2020年12月15日,北京——今日,英特尔与中央电化教育馆共同发布了2020年度《教育信息化年度蓝皮书》。《教育信息化年度蓝皮书》由英特尔与中央电化教育馆联合来自研究机构、一线学校、高校专家、教育信息化工作人员以及科技企业的专家学者共同编撰,旨在为教育信息化解决方案部署提供行动指南和有力参考。
英特尔携手中央电化教育馆发布2020年度《教育信息化年度蓝皮书》
《教育信息化年度蓝皮书》“战略篇”对教育信息化的重要意义作了概述,系统分析了当前国内外教育信息化转型和发展进程中的战略部署和最新进展,并对“十三五”期间我国教育信息化发展所取得的成就和亟待解决的问题进行了分析;对新冠肺炎疫情以来全国各地开展“停课不停学”的经验和成就进行了系统总结;“案例篇”对我国教育信息化转型过程中的优秀案例进行了梳理,着重介绍了“停课不停学”期间全国各地的生动实践;“技术篇”则对包括云计算、分布式存储、人工智能、5G、物联网、信息安全等教育信息化转型过程中的关键技术进行了介绍,并分别给出了使用场景和应用建议。
中央电化教育馆韩骏副馆长表示:“向《教育信息化年度蓝皮书》的发布表示由衷的祝贺。此次蓝皮书发布对2020年中国教育信息化的探索与实践做了系统梳理和总结,内容涵盖了我国基础教育、职业教育和高等教育。通过战略篇、案例篇和技术篇三个篇章对当前时期的教育信息化转型进展作了论述。目前,教育部正在着手制定并即将发布《教育信息化中长期发展规划(2020—2035年)》、《教育信息化“十四五”规划》,强调要求发展面向每个人、适合每个人、更加开放灵活的教育体系,形成“互联网+”时代背景下的教育新生态。未来,中央电教馆愿与英特尔携手,积极开展信息技术与教育教学常态化融合应用与创新的合作项目,以人为本,注重培养师生的信息素养,推动信息技术与教育教学的深度融合。培育出更多的优秀经验和典型案例,为更多的学校提供可借鉴的实践经验,扩大项目的影响力。”
案例特色
《教育信息化年度蓝皮书》案例篇中展示了21个国内教育信息化的代表性案例,覆盖了教育云平台、网络学习空间、人工智能人才培养、人工智能教育应用、智慧校园、双师课堂、教育区块链、VR/AR教学应用等多个热点话题。其中,国家中小学网络云平台作为保障“停课不停学”的国家队,在疫情期间的在线学习中扮演了重要的角色。该平台具备“学科体系、知识体系全覆盖”和“教学资源高质量”两个方面的核心优势,其在资源开发上的“四高”、“双审”等模式也为其他区域性教育资源云平台或教育资源公共服务平台的建设提供了借鉴。截至2020年6月底,云平台网页浏览达23.41亿次,访问人数近20亿人次,用户覆盖包括港澳台在内的全国所有省区以及全球174个其他国家和地区。
重要意义
《教育信息化年度蓝皮书》肯定了信息技术在教育领域中的重要作用,认为教育信息化对于解决教育规模化和个性化的矛盾,实现高位公平、优质均衡,构建全新的教育生态具有重要作用。对在线教育做了重点论述,认为在线教育在新冠肺炎疫情期间发挥了重要作用,对于推进现代信息技术与教育教学的深度融合起到了突出作用。与此同时,《教育信息化年度蓝皮书》还提出了当前教育信息化发展过程中面临的突出问题,包括软硬件设施仍不完备,难以支持增长的需求;基础设施环境亟需升级;信息化建设经费不均衡,设备更新与利用需要加强管理;网络教育教学资源积累不足,资源质量良莠不齐等。
《教育信息化年度蓝皮书》是在教育部的指导下,英特尔与中央电化教育馆合作推出的首部关于教育信息化的综合研究报告。该书的设计、布局到案例筹备的过程中,英特尔始终参与其中。此外,英特尔还携手其生态合作伙伴基于最新的物联网、大数据和人工智能技术为学校智慧校园建设提供了全方位的解决方案。
英特尔公司市场营销集团副总裁兼中国区行业解决方案部总经理梁雅莉表示:“向《教育信息化年度蓝皮书》的发布表示祝贺,也希望这本‘蓝皮书’能够为教育信息化转型的政策制定者、教育事业技术应用开发者和受益者提供有力的参考。未来,英特尔也将依托其在信息技术领域的优势并携手生态合作伙伴共同推进信息技术在教育领域的运用,进一步助力我国的教育信息化转型进程。”
好文章,需要你的鼓励
Amazon旗下秘密研发机构Lab126新成立团队,专注在机器人上嵌入自主代理AI,实现通过自然语言完成复杂任务,从而提升仓储物流与配送效率,同时开发高精度地图技术。
这项研究介绍了一种新型多模态扩散模型,能够同时生成量子电路的离散结构和连续参数。由因斯布鲁克大学和NVIDIA公司研究人员开发,该模型利用两个独立但协同工作的扩散过程处理门类型选择和参数预测,克服了传统量子电路编译方法的效率瓶颈。研究证明了该模型在不同量子比特数量、电路深度和参数化门比例下的有效性,并通过快速电路生成创建了数据集,从中提取出有价值的结构见解,为量子电路合成提供了新方向。
SenseFlow是香港科技大学等机构联合开发的文本到图像蒸馏技术,解决了大型流匹配模型蒸馏的三大难题。研究团队提出隐式分布对齐(IDA)稳定训练过程,段内引导(ISG)优化时间步重要性分配,并设计基于视觉基础模型的判别器提升生成质量。实验表明,SenseFlow能将SD 3.5和FLUX等12B参数级模型成功蒸馏为仅需4步生成的高效版本,同时保持甚至超越原模型在多项指标上的表现,代表了AI图像生成效率提升的重要突破。