可以預見，隨著多個人工智能實驗平臺在中小學人工智能通識課程中應用，中小學人工智能教育將不再局限于“少數學校的選修課”，而是成為真正的普惠性通識課程。當越來越多的學生在瀏覽器中親手構建人工智能模型、見證」算法解決實際問題時，他們收獲的不僅是技術認知，更是面向未來的問題解決與創新能力。引言隨著人工智能技術的迅猛發展和廣泛應用，人工智能教育已成為全球教育發展的重要趨勢。為了適應未來社會的發展需求，培養具備人工智能素養的創新型人才，必須加強中小學人工智能通識教育。然而，在中小學開展人工智能通識課程面臨諸多困境：一方面，人工智能技術本身具有較高的專業門檻，涉及復雜的數學原理和編程技能，對中小學生而言難以理解和掌握，這便導致教學中原理講解淺嘗輒止、實踐操作困難重重；另一方面，人工智能實驗需要搭建專用的實驗環境，如安裝Python，配置TensorFlow、PyTorch，解決庫依賴沖突等，這些步驟不僅讓很多教師望而卻步，更是中小學生學習人工智能的“攔路虎”。簡而言之，如何降低人工智能學習門檻，脫離對專用實驗環境的依賴，成為當前中小學人工智能通識課程亟待解決的關鍵問題。而AIRay的出現，為解決這一問題提供了可能。AIRay簡介AIRay是一個專為青少年及初學者設計的在瀏覽器前端運行的人工智能實驗平臺，學生僅需打開瀏覽器即可完成從模型搭建到訓練評估的全流程實驗，無需安裝任何軟件或配置編程環境。AIRay的核心優勢如下：（1）無需專用環境。傳統的人工智能學習往往需要配置專門的硬件設備和軟件環境，如高性能顯卡、特定的編程語言環境等，這對中小學來說成本高、難度大。而AIRay只需打開瀏覽器，學生就能隨時隨地開展人工智能實驗，不受環境限制，為中小學人工智能通識課程提供了極大的便利。（2）拖拽式工作流。AIRay將人工智能模型構建分解為可視化模塊，如卷積層、池化層、全連接層等，學生僅需用鼠標拖拽相應的模塊并進行連線，即可完成模型搭建。而且平臺內置智能連接機制，自動檢測模塊兼容性，避免邏輯錯誤。（3）多層次可視化。AIRay提供了訓練過程可視化功能。通過實時繪制訓練過程中的損失曲線、準確率曲線以及其他評估指標，讓學生可以在實驗過程中一眼看出模型的學習進度與效果。當模型出現過擬合或欠擬合時，及時的可視化反饋有助于學生快速定位問題。（4）全流程教學與實驗支撐。AIRay為學生提供了從導入數據、清洗數據、切分訓練集與測試集、搭建模型、訓練模型到模型評估全流程的功能接口。學生可以在一步步搭建工作流的過程中，真實地模擬人工智能項目流程。此外，學生可在可視化界面中調整超參數設置（如批次大小、訓練輪次等），再快速啟動新一輪訓練與驗證，深化對模型調優的重要性的認識。人工智能實驗：全連接神經網絡訓練鳶尾花分類模型1.實驗活動描述鳶尾屬植物有三個品種，分別是山鳶尾（setosa）、變色鳶尾（versicolor）、維吉尼亞鳶尾（virginica）。這些種類之間差別不大，但是不同種類在花瓣和花萼的形狀上有所區別。因此，此實驗活動將搭建一個全連接神經網絡來訓練鳶尾花分類模型。2.數據準備將鳶尾花數據集提前存于AIRay平臺，可通過“數據集”標題欄找到，其中包括150條不同鳶尾花的數據（如圖1）。單擊鳶尾花數據集，便可看到“數據集預覽”，其包含五列數據（如圖2），前四列為鳶尾花的特征，分別為花萼長度、花萼寬度、花瓣長度、花瓣寬度，最后一列為分類類別，一共有三類，分別為山鳶尾（setosa）、變色鳶尾（versicolor）和維吉尼亞鳶尾（virginica）。圖1圖2圖33.搭建全連接神經網絡單擊上頁圖2中的“使用AIRay對該數據集實驗”，便可進入如上頁圖3所示的界面。因為鳶尾花有4個特征數據，且有3類，因此默認輸入為4個特征，輸出為3類。開神經網絡畫板，如圖4所示?？梢钥吹?，神經網絡畫板有很多的模塊，圖4展示的僅是“基本”畫板中的模塊，“二維”畫板中還有卷積層、池化層等模塊。大家可自行展開查看。筆者以搭建三層全連接神經網絡為例，輸入層的輸入維度為鳶尾花數據集特征數量4，輸出層的輸出維度為鳶尾花的分類數量3。因為默認的那個輸出只是一個分類標簽，因此需要用鼠標再拖動2個“線性層”至輸入層與分類標簽之間，并將層與層之間通過鼠標連接起來，如圖5所示。每個線性層有“維度”和“激活函數”兩個參數，其中，維度指的是這個線性層的輸出維度，可人為設定，但第3層，即輸出層的輸出維度要與分類數量保持一致，因此只能設為3。激活函數有多個可選，通常情況下，輸出層（第3層）的激活函數使用softmax，其他層的激活函數都可設置為relu。4.訓練模型在搭建好神經網絡工作流之后，可根據需要選擇優化算法和損失函數，設定批次大?。ó斢柧毤瘶颖痉浅６鄷r，如果直接將這些數據輸入到神經網絡會導致計算量非常大，容易因內存不足導致內核掛掉，因此，可通過批次大小，設定每次訓練在訓練集中取多少個樣本訓練）和訓練輪數，然后便可單擊右邊的“開始訓練”按鈕，進行訓練（如上頁圖6）。當然，在訓練的同時，還可以單擊“訓練情況”按鈕，查看訓練進度、當前訓練損失及當前準確率情況等。由可視化結果可知，搭建的3層全連接神經網絡訓練鳶尾花分類模型，在訓練100輪之后，最終驗證準確度為94.4%，最終測試準確度為"5.模型推理筆者已經訓練了一個鳶尾花分類模型，接下來便可輸入一組新的數據，使用模型進行推理。如上頁圖7所示，單擊“測試模型”按鈕，輸入4個特征值，然后點擊“測試”，便可看到預測結果，并且還能看到各類別的置信度。至此，筆者應用AIRay平臺完成了訓練鳶尾花分類模型的人工智能實驗，從搭建模型、訓練模型到模型推理，全程無代碼，且所有操作均在瀏覽器頁面內實現。結語可以預見，隨著多個人工智能實驗