编者按:在6月16日浙江大学召开的高校人工智能教育教学创新研讨会议中,围绕“智能时代、教育何为”这一命题,浙江大学人工智能教育教学研究中心发布中英文《大学生人工智能素养红皮书(2024版)》,现将中文版全文推介如下:
前言:
与任何有机体一样,人类需要与环境保持良好的互动,才能更好地繁衍生息。在一般意义上,素养指的是人类个体与环境互动的能力,它旨在维持和促进个体与种群的生存和发展,具有主体性、实践性和伦理性等内在特征。
先前的技术发明从机械化增强角度提升了人类与环境的互动能力,然而,人工智能的出现挑战了人类的根本,它深刻改变了人类与环境互动的能力和角色,成为引领新一轮科技革命和产业变革的战略性技术,对经济发展、社会进步、全球政治经济格局以及教育变革产生着重大而深远影响。
在教育领域,人工智能正彻底改变着以知识积累和传递为中心的教学模式,新一代人工智能技术可以胜任原本属于人类脑力劳动范畴的部分工作。如何通过多样化的人机协同模式不断提升学习者的主体性、能动性和实践性,最终让大规模的个性化学习普遍发生,成为“智能时代、教育何为”需要直面的重大命题。
生成式人工智能将人类绝大多数知识装进数字化知识容器中,重构了人类知识版图,成为大数据时代中一种新型的“知识提供者”。然而,生成式人工智能的局限性也是显而易见的,它对个体自主思考、判断、学习能力乃至伦理道德观提出了前所未有的挑战。在人类教育史上,每一次伟大的技术创新(如文字、印刷术和互联网技术)都引发了教育领域质和量的飞跃。以ChatGPT为代表的生成式人工智能技术将实现对传统教育体系的再次迭代升级,促使人类教育目标从知识本位和能力本位走向素养本位。
本红皮书旨在提出大学生人工智能素养的构成内涵、培养的目标与愿景以及培养的载体、行动与策略,认为大学生人工智能素养是由体系化知识、构建式能力、创造性价值和人本型伦理构成的有机整体,其中知识为基、能力为重、价值为先、伦理为本。
人工智能发展给高等教育带来的挑战
一、从达特茅斯启航到新一代人工智能
1955年8月,时任达特茅斯学院数学系助理教授、1971年度图灵奖获得者麦卡锡(John McCarthy)、时任哈佛大学数学系和神经学系青年研究员、1969年度图灵奖获得者明斯基(Marvin Lee Minsky)、时任贝尔实验室数学家、信息论之父香农(Claude Shannon)和时任IBM信息研究主管、IBM第一代通用计算机701主设计师罗切斯特(Nathaniel Rochester)四位学者向美国洛克菲勒基金会递交了一份题为“关于举办达特茅斯人工智能夏季研讨会的提议”的建议书,希望洛克菲勒基金会资助拟于1956年夏天在达特茅斯学院举办的人工智能研讨会。在这份建议书中,“人工智能(Artificial Intelligence)”这一术语被首次使用。1956年6月18日至8月17日,近40位学者来到美国达特茅斯学院参加人工智能研讨会,围绕自动计算模拟人脑高级功能、使用通用语言进行计算机编程以模仿人脑推理、神经元相互连接形成概念、对计算复杂性的度量、算法自我提升、算法的抽象能力、随机性与创造力等议题展开讨论,开启了人类研发人工智能之路。
在之后70年的发展历程中,以神经网络为代表的连接主义,以知识工程为代表的符号主义和以控制论为代表的行为主义相互渗透发展。21世纪初,以“深度学习”为代表的人工智能方法在计算机视觉、语音识别和游戏博弈等领域取得显著进展。
中国人工智能发展与时俱进。2017年,国务院发布了《新一代人工智能发展规划》,其中提出了大数据智能、跨媒体智能、群体智能、人机混合增强智能、智能自主系统等五大智能形态,指出人工智能呈现深度学习、跨界融合、人机协同、群智开放、自主操控等新特征,标志着中国人工智能发展进入新阶段。
2022年年底出现的大语言模型计算范式推动了人工智能从一个模型解决一个任务迈向一个模型解决所有任务(All in one)的新计算架构发展阶段。这一架构的核心就是生成式人工智能,它以强大的内容合成能力为特征,推动了语言生成和对话式人工智能等领域的突破性进展。生成式人工智能的发展将进一步推动人工智能技术的普及和深入应用,为社会带来更多的便利和创新。
二、人工智能带给高等教育的挑战和机遇
和历史上蒸汽机、电力、计算机和互联网等发明一样,人工智能正在成为一种通用目的技术,以史无前例的速度全方位地改变着人类社会的发展。根据世界经济论坛发布的《未来就业报告2023》,到2025年,人工智能将导致全球减少8500万个工作岗位,同时也将创造9700万个新的工作岗位,净增加1200万个工作岗位。该报告同时指出,人工智能与大数据能力是未来最需要培养的十项技能之一。鉴于人工智能行业应用的普遍性及对未来社会发展的重要性,联合国教科文组织(UNESCO)在2023年提出的“在校师生人工智能能力框架”将人工智能素养列为学生及教师必备素养,指出在校师生需要掌握人工智能相关的知识、技能和态度,在教育及其他领域可以通过安全且有意义的方式理解和使用人工智能。由人工智能引发的行业用人需求以及职场技能要求变化正在倒逼高等教育人才培养方向和方式的优化和革新。
(一)人工智能引发知识生产模式变革
通过智能算法,特别是Transformer这样的神经网络架构,人工智能能够从海量语料中学习单词与单词之间的共生关联关系,实现自然语言的合成。以Transformer为核心构建的ChatGPT等生成式人工智能系统通过洞悉海量数据中单词—单词、句子—句子等之间的关联性,按照规模法则(scaling law)不断增大模型规模和超越“费曼极限”增强模型非线性映射能力,迅速具备了合成语言的能力,犹如昨日重现一样对单词进行有意义的关联组合,连缀成与场景相关的会意句子,生成有价值的句子和知识。
通过其强大的自然语言处理和生成能力,生成式人工智能不仅可以根据用户的需求和偏好生成个性化的内容,还能够处理和理解海量的语料库,这意味着知识的生产不再完全依赖于人类的个体能力和时间成本,而是可以通过算法实现高效且大规模的生产。这种变革不仅提高了知识生产的效率和速度,还为人类知识的整合、传播和创新提供了全新的可能性,推动着高等教育向着更加智能化和信息化的方向发展。
(二)人工智能引发高校课堂教学模式变革
全球很多高校在人工智能课堂应用领域已经开展了有益的探索。如果利用得当,人工智能为教育教学资源多样化开发提供了更多的可能性;虚拟助教、聊天机器人、智能测评等工具正在助力教学提效增质;生成式人工智能教育应用将推动教学模式从“师—生”二元结构转向“师—机—生”三元结构,推动学习空间泛在化,满足学习过程全覆盖的个性化需求,创建人机协同的学习空间。引入“人在回路”的闭环协同学习机制,形成数据驱动下归纳、知识指导中演绎以及反馈认知中顿悟等相互结合的计算理论模型,将是未来“师—机—生”耦合而成的学习空间中“教”与“学”的发展方向。时时、处处、人人可学的泛在学习将更加普及,因材施教的千年梦想将成为可能。
(三)人工智能引发高校科研范式转型
人工智能正全面融入科学、技术和工程研究,帮助研究者生成假设、设计实验、计算结果、解释机理,特别是辅助研究者在不同的假设条件下进行大量重复的验证和试错,人机协同模式大大加速了科学创新的进程,探索先前无法触及的知识视野和领域天地。大语言模型以自然语言形式与人类交互,同时将各种应用以插件形式进行整合,成为链接信息空间—物理世界—人类社会三元空间的流量入口。此外,智能体作为能够感知自身环境、自我决策并采取行动的人工智能模型,与生成式人工智能基座模型相结合,形成了人工智能体(AI Agents)这一垂直领域前沿。人工智能体在内容合成的基础上,能够实现信息检索、人机对话、任务执行、逻辑推理等自主行为。将个人智能体应用于科研领域可以辅助学习者探索生成假设、设计实验、计算结果、解释机理等步骤,促进了人类学习能力,也拓展了未知空间的研究范式。
(四)人工智能高校应用中可能产生的负面影响
生成式人工智能的产生使得智能机器成为知识生产的辅助者,对个体学习者的自主思考、判断、学习能力乃至伦理道德观提出了挑战。如果使用不当,人工智能教育应用也会带来很多负面影响,如教师地位边缘化、学生学习“孤岛”化、知识体系碎片化、隐私泄露风险、歧视和偏见、伦理风险、学术诚信和公平失衡、教育关系异化、安全和隐私问题、知识盲区与信息茧房、内容准确性不足、学生高阶思维被削弱、数字应用鸿沟等。新一代人工智能技术具有深度学习、跨界融合、人机协同、群智开放、自主操控等特征,其可解释性低、系统偏差、数据安全、数据隐私等问题也给行业和社会带来前所未有的伦理风险与挑战。
智能时代,高教何为?中国高校教师应准确识变、科学应变、主动求变,重构智能时代中国高校各专业的人才培养目标、路径以及支持系统,为社会培养大批量具有人工智能素养的复合型专业人才,助力未来社会朝着和谐、健康、可持续方向发展。
大学生人工智能素养培养的目标与愿景
一、人工智能素养的概念及构成内涵
中文“素养”一词出自《后汉书·卷七四下·刘表传》,“越有所素养者,使人示之以利,必持众来”。它指的是平日的修养,广义上它包含道德品质、外表形象、知识水平与能力等各个方面。
1997年至2005年之间,经济合作与发展组织(Organization for Economic Cooperation and Development,简称OECD)依托“素养的界定与遴选:理论和概念基础”项目,围绕“素养”开展了为期九年的研究,最终将素养界定为“在特定情境中,通过利用和调动心理社会资源(包括技能和态度),以满足复杂需要的能力”,同时指出,素养具有时代性、整体性、发展性及可测性。即素养依存于特定情境,凡是有助于个体适应社会或解决复杂问题的能力与技巧,都可称为素养;素养是知识、能力与态度的统整;通过特定教育手段,能够实现素养的培养;素养能够通过可理解、可操作、可评估的指标进行度量。2018年,UNESCO将素养定义为“使用与情境相关的所有材料进行识别、理解、解释、创造、交流和计算的能力”。
可见,个人在特定情境中,面对生活中复杂多变的问题时,能利用和调动知识、技能、判断等能力,观察和理解世界、构建解决问题的方案、用行动去检验对世界认识是否合理,提升自身胜任力,创造人类增量知识,这种综合表现可被称为“素养”。
国际计算机学会(ACM)和电气与电子工程师协会计算机分会(IEEE-CS)在2020版计算课程体系规范(Computing Curricula)中用“胜任力”这一概念来描述结合知识、技能和品行三个维度内容的计算机专业素养。
随着人类进入智能时代,人工智能素养(AI Literacy)逐渐成为个体生存和发展的重要素养之一。这一概念的首次提出是在20世纪70年代,当时主要强调的是人工智能专业技术人员的素养组成。随着人工智能对人类社会产生的巨大影响,每位公民都需要了解人工智能是什么、人工智能可以做什么和不能做什么、如何负责任使用人工智能以及质疑人工智能的使用,以便让人工智能为个体、群体和人类公共利益服务。
近年来,UNESCO一直重视全球的人工智能教育,认为所有公民都需要具备包含知识、理解、技能和价值观等要素的“人工智能素养”——这已成为本世纪的基本语法。
二、大学生人工智能素养培养的目标
作为高等教育的主要培养对象以及社会各行各业未来的接班人,大学生是一个受到各国社会高度关注和期待的群体。整体而言,大学生年富力强,精力充沛,学习能力和学习习惯基本形成,具有极强的可塑性、创造力及发展潜力。正因为大学生群体的一些特质及国家和社会对该群体的特别期待,智能时代有关大学生人工素养的内涵也有别于其他社会群体。
为了应对人工智能给社会各行各业所带来的前所未有的挑战,高校需要培养大学生在人工智能时代具备了解人工智能、使用人工智能、创新人工智能和恪守人与人造物关系等综合能力,提升他们的人工智能素养,让他们能够在智能社会中更美好地生活和发展。
具体而言,大学生人工智能素养包括体系化知识、构建式能力、创造性价值和人本型伦理四个有机整体,其中,知识为基、能力为重、价值为先、伦理为本,四者间相辅相成、相互融合。
体系化知识:
认知是人类智能的重要表现,其基石是体系化知识,体系化知识意味着可对学习对象进行整体性理解和系统化分类。人工智能具有至小有内、至大无外的交叉渗透特点,掌握了体系化知识就可更清晰地认识到人工智能的内涵、边界和外延。
体系化知识是一个相对和动态的概念,人类思维的根本任务之一就是对各种纷繁复杂的事物进行分类,逐步形成系统化和综合性思维,渐次提升通用认知和达成共识。
构建式能力:
人工智能可在人和机器之间建立合作关系,统筹人工智能和人类智能各自优势,共同努力实现特定任务的目标,人类在人机协同过程中从数据获得更多洞见,并确定最优解决方案,以前所未有的崭新辅助方式完成任务。
长久以来,科学遵循着从假设到实验再到理论验证的循环,其核心在于寻求现象背后的可解释原理。在人工智能时代,人们可通过使用人工智能工具,构建人在回路闭环解决问题的能力:对问题进行抽象建模,生成可验证假设、设计可计算模型、解释算法运行结果,根据反馈不断通过枚举和仿真等优化求解方法。构建式能力克服了传统方法难以驾驭数据复杂性的不足,推动从“知识本位教育”向“能力本位教育”转变。
创造性价值:
生成式人工智能对人类所有语料上下文信息进行压缩,然后概率合成,其对已有知识记忆和整合强大能力使得以知识积累为中心的教育模式优势荡然无存。
通过人工智能增强主体性、彰显个性化、放大能动性和参与增强实验,产出人类增量知识,形成创造性价值,进而成为社会所共同积累和分享的“普遍智能”。
人本型伦理:
传统的科技发展往往采取一种所谓的“技术先行或占先行动路径(proactionary approach)”模式,以发展技术为优先原则,体现出一种强大的工具理性,即“通过缜密的逻辑思维和精细的科学计算来实现效率或效用的最大化”。
随着物联网、人工智能等技术的发展,人类已经完全进入一个由“信息空间—物理世界—人类社会”构成的三元空间结构CPH(Cyber space-Physical world-Human society)之中,其中的伦理学讨论不再只是人际间的关系,也不是人与自然界既定事实之间的关系,而是人类与人造物在社会中所构成的关联,使得人工智能具有技术和社会双重属性,因此,人机共融社会中,人类应遵守以人为本、智能向善的伦理理念,确保把人类价值观、道德观和法律法规贯穿于人工智能的产品和服务,赋予人工智能社会属性。图1描述了大学生人工智能素养的内涵、培养载体、行动及策略。
![](/__local/1/F1/73/BE97556556AF9CC61B38E321B8F_346A4022_9ACB.jpg)
图1 大学生人工智能素养的内涵、培养载体、行动及策略
三、大学生人工智能素养培养的愿景
大学生人工智能素养培养的四大愿景包括形成人工智能思辨模式、具备人工智能解决问题的能力、创造人类增量知识的价值、坚持以人为本的伦理底线。表1从知识、能力、价值和伦理四个构成维度给出了大学生人工智能素养的具体内容及培养愿景。
表1 大学生人工智能素养的构成、内容及愿景
| | |
| ■ 数据与知识:人工智能之燃料 ■ 算法与模型:人工智能之引擎 ■ 算力与系统:人工智能之载体 ■ 交叉与应用:人工智能之用途 ■ 可信与安全:人工智能双刃剑 | 形成人工智能思辨模式:人工智能的能与不能相对转变、人工智能中的确定性(逻辑)和不确定(概率)辩证统一、机器智能与自然智能的共生协同、“人工智能+”学科交叉与综合、科技属性与社会属性高度融合。 |
| ■ 对求解问题的抽象和建模能力 ■ 对求解过程的分解和模块化能力 ■ 对求解方法的可验证假设能力 ■ 对求解结果的解释反馈能力 ■ 利用生成式人工智能求解问题能力
| 具备人工智能解决问题的能力:培养设计与构造的计算思维,机器智能归纳和人类智能直觉等融通共进,塑造通过人机协同机制进行解决问题的构建能力,实现从“知识本位教育”向“能力本位教育”转变。 |
| ■ 目标引导式对话下的内容重构 ■ 师—机—生交互中的认知主体性增强 ■ 个性化学习体验的自主性融入 ■ 解决问题的实践能动性体验 ■ 克服依赖智能工具的选择性自省 | 创造人类增量知识的价值:在人工智能辅助下提升个性化、主体性和能动性,通过内容重构合成、实践探索、交互认知等手段创造价值,实现从“知识学习、能力塑造”向“价值创造”转变。 |
| ■ 数据安全与隐私保护的意识 ■ 算法偏差与模型幻觉的警惕 ■ AI向善和以人为本的对齐 ■ 人机共生共融的AI & All理念 ■ 人类累积知识普惠共享的追求 | 坚持以人为本的伦理底线:从数据、算法、模型和应用等方面知晓人工智能脆弱性所带来的潜在危害,理解AI向善和以人为本的对齐模式,树立人机和谐相处和普惠智能的AI & All理念。 |
体系化知识包括人工智能之燃料、引擎、载体和用途有关的数据与知识、算法与模型、算力与系统、交叉与应用等知识,以及人工智能双刃剑所需要的可信与安全知识,掌握体系化知识才能具备应对复杂问题的综合系统思维。
图2展示了教育部计算机领域本科教育教学改革试点工作计划(“101计划”)核心课程“人工智能引论”以“厚基础、强交叉、养品行、促应用”为理念所形成的体系化知识点。
![](/__local/C/0D/F6/44879B32C25A80BF13B3536ED9A_A0B2C374_9B56.jpg)
图2 教育部计算机101计划核心课程
“人工智能引论”体系化知识
构建式能力包含在人机协作模式下有关求解问题的抽象和建模、分解和模块化、可验证假设、解释反馈等能力,以及利用生成式人工智能求解问题能力。
创造性价值包括目标引导式对话下的内容重构、师—机—生交互中的认知主体性增强、个性化学习体验的自主性融入、解决问题的实践能动性体验、克服依赖智能工具的选择性自省等创造价值模式。
人本型伦理包括数据安全与隐私保护的意识、算法偏差与模型幻觉的警惕、AI向善和以人为本的对齐、人机共生共融的AI & All理念、人类累积知识普惠共享的追求等。
大学生人工智能素养培养的
载体、行动与策略
一、大学生人工智能素养培养的载体
(一)课程:分类分级课程设置满足多样需求
在高校中,大学生人工智能素养培养最重要的载体之一就是通过系列课程的学习。针对不同专业及层次大学生的实际要求,高校可设置通识课程、专业课程、学科交叉课程、微课程等多类别课程,应对不同类型学生对人工智能的知识需求。表2给出了不同类别人工智能课程及涵盖的知识内容。
表2 高校多类别人工智能课程体系和内容描述
| |
| 介绍人工智能的历史、定义、分支、应用和前沿发展;讨论人工智能的伦理问题、隐私保护和安全挑战;探讨人工智能对未来社会的影响,包括就业、教育、医疗等。 |
| 讲授感知(如语音识别、自然语言理解、计算机视觉)、问题求解(如搜索和规划)、行动(如机器人)以及支持任务完成的体系架构(如智能体和多智能体)等不同方面的课程。 |
| 介绍人工智能基本知识以及利用人工智能解决本学科问题的方法,如人工智能赋能经济、法律、艺术等不同学科;通过解决不同学科场景问题,明了人工智能对不同学科所产生的范式革命。 |
| 以知识点为核心,围绕具体问题介绍人工智能不同知识点内容,提供个性化学习的课程。 |
(二)教材:数字化教学资源方便知识的传播
数字教材作为数字技术与教育教学深度融合的新形态教材,具有集成度高、互动性强、结构化明显等优点,为高校教育教学提供更加优质丰富的数字化资源,对加快教育数字化转型、推进教育强国建设具有重要意义。数字教材不仅是传统纸质教材的数字版,更是一种将教学内容、富媒体教学资源、学习工具和技术平台进行有机融合的新形态教材,为大规模“因材施教”提供可能。
数字教材在强化音视频的信息传输优势、极大地拓展读者阅读边界的同时,还可以有效聚焦读者目光、提升学习专注力、升级阅读体验,为学生个性化学和教师创造性教提供燃料。
人工智能教材所对应的视频、音频、实训案例和PPT等教学资源可按照知识点组织,形成“知识图谱—能力图谱”为结构的组织方式,为“学生更加主动地学、教师更加创造性地教”开辟广阔天地。
(三)师资:多元跨界融合促进教师团队建设
教师是加快教育数智化转型的最核心要素和关键群体,促进人工智能技术与教育教学深度融合的执行者,需要通过多元跨界融合促进教师合作交流。
吸引跨学科教师加入,构建开放的人工智能师资团队:
人工智能是一个高度综合性的交叉学科,涉及计算机科学、数学、神经科学、心理学等多个领域。为了更好地培养学生的人工智能素养,高校应积极吸引不同学科背景的教师参与人工智能课程建设。一方面,鼓励计算机、自动化、电子信息等相关专业的教师转型进入人工智能教学领域。学校可以为这些教师提供必要的培训和支持,帮助他们快速掌握人工智能的前沿知识和教学方法。同时,也要引导这些教师将人工智能与本专业深度融合,开发出交叉学科特色鲜明的课程。另一方面,也要大力引进数学、物理、生物、医学、经济管理、社会学、艺术设计等其他学科的优秀教师,参与人工智能通识教育和交叉学科教学。
加强校企合作,引入企业专家参与教学:
人工智能是一个与产业联系紧密的应用导向型学科,加强与行业企业合作,引入企业专家工程师参与教学,可以增强教学内容的前沿性和实践性。高校可以与人工智能领域的龙头企业建立长期合作关系,共建联合实验室、实践教学基地等。企业可以派遣优秀的专家工程师到学校担任兼职教授,承担部分专业课程或实践环节的教学任务。
引导青年教师加入人工智能课程组:
青年教师是高校教师队伍的生力军,在人工智能教育中可以发挥重要作用。学校应采取措施,引导和支持更多具有人工智能专业背景及对人工智能感兴趣的优秀青年教师加入人工智能课程教学团队。
二、大学生人工智能素养培养的行动
(一)汇项目:多元化设计促进理论与实践结合
大学应该建立多元化、开放性的人工智能实训项目体系,聚焦前沿技术和应用场景,促进学科交叉和校企协同,引导学生在实践中提升知识、能力、价值理念,尤其是强化伦理意识。通过参与伦理评估、跨界创新、开源贡献、产学研合作、社会服务等实践项目,学生可以深刻认识人工智能的社会影响力,学会在技术创新和伦理规范间权衡取舍,在开放协作中贡献价值,在服务社会中担当责任。唯有将知识学习与实践应用紧密结合,才能真正培养出具备家国情怀、全球视野、创新能力和伦理素养的新时代人工智能领军人才。
大学可设立人工智能伦理、人工智能+X跨学科、人工智能开源生态、人工智能产学研、人工智能社会服务等实践项目,从不同方面加强大学生实训能力培养。
(二)建平台:搭建数字平台促进实践能力提升
全面数字化的教学资源建设:
教育数字化是开辟教育发展新赛道和塑造教育发展新优势的重要突破口,为个性化学习、终身学习、扩大优质教育资源覆盖面和教育现代化提供有效支撑。将体系化知识中每个知识点所对应的课程内容、教学微视频、实训题目等教学资源进行有机组织,构建数字化形态教学资源,创新知识载体,推动教育资源的供给侧改革,以便让学生个性化学、教师创造性教。
生成式基座支持的学习平台:
生成式人工智能表现出较强内容合成能力,推动了语言生成和对话式人工智能等领域的突破性进展,让人们看到技术变革对教育产生的重大影响。根据不同学科特点,通过打造基座、训练模型、调优模型、端侧智能体赋能和应用迭代等过程手段研制教育垂直领域大模型,赋能教育教学、科学研究和教育治理,发挥教育基础性先导性全局性地位,从支撑教育教学,到支撑科学研究,再到赋能千行百业的智能升级。
三、大学生人工智能素养培养的策略
(一)人工智能通识教育:素养养成的基石
教育教学将由教育者为引领转向以学习者为中心,专业发展转向通、专、跨的连贯发展,在智能时代,高校要将人工智能作为通识教育的重要内容。
人工智能课程要面向高校全体学生,普及人工智能基本概念,介绍人工智能发展现状,剖析人工智能未来趋势,引导大学生思考人工智能带来的社会变革,培养人文情怀和使命担当。
(二)AI+X辅修:促进交叉人才培养
为培养具备跨学科融合创新能力的高层次人工智能复合型人才,大学应积极探索“AI+X”纵向交叉人才培养模式。以人工智能或计算机专业人工智能方向本科生为基础,引导并支持其在研究生阶段跨专业学习,拓展知识视野,提升创新实践能力。
具体而言可采取AI+X本博贯通、交叉学科课程、交叉科研训练、毕业设计交叉导师制、柔性学分互认机制、产学研用协同育人和国际交流合作等方法开展交叉人才培养。通过在人工智能专业本科生教育中注重交叉学科素养的培育,为学生在研究生阶段进一步深化跨学科学习奠定良好基础。同时,要为学生提供多样化的跨学科学习资源和实践机会,激发其探索交叉领域的兴趣和潜力。高校应根据自身特色和优势,因地制宜地探索“AI+X”复合型创新人才培养的有效模式,为智能社会发展源源不断地输送高水平人才。
(三)微专业:跨专业协同促进X+AI人才培养
微专业由特定领域的一组微课程组成。微型课程可以帮助学习者在短时间内获得相对独立完整的单元知识。因此,微课程为专业人士提供了在不离开其现有岗位的情况下扩展其能力的潜在机会,并使他们的专业知识与时俱进。
微专业可打破院系和专业学科壁垒,联动政校企力量,汇聚一流的学者与产业专家共同开设课程,实现跨学院、跨学科、跨专业教学与管理,使非计算机专业和非人工智能专业的学生能够更为灵活、高效地学习和了解人工智能基本知识体系,掌握人工智能基本知识,提升人工智能实践应用能力,从而推动本学科今后研究的范式变革。
微专业可以采取多种灵活多样的方式,充分发挥跨学科交叉融合的特点,培养学生的人工智能素养和创新实践能力。微专业强调传统学科主动与AI的融合,具体举措可以包括校际联盟合作办学、跨院系协同开发课程、线上线下混合式教学、产教融合协同育人等。
总之,高校开设人工智能微专业要体现交叉融合、开放协同的理念,打破学科专业壁垒,促进校校、校 企、国际合作,共建共享优质教育资源。同时,要创新教育教学模式,线上线下结合,注重实践创新能力培养,多措并举提升人才培养质量。只有不断探索创新,人工智能微专业才能成为复合应用型人才培养的有效途径,更好地服务经济社会发展。
结语:
教育是把人从自然人转化为社会人的过程。在这一过程中,人类需要与环境保持持续互动,以维持生存和发展,这就突出了素养所涉及的知识、能力、价值和伦理问题。
在《说文解字》中,“教”和“育”分别指“上所施下所效”和“养子使作善”。人工智能时代对教育方法和手段产生了深刻影响。以ChatGPT 为代表的大模型技术对教育进一步产生了巨大影响,使得机器和系统等人造物不再仅仅是知识的载体和表现工具,更是参与到教与学的过程中并成为其中的一方。
教育的首要目标永远应该是独立思考和判断的总体能力的培养,而不是获取特定的知识。为此,我们应该用科学理性的态度来把握技术的本质特征及潜力,对技术进行综合审视和哲学思考,对技术突破保持关注与警觉,更好地理解和发掘技术在教育领域的潜在价值。
人工智能能否实现伦理正当性,并不取决于人工智能本身,而是取决于人以及人工智能是否真正指向正当性目的。面向未来,面对不确定性,我们的态度应该是从知识本位教育迈向能力本位教育,恪守人工智能发展伦理规范,让人工智能为创造人类共同价值服务。
附录:
附录1:教育部计算机101计划核心课程“人工智能引论”知识点体系
2021年年末,教育部在北京大学启动实施的计算机领域本科教育教学改革试点工作计划(简称101计划)。101计划启动以来,教育部计算机科学类基础学科拔尖学生培养基地建设高校中15所高校的40位左右老师参与了核心课程“人工智能引论”建设。参与建设教师认为人工智能具有多学科交叉综合、渗透力和支撑性强、高度复杂等特点,呈现技术属性和社会属性高度融合特色。
以“厚基础、强交叉、养品行、促应用”为理念,按照“厚算法基础、养伦理意识、匠工具平台、促赋能应用”的培养目标,“人工智能引论”设置了10个模块和63个知识点(含9个进阶知识点)。具体内容如下:
模块1 可计算理论与图灵机:可计算理论、图灵机模型和图灵测试、人工智能主流算法(符号主义、连接主义和行为主义)、国内外人工智能发展重要事件。
模块2 知识表达与推理:知识表示方法、命题逻辑和谓词逻辑及其推理方法、知识图谱推理、贝叶斯网络与概率推理、因果推理。
模块3 搜索探寻与问题求解:贪婪最佳优先搜索、启发式搜索(A*搜索)、搜索算法的性能分析、Minimax搜索、Alpha-Beta剪枝搜索和蒙特卡洛树搜索。
模块4 机器学习:机器学习模型评估与参数估计、线性回归模型、决策树、聚类、特征降维、演化学习和进阶机器学习等。
模块5 神经网络与深度学习:感知器模型、梯度下降和误差反向传播算法、卷积神经网络、循环神经网络、注意力机制、网络优化与正则化、进阶深度学习算法等。
模块6 强化学习:马尔科夫决策过程、贝尔曼方程、基于表格求解法的策略评估与优化、强化学习中探索与利用的平衡、基于近似求解法的策略评估与优化以及基于策略的强化学习。
模块7 人工智能博弈:博弈论概念与纳什均衡、虚拟遗憾最小化算法、Gale-Shapely算法、多智能体博弈算法。
模块8 人工智能伦理与安全:可信公平人工智能、人工智能可解释性和算法攻击与防守。
模块9 人工智能架构与系统:人工智能算法支撑技术链、人工智能芯片(GPU、XPU和类脑芯片等)和分布式深度学习优化等内容。
模块10 人工智能应用:利用人工智能模型和算法来实现自然语言中的机器翻译、视觉理解中的图像分类、机器人中的行为控制和科学计算以及大模型等具体例子。
![](/__local/6/49/55/D29339226695B6F049FB6BACD63_81B0775C_10DA0.png)
人工智能十个知识点模块之间相互支撑、互为一体,将算法、模型、系统、应用和伦理规范等有机结合,在算法和模型方面,强调了从逻辑推理到问题求解、从策略搜索到数据建模、从浅层学习到深层学习,从学习结果误差评价到序贯式反馈收益评估,从最优解优化到均衡解博弈。
附录2:ACM和IEEE-CS制定的新版人工智能知识点
ACM(Association for Computing Machinery)和IEEE-CS(IEEE Computer Society)从2021年开始为计算机本科专业制定人工智能领域知识点(详见:https://csed.acm.org/knowledge-areas-intelligent-systems-ai-sigcse-2022-version/),其认为:神经网络和表示学习越来越受到重视,反映了该领域的最新进展。由于搜索在整个人工智能中的关键作用,它仍然被强调,但符号主义人工智能方法略有减少,以增加有关神经网络等内容;应该越来越重视人工智能在诸多方面的实际应用(如医学、可持续性、社交媒体等);关注人工智能技术对社会所产生的广泛影响,包括人工智能伦理、公平、可信和可解释等方面问题;考虑到人工智能与其他知识领域在实践中的广泛联系,每个计算机科学学生都应有明确目标来培养基本的人工智能素养和批判性思维。
表3中给出了ACM和IEEE-CS联合工作组正在制定的人工智能知识点,包括了基本问题、基本搜索策略、基础知识表示和推理、基础机器学习、应用和社会影响、高级搜索、高级表示和推理、不确定下的推理、智能体、自然语言处理、高级机器学习、机器人、感知和计算机视觉等13个模块。
表3 ACM和IEEE-CS正在制定的人工智能领域知识点
| |
| 人工智能问题概述,最近成功的AI应用示例;智能行为定义;图灵测试;理性推理与非理性推理;智能体本质;人工智能的哲学问题。 |
基本搜索策略 Basic Search Strategies | 问题的状态空间表示;无信息搜索;启发式搜索(最佳优先搜索和A* 搜索);搜索算法的空间和时间复杂度;最小最大搜索;Alpha-beta剪枝搜索。 |
基础知识表示和推理 Basic Knowledge Representation and Reasoning | |
基础机器学习 Basic Machine Learning | 机器学习任务的定义和示例;基于统计的监督学习(朴素贝叶斯和决策树);机器学习优化(如最小二乘回归);过拟合问题和正则化;机器学习评估;神经网络基础。 |
应用和社会影响 Applications and Societal Impact
| 人工智能在广泛问题和不同领域的应用(如医学、可持续发展、社交媒体等);人工智能的社会影响。 |
| 构建搜索树、动态搜索空间、搜索空间的组合爆炸;随机搜索;模拟退火算法;遗传算法;蒙特卡洛树搜索;束搜索(beam search)、最小最大值搜索、Alpha-beta剪枝搜索;期望最大搜索(MDP求解)。 |
高级表示和推理 Advanced Representation and Reasoning | 命题逻辑和谓词逻辑的回顾(交叉引用DS/基本逻辑);知识表示问题;描述逻辑;本体工程;非单调推理(例如,非经典逻辑、默认推理);论证;关于行动和变化的推理(例如,情况和事件演算);时空推理;基于规则的专家系统;语义网络;基于模型和案例的推理;规划。 |
不确定下的推理 Reasoning Under Uncertainty | 随机变量和概率分布;概率公理;概率推理;贝叶斯法则;条件独立;知识表示;精确推理及其复杂度;随机抽样(蒙特卡罗)方法(如吉布斯采样);马尔可夫网络;关系概率模型;隐马尔可夫模型;决策理论。 |
| 智能体定义;智能体结构(如反应、分层和认知);智能体理论;理性与博弈论;智能体决策理论;马尔可夫决策过程;软件智能体、个人助理;学习智能体;多智能体系统。 |
自然语言处理 Natural Language Processing | 确定性语法和随机语法;解析算法;CFG 和图表解析器(例如 CYK);概率CFG和加权CYK;基于语料库的方法;N元文法和隐马尔可夫链;自然语言应用示例:词性标注和语言形态学;信息检索;TF*IDF;查准率和查全率;信息抽取;语言翻译;文本分类。 |
高级机器学习 Advanced Machine Learning | 参数估计(最大似然);归纳逻辑程序设计(ILP);监督学习;决策树;简单的神经网络/多层感知器;支持向量机;集成学习;最近邻算法;深度学习;无监督学习和聚类;半监督学习;学习图模型;性能评估(例如交叉验证和ROC曲线);学习理论;过拟合的问题,维度灾难问题;强化学习;机器学习算法在数据挖掘中的应用。 |
| 机器人系统(包括传感器和传感器处理等);机器人控制架构;世界空间建模和世界空间模型;传感和控制中的固有不确定性;轨迹规划和环境地图;解释传感器数据中的不确定性;定位;导航和控制;运动规划;多机器人协作。 |
感知和计算机视觉 Perception and Computer Vision | 计算机视觉;图像采集、表示和处理;形状表示、对象识别和分割;运动分析;音频和语音识别。 |
附录3:联合国教科文组织发布的《K-12 AI 课程:政府认可的 AI 课程图谱》
联合国教科文组织一直重视K12人工智能教育,认为所有公民都需要具备一定程度的人工智能能力,包括具备“人工智能素养”中的知识、理解、技能和价值观,因为这已成为本世纪的基本语法。
2022年2月,联合国教科文组织发布了《K-12 AI 课程:政府认可的 AI 课程图谱》(K-12 AI Curricula: A mapping of government-endorsed AI curricula),这是关于 K-12 人工智能课程全球状况的第一份报告。在这个报告中,联合国教科文组织对K12的人工智能教育提出了九个知识点领域,分别是算法与编程、数据素养、领域问题求解、人工智能伦理、人工智能社会影响、人工智能在其他领域应用、理解和使用人工智能方法、理解和使用人工智能技术、发展和创新人工智能应用。
表4 联合国教科文组织
《K-12 AI 课程:政府认可的 AI 课程图谱》
| | |
| | 与数据所起作用一样,算法和编程是参与人工智能的技术基础。 |
| 大多数人工智能应用程序运行在“大数据”上。掌握数据全生命周期中收集、清洗、标记、分析和结果报告等内容是使用和或开发人工智能的技术基础之一。了解数据及其功能也可帮助学生理解人工智能所面临若干道德和部署挑战的背后原因及其在社会中的作用。 |
| 人工智能通常被认为是应对商业或社会挑战的潜在解决方案,为此需要形成针对具体任务和场景的情景式解决问题框架,包括设计思维和基于项目的学习。 |
| | 无论技术专业和职业背景如何,未来社会的学生都将在个人和职业生活中应用人工智能。对于每个人而言,理解人工智能的伦理挑战非常重要,需要了解人工智能伦理,形成可解释、可信和公平等概念;知晓在不道德或非法使用人工智能的情况下(例如包含有害偏见或侵犯人工智能隐私权)如何采取防范措施或补救办法。 |
| 人工智能对社会影响涵盖法律框架和劳动力转型等方面,要理解人工智能时代的职业代替、法律框架变化和人工智能治理等趋势。 |
| 人工智能在计算机科学之外有着广泛的应用,诸如艺术、音乐、社会研究、科学和健康等。 |
| | 理解人工智能基本理论(如模式定义与识别、机器学习模型)、让学生能够使用现有人工智能算法(如训练分类器),了解人工智能中算法分类(如监督学习、非监督学习、强化学习、深度学习和神经网络等) |
| 人工智能技术通常可以完成人类所需的应用,可以“作为服务”提供(如自然语言处理和计算机视觉等)。知晓应用现有的人工智能技术来完成任务或项目,研究创建这些技术的过程。 |
| 开发人工智能技术涉及创建新的人工智能应用程序,这些应用程序可能会解决社会挑战或提供新型服务。这是一个专业领域,需要了解编程、数学(尤其是统计学)和数据科学方面的一系列复杂技术和技能。 |
(来源:科教发展研究,2024-06-18)