教学内容与达成目标设计说明
初中阶段（第三学段）包括全部9个模块。随着初中阶段学生逻辑思维与抽象思维能力的发展，本学段安排的学习内容逐步采用数学语言来阐述和表达人工智能的原理和方法，这也是实现人工智能的重要基础。涉及的主要数学知识包括平面直角坐标系、一次函数、方程等。本学段要引导学生进一步深入了解人工智能的核心技术及应用，提升学生的人工智能科技素养。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
人工智能概述模块首先强调人脑与计算机在信息处理方面的区别与类同之处。通过对两者信息处理能力的对比，指出现有计算机处理信息的优势与短板以及可能的智能化发展方向。其次引入人工智能的发展简史，使学生了解人工智能学科诞生的历史背景、发展的脉络、主要流派与成果，以及未来的发展方向。通过对人工智能三大流派的特点进行分析比较，引导学生思考未来人工智能的发展方向。
（2）智能工具与社会伦理模块
本模块从历史与生产力发展的视角阐述人类发明工具的演变过程（建议与初中历史课相关内容相结合），旨在使学生理解人类制造的工具随着生产力的发展而不断升级换代的发展规律。在能力与素养层面，本学段要引导学生对智能工具的应用场景进行创意设计，在设计时需考虑这些智能工具在进行决策时是否存在偏见，如何在设计中消除这些偏见。例如，在浏览新闻、收听网络音乐时是否存在同质性，在筛选简历时是否存在某种歧视。教师可以通过案例引导学生思考产生这些问题的原因，在智能系统设计中应做哪些方面的考虑。
（3）机器感知模块
前两个学段学生已经接触并了解了多种常用传感器。在此基础上，在机器感知模块首先学习信号的形式、采集、存储和转换，包括模拟信号、数字信号以及数模/模数转换器的用途。本学段的学生无须掌握信号的转换原理，但要了解从传感器到信号处理器（计算机）的信息传递过程。以上是“机器感知系统”知识点的内容。关于“机器感知应用”知识点，仍延续前两个学段的侧重点，聚焦于机器视觉和机器听觉。本学段将重点放在机器感知系统的内部，了解机器如何对视觉和听觉信号进行处理。在机器视觉方面，学生应了解视觉感知的应用有哪些（如人脸识别、水果分类、图片识别等），并能够使用相关软件对图像进行增强、复原、编码和压缩等预处理；在机器听觉方面，学生应了解听觉感知的任务有哪些（如说话人识别、语音识别），并能够对声音信号进行采样、量化和编码等预处理。此外，本模块还应介绍几种其他类型的常用传感器，如陀螺仪传感器、加速度传感器以及多传感器融合等，从而拓展学生在传感器类型、基本原理及应用方面的知识。上述内容的学习均从系统的外部功能延伸至系统的内部工作过程，与小学阶段的学习内容相比更加深入。
（4）机器认知模块
在机器认知模块开始尝试用数学语言来描述相关概念和方法，以便于之后用Python等语言编程实现。特征提取和特征表示在前两个学段都采用自然语言描述，而学生在初中阶段的数学思维能力已经可以支持在相关内容的教学中采用数学语言描述抽象的概念。例如，特征向量的数学表示及其在二维或三维空间中的几何意义等；再如，通过二维或三维空间中线性分类和线性可分的几何意义理解分类的概念及分类算法。本模块首次接触聚类的概念，学生应能够说明分类问题和聚类问题的主要特点，以及两者的训练样本集有何异同。关于“识别的层次结构”部分，在延续前两个学段内容的基础上进行更深层次的探索。例如，在语音识别层次结构中，第一学段结合拼音引入了音素的概念，第二学段建立了声音波形与候选字之间的联系，第三学段则要了解从候选字到词的确定。学生将逐渐认识到，字与词是由更高级别的词与词的关系或者上下文来确定的。在图像识别层次结构中，第一学段学生已经建立了前景和背景的概念，第二学段已了解到图像中的待识别物体会出现遮挡或缺损，并学习了图像在计算机中存储和表示的方式，第三学段则要涉及通过图像的边缘检测识别出物体的轮廓，为进一步进行物体分类奠定基础。
（5）机器学习模块
机器学习模块的内容在第三学段的比例明显增加。学生在前两个学段的学习中已经初步建立了数据集的概念以及基本的机器学习流程，本学段将更系统地了解机器学习的完整流程。在“人类学习与机器学习”知识点中给出机器学习的基本含义和主要研究内容。在“机器学习系统的构成”知识点中了解机器学习系统的功能和组成框架以及对各个组成要素的要求，从而建立起较为完整的系统观念。在“机器学习的环境（数据）”知识点中，需要逐渐熟悉以表格形式存储的数据集，包括如何表示样本、特征和标签，为什么要对数据进行量化编码，如何构建复杂数据集和大数据集。学生将从了解简单数据集过渡到了解真实应用中的数据集。在“机器学习方法”知识点中，鉴于学生思辨能力的增强，可对监督学习和强化学习从学习过程及反馈信号方面进行更加深入的比较，从而加强对两种学习算法的理解。此外，还应介绍用于解决聚类等问题的无监督学习方法，要明确其样本数据及算法原理与监督学习的本质区别。“机器学习模型与算法”知识点涉及人工智能的重点和难点——学习算法。学生应重点了解的知识是：机器学习过程包括训练和工作两个阶段。在机器学习模型部分，建议重点学习线性回归模型和决策树模型，了解两种模型中参数的意义，并对决策树学习算法的基本思想有所了解。在“机器学习模型训练、预测与评估”知识点中，阐述一个完整的机器学习过程和步骤。建议这部分内容，结合之后学习的人工神经网络模块，通过软件平台开展综合实践环节，重点是对机器学习过程和步骤有整体认识，包括数据集与模型训练、预测及评估，理解模型参数的意义以及调整过程。在“机器学习应用”知识点中，建议以图像识别、语音识别和自然语言处理为例，以软件平台或者编程的方式进行完整流程的实践活动。通过开展恰当的实践活动，使学生逐渐熟悉生活中常用的有自学习能力的智能产品，从体验其功能到基本理解其如何工作。本学段的学习不再只是停留在体验与观察阶段，要充分激发学生的好奇心，鼓励学生对常见智能产品的工作原理进行积极探究，并借助软件平台尝试亲自设计实现。
（6）人工神经网络模块
本学段用数学语言对人工神经元模型进行描述，要求学生能够手工计算简单人工神经网络模型的参数与网络输出，深化学生对人工神经网络工作原理和过程的认知。首先从生物神经元出发，对其信息处理机制进行详细阐述，旨在为学生理解人工神经网络信息处理方式奠定生物学基础。然后根据M-P模型关于神经元工作机理的6点假设建立人工神经元模型，并由单个神经元模型拓展到由多个神经元连接构成的人工神经网络模型，重点学习阈值型单层神经网络的结构、功能、权值参数与数据模式之间的关系。学习的难点是理解权值参数的调整对网络性能的影响。建议将该模块的相关内容与机器学习模块的相关内容结合起来开展综合实践活动。
（7）知识表示与推理模块
本模块介绍几种广泛应用的知识表示与推理方法。知识表示的目的是便于利用计算机进行存储和处理。其中一阶谓词逻辑表示法重点了解知识的谓词逻辑表示、谓词公式的定义和要素，能够运用谓词公式表达知识。而产生式规则表示法要重点了解基本形式和特点，了解用三元组表示知识的方法。在“知识推理”知识点中，阐述知识推理系统的核心模块（推理机、规则库和数据库），以及各模块的作用。要求学生理解正向推理和反向推理的基本思路与推理过程，了解混合推理的基本思路。
（8）群体智能与进化智能模块
第一学段侧重观察群体智能现象，第二学段逐步了解优化问题和典型群体智能算法——蚁群算法——的工作过程。本学段一方面进一步加强对优化问题和群体优化算法的认知，另一方面结合生物学知识了解进化智能。在“优化问题”知识点中，引导学生从生活经验中总结归纳出哪些问题是函数优化问题，哪些是组合优化问题，并学会用优化目标、解和约束条件这3个要素来描述优化问题。在此基础上，建议采用讨论、实践活动等方式开展优化方法的学习，可引导学生思考如何解决诸如利润最大、用料最省、效率最高等优化问题。通过学习梯度法、枚举法以及随机优化法等常规寻优方法的基本思路，了解各种方法的特点、应用范围和局限性，了解传统寻优方法和群体智能优化方法的联系和区别。建议设置小组讨论环节，给定群体优化的情境，体验多轮方案优化迭代过程与结果，帮助学生在实践中了解群体优化的思想。本模块以蚁群为例，介绍最常用的群体智能算法之一——蚁群算法，包括蚁群觅食活动对蚁群算法的启发，以及种群多样性、觅食结果的正反馈、最优解和次优解等概念，重点是逐步建立起算法与优化问题之间的联系，了解算法参数的含义，并能够利用软件平台根据实际问题设计和调节参数，从而改善算法的性能并解决实际问题。在对算法及其特点认识的基础上，了解算法的应用实例。另外，可以了解基于群体智能思想的多智能体系统，并可以无人机群为例进行说明。关于“遗传算法”知识点，建议结合生物学的相关知识进行学习，在观察生物进化现象的基础上，分析适者生存、自然选择、基因遗传等进化规则给人们解决复杂优化问题带来的启发，进而了解遗传算法的基本原理。学习中的难点有二：一是建立算法与优化问题之间的联系，包括建立问题解与遗传算法染色体编码的对应关系，以及优化问题目标函数与遗传算法适应度之间的联系；二是算法本身各种操作算子的作用和实现原理，包括种群和个体的概念，选择、交叉和变异操作算子的作用。建议通过一个简单算例演示遗传算法的寻优过程来加强学生对遗传算法的理解。
（9）人机交互模块
首先了解人机交互技术的发展历史，使学生体会不同阶段人机交互的特点和存在的问题，以及人们为解决这些问题而做出的努力；重点了解当前人机交互正处于多通道、多媒体的智能人机交互阶段，触觉交互、眼动交互、语音交互、动作交互等多种交互方式正呈现出百花齐放的局面；了解人机自然交互的核心理念。自然语言处理是人机交互中的重要概念之一，也是实现人机交互的难点及多项交互技术的核心，本学段介绍其基本概念和工作过程，对于其应用，建议结合机器学习模块相关内容开展综合实践活动。“语音交互”知识点的内容与机器学习中的语音识别有关，但侧重点不同，重点在于语音交互目前能够达到的水平以及交互中的优势和劣势，适用于哪些场景等。语音交互的未来这部分知识应随着新技术的发展而不断更新教学内容，目的是拓展学生的知识面。建议本学段指导学生用Python等编程语言建立简单的语音交互智能体，通过实践活动熟悉语音交互的实现流程以及设计中需要考虑的实际问题等。