摘要：新工科建设关键在于学科的交叉融合，嵌入式人工智能就是多学科高度交叉融合的典型应用。针对计算机专业嵌入式人工智能方向的人才培养，在分析当前实践教学现状和存在问题的基础上，从资源建设、项目案例开发、竞赛引导等几个方面阐述了如何将人工智能理论应用到嵌入式终端上，打通了“基本理论-算法分析-数据采集-模型训练-轻量化裁剪-模型部署-应用测试”的全周期项目资源链条，以达到知识与实践的有机融合，为更好地培养优质创新型人才而不断努力。
关键词：嵌入式人工智能；线上线下混合式；项目结果导向；赛教融合；全周期；新工科
0引言
自2016年我国正式加入“华盛顿工程认证协议”后，新工科建设成为应对全球新一轮科技和产业革命的又一重大战略选择。历经“复旦共识”“天大行动”“北京指南”等一系列探索实践，我国的新工科建设向纵深发展。2018年4月，教育部印发《高等学校人工智能创新行动计划》，要求推进新工科建设，重视人工智能与计算机、物联网、生物学、心理学、社会学等学科专业教育的交叉融合，形成“人工智能+X”复合专业培养新模式[1]。《人工智能产业人才发展报告（2019-2020）》中指出，目前人工智能产业人才供需结构不平衡，整体需求缺口较大，人才供给在当前面临的岗位类型和技术方向上与企业需求之间存在显著错位的严重现象；人才供需质量不平衡，企业对创新型、应用型、复合型人才的需求更加突出[2]。嵌入式人工智能（EmbeddedArtificialIntelligence,EAI）是以微控制器MCU或应用处理器MPU为核心，具备基本学习或者推理算法，融合传感器采样、滤波处理、边缘计算、通信及执行机构等功能于一体的嵌入式计算机系统。目前它的发展还处于初始阶段，其发展应用正与物联网技术有机融合，势必会引起先进制造业的深刻变革[3-5]。
1现状及存在问题
1.1现状分析
为了抢占科技发展的制高点，各个学校都将人工智能作为优先发展的方向，比如清华大学于2018年成立人工智能研究中心，北京大学于2019年成立人工智能研究院，中国科学院大学于2019年成立人工智能学院，北京科技大学于2019年成立人工智能研究院，北京石油化工学院于2020年7月成立人工智能研究院。通过人工智能与相关学科的交叉融合，带动智能制造、智能医疗、智能环保、智能安全、智能材料、智能商务、智慧管理等学科领域的升级换代[6]。目前人工智能的人才培养重理论、轻实践，注重于机器学习算法理论、通用人工智能、高性能计算机模型训练等方面；而在嵌入式人工智能人才培养方面，由于难度大、复杂交叉性强，缺乏完整系统的教学知识体系，未能有效地展开教学，从而无法满足当前对人工智能人才的需求。以本校为例，在2018年修订了新的培养方案，计算机科学与技术、软件工程、数据科学与大数据技术、物联网工程、电子信息工程等相关专业均以选修拓展课或者方向课的形式开设了人工智能类的相关课程。这些课程目前只停留在理论和简单的数据训练层面，无法形成教学体系，更谈不上实践体系的建设。随着近些年人工智能技术和MOOC课程的迅速发展，利用线上线下课内课外混合式的教学资源以及丰富的人工智能实践平台，能够使得大规模的数据训练和模型获取变得简便。然而，对于模型的终端部署（嵌入式人工智能）未形成统一的教学体系，仍然是各个高校普遍存在的共性问题。
1.2存在问题
（1）资源未有效整合目前，嵌入式人工智能相关知识仍分散在各个专业、各个方向，线上线下的资源鱼龙混杂，关键性的核心技术未有效地公开，需要进行大量的探索，导致学生学习效率极差、无法整合海量的知识，不能利用相关的技术真正解决现实的工程实际问题。（2）课程相关实验陈旧无论是机器学习还是深度学习等相关课程，实现具体的算法时，仍然是以传统的实验为主，数据集经典、案例成熟，已无法适应当今快速发展的应用场景。由于获取真实的数据较困难，导致课程授课难度变大。（3）软硬件配置无法有效统一大规模的数据训练需要高配置的服务器资源（高性能的CPU、GPU等），并且模型的轻量化裁剪没有统一的流程和方法，嵌入式端的处理能力更是参差不齐，无法有效地统一，学生无法抓住学习训练主线，导致学习时心有余而力不足。
2实践教学研究基础
2.1实践教学理念
线上线下和课内课外的混合式教学，可以有效解决教学实践中学时不足的问题。利用现有的线上资源，选择适合学生特点的相关资源进行整合，并开发特色实践案例。建立起“基本理论-算法分析-数据采集-模型训练-轻量化裁剪-模型部署-应用测试”的全周期项目资源链条。以结果为导向（OBE）的项目制教学，在国内外知名高校早已开始广泛实施[7-10]。这一教学理念特别适用于人工智能实践教学，具体流程如图1所示。
2.2实践教学平台
（1）数据获取平台在真实项目的基础上，依托物联网的感知平台，获取大量的真实数据，并对数据做初步的加工处理，初步确定数据的相关特征。（2）模型训练依托开源的深度学习平台（比如百度飞桨AIStudio、阿里天池），进行模型的初步训练，再利用现有的本地算力服务器资源进行模型的再训练，利用训练集进行多次测试调参。（3）模型裁剪及嵌入式终端部署将训练的模型进行蒸馏、剪枝等操作，根据不同的嵌入式终端，找到符合真实场景的最优化模型，进行反复的测试。
3实践教学研究内容
基于新工科的培养目标，结合工程认证的相关理念，建立人工智能理论与实践相结合的教学体系，不断完善产学合作的实践教学方法及课程评价方案，研究内容主要从课程知识模块构建、教学方法、评价方案、实施计划等四个方面展开。
3.1课程知识模块
目前我校的培养方案执行的是“平台课+核心课+方向课+拓展课”的模式，受学时限制，部分核心课程或者方向课程开设在拓展模块，并且执行过程中均是根据专业指定相关拓展课程，失去了制定拓展课的意义。鉴于人工智能在计算机专业中共有的意义，在拓展课程中构建完整的课程群体系具有一定的参考价值。嵌入式人工智能课程群知识模块包括四大部分：数学基础模块、基础算法模块、核心技术模块和创新应用模块，具体见表1所列。表1中所列的相关知识模块，实际上在各专业人才培养方案中均有所涉及，但是未成体系。例如数学基础部分的矩阵和概率相关知识在基础数学中均会涉及到，针对人工智能领域常见的数学方法的概括和再现，完全可以放在线上由学生自主学习并完成相关测试，但并不是否定基础数学的重要性。各个专业均可以按照自身的培养目标，合理地选择相应的模块。
3.2教学方法
鉴于表1中所列的课程要远远超过现有的学时安排，可以逐步建立起网络教学资源，供学生自学和选学，辅助教师串讲答疑即可。这种线上+线下的混合式教学模式，更加符合学生实际选课的个性化需求，也能解决线下学时紧张的问题。而对纯实践类课程，教学方式以培养学生能力为导向，面向工程实际、项目导向，提高学生创新和动手实践能力，实现技能的培养。鼓励学生参加各种学科类开放型的竞赛，以赛促学，比赛的过程及成绩可以作为考核评价的一部分。
3.3评价方案
评价考核体系也是课程群实施的重要一环，这里会重点研究线上教学、线上+线下的混合式教学、纯线下教学等不同模式的考核方式。按照工程教育的评价标准，课程体系的评价方法主要从12个方面进行：①工程知识；②问题分析；③设计/开发解决方案；④复杂工程问题研究；⑤使用现代工具；⑥工程与社会影响评价；⑦环境和可持续发展理解评估；⑧职业规范；⑨个人和团队角色承担；⑩沟通；⑪项目管理；⑫终身学习。在评价方式方面，重点研究项目+团队+竞赛等全方位的考核，不再以单一的考核方式为主。
3.4实施方案
（1）线上资源建设按照知识模块内容，分批次建设相关的网络资源，并且可以发掘学生“传帮带”的作用，鼓励学生开发网络资源，开展小组式学习，不断优化相关资源，并逐步开发测试题集，对线上资源的学习有相应反馈。（2）开发实际应用案例以项目制为依托，结合教师和竞赛中的实际应用项目，打通从理论到应用的通道。比如在《机器学习与人工智能》课程中以机器学习和深度学习为依据，着重培养学生自主搭建深度学习框架的能力，贯穿简单的人工智能案例，达到人工智能与现实场景的高度融合。依托实习实践基地，开设相关知识的训练营，引进企业工程师，促进真实案例在企业落地，引导学生提前进入工程项目的实际训练，不断提高项目实操能力。（3）以赛促教，赛教融合以中国软件杯大赛、全国大学生人工智能大赛、全国大学生物联网设计大赛和挑战杯、国际互联网+创新创业大赛为依托，将参赛过程的实际表现融入课程的平时成绩，最终比赛结果可直接作为考核结果，学生在比赛过程中积累相关知识和经验，反向促进教学，真正实现赛教融合。
4结语
新工科的建设重在学科融合和交叉，要打破原有的学科框架，以培养复合型、创新型人才为目标，不断优化理论与实践知识体系。以最终实现嵌入式人工智能为目标，打通从硬件到软件、从理论到应用的完整的培养路径；利用线上线下相结合、以工程实际项目为依托的教学手段，建立起“基本理论-算法分析-数据采集-模型训练-轻量化裁剪-模型部署-应用测试”的全周期项目资源链条，不断在创新型人才培养上有突破。嵌入式人工智能的人才培养之路才刚刚开始，建立起完整的实践教学体系有十分重要的现实意义。
作者：周波 刘亚军 郭迎九 单位：北京城市学院 信息学部
