本地算力服務(wù)器支持下的人工智能教學和實踐

中圖分類號：G434文獻標識碼：A論文編號：1674-2117（2025）09-0016-04

教育部辦公廳2024年發(fā)布的《關(guān)于加強中小學人工智能教育的通知》明確提出，要通過人工智能課程培養(yǎng)學生的創(chuàng)新精神與問題解決能力。然而，在中小學推進人工智能實踐教學的過程中，算力匱乏始終是制約課程開展的關(guān)鍵瓶頸。商業(yè)云服務(wù)高昂的成本、外網(wǎng)連接的不確定性以及學生終端性能的局限性，使得許多學校在人工智能實驗教學中只能停留在淺層體驗階段。

為突破這一瓶頸，筆者設(shè)計了一套基于算力支持的單元課程，幫助學生理解人工智能技術(shù)的核心原理和應(yīng)用邏輯。下面，筆者以單元的最后一課《Embedding和文本分類》為例，辨析本地算力服務(wù)器在中小學人工智能課堂中的價值與意義。

核心內(nèi)容設(shè)計：讓計算機讀懂文字

人類通過字詞的排列組合理解語義，而計算機同樣需要用各種算法提取出文字特征來理解文本。早期人們通過統(tǒng)計詞頻來分析文本的特征，現(xiàn)在常用詞嵌入技術(shù)，其流程是先將字詞轉(zhuǎn)換為多個數(shù)值的列表（數(shù)學上的向量）（如下頁圖1），在經(jīng)過深度學習模型訓練后，語義相近的詞數(shù)值也更加相近。

以常見的詞嵌入模型為例，訓練一個包含10萬詞匯的Word2Vec模型需要進行數(shù)百萬次矩陣運算；而基于Transformer架構(gòu)的現(xiàn)代語言模型（如GPT-3等），其參數(shù)規(guī)模已達1750億（175B）甚至更大，也需要將字詞從文本轉(zhuǎn)為數(shù)字向量，再判斷可能的輸出詞，其單次推理就需要調(diào)用數(shù)以億計的參數(shù)。這些計算任務(wù)遠超普通教學終端的處理能力，因此，強大的算力支持變得至關(guān)重要，只有具備足夠的計算能力，才能讓計算機快速處理海量文本數(shù)據(jù)，真正實現(xiàn)從“能讀”到“會懂'的跨越。

本課是“人工智能跨學科項目入門”單元的總結(jié)課，本單元涵蓋機器學習基礎(chǔ)、感知機、神經(jīng)網(wǎng)絡(luò)等核心概念（如圖2），并通過實踐項目幫助學生設(shè)計解決實際問題的智能應(yīng)用。

學生已具備一定的機器學習知識，熟悉詞嵌入和向量比較原理，但尚未將文本向量化與分類模型訓練結(jié)合。學生熟悉OpenHydra平臺和Jupyter編輯器，可完成復雜模型訓練任務(wù)并分析報錯原因。

基于以上考慮，確認本課教學目標如下。

信息意識：培養(yǎng)對人工智能技術(shù)的敏感性和認知能力，理解詞嵌入和文本分類的技術(shù)原理及其在實際問題中的應(yīng)用價值。

計算思維：通過調(diào)用預(yù)訓練模型和優(yōu)化本地數(shù)據(jù)集，培養(yǎng)分析問題、設(shè)計算法、優(yōu)化模型的能力，提升邏輯推理和問題解決能力。

數(shù)字化學習與創(chuàng)新：借助本地算力平臺和編程環(huán)境，能夠高效完成文本分類任務(wù)，自主探索機器學習算法，培養(yǎng)技術(shù)實踐能力和創(chuàng)新能力。

信息社會責任：通過解決校園管理中的實際問題，理解人工智能技術(shù)的社會意義，培養(yǎng)技術(shù)倫理意識和社會責任感。

硬件配置與本地算力教學平臺

針對上述問題，筆者所在學?？苿?chuàng)團隊采購了算力服務(wù)器，在其基礎(chǔ)上部署了校本算力管理平臺，不僅解決了算力匱乏的問題，還極大地提升了教學效率。

1.硬件

算力服務(wù)器專為處理復雜的計算任務(wù)而設(shè)計，它通常配備高性能的GPU（圖形處理單元），如筆者所在學校配置的算力服務(wù)器配有兩張TeslaT4顯卡，擁有32GB顯存，這些GPU能夠加速深度學習和機器學習算法的訓練過程，使學生能夠在短時間內(nèi)完成復雜的計算任務(wù)。服務(wù)器操作系統(tǒng)一般選擇Linux系統(tǒng)，也有配備Windows系統(tǒng)的工作站可供選擇，適合初學者和對特定軟件有需求的用戶。

在預(yù)算范圍方面，根據(jù)市場調(diào)研和實際需求，中小學校部署一套能滿足課堂深度學習教學的本地算力服務(wù)器的預(yù)算通常在2萬元至5萬元之間。

2.OpenHydra平臺的優(yōu)勢

在擁有硬件后，還需安裝特定軟件以實現(xiàn)算力分割功能，才能支持多個小組同時開展人工智能實驗。算力分割允許多個用戶或任務(wù)共享同一物理計算資源，而不會相互干擾，每個虛擬計算單元可以獨立運行不同計算任務(wù)，實現(xiàn)資源高效利用和任務(wù)并行處理。平臺中教師管理頁面如圖3所示。

除算力分割功能外，平臺還支持常規(guī)教學模塊與課程資源模塊。學生可以在瀏覽器中訪問平臺，點擊創(chuàng)建容器開始實驗（如圖4）。每個賬號擁有獨立的編程環(huán)境與文件目錄，也可為多人小組分配同一個賬號進行協(xié)作實驗。

在傳統(tǒng)教學模式下，教師需在不同設(shè)備上配置實驗環(huán)境，耗時費力且容易出現(xiàn)兼容問題，而容器化技術(shù)實現(xiàn)了“一次配置，多次使用”，顯著提升了教學效率。

教學過程與活動設(shè)計

1.課題導入與情境創(chuàng)設(shè)

課堂伊始，教師通過校園管理中的真實場景導人：校長信箱每月收到數(shù)百條學生反饋，涵蓋食堂、課程、宿舍等多個領(lǐng)域。接著，提出問題“如何讓計算機自動理解這些文本并精準分類”，通過課前收集的待分類數(shù)據(jù)集，讓學生直觀感受文本分類技術(shù)的應(yīng)用價值。

2.預(yù)訓練模型調(diào)用

（1）詞嵌入原理講解

教師先通過動畫演示詞嵌入原理，結(jié)合物理中向量運算類比解釋語義運算（如\"國王-男人+女人≈ 女王\"），讓學生體驗向量運算的邏輯，再使用可視化工具展示字詞之間的相關(guān)性，幫助學生理解語義相近的詞在向量空間中的位置關(guān)系。

在隨后的實踐活動中，學生通過調(diào)用互聯(lián)網(wǎng)上的預(yù)訓練模型，對校長信箱文本數(shù)據(jù)進行向量化與文本分類，學生能夠在文件目錄中看到簡單分類后的結(jié)果（如下頁圖5）。

在這一過程中，本地算力服務(wù)器發(fā)揮了關(guān)鍵作用：上百條文本的向量化過程原本需要數(shù)十分鐘，如今在學生的瀏覽器上僅需數(shù)秒即可完成，讓學生能夠?qū)崟r觀察到運算

多層感知機（MLP）和 1sec.ago 鑫尾花數(shù)集因其樣本。在中、斷、分類問題eML單，一了多入門級機器學習數(shù)圓基于果物的K近鄰分類.ipy.. 1 sec. ago 尾花的三個品種進行識別，驗證多層感知機（MLP）的分類性能。圓樸素貝葉斯和天氣預(yù)報.p.. 1 sec. ago圓支持向量機（SVM）和手. 1 sec. ago 1）實驗資源·data/iris.csv2）實驗?zāi)康摹ねㄟ^自主探究，可以理解多層感知機的基本原理，知道多層感知機可以運用鳶尾花分類任務(wù)：·通過使用BaseML搭建多層感知機分類器，掌握搭建多層感知機分類器的基礎(chǔ)代碼：·通過對模型參數(shù)的調(diào)整，能夠解釋重點參數(shù)的含義以及對于模型效果的作用。3）實驗內(nèi)容0實驗一：使用多層感知機搭建并訓練鳶尾花分類模型 寸SimpleO 01 Python 3 （ipykernel） ↓ ldle Mode： Command Ln1，Col1多層感知機（MLP）和尾花分類.ipynb1

（2）實踐操作

結(jié)果結(jié)果。

3.模型的二次優(yōu)化

雖然通過調(diào)用現(xiàn)成模型能夠獲取分類結(jié)果，但仍存在分類錯誤的問題。如“一鳴”便利店實際開設(shè)位置在食堂附近，但對于互聯(lián)網(wǎng)上的模型，詞庫中并不存在該建筑的地理位置信息，有關(guān)“一鳴”的建議就被隨機分到了“食堂”“寢室”等任意分類方向，此時就需要手動標注數(shù)據(jù)，生成一個本地化的數(shù)據(jù)集。

經(jīng)過了“自動生成類別”的操作，再對上圖中的標簽進行微調(diào)，之后就可以將數(shù)據(jù)投入機器學習模型，讓其再次分類（如圖6），得到一個更加準確的機器學習模型。

為了讓學生快速回憶起機器學習的相關(guān)訓練流程，教師在公共課程文件夾中提供了“常見機器學習分類方法及其程序?qū)崿F(xiàn)”的資源，每個程序文件中都包含了完整的算法講解與實際情境。資源目錄如下： ① 多層感知機（MLP）和鳶尾花分類； ② 基于果物的K近鄰分類；③ 樸素貝葉斯和天氣預(yù)報； ④ 支持向量機（SVM）和手勢分類（關(guān)鍵點檢測）。

學生兩人一小組，每組自行選擇一種機器學習方法進行學習，在學習完簡單案例后，替換代碼與數(shù)據(jù)集，用機器學習的算法完成文本數(shù)據(jù)的分類。

4.展示分享

在課堂最后，在教師提供的資源支架下，大部分小組能訓練出一個機器學習模型，在程序中看到新模型的分類效果。教師邀請部分小組展示分類模型應(yīng)用情況，分享模型優(yōu)化策略。

課后反思：中 小學人工智能教學的 算力困境與突破

算力是人工智能教育的底層支撐，但中小學校長期面臨算力匱乏的困境。筆者曾嘗試使用云端平臺進行模型訓練，但由于并發(fā)限制和網(wǎng)絡(luò)波動，學生經(jīng)常無法完成實驗。這種“時斷時續(xù)”的教學體驗嚴重限制了課程開展的深度與廣度。

本地算力支持下的課堂教學能高效訓練模型，在結(jié)合適當?shù)乃懔芾砥脚_后，還能擁有如下優(yōu)勢：教師統(tǒng)一分發(fā)賬號，免去注冊與登錄流程，保障學生學習文件歸屬與連續(xù)性；虛擬助教提供個性化指導；豐富的公共課程與數(shù)據(jù)集助力學生自主學習跨學科內(nèi)容。

許多中小學教師對算力部署存在顧慮，認為其部署流程復雜且成本高昂。然而，實踐證明，本地算力服務(wù)器的部署并不復雜（購置設(shè)備后安裝操作系統(tǒng)），成本也在可承受范圍內(nèi)。通過算力支持，學生能夠深入?yún)⑴c模型訓練和算法優(yōu)化，真正實現(xiàn)從“體驗”到“實踐”的轉(zhuǎn)變。算力不僅是技術(shù)支撐，更是解決人工智能課堂教學“淺層化、表面化”難題的利器，助力青少年在基礎(chǔ)教育階段了解“數(shù)據(jù)收集一模型訓練一模型部署”的人工智能應(yīng)用邏輯。