AI思维：给人类教育的三项启示

AI思维：给人类教育的三项启示

By 高焕堂(台湾铭传大学讲师)

前言

    本文说明了AI思维启迪了老师们的教育新方向。学校老师们除了人类学生之外，还有机器学生。就如同一位老师除了男学生之外，还有女学生一般。如何让人类和机器两种学生之间能够相辅相成、心心相印，是当今学校老师们的重要课题了。这文章里，叙述了AI思维给人类教育的三项启示：1) 机器学生在学习How-to-do经验上，其能力远胜于人类学生。2) 过度强调How-to-do先验知识的传承，反而会局限学生(无论是人类或机器)对全局最优的探索，因而妨碍其发挥天赋的创新潜能。3) 引导人类学生更多How-to-think的演练和信心，可能促进两种学生在<创新/实践>上的完美组合。

第一項啟示

2016年，AlphaGo代表AI在围棋领域首次战胜了人类的世界冠军。 AlphaGo的棋艺(知能)是建立在人类的先验知识之上，基于人类海量的历史棋谱，学习参悟人类棋艺，进而自我训练、不断精进而胜过了人类。

 到了2017/10/19，谷歌的DeepMind团队在Nature期刊上发表了一篇文章：“Mastering the game of Go without human knowle˙dge”，引起了轰动。这文章叙述了新一代的AlphaGo Zero,基于不同的学习途径，没有参考人类的先验知识，没有依赖人类历史棋谱的指引，从一片空白开始自我学习、无师自通、棋艺竟然远远超过AlphaGo，而且百战百胜，以100:0完胜它的哥哥AlphaGo。

    回顾一下AI的发展历史，自从1950年代，许多专家们就是希望将人类的知识和思维逻辑植入到机器(如计算机)里，让机器像人一样地思考。当时就使用符号和逻辑里表示思考和表现出智能，人类努力向机器输入符号化的“思想”并期望软件程序会展现出足够像人的思考能力，然而这个期望并没有成功。

   后来，专家们另寻他途，转而采用1957年，Rosenblatt在1957年提出的“感知器”(perceptron)程序、使用重入反馈算法“训练”各种逻辑式子，因此实现了初步的机器“学习”。这称为“联结主义”(connectionism)，也诞生了“神经网络”(neuralnetworks)名词。这个途径并不是由内而外地向机器输入符号化的知识和逻辑来让机器展现出像人一样的思考；反而是由外而内，尽量让计算机表现得有智能，但人们并不关心机器是否真的“表现”出思考。AlphaGo就是这项新途径的代表。AlphaGo的棋艺(知能)是建立在人类的先验知识之上，基于人类海量的历史棋谱，学习参悟人类棋艺，进而自我训练，不断精进而胜过了人类。

    从上所述，AI思维给人类教育的启示之一是：学校老师们有两中学生：人类学生与机器学生。老师们把How-to-do的经验教给机器学生，其机器经验迅速胜过人类经验。这意味着，老师将其How-to-do经验传承给人类学生(如棋艺学徒)，这些人类学生很可能都输给机器学生，被机器学生淘汰出局而失业。就如同人类棋艺高手输给AlphaGo一般。

第二項啟示

    然而，AlphaGo还不是顶级高手，还输给了AlphaGo Zero。因为它非常依赖人类的过去经验(如历史棋谱)，只要曾经认可能为错的，便不再去探索发展，因而往往只找到局部最优(local optima)，而不是全局最优的方案。

   兹回顾人类的每一次革命性创新都是人类跳出了局部最优的表现。例如，古典力学，麦克斯韦方程，再到广义相对论等比比皆是。从上所述，AI思维给人类教育的启示之二是：老师把太多的先验知识教给学生(包括人类学生和机器学生)，可能妨碍学生的创新能力，因为学生在面对复杂的新情境时会迅速找到局部最优，而停止继续探索发展，失去跳出局部最优的创新机会。

第三項啟示

   由于AI机器没有表现出思考过程，人类也无法全然把握机器智能的可信度。机器一旦面临它未曾学习过的情境，就有可能会犯错。例如，去年一名特斯拉(Tesla)车主在其特斯拉汽车的“自动辅助驾驶”(Autopilot)软件未能在阳光下发现一辆白色卡车后死于撞车事故。这项机器学习的弱点，如果能得到人类智能的相助，就能达到更完美的境界了。从上所述，AI思维给人类教育的启示之三是：学校老师可以更关注于引导学生How-to-think，包括跨界思维和联想等。这让机器(学生)的全局探索能力来协助人类(学生)的创意思考迅速寻找到全局最优的实践方案。同时也让人类更多的“思考”来弭补机器“智能”的弱点。于是，人类和机器变得相辅相成、达到创新与实践的最佳组合。

高焕堂老师的更多文章

   欢迎参阅： http://www.cnblogs.com/SmartADT/。

     在AlphaGo Zero热潮下的<AI思维+人类设计思维>

~ End ~