产业规模超过700亿元，随着各地人工智能建设的逐步启动，预计到2020年，中国人工智能核心产业规模将超过1600亿元，年复合增长率将达31.7%。
随着人工智能技术的不断成熟，人工智能创业的难度逐步降低，越来越多的创业公司加入人工智能的阵营。
2018年被称为人工智能爆发的元年，人工智能技术应用所催生的商业价值逐步凸显。人工智能逐步切入到社会生活的方方面面，带来生产效率及生活品质的大幅提升。智能红利时代开启！资本、巨头和创业公司纷纷涌入，将人工智能拉到了信息产业革命的风口。
如何把握产业动向，抓住风口机会？创业邦研究中心凭借在人工智能等前言科技领域持续研究、洞察的能力，在对国内人工智能创业公司进行系统调研的基础上，推出《2018中国人工智能白皮书》，对人工智能的核心技术、主要应用领域、巨头和创业公司的布局、未来发展态势和投资机会进行了深度解析。
第一部分人工智能行业发展概述
1.人工智能概念及发展
人工智能（ArtificialIntelligence，AI）又称机器智能，是指由人制造出来的机器所表现出来的智能，即通过普通计算机程序的手段实现的类人智能技术。
自1956年达特茅斯会议提出“人工智能”的概念以来，“人工智能”经历了寒冬与交替的起起伏伏60多年的发展历程。2010年以后，深度学习的发展推动语音识别、图像识别和自然语言处理等技术取得了惊人突破，前所未有的人工智能商业化和全球化浪潮席卷而来。
人工智能发展历程
2.人工智能产业链图谱
人工智能产业链可以分为基础设施层、应用技术层和行业应用层。
A基础层，主要有基础数据提供商、半导体芯片供应商、传感器供应商和云服务商。
B技术层，主要有语音识别、自然语言处理、计算机视觉、深度学习技术提供商。
人工智能产业链
第二部分人工智能行业巨头布局
巨头积极寻找人工智能落地场景，B、C端全面发力。
第三部分机器视觉技术解读及行业分析
1.机器视觉技术概念
机器视觉的两个组成部分
2.发展关键要素：数据、算力和算法
数据、算力和算法是影响机器视觉行业发展的三要素。人工智能正在像婴儿一样成长，机器不再只是通过特定的编程完成任务，而是通过不断学习来掌握本领，这主要依赖高效的模型算法进行大量数据训练，其背后需要具备高性能计算能力的软硬件作为支撑。
深度学习出现后，机器视觉的主要识别方式发生重大转变，自学习状态成为视觉识别主流，即机器从海量数据里自行归纳特征，然后按照该特征规律使图像识别的精准度也得到极大的提升，从70%+提升到95%。
3.商业模式分析
机器视觉包括软件平台开发和软硬件一体解决方案服务。整体用户更偏向于B端。软件服务提供商作为技术算法的驱动者，其商业模式应以“技术层+场景应用”作为突破口。软硬件一体化服务供应商作为生态构建者，适合以“全产业链生态+场景应用”作为突破口，加速商业化。
（1）软件服务：技术算法驱动者—“技术层+场景应用”作为突破口
这种商业模式主要是提供以工程师为主的企业级软件服务。有海量数据支撑，构建起功能和信息架构较为复杂的生态系统，推动最末端的消费者体验。
此类商业模式成功关键因素：深耕算法和通用技术，建立技术优势，同时以场景应用为入口，积累用户软件。视觉软件服务按处理方式和存储位置的不同可分为在线API、离线SDK、私有云等。
国内外基础算法应用对比
（2）软硬件一体化：生态构建者—“全产业链生态+场景应用”作为突破口
软硬一体化的商业模式是一种“终端+软件+服务”全产业链体系。成功的因素是大量算力投入，海量优质数据积累，建立算法平台、通用技术平台和应用平台，以场景为入口，积累用户。亮点是打造终端、操作系统、应用和服务一体化的生态系统，各部分相辅相承，锐化企业竞争力，在产业链中拥有更多话语权。
4.投资方向
（1）前端智能化，低成本的视觉解决模块或设备
从需求层面讲，一些场景对实时响应是有很高要求的。提供某些前端就本身有一定计算能力的低成本的视觉模块和设备将有很大市场需求。前置计算让前端设备成为数据采集设备和数据处理单元的合体，一方面提升了处理速度，另一方面可以处理云端难以解决的问题。
机器视觉在消费领域落地的一个障碍是支持高性能运算的低功耗、低价位芯片选择太少。从低功耗、高运算能力的芯片出发，结合先进的算法开发模块和产品，这类企业将在机器视觉领域拥有核心竞争力。
（2）深度学习解决视觉算法场景的专用芯片
以AI芯片方式作为视觉处理芯片有相当大的市场空间。以手势识别为例，传统的识别方案大都基于颜色空间，如RGB，HSV，YCrBr，无法排除类肤色物体及黑色皮肤对识别精度的干扰。借助深度学习，如通过R-CNN训练大量标注后的手势图像数据，得到的模型在处理带有复杂背景及暗光环境下的手势识别问题时，比传统方案的效果好很多。
（3）新兴服务领域的特殊应用
前沿技术带来的新领域（如无人车、服务机器人、谷歌眼镜等），对机器视觉提出了新要求。机器视觉可以让机器人在多种场合实现应用。服务机器人与工业机器人最大的区别就是多维空间的应用。目前国内的机器视觉，涉及三维空间、多维空间，其技术基本上处在初始阶段，未来存在较大市场增长空间。
（4）数据是争夺要点，应用场景是着力关键
机器视觉的研究虽然始于学术界，但作为商业应用，能解决实际问题才是核心的竞争力。当一家公司先天能够获得大量连续不断的优质场景数据，又有挖掘该数据价值的先进技术时，商业模式和数据模式上就能形成协同效应。创业公司要么通过自有平台获取数据，要么选择与拥有数据源的公司进行合作，同时选择一个商业落地的方向，实现快速的数据循环。
第四部分智能语言技术解读及行业分析
1.语音识别技术
（1）语音识别技术已趋成熟，全球应用持续升温
语音识别技术已趋成熟，全球应用持续升温。语音识别技术经历了长达60年的发展，近年来机器学习和深度神经网络的引入，使得语音识别的准确率提升到足以在实际场景中应用。深度神经网络逐步找到模型结构和调参算法来替代或结合高斯混合算法和HMM算法，在识别率上取得突破。根据GoogleTrends统计，自2008年iPhone及谷歌语音搜索推出以来语音搜索增长超35倍。百度人工智能专家吴恩达预测，2020年语音及图像搜索占比有望达到50%。Echo热销超过400万，带动智能音箱热潮。
（2）语音识别进入巨头崛起时代，开放平台扩大生态圈成主流
语音识别即将进入大规模产业化时代。随着亚马逊Echo的大卖，语音交互技术催生的新商机，吸引大大小小的公司构建自己主导的语音生态产业链。各大公司纷纷开放各自的智能语音平台和语音能力，欲吸引更多玩家进入他们的生态系统。
（3）语音识别技术发展瓶颈与趋势
低噪声语料下的高识别率在现实环境使用中会明显下降到70-80%，远场识别、复杂噪声环境和特异性口音的识别是下一个阶段需要解决的问题。
麦克风阵列类前端技术不仅是通过降噪和声源定位带来识别率的提高，带环境音的语料的搜集、标注可用于模型的训练，有助于打造更新一代的语音识别引擎技术。语音巨头已经在布局。
在IOT包括车载领域，云端识别并非通行的最优方案，把识别引擎结合场景进行裁剪后往芯片端迁徙是工程化发展的方向。
2.自然语言处理（NLP）发展现状
（1）多技术融合应用促进NLP技术及应用的发展
深度学习、算力和大数据的爆发极大促进了自然语言处理技术的发展。深度学习在某些语言问题上正在取得很大的突破，比如翻译和写作。2014年开始LSTM、Word2Vec以及AttentionModel等技术研究的进展，使DL有了路径在语义理解领域取得突破，并且已经有了明显的进展。对话、翻译、写作新技术成果里都开始逐渐混合入DL的框架。2014-2015年，硅谷在语义理解领域的投资热度剧增。
深度学习能最大程度发挥对大数据和算力资源的利用，语义理解的发展还需要深度学习、搜索算法、知识图谱、记忆网络等知识的协同应用，应用场景越明确（如客服/助理），逻辑推理要求越浅（如翻译），知识图谱领域越成熟（如数据饱和度和标准性较强的行业），技术上实现可能性相对较低。在各种技术融合应用发展的情况下，具备获取一定优质数据资源能力并可结合行业Domainknowledge构建出技术、产品、用户反馈闭环的企业会有更好的发展机会。
（2）NLP主要应用场景
问答系统。问答系统能用准确、简洁的自然语言回答用户用自然语言提出的问题。基本工作原理是在线做匹配和排序。比如IBM的Watson，典型的办法是把问答用FAQ索引起来，与搜索引擎相似。对每一个新问题进行检索，再将回答按匹配度进行排序，把最有可能的答案排在前面，往往就取第一个作为答案返回给用户。
图像检索。同样也是基于深度学习技术，跨模态地把文本和图片联系起来。
机器翻译。机器翻译的历史被认为与自然语言处理的历史是一样的。最近，深度学习被成功地运用到机器翻译里，使得机器翻译的准确率大幅度提升。
对话系统。对话系统的回复是完全开放的，要求机器能准确地理解问题，并且基于自身的知识系统和对于对话目标的理解，去生成一个回复。
（3）创业公司的机遇
1)机器翻译方面：经过多年的探索，机器翻译的水平已经得到大幅度提升，在很多垂直领域已经能够在相当大程度上替代一部分人工，机器翻译技术的商业化应用已经开始进入大规模爆发的前夜。
2)应用于垂直领域的自然语言处理技术
避开巨头们对语音交互入口的竞争，以某一细分行业为切入点，深耕垂直领域，对创业公司也是一个不错的选择。
第五部分人工智能在金融行业的应用分析
人工智能产业链包含基础层、技术层、应用层三个层面。基础层的大数据、云计算等细分技术被应用到金融征信、保险、理财管理、支付等金融细分领域；技术层的机器学习、神经网络与知识图谱应用于金融领域的征信与反欺诈、智能投顾、智能量化交易，计算机视觉与生物识别应用于金融领域的身份识别，语音识别及自然语言处理应用于金融领域的智能客服、智能投研；应用层的认知智能应用于金融领域的智能风控。
人工智能在金融行业的典型应用情况
第六部分人工智能在医疗行业的应用分析
1.人工智能在医疗行业的应用图谱
人工智能在医疗行业的应用潜力巨大，目前在健康管理、辅助诊疗、虚拟助理、医学影像、智能化器械、药物挖掘和医院管理等领域均有企业在布局，其中医学影像、药物挖掘、健康管理，辅助诊疗、虚拟助理的应用发展速度较快。
图人工智能在医疗行业的应用图谱
2.人工智能在医疗行业的具体应用场景
医学影像。人工智能应用于医学影像，通过深度学习，实现机器对医学影像的分析判断，是协助医生完成诊断、治疗工作的一种辅助工具，帮助更快的获取影像信息，进行定性定量分析，提升医生看图/读图的效率，协助发现隐藏病灶。人工智能通过影像分类、目标检测、图像分割、图像检索等方式，完成病灶识别与标注，三维重建，靶区自动勾画与自适应放疗等功能，应用在疾病的筛查、诊断和治疗阶段。目前较为火热的应用有肺部筛查、糖网筛查、肿瘤诊断和治疗等。
药物挖掘。人工智能在药物研发上的应用可总结为临床前和临床后两个阶段。临床前阶段：将深度学习技术应用于药物临床前研究，在计算机上模拟药物筛选的过程，包括靶点选择、药效和晶型分析等，预测化合物的活性、稳定性和副作用，快速、准确地挖掘和筛选合适的化合物或生物，提高筛选效率，优化构效关系。临床后阶段：针对临床试验的不同阶段，利用人工智能技术对患者病历进行分析，迅速筛选符合条件的被试者，监测管理临床试验过程中的患者服药依从性和数据收集过程，提高临床试验的准确性。
第七部分智能驾驶行业分析
1.智能驾驶行业产业链
智能驾驶行业的中心业务是以Google、百度为代表的智能驾驶操纵解决方案提供商和以特斯拉、蔚来为代表的成车厂商。该类厂商，上接上游软硬件提供商，下接公司和消费者，在整个业务链中扮演至关重要的一环。
产业链上游厂商多为细分技术提供商，如深度学习、人机交互、图像识别和新材料、新制造新能源等。
智能驾驶产业链图谱
2.智能驾驶市场分析
伴随着ADAS技术的不断更新，推断全球L1-L5智能驾驶市场的渗透率会在接下来5年内处于高速渗透期，然后伴随半无人驾驶的普及进入稳速增长期。在未来的2025年无人驾驶放量阶段后，依赖全产业链的配合而进入市场成熟期。预测到2030年，全球L4/5级别的自动驾驶车辆渗透率将达到15%，单车应用成本的显着提升之外，从L1-L4级别的智能驾驶功能全面渗透为汽车产业带来全面的市场机会。
按照IHSAutomotive保守估计，全球L4/L5自动驾驶汽车产量在2025年将接近60万辆，并在2025-2035年间获得高速发展，年复合增长率将达到43%，并在2035年达到2100万辆。另有接近7600万辆的汽车具备部分自动驾驶功能，同时会带动产业链衍生市场的大规模催化扩张。
根据独立市场调研机构StrategyEngineers的预测，L4高度自动驾驶等级下，自动驾驶零部件成本约在3100美元/车，其中硬件占比45%，软件占比30%，系统整合占比14%，车联网部分占比11%。按照全球1亿辆量产规模计算，理想假设所有车辆全部达到L4高度自动驾驶水平，那么全球自动驾驶零部件市场规模在2020年将达到3100亿美元。
第八部分中国人工智能企业画像分析
随着人工智能技术的不断成熟，人工智能创业的难度逐步降低。创新的大门吸引众多创业企业进入。为了观察行业风向，助力创新企业发展，创业邦研究中心对国内200多家人工智能创业公司进行了系统调研，从发展能力、创新能力、融资能力等多维度指标，评选出“2018中国人工智能创新成长企业50强”。
地域分布
全国88%的人工智能企业聚集在北京、上海、广东和江苏。其中，北京人工智能企业最多，占比高达39.66%;其次是上海，人工智能企业占比达21.55%;位列第三的是广东，人工智能企业占达15.52%。北京以领先全国其他地区的政策环境、人才储备、产业基础、资本支持等，成为人工智能创业首要阵地;华东地区的上海、江苏、浙江均有良好的经济基础和科技实力，人工智能应用实力雄厚，也聚集了一批人工智能垂直产业园;广东互联网产业发达，企业对数据需求强烈，依靠大数据产业链推动人工智能产业发展。
行业分布
从行业大类分布来看，行业应用层的企业占比最大，为56.03%;其次是应用技术层的企业，占比达31.04%;基础技术层的企业占比最小，仅为12.93%。随着人工智能技术的发展，人工智能与场景深度融合，应用领域不断扩展，行业应用公司比重不断提升。在基础层技术方面，国际IT巨头占据行业领先地位，国内与国际差距明显，中小初创企业很难进入。
收入情况
收入分布在500-10000万之间的企业最多，占比达49.14%;500万以下的企业位居其次，占比达26.72%;位列第三的是10000-100000万之间的企业，占比为17.24%。
最新估值
企业最新估值均在亿元级别，且分布较为均衡。三成企业估值超过15亿元，还有企业估值达到百亿级别，如优必
选科技、达闼科技和商汤科技等，将来或将跻身人工智能独角兽企业。(备注：分析样本量剔除一半未披露企业)
第九部分典型企业案例分析
1.Atman
企业概述
Atman由来自微软的人工智能科学家和产业经验丰富的产品团队创办，提供专业领域机器翻译、机器写作、知识图谱、大数据智能采集挖掘等语言智能产品，致力于成为医学、新闻、法律等专业领域语言智能专家，为专业领域用户赋能，推动专业领域用户进入人工智能时代，助力专业领域文字智能水平实现跨越式提升。Atman已为强生、新华社参考消息、北大法宝、君合律师事务所等世界领先药企、新闻媒体、法律服务机构开发机器翻译、机器写作、知识图谱、大数据智能采集挖掘等语言智能产品。
目前Atman在北京和苏州两地运营，能快速响应全国各地客户需求。
企业团队
创始人&CEO：马磊
清华大学计算机系毕业，曾先后在微软研究院和工程院担任研究员和架构师，机器学习专家、多次创业者、曾主导多项人工智能重大项目，和申请国际专利共计15+项。
Atman公司核心团队由来自微软、百度、法电等领域高端人才和资深技术人才组成，公司员工40人，其中硕士以上学历占比60%，技术开发人员占比70%，一半以上来自微软亚洲研究院和工程院。
核心技术与产品
技术方面，擅长机器学习（深度学习、强化学习、群体智能）在复杂问题的应用，和国际专利15项，Atman神经网络机器翻译系统于2016年9月首秀，早于谷歌的GNMT，专业领域翻译效果在公测标准和行业客户测试中均持续领先。核心产品为垂直领域机器翻译、机器写作、知识图谱抽取构建、大数据智能挖掘等语言智能产品。
Atman的机器翻译产品可自动翻译编辑专业文献、报告、音视频和网页，支持私有部署和云端混合部署，提供包括数据隐私安全以及自学习的端到端解决方案。
机器写作可对海量数据进行快速搜索、过滤、聚类，根据行业需求自动生成专业文档，适用于所有专业写作场景，可大幅减少专业报告写作过程中的繁复工作，大幅提升专业领域写作效率。
知识图谱可实现海量数据的语义检索、长链推理、意图识别、因果分析，形成一个全局知识库。大数据智能采集挖掘系统为专业领域用户提供智能数据源管理、海量专业数据获取和非结构化数据自动解析并结合知识图谱提供auto-screening、知识重构、专业决策辅助，帮助用户建立强大的以专业大数据为基础的业务辅助能力。
2.黑芝麻
黑芝麻智能科技有限公司是一家视觉感知核心技术与应用软件开发企业，2016年分别在美国硅谷和上海成立研发中心，主攻领域为嵌入式图像、计算机视觉，公司核心业务是提供基于图像处理、计算图像以及人工智能的嵌入式视觉感知平台，为ADAS及自动驾驶提供完整的视觉感知方案。
目前公司和博世、滴滴、蔚来、上汽、上汽大通、EVCARD、中科创达、车联天下和云乐新能源等展开深入合作，提供基于视觉的感知方案；除此之外，公司还在消费电子、智能家居等领域布局为智能终端提供视觉解决方案。目前公司已经完成A+轮融资。
团队核心成员来自于OmniVision、博世、安霸、英伟达和高通等知名企业，平均拥有超过15年以上的产业经验，毕业于清华、交大、中科大和浙大等知名高校。
创始人&CEO：单记章此前在硅谷一家全球顶尖的图像传感器公司工作近20年，离职前担任该公司的技术副总裁一职，工作内容覆盖了图像传感器研发和设计、图像处理算法研发和图像处理芯片设计。
核心技术和产品
在汽车领域，黑芝麻可提供车内监控方案（DMS），自动泊车方案（AVP），ADAS/自动驾驶感知平台方案。黑芝麻智能科技提供的解决方案包括算法和芯片两个核心部分：黑芝麻感知算法从基础的控光技术，到面向AI的图像处理技术出发来提高成像质量，以及应用深度神经网络训练，结合视频处理和压缩技术，形成从传感器端到应用端的处理过程；黑芝麻芯片平台采用独有的神经网络架构，包括独有的图像处理，视频压缩和计算机视觉模块，与黑芝麻视觉算法结合，采用16nm制程，设计功耗2.5w，每秒浮点计算达20T。
3.乂学教育
乂学教育，成立于2014年，是一家网络教育培训机构，采用人工智能和大数据技术，为学生提供量身定制学习解决方案和个性化学习内容。核心团队来自美国Knewton、Realizeit、ALEKS等人工智能教育公司，销售团队有全国40亿toC销售额的经验。
企业自主研发了针对中国K12领域的学生智适应学习产品，其核心部分是以高级算法为核心的智适应学习引擎“松鼠AI”，该产品拥有完整自主知识产权，能够模拟真实特级教师教学。企业发表的学术论文得到了全球国际学术会议AIED、CSEDU、UMAP认可，并在纽约设计了人工智能教育实验室，与斯坦福国际研究院（SRI）在硅谷成立了人工智能联合实验室。
主要产品
学生智适应学习是以学生为中心的智能化、个性化教育，在教、学、评、测、练等教学过程中应用人工智能技术，在模拟优秀教师的基础之上，达到超越真人教学的目的。该产品性价比高，以人工智能+真人教师的模式，做到因材施教，有效解决传统教育课时费用高，名师资源少，学习效率低等问题。
智适应学习人工智能系统
智适应学习人工智能系统模拟特级教师，采用图论、概率图模型，机器学习完成知识点拆分和个人学习画像，采用神经网络、逻辑斯蒂回归和遗传算法为学生实时动态推荐最佳学习路径，实现个性化教育。
业务模式
4.云从科技
云从科技成立于2015年4月，是一家孵化于中国科学院重庆研究院的高科技企业，专注于计算机视觉与人工智能。云从科技是人工智能行业国家队，是中科院战略先导项目人脸识别团队唯一代表，唯一一家同时受邀制定人脸识别国家标准、行业标准的企业。2018年，云从科技成为祖国“一带一路”战略实行路上的人工智能先锋，与非洲南部第二大经济体津巴布韦政府完成签约。
云从科技奠定了行业领导地位：国家肯定，国家发改委2017、2018年人工智能重大工程承建单位；顶层设计，唯一同时制定国标、部标和行标的人工智能企业；模式创新，三大平台解决方案，科学家平台、核心技术平台和行业应用平台。
企业核心团队
创始人
周曦博士，师从四院院士、计算机视觉之父—ThomasS.Huan黄煦涛教授，专注于人工智能识别领域的计算机视觉研究。入选中科院“百人计划”，曾任中国科学院重庆研究院信息所副所长、智能多媒体技术研究中心主任。
核心技术团队
云从科技依托美国UIUC和硅谷两个前沿实验室，中科院、上海交大两个联合实验室上海、广州、重庆、成都四个研发中心组成的三级研发架构。目前研发团队已经超过300人，80%以上拥有硕士学历。
技术优势
全方位多维智能学习模块适应不同场景要求；模块化设计为在工业视觉、医学影像、自动驾驶AR等领域扩展打下良好基础。
云从科技具有高技术壁垒：世界智能识别挑战赛成绩斐然，在CLEAR、ASTAR、PASCALVOC、IMAGENET、FERA以及微软全球图像识别挑战赛上共计夺得7次世界冠军;在银行、公安等行业智能识别技术PK实战中，85次获得第一；2018年，云从科技入选MIT全球十大突破性技术代表企业。
在跨镜追踪(ReID)技术上取得重大突破。Market-1501，DukeMTMC-reID，CUHK03三个数据同时集体刷新世界记录，Market-1501上的首位命中率达到96.6%，首次达到商用水平。
行业应用
目前国内有能力自建系统的银行约为148家。截止2018年3月15日，已经完成招标的银行约为121家，其中云从科技中标了88家总行平台，市场占有率约为72.7%;在安防领域推动中科院与公安部全面合作，通过公安部重大课题研发火眼人脸大数据平台等智能化系统，在民航领域，已经与中科院重庆院合作覆盖80%的枢纽机场。
5.Yi+
北京陌上花科技是领先的计算机视觉引擎服务商，为企业提供视觉内容智能化和商业化解决方案。致力于“发现视觉信息的价值”。
旗下品牌Yi+是世界一流的人工智能计算机视觉引擎，衣+是时尚商品搜索引擎。公司在图像视频中对场景、通用物体、商品、人脸的检测、识别、搜索及推荐均达到领先水平。
目前公司和阿里巴巴、爱奇艺、优酷土豆、中国有线、CIBN、中信国安、海信、华为、360等数十家顶级机构/产品深度合作，通过提供边看边买引擎、图像视频内容分析引擎、人脸识别引擎等基于视觉识别技术的数据结构化产品服务于海量用户，同时帮助政府机构、广电系统、内容媒体、零售商、电商、视听设备等行业实现智能分析、智能互动与场景营销。目前公司已经获得B轮融资。
团队成员来自于斯坦福、耶鲁、帝国理工、新加坡国大、南洋理工、清华、北大、中科院等名校及谷歌、微软、IBM、英特尔、阿里巴巴、腾讯、百度、华为等名企。
创始人&CEO：张默
北京大学软件工程硕士，南洋理工大学创业创新硕士。连续创业者，曾任华为算法工程师、微软WindowsMobile工程师、IBMSmarterCity架构师，北方区合作伙伴经理，主机Linux中国区负责人，中国区开源联盟负责人，年销售额数亿。2013年创业于美国硅谷和新加坡，2014年6月在中国设立北京陌上花科技有限公司。
公司的核心产品主要包括视觉搜索引擎，图像视频分析引擎以及人脸识别和分析引擎：
行业解决方案
针对营销、安防、相机和电视的不同特点，推出相应解决方案。
智慧城市+AI。使用计算及视觉助力智慧城市，在智慧安防、智慧交通、智慧园区等方面提供解决方案。在智慧安防实时识别上，实时处理直播摄像头信息，算法反应敏捷，相应迅速。建立智慧园区方案模型，考虑扩展性&灵活性、数据管理、松散耦合性、安全性、实时整合性以及功能性和非功能性需求等技术方案要素，从业务和技术两方面整合解决方案实现步骤。
电视+AI。电视+AI的解决方案赋予智能电视多样播放能力和营销能力。
相机+AI。相机更具交互能力。用户通过搜索关键字标签同步展示图片，打通相册和购物一站式体验。准确识别人物属性特征，动态适应表情变化，可以在视频以及图像中对人脸实时检测，基于深度学习技术，进行人脸相似度检测，实现面部关键点定位、妆容图像渲染，试用与粉底、唇彩以及眼影等多种虚拟试装方式。实时检测摄像头中出现的物品、场景和人脸等，添加AR效果，SDK支持本地检测、识别、追踪，平均检测帧率可达到25fps。
新零售+AI。Yi+新零售解决方案是基于公司自主研发的人脸识别、商品识别和其他图像识别算法技术为核心，建立一整套基于人脸、商品的智能零售门店管理方案。Yi+新零售解决方案主要包含数据采集、算法模型说明和部署方案三部分，其中数据采集包括人脸数据采集、商品数据采集；算法模型说明包括识别算法训练、商品识别、识别输出；部署方案包括本地部署、云端部署、本地部署与云端部署结合。
6.擎创科技
企业简介
擎创科技成立于2016年，专注于将人工智能和机器学习赋予传统IT运维／企业运营管理，为企业客户提供智能运维大数据分析解决方案，从而取代和改善对高技能运维人员严重依赖的现状。2017年，擎创科技已实现全年2000万营收，迅速成为国内AIOps领域的领跑者和中流砥柱。2018年初，擎创科技完成了数千万人民币的A轮融资，由火山石投资领投，晨晖创投、元璟资本及新加坡STTelemedia跟投。
核心团队
擎创团队的核心成员主要由BMC、微软等美国企业服务上市公司的运维老兵，与新浪、饿了么等知名互联网公司的大数据、算法专家组成，核心团队成员至少拥有10年以上的行业经验。其中CEO杨辰是国内最顶级的B端销售，曾带领团队获得10倍的业绩增长；CTO葛晓波拥有长达15年的企业级软件开发和运维经验；而产品总监屈中泠则来自甲方，创业前为浦发硅谷银行企业架构师，深知甲方对企业运维产品的需求。这个曾经深耕于运维企业服务市场的团队，如今在智能运维企业服务赛道继续领跑，让擎创科技成为最懂企业的客户，最值得企业客户信赖的软件厂商。
“夏洛克AIOps”作为擎创自主研发的大数据智能运维主打产品，自2016年上线以来，已从1.0版本升级至1.9版本，可应用在金融、大型制造业、铁路民航、能源电力等涉及国家发展和民生问题的多种行业。在2017全球运维大会上，夏洛克AIOps获得由中国信息通信研究院与高效运维社区联合颁发的“年度最具影响力AIOps产品”奖。
“夏洛克AIOps”拥有多项自研算法，犹如运维界的福尔摩斯，能迅速发现并定位运维问题的根因，实现秒级排障，最大程度避免企业产生重大损失。更有价值的是，“夏洛克AIOps”还能通过长期的数据积累和机器学习，运用新型深度神经网络算法对企业的业务数据进行预测，帮助企业提前规划IT资源，高效预防各类黑天鹅事件的发生。
商业模式
目前，擎创科技已与多家金融和制造行业标杆客户形成稳定的合作关系，包括浦发银行、浦发硅谷银行、国家开发银行、上海铁路局、银联、海尔、浙江能源等。针对不同客户，采用个性化的商业模式进行服务，目前主要有私有模式和SaaS模式两种，都具有较强的可复制性。
核心优势
关键词：人工智能；教学改革；教学方法
引言
人工智能(ArtificialIntelligence)是一门研究和模拟人类智能的跨领域学科，是模拟、延伸和扩展人的智能的一门新技术。由于信息环境巨变与社会新需求的爆发，人工智能技术的日趋成熟。随着AI3.0时代的到来，大数据、云计算等新技术的应用也愈发广泛，对于管理类人才来说，加强对人工智能知识的深入学习，不断将人工智能技术与管理知识结合起来，对其未来职业生涯的发展有着重要作用。人工智能是一门前沿学科，管理学院开设人工智能课程的目的是为了更好地培养学生的技术创新思维与能力，基于其覆盖面广、包容性强、应用需求空间巨大的学科特点，通过概率统计、数据结构、计算机编程语言、数据库原理等基础课程的学习，加强学生解决实际问题的能力，为就业打下基础。本文基于社会对于人工智能领域的人才需求，结合诸多长期从事经管类专业课程教学的老师意见，针对管理类人才的人工智能课程教学内容与方法进行探讨，以期对中国高校人工智能课程教学改革研究提供帮助与借鉴。
1、教学现状与问题
2、管理类人才的人工智能课程教学改进策略
课程教学改革是一项提高大学教学效果和人才培养质量的重要手段。如何在时代背景下应用新技术和新思想进行实施课程教学改革是高校亟待解决的问题。对于高校的教学工作而言，教学目标、教学内容和教学方式的变化不再是课程资源的简单数字化和信息化，而是充分利用时代信息资源优势的新型教学模式。针对管理类专业人工智能课程教学过程中存在的问题，可以从教学方法改进和教学内容设置两个方面进行课程教学改进。
2.1教学方法改进
2.2教学内容设置
关键词：产生式系统；人工智能；教学实践
中图分类号：TP3-05文献标识码：ADOI：10.3969/j.issn.1003-6970.2015.05.007
0引言
对于产生式系统部分的教学，主要目的在于：让学生理解产生式系统的基本构造，并能利用产生式系统求解问题。在我们的教学中，要求学生能够使用产生式系统解决一些有趣的智力题，从而真正体现机器求解智力问题的能力。
为了达到该目的，我们在七个学期的课程上进行了各种探索。本文通过总结这七个学期的经验，提出产生式系统教学中需遵循的“兴趣导向，实践优先，开发活泼”的教学思路。
1教学实践案例
在本教学实践案例中，共选择了2006―2007学年两个学期、2007―2008学年第一个学期、2010―2011学年两个学期，2011―2012学年两个学期作为考察对象。在授课中，分为《人工智能A》和《人工智能B》两种教学形式。选择《人工智能B》的班级不进行上机实验操作，而选择《人工智能A》的班级需要在计算机上完成相应的实验。
为了达到形象化教学的目标，在产生式系统的教学中，选择了一个智力题作为算法求解目标。该题目常称为量水问题，可简单描述如下：
有两个无刻度标志的空水壶，分别可装4升和3升的水。设另有一个10升的水壶装满了水。各个水壶之间仅可以相互倾灌。问如何通过倒水或灌水操作，量出2升的水来。
该问题是一个典型的智力问题。对于大学生来讲，该问题并不困难。但是，用计算机来求解确实一个具有挑战性的问题，因为，学生们不仅仅是自己会求解该问题，还要让机器也能做到。
1.1教学情况说明
为了考察实践编程环境的影响，对于《人工智能B》的班级，仅进行理论教学。教学步骤为：1）简单介绍产生式系统的构成：数据库、规则库、推理机；2）讲授水壶之间倾倒的所有规则；3）给出程序，将程序中的各条语句与理论一一对应说明。
对程序部分，则教授由教师所编写的程序。具体教学内容如下：
1）首先定义数据库中的变量，即水壶中已存水的数量。定义了三个变量，并赋予初值。程序用C语言可以写作如下语句：
1.2教学效果说明
对于所有班级的学生，都组织书面考试。考试的题目就是默写整个程序。由于选课学生的专业不同，因此，卷面成绩的波动较大。数学专业的学生选择的是《人工智能B》，从卷面上看，小错漏较多，说明多数是靠背诵过关。自动化专业和计算机科学与技术专业的学生选择的是《人工智能A》，多数情形下表现略好。然而，在前五个学期的教学实践中，教师先行给出了程序，相反地，学生错漏的出现率较高，说明学生的依赖心理较重，靠背诵过关；在后两个学期中，教师没有先行给出程序，卷面成绩反而上升，小错漏减少，说明学生理解的程度较高。这部分的结果表明：实践环节对教学效果的影响很大，加入实践环节能显著提高教学效果。
除开书面考试成绩的比较，当没有先行给出程序时，学生们最主要的进步是在实验环节。由于没有程序，学生们开动脑筋，对于量水问题给出了很多其他的方案。在2010―2011学年，学生提出了用宽度优先、深度优先等搜索策略来改进随机推理机制，以获得最简单的倒水方案，并给出了正确的源程序。在2011―2012学年第二个学期，学生们又提出了一个意想不到的新策略。
学生提出的策略是：每次将4升壶的水倒入3升壶，3升壶的水倒入10升壶，而10升壶的水倒满4升壶。由于从数学上看，数字4和3互质，且相差仅仅为1，因此，这一个循环倾倒的策略总能获得2升水。即使是换成要量出5升水等形式，也很容易地能得到。
学生所提出的策略从编程上看，更为简单，也能达到以前程序的效果，充分说明了大学生的创新能力。
从以上两次学生提出的创新思路，尤其是后一次的思路来看，教学效果要远远好于以前的固定刻板的教学模式，说明在开放式情形下，学生的创造性能够得到发挥。
因为实践环节对教学效果非常重要，在后面两个学期的教学中，我们着重强调了提升学生兴趣的教学环节，增加了学生编写程序的积极性。
2经验总结
从这个教学案例中，可以总结出这么几方面的经验：
1）在产生式系统的教学中，切忌只是从理论到理论。从理论到理论的方式会使得学生失去基本的兴趣。当失去基本的兴趣以后，学生将不再配合学习，从而使得后续的教学更为艰难。
2）最好采用案例教学的方式。采用案例教学的方式会使得学生更容易理解，更容易接受。对于案例的选择，可以选择传教士过河问题、量水问题、八皇后问题等学生喜闻乐见的智力题，要求学生用计算机程序的方式解决。在案例的选择上，要坚持简单原则，太复杂的程序学生会不太喜欢。从实践上看，量水问题比传教士过河问题要简单，因此，建议多选择这样的案例。
3）相信学生，从而给学生表现的机会。大学生处于创造力的高峰时期，如果能够激发学生的兴趣，则学生自然会在兴趣的指引下发挥其创造力，给出更简单更有效的方案。
4）实践优先。由于长期的应试教育的熏陶，大学生普遍具有“等、靠、要”的思想。如果不给予实践的机会，多数大学生们通常不会去尝试求解难度较大的问题。在实践中，要避免将学生看作机器，不能要求学生完全按照实验操作规程进行操作。这样的标准化、刻板化的实践的确从表面上看实验报告更漂亮，但实际上，学生多数情况下是知其然，不知其所以然。从教学的本质上讲，这样做是违背教学规律的。
5）理论升华。在实践完成以后，教师一定要抓住机会，将程序中的各个部分与理论中的各个部分对应起来。这样学生才能够融会贯通，真正理解产生式系统。
总而言之，对于产生式系统这样的知识点，在实践中采用“兴趣导向，实践优先，开放活泼”的教学思路是可行的。
关键词：智能信息处理技术；量子计算智能导论；教学实践
人类正被数据淹没，却饥渴于知识。面临浩瀚无际而被污染的数据，人们呼唤从数据中来一个去粗取精、去伪存真的技术。而数据挖掘就是从大量数据中识别出有效的、新颖的、潜在有用的，以及最终可理解的知识和模式的高级操作过程，所以数据挖掘也可以说是一个模式识别的过程，因此模式识别领域的许多技术经过一定的改进便可以在数据挖掘中起重要的作用。计算智能(ComputationalIntelligence-CI)方法是传统人工智能(ArtificialIntelligence，AI)的扩展，它是模式识别技术发展的新阶段[1]。
1教材选择
2教学内容
本课程从量子计算的基本概念和原理出发，重点讲解量子计算基础和基本的量子算法；并从量子优化算法拓展开来。该门课程我们安排了46学时，具体安排如下：第1章，量子力学基础(2学时)；第2章，量子计算基础(4学时)；第3章，基本量子算法(4学时)；第4章，Grover量子搜索算法的改进(4学时)；第5章，量子遗传算法(8学时)；第6章，量子群智能优化算法(8学时)；第7章，量子神经网络模型与算法(8学时)；第8章，量子遗传算法在模糊神经控制中的应用(8学时)。
3教学方法
3.1理论与实践相结合的教学方法
量子计算智能导论是一门多学科交叉的综合型学科。选课的同学来自全校，各个的专业背景不同，但是大家的共同需求是一样的，就是从课程中掌握一种用于解决实际问题的工程技术，但是工程技术的掌握也需要理论的支撑，因此我们在教学实践中总结出了一套方法，具体做法是将教学内容划分为：理论型和实践型。
理论型教学指的是发展完善的量子计算基本原理和方法。其内容包括：量子位、量子线路、量子Fourier变换、量子搜索算法和量子计算机的物理实现等。而其中量子位、量子线路以及量子算法都是以量子相对论为基础的，这也是量子计算的本质原理，而较之我们熟悉的数字式计算机和计算方式有着本质的区别。我们在教学中由浅入深，通过PPT授课，采取理论与实例相结合的讲授方式。下面给出了一个我们在教学中的实例：将量子计算问题形象化。具体内容如下。
让我们想象一下下面这个问题。我们要找一条穿过复杂迷宫的路。每次我们沿着一条路走，很快就会碰到新的岔路。即使知道出去的路，还是容易迷路。换句话说，有一个著名的走迷宫算法就是右手法则――顺着右手边的墙走，直到出去(包括绕过绝路)。这条路也许并不很短，但是至少您不会反复走相同的过道。以计算机术语表述，这条规则也可以称作递归树下行。现在让我们想象另外一种解决方案。站在迷宫入口，释放足够数量的着色气体，以同时充满迷宫的每条过道。让一位合作者站在出口处。当她看到一缕着色气体出来时，就向那些气体粒子询问它们走过的路径。她询问的第一个粒子走过的路径最有可能是穿过迷宫的所有可能路径中最短的一条。当然，气体颗粒绝不会给我们讲述它们的旅行。但是量子算法以一种同我们的方案非常类似的方式运作。即，量子算法先把整个问题空间填满，然后只需费心去问问正确的解决方案(把所有的绝路排除在答案空间以外)。这样以来，一个枯燥晦涩的量子算法就被很形象的解释，因此增强了学生的记忆也加深了理解，从而提高了学生的学习兴趣。
为了体现该门课的教学特点，我们在考核方式上，采取考试与报告相结合的方式，其中理论部分我们采取闭卷考试，占总考评分数的40%；实践部分采取上机技术报告考核，内容为上机实践课程布置的大作业，给出详实的算法流程图和仿真结果与分析，占总考评分数的40%；出勤率占总考评分数的20%。
3.2科研素养的培养与实践能力的提高
4结语
参考文献：
[1]焦李成,刘芳,缑水平,等.智能数据挖掘与知识发现[M].西安:西安电子科技大学出版社,2006.
[2]田新华.跟踪国际学术前沿迎接量子信息时代:《量子计算与量子优化算法》评介[J].科技导报,2010,28(6):122.
[3]MichaelA.Nielsen,IsaacL.Chuang.QuantumComputationandQuantumInformation[M].北京:高等教育出版社,2003.
[4]李士勇,李盼池.量子计算与量子优化算法[M].哈尔滨:哈尔滨工业大学出版社,2009.
[5]蔡自兴,徐光v.人工智能及其应用:研究生用书[M].3版.北京:清华大学出版社,2004.
ExplorationonIntroductiontoQuantumComputationalIntelligence
LIYangyang,SHANGRonghua,JIAOLicheng
(SchoolofElectronicEngineering,XidianUniversity,Xi’an710071,China)
关键词：智能教学系统；模型；局限
智能教学系统(IntelligenceTutoringSystem，简称ITS)是把人工智能技术引入到计算机辅助教学系统中，应用人工智能技术开发出能够因材施教的教学系统，使“计算机导师”贴近人类教师的水平，具有推理、诊断、决策的能力。能够根据每个学习者的特点制定教学计划，选择教学策略，实现因材施教。
一、智能教学系统的模型及功能
基于教育学、心理学和教学设计原理分析，智能教学系统模型应包含学生模块、教学策略模块、知识库和智能接口几个主要模块，各模块的系统结构如图所示。
学生模块记录每个学生原有的知识水平和学习能力。其依据为学生与系统之间的交互问答历史，并对每个学生的学习进步情况进行动态调整。这样，系统通过学生模型就可随时了解每个学生的情况，有的放矢地进行个别化教学。
教学策略模块根据学生模块情况和知识库做出智能化的教学决策，评判学生的学习效果，帮助学生分析错误原因。提出改进方法和意见等。
知识库存储所要教的学科领域知识和教学知识。
智能接口能够理解自然语言，实现更普遍意义上的人机对话。
智能教学系统与传统CAI相比，具备以下功能：
第一，了解学生的学习能力、学习基础和当前的知识水平，以此为依据为不同的学生做出不同的教学决策，有针对性地进行个别指导，并在学习过程中根据学生进度自动调整学习内容，具有适应能力。
第二，允许学生用自然语言与“计算机导师”进行人机对话，并能对带有学生个性特点的问题做出解答，从而具备更好的交互能力。
第三，能诊断学生学习过程中的错误，并分析错误原因和给出解决方案，在此基础上逐渐积累“经验”，从而具备纠错能力。
第四，大大拓宽了CAI的模式，例如建立虚拟教室、智能导师系统、教学模拟等。从而使CAI不再是简单的课本搬家、教室搬家，而具有更多的创造能力。
二、智能教学系统的局限性分析
智能教学系统虽然较传统CAI在诸多方面有很大改进。但就智能教学系统的工作原理以及目前的研发现状而言，应当冷静地看到，它自身也存在一些固有的局限性。
要计算机解决某个问题，有三个基本的前提：必须把问题形式化、必须有一定的算法、必须有合理的复杂度。由于人的智能活动不能完全形式化，因此，机器就不能将人脑的智力活动全部复制出来。教育是一种人类所特有的活动，基于人工智能技术的智能教学系统在教育中的应用也存在局限性。
1.智能教学系统不能实现自我更新，自我改进
智能教学系统的设计原理是把现有的专家的知识和教师的教学方法和策略集中到一个数据库中。随着现代社会知识的迅猛增长，教育理念的不断更新以及教学模式和教学方法的不断改进，智能教学系统无法像人类教师那样跟随时代的变化而实现知识库的自我更新以及教学策略模型的自我改进。还需要人从外界对整个ITS进行翻新，甚至需要从一种新的教育理念出发，重新设计ITS。智能教学系统的自我更新涉及机器学习这个难点。
2.智能教学系统适用的学习领域存在局限
以智能模拟的方法实现的人工智能应用于教育中时，并非适合所有的学习领域。人的智能活动可以分为四个领域。领域一是“刺激――反应”领域，其中包括任何形式的条件反射，与上下文环境无关的、各种形式的初级联想行为，最典型的如无意义音节的机械学习。领域二是数学思维的领域，这是比较适合于人工智能的领域。它是由概念世界而不是感知世界构成，这一领域中的问题完全形式化了，并可以计算，这一领域又可称为简单形式化领域，典型的例子如逻辑和有精确规则的游戏。领域三是复杂形式化领域，这是比较难把握的一个领域。这一领域包括原则上可形式化而实际上不易驾驭的行为，包括那些不能用穷举算法处理的。因而需要设计启发程序的系统，如围棋。领域四可称作非形式化行为领域，包括有规律但无规则支配的、我们人类世界中的一些日常活动，这一领域又称作感知思维领域。在这一领域内解决问题都是直觉的遵从，无须求助规则。包括一些规则不确定的游戏，如文字猜谜游戏。以上四个领域中前两个领域适合用数字计算机模拟，第三个领域只是部分可程序化，而第四个领域则很难驾驭。
与此相对应的，根据加涅的学习结果分类，学习分为言语信息、智慧技能、认知策略、动作技能和态度五类。言语信息分为符号学习、事实学习和有组织的知识学习，这些属于可形式化内容，适用于智能教学系统；智慧技能分为辨别、具体概念、定义性概念、规则和高级规则，其中前四项属于可形式化内容，适用于智能教学系统，而高级规则属于复杂形式化内容，部分内容不适用于智能教学系统；动作技能和态度领域的学习。在其认知成分中可以使用智能教学系统，但情感和行为成分等非形式化内容，则难以用智能教学系统来实现。
因此，并不是所有的学习领域都适用于智能教学系统。智能教学系统在教育中应用的重点应放在认知领域中的符号学习、事实学习和有组织的知识学习、辨别、具体概念、定义性概念以及规则这些学习内容上。
3.与学生之间无法畅通交流
教育是一种交互活动，智能教学系统的交互功能虽然较传统CAI有所改进。但仍然缺乏在学生和计算机之间交换信息的自然的、畅通的途径。系统只能通过学生输入计算机的信息来判断其掌握和内化程度。而无法像人类教师通过自然状态的交流和观察来判断学生的真实情况，因此，“机器智能”很容易被蒙蔽“双眼”，无法做到像人与人之间那样自然畅通的交流。此外，系统在遇到新的学习情境时。不能理解和产生对话，这会影响智能教学系统功能的实施。
4.决策和推理机制不完善
智能教学系统的关键智能所在是其决策和推理机制，即“教学策略”模块根据不同学生的具体情况通过推理做出灵活决策，这种决策基于学生模块提供的学生的知识水平、认知特点和学习风格。智能教学系统虽然加入诊断系统并不断调整对学生学习水平的判断，但由于学习风格、认知特点等不能完全被形式化，因此，根据系统的教学策略模块中预先存入的诊断知识来评估不同学生的学习过程和理解每个学生不同的推理过程也是有局限的。
三、智能教学系统在教育中应用的建议
1.不能忽略教师的作用
虽然智能教学系统具有“智能性”。但在使用它的过程中，决不能放弃教师的主导作用。要明确教师是教学的设计者和教学过程的主导，应该把智能教学系统的应用纳入到教学设计中。教师作为教学的“主导”。要引领教学
2.注意教学模式的运用
作为一种教育技术的实现，ITS主要依赖于各种技术的发展，但作为一个能够实施完整教学过程的教学系统，ITS的应用效果更多地依赖于所采用的教学模式。长期以来，传统CAI在教学中的应用都以个别化教学模式为主。但随着认知心理学的发展，基于建构主义学习理论的以“学”为中心的教学模式逐渐受到青睐。这种教学模式更能满足学习者的个性化要求，也为协作学习创造了更大的可能性。目前，协作学习模式因其利于培养学生的多样化思维和合作精神而日益受到重视。同一个智能教学系统，用于个别化教学模式和用于协作学习模式就会产生截然不同的教学效果。因此。在利用智能教学系统时，要注意根据教学内容和教学目标灵活采用个别化教学模式或协作学习模式。
3.有效与网络相结合
[1]王士同主编.人工智能教程[M].北京：电子工业出版社，2001.
[1]王永庆.人工智能原理与方法[M].西安：西安交通大学出版社，1998.
[3]何克抗.计算机辅助教育[M].北京：高等教育出版社，1997.
关键词:智能科学基础;系列课程;国家级教学团队;改革;建设
在国家教育部质量工程的支持下,中南大学信息科学与工程学院对国家级精品课程人工智能[1-2]和智能控制[3]、全国双语教学示范课程人工智能和国家级智能科学基础系列课程教学团队[4]等进行持之以恒的改革与建设,取得一些成果。
“智能科学基础系列课程教学团队”的教学队伍是一支由国家级教学名师领衔[5],知识结构、梯队结构和年龄结构比较合理,具有明显的学科优势、课程优势、人才优势和教学科研优势的颇具特色与影响力的教学团队。该团队以中南大学智能科学研究中心为核心,主要承担人工智能基础、智能控制导论、机器人学、专家系统等本科基础和专业基础课程,硕士学位课程人工智能、智能控制和机器人控制技术以及留学生硕士学位课程ArtificialIntelligence和博士生学位课程智能系统原理与应用的教学。
1创新教学方法
教学是教师的本职和核心工作。本教学团队一直致力于教学方法与教学模式的改革与创新,虚心学习国内外先进教学经验和方法,积极探索教学新路,形成了“以趣导课、以疑启思、以法解惑、以律求知”的教学模式和教学方法[6-7]。充分激励学生的学习积极性和主动性,发挥独立思考和创新思维,多方位培养学生发现问题、分析问题和解决问题的能力。我们在教学过程中应用了课堂演示、课堂互动、课堂辩论、课后网络教学、网络实验等一系列现代化全方位的教学新模式。此外,为提高学生的动手能力和理论水平,让学生直接参与部分教师课题,理论联系实际,为毕业后的工作学习打下良好基础。具体措施如下:
1)举行课堂讨论会,营造自由探索氛围。
为调动学生的积极性,我们在授课过程中多次开展课堂讨论会和辩论会等活动,让学生自己查阅资料,分析整理,提出自己的观点,使学生全方位地接触所学课程,培养学生的研究能力,真正实现师生互动,并鼓励学生用英语讨论。学生对有些问题展开了激烈的争论,激发了学习潜能,明确了学习目标。课程中还经常请来在科研工作中担任主要任务的教授和博士生来给学生介绍最前沿的科学动态,激发学生们对所学知识和科学研究的兴趣。在研究生教学方面,我们更进一步通过举办课程课堂学术研讨会,让学生在一年级就开始接触学科前沿,自己查阅资料和动手写科技论文,并在研讨会上宣读讨论,培养独立工作能力和从事学科前沿研究的能力,为将来的高层次研究打下基础。
2)倡导启发式教学,培养学生学习能力。
根据学生的兴趣和创新潜力,对有专业特长的本科生,在自愿情况下,挑选2～3名参与国家级项目研究工作,进行中长期培养试点,实现本科培养过程与硕士、博士研究生培养过程的衔接。
3)增强课程实验教学环节,筹建智能专业实验室。
除课堂实验外,我们还充分发挥虚拟实验的优点,设计了网络虚拟实验,让学生在课外上网练习。通过虚拟实验,学生可以了解算法的具体运行过程,调整参数和过程,并进行验证以加深对知识的理解,提高学习兴趣,从而达到教学目的。
结合科研,购进和自制部分新设备、新系统,计划建设智能专业实验室,为教学提供更多的优良实验设备。例如,已研制“中南移动一号”和“中南移动二号”自主移动机器人共7台,已购进RCB-1型教学机器人20套等。
教学团队教师还指导学生参加全国大学生“飞思卡尔”杯智能汽车竞赛活动、大学生创新性实验计划及创新教育计划项目等,取得优秀成果。
2推进课程改革
教学改革是课程建设和学科发展的生命线。我们把国家级精品课程和全国双语教学示范课程放在优先建设的位置,并以它们带动其他课程建设,完善系列课程建设,同时新办了智能科学与技术专业。
2.1搞好精品课程建设,改进双语示范课程教学,稳步推进系列课程建设
为加强精品课程建设,完善和拓展课程体系,在总结现有精品课程的建设经验的基础上,又建成省级精品课程1门,校级精品课程1门。
为提高学生的专业英语水平和学习兴趣,使得学生能够开拓眼界,追踪国际前沿科学研究,本团队长期对双语教学进行研究和实践。除改进人工智能双语教学示范课程外,团队承担的其他课程,如智能控制、机器人学、专家系统、数据结构等也实行了双语教学,并为该课程引进英文辅助教材。例如,对人工智能课程,我们先后采用Nilsson和Russell等编著的国外影响较大的英文原版教材作为主要教学参考书[10-11],供学生学习参考。在双语教学中,一般以汉语讲授为主,英语为辅,并对一些关键词同时用汉语和英语表示。对部分章节或某个专题,采用纯英语教学或以英语为主汉语为辅的教学。对PPT课件的编写分为纯汉语、纯英语和英汉混合几种方式。英语教学比例要根据教学内容和学生英语水平而定,其检验标准是学生的接受程度与学习效果,根据这一点来适时调整双语教学中英语对汉语的比例。
通过教改实践,我们承担的智能科学基础课程逐步形成为具有明显特色的课程体系。我们讲授的课程从智能科学的基础课程到专业基础课程,再到专业实践课程,形成了配置合理、特色鲜明、循序渐进、优势互补、协调发展的智能科学与技术学科从基础到应用的系列课程体系。
2.2新办智能科学与技术专业
我校于2009年申报获准,在自动化专业增设了智能科学与技术专业方向,目前已招收2届学生共84人。我们为选读智能科学与技术本科专业方向的每个学生选定指导老师。每个学生都可以参加指导老师的课题,指导老师也可以利用自己的学识、经验和责任心来更好地管理呵护学生。这一做法取得明显效果,不仅受到同学们的普遍欢迎,也得到了学校的肯定。我们还多次召开师生见面会并通过指导老师走访宿舍,了解每个人的情况。为了消除代沟,努力融入同学当中,学习熟悉他们的语境和思维想法。我们的目标就是不让一个学生掉队。
创建与建设智能科学与技术新专业,将为智能科学基础系列课程教学建设提供一个更加宽广的平台,并对计算机、自动化和电子信息等学科的专业建设和课程建设提供一个新的增长点。我们将以智能科学与技术专业建设为契机,虚心学习兄弟学校的专业建设的做法和经验,进一步规范智能科学与技术的基础课程教学,让智能科学基础课程教学建设登上一个新的台阶。
3加强教材建设
教材是教学的重要工具和资源,其水平直接影响教学效果和教学质量。在教学过程中,我们与时俱进,对教学内容不断优化与更新,精益求精地编写反映学科发展的教材[14]。
我们对原有编写出版的教材进行修订,反映新世纪学科发展水平和发展趋向,以适应教改需要。把这些最新内容用于教学,使学生了解到国际前沿动态和本学科的最新成果。
《智能控制原理与应用》,国家级精品课程配套教材,2007;《智能控制导论》,国家级精品课程配套教材,2007;《未知环境中移动机器人导航控制理论与方法》,2008;《机器人学》,第二版,国家级教学团队配套教材,2009;《机器人学基础》,国家级教学团队配套教材,2009;《人工智能及其应用》,第四版,国家级“十一五”规划教材,国家精品课程配套教材,2010;《人工智能基础》,第二版,国家级“十一五”规划教材,国家精品课程配套教材,2010;《移动机器人协同理论与技术》,2010。
4优化队伍结构
师资队伍建设是团队建设的源头,没有一流的教师队伍就没有一流的教学团队。在师资队伍建设上,我们一直采取引进优秀人才和在职培养相结合的做法。对于人才的引进主要通过办专业和办学科点等方式吸引人才,还通过创造教学和科研条件,稳定教师队伍,解决个人的发展问题。
教学始终是教师的第一要务,为了提高青年教师的教学素质,我们实施并完善了一系列管理措施和制度。
1)设立名师工作室,实现名师资源共享形成多元化的带教制度,安排高年资的教师对年轻教师进行传、帮、带,可以有业务方面的指导,也可以有认识方面的交流。通过老教师对年轻教师全方位的指导,使老教师的教学理念和经验得以继承,加快了年轻教师的成长。
2)有计划地安排年轻教师虚心旁听有经验教师的讲课。通过听课,不仅使年轻教师进一步掌握课程的内容,更重要的是使年轻教师学到了老教师的教学方法和经验,对其今后从事教学工作起到了积极的指导作用。
3)对于第一次上课和第一次上某门新课程的年轻教师,团队都要在课前组织他们试讲。试讲前,安排老教师进行指导,传授教学经验。试讲时,由团队的教师参加听课并对其进行讲评,肯定其优点,指出其不足,帮助青年教师尽快掌握课程的重点,找到更合适的讲授方法。此外,我们还备课,统一基本教案,帮助年轻教师成长。
近两年来本教学团队获得的主要教学奖励就有徐特立教育奖、茅以升教学专项奖等。
5扩大交流合作
1)增进校际交流,发挥辐射作用。
2)撰写课程改革论文,进行国内外交流。
本团队成员仅近一年多来,就在中国教育开放资源网、中国人工智能学会13届年会、计算机教育、高等理科教育、计算机与现代化等会议及刊物上发表10篇教改论文,在国内外进行交流,起到介绍情况,交流信息和经验的积极作用。
为了更好地交流经验,扩大影响和辐射作用,我们发起并联合中国人工智能学会教育工作委员会、中国计算机学会人工智能与模式识别专业委员会、中国人工智能学会智能机器人专业委员会、中国自动化学会智能自动化专业委员会、中国人工智能学会人工智能基础专业委员会,筹备召开了首届《全国智能科学技术课程教学研讨会》[15]。围绕各个学校在智能科学与技术本科专业的课程改革与建设、课程和专业教学计划制定和未来发展设想等方面进行交流研讨。通过交流研讨,认真学习兄弟学校的经验,并尽可能汇报我们的经验。我们相信,在与会全体代表的共同努力下,本次课程教学研讨会一定能够取得积极的成果。
注:本研究获得教育部国家级精品课程人工智能(2003年)和智能控制(2006年)、全国双语教学示范课程人工智能(2007年)、国家级智能科学基础系列课程教学团队(2008年)等项目支持。
参考文献:
[1]中国高等教育学会.中国高校国家精品课程,工学类,(上册),2003-2007[M].北京:北京大学出版社,2008:433-436.
[2]CAIZixing,LIUXingbao,LUWeiwei,etal.ComparativeStudyonArtificialIntelligenceCoursesBetweenCSUandMIT[EB/OL].[2010-5-1].CORE(ChinaOpenResourcesforEducation),.cn/.
[3]中国高等教育学会.中国高校国家精品课程,工学类,(上册),2003-2007[M].北京:北京大学出版社,2008:426-429.
[5]中华人民共和国教育部高等教育司.名师风采,第一届高等学校教学名师奖获奖教师集锦[M].北京:地质出版社,2006:152-153.
[6]李广川.丹心育桃李,妙手谱春秋[M]//名师颂.北京:教育科学出版社,2007:397-401.
[7]及立平.笃定平和:访国家级教学名师蔡自兴[M]//春风化雨:中南大学教师风采.长沙:中南大学出版社,2006:119.
[8]蔡自兴,肖晓明,蒙祖强,等.树立精品意识,搞好人工智能课程建设[J].中国大学教学,2004(1):28-29.
[9]陈爱斌,肖晓明,魏世勇,等.智能控制的学科发展与学科教育[J].现代大学教育,2006(3):102-105.
[10]NilssonNJ.ArtificialIntelligence:ANewSynthesis[M].NewYork:MorganKaufmannPublishers,1998.
[11]RussellS,NorvigP.ArtificialIntelligence:AModernApproach[M].London:PrenticeHallPublishers,2005.
[12]王万森,钟义信,韩力群,等.我国智能科学技术教育的现状与思考[J].计算机教育,2009(11):10-14.
[13]蔡自兴,贺汉根.智能科学发展的若干问题[C]//中国自动化领域发展战略高层学术研讨会论文集.自动化学报,2002,28(增刊1):142-150.
[14]蔡自兴,谢斌,魏世勇,等.《机器人学》教材建设的体会[C]//2009年全国人工智能大会(CAAI-13).北京:北京邮电大学出版社,2009:252-255.
[15]2010年全国智能科学技术课程教学研讨会征文通知[J].计算机科学,2010,37(6):封3.
ConstructionofStateTeachingGroupofSeriesCourseforIntelligenceScienceBasisinCSU
CAIZi-xing,CHENBai-fan,LIULi-jue
(InstituteofInformationScienceandEngineering,CentralSouthUniversity,Changsha410083,China)
关键词：互联网+；计算机硬件课程；教学方法
随着中国社会进入“互联网+”时代，在“万众创业，大众创新”的大环境下，IT领域中各项新兴技术层出不穷，例如应用于各领域的智能电子设备、可穿戴设备、人工智能等。这些新兴技术又都与计算机硬件紧密联系，于是社会对当前的计算机硬件类专业人才的培养提出了新要求。以人工智能为例，国家发改委、科技部等几部门联合的《“互联网+”人工智能三年行动实施方案》中明确提出，“培养发展人工智能新兴产业”、“推进重点领域智能产品创新”和“提升终端产品智能化水平”等三点目标，同时强调方案实施的关键是大量的“互联网+人工智能”专业人才。由此可见，时代的发展方向正要求对计算机硬件课程进行调整，势必会引领计算机的软硬件课程的协同发展，开展新一轮的计算机教学内容的整合和教学方法的改革。
一、计算机硬件类课程现状
（一）计算机硬件课程设置现状
表1计算机硬件类课程的设置
（二）计算机专业现有培养模式的特点
二、“互联网+”时代计算机硬件课程面临的挑战
“互联网+”是将互联网作为当前信息化发展的核心特征，提取出来，并与工业、商业、金融业等服务业全面融合。其核心是创新，只有创新才能让这个“+”真正有价值、有意义。在分析了目前市场上的各种“互联网+智能硬件”后，笔者认为对计算机硬件课程发展的挑战主要体现在以下几点。
（一）个体化向网络化的转变
（二）功能化向智能化的转变
（三）低成本至高性价比的转变
三、计算机硬件课程教学方法改革的策略
关键词智能授导系统；辅助教学；语义Web
计算机辅助教学(CAI)是以对话方式利用多媒体计算机的功能与特点与学生讨论教学内容、安排教学进程和进行教学训练的方法与技术。但是存在交互能力差和缺乏虚拟技术支持、智能性及教学策略等问题。人工智能（AI）是计算机科学、信息论、神经生理学、控制论、心理学、语言学等多种学科互相交叉渗透而发展起来的一门综合性学科。它用人工的方法在机器(计算机)上执行智能行为：感知、理解、学习、判断、推理、规划、设计、求解等。其技术特征主要是具有搜索功能、知识表示能力、一定的推理功能、抽象功能、语音识别功能及模糊信息处理能力。
1智能授导系统
ITS从上个世纪80年代提出到至今已有30多年了，几乎涉及人工智能技术的所有问题，而且一直是人工智能技术在教育领域的核心研究之一。比较有代表性的是Peng-KiatPek和Kim-LengPoh应用贝叶斯网络构建的学生模型可以较好的估计出学生的学习兴趣值，从而对学生的学习行为方向进行预测；DietrichAlbert和CordHockemeyer通过分析知识空间理论而得出的超文本结构和知识空间在结构上的有很强的相似性，通过对知识空间进行建模，使之适用于网络Web结构模式；JoelMartin和KurtVanLehn使用贝叶斯网络技术对学生的学习结果进行评估，有效的分析出学生学习过程中的问题和不足；DeclanKelly和Bren-danTangney提出了一种多Agent技术（Multi-AgentSystem，MAS），通过对个体的个性化学习进行动态建模的智能框架的建构重组，满足了学习者的不同需求。随着国内数字化教学与教育信息化的大趋势，最近几年国内对于该领域的研究发展的相对比较快，而且需要进行综合性的研究，以不断促进智能授导系统的实际应用价值。
2自适应智能授导系统机制
由于个体学习者基本上是基于资源的自主学习，在教学上的有效组织主要体现在学习资源的组织、传递和共享上，良好的资源组织和个性化资源服务是学习个体最强烈的需求。为了支持个体的自主学习，辅助教学研究十分强调“授导”。“授”即系统地对教学内容的组织和传播，通常反映为学习目标制定、学习材料序列化、学习路径引导以及学习结果评价等方面；而“导”则侧重对学生的具体学习过程提供针对性的学习支持。
2.1网络智能授导的技术实现
网络辅助教学平台设计者们一直致力于智能授导机制的理论研究和实现，不仅在理论上提出很多模型和设想，而且实践上也有所突破，特别是可以借助计算机网络技术和人工智能技术构建一个更有针对性的、更智能的信息空间，为学习者提供个性化的学习支持。通过调研，网络辅助教学中智能授导的研发技术路线主要是模拟课堂面授的路线、人工智能的技术路线和网络协同进化的路线。
2.2本体的智能授导机制
根据Brusilovsky提出的关于虚拟校园环境的部件理论知道，当前分布式虚拟环境支撑的网络教学平台大多是围绕内容部件、行为部件、通信部件、管理部件来提供学习者本体的智能授导应用功能。
1）内容部件是辅助教学系统的核心，多由构成课程的多媒体教学材料组成。运用静态超媒体比较容易实现，以一种同有的结构和形式呈现给学习者同样的教学内容。但是会产生由适应性内容所呈现的各种方法与技术问题，例如：附加解释、前提知识解释、比较性解释、解释变体、信息排序等。其实现需依赖于知识表示与呈现技术，特别是知识建模和知识本体的研究；2）行为部件主要功能是需要学生通过“做”的交互方式来完成的自主学习的过程，表现形式多指学习导航、练习、测试、模拟、实验等。其三个主要应用方向是自适应导航、自适应测试和虚拟实验；3）通信部件在智能授导系统中起到媒介作用，主要是支持学生与教师之间、学生相互之间的交流和沟通的通信工具，支持学习社区的协作学习和协同进化；其3个主要应用方向为)针对交互信息的知识发现、学习者智能互助和群体智慧；4）管理部件主要是支持教学过程中必要的管理职能。如学生管理、课程管理等。
2.3自适应智能授导系统的构建策略
个性化的自适应辅助教学研究已成为现代教学系统应用的一个热点问题，而自适应智能授导系统运用人工智能技术，直接、科学地了解到学习者的个性特点及学习进展情况，灵活调整自身的策略、方案来满足受教育对象的需求。从集成观点出发，自适应智能授导系统首先涉及的是教学理论和思想与计算机技术的交叉。从计算机辅助教学的发展线索出发，网络技术与人工智能方法的应用是计算机辅助教学的必然趋势，但智能授导绝不是在计算机网络通信技术上的简单翻版，其需要进行更为深刻的分析与抽象。总的来看，自适应智能授导系统是一种建立在软件协同基础上的分布式的群体智能，更是一种人机协调的智能。
3结论
伴随着互联网络的日益发展，我们日常的学习与工作越发依赖数字化的资源与服务，智能化与人性化将是数字化教学重要的发展方向。我们选择了自适应智能授导系统作为数字化技术辅助教学研究的一个切入点，依据网络智能授导系统实现的三条技术路线，从理论框架上阐述了教学辅助平台中常见的智能授导机制，利用人工智能中贝叶斯网络的思想来设计学习者模型来实现适应性和个性化的教学，并选择了语义Web下的自适应智能授导系统来实现辅助教学软件的开发。
[1]闵宇锋.浅谈网络教学平台中的智能授导机制[J].科技情报开发与经济，2010.
[2]BrusilovskyP.MILLERP.,CourseDeliverySystemsfortheVirtualUniversity.