人工智能时代该教孩子学什么？
如今的小学生有朝一日进入劳动力市场时，大量就业岗位将已经消失。
　　学校的就业顾问真可怜。如果经济学家的话可以相信，当如今的小学生有朝一日进入劳动力市场时，大量就业岗位将已经消失。牛津大学(Oxford university)的卡尔o贝内迪克特o弗雷(Carl Benedikt Frey)和迈克尔o奥斯本(Michael Osborne)称，未来二十年，美国几乎一半的就业岗位、印度三分之二的岗位以及中国四分之三的工作都很可能被计算机取代。
　　在劳动者担心机器人是否会抢走他们的饭碗之际，老师们却在思考如何利用教育使下一代人免遭这种命运。这种方法以前成功过。20世纪初，当上一波自动化浪潮席卷发达世界时，政策制定者认定，解决方案是教育。如果机器将取代人类的体力，他们推断，更多人将需要从事脑力劳动。
　　于是美国大举投资教育，并取得了很好的效果。劳动者通过更好的工作和薪酬待遇获得了好处。经济学家安德鲁o麦卡菲(Andrew McAfee)和埃里克o布林约尔松(Erik Brynjolfsson)这样总结道：“工业革命开启了科技与教育之间的竞赛——在20世纪的多数时间里，人类是这场竞赛的赢家。”
　　但是，下一场竞赛的对手将是同时取代人类的脑力和体力的技术。机器学习算法已经开始取代并购业务银行家和外汇交易员之类的岗位。一些专家认为，我们需要以再一次彻底反思教育来应对挑战。
　　“学校教育往往注重开发核心认知能力——例如，阅读、写作和算术，”英国央行(Bank of England)首席经济学家安迪o霍尔丹(Andy Haldane)在最近一次演讲中表示，“智能机器早已在第一项和第三项上超越了人类。同时它们在第二项上奋起直追。这就引出了一个问题：有没有人类拥有更大比较优势的其他技能？”
因此，为了让我们的孩子免遭被机器人抢走工作的命运，我们应该教给他们什么技能？
如何拥有创造力？
　　人工智能往往可以井井有条地解决问题，但是人类大脑在有逻辑地发挥想象力、进行跳跃性思维方面要出色得多。人脑直觉更好、更具创造性、更有说服力。人类还可以结合自己的创造力和让机器人望尘莫及的灵巧，去给人理发或者烹调美食。“投资创造性方面的教育很好，因为创造力属于（自动化）应该无法取代的技能，”英国国家科技艺术基金会(Nesta)政策和研究主管斯蒂安o韦斯特莱克(Stian Westlake)称。
　　当你开始这样看待世界时，你会完全改变对一些有关全球教育的常见比喻的看法。
　　韦斯特莱克称：“出人意料的是，因为创意经济相当强劲，英国等国家会安然无恙。我们因为自己在编码等方面的能力不如新加坡和上海而苛责自己，但是事实上，这类工作最后很可能会是人工智能很容易用自动化取代的东西。”
　　一些机器或许已经学会如何表示关心，但是人类仍然拥有机器无法超越的“同理”能力。新的说法是“情商”(EQ)，代表情绪商数（或情绪智商）。“未来的高技能、高薪工作需要的技能，可能对情商的要求高过对智商的要求，并要求工作不仅创造经济价值，还要创造同样多的社会价值，”英国央行的霍尔丹称。
　　关于这些技能能否传授的问题尚未定论。不过，一些组织正在尝试。荷兰银行国际集团(ING)最近让350名员工参加了“情商培训课程”。目的是教这些银行员工如何“通过多提问题、聆听客户的感受和想法（而非只听内容），来建立与客户之间的信任，”与ING合作开发该项目的咨询公司rogenSi的主管史蒂夫o埃利斯(Steve Ellis)称。
　　其中一项练习是，让银行员工坐在一个房间内，展示一些人们面部表情的图片，让他们识别这些表情反映的情绪。ING金融市场销售主管马克o彼得o德博尔(Mark Pieter de Boer)承认，一些员工一开始有抵触心理。“一般情况下，你看到那些非常注重智商的人很难做出这样的改变。”
　　但是他称，当员工发现训练有成效后，他们的积极性提高了。该公司的调查发现，参加该课程的员工更有干劲，部门之间的合作更顺畅，生产率提高了10%。
别忘了基本技能
　　即使人工智能的有福时代最终真的到来，专家称我们也不能免除学习阅读、写作和算术等高难度认知技能。
　　英国连锁学校Ark Schools的研发经理黛西o克里斯托杜卢(Daisy Christodoulou)称，除非掌握这些基本技能，否则我们无法建立起创造性解决高阶问题的思维框架。
　　“即使真的到了计算机完成大多数工作的那一天，认知技能仍然很重要——不是对于经济而言，而是为了民主社会的顺利运转。”她称，“在那样的社会中，对完成所有工作的计算机和机器人的拥有和监管将关系重大，围绕这类问题的讨论将需要受过教育、有知识的民众。（作者：萨拉o奥康纳）
位网友推荐了本文
59058&次阅读&&&&3&次回应
所属数据库
最新鲜，最热辣的时事评论。无惧冲突辛辣，只忧平庸逐流。
您还能输入&300&字
时长：8分钟
时长：18分钟
科大讯飞副总裁、研究院院长
时长：7分钟
人工智能时代该教孩子学什么？
您可以添加如下代码，然后复制粘贴到你要引用的网站下
当如今的小学生有朝一日进入劳动力市场时，大量就业岗位将已经消失。为了让我们的孩子免遭被机器人抢走工作的命运，我们应该教给他们什么技能？
当如今的小学生有朝一日进入劳动力市场时，大量就业岗位将已经消失。为了让我们的孩子免遭被机器人抢走工作的命运，我们应该教给他们什么技能？
北京大学国家发展研究院教授
使用第三方帐号登录
还没有思客帐号？
登录或创建一个账号
还没有思客帐号？
邮箱格式不正确
验证码不正确
扫码关注思客
使用第三方帐号登录
还没有思客帐号？
登录或创建一个账号
还没有思客帐号？
邮箱格式不正确
验证码不正确什么人适合学习人工智能_百度文库
您的浏览器Javascript被禁用，需开启后体验完整功能，
赠送免券下载特权
10W篇文档免费专享
部分付费文档8折起
每天抽奖多种福利
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
内容提供机构
更多优质内容和服务
什么人适合学习人工智能
0|0|文档简介|
北大青鸟兰州优越校区2006年兴办，是甘肃唯...|
总评分0.0|
兰州北大青鸟,兰州计算机学校,兰州高薪技术学校
阅读已结束，如果下载本文需要使用0下载券
想免费下载更多文档？
还剩2页未读，点击继续
兰州北大青鸟计算机学院
文库认证机构官网
北大青鸟兰州优越校区2006年兴办，是甘肃唯一分校，隶属于北京大学北大青鸟集团管辖。致力于培养中国IT技能型紧缺人才。我们始终坚信没有天生的人才，只有后天的...人工智能初学者入门指南：什么是强AI？
编者按：目前AI被笼统划分为&弱人工智能&、&强人工智能&、&超人工智能&三个类别。甚至在很多业内专家（比如洪小文）眼中，只有&强&、&弱&AI的区别，因为&超人工智能&离我们实在还很远，难以捉摸。这样的笼统分类显然不利于大众对于各项AI技术进行认识和理解。因此，一些专家开始提出基于技术难度和AI智能水平的分类、分级方法。其中，美国学者Arend Hintze提出了对AI的四级分类，&而最近，Intuition Machine联合创始人Carlos Perez又提出了针对深度学习的五级分类。这些分类方法对各层次AI技术进行了简单的归类，有助于初学者更好地认识AI 。
上个月，密歇根州立大学副教授Arend Hintze发表了一篇很有价值的短文章《理解AI的四种类别：从响应式机器到有自我意识的存在》（ &Understanding the four types of AI, from reactive robots to self-aware beings& ）。文中，他提出了对AI的四级分类：
这是最基本的AI类型，无法产生记忆，不能利用过去的经验做决策。它们是&专才&而非&通才&，为完成特定任务所设计，不能胜任其他任务。
当前行为能够参考刚刚发生的事件。但记忆是瞬时的&&无法用于未来决策。
心智理论（ Theory of mind）
这是一个心理学术语，意思是能根据他人行为，推导、并理解他们的想法和动机。这一类型的AI能够归纳出周围环境、和与之交互的其他代理的&表征&（ representations，AI术语，详见&表示学习&）。
AI的终极课题。目前对于它的描述大都是猜想。
对此，AI专家Carlos Perez表示，他喜欢这个四分类法远远超过目前广泛使用的&强人工智能vs弱人工智能&二分类法（ps：或者再加上&超人工智能&成为第三个类别）。Arend Hintze的方法把弱AI 分为三个类别（响应式，有限记忆，心智理论），这给了我们更多概念，来区分不同的AI 应用。但Carlos Perez 又评论道，该分类法似乎来自于 &GOFAI& 思路（老式AI），潜台词是它已经过时了；另外，从有限记忆、能够使用部分过去记忆做决策到心智理论，这步子迈得太大了。
于是，Carlos Perez &提出了他自己的AI 分类方式，按能力把 AI 划分为五个级别。他表示，该分类法主要针对深度学习，希望对 AI 从业者来说更细致、更有用。它能帮我们看清楚 AI 目前在哪个阶段，以及将来会走向何方。
Perez 表示：&对当前 AI 技术进行评估，我们缺少一个好的概念框架。这可能只是由于大多数 AI 评论人无法跟上最新的深度学习进展&&需要读的东西太多，而且最新发现不停刷新我们现在对 AI 的理解。&
我们来看看 Perez 针对深度学习能力的 AI 分类：
1. 只能分类的系统（ANNs/DL） Classification Only
该级别包含全连接神经网络（ fully connected neural network ，FCN），卷积神经网络（convolution network，CNN）和它们之间的各种组合。这些系统把一个高维度矢量作为输入，得到单个结果，一般是对输入矢量的分类。
你可以把这些系统看成无状态函数，意味着它们的行为只是一个针对当前输入的函数。一个热门研究领域&&生成模型，就属于该类别。简单来讲，这些系统凭它们自己是十分强大的。
2. 使用记忆分类的系统 Classification with Memory (CM)
这个级别包含 &C 层&网络中整合的记忆因素。LSTM 就是一个例子：记忆单位嵌入在 LSTM 节点中。其它类似的变形还有，神经图灵机器 (NMT) 和 DeepMind 的可微分神经计算机（DNC）。在对行为进行计算时，这些系统会维持状态恒定。
3. 使用知识分类的系统 Classification with Knowledge (CK)
该级别与 CM 有些相似。但 C 层网络能获取的信息不是原始内存，而是符号化的知识库（symbolic knowledge base）。雷锋网获知，事实上 Carlos Perez 就发现了三种符号化整合：1. 转移学习方式（ transfer learning approach）；2. 自上而下方式 ；3. 自下而上方式。第一种方式用一个符号化系统作为正则化矩阵（regularizer）。第二种方式在神经表征底层的最上层加入了符号化元素。第三种方式跟这相反，C 层网络直接与符号化知识库关联。
4. 使用有限知识的分类 Classification with Imperfect Knowledge (CIK)
在这个级别，系统直接建立在 CK 之上，但是，它已能够使用不完美的信息做推理。这类系统的代表是 Alpha Go。只是 Alpha Go 采用的不是 CK 而是 CM 级别的能力。正如 Alpha Go，这类系统能通过与自身的对抗模拟来训练自己。
5. 能使用有限知识协作分类的系统 Collaborative Classification with Imperfect Knowledge (CCIK)
这个级别和 Arend Hintze 的&心智理论&类别十分近似，多个代理神经网络联合起来解决问题。这些系统被设计来完成多项目标。我们其实可以在对抗网络中运行它的原始版本：与判别器和生成网络一起学习归纳。在博弈论驱动的、能战略战术性解决多重问题的网络上应用该概念，就能得到高度灵活的系统。但是，我们现在还达不到这个水平，前面那些级别仍需要很多研究来完善。
Perez 五级分类法的根据：
每一层级别，都带来了上个级别没有的新能力。&比方说，C 层系统只能预测反因果关系（anti-causal relationships）。 CM 级别的系统能完成不错的翻译。CIK 级别系统能玩战略游戏。
我们可以看出，除了没有&自我意识&级别，这个分类法和 Hinzte 四级分类高度相似。在这些&基础&级别全部达到之前，Carlos Perez 不准备探讨自我意识。这个分类同样没有提到零样本学习（zero-shot learning）、一步学习（one-shot learning）或者无监督学习。据雷锋网所知，后者仍然是 AI 基础挑战之一。正如 大牛 Yann LeCun 所形容：
&假设机器学习是一个蛋糕，强化学习是蛋糕上的一粒樱桃，监督学习是外面的一层糖衣，无监督学习则是蛋糕糕体。我们知道怎么做糖衣和樱桃，但不知道怎么把糕体做出来。&
在最近的演讲里，Yann LeCun 开始用预测学习（predictive learning）来替代无监督学习。这是一个很有意思的转变：它展示出 LeCun 在如何做蛋糕这个问题上，观点发生了微妙变化。在他眼里，这是 AI 技术大幅进步所必需的基础。换句话说，在建设好预测学习的地基之前，在现有监督学习的基础上加入更多记忆、知识库、协作代理这些能力会十分困难。
我们获知，在最近的 NIPS 2016大会上，LeCun 展示了这幅 PPT：
这列出了 AI 进步的主要障碍：
机器需要学习世界运作的方式
AI 要学习海量背景知识
机器需要能够感知环境的状况
机器需要更新并记忆环境的状况
机器需要学习和计划
智能和常识等于：感知+预测模型+记忆+推理和计划
这些能力在反馈回路里用到时，都利用了加速器技术。我们其实在现在的研究中看到过这类元学习（meta-learning）或是学习优化（learning to optimize）。元学习技术带来的主要启示是：当我们能训练机器找出用其它方法找不出的解决方案，研究方法会变得更强大。
这就是为什么，即便深度学习研究有许多难题，我们也无法确定技术进步的速度。但在预测学习领域发生重大突破之前，Perez 的五级分类法应该已经够用了。至于 AI 业内人士如何看待这个新提出的分类法，我们会继续关注。
您可能也感兴趣:
中美两国之间的竞争促使美国有动力发展5G，即使美国在这一领域排名第二或第三，也不会对美国...
官方微博/微信
每日头条、业界资讯、热点资讯、八卦爆料，全天跟踪微博播报。各种爆料、内幕、花边、资讯一网打尽。百万互联网粉丝互动参与，TechWeb官方微博期待您的关注。
↑扫描二维码
想在手机上看科技资讯和科技八卦吗？想第一时间看独家爆料和深度报道吗？请关注TechWeb官方微信公众帐号：1.用手机扫左侧二维码；2.在添加朋友里，搜索关注TechWeb。
Copyright (C)
All rights reserved. 京ICP证060517号/京ICP备号 京公网安备76号
TechWeb公众号
机情秀公众号人工智能来袭，让孩子学啥专业是金饭碗？ - 电子工程专辑
随着自动化、人工智能技术的进步，下一代要面临的竞争将会比我们这一辈还激烈，到底有没有某些工作，是比较难被 AI、机器人取代的呢？
世界经济论坛（WEF）执行委员会成员札希迪（Saadia Zahidi）日前曾警告，人类如果不想被机器人抢走饭碗，只剩 3 年到 5 年可以准备，但其实随着自动化、人工智能技术的进步，下一代要面临的竞争将会比我们这一辈还激烈，到底有没有某些工作，是比较难被 AI、机器人取代的呢？
Salesforce CEO Marc Benioff 1 月底在世界经济论坛的年会上呼吁，要小心人工智能浪潮下的“数码难民”，他直言人工智能进步的速度远超出我们的预期，一想到这会对全人类造成多大的冲击，就让人感到非常焦虑。一同出席 WEF 年会的 IBM 总裁 Ginni Rometty，虽然对人类与 AI 共生的未来较为乐观，却也承认不少传统的工作将会因为人工智能遭到淘汰，究竟在这个剧变的时代，下一代应该培养什么样的技能或专业能力？
美国媒体 Quartz 报导，下一代在职场会碰到的竞争，不只来自于同辈，还有自动驾驶车、机器人与 AI，未来投资理财顾问以及许多生产线上的工作，很可能都不再需要人力，然而这也不代表人类未来就走投无路，Quartz 就列举了四大工作类型，在未来仍有可能是热门职业。
1. 牵涉到人际往来的工作
Quartz 指出，花费长时间在经营人际关系，协调、沟通及整合跨部门，甚至是跨领域的工作，AI 短时间内很可能还难以胜任，这也意味着高端管理人员，例如 CEO、各行业的高端主管受到人工智能和自动化的威胁比较小。除了管理人才，对人更需要同理心，以及因不同个案应变的职业，比如学校的心理谘商师与社工师也较难被 AI 取代。
2. 牵涉到数据分析及应用的工作
搜集资讯、数据的能力是人工智能的强项，不过目前 AI 对于数据资料的分析能力，Quartz 认为可要打上个问号，因此财务主管、管理分析师与经济学家仍是安全的，短时间内不会因为 AI 而饭碗不保。
3. 牵涉到医疗的工作
过去数十年的急速工业化，带来惊人的污染与环境破坏，人类打乱了大自然的规则，也付出了不小的代价，Quartz 相信人工智能的发展未必跟得上微生物的演化，未来一小部分医疗的工作，特别是对人体免疫、过敏，以及微生物方面的研究，还是得依靠人类的知识与智能。
4. 牵涉到环境与航天工程的工作
最后一类是环境科学家与航太工程师，Quartz 指出打造飞机和火箭或许可以靠机器人、自动化来完成，但在设计、整合资讯等方面，仍不能少了人类的参与。
Quartz 总结以上 4 大类工作都有一项共通点：几乎无法或很难被预测，包括未知的环境、非常复杂而且不断改变的情况，难以预料接下来会发生什么事，这会加大搜集数据及分析的难度，使人脑有可能比人工智能更占有优势。
Quartz 列举了短期内不会完全被人工智能取代的工作，不过让人忧虑的是，这篇分析似乎没有考虑到机器学习的发展，如果 AI、机器学习的进步超乎人类的预料，我们是不是终将成为一群科技难民？或许只能寄望情况真的会像 IBM 总裁 Ginni Rometty 所说：“有些工作确实会因为 AI 而被淘汰，但历史已经证明，科技的进步会带来新的工作机会。”
关注最前沿的电子设计资讯，请关注“电子工程专辑微信公众号”。酷勤网 C 程序员的那点事！
当前位置： >
> 文章列表
机器学习常见算法个人总结（面试用）
这个总结最初是写在本地的MacDown中的，他的markdown语法解析与hexo的略微有点差异，懒得改了-_-，忍着点看.. 对排版看不下去了，将本文的公式使用 Latex 重写了^_^ .on
朴素贝叶斯 参考[1] 事件 A 和 B 同时发生的概率为 在A发生的情况下发生B...
时间： 21:24
来源: kubicode'blog
神经网络不可思议的声誉
如今不迷恋深度学习是不可能的，你可以看到神经网络正在发挥它无止境的技巧。在我看来，神经网络给我们留下深刻印象至少有两个原因： （1）神经网络可以从弱先验中学习建立许多良好的自然功能模型 将分层、分布式的表示与快速的、经GPU优化的梯度计算结合的...
时间： 21:11
来源: 极客头条
0. 前言 本文翻译自博客： iamtrask.github.io ，这次翻译已经获得trask本人的同意与支持，在此特别感谢trask。本文属于作者一边学习一边翻译的作品，所以在用词、理论方面难免会出现很多错误，假如您发现错误或者不合适的地方，可以给我留言，谢谢！ 1. 概...
时间： 21:04
来源: CSDN博客
DeepMind创始人自述：我们的算法可以横扫一切棋类博弈
日，谷歌AIAlphago战胜人类围棋冠军的消息让科技圈振奋，让围棋圈惶恐。Alphago的研发团队是谷歌新近收购的英国人工智能公司Deepmind，关于Deepmind，国内人工智能圈人士都有所耳闻，但熟悉者恐怕不多。这究竟是一家什么样的公司？ Nature 杂志的...
时间： 21:16
来源: 雷锋网
Quora如何避免软件系统的复杂性
现今，越来越多的产品和工程团队都依赖机器学习（在此篇博客中简称ML）。大量的开源工具和图书馆可以让缺少相关知识和经验的人很容易就能学习、提高，甚至是建造机器学习模型。机器学习是一个很强大的工具，可以解决许多问题，但它所消耗的成本也是个问题。...
时间： 19:35
来源: 解放号
机器学习又一技能：检测金融诈骗
这样的事每天在英国各地都会上演：一个顾客在杂货店用信用卡结账，收银员却说该卡被拒，可是买的东西都已经装好了，尴尬可想而知。可是该卡的信用额度良好，PIN码也正确，顾客在此前已经购买了许多其他东西，现在信用卡刷不了真的很莫名其妙。 对于金融服务...
时间： 19:51
来源: 雷锋网
CNN是目前自然语言处理中和RNN并驾齐驱的两种最常见的深度学习模型。图1展示了在NLP任务中使用CNN模型的典型网络结构。一般而言，输入的字或者词用Word Embedding的方式表达，这样本来一维的文本信息输入就转换成了二维的输入结构，假设输入X包含m个字符，而...
时间： 20:24
来源: CSDN博客
面向普通开发者的机器学习应用方案
为了帮助你在应用开发中融合机器学习技术，我们启动了一个新的开发者视频系列，机器学习：给新手的配方。在前几集中，我们会让你熟悉机器学习的门道，而不需要任何专业基础(如微积分)。随着系列的进展，我们会引领你从 Hello World 到解决一些实际的现实问题...
时间： 23:07
来源: 谷歌开发者社区(GDG)
AlphaGo 的确是一个大事件
围棋程序刻画了人类直觉的元素，这是能够产生深远影响的进步。 1997 年，IBM 的 Deep Blue 系统击败了国际象棋世界冠军，Garry Kasparov。当时，这场胜利被广泛当做是人工智能发展中的里程碑。但是 Deep Blue 的技术仅仅对棋类有用，不可推广。计算机科学并...
时间： 20:50
来源: 简书
机器学习中的梯度下降法
最优化问题是机器学习算法中非常重要的一部分，几乎每一个机器学习算法的核心都是在处理最优化问题。 本文中我讲介绍一些机器学习领域中常用的且非常掌握的最优化算法，看完本篇文章后你将会明白： 什么是梯度下降法？ 如何将梯度下降法运用到线性回归模型中...
时间： 21:34
来源: Datartisan}