人工智能的五大理念——9-12年级

1. 感知（中学指南）

侦测：生物（1-A-1） 

不适用 —— 就人工智能而言，这个主题在较低年级段已经得到了充分的阐述。其他课程，比如生物学或感官心理学选修课，可以更深入地探讨诸如味觉、嗅觉、本体感觉和前庭器官等话题。

侦测：计算机传感器（1-A-2）

2. 表征与推理（中学指南）

核心观点

• 表征是数据结构；推理方法是算法（人工智能运用计算机科学的工具：数据结构与算法）
• 表征支持推理；推理方法作用于表征（表征和推理是相互依存的）
  
• 知识表征的两种主要类型是符号表征和数值表征（使用符号表征进行推理是通过逻辑推理规则来实现的，而使用数值表征进行推理则会利用诸如神经网络之类的复杂数学函数）
  
• “知晓” 某事物意味着具备对其进行表示以及运用其进行推理的能力（书籍和视频能够呈现知识，但它们并不 “知晓” 事物，因为它们无法利用这些知识）
  
• 如果智能体采用一种并非简单的 “感知 - 思考 - 行动” 循环机制来朝着实现自身目标取得进展，那么它们就会被视作是智能的（要被认定为智能的，在 “感知”“思考（推理）” 或 “行动” 这些组成部分中，至少有一个部分必须需要复杂的计算方法或强大的计算能力。车库门开启装置并非智能体，因为它们的感知、推理和行动过程都非常简单）

表征：抽象（2-A-1）

• 学习目标：描述如何将一个概念表示为一种模式（架构）。
• 基本理解：一种模式（架构）通过列出其上位概念并定义其属性来描述一个概念，其中一些属性可能是从上位概念继承而来的。示例可在 schema.org 网站上找到。
• 详细说明：数以百万计的网站使用模式（架构）表示法，以使利用知识图谱的人工智能程序能够理解信息，例如搜索引擎和推荐系统。示例包括针对诸如餐馆之类的商业机构的模式（架构），以及描述诸如书籍、电影和电视剧之类的创意作品的模式（架构）。

表征：符号表征（2-A-2）

• 学习目标：将用英语表达的三段论的前提翻译成逻辑符号表示，并正确完成该三段论。
• 基本理解：三段论以一种特定方式来表示关于类别和实例的陈述，这种方式使得计算机能够依据简单的推理规则，从现有知识中推导出新知识。三段论的组成部分包括大前提、小前提和结论。
• 详细说明：人类的推理丰富且复杂，我们尚未完全掌握其运作机制。三段论推理是一种特殊情况，它足够简单，以至于我们能够为其制定精确的规则。三段论推理是一种逻辑演绎形式，在使用分类信息的人工智能推理器中较为常见。例如：所有人都是哺乳动物，所有哺乳动物都是生物，所以所有人都是生物。三段论可以使用多种符号表示法。以下是一种基于谓词逻辑的表示法：

表征：数据结构（2-A-3）

• 学习目标：描述在知识图谱中模式（架构）是如何被用来构建关于人物、地点或事物的信息的。
• 基本理解：一种模式（架构）会指定所描述概念的属性，以及该概念与其他概念之间的关系。例如，“餐馆” 模式（架构）会从 “餐饮场所” 模式（架构）继承属性。
• 详细说明：知识图谱对有关事物及其相互关系的信息进行编码。像谷歌这样的搜索引擎依靠知识图谱在搜索结果中生成知识面板。“餐馆” 模式（架构）和 “餐饮场所” 模式（架构）是在schema.org网站上定义的。
  

表征：特征向量（2-A-4）

• 学习目标：描述 Transformer 网络的运行方式。
• 基本理解：Transformer 网络将输入单词序列映射为输出单词序列，其中单词以特征向量的形式表示。
• 详细说明：诸如机器翻译或问答系统之类的神经网络自然语言处理应用程序，是由作为特征向量的词嵌入表示来驱动的。单词每次以一个向量的形式输入，并且网络每次输出一个向量。
• 活动：https://app.inferkit.com/demo

搜索：状态空间与算子（2-B-1）

• 学习目标：识别现实世界中属于搜索问题的问题类型，并描述这些问题的状态和操作符。
• 基本理解：如果一个问题能够描述为从起始状态找到一条通向目标状态的路径，那么计算机就可以使用搜索技术来解决许多类型的此类问题。
• 详细说明：示例包括任务规划问题、调度问题和资源分配问题。搜索算法会确定应用哪些操作符以及应用的顺序。即使对于那些其解决方案并非是一个序列的问题，也可以通过寻找一系列合法的操作（操作符）来达到目标状态。例如，如果问题是将各种大小的一组对象打包到一组具有不同容量的容器中，那么解决方案就是将对象分配到容器中，使得没有容器被装得过满，并且没有对象被遗漏。这可以被表述为一个搜索问题，其中操作符是将一个对象放置到能够容纳它的容器中，而目标状态则是所有对象都已放置好。对于这类问题，应用操作符的顺序并不重要。

搜索：组合搜索（2-B-2）

• 学习目标：举例说明广度优先搜索、深度优先搜索和最佳优先搜索算法，以针对图搜索问题生成搜索树。
• 基本理解：有多种用于生成搜索树的算法，每种算法都有其自身的优势。
• 详细说明：可以通过绘制搜索树来进行说明；对于程度较高的学生（如参加美国大学预修课程计算机科学 A（AP CSA——Advanced Placement Computer Science A）的学生）来说，编写代码是合适的做法。如果存在较浅层次的解决方案，广度优先搜索能够快速找到这些方案，但它需要大量的内存。在每一层节点数量呈指数增长的情况下，深度优先搜索比广度优先搜索更具优势，因为它占用的内存更少。在能够对解决方案的 “代价” 进行准确度量（例如，在路线图上的总距离）的情况下，最佳优先搜索能够找到最优（代价最小）的解决方案，而广度优先搜索和深度优先搜索所找到的解决方案并不能保证是最优的，因为它们没有考虑到代价因素。

推理：推理问题的类型（2-C-1）

• 学习目标：将现实世界中的问题归类为分类问题、预测问题、序列决策问题、组合搜索问题、启发式搜索问题、对抗搜索问题、逻辑演绎问题或统计推断问题。
• 基本理解：推理问题可以根据所提供的输入类型、要产生的输出类型以及（如果适用的话）搜索空间的特征进行分类。
• 详细说明：当状态空间太大以至于无法检查所有可能的状态时，就需要启发式搜索。启发式搜索使用经验法则（启发式方法），通过关注最有希望的状态来限制搜索范围。在用于博弈的对抗搜索中，算法会在为玩家找到最佳走法和为对手找到最佳应对策略（从玩家的角度来看，这可能是最糟糕的走法）之间交替进行。如果游戏很复杂，比如国际象棋或围棋，对抗搜索可能需要使用启发式方法。在逻辑演绎中，推理者从一组事实出发，通过应用推理规则推导出新的事实。逻辑演绎可以使用形式逻辑（如命题逻辑或谓词逻辑）来完成，也可以使用与语义网络一起使用的临时推理规则，或者专家系统中常见的 “如果 - 那么”（IF-THEN）规则。统计推断涉及基于概率进行推理。

推理：推理算法（2-C-2）

• 学习目标：对于每一种推理问题类型（分类问题、预测问题、序列决策问题、组合搜索问题、启发式搜索问题、对抗搜索问题、逻辑演绎问题以及统计推断问题），列出一个可用于解决该问题的算法。
• 基本理解：人工智能包含各种各样的推理算法，用于解决不同类型的推理问题。有些算法使用符号表示（例如，搜索树），而另一些算法本质上是数值型的（例如，对特征向量进行操作的神经网络）。
• 详细说明：推理问题在 2-C-i 中进行了讨论。算法的选择取决于输入数据的特征以及要做出的决策的复杂程度。启发式搜索算法包括最佳优先搜索和 A * 搜索。对抗搜索可以使用组合搜索的变体来完成，或者通过使用 α-β 剪枝的启发式方法来实现。逻辑演绎可以使用归结定理证明的方法来完成，或者通过应用临时的 “如果 - 那么”（IF-THEN）规则来实现。统计推断涉及基于概率或分布进行推理，比如贝叶斯网络。

3. 机器学习（中学指南）

4. 人机交互（中学指南）

核心观点

• 计算机能够使用自然语言来传达事实性信息，但在理解诸如隐喻、意象、幽默和讽刺等非字面意义的表达方式时却存在困难（语言是构成人类特性的一个重要部分。隐喻、意象和幽默是人类文化的一部分，然而，我们缺乏关于人们如何理解这些内容的精确且详细的理论，也不清楚计算机应该如何处理它们）
• 计算机能够识别情感，但无法体验情感。对于情感的恰当回应必须由人类进行编程设定（人工智能系统运用算法来识别人类的情感。然而，当机器对我们的痛苦表示同情时，它并没有一颗会为我们而感到疼痛的心）
• 当前的人工智能系统是专为处理定义明确的问题而设计的专用推理器。类似人类的灵活推理能力，即所谓的 “通用人工智能” 或 “强人工智能”，目前尚未实现（我们尚不清楚何时能够构建出能够模仿甚至超越人类推理能力的通用人工智能系统）
• 当前的人工智能系统缺乏意识和自我意识。一台具有自我意识的计算机需要对自身的存在和思想进行表征，并且需要存储其过往经历的记忆（意识是对自身存在的认知，也就是对自身身体和所处环境的察觉。自我意识则是认识到自己是一个有意识、能思考并且具备对自身思想进行推理能力的存在。有关这些观点的简要讨论可参见 Jabr (2012)的相关内容）

自然语言：语言结构（4-A-1）

• 学习目标：找出一段文本中计算机难以理解的部分，并解释其原因。
• 基本理解：计算机在理解运用了隐喻、意象、夸张、讽刺、幽默或文字游戏的文本时会遇到困难。
• 详细说明：目前，对于隐喻、意象、夸张、讽刺、幽默或文字游戏，我们还没有令人满意的形式化解释。这正是当前人工智能、语言学和认知科学研究的重点。

自然语言：语言歧义性（4-A-2）

• 学习目标：通过描述一个给定单词的多种含义，举例说明理解一个句子对计算机来说可能具有挑战性的原因。
• 基本理解：一个单词可能有多种含义。人们利用上下文和世界知识来确定其正确含义，但计算机通常无法以如此微妙的程度来表示含义。
• 详细说明：一个单词具有多种含义的现象被称为 “一词多义（polysemy）”。例如，“book” 可以指一种商业产品（“这本书是本畅销书”），也可以指一组文字内容（“这本书的语言适合中学生阅读”），或者是文本的实体形式（“这本书在我的背包里很重”）。同样，“class” 可以指一门学术课程（“一节数学课”），一个特定的课程实例（“河谷高中周二上午的数学课”），或者指参加课程的人（“老师向全班同学讲话”）。将此与幼儿园到二年级（K-2）中讨论的因同音同形异义词和同音异义词导致的词汇歧义进行比较。使用神经网络和大规模训练集的现代人工智能系统采用统计方法来解决词义歧义问题，但仅靠统计方法并不像人类的常识那样强大。
• 活动：使用谷歌翻译来探究计算机在为翻译选择合适的单词时，是如何解决一个单词的多种含义问题的。

自然语言：文本推理（4-A-3）

• 学习目标：展示如何使用一个简单的上下文无关文法来解析或生成简单句子。
• 基本理解：上下文无关文法描述了单词是如何组合成短语和子句的，并且能够表示自然语言的大部分句法结构，但它不能很好地处理主谓一致这类问题。
• 详细说明：主谓一致限制的一个例子是，主语和谓语在数上必须一致，例如，“he says（他说，第三人称单数）”，但 “they say（他们说，复数）” 。要在上下文无关文法中表达这一点，就需要为单数主语和复数主语分别制定规则。当句子变得更加复杂时，这会变得很繁琐，例如，并列连词可能不仅要求在数上一致，还要求在时态上一致。
  关于句法歧义的例子，请参见 4-A-2.6-8年级，句法歧义会导致产生多个句法分析树，必须使用语义知识来消除这些歧义。
  即使是一个简单的文法，如果它是递归的，也能够生成无穷数量的句子；请参见 4-A-1.3-5年级。
• 资源：可以使用斯坦福大学的上下文无关文法工具来构建分析树、生成句子，并验证一个句子的语法正确性。有关创建上下文无关文法的信息，请参考此资料。
  

自然语言：应用（4-A-4）

• 学习目标：描述几种自然语言处理（NLP）的方法，从简单的方法到较为复杂精妙的方法。
• 基本理解：简单的自然语言处理方法包括关键词匹配、字典查询和模板匹配，而更新的、更复杂精妙但透明度较低的方法则使用深度神经网络和机器学习。
• 详细说明：以聊天机器人为例，最简单的方法是在用户输入的内容中查找关键词，以此来决定给出怎样的回复。稍微复杂一点的方法是使用模板来描述一个短语可能出现的所有变体形式，而不是只关注单个短语。更先进的聊天机器人使用深度神经网络进行 “意图识别”，即检测输入内容的含义何时与某个模板匹配，而不是去寻找特定的单词或短语。
• 活动：学生应该能够描述这些方法在哪些情况下可能有用，哪些情况下可能没用，并解释这些方法的局限性。

常识推理（4-B-1）

• 学习目标：解释计算机要正确解读一则寓言或童话故事所需的文化知识和朴素物理学知识。
• 基本理解：对于人类或计算机来说，要推断一个故事的含义，需要理解文化知识、朴素物理学知识以及民间心理学知识。这对于计算机而言仍然是一项难题。
• 详细说明：寓言和童话故事对计算机来说具有挑战性，因为它们可能包含文化知识、复杂的人类动机、意象、幽默和隐喻。民间心理学指的是我们日常所具备的将心理状态归因于他人的能力，这些心理状态包括他人的信念、愿望和意图。
• 活动：解释要正确解析维诺格拉德（Winograd）语句中代词的所指对象需要哪些知识。一个维诺格拉德语句的例子是：“安娜在考试中比露西考得好多了 [差多了]，因为她学习非常努力。” 在这里，所需的知识是为考试付出更多的学习努力会带来更好的考试表现。

情感理解（4-C-1）

• 学习目标：找出人工智能应用能够调整自身行为以回应人类情绪状态的方式。
• 基本理解：计算机可以通过认可人类的感受，并以一种让人类觉得有支持作用且符合社交规范的方式做出回应，从而恰当地对人类情绪做出反应。
• 详细说明：例如，基于人工智能的辅导系统会监测学生的行为，以识别出学生的沮丧、无聊和疲倦情绪，这样它们就能调整教学方式，或者提醒学生休息一下。能够检测人类情绪的自动化客服代理可以相应地调整自己的回复，比如，通过调整说话的语速和语调。
• 活动：鉴于计算机能够利用人工智能来识别人类情绪，讨论一下它们应该如何以一种我们认为有支持作用且符合社交规范的方式来回应人们。
  

• 学习目标：就人类智能与人工智能的不同观点展开辩论。
• 基本理解：一些人工智能专家和哲学家认为，计算机永远无法达到与人类完全相似的智能水平，而另一些人则相信人工智能最终将超越人类智能。
• 详细说明：声称计算机拥有类似人类的智能存在一个问题，那就是我们对于人类智能是如何实现的并没有清晰的概念。一个更有力的反对计算机智能的观点是，由于计算机没有实体的身体，它们无法像人类那样体验世界。另一方面，人类的记忆和推理能力是有限的，而计算机有可能超越这些能力，从而产生一种比人类更强大的智能（人工超级智能）。但我们也可能拥有一些执行复杂信息处理任务的设备，它们并不具备类似人类的智能。
• 活动：（1）解释图灵测试，选取图灵论文中的一段内容，将图灵所设想的对话与现代人工智能系统所能做到的进行比较。（2）比较动物智能与人类智能。（3）比较动物智能与人工智能。

5. 社会影响（中学指南）

核心观点

• 开发人工智能应用涉及技术和伦理双重设计决策。
• 人工智能应用涉及多方利益相关者，他们可能持有不同的价值观，并可能因设计者的选择受到不同影响。
• 涉及人类决策的人工智能系统应被设计为遵循公平性、透明度和隐私保护等社会价值观。
• 人工智能是一项颠覆性技术，不仅影响经济和就业，还将重塑社会与文化规范。
• 人工智能正成为每个人生活和职业工具箱中的组成部分。

符合伦理的人工智能：利益多样性与差异影响（5-A-1）

符合伦理的人工智能：践行伦理设计（5-A-3）

• 学习目标：运用符合伦理的设计流程来设计一个人工智能系统。
• 基本理解：在设计流程的所有阶段，符合伦理的设计都要考虑到所有利益相关者的价值观，并坚持公平性、透明度、可解释性、可问责性、尊重隐私以及遵守社会价值观等原则。