（第15讲）能有所合谓之能

第十五讲

人工智能、教育先行：成天下之才

能有所合谓之能

2017年7月，国务院印发了《新一代人工智能发展规划》，明确指出要在中小学阶段设置人工智能相关课程，逐步推广编程教育。为了贯彻国家这一规划，在中小学进行人工智能教育成为学校的一个重点任务。高中信息技术课程中有一门课程叫做《人工智能初步》，在这门课程中需要掌握以下内容：描述人工智能的概念与基本特征；知道人工智能的发展历程、典型应用与趋势；了解人工智能的核心算法，熟悉智能技术应用的基本过程和实现原理；知道特定领域人工智能应用系统的开发工具和开发平台；利用开源的人工智能应用框架，搭建简单的人工智能应用模块；通过智能系统的应用体验，了解社会智能化所面临的伦理及安全挑战，知道信息系统安全的基本方法和措施，增强安全防护意识和责任感等等。

2018年5月, 美国人工智能协会和计算机科学教师协会推出了面向K12的人工智能教育工作规划。这个规划对不同学习阶段应该掌握的人工智能技术进行了等级划分，比如在幼儿园到小学2年级阶段，能够辨识计算机、机器人和智能设备中的传感器；通过与语音聊天器进行交互，了解这些传感器所起的作用；在3年级到5年级阶段，了解传感器所得到的输入信号是如何在感知过程中被使用的；展示计算机感知能力的局限性；实现体现计算机感知能力的一个应用；在6年级到8年级阶段，了解传感器的局限性如何影响了计算机的感知能力；利用多种传感器和多种感知手段实现一个应用；在9年级至12年级阶段，解释计算机感知过程中采取的不同手段所对应的领域知识，比如视觉感知过程中由点、到线、到面、到形状的层次化机制；展示语音识别算法在处理同音字等问题时面对的困难。

我在这一讲的文字材料中列出了更详细的内容，如果你感兴趣可查阅文档进一步了解。

人工智能教育在大学中也很重要。为了规范计算机课程的教学，美国计算机学会联合美国电气与电子工程师学会，几乎每隔10年发布一次计算机课程体系。在1968年发布的计算机课程体系中，“人工智能与启发式规划”这一知识点首次出现，随后出现了人工智能与机器人、智能系统等主要的知识点。我在文字材料中分别列举了2001年和2013年计算机科学体系中人工智能的知识点，如果你感兴趣，可进行查阅。

从1968年到2013年计算机课程体系的变迁中可以看出如下特点： 第一，人工智能知识体系的着重点走过了从强调程序设计、到算法研究以及功能赋能的不同历史阶段；人工智能知识体系随时间不断扩展，不断在解决社会所需，犹如恩格斯所言“社会一旦有技术上的需要，这种需要就会比十所大学更能推动科学前进”；第二，人工智能的知识点逐渐变得明晰，它包括语音识别、自然语言理解、计算机视觉等在内的感知能力、包括搜索和规划等问题求解方式、包括以机器人为代表的行动能力以及智能体和多智能体等支持任务完成的体系架构。

小结

据说围棋的雏形是尧帝设计发明的，用来教化儿子丹朱，因此战国时期《世本·作篇》中写道，“尧造围棋，丹朱善之”，这恐怕是最早开展计算思维教育的例子。结构程序设计之父、图灵奖获得者迪科斯彻 （Edsger WybeDijkstra）在1957年结婚填报职业信息时，填写了“程序员（Programmer），但是官方拒绝这一表述，因为荷兰在那个时候没有这个职业。

斗转星移、历史车轮不断前进，当前教育思想正从“知识本位教育”转向“能力本位教育”，实现知和行的统一。到这里，数字专栏15讲的内容就全部结束了，感谢你的收听，希望你能从这门前沿科学的技术思想与方法体系中获益。

附录1  美国AI4K12规范内容

希望学生掌握的内涵

幼儿园-2年级

3年级-5年级

6年级-8年级

9年级-12年级

感知能力

计算机通过传感器感知世界。感知是一种从传感器所捕获信号中甄别提取有意义信息的能力。让计算机在实际生活场景中犹如人一样能“看”和会“听”是当前人工智能算法所取得的最大进展之一。

能够辨识计算机、机器人和智能设备中的传感器；通过与智能体（如Alexa和Siri）进行交互，了解这些传感器所起的作用。

了解传感器所得到的输入信号如何在感知过程中被使用；展示计算机感知能力的一个局限性；实现体现计算机感知能力的一个应用。

了解传感器局限性如何影响了计算机感知能力；了解多种不同算法和多种不同感知器构造而成了一个感知系统；利用多种传感器和多种感知手段实现一个应用。

解释计算机感知过程中所采取的不同手段对应的领域知识（如视觉感知过程中由点、到线、到面、到形状的层次化机制）；展示语音识别算法在处理同音字（同音异词）和其他形式不确定模糊时的困难。

表达与推理

能力

智能体具有对外界信息进行表达和使用这一表达进行推理能力。表达是智能活动要解决的基本问题。计算机能够通过特定数据结构来构造表达，基于其表达结构来支持算法从已知推理出未知。尽管智能体能够对非常复杂的问题进行推理，其所推理的机制与人类存在本质区别。如在围棋比赛中，对棋盘进行表达、对下一步落子进行推理。

绘制一个教室或学校的地图，将其与真实场景中教室和学校进行对比；使用决策树完成决策推理。

使用树结构构造一个针对（动物）分类系统的表达；描述人工智能表达如何支持问答式推理。

设计所在社区对应的一个图模型表达。给定图中某个位置，基于这个图模型表达来完成最短路径推理。

绘制一个井字棋的搜索树；描述不同搜索算法的异同。

学习

能力

计算机能够从数据中进行学习。机器学习是统计推理的一种方法，其能发现数据中所蕴含的模式。学习算法设计了许多新的表达方法，促进人工智能近年来在许多领域取得了较大进步。但是，学习算法必须依赖于海量数据才能进行学习，这些数据由人类提供，偶尔可以由机器自己获取。

以计算思维方法对数据中所蕴含的模式进行学习（如分解、识别和抽象等）；使用分类器识别图形；分析训练数据集如何有效让学习算法识别图像以及讨论程序如何知晓其绘制的内容。

了解和比较监督学习、非监督学习和强化学习的异同；通过人机交互模式来改造提升交互式机器学习算法的性能；阐释机器学习算法为什么会出现算法偏见。

辨识训练数据集中出现的数据偏差，拓展训练数据集来解决这一数据偏差；模拟训练一个简单的神经网络完成特定任务。

使用TensorFlow的Playground模块来训练包含1至3个隐藏层的神经网络；跟踪和调试一个简单机器学习算法的每一步输出。

自然交互能力

智能体需要非常多的知识才能与人类交互。比如，智能体必须与人类通过自然语言交流、识别人类的表情和情绪、在一定文化和社会范畴中从所观测到的人类行为中推知其意图。完成这些任务均是非常困难的挑战。今天人工智能系统能够完成有限任务，但是甚至缺乏孩童所拥有的通用推理和交流能力。

在一个故事中辨识某个单词是否具有积极或消极的内涵意义；辨识人脸中幸福、悲伤或愤怒等情感以及解释为什么被识别为相应情感；使用特定软件识别人脸中的情感以及文档中单词所传递的情感。

辨识人类如何将多模态信息（如语音、表情、姿态等）融合起来以便更好地进行交流；阐释一些可超越人类的人工智能算法以及无法超越人类的人工智能算法。

构建一个简单的聊天机器人；解释自然语言为什么有时传递的信息会产生歧义以及给出实例；探究智能的本质，辨识一个智能体

是否智能。

展示句法分析器如何解决语言的歧义；探究谷歌知识图谱；辨识和讨论人工智能与意识等内容。

对社会的影响

人工智能对社会将产生积极和消极双刃剑影响。人工智能技术极大改变了我们工作、旅行、交流以及彼此关怀的模式。对于人工智能可能的害处必须高度重视，比如由于训练人工智能算法所使用数据存在偏差，训练得到的人工智能系统就会给某些人带来算法偏见。因此，我们必须严肃讨论人工智能对社会的影响，研究将伦理道德引入人工智能系统的标准和规范。

辨识人工智能在日常生活中的各种应用；讨论人工智能在日常生活中的各种应用之优点和不足。

探究人工智能算法如何被数据偏差影响以及如何影响了算法决策；阐释人工智能算法具有包容性之道。

解释人工智能决策出现偏差的潜在源头；理解人工智能系统设计中的平衡以及决策系统可能会出现事先无明确的后果。

严肃分析人工智能系统正面和负面的影响；设计一个人工智能系统以解决社会问题或者阐释人工智能为什么可被用于解决社会问题。

附录2  2001年和2013年计算机课程体系中有关人工智能的知识点

计算机课程体系年份

有关人工智能内容的知识点

Computing Curricula 2001

智能系统基础（Fundamental issues in intelligent systems）、搜索与优化（Search and optimization methods）、知识表达和推理（Knowledge representation and reasoning）、学习（Learning）、智能体（Agents）、计算机视觉（Computer vision）、自然语言处理（Natural language processing）、模式识别（Pattern recognition）、先进机器学习（Advanced machine learning）、机器人（Robotics）、知识系统（Knowledge-based systems）、神经网络（Neural networks）、遗传算法（Genetic algorithms）

Computing Curricula 2013

智能基本问题（Fundamental issues）、搜索策略基础（Basic Search Strategies）、知识表示和推理基础（Basic Knowledge Based Reasoning）、机器学习基础（Basic Machine Learning）、高级搜索（Advanced Search）、高级知识表达和推理（Advanced Representation and Reasoning）、不确定下的推理（Reasoning Under Uncertainty）、智能体（Agents）、自然语言处理（Natural Language Processing）、高级机器学习（Advanced Machine Learning）、机器人（Robotics）、感知与机器视觉（Perception and Computer Vision）