低成本離線 AI 方案

AI 涉及複雜運算加上需要儲存數據，因此很多人以為是高端科技，不易學習兼費用高昂。只是隨著近年各國開始推動 AI 普及，加上各類型公司參與開發，不同的教育方案陸續浮現，有熱心教師曾嘗試使用多類方案，找到成本低且離線的 AI 方式，更將之整理成教材。

獻主會聖母院書院教師彭嘉煒是香港Google認證創意家，具有一定程度的技術能力。

獻主會聖母院書院教師彭嘉煒（簡稱彭 Sir ）主要任教科學科，過往熱心於翻轉學習的教育方式，並且對科技教育熟悉。現時是翻轉學習講師，並且因應興趣，亦是 Google 認證講師，近期成為香港唯一一位 Google 認證創意家。

老師自學 ML 課程

彭 Sir 留意外國的科技教育趨勢，學習 AI 已是如火如荼，既有課程推出，教材也愈見成熟，認為是適當時間引入本地。他遂研習 Machine learning crash course 課程，並分析巿場上多個 AI 及教學方案，最後因應香港獨特情況，開始撰寫校本教材。

彭Sir笑言Machine learning crash course課程有點深，就算他是成人兼有科學背景，但修讀仍比預定多花了一些時間，亦因此令他期望能協助進一步淺化AI課程。

他指出很多國家或機構推出的內容仍較艱深，他個人早前花了約兩倍時間才完成線上課程。現在融合教學經驗，構思出運用聯想連線的方式。方向是讓學生多從角度接觸主題，從而產生學習成果連結的學習方式，他笑言此設計與 AI 裡神經網絡理念相似，或許是與他科學背景相關。

軟硬件滲入 AI 知識

事實上，他的科學教學理念，也可於課程設計上到處可見。運用方式是讓學生接觸視覺上有變化的 AI 方案，經由具體的觀感從而連結複雜及艱深的 AI 概念。學習元素包括有動手作硬件、自行建立數據模型、最終通過實驗對比有效方式等。事實上，他已在中二的 STEM 課堂試課，效果頗佳，他預計能在一個月為期的四節課當中，先在科學科動手作導讀及硬件，電腦課堂作 Machine Learning 建立訓練數據，數學科教授線性作驗證，最後可交由學生建構 AI 作品。

細節內容是學生動手作 AIY Vision Kit ，優點是從中能理解 AI 整體運作，包括硬件和軟件。方式是讓學生組裝後，再執行當中微笑測試模型，如此一來，已完成軟硬件的經歷。他解釋上述的過程會滲入科學實驗裡最重要的步驟，分別是假設、實驗、引證和結論。

通過動手製作AIY Vision Kit，就可認識硬件原理及AI操作所涉及的基礎流程。

科學解構點線式神經網絡

由於科學科真正的意義是學生們需先假設有那些元素會影響結果，學生們會猜測眉毛、眼睛、嘴巴等均會影響 AI 判斷。接著是實驗和驗證，以科學角度每次只能選擇一個變數，所以方法很簡單，每次測試時遮擋臉部其他特徵，只露出其中一組就可進行測試。如此一來，彭 Sir 會引導學生解釋 AI 影像擷取特徵的方式，就是以點連線，繼而判斷連線角度，他提醒當中涉及數學的理論比編程更多。

科學裡的重要精神是驗證，而測試時只能修改一個變項，因此同學需遮擋臉部其他特徵作測試。

AIY Vision Kit內有微笑模型，但通過訓練數據，可讓同學通過實作掌握。

接著就是建立多項笑和不笑的數據，再找出當中微笑 Matching （匹配）的部分成為自信度基準，自信度越高代表越相似判斷結果。整個硬件製作和微笑測試完成後，基本上學生會有具體 AI 認知。為了確認學生學懂訓練數據，加上獻主會聖母院書院校本有手語服務，彭 Sir 接著要求學生建立手語 AI 數據模型，以判斷其學習成果，方式是讓學生運用 TensorFlow Lite 訓練出手語模型。

AI裡的一個要意義是在圖像中找出點連線，從而形成數據，笑容的基準點是一個三角形。

彭Sir講解AI核心是數學運用，亦因此數學課堂有不經意的讓中二學生體驗了高中數學內容。

學生掌握訓練數據

經過試課和製作手語模型後，彭 Sir 直言師生均有得著。以製作 AI 經驗來說，他認為 AI 手語發展比手語硬件辨識更理想。近年有很多運用 micro:bit 或 Arduino 結合感應器的手語硬件作品，但此類設計需硬件接線及編程，需處理的事項較多。獻主會聖母院書院學生用 AI 影像技術辨識手語，則只需訓練 AI 模型、單機板硬件、硬件加速器及鏡頭即可。他表示課堂編排成功，預期明年可推行全級授課。

圖中是手語動作，辨識一個動作需時52ms（毫秒），速度不太理想，日後會加入硬件加速器。

推動 AI 淺化

現時香港學界能夠深入淺出，並用學科角度精闢講解 AI 的教師不太多，彭 Sir 是其中一位。那麼他如何看待 AI 教育呢？他認為 AI 教育有兩個方向，一是 AI 應用，另一是 AI 研發。他個人認為中學適宜教授應用，以現時教材和工具來看，他認為高小及中學均有機會實現。進一步則可走向 AIoT ，畢竟香港學界對 IoT 的掌握程度高，加上近年累積 STEM 經驗，將兩者結合是實用的發展。

至於更上一層的話，就能才從事類似神經網絡的研究，當中會涉及數值和比重調節方面的知識，以達到微調神經元的逐層發展，較適合有志或有興趣人士發展。此外，由於彭 Sir 是 Google 認證創意家，他個人將朝向將 AI 淺化於該方面作更多分享。

單機板的AI於學界教學上更易使用，彭Sir分享用Rasberry Pi 4和Pi Zero Camera能製作AI離線教學產品。

配合用Google Coral USB Accelerator，能將上述手語訓練數據辨識速度提速至3ms。

新手接觸 AI

對於 AI 教學有興趣者，上述的分享已是一套完整的教學方案。至於讀者若想在家快速試用，也可試玩《 TensorFlow.js 》。彭 Sir 講解 TensorFlow 現時有三個版本， TensorFlow 是傳統 AI ，彈性最大，但所需硬件資源也較多，多是大學或研究者使用，需使用者需逐一將程式碼輸入以製作模型和參考數據。

TensorFlow.js運作於網站，已有既定模型，使用者主要是訓練數據，但缺點需連接上網使用，比較適用於體驗。至於兩者的中間就是TensorFlow Lite可於沒有連線的單版電腦運行，以獻主會聖母院書院為例，學生最終設計的手語辨識程式，就是安裝於 Raspberry Pi 4 加 Pi Zero Camera 已可執行。單是試玩，彭 Sir 推薦 Google 的 Teachable Machine，使用網頁版本是 TensorFlow.js 版本，有興趣安裝下載就可用 TensorFlow Lite 。

Google Teachable Machine

AI 教育高速進化

小記於採訪期間獲益良多，彭 Sir 用淺白方式解說和示範多項 AI 概念。事實上，彭 Sir 坦言他認為 AI 香港推行，有機會比 STEM 更快，一方面是政府撥款支持，加上有多款工具推出，相信變化太快將是一大挑戰。他笑說單是教學方案撰寫期間，教材就有兩代版本改變，但他樂觀其成，期望學界有百花齊放的景象。