教学内容与达成目标设计说明
第二学段是小学中高年级阶段，教学内容包括全部9个模块。考虑这个年龄段的学生逻辑思维能力虽有较大发展，但仍处于具象思维阶段，因此，本学段的教学特点是，尽量用自然语言深入浅出地描述和解释经典的人工智能技术及算法的“道理”，避免采用数学语言来阐述人工智能技术及算法的“技术原理”和“数学方法”。本学段要注重培养学生初步的探究能力，透过现象挖掘本质，为第三、四学段逐步采用抽象数学语言学习人工智能打下基础。下面对各个模块的教学内容与达成目标的设计思路进行阐述，以供教学人员、教材与教具开发人员参考。
（1）人工智能概述模块
在第一学段，学生已经初步了解“智能”的概念以及自然智能的表现和内涵。本学段侧重人工智能技术的实现基础和主要用途。关于“人脑与计算机”部分，应着重对比人脑与计算机在处理各类信息时有哪些不同的表现。例如，“阿尔法狗”为什么能完胜世界围棋冠军？智能扫地机器人为什么经常出现一些“智障”行为？让学生通过耳熟能详的例子讨论计算机处理信息的特点，并引导学生对其背后的原因进行深入的分析讨论。关于“智能化时代”部分，建议重点介绍人类创造的工具和技术如何随着生产力的发展和时代的变迁而不断演变，引导学生观察进入智能化时代后人们的生活方式与生活质量如何与智能技术息息相关。在本学段，学生已经具备了一定的整体观念和逻辑思维能力，可以要求学生在对智能生活场景进行观察分析的基础上，开展充分的畅想和创意设计。例如，分析智能技术如何通过各种家用电器、机器人、手机等设备载体改变现有的生活方式，还存在哪些不尽如人意的地方，可以从哪些方面改进，建议引导学生采用图文形式给出设计方案。
（2）智能工具与社会伦理模块
本模块包括两个知识点。关于“智能工具的功能与应用场景”知识点，本学段的教学内容建议聚焦于图像识别和语音识别产品及应用场景。因为这两类智能产品目前应用范围最广，也最成功，生活环境与兴趣爱好不同的学生都容易找到自己感兴趣的应用场景。例如，图像识别应用场景中的人脸支付、自动阅卷、拍花识别、车牌识别、医学影像识别，语音识别中的翻译机、智能客服、语音输入法等，这类应用在生活中比较常见，在大量的网络信息中也常看到。学生可以通过对智能产品及其应用场景的观察、描述，加强对智能的认识，这也为学习后面的机器感知、机器认知和机器学习模块奠定了基础。
关于“AI与社会伦理”知识点，本学段学生需要了解：AI系统虽然是机器系统，但并不代表客观无偏。教学重点是观察和了解AI系统进行决策时存在的偏见现象，例如新闻推送的偏好选择，聊天机器人出现的语言偏见、性别偏见等，从而为设计更好的AI系统找到改进方向。
（3）机器感知模块
在第一学段，学生已经初步了解了“感”与“知”的概念，对人体的感觉器官和作用有了一定了解，对生活中的传感器也有了一定认知。在此基础上，本学段的重点有3个：一是了解人体的感觉机制和感觉系统，通过对比了解机器感知系统的组成，建立“系统”的概念；二是对传感器的定义和实体加深认知；三是对机器感知的应用（如机器视觉和机器听觉）有进一步的认识。在知识点的安排上，首先从系统的角度了解人体的感觉机制和感觉系统，通过与人体感觉系统进行类比，引导学生思考建立机器感知系统应考虑哪些组成要素。通过了解各种感觉传递信息的占比，以及人类个体的信息处理偏好，初步探索设计一个机器感知系统时如何对传感信息进行利用。例如，分析“端茶送水”服务机器人的感知系统应该装有哪些传感器，机器人在完成任务的过程中如何综合利用多种传感信息进行动作规划。在学习知识点“机器感知系统”的过程中，重点了解常用传感器的基本知识。从第一学段对传感器作用的初步认知，到本学段学习传感器的定义，认识传感器实体，特别需要了解与人体的眼、耳、鼻、舌、皮肤5种感觉器官相对应的视觉传感器、听觉传感器、嗅觉传感器、味觉传感器和触觉传感器的基本用途和工作过程，了解仅记录传感器的信息是“感”而不是“感知”，加入识别等功能才使得机器具有一定的“知”能力，并初步了解多传感器信息融合在机器感知中的重要意义。在知识点“机器感知应用”中，重点要让学生了解机器视觉和机器听觉的基本概念和基本任务，了解图像在计算机中的存储方式，以及机器视觉与机器听觉如何突破了人类的视听局限。此外，建议酌情介绍温度、压力、超声波等常用传感器的基本功能和应用。
（4）机器认知模块
在机器认知模块中主要学习模式识别的基本知识。模式识别包括特征抽取、分类和聚类等核心内容，而特征是识别不同事物的基础。本学段在第一学段的基础上，开始引入一些相对抽象的概念，例如模式、模式匹配、分类等。学习的重点在于逐步建立模式识别的概念和了解基本流程：信息获取（传感器）→特征提取（信息处理）→判断（模式识别）。由于涉及的概念比较抽象，因此在教学中应选择学生熟悉的具体事物的模式识别与分类过程帮助学生理解。例如，给定水果的等级标准，根据水果的大小、色泽等特征判断其等级（分类）。
“识别的层次结构”这一知识点仍以语音识别和图像识别为切入点。关于语音识别，学生通过第一学段的学习已经了解了什么是音素和音节，本学段则需了解“从声音到字”。可以通过软件录制不同的学生读同一字的声音波形，或者同一学生读不同字的声音波形，让学生通过观察这些声音波形了解不同的波形与候选字之间存在着一定的对应关系。关于图像识别，学生通过第一学段的学习已经了解了前景和背景的概念，而本学段的图像更为复杂，例如图像中的物体可能存在遮挡或缺损等情况，这就需要模式识别技术具有一定的“联想”能力。这部分内容的学习重点在于，学生在体验语音识别和图像识别技术时，要引导他们思考科技工作者如何解决问题，例如，如何使声音波形与候选字一一对应，如何解决图像识别中的遮挡或缺损问题，等等。
（5）机器学习模块
在第一学段，学生已经通过一些具体的实例对“学习”的概念和过程有了一定了解，本学段将逐渐引入一些抽象的概念，为构建机器学习的模型奠定基础。在“人类学习与机器学习”这一知识点中，强调人类大脑之所以能够学习，其根本原因在于大脑的神经元连接是可塑的。因此，建立一种具有学习能力的机器模型，其关键在于模型中的参数能够随着学习内容的变化和学习时间的增加而发生改变。建立机器学习模型的参数会根据学习内容不断调整是本学段要实现的主要教学目标。为了深化学生对学习过程和功能的理解，引入认知心理学家和人工智能学者西蒙对学习的定义，目的是通过学习的要素来分析实现学习功能和过程应具备的条件。
后续的5个知识点包括机器学习的环境（数据），机器学习方法，机器学习模型与算法，机器学习模型训练、预测与评估，机器学习应用。关于“机器学习的环境（数据）”，学生在第一学段中接触的是用图片、语音等具象数据构成的学习样本集。本学段将引入表格数据来表示学习样本，并以分类问题为例帮助学生理解学习样本集中的数据特征和标签，并使其能够按照一定格式建立样本数据集。鉴于学生在本学段已经具有一定的逻辑思维能力，因此要分析数据质量这一学习环境因素对学习效果的影响，了解合适的数据集应具备哪些特性。关于“机器学习方法”这一知识点，学生已经在第一学段学习了最常见的监督学习概念，这是一种有正确答案的学习过程，而现实中还存在大量只有奖惩结果的学习——强化学习。通过了解强化学习的特点，学生可以认识到人类正是通过不断的尝试和纠错来改善自身行为的。人类的学习是通过大脑来完成的，而机器的学习则是通过各种学习模型完成的。这些模型的“学习”过程是：根据某种学习算法对样本集的数据进行反复训练，从而自动发现输入样本的数据与对应标签之间的内在关系，并通过不断调整模型的参数来对模型进行优化。在“机器学习模型与算法”知识点中，要引导学生建立这样的概念：机器的学习是通过反复训练实现的，机器通过训练学到的“知识”就是输入数据与对应标签之间隐含的内在关系。由于这一学段的学生尚未建立函数的概念，因此选择“决策树”这一形象直观的算法模型来解释机器的学习过程。决策树将一系列的分层判断按照树的形式进行组织，难点和重点在于了解决策树中节点的含义以及其与特征数据中模式的关系。“机器学习模型训练、预测与评估”这一知识点涉及如何利用构建好的学习模型对未知的输入样本（即没有标注标签的样本）进行输出预测，这里简单了解实现机器学习模型的过程，即模型建立、模型训练和模型预测，能够在给定模型的基础上，调用已有的学习算法和训练集来训练模型（无须了解学习算法细节，只需了解训练的概念和作用），并用测试集测试模型的性能。教师应引导学生观察模型预测的效果，通过预测效果分析模型存在的问题，并提出改进的设想或方向。对于“机器学习应用”知识点，应通过具体的应用场景和应用案例分析加深学生对机器学习目标和过程的认知。例如，手机的人脸解锁和指纹解锁都有一个设置过程，这就是一个学习样例的过程。再如，语音交互系统需要提前对大量语料进行学习，下棋软件需学习大量棋谱，等等。
（6）人工神经网络模块
本模块首先介绍神经元的结构、连接方式以及生物神经网络的构成。学生须认识到，神经网络对信息的分布式存储和并行式处理方式使得大脑具有较强的容错性，部分神经元的损坏不会对大脑的功能造成影响。同样，在人工神经网络模型中适当地去除部分神经元也是可以接受的。对于“人工神经网络模型基础”知识点，学生在了解单个生物神经元结构和功能的基础上，需理解人工神经元的图解模型以及用语言描述的M-P模型，知道输入、输出、净输入、阈值等术语。在采用阈值型转移函数的单个神经元模型中，主要运算是加减乘、比较运算和分段输出，因此适合该年龄阶段学生学习。学习重点是通过对单个神经元结构和功能以及简单的输入与输出计算的学习，了解人工神经网络作为一种模型，能够对输入的信息进行处理。该计算的实现可放在某个具体应用场景下进行，例如单输入单输出应用场景〔根据电影评分（输入）判断是否去观影（输出）〕、多输入单输出应用场景〔根据天气情况（以气温、湿度、风力等作为输入）判断是否出游（输出）〕。
（7）知识表示与推理模块
知识是人类在实践中认识客观世界（包括人类自身）的成果，也是构成人类智慧的基础，包括各领域各行业的事实、概念、规则或原则等。人造的智能系统除了需要具有感知、认知和学习能力外，也需要知识来为它赋能。知识的类型包括多种形式，例如概念性知识、事实性知识、程序性知识等，不同类型的知识其掌握方法也不尽相同。对知识进行恰当的组织和表示有助于人们掌握知识，例如符号、框图、思维导图等都是知识组织的形式。同样，对于人造系统，也需要对知识进行表示，进而才能实现推理。本学段首先了解人工智能领域知识的基本概念和常用表达方式。在“知识概述”知识点中，让学生对生活中经常遇到的知识有一个感性认识，初步建立知识的概念。在“知识的分类”知识点中，引导学生通过收集生活学习中不同知识类别来了解知识的多样性以及不同知识的特点，例如事实性知识、概念性知识和程序性知识。正如人类在语言表达、肢体表达方面有许多约定俗成的规则，知识的表达也需要遵守某些规则。此外，知识存储于人脑中和书本上，若能被计算机使用，必须首先在计算机中存储和表示。为了达到这一目标，需要对知识的结构化表示有一定了解，这就是“知识表示”知识点中需要学习的内容，建议发挥学生创造力，参考已有规则，自行设计规则对知识进行表示。学习的目的不仅是了解现有的规则，更需建立如下意识，即建立人造知识系统时需要对知识进行一定的规则化表达。
（8）群体智能与进化智能模块
第一学段侧重观察现象，了解生物群体的智能表现。本学段则从细节上观察生物的群体智能，包括个体的行为、个体之间的交互，可通过软件平台如Net Logo等观察个体行为和通信行为改变时对群体智能行为的影响。人工智能领域涉及的群体智能是通过借鉴生物群体中的个体行为规则而实现的，目的是解决无法建立数学模型的复杂优化问题。因此，本学段的学习要初步建立优化的概念，引导学生列举生活中遇到的优化问题，以及结合数学课中的相关内容认识简单优化问题的数学模型。例如，对于给定的目的地如何选择出行路线最节省时间，对于给定的团队任务如何分工效率最高，等等。由于本学段学生尚未建立函数的概念，因此不对优化算法进行数学描述，只需初步了解优化的概念、优化的目标，以及影响优化目标的因素。关于对群体智能算法的学习，建议以“蚁群算法”为例进行分析讲解。首先了解蚁群觅食的过程，引导学生思考蚂蚁个体行为和通信方式在觅食过程中的作用，以及对我们有哪些启发，然后，通过实验平台了解蚁群算法的优化过程，特别是观察参数变化对优化的影响。
（9）人机交互模块
首先要引导学生认识到，人与人之间的沟通、交流和理解往往是语言、语气、表情、肢体动作的综合作用，这正是人机交互的难点所在。此外，要介绍人机交互的基本概念、人机交互的定义、“人”与“机”的范畴，以及“交互”的含义。建议通过各种实践活动体验人机交互的方式，分析智能手机、智能家电等产品在人机交互时的优点和缺点。