教学内容与达成目标设计说明
第四学段是高中阶段或同等学历阶段，教学内容包括9个模块。与第三学段相比，本学段对学生的系统观、抽象层次、辩证思维能力的要求都有所提高。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
先从系统的角度分析自然智能系统的组成、系统所包含的要素、系统运行的基本原理，从而明确人工智能系统应该包括哪些要素、环节以及系统的工作过程。关于“人脑与计算机”知识点，上一学段介绍了人脑和计算机在信息处理方面的区别与相似之处，本学段介绍关于脑机结合方面的知识和一些应用成果。“智能化时代”知识点阐述世界人工智能技术和产品的发展水平与趋势，以及我国人工智能发展的战略目标，帮助学生更好地适应智能化时代的工作、生活，增强他们的人工智能科技素养与职业竞争力。
（2）智能工具与社会伦理模块
“智能工具的功能与应用场景”部分要求学生能够理解应用场景中智能化技术的工作过程，知道各种技术在场景中发挥的作用，例如识别、分析、决策等，并能够综合多种智能化技术设计场景应用。在学习过程中，一方面要鼓励学生充分利用各类智能工具提高学习效率，提升生活质量，充分享受人工智能技术为人们带来的种种便利；另一方面要注意引导学生思考智能工具给人类社会带来的正面与负面影响，了解一些国家或组织提出的AI伦理准则，通过对现有智能工具的利弊分析，引起学生关于人工智能伦理层面的思考。这也是“AI系统设计中的伦理道德”部分所要求的内容。以上开放式课题可结合道德与法治等课程进行思考。
（3）机器感知模块
机器感知模块的学习内容包括两个重点：一是从感知的基本原理到实际应用需要考虑哪些技术细节；二是拓宽传感器知识。“机器感知应用”知识点仍聚焦于机器视觉和机器听觉方面，加强学生对视觉传感器和听觉传感器性能和检测范围的认知，帮助学生了解它们的优势和局限性。对于“其他传感器”知识点，建议将激光雷达、全球卫星导航系统、室内定位技术以及多传感器融合技术等常见的高端感知技术的科普知识纳入课程。这些内容有助于学生拓宽视野，丰富知识面，提高科技素养。本部分内容应侧重回答实际应用中出现的问题，例如，机器视觉的分辨率、动态范围是否存在局限，自动驾驶汽车对测距跟踪有何要求，室内和室外对定位的要求有什么不同，等等。在科普原理、技术、方法时，要引导学生思考科技工作是如何针对这些问题提出解决方案的，还有哪些问题是尚未解决的，这种思考对加强创新思维训练和拓展思考的深度和广度大有裨益。
（4）机器认知模块
本学段关于“特征提取和特征表示”知识点的学习可从二维、三维向量空间扩展至N维（N＞3）向量空间。关于“聚类和聚类算法”知识点，建议以“胜者为王”算法为例了解聚类训练的竞争过程与自组织过程，体会聚类中心是同类事物的典型代表，通过相似性度量可实现“物以类聚”。在“识别的层次结构”方面，将完整地了解语音识别和图像识别的层次结构，建议通过类比人类进行识别时的层次结构来理解机器识别的层次结构和方式。人工智能实现的一个重要途径就是对人类（或其他生物）智能的模拟和借鉴，在教学中要引导学生特别注意这一特点；同时，也要了解机器与人接收信息和处理信息的方式存在巨大差别。
（5）机器学习模块
本模块的大部分内容是对第三学段内容的强化和深入。“机器学习的环境（数据）”知识点部分包括数据集的建立、处理与分析。该部分阐述常用的数据集创建方法（如MATTER），以及对数据集的测试、评估和修改过程。另外，学生还应对数据集的获取、标注和存储以及科研人员和企业研发人员常常使用的机器学习数据库有所了解，例如UCI数据库、Kaggle数据库等。其中“数据集处理与分析”部分，由最基本的归一化方法拓展到针对各种实际问题的相对复杂的处理方法，例如缺失数据、小样本、不平衡数据等。此外，还要求学生能够用基本的数据可视化工具对数据进行分析。在“机器学习模型与算法”部分，本学段更加侧重对学习算法的了解，包括线性回归模型的最小二乘算法以及K-均值算法。学习算法时要弱化繁琐艰深的数学推导过程，重点是深入浅出地阐述该算法解决问题的思路，另外还要引导学生反向思考。例如，不同聚类算法（如胜者为王、K-均值聚类）所产生的结果是否不同，结果的不同是否与算法有关，与算法中的哪些部分有关，等等。在“机器学习模型训练与评估”部分，在第三学段相关内容的基础上引入验证集，并要求学生能够针对具体问题进行目标函数和模型参数的设置，在评估方面了解更多的性能指标（可根据具体安排进行取舍）。在“机器学习应用”部分，本学段的内容相对于第三学段，对图像识别和语音识别的实现过程以更加细化和量化的方式进行阐述，并建议引入卷积网络等较新的技术成果。目前，机器学习是人工智能领域的热点，本模块应较多地结合该领域当前最新进展开展教学。
（6）人工神经网络模块
本模块的学习内容包括3个重点：一是了解人工神经网络的分类、特征和功能的全貌；二是了解经典神经网络模型——多层前馈神经网络的结构、学习算法、功能等；三是了解热点研究方向“深度神经网络”的思想和典型模型。首先，根据拓扑结构和信息流向对神经网络进行分类，并对其功能特点和主要用途进行说明，使学生对神经网络模型产生更全面的认识。然后重点介绍多层前馈神经网络，这是一种最常用的、结构相对简单的神经网络模型，重点了解其训练过程和误差反传算法的基本思想。“深度神经网络”部分需了解其与传统神经网络之间的联系和区别，网络深度的增加究竟对神经网络模型的性能和应用方式与范围产生哪些影响，等等。建议对目前应用最广的3种深度神经网络进行科普：卷积神经网络、循环神经网络和对抗生成网络。前两种主要用在监督学习领域，分别在图像识别、语音识别和文字处理中发挥了重要作用；对抗生成网络是近年来无监督学习领域最具前景的方法之一，应用效果也独具特色。深度神经网络和深度学习是目前研究的热点，本学段引入该内容，主要是为了开拓学生的视野，培养学生的创新精神。
（7）知识表示与推理模块
知识表示与推理模块仍然从“表示”和“推理”两个方面展开教学。在“知识表示”部分介绍语义网络的表示方法，这种表示方法更容易从自然语言进行转换，可以深层次地表示知识，便于检索和推理。在“知识推理”部分，介绍更复杂的状态空间搜索策略，该部分内容的教学可以结合第三学段“群体智能与进化智能”模块中的常规寻优方法。例如，盲目搜索包括深度优先搜索和广度优先搜索等搜索策略，可以结合枚举法教学；启发式搜索包括局部择优搜索法（如瞎子爬山法）和最好优先搜索法（如有序搜索法）等搜索策略，可以结合梯度法教学。建议教学时结合具体实例进行讲解。知识图谱是人工智能领域近年来的一个研究热点，目前许多智能产品中都嵌入了知识图谱，例如搜索引擎、会写诗作画的虚拟学生、自适应AI教育系统等。建议将知识图谱纳入本模块的教学内容，学生只需初步了解其基本概念、构成要素和关键技术即可。
（8）群体智能与进化智能模块
本模块应进一步加强对优化问题的认知，了解蜂群算法等常用群体智能算法，并对多智能体系统有所认知。在进化智能方面，建议介绍最常用的遗传算法。关于“优化问题”，学生已经在之前的学段中学习了优化的概念，知道优化目标、最优解或方案等概念。本学段则从数学模型的角度，采用数学语言对函数优化问题和组合优化问题进行描述，这些知识将为编程实现奠定基础。蜂群算法是受蜂群采蜜的启发而发展起来的一种常用的群体智能优化算法，阐述该算法要重点介绍蜂群采蜜过程所反映出来的任务分工、信息交流和协作思想，以及这3点如何在蜂群算法中实现。学生需要进一步了解算法的流程和伪代码，并通过软件平台或程序设计进一步了解参数的含义和其对寻优结果的影响，加强对算法思想和实现流程的认识。另外，还可以介绍一些其他群体智能算法，如鱼群算法、鸟群算法和狼群算法等，通过类比可以加强学生对群体智能思想的认知。在教学过程中须重点把握以下方面的不同点和共通性：个体编码、个体行为、交互行为和评价函数等。注意讲清这些算法的基本思路即可，能够在不同中发现相似点，在相似中区分不同。遗传算法是一种经典的进化计算方法，学生在生物学课程中已经学习过关于进化论和基因学的知识，可以引导学生从这些知识中获得启发，并根据这些启发尝试给出遗传算法的实现流程，包括个体的编码方式、个体的选择、交叉和变异操作。建议以二进制的编码为例为学生做出示范，了解遗传算法的核心过程。此外，可了解遗传算法如何解决实际问题，即实际优化问题的求解如何转化为优化算法的迭代过程。
（9）人机交互模块
在人机交互模块中重点介绍自然语言处理。语言是人类交流最重要的途径之一，要使得机器能够理解人，需要解决从文本到意图的转换过程，这也是自然语言处理技术的核心和难点。关于“自然语言处理”知识点，首先了解目前自然语言理解的基本实现思路，在此基础上分析并了解AI理解会话意图的难点，并介绍目前比较前沿的基于深度学习的自然语言处理技术的实现过程。关于“情感计算”知识点，首先分析人与人之间的交流方式，通过类比建立机器情感计算的模型，了解机器如何通过面部表情、身体姿态和语言语气进行情感识别。关于“人机交互应用”，重点了解自然语言处理的应用，如机器翻译、问答系统。