王超 庄东晔 于清华

[摘 要] 课程实验作为“人工智能”研究生课程的重要环节，对于深化学生对教学内容的理解和认知，锻炼学生的思维能力，提升学生的实践和编程能力具有重要意义。结合“人工智能”研究生课程实验环节的教学实际，分析实验教学特点和在课程内容覆盖、实验问题设置、实验考核等方面存在的问题，并针对问题提出了对应的解决措施。在课程实验过程中引入大量实践环节培养学生的动手能力，以人工智能案例培养学生的独立思考能力，在课堂内外以研究性方法培养学生的探索意识。

[关键词] 人工智能;实验课程;考核方式

一、概述

随着新一轮人工智能发展高潮的到来，在国家《新一代人工智能发展规划》和教育部《高等学校人工智能创新行动计划》的推动和指导下[1，2]，国内众多高校陆续设立人工智能、机器人等相关专业，开设“人工智能基础”和“机器学习”等本科生课程。部分院校多年前已将“人工智能”作为基础课程并对控制工程、计算机等专业学生授课。此外，按照形成“人工智能+X”的复合专业培养新模式，在研究生学习阶段，众多理工科学生需要通过人工智能相关课程掌握人工智能基础知识和前沿技术，为其在人工智能背景下开展课题研究奠定基础。

在人工智能相关课程的教学及实施中，国内外高校立足教学实际，开展相关实践与探索，取得了一定成效。北京航空航天大学人工智能研究生教学团队针对课程的教学特点和人工智能学科的问题，开展了计算机学科“人工智能”研究生课程的研究性教学实践。在课程中引入大量实践环节培养学生的动手能力，以人工智能案例培养学生的独立思考能力，在课堂内外以研究性方法培养学生的探索意识[3]。加州大学伯克利分校开发了Pac-Man项目用于“人工智能”课程，该实验项目基于Python语言的课程实验项目，实验过程中运用人工智能方法设计Agent来玩吃豆人游戏，针对简单到复杂的Pac-Man环境，分别实现基于搜索、多智能体合作、多智能体对抗、不确定性推理、强化学习的Agent，较好地实现了对“人工智能”相关概念和算法的覆盖，可用于本科生及研究生“人工智能”课程实验环节，并可以根据课程内容的具体安排对实验内容进行灵活剪裁。此外，相关教师还针对“人工智能”实验内容的设计、实验平台和实验室建设等展开了研究，有效促进了实验教学的实施[4-6]。

笔者所在院校开设的“人工智能”研究生课程立足控制学科本源和培养目标，以行为主义学派为根基构建课程核心知识体系，重点讲授搜索规划技术、推理技术、博弈技术和不确定推理等内容[7，8]。

在课程的教学中，实验课作为重要环节，对于深化学生对教学内容的理解和认知，掌握算法内涵，锻炼学生的思维能力，提升学生的实践和编程能力具有重要意义。在课程的实施过程中，实验环节在课程考核中的比重也在不断增加，由20%上升到30%[9]。

二、“人工智能”研究生课程实验教学特点分析

“人工智能”研究生课程采用人工智能经典教材《人工智能：一种现代的方法》，以智能Agent为课程主线，内容覆盖Agent在完全可知环境下的搜索技术及规划技术、未知环境下的推理技术、对抗环境下的博弈技术、随机环境下的不确定推理技术以及动态环境下的学习技术等，可为学生从事智能无人系统、机器人、任务规划与决策等方向研究奠定基础。

根据课程组历史统计数据来看，近年来，该课程选课学生人数逐年增多，选课学生来源除原先的控制和计算机等学科外，还增加了机械、仪器、计算机、系统工程、航天、信息通信、军事指挥、密码学等学科，学生在“人工智能”课程方面的理论基础、兴趣、科研方向和不同，对实验课程的实施提出了新的要求。

（一）实验内容兼顾覆盖度和多样性

以往的“人工智能”课程实验包括Wumpus世界、地图着色等问题，其中Wumpus世界问题偏重于知识表示与推理，地图着色问题偏重于搜索中的约束满足等问题，偏重于对某个方面的内容进行考察，而对于整个课程体系中的搜索、对抗博弈、任务规划等知识点的覆盖不足。近年来，随着无人系统技术的发展，无人系统在军事和民用领域的应用范围越来越广，发挥了重要作用，无人系统不同层次的应用需求可以为实验提出新的要求，通用搜索算法可用于路径规划、Minimax搜索和剪枝算法可用于其行为决策，课程中的规划部分可以用于其任务规划。

实验内容应具备多样性，选课学生的专业不同，研究方向和兴趣不同，实验内容满足多样性可以让学生根据研究方向进行选择，在实验实施过程中对课程知识进行应用的同时，为其后续课题研究奠定基础。

在实验问题编程语言方面，在问题的设置中，除了支持C、Java等编程语言外，还需增加机器学习时代的编程语言，例如Python的支持。除了基本的搜索算法之外，为了充分调动学生的积极性更要注重对于博弈对抗、协同、强化学习等内容的深化。

（二）问题设置具备趣味性、新颖性

本课程以往的实验内容Wumpus世界、地图着色等偏向于解决单一问题，在长期实践过程中出现了一些问题。一是长期围绕几个固定问题实施，枯燥单一，实验逐渐失去吸引力，学生的参与兴趣不足;二是由于长期不改变问题设置，容易出现抄袭高年级学生代码的现象;三是学生在完成实验过程后，提交相应的代码、执行程序和报告，没有进行分组及个人程序的演示，且问题没有体现对抗性和趣味性。

随着近年来人工智能在一些对抗性游戏，例如围棋、星际争霸中崭露头角，如何在实验课程中增加类似环节，将实验融合对抗性、趣味性和竞争性，需要进行相关实践。

（三）增加对智能算法的支撑和练习

“人工智能”研究生課程实验环节问题设置，除了要对基本的搜索算法（宽度优先、深度优先、贪婪优先、A*等）、博弈搜索算法（Minimax方法、α-β剪枝算法和评价函数的构建等）、规划算法（前向搜索、后向搜索、偏序规划和分层任务规划等）进行练习外，随着近年来机器学习的兴起，在实验问题设置中还需要增加对于强化学习等方法的支撑和拓展，让学生在完成实验过程中学习和实践智能算法，为其后续开展论文撰写和学科竞赛奠定基础。