《走进人工智能》

古人的梦想（第 1 篇，p.3—5）：荷马在《伊利亚特》里写火神用黄金铸造的女仆，会说话，会干活；亚里士多德由此设想，如果器械都能自己工作，人类就不需要奴隶。《列子·汤问》里，偃师献给周穆王一个能歌善舞的偶人。作者说，古人对“智”的理解是分辨和分类的能力，能把一物与他物区别开，才能从感知上升到认知。

古人在畅想人造形态的机器人偶时，何尝不是将理想之念托付于现实之用，使之合乎自然、邻于理想！

第 1 篇，p.4

可计算（第 1 篇，p.6—19）：20 世纪初，费马大定理、希尔伯特的 23 个问题和哥德尔不完备定理，把数学家引向一个问题：什么是可计算的？作者对不完备定理的解读是乐观的：

哥德尔不完备定理并不意味‘人类不可能认识所处世界’，而是昭示‘人类认识世界的过程是无限的’，用相对真理来逐渐逼近绝对真理。

第 1 篇，p.9

图灵机给出了“可计算”的判据，成为现代计算机的理论基础。作者举辅助驾驶为例：车里预存了“识别红绿灯”“前方红灯则停车”等程序，等感知数据来触发，只能按部就班，“无法越‘雷池’而动”。

透过今天计算机外在之形了解其计算之内禀，更能感叹计算之伟大、计算之局限！

第 1 篇，p.19

唯智不可量（第 1 篇，p.19—20）：篇末讲图灵测试和“中文屋”。作者的结论是：

我们必须强调，图灵测试在所提出的年代具有一定意义，但人类智慧水平测试并不能仅依靠这种传递纸条的方式完成，人类所具有的直觉、顿悟、察言观色和情感等智能能力，无法完全通过图灵测试来完成，‘唯智不可量’。

第 1 篇，p.20

出生证明（第 2 篇，p.24—27）：1955 年的达特茅斯建议书首次使用“人工智能”一词，1956 年夏天的会议标志学科诞生。作者认为建议书里“对智能行为过程的精确描述”就是人工智能的“第一性原理”，同时提醒：灵感、直觉、顿悟和喜爱、恐惧这些活动不能被精确描述，能被精确描述的只是计算机可以模拟的“机械”智能活动。

期望过高的代价（第 2 篇，p.32—35）：早期研究者许诺过度，机器翻译闹出笑话，1973 年英国的莱特希尔报告让人工智能进入第一次严冬。

唐初政治家魏徵在《述怀》中写下了‘季布无二诺，侯嬴重一言’的诗句，表达了遵守承诺的重要性。在人工智能早期发展中，人们对人工智能给予了过高预期，反而有损人工智能的健康发展。

第 2 篇，p.32

作者也认为莱特希尔报告的结论“的确有失公允”，并提出一个更根本的问题：

在我们无法清楚定义‘智能’之前，怎么能够判断智能研究是否取得了进展？

第 2 篇，p.35

知识脱离了土壤（第 2 篇，p.36—38）：第二次低谷来自日本第五代计算机的失败和符号主义的受挫。作者举例：知识库里有“所有的鸟都会飞”和“鸵鸟是鸟”，就会推出“鸵鸟会飞”；人不会困惑，因为人有常识。

如果将一条一条知识孤立出来，使其脱离于深根的丰厚土壤，则知识的精确性和严密性就会丧失。

第 2 篇，p.37

外部动力更强（第 2 篇，p.39—40）：作者借潘云鹤的观点说，人工智能的兴衰取决于它是否顺应信息环境的变化。

促使人工智能发展变化的动力既有来自人工智能研究的内部驱动力，也有来自信息环境与社会需求的外部驱动力，两者都很重要。但是相比较而言，往往后者的动力更加强大。

第 2 篇，p.39

人工智能正从‘造人制脑’走向‘赋能社会’，强大应用驱动下的一系列智能技术正处于蓬勃发展中。

第 2 篇，p.40

让我们来计算（第 3 篇，p.44—52）：作者从卢尔的“知识树”、莱布尼茨的“让我们来计算”讲到弗雷格的现代逻辑，也写到墨子、惠施的中国逻辑思想。霍布斯说“推理就是计算”，作者推论“计算即推理”也成立。

在人们有争议之时，我们可以简单地说，让我们来计算（calculemus）一下，而无须进一步的忙乱（ado），就可知孰对孰错。

第 3 篇，p.46

可见，逻辑推理架构了一座从已知和观测出发、抵达未知的桥梁！

第 3 篇，p.51

只专不通（第 3 篇，p.53—57）：专家系统是领域知识库加推理机，规则来自专家对经验的归纳，所以只专不通。

人类具备举一反三的‘通’和‘专’的能力，是因为具备‘常识’，很显然我们无法教会计算机编写或具备常识。

第 3 篇，p.57

搜索加剪枝（第 3 篇，p.58—60）：深蓝用剪枝去掉对胜负没有影响的棋局，再加上知识，才突破了组合爆炸。作者梳理了一条线：全靠搜索的井字棋，到搜索加知识的深蓝，再到搜索加机器学习的 AlphaGo。

‘你见，或者不见，我就在那里，不悲不喜’，解决某个问题的答案就在那里，需要运用搜索之术来获得。

第 3 篇，p.58

从记录到预测（第 4 篇，p.62—71）：数据从“结绳记事”的载体，变成国家治理的工具、预测未来的工具，最后成为人工智能的燃料。1662 年，格朗特出版了一本分析伦敦死亡公报的书，从中编出生命表，作者认为这是一次关键转折：

人工智能的一个主要作用是预测预警。表4.1收集不同年龄阶段死亡人数，通过简单计算手段，就可预测不同年龄阶段民众存活率或每一年民众死亡发生率，使得数据从“记录工具”变成“预测工具”。

第 4 篇，p.71

模型要简约（第 4 篇，p.72—76）：费米讲过一个故事：冯·诺依曼对他说，用四个参数就能画出一头大象，用五个参数就能让大象的鼻子动起来。作者借此提醒，参数多不等于好：

但是，在人工智能领域，模型越来越复杂，可能会导致模型越来越臃肿而变笨。

第 4 篇，p.74

小数据也有大作用（第 4 篇，p.76—81）：二战中军方发现返航飞机机翼上弹痕最多，想加强机翼，统计学家沃德却主张加强弹痕少的引擎部位，因为这些部位中弹的飞机根本回不来；1985 年发现的一首抒情诗是不是莎士比亚写的，两位统计学家靠分析用词习惯给出了判断。作者的立场是：

但是，人工智能不等于大数据。实际上，大数据中总存在一批“代表性小数据”，通过对小数据的分析理解，可洞察大数据所蕴含的规律。

第 4 篇，p.76

大数据和小数据都刻画客观对象，即使有些时候后来获得的数据仅有小数据，但只要分析方法得当，小数据就会有大作用，芥子纳须弥，微尘藏大千！

第 4 篇，p.81

学习机器（第 5 篇，p.83—96）：本篇从塞缪尔的跳棋程序讲到德州扑克程序在失败中学习，再用人脸识别比较三条路线：手工规则、挖掘模式、学习映射函数。作者的落点在篇题：

机器学习的目标是构造一种学习机器（learning machine），使之像人一样具有自我学习能力，而非让机器按部就班完成预设任务。

第 5 篇，p.85

人工智能程序在扑克对决中从虚拟遗憾中进行学习，从哪里跌倒就从哪里站起，虚拟遗憾不虚拟！

第 5 篇，p.91

伪装坦克（第 5 篇，p.94）：一个流传的故事：美国陆军用伪装坦克和树木的照片训练神经网络，结果完全不能用，原来坦克照片都摄于阴天、树木照片都摄于晴天，网络只学会了区分天气。

在传统计算机编程中，我们可通过程序明确告诉计算机下一步应该做什么。但是在机器学习中，没有给计算机明确详细指令，相反地，仅给了机器数据和算法模型，让机器研究问题、解决问题，从而让机器能够适应新问题、不断进化和持续学习。

第 5 篇，p.96

深度学习的崛起（第 6 篇，p.97—106）：作者从柏拉图的“印蜡说”和中国古代对记忆的论述讲起，大脑记住的不是事物本身，而是抽象的形式；经过神经元、赫布理论、感知机，到误差反向传播。他把反向传播比作“集体负责制”，每个参数都要为错误负责。深度学习的崛起靠算法、数据、算力三要素合力。

炼金术之困（第 6 篇，p.106—110）：在图像里加入一点噪声，网络就会把禁行标志认成“限速 100”；医疗 AI 只给患病概率，不说理由。作者借欧阳修《卖油翁》“无他，但手熟尔”，说深度模型只是熟能生巧，不明其理。

可见，建立可解释、可信任、可泛化的人工智能模型和方法，推动深度学习从关联学习迈向“知其然且知其所以然”的发展阶段，是深度学习取得更大进展所面临的巨大挑战。

第 6 篇，p.108

数据驱动方法下的深度学习是人工智能的一种有效方法，但是也带来了炼金术之困惑，这一困惑的本质是该方法为机器学习，而非学习机器。

第 6 篇，p.110

从最优解到均衡解（第 7 篇，p.111—122）：数据驱动的人工智能追求最优解，但竞拍、资源分配这类问题要找各方都能接受的均衡解。作者用囚徒困境讲纳什均衡，用“延迟接受算法”讲择校和配对，再讲 AlphaGo 和扑克程序从完全信息走向不完全信息。

纳什均衡的本质是‘不后悔’，因为即使因反悔而采取另外行动，与目前所得收益相比，只会遭受损失，因此‘后悔无益，徒增烦恼’。

第 7 篇，p.117

另外，囚徒困境也说明了个人最佳选择不等于集体最佳选择。

第 7 篇，p.117

博弈论拥抱人工智能，推动人工智能从感知智能向决策智能转变，这一转变使人工智能从追求最优解向探索均衡解迈进。

第 7 篇，p.122

整体大于部分总和（第 8 篇，p.123—132）：作者把合作看作进化的架构师，用众包验证码、蛋白质折叠游戏 Foldit 说明群体智能的力量，又对比无限猴子定理的盲目随机和蚁群、雁阵的协同。潘云鹤提出“信息空间—物理世界—人类社会”三元空间，作者认为人的参与是一种新的计算范式。

与‘无限猴子定理’盲目行动中寄希望撞大运来实现‘黑猫白猫抓耗子’不同，群体智能是不同个体以共识主动性为内驱，合作完成特定任务，体现‘整体大于部分总和’的优势。

第 8 篇，p.130

合作是进化过程的‘架构师’，是人类社会的‘最大功臣’。

第 8 篇，p.132

知其所以然（第 9 篇，p.133—144）：1973 年伯克利的招生数据，合起来看和按专业分开看，得出的结论截然相反，这就是辛普森悖论，背后的“潜在变量”是专业选择。公鸡打鸣和日出总是一起出现，但公鸡打鸣不是日出的原因。作者从高尔顿的回归讲到珀尔的“因果之梯”：关联、干预、反事实。

‘横看成岭侧成峰’，同样的数据会存在千万种解读。但是，与‘历史不是任人打扮的小姑娘’一样，数据也不是任人打扮的小姑娘。

第 9 篇，p.138

应该说，寻找事物之间的关联关系改变了我们看世界的角度，而干预和反事实推理则改变了世界本身。

第 9 篇，p.142

传统人工智能算法之所以会面临模型不可解释、推理不稳定等问题，最主要的原因是其没能区分观测数据中的因果关联和虚假关联。

第 9 篇，p.143

多通道协同（第 10 篇，p.145—154）：人靠视觉、听觉、触觉融合认识世界，“兼听则明”；计算机却长期在视觉、语音、文字上各自发展。作者用麦格克效应说明大脑天生跨媒体：看到的口型和听到的声音不一致时，人会听成第三个音。

从上面分析可见，视觉、语音和自然语言处理，均走过了相似的从结构到统计模型，再到深度学习的技术历程（图 10.1），这一历程反映了我们源源不断从图像、语音和文本中析取高层语义（如视觉对象、语音概念、文本含义等）。

第 10 篇，p.147

应该说，打通逻辑、语言、听觉和视觉等之间鸿沟的跨媒体计算，反映了人类智能产生的本质。

第 10 篇，p.154

大力出奇迹不是唯一方向（第 11 篇，p.155—165）：作者说，数据是燃料，人工智能是引擎，芯片是引擎的核心。全篇从麦粒、复利讲指数增长，再从晶体管、集成电路讲到摩尔定律和英伟达的黄氏定律。摩尔本人说过：

从严格意义上来讲，它不是定律，它是一种观察和推测。

第 11 篇，p.160

很显然，算力是计算时代和智能时代的核心，摩尔定律和黄氏定律对人类追求算力赋予极大信心，但是“大力出奇迹”并非人工智能发展的唯一方向。

第 11 篇，p.164—165

碳基与硅基（第 12 篇，p.167—175）：作者把生物智能叫碳基智能，机器智能叫硅基智能。他认为类脑计算仍是充满争议的命题，因为人类还不清楚认知如何从大脑结构中产生。对计算机来说，“困难的问题是易解的，容易的问题是难解的”。达·芬奇手术机器人是人机协同的例子：有些手术医生和机器人都不能单独完成。

我们必须指出，在人机混合增强智能中，人类智慧决定着智能形态的广度、深度和高度，人类永远是智能的总开关。

第 12 篇，p.175

科学计算（第 13 篇，p.177—186）：作者把科学计算称为继实验科学、理论科学之后的“科学第三极”。1920 年左右，理查森手算 6 周，只为预测 6 小时的天气，还设想过一座有 64 000 名计算员同时演算的“天气预报工厂”（weather forecasting factory）。后来计算机让数值天气预报成真；如今 AlphaFold 解决了蛋白质结构预测这个 50 年的难题。

三驱动（第 13 篇，p.183—185）：作者提出 AI 做科学研究的新范式（见题图）：用数据驱动归纳，用知识引导演绎，再用物理定律约束，例如把泡利不相容原理引入神经网络计算分子能量。

即建立“数据驱动、知识引导和物理定律约束”的理论模型是人工智能具有更泛化能力来解决场景任务要突破的核心问题。

第 13 篇，p.184

有数学家认为，这就像是伽利略有了望远镜，能够凝视数据宇宙的深处，看到之前从未探测到的东西。

第 13 篇，p.185

这就是科学方法的本质：它可证伪（falsifiable），但不可证实（provable）。

第 13 篇，p.186—187

共生则关联（第 14 篇，p.189—201）：作者认为 ChatGPT 推动人工智能从识人辨物、预测决策跃升到内容生成。他的解释框架是“共生则关联”：靠大数据、大模型、大算力挖掘词与词的统计关联，长处是规模带来的涌现，短处是缺乏常识和因果理解，会一本正经地回答“林黛玉倒拔垂杨柳”这种问题。他用 AlphaGo 输给李世石的那一局说明：李世石下出了 AlphaGo 从没见过的一手。

可见，“数据有多大、智能就有多强”是计算独大模式下人工智能算法不可避免的局限性。

第 14 篇，p.196

数据驱动下的大模型终有一天会耗尽世界上所有有用的语料，那么就真的是“式微，式微、胡不归”了！

第 14 篇，p.196

人有人的用处（第 14 篇，p.202—205）：作者借维纳的书名说，人类是人工智能的“总开关与决定者”。他引爱因斯坦论教育，认为 ChatGPT 时代学校更要培养批判性思维和计算思维。

作为精确刻画智能行为、且通过机器来实现智能行为的人类，是不可能被取代的。但是，如果你一味生活在昨天，那么就会被取代，这是历史发展的规律。

第 14 篇，p.202

可见，教育培养的目标不是“获取特定知识”，而是形成创造性解决问题的能力。

第 14 篇，p.203

DeepSeek：精彩一跃（第 15 篇，p.207—218）：第三版新增。作者的判断是：DeepSeek 仍基于 Transformer，没有颠覆性的基础理论创新，但在 2 048 块 H800 上完成训练，在算法和系统上做了系统级创新，又把成果开源，是“AI 漫漫征途中的精彩一跃”。

DeepSeek 的出圈，再次印证了一个科技创新道理：赢得比赛的关键是精益求精、富有创造力的创新，而非单纯的金融实力和一味的出口管制。

第 15 篇，p.208

人工智能缩放定律虽然也需要算法和系统的创新，但是这一“无他，惟手熟尔”的模式应该不是人工智能发展的唯一出路，因为化繁为简、大巧不工才是推动“机器学习”迈向“学习机器”的初衷。

第 15 篇，p.209

讲到用大模型“教”小模型的蒸馏时，作者说：

这不禁让人感叹，对于大模型而言，“学而不思则罔”；对于小模型而言，“思而不学则殆”。

第 15 篇，p.213

长久以来，人们一直认为，“从 0 到 1”的理论创新是推动 AI 发展的引擎，但事实上“从 1 到 100”的工程创新也是不可或缺的推动力量。

第 15 篇，p.214

作者认为，传统大模型走的是“由通到专”，DeepSeek 推动了一条“由专到通”的路，让人工智能像水电一样“时时、处处、人人可用”，他称之为“迈向全社会分享的普遍智能”。

双重属性（第 16 篇，p.219—225）：作者认为人工智能带来的伦理问题，不再只是人与人、人与自然的关系，而是人类与自己发明的产品在社会中构成的关联，所以人工智能既有技术属性，也有社会属性。他提出“算法亦法”：要用算法保证人工智能的正确性和可靠性。

社会道德和法律法规决定算法善恶，算法亦法、算法向善是人工智能治理的应有之义。

第 16 篇，p.225

科林格里奇困境（第 16 篇，p.221—227）：1865 年英国通过的“红旗法案”规定，机动车前方 50 米要有人摇红旗开道，结果英国汽车工业几乎停滞；反过来，技术一旦普及，再想管就难了。

当容易进行改变时，对它的需要无法得以预见；当改变的需要变得清楚明了时，改变已经变得昂贵、困难而且颇费时日。

第 16 篇，p.225

作者的对策是用社会实验和“沙盒监管”（regulatory sandbox），先在受控范围内试，“边发展，边治理”。

技术是无罪的，但技术背后的人心应当经得起法律、道德和良知的考验。

第 16 篇，p.228

第 17 篇是全书的落脚点，篇名“人工智能、教育先行：成天下之才”。封底介绍，作者是教育部 101 计划《人工智能引论》课程的负责人，所以这一篇写的多是他亲手在做的事：先讲人工智能教育为什么要先行，再讲计算思维、大学怎么设专业和课程、中小学教什么，最后用一个数学原理收束全书。

使能技术，跨学科培养（第 17 篇，p.230）：作者先给人工智能下定义：一门研究难以通过传统方法去解决实际问题的学问，目标是让机器拥有感知、问题求解和决策、行动，以及支持任务完成的体系架构这几种能力。他说人工智能和内燃机、电力一样，是能增强任何领域技术的“使能”技术，已经用在农业、制造、经济、运输、医疗等领域，所以研究和人才培养都要融合神经科学、脑科学、物理学、数学、电子工程、生物学、语言学、认知学等方面的知识。

人工智能作为一种使能技术，天然具有与其他学科研究进行交叉的秉性，从这个意义而言，人工智能可谓“至小有内涵，至大可交叉”。

第 17 篇，p.230

从知识本位到能力本位（第 17 篇，p.230）：作者判断，计算机教育正从“知识本位教育”（knowledge based education）转向“能力本位教育”（competency based education），实现知和行的统一。篇名里的“成天下之才”，出自他引的北宋胡瑗《松滋县学记》：“致天下之治者在人才，成天下之才者在教化，教化之所本者在学校。”

综合国力竞争说到底是人才的竞争，培养人工智能创新性人才，构筑人工智能发展的先发优势，是推动人工智能生态建设的重要手段，也是学校在这个时代需要承担的历史使命。

第 17 篇，p.230

计算思维（第 17 篇，p.231—232）：作者认为，人工智能以计算为手段模拟人的某方面能力、创造性地解决问题，体现的就是计算思维。这个概念最早由麻省理工学院的佩珀特提出，2006 年卡内基梅隆大学的周以真（Jeannette M. Wing）发表论文“计算思维”（Computational thinking）以后才广受关注。书中转述周以真的定义：

计算思维是运用计算机科学的基础概念去求解问题、设计系统和理解人类行为，它涵盖了计算机科学的一系列思维活动。

第 17 篇，p.231

作者把科学思维分成三种：实证思维重观察和归纳，逻辑思维重推理和演绎，计算思维重形式化、程序化和机械化，也就是把实际问题抽象成可以形式化表达的数学问题，再编程让计算机自动求解。他举的例子是统计节目收视率：按地区、年龄、收入、教育程度采样，要让样本算出的结果尽量逼近全体，就需要数学建模；模型建好了，再用程序自动完成。他特别提醒，计算思维不是学计算机的人才需要：

计算思维虽然具有计算机科学的许多特征，但是计算思维本身并不为计算机科学所专属。

第 17 篇，p.232

大数据傲慢（第 17 篇，p.232）：作者用谷歌流感趋势说明计算思维的边界。这个项目根据用户的搜索词预测各地流感爆发，对疾病跟踪的精确率一度达到 97% 左右；后续研究却发现，它预测的门诊数远远超过疾病预防控制中心报告的实际数。这种差距被称为“大数据傲慢”（big data hubris），错在以为互联网大数据可以完全取代传统的数据收集方法，而不是作为补充。

用计算思维来解决实际问题时，需要对所解决问题在现实世界中的相关方面予以考虑。

第 17 篇，p.232

大学：单设人工智能专业（第 17 篇，p.232—235）：作者的口号是“AI 赋能、教育先行”。他梳理了国内的政策和规模：《新一代人工智能发展规划》在战略态势、重点任务、保障措施三部分出现 18 次“教育”，明确提出“设立人工智能专业”，形成“人工智能 +X 复合专业培养新模式”；2019 年 3 月首批 35 所高校获批人工智能本科专业，到 2022 年 8 月已有 440 所，另有 248 所高校设了智能科学与技术专业（第一个是 2005 年的北京大学）。国外，卡内基梅隆大学 2018 年 9 月开设了美国第一个人工智能本科专业，英国爱丁堡大学等高校则早就开设。

他用表格比较了三所大学的本科课程（表 17.2）：

• 斯坦福大学计算机科学专业：人工智能只是 10 个模块里任选的 1 个，选了它至少修 7 门课；
• 卡内基梅隆大学人工智能专业：数学、计算机核心课之外，有人工智能核心课和机器人与决策、机器学习、感知与语言、人机交互 4 个方向，选修课里必须有认知科学或认知心理学；
• 爱丁堡大学人工智能专业：两个模块方向任选其一，学生从大一到大四都可以选计算机专业的每一门课；书中说，没规划好的学生可能选了和计算机专业一模一样的课，最后拿到的是计算机专业学士学位。

由此他得出单设人工智能专业的理由：

在计算机专业中，人工智能往往是一个模块方向，因此其知识体系被削弱化和碎片化，人工智能专业知识体系不等于计算机科学知识体系。

第 17 篇，p.235

课程体系里的人工智能（第 17 篇，p.235—237）：美国计算机学会（ACM）和电气与电子工程师协会（IEEE）几乎每 10 年发布一次计算机课程体系。1968 年版首次出现“人工智能与启发式规划”知识点；2013 年版被称为“大篷”（big tent），知识领域扩到 18 个，其中人工智能分成 12 个分支。作者从 2001 年版到 2013 年版的变化里看出三点：

• 重点从强调程序设计，走向强调算法研究和功能赋能；
• “大篷”随社会需要不断扩展，他引恩格斯“社会一旦有技术上的需要，这种需要就会比十所大学更能把科学推向前进”；
• 知识点越来越清楚，归结为感知、问题求解、行动和体系架构四类能力，正好对应本篇开头的定义。

101 计划与《人工智能引论》（第 17 篇，p.237—238）：2021 年年末，教育部在北京大学启动计算机领域本科教育教学改革试点工作计划（简称 101 计划），围绕“以生为本、聚焦教学、剖析课堂、赋能教师”，用两年时间推出 12 门计算机核心课程的名课、名师、名教材，其中一门是《人工智能引论》。这门课以“厚基础、强交叉、养品行、促应用”为理念，设 10 个模块、62 个知识点（含 9 个进阶知识点）。书中的知识点分布图（图 17.1）是一个同心圆：圆心是伦理与安全、表达与推理、建模与学习、搜索与优化；第二圈是可计算理论与图灵机、知识表达与推理、搜索求解与问题探寻、机器学习、神经网络与深度学习、强化学习、人工智能博弈、人工智能伦理与安全；第三圈是软件、工具、芯片、架构、平台、系统；最外圈是科学计算、模式识别、自然语言处理、计算机视觉、机器人等应用。作者对学生的期望是：

通过对图灵测试、逻辑推理、概率建模、数据拟合、参数优化、博弈对抗和智能演化等算法原理的领会，知晓当前人工智能发展的瓶颈问题，同时对人机共融所形成的社会形态中应遵守的道德准则和法律法规有清晰认识。

第 17 篇，p.238

高中：新课标（第 17 篇，p.238—239）：2017 年 12 月教育部印发新的高中课程方案和课程标准，2018 年秋季起实施。和 2003 年的实验稿相比，信息技术课新增了数据与计算等必修内容，以及数据结构、人工智能、开源硬件设计等选修内容。高中信息技术学科的核心素养有四项：信息意识、计算思维、数字化学习与创新、信息社会责任（表 17.4）。表中把计算思维和以“实验、观察、发现、推断与归纳”为核心的实验思维、以“假设、定义、证明”为核心的理论思维并列：

计算思维体现了“抽象、构造和计算”的本质，在人工智能、大数据、互联网等支撑下所形成的计算思维与实验思维和理论思维同等重要，人工智能正成为一种通识教育……

第 17 篇，表 17.4，p.239

中小学：AI4K12（第 17 篇，p.240—243）：2018 年 5 月，美国人工智能促进协会（AAAI）和计算机科学教师协会（CSTA）成立“AI for K-12”工作小组（AI4K12），把学生分成幼儿园至 2 年级、3 至 5 年级、6 至 8 年级、9 至 12 年级四段，围绕五种能力逐级设计学习内容（表 17.5）：

• 感知：低年级辨识电脑、机器人和智能设备里的传感器，和 Alexa、Siri 对话，了解传感器起什么作用；高年级解释视觉从点、线、面到形状的层次化机制，展示语音识别处理同音字的困难；
• 表达与推理：低年级画教室或学校的地图并和实景对比，用决策树做决策；高年级画井字棋的搜索树，比较不同搜索算法；
• 学习：从用分类器识别图形，到用 TensorFlow 的 Playground 模块训练含 1 至 3 个隐藏层的神经网络；
• 自然交互：从辨识故事里单词的褒贬、人脸上的喜怒哀乐，到构建简单的聊天机器人、讨论人工智能与意识；
• 社会影响：从讨论日常生活中人工智能应用的优点和不足，到探究数据偏差怎样影响算法决策。

表中对“自然交互”的说明里有一句：

今天，人工智能系统能够完成有限任务，但是甚至缺乏孩童所拥有的通用推理和交流能力。

第 17 篇，表 17.5，p.242

偏见从数据来（第 17 篇，p.240）：作者注意到 AI4K12 规范里“偏差/偏见”（bias）这个词出现得很多。他举例：微软的人工智能聊天机器人被网民“教坏”，上线不久就成了一个集反犹太人、性别歧视、种族歧视于一身的“不良少女”；研究表明，自然语言算法更容易把幼儿园工作人员识别为女性，司法辅助断案系统容易支持原告的诉讼请求；只用不戴口罩的人脸训练，算法就认不出戴口罩的人脸。他认为原因是数据选择偏差（selection bias），办法是收集更有代表性的训练数据。

如果算法本身没有恶意错误，则训练算法的数据存在偏差就会使得算法产生偏见。

第 17 篇，p.240

最优的成长（第 17 篇，p.244）：小结讲了两个小故事。据说围棋是尧帝发明来教化儿子丹朱的，《世本·作篇》有“尧造围棋，丹朱善之”，作者说“这恐怕是最早开展计算思维教育的例子”。结构程序设计之父艾兹格·迪科斯彻（Edsger Wybe Dijkstra）1957 年结婚填报职业时写了“程序员”（programmer），官方不接受，因为荷兰那时还没有这个职业。最后他借用美国数学家理查德·贝尔曼（Richard Bellman）的“最优化原理”（principle of optimality）：一个最优策略的子策略，对于它的初态和终态而言也必是最优的。全书正文以这句话结束：

人工智能的教育就是一种最优的成长，每一个阶段完成每一个阶段的使命，从而一直纵情向前，最终郁郁葱葱！

第 17 篇，p.244