《Mo 人工智能实训平台》方案包括：
一、背景现状
二、痛点挑战
三、建设思路与目标
四、解决方案
五、课程、数据集、实训案例资源
六、团队优势
七、典型案例

持续更新中...

一、背景现状

人工智能人才缺口大、政策支持强

不管是从政策还是产业界，都驱动着 AI 的快速发展，未来人工智能相关产业规模将不断增加，掌握 AI 素养的人才也成为技术创新和产业重塑的核心。
2016年以来，我国密集出台一系列扶植人工智能发展的政策，国家发展改革委、科技部、工业和信息化部、中央网信办等多个部门参与人工智能联合推进机制，积极推动人工智能技术的发展及其在各个细分领域的渗透。

• 比如2025年的新双高也提出了从“信息化”到“数字化”的转型，其中就强调了人工智能的重要性。
• 2018 年 1 月，教育部发布《普通高等学校本科专业类教学质量国家标准》，对计算机类专业提出“硬核”指标：四年累计编码量 ≥ 2 万行，必须独立交付 2 个以上具备一定规模与复杂度的系统，并为所有学生提供稳定、持续的工程实战平台与环境，形成完整的实践教学体系。
• 2018 年 4 月，《关于加快建设高水平本科教育全面提高人才培养能力的意见》再升级：以“提升人才培养能力”为核心，整合校内外资源，打造集约共享、开放高效、覆盖实验—实习—实训全链条的实践平台，把“实践育人”写进高水平本科教育的每一堂课。
  

招生就业：全行业 AI 融合型人才紧缺

除了学校外，企业自身降本增效的要求也产生了大量 AI 人才的需求，新诞生的岗位和新的人员要求都提出掌握 AI 的人才终将替代不会 AI 的人员。
因此教学全过程、全环节都要应用起人工智能，重塑教学。
学校的人才培养也要加快转型以应对市场需求，满足教学任务。

二、AI 人才培养挑战：

缺师资、缺课程、缺平台、缺特色

• 人工智能教学师资稀缺
  AI教学以及跨学科教育要求高水平的教学团队，并宏观协调教学方式，组建成本大、时间长

• 课程及专业建设方案不完善
  市场上的专业建设多以共建大数据实验室等方式开展，未解决实际教学上的需求，同时课程内容设计困难，并且缺乏体系化

• 学生学习门槛高 上手困难
  难以面对非计算机专业学生实现跨学科培养，缺乏有效的 AI 基础人才培养路径

• 传统教育教学模式失效：
  以视频为主的教学方式与 AI 教学匹配度低，同时一些院校的教学资源相对落后，难以跟上技术快速迭代的步伐，AI 教学需要打通理论教学与实操练习间的壁垒

AI 教学实训中的顾虑和难题

三、建设思路与目标

浙江大学智海团队作为一线教师，也面对以上问题，经过校内校外的实践，形成了以下六点建设思路，包含学科融合素养如何培养、重视实践过程中如何降低教学门槛、怎么进行实训产教融合提高就业等。

Mo 人工智能实训平台致力于服务从高校、高职、K12到企业单位的老师、学生、教学管理者在内的各阶段人员，同时将备课、授课、学习、实操、辅导、作业、实训、测评、考证一体化的智能教学实训平台。

• 对教师：降低教师课程开发难度、降低授课难度、提高教学互动性和实操性。
• 对学生：提升学习体验、获得专业 AI 助教辅导、边学边练提升学习效果。

提供稳定灵活的实训教学平台和产教融合、内容丰富的人工智能课程和专业化实训课程资源库，支持院校多样化的教学、实训与科研活动，同时集约高效、灵活弹性的计算资源管理服务提升实训教学管理模式。

应用场景：

• 本科、高职、中职、K12、企业培训
• 计算机、人工智能、信息技术相关专业实验室建设；
• 一流课程建设、校企实训案例库建设；
• 企业培训平台与案例库建设

四、解决方案

作为方案基石的 Mo 平台与内容、服务深度融合，共同构成智海 Mo 解决方案三位一体的核心架构，通过云服务或本地化的方式部署。

• 内容包含教学需要的课程、实训项目、数据集和计算资源；
• 平台解决教学门槛和特色问题，包含课堂教学、项目实训、竞赛认证、科研创新等模块；
• 服务包含学校关注的教师培训、就业认证、行业比赛、产教融合等内容。

实训平台：

提供丰富的实验实训案例资源库和多模态的实验实训环境：

人工智能综合实验箱：

1.产品概述：

实验箱面向人工智能相关专业，集成了计算机视觉系统、语音处理系统、机械手臂、以及手势传感器、温湿度传感器、大气压传感器等多种嵌入式应用模块,通过搭建边缘计算终端,为人工智能专业相关的应用开发提供统一的通讯协议和接口。实验箱基于 Linux 操作系统，采用Python 语言进行课程资源的开发，适用于人工智能专业8门以上课程的教学和实践。

2.面向人群：

• 面向专业: 人工智能、电子、信息科学等专业
• 适用课程: Python 程序设计、机器学习、深度学习、数字图像处理、计算机视觉、语音识别、嵌入式系统及应用、智能机器人

3.产品特点和功能：

• 开放性实验环境：实验代码可在 Jupyter Notebook 环境下进行

• 开放全部源代码：开放全部软件框架和算法级源代码，支持二次开发，提供完善的实验指导书和技术文档，并提供产品相关软硬件的架构与设计方法文档。

• AI+视觉分拣：机械臂与视觉系统结合，可以对不同尺寸、外观的目标进行识别，实现目标分拣、智能码垛等人工智能基础实训项目，还可以基于深度学习模型，完成多种复杂物体的识别，开展企业级项目的实战训练。
  

• AI+深度视觉：深度视觉与传统的 2D 视觉相比，可以实现物体的高度测量、距离测量、轮廓检测等，因此，可以完成障碍物距离检测、活体识别、目标跟踪等综合实验实训。
  

• AI+语音处理：声源定位麦克风支持声音检测、智能语音识别、声源定位、波束成形等功能，在与 AI 处理器的交互下，可实现声场的空间特性采样，从而引导机械臂根据声音的指令执行指定动作。
  

• AI+嵌入式传感器：提供温湿度传感器、运动传感器、气压传感器、光线传感器等 12 种嵌入式传感器，可以开展人脸监测与动态跟踪系统、人脸识别门禁系统、智能声控系统、智能温控系统等嵌入式方向的综合实验实训。
  

教学管理系统：

覆盖教学过程中各个环节的完整系统，Mo 帮助教师和学生专注于教和学，体验高效的互联网教学方式。

1.教学平台 —— 解决教师备课授课挑战

2.学习平台 —— 学生一站式 AI 学习平台

3.管理平台 —— AI 分析、AI 作业系统

4.算力管理 —— 支持国产化算力资源

AI 能力中心平台

AI 赋能智慧课程建设，Mo 全方位提供课程的智能体、智能应用、AI助教、知识库、知识图谱、数字人的服务，将智能化融入到实践教学的各个环节，加速推进院校智慧课程建设。

题库平台：

支持自动评分阅卷、随机组卷、批量导入题目等功能，提供丰富的作业题库、比赛题库、试卷库等，包括单选题、多选题、判断题、填空题、编程题、简答题、思考题、程序设计题、实训等多种题型，覆盖数十种学科的数百门课程，满足不同的练习需求。

竞赛平台：

支持从报名、审核、赛题设置、参赛、自动评分、成绩发布在内的全流程赛事，具备 5000+ 各类赛事题库，支持校级、省级、国家级赛事开展。

评测平台：

提供了一个中立、客观的人工智能能力评测系统（Artificial Intelligence Ability Test，AAT），系统已经接入了如人社部人工智能训练师、软件行业协会团体标准等多个证书。

五、课程、数据集、实训案例资源

以下为概述，详细资源列表请进入各平台模块查看，或联系 Mo 平台郑老师获取。

Mo 的资源生态覆盖广泛，全面支持多层次、多领域的教育与产业需求：

• 学段全覆盖：K12、中职、高职、高校及人工智能通识教育。
• 学科广支撑：深度赋能理工、农医、经管、法学、文史哲等专业方向及跨学科。
• 行业深赋能：精准服务金融、工业、互联网、医疗、教育、政务等核心行业。

Mo 解决方案资源最大的特点就是来源于国家教学改革试点工作的内容，贴近教学实际。

课程资源服务：

教学资源 200+，教学资源形态丰富，包括教学大纲、讲义、教案、视频、PPT、案例代码等。

实训资源服务：

实训资源 2000+，包含实验手册、算力资源、实验环境、大模型工具、完整源码等。

数据资源服务：

辅助人工智能课程教学与实训项目，提供 2000+ 数据集资源，涵盖全方位各领域。

六、团队优势

智海 Mo — 专注于 AI 教育的“国家队”

智海 Mo 团队以浙大人工智能研究所的成员为主，研究所在人工智能上的实践并不仅仅是浙大校内的工作，也一直与国家的人工智能学科发展关联。

AI 教学与教研生态

智海 Mo 已经形成众多示范案例与标准，比如教育部101核心课程、教育部首批人工智能+高等教育应用场景案例，搭建了教材、课程、平台、服务等多位一体的生态。

七、典型案例

请参见：《Mo 客户合作案例合集》

本文是对 Mo 人工智能实训平台的简要介绍，详细方案请联系 Mo 平台助教：
郑老师：15869162394