论文部分内容阅读
[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。 三、教学方法改革
课程组针对实验课程教学特点和当前存在的问题，展开了调研和分析，从实验问题设置、讲授与组织方式、考核方式等方面展开研究和实践，提升了课程实施效果。
（一）实验问题设置
在试验问题设置上，不断深化和扩展问题的覆盖范围，可满足不同研究方向和兴趣的学生的选择。目前，课程组开设的实验项目包括“警察抓小偷”“足球机器人仿真赛”“兵棋对抗”和智能任务规劃等项目。
“警察抓小偷”实验项目主要设计Agent并开发相应的行为决策方法以应对不确定的任务环境变化，重点考查警察和小偷智能体的设计、警察的搜索与追逐算法和小偷的逃跑算法;主要考查搜索、协同规划决策等课程内容[8]。实验问题设置中包括多个警察和一个小偷，初始状态下位于地图上不同位置，警察方的获胜标准是追捕到小偷，小偷方的目标是躲避围捕并逃离地图。实验实施中，教员可担任实验的管理方，负责双方Agent的注册管理和实验进程控制。警察和小偷Agent由学生分别开发实现，并通过网络与服务器相连并进行信息交互，最终由服务器根据双方的实时移动和位置信息作出胜负的判断。
足球机器人仿真赛以RobCup中型组机器人足球赛为应用背景，实验问题涵盖多机器人系统分布式任务分配、协同路径规划、协同避障运动控制、协同编队控制等问题。实验基于Simatch平台实施，其底层设计采用Ubuntu Gazebo 机器人操作系统（Robot Operating System，ROS）的架构，利用Gazebo提供的物理引擎可构建足球机器人、比赛场地、机器人传感器及其他物理属性的仿真模型，能够实现高还原度3D仿真，模拟双方的对抗，复现比赛过程。在足球机器人角色划分上，分为守门员、后卫、中场和前锋，在机器人实物向仿真模型抽象过程中，忽略实物机器人具有的全向轮机构、射门机构、主动控球机构、全向视觉系统等模块的物理模型。机器人仿真模型采用通用机器人描述格式（Unified Robotics Description Format，URDF）的文件进行描述。整体上，实验环境由球场模型、球门模型、足球模型、机器人模型和Gazebo自带的带网格的地面模型组成，场地尺寸为18m×12m的FIFA标准5人制足球场，能够与场外教练系统及裁判系统对接。
兵棋对抗实验项目主要依托墨子联合作战推演系统，该系统可模拟联合作战背景下的制空作战、反水面作战、对地打击作战、反潜作战、布雷作战、扫雷作战、两栖投送和登陆作战等多种作战样式的仿真推演，适用于武器装备作战概念演示和效能评估、作战方案验证、武器装备论证、武器装备战法研究等。该系统提供有仿真设计环境、仿真运行环境和仿真分析环境，并预设与智能算法的交互接口。在实验问题设置上，设计无人机集群攻防对抗、岛屿海空作战攻防对抗等问题，学生也可以根据其自身兴趣爱好和研究方向自行制定难度适宜的问题。学生可在墨子系统提供的基础数据，包括实体模型、组件模型、部队编制的基础上，按照实验问题的要求分组设计作战概念、制作作战想定、编写对抗规则、设计作战行动，还可以利用系统提供的AI接口设计并训练对抗算法，最后以仿真对抗验证的方式检验算法效果。智能任务规划实验项目针对陆、空等多域有人/无人平台任务规划问题，引入基于知识工程的领域知识描述模型，开展任务规划知识本体模型的设计、本体模型向PDDL领域描述文件的转换、任务规划问题的生成和任务规划算法的编写，支持学生完成单Agent任务规划和多Agent协同任务规划等问题。基于RosPlan提供的框架对规划问题和规划算法进行验证，既可以采用Rviz三维可视化平台以仿真方式进行验证测试，也可以通过RosPlan提供的接口驱动真实无人平台开展实物验证，增强实验的体验感。
“人工智能”课程学生主体的专业基础不一，知识体系和学科背景有一定差异，因此在单个实验项目的子问题设置上，可以按照基本单元、竞赛单元、进阶单元的方式，逐渐增加难度，避免出现基础较差的学生完全不会做的现象，也防止出现基础好、能力强的学生“吃不饱”的现象。同时，在实验课分数的分配上，按照基本单元（80%）、竞赛单元（20%）的方式实施，对于完成进阶单元的学生，可给予10%比例的奖励加分。
（二）讲授与组织方式
实验课程包括讲授、实践和考核三个环节。讲授部分偏重于实验内容、实验平台运行规则，让学生了解实验的目的和操作规程。实践环节主要以学生为主导，学生开展问题的分析分解，算法的设计实现与验证，教师进行答疑和思路指导。考核环节在对学生设计的算法和程序的实现进行验证的基础上，增加团队对抗演示等内容。
研究生阶段学生课程多，任务重，为让学生在实验实施过程中尽可能多地将精力投入算法构思和代码的实现，在实验的设计中，需要尽可能将实验框架搭建完整。在课堂讲授方面，授课教师需有针对性重点讲解实验的问题构成，实验的框架、主要文件及需要实现的函数体等内容，减少学生在阅读无关代码上所消耗的时间，重点进行策略的构建和代码的实现。
在实验的实践过程中，注重与学生的交流互动，在该阶段引入翻转课堂的教学手段，将课堂交给学生，根据实验进度安排学生上台讲解其对于实验问题的解决策略和方法，台下学生可自由发言，相互探讨交流。通过翻转课堂的方式，让学生展示解决同一问题的不同思路，相互学习借鉴，不断提升。
在实验的组织方式上，采用学生自由编组，自行分工合作，团队形式对抗的方式。每组由学生自行推选出组长，编组内部根据学科基础、编成能力进行实验任务分工，锻炼学生的领导力、沟通能力和团队协作能力。
（三）考核方式
现在的学生思维活跃，展现意识强，希望被认可肯定，因此可以通过交流、演示、对抗的方式让学生充分展示自己解决问题中的思路，以此碰撞产生新的火花，促进问题解决效率和思路的进一步提升。 对于实验问题中设置的竞赛单元和进阶单元，可以通过学生现场展示，网上提交代码进行竞赛排名等方式实现。通过排位赛的形式激励学生不断改进算法，提升其算法的效率和综合得分，同时也增强实验的参与度和获得感。
在實验报告的撰写上，要求学生按照科研论文的模式，提升学生论文撰写的条理性、规范性，实现思维方式和科学素养的培育。
四、结语
在工科课程教学中，实验课是连通理论知识到实践能力的桥梁，对于培养实践能力和思维能力，具有重要意义。课程组目前采用的“人工智能”研究生课程实验环节教学方法和措施，在学生能力培养方面取得了一定的成效，学生普遍反映良好。后续，还要结合学校人才培养方案和特点，突出对抗性、提升“战味”，不断加强该课程实验课程内容和教学方法的探索与提升。
参考文献
[1]国务院.关于印发新一代人工智能发展规划的通知[EB/OL].中华人民共和国中央人民政府网，（2017-07-20）[2021-01-03].http：//www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm.
[2]教育部.关于印发《高等学校人工智能创新行动计划》的通知[EB/OL].中华人民共和国教育部网，（2018-04-03）[2021-01-11].http：//www.moe.gov.cn/srcsite/A16/s7062/201804/t20180410_332722.html.
[3]张小明，李舟军.研究生人工智能课程研究性教学探索[J].计算机教育，2017（10）：71-74.
[4]梁华，杨光祥，胡健，等.面向新工科的人工智能教学科研复合型实验室体系建设[J].实验技术与管理，2019，36（7）：266-269.
[5]周鋆，曾平，杜振国，等.世界一流大学研究生培养模式讨论——以人工智能课程为例[J].计算机工程与科学，2018，（S1）：98-102.
[6]陈磊，王志远，黄嘉龙，等.基于中国象棋机器人的人工智能实验平台设计[J].无线电工程，2020，50（10）：839-842.
[7]谢海斌，庄东晔，尹栋，等.人工智能研究生课程建设“十大忌”[J].计算机教育，2019（9）：60-63.
[8]陈璟，胡天江.《人工智能》研究生课程中的创新能力培养[J].高等教育研究学报，2012，35（4）：115-116 119.
[9]谢海斌，尹栋，庄东晔，等.控制学科“人工智能”研究生课程教学改革与实践[J].实验室研究与探索，2020，39（10）：177-180 184.
[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。 三、教学方法改革
课程组针对实验课程教学特点和当前存在的问题，展开了调研和分析，从实验问题设置、讲授与组织方式、考核方式等方面展开研究和实践，提升了课程实施效果。
（一）实验问题设置
在试验问题设置上，不断深化和扩展问题的覆盖范围，可满足不同研究方向和兴趣的学生的选择。目前，课程组开设的实验项目包括“警察抓小偷”“足球机器人仿真赛”“兵棋对抗”和智能任务规劃等项目。
“警察抓小偷”实验项目主要设计Agent并开发相应的行为决策方法以应对不确定的任务环境变化，重点考查警察和小偷智能体的设计、警察的搜索与追逐算法和小偷的逃跑算法;主要考查搜索、协同规划决策等课程内容[8]。实验问题设置中包括多个警察和一个小偷，初始状态下位于地图上不同位置，警察方的获胜标准是追捕到小偷，小偷方的目标是躲避围捕并逃离地图。实验实施中，教员可担任实验的管理方，负责双方Agent的注册管理和实验进程控制。警察和小偷Agent由学生分别开发实现，并通过网络与服务器相连并进行信息交互，最终由服务器根据双方的实时移动和位置信息作出胜负的判断。
足球机器人仿真赛以RobCup中型组机器人足球赛为应用背景，实验问题涵盖多机器人系统分布式任务分配、协同路径规划、协同避障运动控制、协同编队控制等问题。实验基于Simatch平台实施，其底层设计采用Ubuntu Gazebo 机器人操作系统（Robot Operating System，ROS）的架构，利用Gazebo提供的物理引擎可构建足球机器人、比赛场地、机器人传感器及其他物理属性的仿真模型，能够实现高还原度3D仿真，模拟双方的对抗，复现比赛过程。在足球机器人角色划分上，分为守门员、后卫、中场和前锋，在机器人实物向仿真模型抽象过程中，忽略实物机器人具有的全向轮机构、射门机构、主动控球机构、全向视觉系统等模块的物理模型。机器人仿真模型采用通用机器人描述格式（Unified Robotics Description Format，URDF）的文件进行描述。整体上，实验环境由球场模型、球门模型、足球模型、机器人模型和Gazebo自带的带网格的地面模型组成，场地尺寸为18m×12m的FIFA标准5人制足球场，能够与场外教练系统及裁判系统对接。
兵棋对抗实验项目主要依托墨子联合作战推演系统，该系统可模拟联合作战背景下的制空作战、反水面作战、对地打击作战、反潜作战、布雷作战、扫雷作战、两栖投送和登陆作战等多种作战样式的仿真推演，适用于武器装备作战概念演示和效能评估、作战方案验证、武器装备论证、武器装备战法研究等。该系统提供有仿真设计环境、仿真运行环境和仿真分析环境，并预设与智能算法的交互接口。在实验问题设置上，设计无人机集群攻防对抗、岛屿海空作战攻防对抗等问题，学生也可以根据其自身兴趣爱好和研究方向自行制定难度适宜的问题。学生可在墨子系统提供的基础数据，包括实体模型、组件模型、部队编制的基础上，按照实验问题的要求分组设计作战概念、制作作战想定、编写对抗规则、设计作战行动，还可以利用系统提供的AI接口设计并训练对抗算法，最后以仿真对抗验证的方式检验算法效果。智能任务规划实验项目针对陆、空等多域有人/无人平台任务规划问题，引入基于知识工程的领域知识描述模型，开展任务规划知识本体模型的设计、本体模型向PDDL领域描述文件的转换、任务规划问题的生成和任务规划算法的编写，支持学生完成单Agent任务规划和多Agent协同任务规划等问题。基于RosPlan提供的框架对规划问题和规划算法进行验证，既可以采用Rviz三维可视化平台以仿真方式进行验证测试，也可以通过RosPlan提供的接口驱动真实无人平台开展实物验证，增强实验的体验感。
“人工智能”课程学生主体的专业基础不一，知识体系和学科背景有一定差异，因此在单个实验项目的子问题设置上，可以按照基本单元、竞赛单元、进阶单元的方式，逐渐增加难度，避免出现基础较差的学生完全不会做的现象，也防止出现基础好、能力强的学生“吃不饱”的现象。同时，在实验课分数的分配上，按照基本单元（80%）、竞赛单元（20%）的方式实施，对于完成进阶单元的学生，可给予10%比例的奖励加分。
（二）讲授与组织方式
实验课程包括讲授、实践和考核三个环节。讲授部分偏重于实验内容、实验平台运行规则，让学生了解实验的目的和操作规程。实践环节主要以学生为主导，学生开展问题的分析分解，算法的设计实现与验证，教师进行答疑和思路指导。考核环节在对学生设计的算法和程序的实现进行验证的基础上，增加团队对抗演示等内容。
研究生阶段学生课程多，任务重，为让学生在实验实施过程中尽可能多地将精力投入算法构思和代码的实现，在实验的设计中，需要尽可能将实验框架搭建完整。在课堂讲授方面，授课教师需有针对性重点讲解实验的问题构成，实验的框架、主要文件及需要实现的函数体等内容，减少学生在阅读无关代码上所消耗的时间，重点进行策略的构建和代码的实现。
在实验的实践过程中，注重与学生的交流互动，在该阶段引入翻转课堂的教学手段，将课堂交给学生，根据实验进度安排学生上台讲解其对于实验问题的解决策略和方法，台下学生可自由发言，相互探讨交流。通过翻转课堂的方式，让学生展示解决同一问题的不同思路，相互学习借鉴，不断提升。
在实验的组织方式上，采用学生自由编组，自行分工合作，团队形式对抗的方式。每组由学生自行推选出组长，编组内部根据学科基础、编成能力进行实验任务分工，锻炼学生的领导力、沟通能力和团队协作能力。
（三）考核方式
现在的学生思维活跃，展现意识强，希望被认可肯定，因此可以通过交流、演示、对抗的方式让学生充分展示自己解决问题中的思路，以此碰撞产生新的火花，促进问题解决效率和思路的进一步提升。 对于实验问题中设置的竞赛单元和进阶单元，可以通过学生现场展示，网上提交代码进行竞赛排名等方式实现。通过排位赛的形式激励学生不断改进算法，提升其算法的效率和综合得分，同时也增强实验的参与度和获得感。
在實验报告的撰写上，要求学生按照科研论文的模式，提升学生论文撰写的条理性、规范性，实现思维方式和科学素养的培育。
四、结语
在工科课程教学中，实验课是连通理论知识到实践能力的桥梁，对于培养实践能力和思维能力，具有重要意义。课程组目前采用的“人工智能”研究生课程实验环节教学方法和措施，在学生能力培养方面取得了一定的成效，学生普遍反映良好。后续，还要结合学校人才培养方案和特点，突出对抗性、提升“战味”，不断加强该课程实验课程内容和教学方法的探索与提升。
参考文献
[1]国务院.关于印发新一代人工智能发展规划的通知[EB/OL].中华人民共和国中央人民政府网，（2017-07-20）[2021-01-03].http：//www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm.
[2]教育部.关于印发《高等学校人工智能创新行动计划》的通知[EB/OL].中华人民共和国教育部网，（2018-04-03）[2021-01-11].http：//www.moe.gov.cn/srcsite/A16/s7062/201804/t20180410_332722.html.
[3]张小明，李舟军.研究生人工智能课程研究性教学探索[J].计算机教育，2017（10）：71-74.
[4]梁华，杨光祥，胡健，等.面向新工科的人工智能教学科研复合型实验室体系建设[J].实验技术与管理，2019，36（7）：266-269.
[5]周鋆，曾平，杜振国，等.世界一流大学研究生培养模式讨论——以人工智能课程为例[J].计算机工程与科学，2018，（S1）：98-102.
[6]陈磊，王志远，黄嘉龙，等.基于中国象棋机器人的人工智能实验平台设计[J].无线电工程，2020，50（10）：839-842.
[7]谢海斌，庄东晔，尹栋，等.人工智能研究生课程建设“十大忌”[J].计算机教育，2019（9）：60-63.
[8]陈璟，胡天江.《人工智能》研究生课程中的创新能力培养[J].高等教育研究学报，2012，35（4）：115-116 119.
[9]谢海斌，尹栋，庄东晔，等.控制学科“人工智能”研究生课程教学改革与实践[J].实验室研究与探索，2020，39（10）：177-180 184.