第 1 课教师讲稿｜AI、机器学习、深度学习，到底是什么关系？

版本：v6 全套第 1 课。 对应 AIPath 第一课。面向高中毕业生和大学阶段的零基础学生；每人一台电脑；建议 60 分钟。旧版 37 课保持原样。本课以已确认的第一课样板为基础，现与其余 36 课共同组成全套课程。

这份稿子可以顺着讲。引号中的话是教师可以直接使用的表达；学生可能回答、追问方法和参考答案另行标出。分钟表是课堂节奏建议，实际讲授仍需根据学生反应调整，不代表经过真人试教。

一、这节课要留下的三个认识

学完以后，学生应当能用自己的话说明：AI 是较大的研究与工程领域；机器学习是其中通过数据或经验形成模型的一类方法；深度学习是采用多层神经网络的一类机器学习方法。 这不是让学生背三个缩写，而是让他看一段实现说明时，知道应该找什么证据。

第二，学生应当亲自观察到：训练是在现有数据上形成或调整模型，预测是用已经得到的模型处理输入。 改了数据却没重新训练，保存的模型不会因此自动改变。一个模型在使用时不再更新，也仍可以是此前训练出来的机器学习模型。

第三，学生应当知道：相同结果不等于相同方法，一个小练习的分数也不等于真实世界的能力。 我们会得到两个看起来一样的判断规则，一个由人直接指定，一个由训练程序根据样本选出；也会看到两个模型都做对三张卡中的两张，却错在不同卡片上。

本课不要求编程、导数、矩阵或任何付费账号。学生需要会比较大小、在六条记录中数错误，并愿意说出“我还不知道它是怎样实现的”。

二、教师上课前准备

先打开 课堂实验，依次检查“按固定规则分类”“训练一次”“用保存的模型分类”和“测试并核对 B1—B3 标注”。完成初次训练后，同一个训练按钮会改名为“重新训练”。修改 A4 是在“A4 的标注”下拉框里选择甲，不是点击训练按钮。上课前点击“复位实验”，恢复原始数据和未测试状态，不让上一轮运行结果留在投影上；复位会保留观察文字，如有上一轮记录应先导出保存再按需整理。

准备 学生工作纸 与 教师参考答案，两者分开使用。投影首先只显示输入、任务和操作区，暂不显示本稿后面的参考结果。每个学生保留自己的第一次预测，之后用另一种颜色或“修订”栏记录变化。猜错不会扣分，解释清楚改正的原因才是学习证据。

准备一个不超过两分钟的离线后备：打印六张训练卡、三张测试卡和九个候选阈值。电脑不工作时，学生仍可按相同规则数错、选模型。若改为纸面，请明确说“今天改用纸面复现算法”，不要把纸面活动记录成已完成电脑操作。

教师需要先弄清的实验条件

我们使用虚构卡片。卡片上只有一条横线，长度为整数格数 x；标签只有“甲”和“乙”。甲乙没有现实世界含义，不能理解成好学生/差学生、合格/不合格或某种能力等级。本课标签由练习材料提供。

原始训练资料只包含下表六条：

手写程序的规则固定为：x 大于等于 4 时预测乙，否则预测甲。 这条规则由教师直接给定；它不是学生看完数据后才设计出来的规则。

训练程序允许选择的模型是：x 大于等于 t 时预测乙，否则预测甲。 t 只能在 1、2、3、4、5、6、7、8、9 中选择。程序对每一个候选 t 计算六条训练记录上的错误数，选择错误最少的；如果多个 t 并列，选最小的 t。任务、候选模型、计错方法和并列规则都是人预先设计的，学生不应误以为“机器自己决定一切”。

三张固定测试卡的输入是 B1：x=4，B2：x=5，B3：x=9。先让学生记录预测，再揭示练习给定的标签。 测试标签和参考结果放在本文“教师答案”部分；选阈值时不把测试卡加入训练表。

板书布局

左边留给“要做什么”，先写 AI 涉及识别、推理、搜索规划、生成等任务，再写“研究与工程领域”。中间留给“怎样得到行为”，分两列写“人直接指定规则”和“训练程序根据数据选模型”。右边暂时留白，38 分钟之后才补上多层网络示意和三个包含圈。

板书下方留一条贯穿全课的流程：

准备训练资料 → 执行训练 → 保存模型 → 输入新卡 → 得到预测 → 与给定标签核对。

“改变训练资料”用箭头指向最左端，不能直接画到保存模型上。这处板书会在第二次实验中发挥作用。

三、0–5 分钟：先把已有认识说出来

教师说：“今天我们先不比哪个工具最厉害，也不要求你已经用过某个软件。我们要把三个经常连着出现的词讲明白：人工智能、机器学习、深度学习。讲完以后，你不只知道名字，还能指出一个程序究竟有没有经过学习。”

接着说：“请在 Q0 写一句话：你现在认为 AI 是什么。暂时不要搜索，也不要担心说得不准确。你可以写‘像人一样回答问题的东西’，也可以写‘会自己学习的程序’。这不是考试，我们需要留下一个起点。”

等待约半分钟，然后请两位学生读出原话。教师在板书上分别圈出“用途”“产品名”“学习”这样的词，但不立刻宣布谁对谁错。

如果学生说“AI 就是聊天机器人”，教师追问：“假设一个程序不会聊天，但能在棋盘上搜索下一步走法，你会把它放在哪里？先保留你的判断，稍后我们会用实现说明再看一次。”如果学生说“AI 什么都会”，追问：“你说的‘会’，需要在哪个任务上观察？做对一次，能说明每次都能做对吗？”

最后说：“今天我们只要求拿走三样东西：分清三个词的范围；看见一个模型怎样从数据中得到；说清楚我们凭什么判断。你可以提出疑问，但不需要先记住一堆新名词。”

本段观察： 每人有一条原始认识，教师没有用一连串正确答案替代学生的起点。

四、5–12 分钟：AI 先说明要研究什么，再问怎样实现

教师说：“先把 AI 理解成一个很大的研究和工程领域。人们希望让计算系统完成识别、推理、规划、学习、生成等任务。例如，从图片中分出某个对象，是识别；在棋盘上比较后续走法，是搜索和规划。我们在描述任务，还没有说明具体用哪一种算法。”

接着在板书写“任务”和“做法”两栏，说：“同一个任务可以有不同做法。就像到学校是目的，步行或骑车是方法。这个比喻只说明‘目标与方法不是一回事’，不代表所有到达目标的方法效果都一样。”

教师用棋盘例子讲明传统方法：“假设开发者把合法走法和评分规则写进程序。程序试着往后搜索几步，再按这些规则选一步。它可以是在做 AI 领域研究的搜索规划，但这份说明没有出现从棋谱训练模型。不能因为它没有学习过棋谱，就把一切搜索规划排除在 AI 之外。”

然后补一个普通条件程序：“再看一个提醒：你自己设置活动前十分钟响铃。程序只检查时间是否到了。它有自动动作，却没有因此得到‘经过机器学习’这个结论。我们不能把所有 if 判断都叫 AI，也不能说所有用了规则的方法都不属于 AI。”

此处不要把课堂变成“哪个词算 AI”的争论。教师给出判断顺序：“先问它要完成什么任务；再问具体做法；最后问数据有没有参与形成模型。只有‘智能’两个字或一张产品海报，还不足以回答这些问题。”

学生可能回答： “所以 AI 不一定会聊天。”“做同一件事，不一定用了同一种算法。”这两种回答都抓住了本段重点。

若学生回答‘会自动执行就是 AI’： 教师不重复定义，而是问：“定时提醒的时间条件是谁写进去的？程序需要先看很多记录才能得到这个条件吗？”让学生自己指出自动执行与学习的区别。

若学生回答‘只要用了规则就不是 AI’： 回到棋盘材料：“这里的搜索在解决什么问题？我们刚才否定的是‘所有自动条件都能证明 AI’，还是‘AI 永远不能用规则’？”

收束时说：“AI 是一张较大的地图。下面先看其中一条重要路线：让程序根据数据形成模型。在进入这条路线前，我们先亲手运行一个完全由人指定规则的程序。”

五、12–18 分钟：先运行手写规则，看清输入、规则和输出

12–14 分钟：给定规则，不让学生猜隐藏规律

教师说：“桌上的卡片都是虚构的。横线长度是我们输入的数字 x，甲和乙只是练习标签，没有好坏之分。现在我直接给一条规则：长度大于等于 4 就输出乙，其他情况输出甲。这里没有藏谜题，规则由我写出来了。”

指着“x≥4”，逐字读一遍：“大于或者等于，所以长度正好等于 4 也走这一边。”让学生在 Q1 写出这条规则，并特别圈出等号。不要先把三个练习输入的参考输出投影出来。

14–16 分钟：先预测，再执行

教师说：“我给你三个输入长度：3、4、5。你先用刚才的规则写预测，再点程序运行。这里写的是程序会输出什么，还不是在判断练习标签是什么。”

学生在 Q1 写下三条预测后，在“输入横线长度”依次输入 3、4、5，每次点击“按固定规则分类”并核对。教师请一位学生指出“输入数字在哪、条件在哪、输出在哪”，把三个词放回刚才的例子。学生若把 4 判成甲，追问：“你用的是大于 4，还是大于等于 4？请沿着这一条条件重新走一遍。”

16–18 分钟：问清规则的来源

教师说：“这个程序运行得很快，但它的条件是怎么来的？我们没有提供训练资料让程序挑出 4；4 是教师直接指定的。这就叫人直接写规则。程序重复执行这个规则，不等于程序在学习。”

再问：“如果我把一个数据表的内容改了，却没有修改这段规则，程序的判断条件会自行变化吗？”给学生数秒思考后，让他依据规则来源解释。

板书补“人指定规则 → 输入 → 输出”。然后说：“接下来我们保留‘比较长度’这个任务，但改变规则的获得方式。你会看到，最后的规则可能长得一样，可中间发生的过程不同。”

本段验收： 学生能指认输入、手写条件和输出；知道这次的 4 来自教师，尚未把运行速度当成学习证据。

六、18–30 分钟：运行一次训练，再拿新卡核对

18–20 分钟：把训练资料和候选模型摆到桌面上

教师展示 A1–A6，说：“这六条记录现在可以交给训练程序。每条既有输入长度，也有练习给定的甲乙标签。我们要让程序选一个阈值 t，使它在这六条记录上尽量少出错。”

接着说：“机器不能靠这句话就随意发明做法。我们已经限定：候选 t 只有 1 到 9，每个候选的形式都一样，x≥t 就预测乙，否则甲。人负责规定这种可选择的模型和选择方法；训练程序负责根据这批资料选其中一个。”

要求学生在 Q2 写下训练输入是哪些编号，并在“最终 t 的猜测”栏留下自己的猜测。此时不给最终 t，不因猜错扣分。

20–24 分钟：先手工计算一个候选，确保看得懂计错过程

教师说：“先拿 t=3 试一遍。这里我们只是检查一个候选，尚未决定选它。A1 长度 1，不到 3，预测甲；材料标的是甲，这条没有错。A2 同样如此。请你自己看 A3：长度恰好是 3，程序会输出什么？再与旁边的标注比较。”

学生给出结果以后，再共同走完 A4–A6。教师把每条的“预测”和“给定标签”分列，写“相同记 0，不同记 1”，最后相加。明确：“这里的错误，是与这份练习标签不一致，不是我们发现了某种自然规律。”

若学生只报总数而说不出错在哪，追问：“请指出一个具体编号，分别读出预测和标签。”若学生把预测当标签，教师用两种颜色标注：“预测是模型给的；标签是材料先给的。先有两者，才谈得上比较。”

随后把 t=4 交给同桌检查，教师暂不公布完整候选表。这个环节让学生知道程序在重复怎样的工作，避免“点一下就学会了”的黑箱印象。

24–27 分钟：计算全部候选，按公开规则选择

教师说：“现在点击‘训练一次’。请注意屏幕做了两件事：先显示每个候选在六条训练记录上错了几条，再按我们规定的标准选一个。不要只抄最后的 t，先检查你刚才手算的候选是否和屏幕一致。”

学生看完表后，教师问：“是不是只有一个候选错误最少？如果不只一个，我们课前规定怎样处理并列？”让学生定位规则，再核对保存的阈值。

等学生完成观察后，才在板书写出最终模型及选择依据。教师说：“这个很小的训练算法没有导数，没有会说话的界面，但它确实根据数据比较候选，形成了一个预测模型。它是用来帮助我们看清机器学习过程的教学例子，不是对真实产品的性能测评。”

27–30 分钟：模型与手写规则可能相同；第一次测试先预测后揭标注

教师并排展示手写规则与训练得到的规则，说：“现在它们看起来相同了。能不能因为输出相同，就说两边都经历了训练？请看来源：一边是教师指定，一边是算法根据六条资料比较之后选出。模型怎样获得，比它看上去有没有一个 if 更能回答‘是否经过学习’。”

请学生在 Q3 先记录训练模型对 B1、B2、B3 的预测，再点击“测试并核对 B1—B3 标注”。需要先看单条模型输出时，在“给模型一条横线”输入长度，再点“用保存的模型分类”；这一步不会揭示练习标签。教师说：“这三张卡没有用来选 t。训练资料上表现好，不代表未参与训练的卡片也一定做对。我们先看这三条的具体结果，不急着用一个百分数概括能力。”

学生填写每条是否一致和正确条数，保留错误编号。教师在流程图上圈出“保存模型”与“输入新卡”，说：“现在发生的是预测和核对，没有再次选 t。”

本段验收： Q2 有候选比较、并列处理和最终模型来源；Q3 的预测、给定标签、比较结果分开记录。学生知道测试卡没有参与选阈值。

七、30–38 分钟：改了数据，模型为什么不会立刻变？

30–32 分钟：只改资料，不重新训练

教师说：“现在做一个事先规定的变化：把训练资料 A4 的标注从乙改成甲，长度仍然是 6。这里只是改变一个教学条件，不是在宣称哪个标注才是现实真相。”

在“A4 的标注”下拉框选甲之后先停住，不点击“重新训练”。教师问：“现在，资料变了；已经保存的模型有没有跟着变？请在 Q4 的‘重新训练之前’一栏先写预测，再实际检查。”

检查时只要求学生找旧模型保存的阈值，或让同一输入通过旧模型，不急于重新计算所有候选。若学生回答“数据一改模型当然就懂了”，教师指向板书问：“修改数据之后，你执行了流程中的哪一步？哪一步还没有执行？”让他找到缺失的训练步骤。

32–35 分钟：重新训练，观察选出的模型发生什么变化

教师说：“现在才点击‘重新训练’。程序依然使用九个候选、同一种计错方法和同一条并列规则，只是训练标签有一处改变。请先看候选错误数，再记录新的阈值。”

学生在 Q4 记录重新训练后的模型。教师请他选择一条结果变化的训练记录解释：“输入还是同一个数，为什么输出可能不同？”期待回答指出模型中的阈值换了，而不是卡片突然拥有了另一种能力。

如果学生只说“机器变聪明了”，教师追问：“我们直接观察到的是哪个数字发生改变？它是因为什么训练条件改变的？单凭这件事，还不能给机器下什么结论？”

35–38 分钟：再看同三张测试卡，既看总数也看错在哪

教师说：“使用新的模型，再对 B1、B2、B3 做预测。先写每条预测，再点击‘测试并核对 B1—B3 标注’，与相同标签核对。标签和测试卡没有更换。”

学生把新旧记录并排。教师先问两个分开的问题：“做对了几张？”“具体哪张错了？”学生找到两者区别后，再总结：“你可以看到正确条数一样，但错的卡片并不一样。因此只报一个总数，有时会把具体变化盖住。”

教师把“训练”与“使用”各用一句话收束：“训练用资料来形成或调整模型；使用用保存的模型给输入做预测。普通的一次使用不会自动等于一次训练。系统如果设计了在线更新，需要另有更新机制；我们这个实验没有。”

补一句边界：“我们只有三张固定测试卡，而且课堂反复查看它们。这是帮助你比较过程的练习，不足以证明模型在所有新卡上都有什么水平，也不能据此推断现实学生或产品的能力。”

本段验收： 学生能写出“改数据后、重新训练前”与“重新训练后”两个状态，并指出相同总正确数下的具体错误变化。

八、38–46 分钟：从机器学习走到深度学习，再画三个圈

38–41 分钟：告诉学生刚才实现了什么，没有实现什么

教师说：“刚才的模型非常简单，只需要保存一个阈值 t。你已经看到了从数据形成模型的过程。这可以帮助我们理解机器学习，但它不是神经网络实验，也不是深度学习训练。”

展示输入数值→计算层 1→计算层 2→计算层 3→输出的示意。教师说：“神经网络换了一种模型结构。一个层里面可以有多个计算节点，每个节点接收数值，进行计算，再把结果交给后面的层。连接和节点涉及可调整的参数，训练可以调整这些参数。这张图只演示多层计算与传递，不在本课执行网络训练，也不显示一个已经验证的识别结果。”

点击“下一步”依次点亮结构，需要回看时点“上一步”，让学生指认“这一层收到什么、交给谁”。如果图中没有具体数值，教师就说“数值从这里传到下一层”，不要临时编造某个节点已经识别出眼睛、情绪或知识。

补充：“三层是为了看清楚顺序的示意，不是宣布只要有三层就一定叫深度学习。也不是把上传、处理、下载三个业务步骤画成三格就变成神经网络。需要看真正的模型结构和训练过程。”

41–43 分钟：用一个明确的实现说明落下 DL 的位置

教师说：“如果资料明确告诉我们：一个语音分类模型采用多层神经网络，并且是在标注音频上训练出来的，那么它就有深度学习和机器学习的实现依据。这里不是因为它能听声音就判定它是深度学习，而是因为资料说明了多层神经网络和训练。”

再比较：“刚才的阈值模型也根据数据选出来，但它没有多层神经网络。因此‘使用了机器学习’不能直接推出‘使用了深度学习’。模型在训练后固定使用，不会因为没有边用边改，就失去它的训练来源。”

若学生说“层越多就一定越聪明”，教师追问：“这张示意图给了我们新样本结果、成本或适用任务吗？如果没有，我们能不能只看层数就比较效果？”结论只到“还需要证据”，不把首课扩展成模型选型课。

43–46 分钟：画包含关系，练一次正向与反向判断

教师先画最大的圈写 AI，再在里面画机器学习，最后在机器学习圈中画深度学习。说：“小圈里的一点，也在外面的圈里。所以属于深度学习的模型，也属于机器学习和 AI。三个词不是只能勾选一个的三个选项。”

让学生在 Q5 自己画一遍，不能只拍照，再把今天训练出来的阈值模型放在合适的位置并说明理由。教师接着问：“如果只知道它是机器学习模型，可以一定把它放进最里面吗？”让学生用刚才阈值实验说明理由。

最后说：“这是一张入门的常见技术分类地图，圈的面积不表示市场份额或优劣。它也不是从旧到新依次淘汰的时间线。不同方法可以继续存在，也可以组合进同一个产品。”

本段验收： 学生图中包含方向正确；能用阈值模型说明 ML 不一定是 DL；知道网络示意没有实际完成深度学习训练。

九、46–55 分钟：学生独立分类，教师只帮助读证据

教师说：“接下来九分钟，先独立完成 Q6。每张卡读的是一段具体实现，不是猜你熟悉哪个产品。请圈出依据，再写能确认的分类。你可以写‘不是机器学习’，也可以写‘没有足够信息判断’，但必须说明为什么。先不要看教师答案。”

四张卡如下，和学生工作纸对应：

• P1 固定提醒。 用户设置活动开始前 10 分钟提醒。程序按这个时间条件发出通知，没有用历史资料形成或更新规则。
• P2 棋盘搜索。 开发者写好合法走法、搜索步骤与评分规则。程序据此比较走法；没有从棋谱训练模型。
• P3 文本决策树。 系统使用带标签的文本样本训练决策树，训练过程选择分支；开发说明写明不使用神经网络。上线后固定这棵树预测新文本。
• P4 语音网络。 系统使用标注音频训练多层神经网络，再用训练好的网络对新语音分类。

前一分钟读题，接下来约五分钟每人完成四卡，剩余时间检查依据和外层标签。教师不要求写长文章：每卡有一条定位到材料的证据和相应分类即可；不能只有四个答案字母。

巡视时只用以下提问，不说出目标类别：“你圈出的句子说明的是用途，还是形成方法？”“材料里是谁决定参数或规则？”“上线后的状态与模型最初形成方式，是同一个问题吗？”“你给出的结论，是否超出了这段文字？”

学生如果直接问“P3 应该写机器学习吗”，教师回答：“先找这棵树的分支怎样产生。把原文那一句圈出来，再根据前面定义作判断；我现在不公布类别。”学生如果被“智能”“会说话”等词吸引，要求他回到卡片真实描述，不补充没写出的品牌能力。

第 54–55 分钟请学生检查、提交或锁定首次答案。允许在旁边写“我不确定的地方”，但不把班级同伴的答案作为自己的首次作答。55 分钟之前不展示下方教师答案。

十、55–60 分钟：讲评、离堂题与下一课衔接

55–57 分钟，按 P1 到 P4 顺序揭示参考判断。教师每张卡只抓一条关键依据：是否有训练来源、是否明确使用多层神经网络。请学生保留原答案，用另一种颜色修订，不能只擦掉错误。

遇到 P1 的争议，教师说：“材料能支持的是普通条件自动执行，没有训练，因此不能判为机器学习或深度学习。仅有这种自动动作，也不足以证明它具有某种 AI 研究意义上的智能能力。我们不需要用一个提醒程序给整个 AI 领域划出绝对边界。”

遇到 P3 的争议，教师指向“训练过程选择分支”和“上线后固定”两处，说：“先前通过样本得到的模型，不因为后来固定使用就变成开发者逐条手写的模型。”

57–59 分钟发 Q7 离堂题：“今天机器怎样得到分甲/乙的办法？再写一项只凭今天实验仍不能证明的事情，并说明理由。”学生独立写两句话，教师先不念参考答案。

59–60 分钟收取工作纸，教师说：“今天你已经看见一个模型从哪里来，也知道深度学习是机器学习中的一类。下一课会继续把‘从数据中学习’拆开，不会要求你突然掌握导数。你可以把今天仍不清楚的一处写在纸末，老师会根据真实问题安排下次开头。”

本课结束后才发 Q8 选做迁移题：仅有宣传用途时如何保留未知；一个完整网站怎样拆分普通程序与模型组件。它们不计入本课必须完成的 60 分钟任务。

十一、教师答案与讲评依据（不用于提前投影）

Q1 手写规则

x≥4 预测乙，否则甲。对输入 3、4、5，程序输出依次为甲、乙、乙。这样既看到阈值两侧，也检查等于阈值的边界。依据是教师直接指定的条件，不是训练。Q1 不提供标准标签，记录的是“程序会输出什么”；随后 Q3 的正式测试才使用固定的 B1–B3。

Q2 原始训练

t=3 时 A3 预测乙但标注甲，其余五条一致，错误数 1。t=4、5、6 都是零错，按“并列选最小 t”选择 t=4。这里不能讲成“程序找到了唯一真实界线”；它只是按给定候选、训练资料和选择规则得到了一个模型。

Q3 固定测试

原模型三张中正确两张，错误是 B2。5 的标签为甲是本练习给定条件，不是按长度自带的自然定律；不能为了让演示更整齐把它临时改成乙。测试资料没有参与选择 t。

Q4 改标注与重新训练

A4 从 6乙变为 6甲之后、尚未重新训练之前，保存的旧模型仍是 t=4。

重新训练后 t=7 是唯一训练错误最少的候选，错误数 0。这一次无需调用并列规则。注意不是 t=8，也不是 t=7 和 t=8 并列。

新旧模型都是正确两张，但错误由 B2 变为 B1。合格解释是“重新训练改变了模型，因此具体预测改变；相同正确条数不代表预测逐条相同”，不是“新模型在所有方面更好”。

Q5 三个圈

AI 圈包含 ML 圈，ML 圈包含 DL 圈；今天训练出的阈值模型放在 ML 范围内、DL 范围外。DL 同时属于外层两个范围。不能从 ML 推出一定是 DL，今天的阈值模型就是非神经网络的 ML 教学例子。入门图用于技术分类，不用于表示先进程度或时间先后。

Q6 四卡分类

允许学生用自己的词表达。不要因为没写英文全称扣分；如果只写对分类却没有证据，先要求补充理由，再判断是否掌握。

Q7 离堂题参考表达

“人先规定候选阈值、计错方法和并列规则，训练程序比较六条训练资料上的错误数，选出并保存一个模型。只凭今天三张测试卡，不能证明模型会正确处理所有新卡，因为没有检查其他输入和更多条件。”

第二句也可以说明不能证明已训练神经网络、不能判断外部产品能力、不能证明甲乙是现实中的自然分类，前提是给出对应理由。

Q8 课后迁移题

E1： 介绍只有“AI 学习助手，可以总结文章”，未说明实现。参考回答：知道宣称的用途，不知道具体实现，不能据此确认 ML 或 DL；可以追问回答组件用什么模型、是否有训练及结构说明。

E2： 网站上传和存储由普通程序完成，回答组件使用已训练的深层语言模型。参考回答：回答组件有 DL、ML、AI 的依据，上传按钮和文件存储不能因此都叫深度学习；完整产品可以组合不同实现。

十二、怎样判断这堂课学生确实学到了

工作纸按 10 分记录，和学生材料一致：Q1–Q4 各 1 分，共 4 分；Q5 关系图 1 分；Q6 四卡各 1 分，共 4 分；Q7 离堂题 1 分。Q0 不计分，Q8 选做不计分。训练前猜测错误不扣分。 分数是本课学习检查，不是学生 AI 能力的全面评级。

实验记录的得分看“是否把输入、预测、标签与前后状态分清，并完成核对”，不只看抄到了哪个数字。Q2 应包含候选比较和并列选择；Q4 应区分未重新训练与重新训练后，并记录具体错误变化。Q6 每卡需要分类与依据配合，不能靠盲猜得到全分。

若要进入下一课，建议教师至少确认三个核心证据：学生能画对包含关系；能说清训练与使用不同；能用材料证据区分手写规则、训练模型、多层神经网络。总分较高但其中一项仍明显混淆，就用本课原卡补问，而不是只凭分数跳过。

• 若混淆“自动运行”和“学习”，回到 P1 与阈值训练，对照规则来源。
• 若混淆“训练”和“使用”，回到 A4 已修改、尚未重训的停顿状态，让学生指出流程少了哪一步。
• 若混淆包含关系，用一个点放在 DL 小圈，问它是否同时在外圈，不再追加术语。
• 若把测试结果当作普遍能力，要求先指出三张卡里具体错在哪，再解释还缺哪些新资料。

这些补问属于按学生实际表现安排的补充，不应在没有试教证据时声称所有学生一定在 60 分钟内掌握。

十三、来源与原创边界

本课沿用 AIPath 第一课的 AI→ML→DL 概念关系。基础定义依据已在 v5 课程整理中核对的资料：

• Google：What is Machine Learning?：机器学习通过训练资料形成用于预测等任务的模型。
• Google：Neural networks：节点、隐藏层、多层计算与可训练参数的基本组成。

教师对话、卡片数据、九个候选阈值、修改标注实验、学生题目与课堂计时是本课原创教学设计，不是网站原文。阈值实验是可执行的简化监督学习例子；多层网络部分是结构示意，未训练神经网络。离线算例可以验证规则与数值一致，不能替代真人试教，也不能证明任何外部 AI 产品调用成功。