# 第一课完整教师包 v6

[打开课堂实验](index.html#classroom-lab) · [学生工作纸](student.md) · 

# 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](https://aipath.buynao.com/#/lesson/01-ai-ml-dl)。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](index.html#classroom-lab)，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](student.md) 与 [教师参考答案](answers.md)，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：

| 训练编号 | 横线长度 x | 练习标注 |
|---|---:|---|
| A1 | 1 | 甲 |
| A2 | 2 | 甲 |
| A3 | 3 | 甲 |
| A4 | 6 | 乙 |
| A5 | 7 | 乙 |
| A6 | 8 | 乙 |

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

| 候选阈值 t | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
|---|---:|---:|---:|---:|---:|---:|---:|---:|---:|
| 原始训练错误数 | 3 | 2 | 1 | 0 | 0 | 0 | 1 | 2 | 3 |

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

| 测试编号 | 输入 x | 揭示的练习标签 | 原模型 t=4 预测 | 核对 |
|---|---:|---|---|---|
| B1 | 4 | 乙 | 乙 | 一致 |
| B2 | 5 | 甲 | 乙 | 不一致 |
| B3 | 9 | 乙 | 乙 | 一致 |

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。

| 候选阈值 t | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
|---|---:|---:|---:|---:|---:|---:|---:|---:|---:|
| 修改 A4 后训练错误数 | 4 | 3 | 2 | 1 | 1 | 1 | 0 | 1 | 2 |

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。

| 测试编号 | 输入 x | 固定练习标签 | 新模型 t=7 预测 | 核对 |
|---|---:|---|---|---|
| B1 | 4 | 乙 | 甲 | 不一致 |
| B2 | 5 | 甲 | 甲 | 一致 |
| B3 | 9 | 乙 | 乙 | 一致 |

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

| 卡片 | 参考判断 | 必须能指出的依据 |
|---|---|---|
| P1 | 普通条件自动化；没有 ML、DL 依据，自动提醒本身不足以支持 AI 能力判断 | 条件由用户设置，没有从资料形成规则 |
| P2 | 传统 AI 搜索例子；不是本描述下的 ML 或 DL | 人工搜索/评分、没有从棋谱训练 |
| P3 | ML，也在 AI 范围；没有 DL 依据 | 决策树分支由样本训练选择，结构并非深层神经网络 |
| P4 | DL，同时属于 ML、AI | 多层神经网络，并由标注音频训练 |

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?](https://developers.google.com/machine-learning/intro-to-ml/what-is-ml)：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](https://developers.google.com/machine-learning/crash-course/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。


---

## 60 分钟安排

| 时间 | 教师讲解与操作 | 学生活动 | 检查结果 |
|---|---|---|---|
| 00:00—01:00 | “今天不要求用过某个软件。我们先分清 AI、机器学习、深度学习，再看一个模型怎样得到。”展示本课三个学习成果，不展开所有术语。 | 阅读三个目标，在工作纸上找到 Q0 至 Q7。 | 学生知道本课要解释关系与过程，不以注册账号或完成业务作品为验收。 |
| 01:00—02:00 | “请在 Q0 写一句你现在认为 AI 是什么，不搜索、不讨论；这句话不计分，课堂末尾再看。”给学生安静作答时间。 | 独立写一句原始理解，保留原文。 | 每人有可回看的起点，不由教师代写。 |
| 02:00—03:00 | 邀请一位学生原样读出回答，圈出其中的用途或产品名称：“这里说的是要做什么，还是怎样做？”暂不直接给出全部定义。 | 听同学回答，在本人句子中标出用途、产品或学习相关词。 | 学生开始区分说的对象，不因用词不准确被立即否定。 |
| 03:00—04:00 | 再收一条不同回答；若出现“AI 什么都会”，追问：“在哪一个任务上怎样检查‘会’？”让学生把笼统说法缩小。 | 用一个可以观察的动作解释自己说的“会”。 | 至少一条宽泛描述被转成具体可观察问题。 |
| 04:00—05:00 | “我们会用同一个分类任务观察不同做法。请先保留你的认识，最后用证据修改。”指出纸上不确定处可留问号。 | 留下一个想弄清的问题，准备听任务与方法的区别。 | 学生原有理解与问题均被保存。 |
| 05:00—06:00 | “AI 是研究和构建智能系统的较大领域，涉及识别、推理、搜索规划、学习、生成等任务。”逐一配上识图和棋盘搜索的短例子。 | 选择一个例子，用自己的话说出系统要完成的任务。 | 回答落在任务上，没有把 AI 只等同某个品牌。 |
| 06:00—07:00 | 在板书分开“任务”和“做法”：“同一个任务可以用不同办法；现在知道要做什么，还不知道程序怎样做到。” | 把刚才例子的任务写在左栏，把尚未知的做法留空。 | 学生不凭任务用途直接给出模型架构。 |
| 07:00—08:00 | 讲棋盘程序的人工搜索与评分：“开发者规定走法和评分，程序比较后续选择；本例没有从棋谱训练。”请学生找出方法线索。 | 圈出搜索、人工评分、未训练三项信息。 | 能区分搜索规划与是否从样本训练两个问题。 |
| 08:00—09:00 | “再看用户自己设置的十分钟前提醒。它会自动执行，但条件是用户给的。”问：“自动动作能单独证明学习吗？” | 指出提醒时间条件的来源，不靠“自动”作分类。 | 学生开始追问规则怎样获得。 |
| 09:00—10:00 | 若有人说“所有规则都不是 AI”，回到棋盘例子追问：“我们是否把搜索规划也一概排除了？”说明不能用一条规则概括整个领域。 | 比较棋盘搜索与单个提醒条件，写一处差别。 | 没有把所有 if 都称为 AI，也没有把所有规则方法都排除 AI。 |
| 10:00—11:00 | “给系统分类，先问任务，再问具体做法，再问是否通过资料形成模型。只有‘智能’两个字还不够。”把三问留在板书。 | 用三问回看 Q0，标一处尚无证据的判断。 | 至少一个判断配上需要补充的信息。 |
| 11:00—12:00 | “接下来先运行我直接指定的规则，再让程序根据数据选择规则。重点观察来源。”介绍虚构卡片和甲乙无现实等级含义。 | 确认横线长度是输入、甲乙是练习标签，不联想到好坏评级。 | 学生理解材料是教学构造，不是现实能力标签。 |
| 12:00—13:00 | 显示“x≥4 输出乙，否则甲”：“4 是我直接指定的，这一步没有训练。请把规则完整写到 Q1。” | 抄写或准确转述固定规则，圈出大于等于。 | Q1 有完整条件，等号未漏掉。 |
| 13:00—14:00 | “给出输入 3、4、5。先不要运行，逐条写程序会输出什么；你现在写的是预测，不是练习标准标签。” | 独立填写三个手写规则预测。 | 运行前已有三条个人预测，未揭示测试标签。 |
| 14:00—15:00 | “现在逐次输入 3、4、5 并点击‘按固定规则分类’，比较刚才的预测。”如果边界值算错，追问：“条件是大于，还是大于等于？”不跳过具体条件检查。 | 执行手写程序，核对三条输出，用修订栏保留改正。 | 能用规则解释自己的差异，不只抄屏幕。 |
| 15:00—16:00 | 请一位学生指认输入、规则、输出三个位置：“输出是执行规则得到的，标签是材料给的，两者稍后才比较。” | 在 Q1 标记输入、条件和输出，确认此处没有给定标准标签。 | 学生不把程序输出自动当作正确答案。 |
| 16:00—17:00 | “这个判断条件由谁得到？我们是否让程序看资料来选择 4？”等待学生回答后板书“人直接指定”。 | 说明手写规则的来源。 | 理由涉及教师指定，而不是运行速度或界面外观。 |
| 17:00—18:00 | “如果只改一张资料表，但没改这段条件，它会自动换阈值吗？先保留想法。下面看不同的获得方式。” | 写一句预测或疑问，切换到训练区。 | 已完成手写规则观察，准备比较模型来源。 |
| 18:00—19:00 | 展示六条 A1–A6：“每条都有长度和练习标注。训练程序只能用这六条选模型。”暂不显示测试标签。 | 在 Q2 标记训练编号，检查输入和标注两列。 | 训练资料范围明确，没有混入 B 卡。 |
| 19:00—20:00 | “候选模型都是 x≥t 输出乙，t 只能从 1 到 9 选。人先规定可选择的模型，不是机器随意发明方法。” | 写下候选范围，并留下自己对最终 t 的猜测。 | 学生知道候选范围由人设计；猜测在运行前保存。 |
| 20:00—21:00 | “标准是六条训练记录上的错误最少；并列选最小 t。先试一个候选 t=3，还没有确定最终选它。”从 A1、A2 逐条示范比较。 | 用预测与标注两列跟算，给一致或不一致作记号。 | 学生理解一条记录怎样计错。 |
| 21:00—22:00 | “请先自己检查 t=3 时的 A3，再把剩余三条走完。”给学生停顿；有人只报总数时，请其指出具体编号和两列值。 | 独立完成这个候选的剩余逐条比较。 | 每人能定位错在哪，而不是猜总错误数。 |
| 22:00—23:00 | 学生完成后核对：“t=3 在 A3 上预测乙，材料标甲，所以这里记一次错误。其余核对后再合计。”强调错误是与给定标签不一致。 | 核对手算记录，区分预测与练习标注。 | 学生可以解释 t=3 的错误数来源。 |
| 23:00—24:00 | “把 t=4 交给同桌一起检查，不急着说它就是最终答案。程序待会要比较所有候选。”巡视比较过程，不公布完整表。 | 对 t=4 逐条检查，并准备和程序结果对照。 | 至少理解两个候选的计算过程。 |
| 24:00—25:00 | “现在点击‘训练一次’。先读所有候选的错误数，再看最终保存的模型。”引导学生核对自己手算过的两列。 | 点击训练，记录全部候选错误数或实验表位置。 | 训练确实发生，观察不只停在最终 t。 |
| 25:00—26:00 | “最少错误是否只出现在一个候选？遇到并列，哪条预先规定的规则负责决定？”先让学生指认表和选择标准。 | 找出最小错误与并列情况，用文字说明选择过程。 | 最终模型依据来自已公开算法，而不是事后猜测。 |
| 26:00—27:00 | 学生解释后核对 t=4，并排展示两种规则：“形式可能相同，来源却不同；一个教师指定，一个由资料比较选出。” | 在 Q2 写最终模型来源，比较手写与训练得到的规则。 | 能够解释同样规则形式不证明同样形成过程。 |
| 27:00—28:00 | “保存模型后，用它处理新输入就是预测。请在 Q3 先写对 B1=4、B2=5、B3=9 的输出，不先看标签。” | 逐条记录原模型对固定测试输入的预测。 | 揭示标签之前已留下原模型预测。 |
| 28:00—29:00 | “现在点击‘测试并核对 B1—B3 标注’，揭示练习给定的测试标签，逐条核对。这三张卡没有参加选 t。”让学生自己标记一致与不一致。 | 揭示并抄录标签，写每条核对结果与错误编号。 | 预测、标签、核对结果分栏，测试不参与选择阈值。 |
| 29:00—30:00 | “训练资料上零错，未参与训练的卡也会全对吗？请用刚才具体记录回答。”在流程图区分训练、保存、预测和核对。 | 用测试记录回答，保存 Q3 作为稍后比较的旧记录。 | 学生不把训练零错直接推广到新输入。 |
| 30:00—31:00 | “现在按预定条件，只把 A4 从 6乙改成6甲。长度没变，我们也没说哪种标注是现实真相。”在“A4 的标注”下拉框选甲，之后不重新训练。 | 观察改变的字段，在 Q4 写清只改了一处训练标注。 | 改变的数据项和未执行的训练步骤明确。 |
| 31:00—32:00 | “先别点重新训练。旧模型现在是什么？先写判断，再检查保存的阈值。”若学生认为自动变了，指向流程问哪一步尚未执行。 | 填写重训前预测，检查旧模型参数并记录。 | 能观察到数据改变与模型更新是两个动作。 |
| 32:00—33:00 | “现在才点击重新训练。候选、计错办法和并列规则都不变，只有这一条标注不同。”要求先读新候选表。 | 执行重训，比较新的候选错误数。 | 新模型来源是同一算法在变更后的资料上运行。 |
| 33:00—34:00 | “找训练错误最少的候选；这一次还有并列吗？”学生完成后再核对保存的模型，不让其沿用上一次选择。 | 在 Q4 记录新阈值及是否并列，指出相应证据。 | 知道这轮必须根据新表选择，不能背上一次结果。 |
| 34:00—35:00 | “挑一条预测发生变化的输入：是卡片自己变了，还是模型里的阈值变了？”让学生用训练前后状态说明。 | 用具体输入和新旧阈值解释变化。 | 解释落在模型参数改变，不使用“机器突然更聪明”替代过程。 |
| 35:00—36:00 | “保持 B1–B3 和测试标签不变，让新模型再做一次预测。先逐条写输出，再核对。” | 先记录新模型三条预测，再点“测试并核对 B1—B3 标注”并核对。 | 测试集条件固定，便于逐条比较。 |
| 36:00—37:00 | “先比较正确条数，再比较具体错在哪，两件事分别回答。”等待学生把旧 Q3 与新 Q4 并排找差异。 | 指出总正确数与错误编号的异同。 | 看见相同总数也可能对应不同错误分布。 |
| 37:00—38:00 | “训练形成或调整模型，使用用保存的模型预测。三张反复查看的卡，只能帮助观察本次过程。”说明不能据此宣布真实产品水平。 | 写一句训练与使用的区别，再写一条本实验不能证明的事。 | 概念与实验范围有可检查的个人表达。 |
| 38:00—39:00 | “刚才只保存一个阈值，是简化的机器学习实验，不是神经网络。现在换一种模型结构来认识深度学习。”展示未训练的结构示意。 | 把阈值模型与即将看的网络图分开标记。 | 没有把已完成的阈值训练称为深度学习。 |
| 39:00—40:00 | “每个计算层可以有多个节点，接收数值、进行计算、传给下一层。”沿输入到第一层的箭头讲，不虚构已识别的现实特征。点击“下一步”推进，需回看时点“上一步”。 | 指认输入和第一层输出的去向。 | 理解箭头表达数据传递，不把节点当成真人大脑。 |
| 40:00—41:00 | 继续点亮第二、第三计算层：“参数可以在训练中调整；今天只看结构，没执行网络训练。三层也不是统一定义界线。” | 沿图复述传递顺序，在图旁写“结构示意、未训练”。 | 能区分结构示意与完成训练的证据。 |
| 41:00—42:00 | “如果实现说明写明：标注音频训练多层神经网络，再分类新语音，我们有哪两条证据？”等待学生定位结构与训练字样。 | 圈出多层神经网络和由资料训练两条依据。 | 依据来自实现说明，不只来自语音任务。 |
| 42:00—43:00 | “阈值模型也是根据资料选出，但没有多层网络。更多层也不能只凭图形证明效果更好；我们还没有任务测试等证据。” | 说出阈值模型与多层网络一项共同点、一项差别。 | 学生知道 ML 的方法不止深层网络。 |
| 43:00—44:00 | 依次画 AI、内部 ML、再内部 DL：“小圈里的一点也在外圈。三个词不能被当成只能选一个的选项。” | 在 Q5 独立画包含关系，补三个名称，并把本课阈值模型放入适当位置。 | 图中位置能表达包含而不是并列。 |
| 44:00—45:00 | “只知道是 ML，能必然推到 DL 吗？用今天的阈值实验解释。”让学生先作答，再纠正反向推论。 | 用本课实例给出包含关系的一个反例，并说明模型位置的理由。 | 能解释包含方向，非单纯照抄图。 |
| 45:00—46:00 | “圈的大小不代表优劣或市场份额，也不是依次淘汰的时间线。下面请根据四张卡的实现证据独立判断。”收起分类答案。 | 完成 Q5，阅读 Q6 作答规则，准备独立练习。 | 学生明白课堂图的用途与下一段独立要求。 |
| 46:00—47:00 | “先把四张卡读完，每卡需要一个判断和一条材料证据。不必写长文章；不知道时说明缺什么。”暂不讲任何卡片答案。 | 独立通读 P1–P4，标记不懂的词。 | 四卡均已阅读，教师没有预先公布类别。 |
| 47:00—48:00 | 巡视 P1：“你圈出的词说明任务，还是说明规则的来源？”仅帮助读题，不给类别或否定结论。 | 完成 P1 的判断与依据。 | 留下个人判断及原文证据，不以教师暗示代答。 |
| 48:00—49:00 | 巡视 P2：“这份材料明确告诉你哪些过程？请不要添加没写出的资料。”保留学生自己判断。 | 完成 P2 的判断与依据。 | 结论依据限定在题面，未凭熟悉的产品作猜测。 |
| 49:00—50:00 | 巡视 P3：“模型最初怎样得到，与上线后怎样使用，是同一个问题吗？把两处描述分别圈出。”不念参考分类。 | 完成 P3 的判断与依据，保留首次作答。 | 学生考虑形成与使用两个阶段。 |
| 50:00—51:00 | 巡视 P4：“你写的最具体类别有哪条结构证据？还有哪些外层关系需要检查？”不直接给出标签组合。 | 完成 P4 的判断与依据。 | 分类尝试附有实现证据，不只看任务用途。 |
| 51:00—52:00 | “四张卡都写完的同学，检查每个判断旁有没有一句材料中的依据；没写完的继续完成，不看别人答案。” | 独立补足空白，不先讨论参考答案。 | 每人有四项首次判断。 |
| 52:00—53:00 | 遇到直接问某卡答案的学生，回应：“先指出规则或参数怎样获得，我暂不公布类别。你可以保留不确定并写原因。” | 补充理由或不确定项，避免猜到标签就停。 | 不确定性得到记录，教师未替代独立推理。 |
| 53:00—54:00 | “再检查一次：你是否把同属外层范围误写成互斥？是否把用途当作实现？”这是通用检查，不逐卡透露结论。 | 对照自己的 Q5 检查四卡，保留必要修订痕迹。 | 个人答案具备范围意识与证据意识。 |
| 54:00—55:00 | “现在提交或锁定首次答案。还有疑问写在旁边。接下来才进入讲评，请保留原答案，用另一颜色修订。” | 提交 Q6 或标记首次完成，准备核对。 | 独立阶段在参考结果出现前结束。 |
| 55:00—56:00 | 讲评 P1、P2：分别指出用户设条件且未训练、人工搜索评分且未从棋谱训练。解释自动动作不足以证明学习，而传统搜索可在 AI 范围。 | 对照自己的证据修订前两卡，原答案保留。 | 错误可归因到具体证据遗漏，非只换分类字样。 |
| 56:00—57:00 | 讲评 P3、P4：强调训练得到的决策树上线固定仍有学习来源；多层网络卡同时补齐外层范围。请学生圈出最关键依据。 | 修订后两卡，写一个本人最易混淆的点。 | 能定位训练来源、网络结构与包含关系。 |
| 57:00—58:00 | 发 Q7：“第一句回答今天机器怎样得到分甲乙的办法。先自己写，不能只写‘它学习了’。”留出完整作答时间。 | 独立说明资料、候选比较与形成模型的过程。 | 离堂答案有过程，不只有术语。 |
| 58:00—59:00 | “第二句写只凭今天实验仍不能证明什么，并说明原因。”不先念参考答案；提醒与自己实际看到的证据对应。 | 独立写一项限制及理由，完成 Q7；有余时标记 Q0 中想修改的一处。 | 学生能把观察结果与过度推断分开。 |
| 59:00—60:00 | 收工作纸：“下一课继续拆解怎样从数据学习。Q8 是课后迁移选做；请写下仍不清楚的一处供老师安排下次开头。” | 保存实验记录与修订，提交未解问题。 | 教师获得真实学习证据与后续补讲依据。 |

---

# 第一课教师核对页｜参考答案与 10 分判分表

对应 [学生工作纸](student.md)。本页在学生完成对应任务后再使用，不作为提前发放的学生材料。

## 先统一核对方式

1. 预测题记录的是学生原先的想法，**猜错不扣分**。核对实际观察与解释即可。
2. 下表共 10 个项目，每项达标记 1 分，未达标记 0 分，总分 10 分。不另设隐藏加分、扣分或小数分。
3. 允许学生使用自己的话，不要求复述术语。先留存个人答案，再用不同颜色订正；课堂原得分与订正后的学习进步分开记录。
4. 这份小测检查本课理解，不用总分推断学生的整体学习能力、专业适合度或职业方向。

## 10 分快速判分表

| 项目 | 达标记 1 分的条件 |
|---|---|
| Q1 人写的办法 | 3、4、5 格输出依次写为甲、乙、乙，并说明 4 是人直接规定的，程序没有从样本挑选它。 |
| Q2 第一次训练 | 记录选中 t = 4、训练分错 0/6，并说明它是按训练卡分错最少及同分取最小数的步骤选出的。 |
| Q3 第一次测试 | 记录分对 2/3、B2 分错，并用这个结果说明“训练卡全对”不保证新卡全对。 |
| Q4 改标签与重训 | 记录原模型 t = 4；改标签但未重训时仍为 4；重训后变成 7；指出两次测试都对 2/3，但错卡从 B2 变成 B1。 |
| Q5 三个圈 | AI 包含机器学习，机器学习包含深度学习；把本课阈值模型放在机器学习范围内、深度学习范围外，并引用样本挑选 t 的依据。 |
| Q6-P1 固定提醒 | 说明是普通固定条件程序，不是机器学习或深度学习；不因自动发通知就断言它用了 AI，并引用没有训练这一依据。 |
| Q6-P2 棋盘搜索 | 说明属于本课讨论的传统 AI 搜索方法，未使用机器学习或深度学习；依据是人工搜索与评分、没有训练。 |
| Q6-P3 文本分类树 | 说明属于机器学习，也在 AI 范围内，不是深度学习；依据是分支由样本训练得到、没有神经网络。 |
| Q6-P4 语音分类 | 说明属于深度学习，也属于机器学习和 AI；依据是用样本训练多层神经网络。 |
| Q7 离堂两句话 | 一句说明程序从样本中比较并选出分法；另一句给出至少一个有理由的边界，例如新卡不保证全对，或本实验不能证明已训练了深度网络。 |

总分：____ / 10。需要下次课再解释的一项：________________。

## Q0｜课前理解

不设标准答案，不计分。保留学生原句，课末让学生指出具体改动。例如从“AI 就是一个聊天软件”改成“AI 是一个较大的研究与技术领域，聊天软件可以包含其中的技术”。如果学生仍有疑问，记录问题即可，不要求假装全懂。

## Q1｜人写好的办法

| x | 按“达到 4 格分到乙”的办法输出 |
|---|---|
| 3 | 甲 |
| 4 | 乙 |
| 5 | 乙 |

4 由人直接指定；程序只是照着做。这里尚未出示参考标签，因此只能说“是否遵守了指定规则”，不能说“对真实类别的预测准确率是多少”。

可接受解释：“它没有从例子里找出 4，是我们直接告诉它 4。”

常见错误：“只要自动输出就是机器学习。”追问：“这个数是谁决定的？有没有尝试不同的数并根据样本挑选？”

## Q2｜从训练样本里挑选办法

初始训练卡：1 甲、2 甲、3 甲、6 乙、7 乙、8 乙。

| 候选 t | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
|---|---|---|---|---|---|---|---|---|---|
| 分错张数（共 6 张） | 3 | 2 | 1 | 0 | 0 | 0 | 1 | 2 | 3 |

- t = 4、5、6 在训练卡上都没有分错。
- 按事先规定的“同分取最小 t”，选中 **t = 4**。
- 选中规则为“横线长度达到 4 格分到乙，否则分到甲”，训练分错 **0/6**。

具体检查例子：t = 3 时，A3 的长度为 3，程序分到乙，但标签写甲，所以错 1 张；t = 7 时，A4 的长度为 6，程序分到甲，但标签写乙，所以错 1 张。

**为什么这是一次学习？** 人规定了可尝试的办法及挑选步骤，程序根据训练数据挑出了具体的 t。最后保存的模型很简单，就是这个挑出的数及相应分法。人参与编写算法，并不意味着最终参数一定是人直接给出的。

**为什么 Q1 和 Q2 都得到 4，却仍要区分？** 结果相同，形成方式不同。Q1 直接指定 4；Q2 根据样本比较后选出 4。不能只看输出规则长得一样，就忽略规则怎样得到。

不要宣称 t = 4 是唯一符合数据的办法；t = 5、6 同样符合这组训练卡，只是并列处理方式让程序选了 4。

## Q3｜第一次处理新卡

使用第一次训练得到的 t = 4，不再调整它。参考标签只在预测后揭示。

| 测试卡 | x | 模型输出 | 参考标签 | 是否分对 |
|---|---|---|---|---|
| B1 | 4 | 乙 | 乙 | 对 |
| B2 | 5 | 乙 | 甲 | 错 |
| B3 | 9 | 乙 | 乙 | 对 |

分对 **2/3**，错卡为 **B2**。训练卡全对，新卡仍有一张分错，是本班实验里已经观察到的反例。

这里只能报告“这 3 张新卡上的结果”，不能把 2/3 当成所有卡片的可靠正确率，也不能把它推广成现实产品的性能。

## Q4｜改标签、重训、再使用

只把 A4 的标签从乙改成甲。修改后的训练卡是：1 甲、2 甲、3 甲、6 甲、7 乙、8 乙。

| 操作阶段 | 当前保存的 t | A4 是否已改标签 | 这一步有没有重新训练 |
|---|---|---|---|
| 修改 A4 之前 | 4 | 否 | 本步没有；此前已完成第一次训练 |
| 已修改 A4，但还没点击重新训练 | 4 | 是 | 没有 |
| 点击重新训练之后 | 7 | 是 | 有 |

表中的“本步没有”不表示从未训练，学生写“之前已训练、这一步没再训练”同样正确。

修改后的候选核对表，供教师出现争议时检查，不要求学生全部重算：

| 候选 t | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
|---|---|---|---|---|---|---|---|---|---|
| 分错张数（共 6 张） | 4 | 3 | 2 | 1 | 1 | 1 | 0 | 1 | 2 |

重新训练后选中 **t = 7**，在修改后的训练卡上分错 **0/6**。注意旧模型 t = 4 在修改后的训练卡上会错 A4，这和“保存的 t 没变”并不矛盾：变的是参考标签，保存的模型尚未重新计算。

| 测试卡 | x | 新模型输出 | 未改动的参考标签 | 是否分对 |
|---|---|---|---|---|
| B1 | 4 | 甲 | 乙 | 错 |
| B2 | 5 | 甲 | 甲 | 对 |
| B3 | 9 | 乙 | 乙 | 对 |

新模型仍然分对 **2/3**，但错卡变为 **B1**。不能只看“都对两张”，就说两个模型行为一样；也不能说改标签必定使模型更好。

可接受解释：“改标签只是换了给程序的参考材料；重新训练会按材料再选一次数；使用模型是拿目前保存的数给新卡分类，使用时不一定在学习。”

本环节已经让全班看到测试标签，因此后续比较属于课堂说明。不能再把同一组测试卡称作对后续改进完全独立、从未看过的最终评测。

## Q5｜三个圈

在本课采用的常见技术分类中：

```text
AI
└─ 机器学习
   └─ 深度学习
```

可画嵌套圈、嵌套框或写清包含关系。今天的阈值模型放在**机器学习内、深度学习外**：t 是根据训练样本选择的，但没有采用多层神经网络。圈的面积不代表使用比例或效果高低。

深度学习是一类使用多层神经网络的机器学习；本课展示的多层路径图只是结构示意，没有训练那个网络。不能因为图上有几层箭头，就声称本实验已经实现深度学习。

## Q6｜四张独立分类卡

**P1 固定提醒：** 普通固定条件程序，非机器学习、非深度学习。自动发通知本身不足以证明用了 AI。这里不要求学生解决整个 AI 领域的边界争论，只需依据材料作出明确、有限的结论。学生写“普通自动化，没有训练”可视为正确；不要因其未写“AI 外”扣分。

**P2 棋盘搜索：** 属于传统 AI 中的搜索与规划思路；材料明确没有通过棋谱训练，不属机器学习或深度学习。人写好的搜索算法可以是 AI 方法，所以不能反推“只要没有训练就一定不是 AI”。

**P3 文本分类树：** 机器学习，也在 AI 范围内；没有使用神经网络，因此不是深度学习。训练根据样本选择判断条件和分支，上线后固定使用不抹掉此前训练的事实。不要把它误判成“上线时没学，所以从未学过”。

**P4 语音分类：** 深度学习，同时属于机器学习和 AI。依据是样本训练与多层神经网络，不能只凭“会听声音”这个用途判断。

## Q7｜离堂题

第一句示例：“我们给程序一些标好甲乙的卡片，它试了几个分界数，按分错最少的条件选出一个数，保存下来处理新卡。”不用出现“优化”“参数”等术语也可达标。

第二句从下面任选一项并说明理由即可：

- “不能证明它以后全部分对，因为这次三张新卡已经有一张分错。”
- “不能证明做出了深度学习，因为这里只挑了一个分界数，没有训练多层神经网络。”
- “不能证明改标签会自动改模型，因为没再训练时保存的数没有变。”
- “不能证明这套办法能判断人的能力，因为卡片标签是虚构的，实验也没有任何能力测量材料。”

若学生只写“不能证明什么都行”而没有依据，暂不达标；追问他指出表格或实现中对应的一处事实。

## Q8｜课后迁移选做

**E1：** 能确定介绍声称具有文章总结用途；不能确定具体实现、是否训练过、是否采用深层神经网络或效果是否可靠。可追问“摘要是用固定模板提取，还是调用了训练过的模型？如果是模型，它使用什么结构？”不要求学生知道任何品牌。

**E2：** 上传、下载、存储是普通网站功能；回答组件明确调用经过训练的深层语言模型，可以把该模型归入深度学习、机器学习、AI。完整网站组合了不同组件，不能因为其中调用模型，就把每个按钮都称作深度学习。

Q8 不纳入本课 10 分，也不挤占 60 分钟。它用于检验学生能否把“看实现证据”迁移到产品介绍中。