赵 莉

（上海工程技术大学电子电气工程学院，上海 201620）

1 以人工智能应用为驱动

随着数据井喷、算法算力的突破，人工智能已然成为全球新一轮科技革命与产业革新的核心驱动力。目前，人工智能技术已被广泛应用于石油勘探、医疗卫生、智能制造等领域，取得了较好的应用成效。“超大规模智力模型”时代的来临，人工智能专业的创新型、应用型人才培养成为实现我国2030年总体战略目标的重中之重。

人工智能的应用与发展方兴未艾，为人工智能专业的建设提供了前所未有的机遇。截止到去年，根据教育部网站公布的普通高等学校本科专业备案和审批结果公布，在三年来公布的高校新增本科专业名单中，人工智能专业排行第一，成为新增备案专业数量最多的学科[1-5]。各大高校纷纷利用学校学术资源，开设了具有学校特色的培养项目，致力于培养创新性人才。

早在2017年，Python语言就取代C#，Java，C与C++，成为世界脚本语言排行第一的通用型语言[6-10]。在人工智能所覆盖的六大核心领域──视觉、语言、认知、机器人、机器学习、多智能体，Python几乎无处不在。

该课程建设，通过对Python语言“胶水”融合能力的发掘，及软件自身“开源”基因的运用，快速、有效地弥补数字鸿沟，为全面提升人工智能专业本科生的实践能力与科学素养，培养人工智能应用工程师探索有效途径。本文对Python语言课程建设的优点、痛点、难点等工作进行了一一探讨。

2 Python语言课程建设

2.1 Python语言的优点

如前所述，Python语言是一门免费、开源、跨平台的“胶水语言”，被誉为世界上最简单的语言[11]。其简洁、易读、可扩展成为Python语言最显着的优势。无论是计算机或非计算机专业，Python语言已然走向了本专科院校的课堂。国内外高校，诸如清华北大、斯坦福大学等世界一流大学，纷纷将其列入非计算机专业学生的必修名单。

此外，Python功能强大、数量众多的扩展库，形成了丰富多彩的Python生态圈，其官网的衍生品数量达到了一百多万[12]，简化了开发的复杂度，使得人们不必反复纠结于一些基础的“造轮子”问题，而将注意力集中在系统开发与算法优化本身，从而在功能多样性与开发周期之间达到动态平衡。

2.2 Python语言的发展

基于以上现状，使用Python语言成为一种大势所趋，为人工智能的后续课程建立了天然优势。功能强大的标准库，与日新月异的第三方库奠定了Python未来发展的基石[13]，是Python发展壮大的基础，官网提供的第三方库主要基于以下四个方面：

2.2.1 文本处理

文本处理是一种各行各业的常规功能，一般需要使用Office办公软件。文本处理过程一般涉及关键词提取、排序、错别字纠正、句法分析等内容。以人工为主，功能键与快捷键为辅，错误率高，耗时较长。10行代码便创建了一个可以自动生成10000个文档的答辩决议书，5分钟内统计平均分、投票表决数的技能，在过去属于高级办公技能，门槛很高。拥有了Python语言之后，通过requests库抓取网页数据，使用BeautifulSoup解析网页并清晰和组织数据就可以快速精准获取数据，稍许查询网络资源与官方文档，即可让人们从烦琐的统计工作中解脱出来。

2.2.2 网络爬虫

大数据是Python语言处理的主要对象。正如《娱乐至死》一书坦言[14]，无用信息或噪音信息，正在吞噬着人类。大数据时代，根据思科白皮书统计，人类每天产生2.5万亿字节的数据量[15]。小视频正带给人们极大的享受，而大量有用的信息，正湮没在浩如烟海的无关数据之中。面向芸芸众生，利用Python语言的网络爬虫功能，仅用20行语句，采用正则表达式，即可完成5000条网页搜索，快速、准确提取信息的能力。实现大数据为我所用，而不受大数据所驱使，是人们适应人工智能时代发展的基本生存技能。

2.2.3 深度学习

深度学习是大数据的典型算法，其核心是算法与模型。本质上，深度学习是遍历层到层全部函数组合，找到定义从输入到输出的映射函数。然而，因为数据量庞大、技术门槛高，对很多企业与开发者而言，深度学习技术似乎高不可攀。考虑到开发者迫切希望找到深度学习模型在产业中落地的支点。目前主流的两款深度学习框架Tensor-Flow和Pytorch均由Python程序开发[16]，是推动人工智能时代发展的强大引擎。面向广大的Python从业人员，泛化能力较强的深度学习框架，淡化了专业性较强的内容，针对数据实现自动标注，结合可扩展处理器，总能给出令产业开发者满意的解决方案，为语音识别、人脸识别等方面发挥了强有力的作用。即便是一些相对复杂的情况，例如光谱分析，石油勘探，也能为专家预测提供辅助预测。

2.2.4 大模型

所谓“大模型”，是从弱人工智能到强人工智能的必然产物。它是继深度学习之后的基础性共性模型，被称为新一代人工智能的核心。总的来说，是从海量大数据中学到蕴含在数据中的知识、逻辑，凝练到神经网络上变成大模型，旨在训练一套算法，为各种通用智能任务，建立提供服务的基础性平台。开发者的个性化需求，通过大模型采集后，针对特定任务，启动个性化参数和智能转化接口得以实现。在“大模型”领域，人工智能负责“全能”，知识图谱负责“全知”，“全知全能”相结合，为实际场景应用落地提供了有力支撑。

2.3 Python语言的难点

基于上述理由，Python语言课程建设是一项比较复杂的系统工程，是弥补数字鸿沟，促进智能化转型，促进社会发展的必由之路。该课程理论教学内容跨度较大，横贯文本处理、语音识别、人脸识别、网络爬虫、深度学习与人工智能的方方面面。此外，Python版本更新换代很快，即便是实践部分，旧的语句语法也经常停用，语句内容必须时常更新。理论与实践的快速迭代，是Python语言学习的主要障碍。

3 结语

最后，清晰的课程目标，“一万小时定律”是学习Python语言的良好基础。而发挥集体智慧，凝聚团队合力，精准课程定位，更新教学内容，优化教学手段，是上好该课程的先决条件。本文在人工智能专业本科生中开设，年均授课120人，通过线上与线下相结合，提供了高质量的课堂体验。考虑到本课程建设尚在起步阶段，后续本项研究将于本地企业相结合，为学生创造更多真实应用场景与实习途径，为全面提升人工智能专业本科生的实践能力与科学素养，培养人工智能应用工程师探索有效途径。