隨著技術的不斷發展，新一代人工智慧作為中國製造產業升級的戰略高地受到了國家的高度重視。以深度學習為代表的Alpha go戰勝了世界圍棋大師，這代表了新一代人工智慧更加接近於人類智能。它如同當年的網際網路技術，正在向社會、產業的各個方面滲透，推動經濟社會各領域從數位化、網絡化向智能化加速躍升，高校作為新一代人工智慧人才的培養基地，人工智慧應該成為計算機類專業實踐教學的重點，信息工程專業實踐教學改革正是要探索「AI+」背景下實踐教學的模式創新。
新一代人工智慧技術以深度學習為代表。目前，比較著名的有Google的Tensor flow、加州伯克利分校的Caffe、蒙特婁理工學院的Blocks和Keras，以及Facebook開源了大量Torch的深度學習模塊和擴展[1]。國內有百度深度學習平臺PaddlePaddle，易學易用的特點非常適合教學。從2017年開始，我國政策的重點已經從人工智慧技術轉向技術和產業的融合。2017年出臺的《新一代人工智慧發展規劃》明確指出：必須加快人工智慧深度應用，培育壯大人工智慧產業，為我國經濟發展注入新動能。分三步走：第一步，到2020年人工智慧總體技術和應用與世界先進水平同步；第二步，到2025年人工智慧基礎理論實現重大突破，部分技術與應用達到世界領先水平；第三步，到2030年人工智慧理論、技術與應用總體達到世界領先水平，成為世界主要人工智慧創新中心，智能經濟、智能社會取得明顯成效，為躋身創新型國家前列和經濟強國奠定重要基礎。這需要大量的新一代人工智慧人才，高校人工智慧教育責無旁貸。
為了將人工智慧與實踐教學有機結合，筆者首先確定了以高素質、應用型人工智慧人才為培養目標，立足滿足傳統行業產品創新和服務升級的「AI+產業」人才培養需求，通過教育部協同育人項目建立產學研實踐基地，準確把握新一代人工智慧人才需求規格，據此重構信息工程實踐教學體系，引入量化金融等實踐內容，重點培養學生的人工智慧創新思維和創業能力，實現與產業的無縫銜接。
新一代人工智慧人才的培養要著眼於深度學習、大數據和雲計算等新一代信息技術的學習和應用，以及雙創能力的培養。在教育理念上，將雙創活動與產學研活動有機融合來重構教學大綱和實踐體系，涵蓋傳統信息系統改造升級、新一代人工智慧產品、服務構思和實現的全周期。人工智慧教育理念的核心就是要以新一代人工智慧技術進行產品創新、系統集成以及商業模式的創新，因此，實踐課程要以新一代人工智慧技術知識傳授為「點」，以傳統行業結構調整、產品升級和模式創新為「線」，以新一代信息人工智慧產業培育和發展為「面」，通過「點、線、面」一體化的人工智慧項目貫穿整個信息工程實踐教學的實驗、實訓和實習過程。在項目構思和設計階段採用可公開獲得的財經、金融大數據作為信息源，然後以量化金融作為實踐教學的主要內容和創新方法，在實施和運行階段融入雙創活動培養學生的創新精神和創業意識，從而全面提高學生的工程實踐能力，即不僅包括個人的理論知識和專業技能，而且包括團隊意識和創新創業素質拓展[2]。
2 基於新一代人工智慧的信息工程專業實踐教學改革的關鍵問題
2.1 人工智慧實訓項目選取是重中之重
筆者通過問卷調查、產業調研和頭腦風暴方法，結合專業轉型的中、長期規劃，並根據大數據實驗室建設，確定了一系列人工智慧項目作為突破口，其中比較有代表性的是「量化金融實訓系統」（如圖1所示）。
本項目以浙江省大學生學科競賽為抓手，採用同花順Mindgo量化金融平臺和MQL智能交易平臺，結合優礦、聚寬、米寬、易盛、金字塔、交易開拓者等主流量化金融人工智慧社區，開發金融、財經等領域的人工智慧算法、軟體和系統，為證券市場的機構投資者（公募、私募、券商、銀行、保險等）和個人專業投資者提供智能投研工具、智能投資平臺和智能投顧服務。
2.2 人工智慧項目與實踐教學體系的無縫融入
將人工智慧針對不同課程的教學大綱分解成多層次的實驗、實訓、實習子項目，各子項目既相對獨立又互有關聯，在實驗、課程設計、畢業設計等課內教學中反覆引用，在實習、實訓、助教、助研和學科競賽等課外活動中實現迭代開發。新一代人工智慧理論知識結合產業發展的實踐不斷深化，全過程體現產學研相互促進的連續性和有序發展。新一代人工智慧知識學習採用先固化、再消化、後優化三步走：首先學習經典的人工智慧算法和新興的深度學習理論，按照已有案例重複實驗進行驗證，做到實驗模式的固化；然後消化人工智慧的知識，並根據當前金融行情的變化搭建創新的模型以指導實踐，將知識轉化為能力；最終實現模型和策略的持續優化。
以海龜智能交易系統為例，首先基於MQL在外匯平臺上進行模型的驗證，消化海龜模型的策略和特點；然後將其用Python語言實現並移植到Mindgo量化金融平臺，在股票市場進行進一步驗證，反覆實踐；最後，基於SVM等機器學習傳統方法對模型進行優化。由於Mindgo對Tensorflow等新一代人工智慧開發工具的支持有限，因此，藉助zpline開源系統搭建平臺（WorldTrade）、接入聚寬JQData等，並基於深度學習模型對海龜模型進行最終優化。將優化後的成果對接投資機構和國內外著名量化交易社區進行產業化輸出。整個過程結合了畢業實習、畢業設計、學科競賽、課外學術活動、雙創活動和素質拓展活動，給學生及時的學分反饋和成績評價,避免因長時間實踐的枯燥性而造成學生興趣的喪失。WorldTrade實訓平臺如圖2所示。
1）以C語言為基礎底層接口。
C語言在程序算法運行的速度上是有目共睹的，具有很大的優勢，決定了金融量化交易系統的底層速度優勢。
2）以 MATLAB 和Python為中層打造交易系統框架。
MATLAB是經典的人工智慧開發語言，開發者基於MATLAB 函數庫編寫了大量經典模型，其穩定性和可擴展性決定了金融量化交易系統具有很強的靈活性。
Python是新一代人工智慧的主流語言，人工智慧包含常用機器學習和深度學習兩個很重要的模塊，而Python擁有matplotlib、Numpy、sklearn、keras等大量的人工智慧庫，pandas、sklearn、matplotlib可以做數據處理、數據分析、數據建模和繪圖，基本上機器學習對數據的爬取（scrapy）、對數據的處理和分析（pandas）、對數據的繪圖（matplotlib）和對數據的建模（sklearn），在Python中都能找到對應的庫來進行處理。
3）以文本信號為基礎信號來源。
WorldTrade以文本信號為基礎信號源，決定了金融量化交易系統的可接入能夠生成文本信號的程序化交易平臺（包括交易開拓者、金字塔、Multi Charts、Trade Satition、Magic Quant等），同時支持編程軟體Python、R、Vba、C#、C++、Java 外部連結等，還可以連結 Wind、Sina 、Yahoo 等財經網站，保證了金融量化交易系統可以充分整合外界資源的優勢。
4）系統操作界面。
WorldTrade金融量化交易系統的操作界面簡潔，主界面圖右邊為本金融量化交易系統的各項交易操作。該作業系統可實施批量操作以及實施股票帳戶風險監控。系統包括實時股票帳戶本地股票池，本地股票可以選擇手動代碼輸入，也可以選擇交易設置的批量導入。
5）基於大數據分析平臺。
WorldTrade採用Nutch來採集金融大數據。不同於Google Crawler，Internet Archive Crawler，Nutch 是一個開源Java 實現的搜尋引擎，它提供全文搜索和Web爬蟲，支持國內外多種網頁類型的信息採集，性能穩定，採集高效，能夠節省大量編程調試的時間。WorldTrade具有高度的可擴展性，遵守Robots 協議，可以靈活地實現金融數據的抓取邏輯，從網際網路上抓取所需要的財經數據，並且支持各種底層數據存儲模型（包括HDFS、Mysql、Hbase等）。
WorldTrade採用ElasticSearch提高金融信息的檢索性能。ElasticSearch是一個基於Lucene的搜索伺服器，它提供了一個分布式多用戶能力的全文搜尋引擎，基於RESTful web接口，是當前流行的企業級搜尋引擎，實時搜索穩定、可靠、快速。當索引量很大、搜索請求並發很高時，需要使用SolrCloud來滿足這些需求。SolrCloud是基於Solr和Zookeeper的分布式搜索方案，它的主要思想是使用Zookeeper作為SolrCloud集群的配置信息中心統一管理，具有大規模、容錯、分布式索引和檢索能力[2]。SolrCloud和ElasticSearch這兩個開源的分布式搜索方案均支持分布式、實時索引，通過http請求來獲得搜索結果，部署簡單、使用方便、性能強大，是當前領先的數據索引方案，可以很好的滿足金融數據的檢索性能。
2.3 建立新一代人工智慧實驗室
人工智慧專業實踐教學改革的場景是真實的量化金融實驗室體驗項目，但目前基於CPU的實驗箱的傳統教學，無法滿足以GPU為核心的新一代人工智慧技術日益發展的行業需要。為此，我們採用國際先進的人工智慧一體機，面向金融、財經數據等領域，以大數據分析為主要手段、以深度學習為突破口，基於Python、MQL和Matlab語言，將機器學習應用到金融工程中。所選的軟硬體配置相對比較先進（見表1）。
量化金融實驗室的建立，將有效彌補傳統實驗室的不足。信息管理和信息系統方向有關傳統機器學習算法的驗證性實驗可在現有實驗室進行；基於新一代人工智慧的大數據分析和應用創新，可以分階段在量化金融實驗室中實施。
經過師生的共同努力，量化金融實訓系統順利完成（如圖3所示），綜合運用了新一代人工智慧技術中的深度學習、雲計算和大數據技術，這不僅實現了與新一代信息技術產業的無縫對接，也大大促進了學生的創新創業能力的培養，激發了大學生的學習興趣和創業熱情。通過收益率排名、策略分析、實戰對抗等模式增加了實踐教學的趣味性和真實感。
量化金融實訓項目的綜合評分三大指標包括業績指標（40%）、風險指標（40%）和風險收益指標（20%）：業績指標評分標準包括累計收益率（30%）、成功率（10%）；風控指標評分標準包括收益波動率（20%）、最大回撤（20%）；風險收益指標評分標準包括Sharpe Ratio（20%）。
基於新一代人工智慧的信息工程實踐教學改革的實踐，最初起源於學校財經特色的打造和信息工程專業轉型升級的時代需求，後以學科競賽和雙創活動為抓手、以人工智慧實驗室建設為契機，結合教育部協同育人項目，將新一代人工智慧的實踐教學貫穿於實驗、實習和實訓中，應用於智慧金融產業的創新驅動，也促進了學生創新創業能力的提升。
基金項目：教育部產學合作協同育人項目（201701017084，201701017101，201702065116）；浙江省公益項目（GF19G020002）；寧波市自然科學基金項目（2017A610126）；寧波市科技項目（2017C50024，2017A610126）；浙江省新苗計劃（2017R425003）；寧波大紅鷹學生科研項目（1042218023，1042218006）；寧波大紅鷹學院科研、教學項目「基於新一代人工智慧的量化金融實踐教學研究」。
作者簡介：潘鐵軍，男，寧波大紅鷹學院信息工程學院教授，研究方向為人工智慧，pantiejunmail@126.com；鄭蕾娜（通信作者），女，浙江萬裡學院商學院副教授，研究方向為管理科學，leina_zheng@126.com。
參考文獻：
[1] 潘雲鶴. 新一代人工智慧的應用將極其廣泛[J]. 中國科技財富, 2017(8): 42.
[2] 張新新, 劉華東. 未來出版的新模式與新形態: 以《新一代人工智慧發展規劃》為視角[J]. 科技與出版, 2017(12): 38-43.
[3] 傳忠, 胡俊, 陳維宣. 我國新一代人工智慧產業發展模式與對策[J]. 經濟縱橫, 2018(4): 41-47.
[4] 潘鐵軍, 鄭蕾娜, 王明, 等. 基於IEC-PER理念的項目化實踐研究與應用[J]. 中國信息技術教育, 2017(8): 80-84.