教学技巧、多样性……教育机构如何跟上人工智能的改变速度？

人工智能时代的劳动力问题非常令人担忧。而且，人们对于自动化及其对工作的影响更是忧心忡忡。

与之前影响劳动力发展不同的是，机器学习和人工智能对不同领域都有着广泛的影响。而且，突然之间，数据汇合、更好的计算能力和算法都出现得太快，以至于这种转变的速度比政府、公司和教育机构的反应和适应速度都要快得多。

如果你把问题反过来问，“人工智能不擅长做什么？”或者是“人类擅长做什么，还有什么留给我们去做？”有两件事对于机器来说很难做到，其一是展现创造力，另一个是社交技能和认知能力。

看护就是一个涉及社会认知角色的好例子。你可以将一些日常中例行的事情设为自动化，但是其他的一些方面真的依赖于社交技能和认知能力，这正是机器所不具备的。

至于创造力，机器的行为可能看似富有创造力，例如当它们在下围棋或国际象棋时表现出很睿智的举动，但实际上，这是来自于详尽的列举和对底层数据评估之后的结果，并不诞生于创造力的火花之中。

人们强烈呼吁不仅要关注再培训，而且要关注基础教育。我们今天教育的方式，即使是在K-6或K-12阶段时，都没有足够重视创造力、社会洞察力、设计和团队协作能力的培养。这些在将来都是非常重要的事情，并且现在已经很重要，它们的发展速度远比我们适应它们的速度要快得多。

在STEM（科学、技术、工程、数学）所有领域中确实有一个代表性不足的问题，相较于其他领域，计算机科学占有较高的问题比重，而相较于通用计算机科学，人工智能又占更高的比例。因此多样性无疑是一个很重要的问题，并且做这项工作的技术人员严重短缺。有一种普遍的呼声是：“我们需要更多的人，所以我们实在不能将人才留在办公室里。”

但是还有另一点：这个正在被创造的技术（多样性）在各行各业中如此重要，以至于会将大量的人排除在对话之外，这将使得这些人在我们社会的各领域中失去作用，而不仅仅是计算机科学领域。

在飞往达沃斯的飞机上，我看到他们的自动肥皂分配器——需要你把手放置在下面——但这并不适用于很多非裔美国人。事实证明，很多这样的分配器拥有低廉的传感器，它们对颜色越浅的皮肤越有识别度。他们只对一小部分人口进行了测试和评估，这不是有意识的种族主义——一些人没必要仅仅为了让非裔美国人很难获得肥皂而选择便宜的传感器——但显然，在设计和测试上，（他们）没有将足够多样性的人群考虑在内。你可以想象，如果12%的设计师和12%参与设备试验的人都是非裔美国人的话，那么就不会发生这种情况。

我们可以做一些不同的事去吸引更多的多样性，但没有一个极为有效的方案。但我们在普林斯顿做的一件事是提供（理科的）工程学和计算机科学（偏文科的）学士学位。在院系里，他们是相同的，但是各自的进入路径是不同的：大一时，工程学的学生学习物理和化学，与此同时，计算机科学学生学习的是外语或者其它人文课程。因此，这些学生在入学时不必知道他们是否想成为一名工程师，它们也不需要去学习一些相关的先修课程，因为坦白说，这些先修课程和工程学的关系比对计算机科学的关系更大一些。

通过我们的后进入路径步入计算机科学的本科生中，有超过50%的是女性。这也暗示该项目在让女性获得学位上是更高效的。

过去几年，我们看到这个项目一直飞速发展。经常发生的事是，在你大一的时候你上了计算机科学的课程，你喜欢上了它，你看到它影响你其他兴趣的潜力，然后你被迷住了。

多样化的第二种吸引方式就是我们的入门课程，有60%学生来上这门课，这是一个非常外向的课程。它集中在关于计算、艺术、音乐和科学的跨学科应用上。在这个项目中，把你在课堂上写的东西展示给你室友或者父母，你不会感觉到尴尬，他们会觉得非常有趣。将你的电脑页面设置成音乐界面，你可以用计算机科技中的递推概念创造艺术。我认为它帮助我们更好地接触电脑科学。这个课程中，有40%-50%的学生之前没有做过编程，因此我们有单独的讨论部分，如果你之前没有做过编码，你可以选择加入。

我们将在下学期做一个实验，用核磁共振机器扫描一些学生，当然，这是自愿的。当他们观看录像课程时，我们可以一窥他们是如何学习的，看学生之间、时间之间的差异，以及他们在观看视频时对概念的理解上有什么差异，他们的注意力水平如何等。对人们如何学习进行研究，有希望帮助我们在教育这条路上理解得更深。

我们还可以把机器学习应用于我们收集到的神经系统科学数据，或者一些很寻常的事情，比如记录学生回看录像视频的次数，他们在哪按下暂停、在哪放慢速度，看得更细致。机器学习能够帮助我们更准确地了解到学生们在哪块挣扎，哪块没有被解释清楚，或者两者都有。很显然，这些都是相关的，并且它们也能帮助我们让学生进行个性化的学习；相较于一刀切式的课堂教育，学生们能够在一个更有效率的路线中学习。