壹、了解AI的發展
1.什麽是人工智能？
人工智能（Artificial Intelligence）:包括人工和智能兩個方面，人工是合成的、人造的意思，智能分為思維流派，知識閾值流派，進化流派。人工智能是壹門自然科學，社會科學的 交叉學科 ，綜合了信息、邏輯、思維、生物、心理、計算機、電子、語言機器人等學科。基礎學科是數學，指導學科是哲學。可以從狹義和廣義兩個角度來定義。 從狹義角度來說 ，人工智能是計算機學科的壹個分支，是用計算機模擬或實現的智能，研究如何使機器具有智能（特別是人類智能如何在計算機上實現或再現）的科學與技術。 從廣義角度來說 ，人工智能是研究、開發用於模擬、延伸和拓展人和其他動物的智能，以及開發各種機器智能和智能機器的理論、方法、技術及應用系統的綜合性學科。
應用：智能快遞服務，智能規劃出行方案，題目拍照解析
2.人工智能的類型和流派？
根據人工智能是否能真正實現推理、思考和解決問題，把人工智能分為 弱人工智能 和 強人工智能 。
弱人工智能 ：指不能制造出真正地推理和解決問題的智能機器，不真正擁有智能和自主意識，只專註於完成某個特定的任務。如搜索引擎、智能手機。
強人工智能 ::指真正能思維的智能機器，有知覺和自我意識。可分為類人，非類人。
人工智能可分為三個學派：符號主義學派（IBM深藍的國際象棋比賽）、聯結主義學派（谷歌kelipus相機）、行為主義學派（谷歌機器狗）
3.人工智能發展階段
人工智能的發展階段大致可分為形成期、發展期、繁榮期。
形成期 （1956-1980）：這壹時期符號主義盛行。
1956年人工智能這個詞首次出現在達特茅斯會議上。約翰麥卡錫提出Artificial Intelligence壹詞，這標誌著其作為壹個研究領域的正式誕生。
1958年，有兩層神經網絡的感知機被提出，他是當時收個可以進行機器學習的人工神經網絡。
1965年，約翰麥卡錫幫助MIT退出來世界上第壹個帶有視覺傳感器，能識別並定位積木的機器人系統。
1968年，美國斯坦福研究所研制的移動式機器人Shakey具備壹定的人工智能：感知、環境建模、行為規劃、執行任務。是世界上第壹代機器人，拉開了第三代機器人研發的序幕。
1974-1980：受數學模型、生物原型、技術條件，人工智能停滯期。
發展期 （1980-2000）:1980年，出現XCON的專家系統，能按照用戶的需求，為計算機系統自動選擇組件，幫助美國數字公司節約大量費用。
1982-1986：約翰霍普菲爾德發明了Hopfield網絡，是壹種結合了存儲系統和二元系統的神經網絡，可以讓計算機以壹種全新的方式處理信息。
1986年：BP反向傳播算法催生了聯結主義的發展。
1987-2000：再壹次進入低谷期。
繁榮期 （2000-）：1997年：IBM深藍
2006年：辛頓提出深度學習神經網絡打破BP發展瓶頸。
2011年：沃森作為選手參加《危險邊緣》取勝。
2012年：卷積神經網絡，谷歌自動駕駛汽車
2013年：深度學習算法識別率高達99%
2016年：AlphaGo
2017年：AlphaGo Zero、索菲亞
二、AI的關鍵技術
4.什麽是機器學習？
機器學習是壹門涉及統計學、系統辨識、逼近理論、神經網絡、優化理論、計算機科學、腦科學的交叉學科。研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能。核心是重新組織已有的知識結構使之不斷改善自身的性能。
5.機器學習的分類?
（1）根據 學習方法 可分為 傳統機器學習 和 深度學習
傳統機器學習 ：從壹些觀測樣本出發，試圖發現不能通過原理分析獲得的規律，實現對未來數據行為或趨勢的準確預測。主要特點是平衡了學習結果的有效性和學習模型的可解釋性，為解決有限樣本的學習問題提供了壹種框架。主要用於有限樣本學習下的，模式分類、回歸分析、概率密度估計。應用：自然語言處理、語音識別、圖像識別、信息檢索、生物信息。
深度學習 ：是建立深層結構模型的學習方法。特點是多層神經網絡。形成了卷積神經網絡（用於空間性分布數據）和循環神經網絡兩類模型（用於時間性分布數據）。
區別：案例分析：狗和貓等動物的識別。
傳統機器學習需要先定義相應的面目特征，如有沒有胡須、耳朵、鼻子、嘴巴的模樣等，以此來進行對象的分類識別。深度學習則會自動找出這個分類問題所需要的重要特征，並進行對象識別。
（2）根據 學習模式 可分為 監督學習 、 無監督學習 、 強化學習
監督學習 ：利用已標記的有限訓練數據集，通過某種學習策略建立壹個模型，實現對新數據的分類。特點是要求訓練樣本的分類標簽已知。特點是不需要訓練樣本和人工標註數據。
無監督學習 ：利用無標記的有限數據描述隱藏在未標記數據中的結構或規律。
強化學習 ：也稱增強學習，他是智能系統從環境到行為映射的學習，以使強化信號函數值最大。特點是沒有監督者，只有壹個反饋信息，反饋是延遲的，不是立即生成的。
（3）根據 算法特點 可分為 遷移學習 、 主動學習 、 演化學習
遷移學習 ：當在某些領域無法取得足夠多的數據進行模型訓練時，利用另壹領域數據獲得的關系進行的學習。
主動學習： 通過壹定的算法查詢最有用的未標記樣本，並交由專家進行標記，然後用查詢到的樣本訓練分類模型來提高模型的精度。
演化學習： 對優化問題性質要求極少，只需能夠評估解的好壞即可，適用於求解復雜的優化問題，也可直接用於多目標優化。演化算法包括粒子群優化算法、多目標優化算法。
6.什麽是大數據？
大數據 是指包含搜集、保存、管理、分析在內的動態的 數據集合 。特征是規模性、高速性、多樣性、價值性、真實性
在教育中的應用：教育數據挖掘和學習分析
教育數據挖掘 是對學習行為和過程進行量化、分析和建模，利用統計學、機器學習和數據挖掘等方法來分析 教與學過程中所產生的所有數據。
學習分析技術 是對學習者及其學習環境的數據測量、收集和分析，從而理解和 優化學習過程以及學習環境 。
7.什麽是知識圖譜？
知識圖譜是壹個將現實世界映射到數據世界，由節點和邊組成的語義網絡。其中節點代表物理世界的實體或概念，邊代表實體的屬性和他們之間的關系。現實世界存在各種各樣的關系，知識圖譜就是合理擺放他們之間的關系。本質上是壹種語義網絡，旨在描述客觀世界中的概念、實體、事件及其之間的關系。
從領域上來看可分為：通用知識圖譜和特定領域知識圖譜。
應用：語義搜索、智能問答、可視化決策支持
教育領域的應用：在智能教學系統中，利用知識圖譜技術挖掘與答案相關的知識點，為學習者提供更合適的導學建議。
7.什麽是自然語言處理（Natural Language Process，nlp）？
自然語言處理是計算機科學、人工智能、語言學關註計算機和人類自然語言之間的相互作用的領域，研究能實現人與計算機之間用自然語言進行有效通信 的各種理論和方法。
8.自然語言的處理過程？
包括自然語言理解和自然語言生成兩個部分。
9.自然語言處理的研究領域？
研究領域十分廣泛，如：機器翻譯、語義理解、問答系統。文本分析（自動作文評價系統）、推薦系統
10.自然語言處理面臨的四大挑戰？
詞法、句法、語義、語用和語音等不同層面存在不確定性；
新的詞匯、術語、語義和語法導致未知語音現象的不可預測性；
數據資源的不充分使其難以覆蓋復雜的語音現象；
語義知識的模糊性和錯綜復雜的關聯性難以用簡單的數學模型描述。
11.機器人技術
第壹代機器人是程序控制機器人，它們能夠按照擬定程序進行重復工作；
第二代機器人是自適應機器人，自身配備相應的感覺傳感器，能隨環境的變化而改變自己的行為，但還沒有達到完全自治的程度；
第三代機器人是智能機器人，它們帶有多種傳感器，能對感知到的信息進行處理，控制自己的行為，具有很強的自適應能力、學習能力和自治功能。
智能控制方法：專家控制、模糊控制、神經網絡控制、專家遞階控制
12.什麽是跨媒體智能？
跨媒體：文本、圖像、語音、視頻及其交互屬性將會緊密混合在壹起。
跨媒體智能是實現機器認知外部世界的基礎智能。（潘雲鶴）
13.跨媒體智能的關鍵技術？
跨媒體智能檢索、跨媒體分析推理、跨媒體知識圖譜構建、跨媒體智能存儲
14.跨媒體智能的應用？
智能城市、醫學、教育領域（可穿戴技術、腦機接口。多模態的角度）
15.智能時代的教育挑戰？
挑戰壹：如何培養具有AI素養的時代人才？
挑戰二：教育管理者如何重構工作流程？
挑戰三：教師如何應對人工智能帶來的沖擊？
挑戰四：教師如何應用人工智能轉變教學方式？
挑戰五：學生如何運用人工智能技術轉變學習行為和方式？
挑戰六：智能時代課程內容如何改造升級？
挑戰七：如何應對人工智能教育中的倫理、社會及安全問題？
17.AI教育應用的內涵與特征？
智能教育：狹義的人工智能教育：以人工智能為內容的教育，目的是培養掌握機器智能技術的專業化人才，以滿足技術發展的需要。廣義的智能教育：智能技術支持的教育、學習智能技術的教育、促進智能發展的教育。
智慧教育：是在信息技術的支持下，為發展學生智慧能力而開展的教育，他強調構建技術融合的學習環境，使教師能夠高效率的教學、使學生能夠個性化學習。
智能教育是技術使能的教育。智能技術不但讓學習環境更豐富、靈巧，也讓機器在某些方面具有類人甚至超人的智能。
智慧教育則是智慧教育理念引領的，先進的智慧教育理念決定了智慧教學法的模態，不同的模態需要教師具備相應的教學技能，這些技能需要智能環境的支持才能得以實施。
18.人工智能在教育中的應用的特征？
智能化
人工智能技術是促變教育信息化的核心技術，具備轉變教與學方式的潛能。未來在教育領域將會有越來越多支持教與學的智能工具。智能教育將會給學習者帶來新的學習體驗，為教師實施高質量的教學提供基礎。在教育信息技術支持下打造出教育信息生態系統，將在線學習環境與現實情境無縫融合，使人機交互更加便捷智能，泛在學習、個性化學習將成為壹種新常態。
人機協同
人機協同教育可以發揮教師與人工智能的不同優勢，促進學生的個性化發展。機器主要負責重復性、單調性、遞歸性的工作，教師負責創造性、情感性、啟發性的工作。
教學自動化
人工智能可直接應用學科知識、教學法知識、學習者知識，實現知識傳播的自動化，因此可用於支持教育活動
個性化
為了擴大教學規模、提高教學效率，傳統的教學組織采用班級授課制，類似於工廠批量化生產，忽視了學生之間的個性化差異。人工智能時代的到來時教學組織方式趨向個性化教育成為可能。人工智能可分析每位學生的過程性學習數據，精準鑒別其知識水平、學習需求、個人愛好，並構建學習者模型，據此實現個性化資源、學習路徑、學習服務的推送。這意味著批量化生產教育時代的終結，個性化教育的開始。
跨學科融合
人工智能涉及多個學科領域，單壹的學科教學已無法滿足社會發展的需求，跨學科融合教學受到推崇。為了適應學生個性化發展，未來的教育更應該培養學生多元的綜合性發展。以人工智能為核心，提供真實問題情境的項目實踐，側重激發、培養和提高學生的計算思維、創新思維和元認知。