从星空素描到智能拟合——单元活动设计中关于“有损压缩”的重复叙事

针对人工智能教学过程中知识点更迭频繁、教学情境与案例多样复杂所引发的情境铺垫性价比偏低、单元内容碎片化等问题，本文借鉴文学艺术领域的手法，提出一种重复叙事的单元教学设计思路，并以星图有损压缩为典型案例展开实践分析。

该教学案例围绕同一实验目标，从多个视角开展分析与探讨，既可有效串联信息科技学科的多项知识点，又能对比阐释人工智能建模与人工数学函数建模两种方式的异同。

希望该教学设计能够引导学习者完整经历实验观测、规律挖掘、模型构建的全探究流程，同时为学习者提供深入思考的切入点，使其基于有损压缩的视角，进一步探讨人机协同工作中人和机器各自的优势与局限，领悟人的学习和创造工作所具有的独特性。

“重复叙事”是文学、戏剧、影视艺术创作中的一种手段。热奈特这样描述“重复叙事”：同一事件可以讲述好多次，不仅文体上有变异，而且视点有所变化。重复叙事不是情节的简单复述，它围绕单一核心事件展开，依托不同的目的完成复调式多层解构与重构。有很多经典文学作品以精妙的重复叙事构筑起独特的艺术质感。

例如，在《红高粱家族》中，小说没有对伏击战这个关键事件进行一次性平铺直叙的完整交代，而是在不同章节、不同叙事语境中，从多个人物视角、不同时间维度反复回溯这一事件；又如《祝福》中的重复叙事，祥林嫂的苦难生活通过不同人群的视角、不同时间节点的回忆，被反复讲述。

艺术创作的理念有时可以借用到教学活动设计中。在人工智能单元教学中，为了引出不同的知识点，可能要频繁更换教学情境与案例，这往往导致情境铺垫性价比低、单元内容碎片化，学生需要不断适应全新场景，从而影响到对问题的深入探究，进而对开展持续性、创新性的课堂思考与生成性内容造成影响（这里需要说明，为了强调某种特定的思想方法而多次改换任务场景是一种有效的教学手段，这是一个需要另设主题展开讨论的问题）。

而在单元教学设计中运用重复叙事的手法或许能破解这一困境：教师可锚定同一个应用或技术场景，在避免机械地复述内容的前提下，让学生从体验应用、理解技术原理、探讨社会价值等不同视角对核心场景进行多视角、多层次认知，借助对统一情境的逐步熟悉所积累的认知基础，让学生有机会更深入地进行思考，乃至实现具有生成性的创新。

本文给出一个供参考的单元教学案例（其实也可以将任务分散到多个单元中），依托星空图景主观感知、数据分析与有损压缩这个统一的核心情境，搭建完整的教学线索，以重复叙事的形式推进逐层深度学习。

在学习过程中，任务情境是单一的：尝试用计算机用尽可能简单的计算过程模拟出更接近真实景象的星空。

在教学过程中，首先，引导学生直观观察星空图景，建立对星空中星点分布及亮度差异的直观感性认知；其次，引导学生分析星点的亮度分布规律，在一项有损压缩任务中完成从自然视觉场景到数字化、数据化的转化；再次，跳出纯技术层面，引入心理物理学视角，结合韦伯-费希纳定律，探究星点物理客观亮度与人眼视觉主观明暗感受的差异与对应关系，打通科学物理规律与人类感知心理的关联；最后，依托前面积累的场景认知与理论基础，基于实验数据引出人工神经网络的机器学习逻辑，智能拟合人眼亮度感知曲线，同时，基于上述拟合曲线，重新审视之前对星空图景进行有损压缩的方案，尝试对方案进行优化。

第一次有损压缩实验，

用画图软件将图像转换为单色位图

第一次实验相当简单，要求学生先通过观察、手工铅笔临摹的方式完成对真实星空景象（为了降低复杂性，只绘制星座中的星点，不涉及星团、星云、星系等深空天体）的手绘素描，真切感知真实星空星点的疏密、明暗、分布特征，积累直观的星空视觉经验，在铅笔着色浓度一致的情况下，尝试用星点面积的大小来表达星的亮度。

然后，对比简单的画图软件所生成的单色位图和手工绘制素描，对其效果进行区分。画图软件其实已具备了有损压缩的能力，可以用画图软件打开截取自星空仿真软件的星空图像，或者真实的星空照片，然后将图像文件另存为单色位图，从而实现一种简单的自动化的有损压缩。可以让学生观察这样进行的有损压缩，有哪些不太理想的地方。例如，在转换为单色位图后，很多暗弱的星点消失了；又如，一些较亮星点的圆形边缘出现了缺刻或锯齿（如图1）。

图1 由画图软件将原图（左）转换得到的单色位图（右）存在明显缺陷

第二次有损压缩实验，

人工编制星点亮度等级阈值方案

基于手绘星图的经验，应当很容易设想出一种简单的专门针对星空的有损压缩方案：只要记录下星点的亮度和位置，在黑暗的背景中按量化后的等级重新绘制星点即可。为了便于实验，教师可向学生提供用于有损压缩实验的交互网页（很容易借助生成式人工智能生成相关代码）。其功能是，在窗口粘贴截取自星空仿真软件的星空图像或真实的星空照片，利用检测星点功能获得图像中所描绘的每个星点的像素的总亮度，然后由人工调整滑杆来设定阈值范围，利用工具中提供的简化当前星图的功能，自动将夜空中的星点归为7个档次，再根据星点亮度所属的档次，在星点原来的位置绘制对应亮度的像素点，也就是说，通过将变化范围很大的亮度数值，量化到7个等级中，来实现有损压缩。然后，需要观察基于不同的阈值设定方案，新生成的星空图像的逼真程度。

显然，这种有损压缩方法和数字化过程中的“量化”思想有关，同时也体现出有损压缩的意图：尽量简化掉观察者在主观感知过程中并不产生过多影响的细节。对于星空图景，这种设置7个档次的有损压缩方法能够实现惊人的压缩比，几十K字节的星图文件最终变成几百字节，压缩比可以达到百分之一。然而，并不是所有的压缩方案，都能得到理想的星图景象，如图2所示的阈值设置方案，所得到的星图中暗星亮度过于一致，体现不出星点亮度的层次。于是，如何用更合理的阈值设置方案，获得效果更好的压缩后的星图景象，成为值得学生进一步研究的问题。

图2 通过设定阈值来对星点亮度等级进行量化

第三次有损压缩实验，基于“客观强度

——主观强度”对应关系调整有损压缩方案

可以通过另一个实验，让学生发现人对星点亮度的主观感知与客观物理亮度之间的奇妙关系。有一系列已计算好星点像素总亮度的多张星点图片，但星点总亮度的具体值不告知学生，要求学生将最暗的星点拖拽到主观感知轴最左侧，将最亮的星点拖拽到轴的最右侧，处于中间亮度的星点，需要拖拽到轴中间的某个主观感知上自认为合适的位置。建议多位学生共同实施拖拽实验，拖拽后取每个星点的平均位置。于是可以得到“客观强度——主观强度”两维数据，可以基于数据绘制散点图（如图3）。

图3 星点拖拽实验和生成的散点图

可以发现，得到的散点图呈现出初期急剧上升、后期上升幅度减缓的趋势，其曲线大致契合对数函数曲线。这并非巧合，心理学家韦伯发现，同一刺激差别量必须达到一定比例，才能引起差别感觉。例如，人可以感受到100克和120克重量差别，但很难感受400克和420克重量差别。

德国心理物理学家费希纳在韦伯研究的基础上进一步描述连续意义上心理量与物理量的关系：将最小可觉差（连续的差别阈限）作为感觉量的单位，即每增加一个差别阈限，心理量增加一个单位，可推导出公式S=k lg I+C（S为感觉量，K为常数，I为物理量，C是常数），其含义是感觉量与物理量的对数值成正比。也就是说，感觉量的增加落后于物理量的增加，物理量成几何级数增长，心理量成算术级数增长，适用于中等强度的刺激，这称为韦伯-费希纳定律。

人在观察星点亮度时的主观感受，大致上也遵循韦伯-费希纳定律。19世纪中期，天文学家普森在设定星等时，规定星点亮度等级相差1，其实际亮度相差约2.5倍，也就是说，一等星比二等星亮约2.5倍，二等星比三等星亮约2.5倍……

基于以上发现和原则，可以这样来设定量化阈值：在星等亮度轴上，左侧阈值间空间范围小，右侧阈值间空间范围大，右侧区域范围应该是左侧区域范围的倍数，若这样设定有损压缩方案，就能获得主观感觉更接近原始星图的压缩后的星图（如图4）。

图4 根据一种更合理的星点亮度等级进行量化后的结果

借助人工神经网络获取有损压缩方案

对于先前通过星点图片拖拽实验获得的“客观强度——主观强度”关系数据，人可以用对数函数曲线对其建模，然后基于模型调整有损压缩过程中的量化方案，那么，机器学习是否能基于数据自主建立起“客观强度——主观强度”关系的模型呢？答案是肯定的，并且，只需要数量很少的以ReLU激活函数工作的人工神经元，就能实现数据规律的机器自主发现。

可以很容易利用生成式人工智能生成一个仅有一个输入神经元、一个输出神经元、三到四个隐藏层神经元的人工神经网络的演示模型，通过多次迭代，基于数据逐步拟合出前半段陡峭、后半段平缓的曲线。在学生对演示模型的工作过程有了直观的感受后，再利用专业的人工神经网络工具，生成更圆润平滑、更精准对应对数函数输入输出关系的曲线，具体如图5所示。

图5 简单人工神经网络对数据的拟合

整个教学过程建立在一种对星空图景进行有损压缩的重复叙事的结构上，需要指出的是，不仅仅“对星空图景进行有损压缩”是一种重复叙事，“有损压缩”本身也是教学过程中重复叙事的重要素材，它试图引导学生理解人类感知现象、实现创新的一种重要的方法。

正如柯尔莫哥洛夫所说：理解一个东西，就是要找到能生成它的更简短的描述。Michael Freedman说，数学家的工作，就是把一系列工作过程转化为一种压缩好的宏，然后就在已有宏的基础上开展新的建构工作……而人工智能大语言模型，其实可以看作一种针对互联网全部数据的有损压缩工具。

不妨进一步展开一个值得深思的重要话题：在人工智能已具备强大数据拟合能力、自主挖掘潜在规律的当下，学习者是否仍需要亲历从实验探索、规律提炼到建模应用的完整过程？

笔者认为，答案是肯定的。不可否认，人工神经网络凭借强大的算力优势，能够快速适配实验数据特征，完成高精度的曲线拟合与趋势预测，为后续压缩方案设计提供有效参考，但这类人工智能模型存在天然的局限性——其训练生成的模型结构和参数体系复杂且晦涩，是典型的“黑箱模型”，仅能输出最优拟合结果，无法解释数据背后的内在逻辑与变化机理，不具备可解读、可溯源、可自主优化、可重组复用的特性。与之形成鲜明对比的是人工数学建模的独特价值。人类依托主观认知、逻辑推理与抽象思维提炼出的数学函数模型，拥有简洁、严谨、可解读的形式化结构。这种建模过程并非简单的数据适配，而是人类对实验数据变化规律、物理本质、内在逻辑的深度理解与凝练，其简约的表达式结构本身，可以看作一种高效、精准的具备逻辑支撑的有损压缩成果。相较于人工智能建模的高算力消耗、无逻辑支撑的拟合方式，人工数学建模极大降低了运算成本，同时保留了规律的核心本质，剔除无效冗余信息，实现了人在头脑认知层面的高效压缩。

能否深度理解模型底层原理、自主解构与重构规律，是人类智能与机器智能最核心的区别。机器只是被动基于数据完成拟合与预测，无法形成认知，不可能离开人的主导实现自主创新，而人类能够在真正理解数学模型意义的基础上，根据实际场景需求，灵活改造、全新创造或组合复用各类模型（或者构造计算黑箱）。同时，毋庸置疑，所有具备自主规律挖掘能力的机器学习模型，其底层框架、训练逻辑与核心算法均由人类设计构建，人工智能的一切“智能表现”，本质上都是人类认知能力与创造力的延伸。不妨设想这样一个思想实验，如果人类能创造出一种能自动构造出机器学习模型的机器学习模型，那么是否就不再有必要对机器学习模型的原理进行深入理解了？显然，那个顶层的元机器学习模型仍然是需要由人来构造实现的。

以上思辨逻辑同样可延伸至当下诸多人工智能赋能的学习场景，如在智能代码生成技术日趋成熟的今天，学习者依旧需要深耕算法原理，亲历算法推导与逻辑构建过程。人工智能即便可以高效完成代码生成、模型拟合等工具性工作，但永远无法替代人类的认知理解、逻辑思辨与创新创造，这也正是人类主动探索规律、坚持人工建模学习的核心意义所在。

本文作者：

陈凯 上海市位育中学

文章刊登于《中国信息技术教育》

2026年第13期

引用请注明参考文献：

陈凯.从星空素描到智能拟合——单元活动设计中关于“有损压缩”的重复叙事[J].中国信息技术教育,2026(13):27-31.

欢迎订阅

识别上方二维码订阅纸质版或电子版杂志