普林斯顿CS系主任:AI时代,我们怎样找出新颖的

普林斯顿CS系主任:AI时代,我们怎样找出新颖的

时间:2020-01-11 12:08 作者:admin 点击:
阅读模式

【智能观】美国计算机科学家,普林斯顿大学计算机系主任詹妮弗·雷克斯福德(Jennifer Rexford)认为,人工智能所改变的不仅仅是用什么人来教学生,而是老师如何去教。

教育领域正在寻找合适的方法,应对人工智能(AI)对所有领域(包括其自身)造成的冲击和改变。 普林斯顿大学计算机系主任詹妮弗·雷克斯福德在近日的一次采访中表示,这不仅需要老师教授不同的技能,为今天的青年在AI领域的工作做好准备,还需要AI创造出新颖的教学方式。

此外,她还探讨了一个大家共同关注的话题,即应该在开发AI的过程中融入多种思想,以便不同的人能成功地应用它。

01:42

AI时代的教学技巧

曾经,人工智能产生的劳动力过剩问题非常令人担忧。人们主要关注自动化对工作的影响。

而现在,更深远的影响的是,机器学习和人工智能对社会各个领域都有着广泛的影响。并且,数据汇合,计算力增强和算法产生的速度如此之快,以至于政府、公司和教育机构来不及反应和适应。

然而,如果你把问题反过来问:“AI 不擅长什么?”换句话说就是:“我们人类擅长什么?还有什么是人类能做的?”答案就是: 机器难以展现创造力、社交技巧和洞察力。

保姆(看护)就是一个很好的例子。你可以将一些常规的东西智能化,但是在很多方面,智能化是行不通的,特别是那些依赖社交技巧和机器所没有的洞察力的工作。

至于创造力,机器可能会表现得很有创意,比如,在围棋或象棋游戏中做出聪明的着法,但这实际上是通过对底层数据的详尽枚举和评估而产生的,并不是源于创造力的火花。

所以,现在考虑的不是再培训的问题,而是基础教育的变革。 我们今天的教学方式,即便在K-6或K-12领域,也没有强调培养创造力和社会洞察力,构思以及团队合作能力。 这些在将来都是非常重要的(现在就已经很重要了),我们要尽可能快地适应AI带来的变化。

为什么多样性对AI的成功至关重要

STEM(科学、技术、工程和数学)领域存在着明显的代表性不足的问题,太强的专业性限制了多样性的发展。计算机科学领域比其他领域明显,而人工智能领域又比一般的计算机科学领域明显。所以多样性绝对是个大问题,而做这项工作的技术人员严重短缺。因此现在有这样一个普遍的口号:“我们需要更多的人才投入其中,不能把他们白白地浪费掉。”

还有第二个问题: 在大多数工作领域和企业中,正在创造着的技术是非常重要的。 但许多真正的,具有创造力的技术人员并没有话语权,他们在绝大多数领域起不到任何作用。这种现象不仅出现在计算机行业,各行各业都是如此。

在飞往达沃斯的飞机上, 我看到关于自动肥皂感应器的报道:只要你把手放在感应器下面,就会有肥皂液流出来,但是,这对很多黑人来说不好用。原因是, 这些感应器中嵌入的廉价传感器,只能通过反射浅色皮肤的光线让肥皂液流出。

很显然,设计者只利用一小部分人口数据进行了测试和评估。尽管这不是有意识地种族歧视,很多人不一定选择使用廉价的传感器,但这的确是个问题,说明了产品的设计或测试环节, 并没有足够多的人参与进来。你想, 如果有12% 的设计者以及12% 的设备测试人员都是黑人, 那这种情况就不会发生。

普林斯顿大学是如何强调多样性的

我们可以做一些事来解决多样性问题,但没有万能的方法,只能具体问题具体分析。在普林斯顿,我们所做的,就是在计算机系既提供工程学学位,又提供文学学位。

在计算机系里,学生学习的内容是不同的:喜欢工程学的学生在大一的时候会选修物理和化学,而喜欢文学的大一学生会选修一门外语或其他人文学科的课程。

由于这一举措,先选修文学再进入计算机科学的学生中,有50%是女生。

过去的几年里,我们看到这个项目飞速发展。通常发生的情况是,大一新生选修了一门计算机课,就会爱上它,又发现它可能会影响自己其他的兴趣,然后就迷上了它。

第二种解决多样性问题的方法是,我们设置了简单的入门课程,60%的学生都能轻松通过,这是一门非常开放的课程。 它的重点是计算机和艺术、音乐、科学的跨学科应用。

你再不用尴尬地把在课堂上写的程序展示给室友或父母。它们变得很有趣,比如,把电脑变成音乐键盘。我认为这有助于计算机科学的普及。选择该课程的,有40 %或50 %的学生以前从未编程过,因此我们有独立的讨论环节,方便他们学习。

AI能改变哪些教学方式?

下学期我们要做一个实验,利用MRI机器,在学生看视频讲座时,记录他们的表情,这样我们可以一窥他们是如何学习的。重点关注学生之间的差异,用时的不同, 以及他们在观看视频时,理解概念与注意力之间的相互关系。 了解学生的学习方式将有助于我们更广泛深入地思考,如何在教学上做得更好。

我们也会用机器学习分析收集到的神经科学数据,甚至分析一些平常的事情,比如,学生们在视频讲座中重复看了多少次,他们在哪里遇到了困难,在哪些地方对视频进行了慢放,或者在哪些地方会更加仔细地思考。

机器学习可以帮助我们更好地了解学生遇到的问题,了解材料没有交代清楚的地方,或者两者都有的问题。很明显,这些与学习都是相关的。 机器学习还可以帮助我们开展个性化的学习,使学生们提高效率。