正文
但这显然不是魔术。
在设计AI系统时,人们会将一个大问题细致地分解成许多小问题,并使这些针对小问题的解决方案能够联系在一起。在上面的例子中,AI程序会将音频分成一些数据块,将它们上传到云,确定其可能的意义并将结果转化为一组搜索请求;随后,系统会将数百万种针对这些请求的可能答案进行分类和排序。因为云的可扩展性,这一过程只需要耗费几十毫秒。
这并不是特别困难的事,但仍然包含许多要素:用于转译音频的波形分析、用来教会机器识别裙子的机器学习、保护信息的加密技术等等。虽然,这其中有许多都是在各种应用上被用了一遍又一遍的标准技术,却也不是某个孤独天才闭门造车就能搞出来的东西。
创造这类技术的人必须学会
建立团队,在团队中工作,并能够从其他团队做出的解决方案中获取灵感
——而这些同样是我们需要教会下一代的技能。
以及,随着AI开始接管工作场所中的日常事务信息以及手工作业,我们需要额外强调那些将人类工作者同AI区分开来的品质——
创造力、适应性以及人际交往能力
。
从基本层面看,这代表我们要着重强调那些能够激励他们解决问题的训练,同时教会他们如何进行团队合作。令人高兴的是,在K-8(美国绝大部分私校采用的八年学制)层级上,有很多探索式学习、专案式学习方面的尝试——尽管我们不知道有多少地区在实践这条路线。
在每一层级的教育上,
伦理学
都应该更多地被关注。AI技术从出生起就始终面临着伦理困境——举个例子,如何将种族、伦理和性别方面的偏见排除出机器的自主决策?在乘客和行人的生命之间,一辆无人车会做出什么样的选择?不论是编程者,还是其他参与这些规则制定的人,都需要在深思熟虑之后审慎决定。
△
MIT推出的图形化编程语言Scratch
在基础教育阶段,我们并不用急着去教孩子们写代码。当然,Snap!和Scratch这类图形化编程语言在教学中十分有用,如果孩子乐在其中,从小就学编程也没什么不好。但写代码这件事,孩子们晚些时候同样能学起来。