在2025年春节期间，DeepSeek大模型的悄然崛起引发了全球关注，而春晚舞台上跳舞机器人的惊艳表现更是火遍全网。这些人工智能技术的突破，大多源于深度学习和神经网络在模型架构上的创新与优化。作为深度学习和神经网络的三大基石，数据、算法、算力相互依存、协同作用，共同推动了人工智能技术的迅猛发展。正是因为深度学习的出色表现，数据、算法、算力被誉为人工智能时代的“三驾马车”
［1］。
在高中阶段的人工智能教育中，理应有效结合数据、算法、算力这三大关键要素。当学生采集数据、整理数据，然后用训练模型的方式解决某些真实问题时，就是亲历了智能“从无到有”的全部流程，从而理解数据、算法和算力对人工智能的重要意义，获得价值体验
［1］。这种理念下的实践教学，为提高学生的人工智能核心素养，培养具备AI素养的创新人才奠定了坚实基础。
笔者以AI项目课程“地方方言识别助手”为例，将数据、算法、算力有机融入教学，探讨数据、算法、算力在高中人工智能教育中的结合与优化策略。通过分析项目的实施过程，总结教学经验，提出改进建议，为人工智能教育的进一步发展提供参考。
1 课程介绍
“地方方言识别助手”是一个以地方方言保护和文化传承为背景的人工智能实践项目，课程以项目式学习方式开展，通过真实情境提出问题，设计问题解决方案，开展项目探究和项目实施，最后进行项目展示和评价。学生在小组合作完成需求分析、方案设计、数据集制作、模型训练和部署等任务后，体验了一个完整的AI项目。
在项目教学环节中，数据、算法、算力三者相互依存、协同作用，共同构建从理论认知到实践落地的完整学习闭环。通过课程的学习，学生能够掌握机器学习的方法，亲历整理数据、选择模型、训练模型以及最终解决问题的过程，深刻理解数据、算法和算力对人工智能的意义
［2］。整个“地方方言识别助手”的课程设计如
图1所示。
课程设计以项目学习为核心，构建了从需求分析到展示评价的完整教学环节，体现了数据、算法、算力三位一体的教学策略。通过分层递进的任务设计（需求→方案→实施→评价），将数据、算法、算力在人工智能中的作用及相互关系从抽象理论转化为可迁移的认知框架，帮助学生构建完整的人工智能认知体系。
在数据环节，通过“数据采集→特征提取→数据集制作”的全流程实践，学生不仅掌握数据处理技能，更能理解数据质量决定模型上限、数据处理需要算力支撑的原理，为后续算法与算力的协同关系奠定基础。
在算法环节，通过“实验→观察→分析”的过程，学生直观感受到不同算法下模型的表现、算法调参对模型的影响以及复杂算法更需高算力支持，形成算法为核心、数据为基础、算力为支撑的系统认知。
在算力环节，通过“边缘部署→场景应用”的实践，学生不仅感受到算力对模型推理效率的影响以及算力资源管理的重要性，更能理解算力在人工智能中的地位。
课程通过“做中学、学中思、思中创”的路径，将人工智能核心要素（数据、算法、算力）有机融入项目实践，有效提升了学生的技术素养与综合创新能力，为未来AI人才培养提供了可复制的教学范式。
1.1 学习环境和工具
（1） 学习环境。
使用浦育平台（OpenInnoLab）环境建立课程和项目学习报告模板（半成品），引导学生在平台环境完成项目实施。
（2） 学习工具。
大语言模型：在学习过程中配备KIMI、星火等大模型工具，辅助学生在问题分析、方案设计、AI编程和项目展示等环节中快速生成思路和解决方案。
浦育平台XEdu工具：在项目实施过程中借助浦育XEdu工具箱中的深度学习模块XEduHub提取音频特征、制作数据集，使用传统机器学习库BaseML和神经网络库BaseNN库进行模型训练与推理，降低数据处理、模型训练的复杂度，让学生能够专注于理解AI项目的过程。
1.2 数据、算法、算力教学目标
（1） 数据：学生将录制的方言音频数据转换为音频向量数据，提取关键特征，制作模型训练所需的数据集，体验数据处理对算力的需求和数据质量对模型训练产生的影响，理解数据在人工智能项目中的基础性作用。
（2） 算法：在模型训练时，能够理解传统机器学习库BaseML中的支持向量机（SVM）、K近邻（KNN）和神经网络库BaseNN算法模型的基本结构和功能，比较和评估所用算法的优缺点及适用场景，体验算法与数据、算力的相互关系。
（3） 算力：通过对比使用浦育平台提供的CPU、GPU虚拟服务器和将AI模型应用部署到本地或开源硬件上，学生能够直观地感受到不同算力对数据处理、模型训练、推理速度和效果的影响，从而更深刻地理解算力在人工智能项目中的重要性。
1.3 教学安排
本课程采用项目式学习方式，细分为13个教学任务，6个课时（
表1）。
2 数据、算法、算力在教学中的融合方法
在项目学习的需求分析、方案设计阶段，初步提出项目中涉及的数据、算法、算力需求，制订项目实施的数据、算法、算力方案，在项目展示评价环节对数据、算法、算力在项目中的实施情况进行评价。在项目实施教学过程中，紧密联系数据、算法、算力的核心作用。
2.1 “数据”在教学中的融合
（1） 数据采集。
数据采集是项目实施的起点，也是整个AI项目成功的关键环节之一。在方案设计阶段，学生确定了音频数据采集的类别和数量，然后录制音频，对录制的音频数据进行整理归纳，按一定比例划分为训练集数据与验证集数据（
表2）。数据是人工智能的基础，高质量数据为算法提供学习素材，算法通过数据提取规律。数据采集的规模、多样性、准确性会直接影响到后期的模型训练与推理效果，高质量的数据是模型性能的关键。在项目的实施过程中小组间比较不同数据质量下算法的表现，深刻理解数据在AI项目中的重要性，培养学生的数据意识。
（2） 数据集制作。
录制好的音频数据文件需要借助XEduHub的音频嵌入模型，将每条音频转换为高维特征向量，提取音频中的关键信息，最终将所有音频数据处理成一个新的包含特征和标签的数据集供模型训练使用。学生运用项目探究所得知识，登录浦育平台进入项目，在教师的指导下完成音频数据向量化处理，制作CSV格式的数据集。
数据集制作是项目学习的核心环节之一，学生在这个环节体验到海量数据处理需要强大算力支撑，算力不足则需优化数据规模或质量。通过数据集制作，不仅让学生理解了向量化后数据的结构和数据特征的提取方法，以及数据处理对算力的需求，还培养了学生的数据处理能力、编程实践能力、工程化思维和技术应用能力。
数据是人工智能的基石，没有数据，人工智能就像无源之水。在教学中，我们还可以尝试以下一些优化，增强学生的数据意识，如：引导学生采集更多种类的方言词汇或使用数据增强技术以提高数据的多样性和代表性；引入更多特征工程工具（如MFCC、频谱图等），帮助学生掌握多种特征提取方法；引导学生对数据质量进行评估（如数据分布分析、异常值检测等），帮助他们理解数据质量对模型性能的影响。
2.2 “算法”在教学中的融合
模型训练是通过某种算法，让计算机从数据中学习规律，从而能够对新的数据做出预测或判断。算法的优劣决定了模型的性能和效率，在“地方方言识别助手”项目学习过程中，教师引导学生使用多种算法训练模型，理解算法的工作原理和作用。通过对比实验体验不同算法下的模型训练和推理效果，通过调参实验，理解和体验算法的优化方法。
（1） 对比实验。
教师组织学生使用不同算法训练模型，对比模型效果。SVM和KNN是两种经典且易于理解的机器学习算法，实现相对简单，可以帮助学生理解机器学习的基本流程，为后续对比学习神经网络等深度学习算法奠定基础。
在使用SVM（支持向量机）算法训练模型时，其模型训练过程如下。
from BaseML import Classification as cls
model = cls（'SVM'） # 实例化SVM模型
model.load_tab_data（'data/audio_embeddings_train.csv'） # 载入训练数据
model.train（） # 训练模型
载入验证集数据评估模型性能：
model.valid（'data/audio_embeddings_val.csv'，metrics='acc'） # 载入验证数据并验证
输出结果：
验证准确率为：86.666 666 666 666 67%
绘制分类预测错误图，分析模型在不同实际类别上的预测错误分布。
model.metricplot（） # 评价指标可视化
输出结果。
教师组织学生选择其他算法训练模型，如：使用KNN算法训练模型，理解不同算法的特点和应用场景。
在使用KNN（K近邻）算法训练模型时，其模型训练过程如下。
from BaseML import Regression as reg # 从库文件中导入回归任务模块
model2 = cls（'KNN'） # 实例化KNN模型
model2.load_tab_data（ 'data/audio_embeddings_train.csv'） # 载入训练数据
model2.train（） # 训练模型
model2.valid（'data/audio_embeddings_val.csv'，metrics='acc'） # 载入验证数据并验证
输出结果：验证准确率为96.0%。
通过模型训练对比实验，学生能够直观感受到不同算法训练的模型在性能和应用场景上的差异，理解算法选择的重要性，学会根据实际问题选择合适的算法。
（2） 调参实验。
全连接神经网络是一种经典的深度学习模型，教师引导学生使用神经网络库BaseNN搭建全连接神经网络训练模型，通过调整学习率、训练轮次，修改网络层数、神经网络节点数，对比模型前后性能和算力需求，理解算法优化的重要性和算力对算法的支撑。学生通过对比全连接神经网络与SVM、KNN的性能差异，理解深度学习算法的优势。
模型训练过程如下。
from BaseNN import nn
model = nn（'cls'）
train_path = 'data/audio_embeddings_train.csv'
model.load_tab_data（train_path， batch_size=180）
model.add（layer='linear'，size=（1024， 1024），
activation='ReLU'）
model.add（layer='linear'，size=（1024， 512）， activation='ReLU'）
model.add（layer='linear'，size=（512， 64）， activation='ReLU'）
model.add（layer='linear'，size=（64， 32）， activation='ReLU'）
model.add（layer='linear'， size=（32， 5）， activation='Softmax'）
model.save_fold = 'checkpoints/basenn'
model.train（lr=0.0001， epochs=500，metrics="acc"）
def cal_accuracy（y， pred_y）：
res = pred_y.argmax（axis=1）
tp = np.array（y）==np.array（res）
acc = np.sum（tp）/ y.shape［0］
return acc
import numpy as np
val_path = 'data/audio_embeddings_val.csv'
res = model.inference（val_path，checkpoint="checkpoints/basenn/basenn.pth"，label=True）
# 读取验证集真实值
y_val = np.loadtxt（val_path， dtype=float， delimiter='，'，skiprows=1，usecols=1024）
# 计算分类正确率
print（"分类正确率为："，cal_accuracy（y_val， res））
# y_val指代验证集的真实值，res指代验证集的推理结果
输出结果：分类正确率为：0.986 666 666 666 666 7。
学生通过实验能够理解参数优化对模型效果的影响，通过观察模型训练用时变化，理解复杂算法需要更高算力支持，必要时要做好算力需求与算法性能的平衡。
在人工智能教育中，算法选择与优化是核心内容之一，直接决定了模型的性能和效率。在教学中我们还可以引入更多算法（如决策树、随机森林等），帮助学生全面理解不同算法的特点。通过更多可视化工具（如学习曲线、ROC曲线等），帮助学生直观理解模型性能。在教学中增加更多调参实验，帮助学生深入理解算法优化的技巧和方法。这些丰富体验可以更好地帮助学生探索算法与数据、算力之间的相互关系。
2.3 “算力”在教学中的融合
算力决定了模型训练和推理的效率。在“地方方言识别助手”项目教学中，为帮助学生深入理解算力在人工智能中的关键作用，教师精心设计了教学实践与反思环节，让学生不仅从理论层面理解算力的重要性，更通过实践和体验感受其实际作用。
（1） 实践体验。
学生分组开展算力对比实验，分别使用云端CPU、GPU进行数据处理、模型训练和推理，观察并记录任务完成时间、准确率等指标的变化。通过实际操作，学生直观感受到不同算力环境对处理效率的显著影响。
在模型部署应用阶段，组织学生将训练好的模型部署在本地、网页或开源硬件等不同算力环境中，比较不同算力环境下的模型推理效率，进一步体验算力在实际应用中的关键作用。
（2） 算力因素考量。
在项目实施过程中，明确要求学生考虑算力因素，如选择合适的硬件设备、优化数据和算法，以适应可用算力等，使学生在实践中学会合理利用和优化算力资源。
（3） 反思总结。
在项目学习报告中反思算力对项目实施的具体影响，以及如何应对算力限制带来的挑战。通过反思，学生加深对算力在人工智能中的支撑作用的理解，认识到算力不仅是模型训练和推理效率的决定因素，更在数据处理、算法优化等环节发挥着重要作用。
通过以上环节，学生不仅在实践中理解了算力在数据处理、模型训练和推理方面的支撑作用，还学会了如何在实际项目中合理分配和利用算力资源，从而更全面提升人工智能素养。
3 总结与展望
数据、算法、算力是人工智能的三大核心要素，在高中人工智能教学实践中，让学生亲历数据的采集与处理、模型的训练与评估、模型的部署与应用等环节，切身体验人工智能中数据的基础作用、算法的核心作用、算力的支撑作用以及三者之间相互依存、协同作用的关系。同时，我们一直秉承着“以数据驱动实践，从真实问题出发，让学生在数据中发现问题、提炼规律；以算法培养思维，通过算法选择与优化，训练逻辑推理与创新能力；以算力支撑创新，通过硬件资源的使用与优化，培养学生工程化思维和效率意识”的理念，完善教学策略，优化教学方法，丰富教学方式，健全教学评价体系，把数据、算法、算力有机融合到高中人工智能教学中去，这种教学模式不仅显著提升了学生的人工智能核心素养，还培养了他们的实践能力和创新思维，为他们未来的学习和职业发展奠定了坚实基础。
展望未来，随着人工智能技术的快速发展，我们将继续探索高中人工智能教育的开展方式，设计更多综合性项目，优化教学内容和方法。同时，我们也将关注学生的个性化学习需求，提供更加丰富的学习资源和多样化的教学工具，帮助学生在AI领域获得更深入的理解和实践经验。
2026年安徽省教育科学研究项目课题“AI通识教育下高中科技竞赛与科创社团对拔尖创新人才早期培养的路径研究”
湖南省教育信息技术研究立项课题“沉迷于网络对学生成长的负面影响及对策研究”(NHETR21025)
京公网安备11010202008535号
PDF
(499KB)
