AI向未来：全面推进大学本科阶段人工智能通识教育的必要性与策略

作者：未来有AI 更新时间：2024-03-05 点击数：

全文长 12000字，阅读大约需要 7-12 分钟

2024年全国两会期间，全国人大代表，小米集团创始人、董事长兼CEO雷军提交了4份建议，其中三份跟人工智能相关，有一份建议聚焦在人工智能人才的培养上。雷军建议，将人工智能素养教育纳入九年义务教育内容，设置人工智能通识课程；另一方面大力推进高校人工智能相关专业的建设，加大对高校人工智能学科建设的投入。

本文作者建议，我国应在大学本科阶段全面开展人工智能通识教育，并将人工智能通识课程拓展到更多专业，如传统理工科专业、医学、金融、文史、艺术类等专业，培养更多跨领域人才。建议鼓励大型科技企业和社会教培机构开展人工智能应用型人才培训，以适应人工智能领域技术快速迭代、人才需求量大、应用广泛的特征。

AI向未来：全面推进大学本科阶段人工智能通识教育的必要性与策略

龚超1,3 周丹2,3

(1. 清华大学日本研究中心；2.清华大学教育研究院；3.未来基因(北京)人工智能研究院)

[摘要]本文综合审视了人工智能的关键技术路线，涵盖专家系统、知识图谱、搜索算法、机器学习、深度学习以及强化学习等，探讨了这些技术如何协同促进人工智能领域的迅速发展和广泛应用。人工智能在各行各业中的跨界应用展现了其跨学科特性和对现代社会的重要贡献。基于此，文章指出在大学本科阶段加强人工智能核心通识教育的必要性，目的在于培育学生的跨学科思维、创新及适应未来社会发展的能力。文章还提出了一系列在大学本科阶段开设人工智能通识教育的具体策略，以期为大学本科阶段人工智能通识教育事业提供参考。

[关键词]：人工智能；通识教育；跨学科

一、审视人工智能之势，紧随时代步伐

在21世纪的今天，我们正身处于一个由人工智能技术推动的快速变革时代。这场变革的速度之快、影响之广前所未有，人工智能不仅重塑了商业模式、改变了工作方式，还在重新定义人类生活的各个方面。自从AlphaGo问世以来，世界上不少国家公布了国家级的人工智能相关政策，如图1所示：

图1全球人工智能战略格局

近年来，大模型如ChatGPT、Midjourney、Stable Diffusion以及Sora等应用，通过在海量数据上的预训练，展示了惊人的语言、图像以及视频的理解和生成能力。

图2 OpenAI发布了Sora:一个尖端的文本到视频的人工智能模型

随着人工智能技术的不断进步和普及，其在未来人类生活中的应用将变得越来越普遍。人工智能正在逐步改变我们的工作方式、学习方式和生活方式，从智能家居设备到自动驾驶汽车，从个性化医疗到智能教育平台，这些变化不仅使我们的生活变得更加便捷和高效，也为解决复杂的社会问题提供了新的可能性。

然而，人工智能的发展与应用也伴随着对数据安全、算法偏见和技术失控等潜在风险的担忧。“深度学习教父”杰弗里·辛顿（Geoffrey Hinton）曾表示，人工智能可能发展到对人类构成威胁“并非不可想象”的地步，更有上千名科技人士发公开信要求暂停训练比GPT-4更强大的人工智能系统。这就要求我们在拥抱人工智能带来的便利的同时，也必须对这些挑战保持警觉，并寻求合理的解决方案。

中国政府高度重视人工智能的教育发展，自从国务院2017年印发《新一代人工智能发展规划》以来，人工智能教育相关政策频出，大学人工智能教育工作已如火如荼地展开，截止到2023年4月，全国共有498所高校成功申报人工智能本科专业，其中：

Ø第一批2018年，全国35所高校成功申报人工智能专业

Ø第二批2019年，全国180所高校成功申报人工智能专业

Ø第三批2020年，全国130所高校成功申报人工智能专业

Ø第四批2021年，全国95所高校成功申报人工智能专业

Ø第五批2022年，全国58所高校成功申报人工智能专业

在这样一个快速发展的人工智能时代，人工智能已经渗入到学习、工作与生活的各个领域，为每一位大学生提供人工智能的通识教育变得尤为重要。这种通识教育不仅有助于学生们建立起对人工智能技术的基本认知，理解它对社会和个人生活的潜在影响，而且还能够培养他们在未来职业生涯中所需的关键技能。

2024年2月27日,南京大学发布了2024年9月面向全体本科新生开设的“人工智能通识核心课程体系”总体方案,在全国高校首开先河。无独有偶，在2024年2月28日，清华大学举行的“2024年全校教职工大会暨全校党员集中培训”上，邱勇书记提出了清华人工智能布局，李路明校长也强调要高度重视新型人工智能技术的影响，提出每一位清华师生都应当具备人工智能素养，并希望全校师生员工积极参与这场意义深远的变革。

国外一些国家在本科阶段的人工智能通识教育上已经率先迈出了步伐。以日本为例，科学文部省发起了“数理、数据科学、人工智能教育项目认定制度(素养水平)”，旨在提高学生对数理、数据科学、人工智能的兴趣，并培养学生正确理解数理、数据科学、人工智能并灵活运用数理、数据科学、人工智能的基本能力（图3）。日本一些大学早已在全校层面开展了人工智能通识教育，数据科学、人工智能等课程正逐渐成为日本大学文理科生的必修科目。

图3数理、数据科学、人工智能教育项目认定制度(素养水平)

人工智能的时代已经到来，人工智能技术的普遍应用，尤其是大模型的发展正在重塑我们的世界，也对教育产生了深远的影响。了解这些变化，以及它们对个人生活和社会结构的影响，对于正在为迎接未来做准备的每位学生来说都是至关重要的。人工智能通识教育为什么如此重要？为什么要加强人工智能素养？面对大学生，尤其是文科生如何开展人工智能通识教育？本文将主要针对这几个问题展开探讨，以期为中国大学本科阶段人工智能通识教育的建设提供一些参考。

二、掌握人工智能之钥，开启未来之门

学习人工智能，不仅是为了掌握一项重要的技术技能，更是为了在快速发展的数字经济中，能够理解和适应技术带来的变革，为未来的社会发展贡献力量。习近平总书记指出“建设教育强国，龙头是高等教育”。面对当前国际人工智能发展的新局势，大学本科阶段全体学生有必要也有条件掌握人工智能的通识知识。

人工智能对于经济社会的重要性主要体现在如下几个方面：

经济发展驱动力：人工智能是当前科技进步和经济发展的关键驱动力之一。它通过优化生产流程、提高效率、降低成本，为各行各业提供了革命性的改变潜力，从而推动经济增长。

就业市场变革：随着人工智能技术的发展，许多传统职业将会被重新定义，新的职业岗位将会出现。学习人工智能不仅可以帮助个人适应这种变革，抓住新的就业机会，还能提高在未来就业市场中的竞争力。

解决复杂问题能力：人工智能技术在数据分析、模式识别、自然语言处理等方面的应用，使其成为解决复杂问题的有力工具。这些技术可以帮助人类更好地理解和解决环境变化、疾病防治、社会治理等方面的复杂问题。

促进科技创新：人工智能的研究和应用推动了跨学科的融合和科技创新。例如，人工智能与生物技术、新材料科学的结合，开辟了新的研究方向和应用场景，为科技进步提供了新的动力。

个性化服务与体验：人工智能的发展使得个性化服务成为可能。无论是在线教育、健康管理还是电子商务，人工智能都能提供更加个性化、高效的服务和体验，满足消费者的多样化需求。

社会治理与安全：人工智能技术在社会治理、公共安全、灾害预警等领域发挥着越来越重要的作用。通过对大数据的分析和处理，人工智能可以帮助政府和组织作出更加准确和及时的决策，提高社会治理的效率和效果。

推动国际竞争力：人工智能技术是国际竞争的重要因素之一。掌握人工智能技术，能够提升一个国家在国际舞台上的科技实力和竞争力，对于国家安全和经济发展至关重要。

总之，随着人工智能技术的不断进步和应用领域的扩大，学习人工智能成为了适应未来世界的必要条件，对于任何希望在数字时代保持竞争力的个人和国家而言，都显得尤为重要。

三、洞悉人工智能之髓，通晓不同路线

人工智能的通识教育并不像某些人所想的那样，需要数学与程序设计的基础，虽然这些知识与技能对于理解和学习人工智能的深层次原理非常重要，但通识教育的目标是让更广泛的人群理解人工智能涉及到的基本概念、赋能原理、应用场景以及法律伦理。

按照1956年人工智能诞生算起，它的理论、技术的不断进步，包含了多种技术路线，每种技术路线背后都有其独特的科学原理和应用场景。从早期符号主义的专家系统和知识图谱，到搜索算法，再到机器学习和深度学习，以及目前的大模型，人工智能技术的演进揭示了人们对于模仿、增强甚至超越人类智能的不懈追求。

现在在人工智能通识层面有一个误区：以符号主义为代表的人工智能已经过时，现在应该专注深度学习。因此，在一些入门通识类的课程中，往往只见一些深度学习原理与应用的书籍，其实这种做法并不利于人工智能的通识课程建设。

人工智能的目标是模仿人类智能，包括学习、推理、解决问题、感知以及创造等，一些学者认为，人工智能可从以下几个方面模仿智能，见图4，并且，单靠一种技术路线几乎是触及不到通用人工智能的。人工智能的历史经验告诉我们，不同学派的路线在历史的长河中此起彼伏，不同技术路线取长补短创新方能发挥出更大的实力。

图4 模拟智能的方法

专家系统

专家系统是一种早期的人工智能程序，旨在模拟人类专家在特定领域内的决策能力。它们基于一套预定义的规则（即“如果-那么”语句）和事实数据库来解决问题或提供建议。专家系统包括三个主要部分：知识库（存储专业知识和规则）、推理引擎（使用规则对知识进行逻辑推理）、和用户接口（允许用户查询系统并接收建议）。这些系统在医疗诊断、金融分析和工程设计等领域得到了应用。

尽管深度学习和其他机器学习技术在近年来取得了显著的进展，使得人工智能的重点有所转移，但专家系统在一些特定的应用场合仍然非常有价值，特别是在那些规则明确、知识密集型的领域。

知识图谱

知识图谱是一种用于存储实体（如人、地点、事物）之间关系的结构化知识库。它通过图形结构表示知识，其中节点代表实体，边代表实体间的关系。知识图谱支持复杂的查询和数据分析，为搜索引擎优化、推荐系统和语义搜索等应用提供支持。它们使计算机能够理解和解释复杂的关系和属性，从而提高信息检索和数据链接的准确性。

专家系统和知识图谱都依赖于知识的结构化表示。专家系统通过规则和事实来表示知识，而知识图谱通过实体和它们之间的关系来表示知识。两者都旨在提供决策支持，无论是通过专家系统的规则推理还是知识图谱的关系查询和分析。

搜索算法

搜索算法是人工智能中用于寻找从初始状态到目标状态最优路径的算法。这些算法试图通过系统地探索问题空间来找到解决方案，是许多人工智能系统，包括路径规划和游戏人工智能的基础。经典搜索算法主要处理明确、静态的问题空间，其中所有的状态、转换和结果都是已知的。常见的有深度优先搜索（DFS）、广度优先搜索（BFS）等。

启发式搜索算法用于更复杂的问题，特别是那些问题空间巨大或解的形式不明确的情况。这类算法利用启发式信息（即根据经验估计的信息）来指导搜索过程，以更高效地找到解决方案或可接受的近似解。启发式搜索算法的目标是减少搜索空间，提高搜索效率，如遗传算法（Genetic Algorithms, GAs），粒子群优化（Particle Swarm Optimization, PSO）以及模拟退火算法（Simulated Annealing, SA）等，它们因算法因其简单、易于实现和适用于广泛问题而受到欢迎。

机器学习

机器学习使得人工智能能够从数据中学习，而不是通过显式编程来执行特定任务。机器学习的核心思想是开发算法，这些算法可以让计算机接收输入数据并用这些数据来预测输出或做出决策，基于数据的模式和特征。机器学习包括多种类型，如监督学习与无监督学习。

通过两个维度，可以将机器学习能够解决的问题大致分为四类，工作、学习和生活中的问题很多都可以划分为四类，认清问题的类型是利用机器学习解决问题的关键一步。

图4 机器学习主要面对的四类问题

深度学习

机器学习是人工智能研究领域的一个子集，而深度学习则是机器学习的一个子集，它使用称为神经网络的复杂结构来模拟人类大脑的工作方式，特别是依赖于多层（深层）的神经网络来处理数据（图5）。深度学习算法通过从大量数据中学习复杂模式，能够执行一些非常复杂的任务，如图像和声音识别、自然语言处理等。

图5 人工智能、机器学习与深度学习

我们正处于深度学习占据人工智能主流的时代，它不仅是科技发展的驱动力，也是未来创新的关键之一。尽管深度学习带来了诸多好处，它也面临一系列挑战，包括对大量标记数据的依赖、模型的可解释性问题、以及算法偏见等伦理和社会问题。

此外，也有人认为深度学习时代，传统的机器学习没有花费时间学习，仿佛深度学习能“包治百病”，其实不然，现在很多研究中传统机器学习赋能热度依然不减，以Nature为例，查找关键词“Machine Learning”，可以看出文章不胜枚举（图6）。

图6Nature期刊中机器学习

强化学习

强化学习也属于一种机器学习方法，它使计算机系统能够自动决定如何在复杂、不确定的环境中采取行动以达成某个目标。在强化学习中，一个被称为“智能体”的算法通过与环境互动来学习：它在特定状态下采取行动，并通过环境的反馈（通常是奖励或惩罚）来学习哪些行动是最佳行动。通过这种方式，智能体逐渐学会如何根据环境状态采取最优行动以最大化其长期奖励。这种学习过程类似于人类或动物通过尝试和错误来学习的方式。在震惊世界的人工智能AlphaGo与ChatGPT的背后，均有强化学习的助力。

强化学习与人类学习有一些相似之处，首先是基于反馈学习：强化学习和人类学习都强调了从反馈中学习的重要性。在强化学习中，智能体根据其行为的好坏（即获得的奖励或惩罚）来调整其策略，类似于人类如何通过奖励（正面反馈）或惩罚（负面反馈）来学习。其次是探索与利用：强化学习中的探索（尝试新行为以发现有价值的行为）与利用（利用已知行为以最大化奖励）之间的权衡反映了人类在决策中面临的相同挑战。人类需要决定是依赖已知的有效策略还是尝试新的可能更优的选项。最后，强化学习模型能够根据环境的变化自我调整其行为策略，这与人类如何在不断变化的环境中学习并适应类似

博弈对抗

博弈论是研究具有冲突或合作可能性的理性决策者之间的策略互动的数学理论。在博弈论中，每个参与者（称为“玩家”）在做出决策时都会考虑其他玩家的可能决策和策略。博弈论被广泛应用于经济学、政治学、心理学以及决策科学中，帮助解释和预测个体或群体在具有竞争或合作元素的情况下的行为。在人工智能中，博弈论可以用来设计智能体的策略，这些智能体需要在考虑其他智能体可能的行为和反应的情况下做出决策。

四、跨越人工智能之界，提升AI素养

AI素养（AI Literacy）不仅包括对人工智能知识与技术本身的基本认知和理解，还涉及到对人工智能技术在社会、经济和伦理层面影响的深入洞察。随着人工智能在全球范围内的迅速发展和应用，提升人工智能素养已经成为了一个不可忽视的议题。人工智能素养不仅涉及对人工智能技术和应用的基本理解，还包括能够批判性地评估人工智能技术的影响、理解其伦理道德问题以及具备使用人工智能工具解决问题的能力。至于何为人工智能素养，已有一些文章做过探讨，这里就不再赘述。学习人工智能除了能够掌握相关知识与技能，理解人工智能的基本原理及其工作方式外，还可以培养如下思维：

Ø批判思维：批判思维是指在分析和评价情况时应用的高阶思维能力。在人工智能领域，批判思维涉及对人工智能技术的实际应用、潜在效益与风险的深入分析。这不仅包括评估人工智能解决方案的技术性能，还要考虑这些技术如何影响社会、文化和伦理层面，如人工智能的影响评估、伦理考量以及可持续性分析。

Ø数据思维：数据思维是指能够有效地理解、处理和分析数据以提取有用信息的能力。这种思维方式对于数据驱动的决策过程至关重要，特别是在人工智能领域，其中包括数据收集、数据清洗、数据分析以及对数据的合理解释。数据思维强调的是数据的重要性和如何利用数据来支持更智能的决策。

Ø逻辑思维：是基于逻辑原则和规则进行思考的方式，强调推理和证明。它依赖于明确的定义、假设的设定、证据的收集和分析，以及结论的推导。逻辑思维帮助人们通过严密的推理过程，从已知事实出发，达到新的结论，是科学研究和日常决策中不可或缺的思维方式。

Ø人文思维：强调对人类社会、文化、历史和个体经验的理解和思考。它关注人的价值、意义、目的和情感，通过对文学、哲学、历史和艺术等人文学科的研究，探索人类生活的多样性和复杂性。人文思维促进对人类行为和社会现象的深刻洞察，强调批判性思考、同理心和道德判断。

Ø创新思维是一种追求新颖、独特解决方案的思维方式，它鼓励跨界思考、打破常规、挑战现状。创新思维不仅仅是创造新的产品或技术，更是一种发现问题、提出问题和解决问题的新方法。它结合了逻辑思维的严密性、数学思维的抽象性、人文思维的深刻性，并通过创意、想象和实验来探索未知，推动社会进步和技术发展。

人工智能课程具备天然的交叉属性，这一特点源于人工智能本身的复杂性和多学科性质。人工智能结合了计算机科学、数学、统计学、认知科学、神经科学、哲学以及伦理学等多个领域的理论和实践，因此，一个全面的人工智能课程往往需要涉及这些不同学科的知识和技能。

人工智能与行业的交叉应用（图7）：人工智能技术与各行各业的交叉应用正在深刻改变着传统行业的运作方式和业务模式。例如，在医疗行业，人工智能技术能够帮助医生进行更精确的疾病诊断和个性化治疗方案的制定；在金融行业，人工智能被用于风险评估、欺诈检测和智能投顾；在制造业，通过人工智能优化生产流程和提高自动化水平，大幅提升生产效率和产品质量。这些交叉应用不仅推动了人工智能技术的实际落地，也为传统行业带来了革新。可以毫不夸张的说，现在没有哪个行业还未被人工智能进行赋能。

图7人工智能赋能行业

人工智能与学科的交叉应用（图8）：人工智能的发展同样依赖于与各学科的深入融合。计算机科学、数学、统计学提供了人工智能算法的理论基础；心理学和认知科学帮助我们理解智能行为的本质；哲学和伦理学指导人工智能的责任和道德框架的建立。这种跨学科的融合不仅丰富了人工智能的理论基础，也拓展了人工智能的应用领域，比如在语言处理、视觉识别、社会科学和艺术创作等方面。

图8 人工智能赋能学科登顶Nature封面文章

人工智能内学派交叉：人工智能领域内部的交叉融合也是推动技术创新的重要因素。例如，阿尔法狗（AlphaGo）的成功就是多种技术和理论的结合体现。它结合了符号主义学派的规则推理能力和连接主义学派的深度学习技术，再加上行为主义学派的强化学习策略，实现了对围棋游戏的高水平理解和策略制定。这种内部学派的交叉不仅展示了人工智能技术的多样性，也证明了不同理论和方法融合的巨大潜力（图9）。

图9AlphaGo：人工智能三大学派交叉产物

在大学本科阶段开始学习人工智能，可以有效培养学生以下几方面的能力：

理论与应用结合：人工智能课程通常需要结合理论知识和实际应用。学生不仅要学习人工智能相关原理，还需要掌握一定的实践平台以及一定的程序基础，然而这并不是要求学生具备多高的编程水平，实际上，通过一些外部库的调用或是其他人工智能平台，即便是具备简单的程序基础完全可以可以进行理论与应用的结合。

多学科知识融合：人工智能课程通常要求学生具备或逐渐建立起跨学科的知识基础。例如，数据科学和机器学习不仅需要计算机科学的技能，还需要统计学的知识来处理和分析数据。同样，理解人工智能在特定领域（如医疗、金融或法律）的应用也需要相关领域的基础知识。

技术与伦理的反思：随着人工智能技术的广泛应用，其社会和伦理影响也越来越受到重视。一个全面的人工智能课程会包括对人工智能伦理的探讨，如数据隐私、算法偏见、自动化的社会影响等，这要求学生在技术学习之外，还要涉猎哲学、法律和社会学等领域。

创新与问题解决：人工智能课程鼓励学生发挥创新思维和解决复杂问题的能力。这不仅仅是学习特定的算法或编程技能，更重要的是学会如何将人工智能技术应用于新领域，解决实际问题。这种教学目标促进了创新能力的培养，跨越了技术与应用的界限。

团队协作与沟通：在人工智能项目中，团队协作和有效沟通是成功的关键。人工智能课程通过团队项目和合作学习，帮助学生培养在多学科团队中工作的能力。这不仅包括技术交流，还包括与非技术背景人士的沟通，确保人工智能解决方案的有效传达和实施。

鉴于人工智能对未来的广泛影响，无论是文科、还是非人工智能专业的理工科学生，如果他们希望在学习、工作中更好的发挥专业优势，那么掌握一定人工智能知识变得至关重要。从第一财经（2023年第4期）中的一篇文章《AI热潮席卷硅谷，立法者却困于不懂技术》可以看出AI到用时方恨少,事非经过不知难（图10）。

图10AI助力立法

五、夯实人工智能之基，培养未来人才

随着人工智能技术成为推动社会发展的关键力量，大学教育体系需要适应这一变化，通过有效的教育策略来培养学生的人工智能素养。以下是一些实施策略，旨在在大学本科阶段有效引入人工智能课程，尤其是针对非人工智能专业学生。

1. 设计入门级课程

开设入门级人工智能通识课程，重点在于普及人工智能的基础知识和原理，而不是深入的技术细节。课程内容应涵盖人工智能的历史、基本原理、主要应用、以及对社会的潜在影响等，确保所有背景的学生都能理解和参与。

2. 跨学科课程设计

开发跨学科课程，结合人工智能与其他领域的知识，不仅仅是理工科，还可设计如人工智能与经济、人工智能与管理、人工智能与社科、人工智能与艺术、人工智能与伦理等相关的跨学科内容。这可以帮助学生从不同角度理解人工智能技术，并认识到人工智能在各行各业中的应用价值。

3. 强调实践与应用

结合实际案例和项目，让学生通过解决实际问题来学习人工智能。例如，可以设计一些简单的项目，如使用机器学习工具进行数据分析，或者编写简单的算法来解决特定问题。这有助于学生理解人工智能技术的应用场景并激发他们的兴趣。

4. 采用多样化的教学方法

结合传统讲座与互动式学习，如小组讨论、项目式学习和在线课程资源，增强学生的参与感和学习效果。利用在线平台和模拟软件，让学生有机会接触到人工智能工具和平台，即使他们没有深入的编程背景，也可以利用平台或软件提供的库实现人工智能的实操。

5. 促进校内外合作

通过工作坊、研讨会和讲座等形式，邀请来自不同领域的专家分享他们在人工智能领域的经验和见解。与企业、研究机构和其他教育机构合作，为学生提供实习、访问学者项目或合作研究的机会。这样的合作不仅可以增强课程内容的实践性，还能帮助学生建立职业网络。

6. 教师的培训和发展

为一些对人工智能缺乏了解的教师提供专业培训，帮助他们了解人工智能的最新发展和教学方法。教师的知识更新和教学技巧的提升对于提供高质量的人工智能教育至关重要。

7. 善用人工智能工具

在人工智能技术迅速发展的当下，善于利用人工智能工具已成为提升工作效率和创新能力的关键。比如大模型的出现，为我们提供了前所未有的便利和可能性（图11）。因此，无论是教师还是学生，都应积极探索和利用人工智能工具，以赋能教学、研究和学习。正如柯洁所说，自从人工智能进入围棋界后，大部分棋手的水平得到了非常大的提高。

图11智谱清言助力文字与图像生成

六、结论

随着人工智能技术成为推动社会进步的关键力量，普及人工智能教育已经成为高等教育机构面临的一项迫切任务。面对人工智能技术在各行各业中的广泛应用，对掌握人工智能相关知识和技能的专业人才的需求日益增长，这要求我们从本科教育阶段开始，就为学生提供必要的人工智能知识和技能培训。

人工智能教育的目标不应局限于培养计算机科学或其他理工的学生，而应拓展到文科、商科、医学等非信息技术领域，帮助所有学生建立对人工智能技术的基本理解，并掌握必要的数据素养和批判性思维等能力。本科阶段是塑造学生职业生涯和世界观的关键时期，引入人工智能教育能够为学生提供跨学科的学习机会，激发他们对科学和技术的兴趣，并培养他们解决复杂问题的能力和伦理责任感。因此，大学需要积极采取行动，通过课程设计、教学资源更新和跨学科项目以及与校外机构企业积极展开积极合作，确保所有学生都能接触到人工智能通识教育，以培养他们成为未来社会的负责任公民，具备在人工智能时代中引领变革和促进人类福祉的能力。记住：人工智能不会取代你，但善用人工智能的同行会。

参考示例：日本某大学大一“数据科学人工智能通识课程”的简介和点评

课程背景

日本文部科学省认为，人类目前处于第四次工业革命中，继狩猎社会、工业社会、信息社会之后，社会正在向以人为中心的超智能社会Society 5.0发生巨大变革。针对这种变革，日本文部科学省设立了数学、数据科学、AI教育程序认证制度“MDASH-Literacy”，旨在让所有大学生学习数字社会的“读、写、算”，即“数学、数据科学、AI”的基础。该大学开设的课程就是依据“MDASH-Literacy”制度认证的课程标准来进行教学的。

课程目标

全学共通科目“数据科学概论”的开课目的是为了让学生理解在现代社会的工作和生活中，数据是如何被利用的、存在哪些应用方法、面临什么样的挑战等。该课程于2020年度作为全校共通选修科目开设，并从2022年度起成为全校必修科目，所有大学一年级学生都需要学习。作为数据科学课程群中的入门科目，「数据科学概论」旨在让学生掌握基础知识，并通过后续的进阶科目进一步深化所学内容。

课程特征

特点1 概论而非入门

不是入门的基础知识，而是掌握数据科学的整体图景。将通过与外部企业合作开发的视频教材学习日常生活、商业、公共政策等各种场景中AI与数据科学的应用，这些企业实际上正在将AI与数据科学作为业务来利用。

特点2 不需要高中数学知识

将广泛学习统计学、数据挖掘、机器学习等方法。因为目的是学习这些方法何时被使用以及分析结果如何被利用，而不是对各种方法的数学理解，所以“数据科学概论”的学习不以高中数学知识为前提。这对于文科的初学者来说是容易学习的内容。

特点3 不区分文理

将深入了解数据科学对于各学科领域都很重要的思考方式，如“法律与伦理”问题。学习涉及数据的国际动态，如个人信息保护法、OECD指南、EU数据保护指令、消费者隐私权章程、GDPR等，以及信息泄露、数据偏见、算法偏见等负面案例。

特点4 通过学习管理系统可视化学习成果

利用学习管理系统（LMS; Learning Management System）进行视频教材观看、讲座资料浏览、对课堂的评论和提问、作业提交和反馈等。这些都被存储在LMS上，可以随时回顾自己的学习成果。

点评

该课程案例展示了一种面向未来社会需求的教育模式，不仅满足了数字化时代对所有学生的基本素养要求，而且通过灵活的教学内容和方法，确保了学习的可接近性和实用性。特别值得称赞的是，课程设计考虑到了不同背景学生的需求，无论是文科还是理科，都能从中获益，这有助于打破传统学科间的界限，促进跨学科学习和应用。此外，通过与外部企业的合作，学生能够获得更接近实际应用的学习体验，这对于培养未来社会所需的数字化人才具有重要意义。最后，利用LMS系统进行学习管理和成果可视化，不仅提高了学习效率，也增强了学生的自我反馈和自主学习能力。总体来看，这一教育案例为应对快速变化的社会和技术环境提供了有价值的参考。

作者简介

微信图片_20240622132132.png

龚超

未来基因（北京）人工智能研究院

首席专家

工学博士，清华大学日本研究中心主任助理。教育部教育信息化教学应用实践共同体项目特聘专家、中国高科技产业化研究会理事、中国人工智能学会中小学工作委员会委员。主要研究方向为人工智能优化算法，人工智能在数字化转型中的应用等。著有近20本人工智能相关图书，多家500强企业数字化转型领域高级顾问，在国内外期刊上发表文章共计60余篇。

微信图片_20240622132134.png

周丹

未来基因（北京）人工智能研究院

资深专家

清华大学教育研究院博士，主要研究方向为人工智能教育、元宇宙教育等，参与编写《人工智能基础》《万象中轴》教材和《人工智能教育蓝皮书》《虚拟现实产业报告》等多版报告。

加入收藏

上一篇：教育部公布名单！这些中小学入选

下一篇：暂无

返回列表