人工智能的发展与未来
随着人工智能（artificialintelligent，AI）技术的不断发展，各种AI产品已经逐步进入了我们的生活。
现如今，各种AI产品已经逐步进入了我们的生活｜Pixabay
19世纪，作为人工智能和计算机学科的鼻祖，数学家查尔斯·巴贝奇（CharlesBabbage）与艾达·洛夫莱斯（AdaLovelace）尝试着用连杆、进位齿轮和打孔卡片制造人类最早的可编程数学计算机，来模拟人类的数理逻辑运算能力。
20世纪初期，随着西班牙神经科学家拉蒙-卡哈尔（RamónyCajal）使用高尔基染色法对大脑切片进行显微观察，人类终于清晰地意识到，我们几乎全部思维活动的基础，都是大脑中那些伸出细长神经纤维、彼此连接成一张巨大信息网络的特殊神经细胞——神经元。
至此，尽管智能的具体运作方式还依然是个深不见底的迷宫，但搭建这个迷宫的砖瓦本身，对于人类来说已经不再神秘。
智能，是一种特殊的物质构造形式。
就像文字既可以用徽墨写在宣纸上，也可以用凿子刻在石碑上，智能，也未必需要拘泥于载体。随着神经科学的启迪和数学上的进步，20世纪的计算机科学先驱们意识到，巴贝奇和艾达试图用机械去再现人类智能的思路，在原理上是完全可行的。因此，以艾伦·图灵（AlanTuring）为代表的新一代学者开始思考，是否可以用二战后新兴的电子计算机作为载体，构建出“人工智能”呢？
图灵在1950年的论文《计算机器与智能（ComputingMachineryandIntelligence）》中，做了一个巧妙的“实验”，用以说明如何检验“人工智能”。
英国数学家，计算机学家图灵
这个“实验”也就是后来所说的“图灵测试（Turingtest）”：一名人类测试者将通过键盘和显示屏这样不会直接暴露身份的方式，同时与一名人类和一台计算机进行“网聊”，当人类测试者中有七成都无法正确判断交谈的两个“人”孰真孰假时，就认为这个计算机已经达到了“人工智能”的标准。
虽然，图灵测试只是一个启发性的思想实验，而非可以具体执行的判断方法，但他却通过这个假设，阐明了“智能”判断的模糊性与主观性。而他的判断手段，则与当时心理学界崛起的斯纳金的“行为主义”不谋而合。简而言之，基于唯物主义的一元论思维，图灵和斯金纳都认为，智能——甚至所有思维活动，都只是一套信息处理系统对外部刺激做出反应的运算模式。因此，对于其他旁观者来说，只要两套系统在面对同样的输入时都能够输出一样的反馈，就可以认为他们是“同类”。
1956年，人工智能正式成为了一个科学上的概念，而后涌现了很多新的研究目标与方向。比如说，就像人们在走迷宫遇到死胡同时会原路返回寻找新的路线类似，工程师为了使得人工智能达成某种目标，编写出了一种可以进行回溯的算法，即“搜索式推理”。
而工程师为了能用人类语言与计算机进行“交流”，又构建出了“语义网”。由此第一个会说英语的聊天机器人ELIZA诞生了，不过ELIZA仅仅只能按照固定套路进行作答。
而在20世纪60年代后期，有学者指出人工智能应该简化自己的模型，让人工智能更好的学习一些基本原则。在这一思潮的影响下，人工智能开始了新一轮的发展，麻省理工学院开发了一种早期的自然语言理解计算机程序，名为SHRDLU。工程师对SHRDLU的程序积木世界进行了极大的简化，里面所有物体和位置的集合可以用大约50个单词进行描述。模型极简化的成果，就是其内部语言组合数量少，程序基本能够完全理解用户的指令意义。在外部表现上，就是用户可以与装载了SHRDLU程序的电脑进行简单的对话，并可以用语言指令查询、移动程序中的虚拟积木。SHRDLU一度被认为是人工智能的成功范例，但当工程师试图将这个系统用来处理现实生活中的一些问题时，却惨遭滑铁卢。
而这之后，人工智能的发展也与图灵的想象有所不同。
现实中的人工智能发展，并未在模仿人类的“通用人工智能（也称强人工智能）”上集中太多资源。相反，人工智能研究自正式诞生起，就专注于让计算机通过“机器学习”来自我优化算法，最后形成可以高效率解决特定问题的“专家系统”。由于这些人工智能只会在限定好的狭窄领域中发挥作用，不具备、也不追求全面复杂的认知能力，因此也被称为“弱人工智能”。
但是无论如何，这些可以高效率解决特定问题的人工智能，在解放劳动力，推动现代工厂、组织智能化管理上都起到了关键作用。而随着大数据、云计算以及其他先进技术的发展，人工智能正在朝着更加多远，更加开放的方向发展。随着系统收集的数据量增加，AI算法的完善，以及相关芯片处理能力的提升，人工智能的应用也将逐渐从特定的碎片场景转变为更加深度、更加多元的应用场景。
人工智能让芯片的处理能力得以提升｜Pixabay
从小的方面来看，人工智能其实已经渐渐渗透进了我们生活的方方面面。比如喊一声就能回应你的智能语音系统，例如siri，小爱同学；再比如在超市付款时使用的人脸识别；抑或穿梭在餐厅抑或酒店的智能送餐机器人，这些其实都是人工智能的应用实例。而从大的方面来看，人工智能在制造、交通、能源及互联网行业的应用正在逐步加深，推动了数字经济生态链的构建与发展。
虽然脑科学与人工智能之间仍然存在巨大的鸿沟，通用人工智能仍然像个科幻梦，但就像萧伯纳所说的那样“科学始终是不公道的，如果它不提出十个问题，也永远无法解决一个问题。”科学总是在曲折中前进，而我们只要保持在不断探索中，虽无法预测是否能达到既定的目的地，但途中终归会有收获。
参考文献
[1]王永庆.人工智能原理与方法[M].西安交通大学出版社,1998.
[2]Russell,StuartJ.ArtificialIntelligence:AModernApproach[J].人民邮电出版社,2002.
[3]GabbayDM,HoggerCJ,RobinsonJA,etal.Handbookoflogicinartificialintelligenceandlogicprogramming.Vol.1:Logicalfoundations.,1995.
[4]胡宝洁,赵忠文,曾峦,张永继.图灵机和图灵测试[J].电脑知识与技术：学术版,2006(8):2.
[5]赵楠,缐珊珊.人工智能应用现状及关键技术研究[J].中国电子科学研究院学报,2017,12(6):3.
[6]GeneserethMR,NilssonNJ.LogicalFoundationofArtificialIntelligence[J].brainbroadresearchinartificialintelligence&neuroscience,1987
作者：张雨晨
编辑：韩越扬
[责编：赵宇豪]AI时代，关于人工智能你需要知道的一切
AI似乎正渗透至现代生活中的每个角落，从音乐到媒体，再到商业/生产力乃至私人约会。要想在这个快速发展的时代跟上节奏，每个人都有必要留点时间认真了解关于人工智能的一切。
人工智能，也称机器学习，是一种开创于几十年前、基于神经网络的软件系统。随着近来新型算力的迅猛发展，AI终于获得了高效可靠的语音和图像识别能力，甚至掌握了生成图像和语音的诀窍。研究人员如今正努力借AI之手，帮助用户轻松总结网页内容、订购商品、调整食谱。
那机器会不会就此爆发，迅速脱离人类的掌控？！先别急，后文会认真讨论这个问题。相比之下，我们更希望读过本文，大家都能把握当前AI的发展动向。
AI基础知识
关于AI最有趣的事实在于：尽管其核心概念早在50多年前就已经诞生，但直到现在也没有多少技术专家真正熟悉个中原理。因此如果大家感到迷茫，请不必担心——其他人也差不多。
这里我们要先强调一点：虽然名叫“人工智能”，但这个词本身其实并不准确。智能还没有统一定义，而且AI系统的行为更接近计算机、而非人类大脑。只是这个计算机的输入和输出更加灵活，能在一定程度上模仿智能的表现。
下面来看看AI讨论中经常用到的基本术语。
神经网络（Neuralnetwork）
人类大脑主要由名为“神经元”的相互连接的细胞组成，它们相互啮合，形成可执行任务并存储信息的复杂网络。自1960年代以来，人们一直希望在软件当中重建这套惊人的认知系统，但直到最近的15到20年，GPU的发展成熟才让数字定义的神经网络迎来蓬勃发展，可谓是算力出奇迹的典型案例。
从本质上讲，神经网络就是大量点和线的组合：点代表数据，线则是各数值间的统计关系。
如同人脑一样，这一基本原理能够建立起多功能系统：快速接收输入，再通过网络传递并生成输出。这样一套系统，被称为“模型”。
模型（Model）
模型是指能接收输入并返回输出的具体代码的集合。之所以选择“模型”这个词，是想体现与统计模型、或者能模拟复杂自然过程的建模系统之间的相似性。在AI领域，模型可以指代ChatGPT这类完整系统，也可以是几乎一切AI或机器学习结构，目的和功能不限。模型的体量各有不同，其规模代表着占用的存储空间和运行起来需要消耗何等程度的算力。而实际体量，则由模型的训练方式所决定。
训练（Training）
要创建AI模型，先要向构成系统基础的神经网络“投喂”数据集或语料库所承载的大量信息。在此过程中，庞大的网络会创建起该数据的统计表征。训练过程也是计算密度最高的环节，往往需要在大规模高性能计算机上运行几周甚至几个月时间。这不仅是因为网络本身非常复杂，也是因为数据集规模往往极为庞大：须分析数十亿个单词或图像，并在巨大的统计模型中得到表征。但在模型完成训练之后，研究人员可以想办法对其“瘦身”，运行时的资源要求也更低——这就是所谓推理过程。
推理（Inference）
推理，就是模型实际发挥作用的过程：领先对现有证据进行推理以得出结论。当然，这跟我们人类的“推理”不同，AI模型是在统计学意义上将摄取到的各个数据点联系起来，据此预测出下一个点的位置。例如，假定要求其“补全以下序列：红色、橙色、黄色……”它就会意识到这些词跟所摄取的某一列表相匹配，也就是彩虹的颜色分布，再由此推理并补全列表中的其余部分。推理消耗的计算成本通常比训练低得多：毕竟查询目录也要比整理目录简单得多。虽然某些大模型还是得靠超级计算机加GPU才能执行推理，但也有不少小模已经能运行在智能手机甚至配置更低的设备之上。
生成式AI（GenerativeAI）
今时今日，人人都在讨论生成式AI。这是个广义术语，指那些能够生成原始输出（如图像和文本）的AI模型。某些模型能做总结，有些能做整理，有些能做识别——但至少目前最炙手可热的选手，还是那些能“凭空”生成新内容的AI模型（究竟是不是真的凭空，目前还存在争议）。但请千万记住，AI生成的结果可并不一定就是正确的，甚至根本是在胡说八道！一切完全可能是神经网络的胡思乱想，包括那些绘声绘色的故事或者栩栩如生的画作。
AI热门词汇
讲罢基础知识，咱们再来看看2023年比较热门的AI词汇。
大语言模型（Largelanguagemodel,LLM）
大语言模型已经成为当前最具影响力、用途最广泛的AI形式，几乎所有构成网络的文本和英语文学素材都被纳入训练范畴。由此训练出的，就是一套体量巨大的基础模型。大语言模型能够以自然语言交谈并回答问题，模仿各种风格的类型的书面文件，ChatGPT、Claude和LLaMa等成果都已经证明了其强大能力。尽管这些模型的表现令人印象深刻，但请注意其本质上仍属于模式识别引擎——在回答问题时，它实际是在补全识别出的模式，却无法判断该模式是否与事实相符。LLM在回答问题时经常产生“幻觉”，后文将进一步扩展延伸。
基础模型（Foundationmodel）
在巨大的数据集之上从零开始训练巨型模型，无疑是个昂贵且复杂的过程，当然应该能免则免。基础模型属于从零开始训练出的大模型，需要超级计算机才能承载得起；但我们通常可以减少其中的参数量，以精简方式使其适应更小的承载。所谓参数，也就是我们前文提到的模型中待处理的“点”的数量，目前常见的大语言模型往往拥有百万、十亿甚至是万亿级参数。
微调（Finetuning）
GPT-4这类基础模型非常聪明，但在设计上只能算是“通才”。从文学名著到奇幻故事，它都有所涉猎。可如果想让它帮助整理一封求职信用的简历，其表现甚至还不如普通中学生。好在我们可以使用专门的数据集对模型做点额外训练，这个过程就是模型微调。比如我们可以从网上搜集几千份求职申请，在“投喂”之后模型终于理解了简历的套路所在，同时又不影响它在原始训练数据中掌握的其他知识。
另外还有人类反馈强化学习（RLHF），这是一种特殊的微调方法，通过人类与LLM的交互数据来提高模型的沟通技巧。
扩散（Diffusion）
图像生成可以通过多种方式实现，但迄今为止最成功的办法还是“扩散”技术。StableDiffusion、Midjourney等流行的生成式AI核心成果都是据此发展而来。在通过展示图像来训练扩散模型时，这些图像会在添加数字噪声的过程中逐渐退化，直至原始图像荡然无存。通过观察整个过程，扩散模型能学会如何反向执行整个过程，逐渐向纯噪声中添加细节以构成预定义的任意图像。其实在图像生成领域我们已经探索出了更新、更好的实现方法，但扩散技术仍然比较可靠且相对容易理解，所以相信还会有不小的应用空间。
幻觉（Hallucination）
最初的“幻觉”概念，是指模型在输出中夹杂着与输入完全无关内容的情况。例如因为训练素材中包含大量狗的元素，所以模型偶尔会用狗作为纹理贴到建筑物上。根据猜测，如今AI所产生的幻觉主要源自训练集中缺乏足够数据、或者数据内容间相互冲突，于是它只能编造出一些似是而非的结论。
“幻觉”的存在有好处也有弊端：利用幻觉可以引导AI生成原创或更加多样的衍生艺术成果。但如果需要就事实获取明确的答案，幻觉肯定是个大麻烦——模型会一本正经地胡说八道，让不熟悉实情的用户误信为真。目前除了手动检查之外，还没有什么简单方法来判断AI输出是真是假，毕竟模型本身根本就没有“真假”的概念，只是在努力补全自己识别出的“疑似”模式。
通用人工智能（ArtificialGeneralIntelligence,AGI）
通用人工智能，又称强人工智能（StrongAI），其实并没有明确的概念定义。用最简单的话语来解释，这是一种足够强大的智能，不仅能够替人类完成很多工作，甚至能像人类一样自我学习和改进。有人担心这种学习、整合思维，然后加快学习和成长速度的循环将恒久持续，最终造就一套无法约束或控制的超级智能系统。甚至有人认为应该叫停相关研究，暂缓或阻止这种可怕的未来。
看过《黑客帝国》或者《终结者》电影的朋友肯定能理解其中的担忧，毕竟AI失控并试图消灭或奴役人类的可能性确实令人不寒而栗。但这些故事纯属编剧想象，跟现实并没什么关系。ChatGPT等成果虽然能给人留下深刻印象，但在抽象推理和动态多领域活动方面与“真正的智能”几乎没有半毛钱关系。我们尚无法断言AI未来会如何发展，但暂时不妨将AGI理解成星际旅行——人人都能把握其概念并朝着这个方向努力，可目标本身仍然遥不可及。其间需要巨大的资源投入和基础科学的飞跃式进步，绝非一夜之间便可成真。
评论人士也在反复强调，“杞人忧天”式的探讨缺乏现实意义。毕竟AI如今表现出的真正威胁，反而源自其局限性和“智障”表现。虽然没人想让天网成真，但如果不能在AI初期解决好自动化消灭工作岗位的现实问题，我们哪还有机会被T-1000满街追杀？
AI主要玩家
OpenAI
要说如今的AI领域最赫赫有名的“门派”，无疑是以OpenAI为首。顾名思义，OpenAI强调把自己的研究成果对外分享。但在有所斩获之后，OpenAI决意重组为一家更传统的营利性公司，通过API和应用软件向用户开放ChatGPT等高级语言模型的访问服务。这家公司的掌门人是SamAltman，尽管靠技术突破赚得盆满钵满，但他本人还是对AI可能引发的风险发出了警告。OpenAI是大语言模型领域的领导者，在其他方向上也有探索。
微软
微软其实也在AI研究方面做出过不少贡献，但因为种种原因没能真正将实验成果转化成现实产品。但其最明智的举动就是早期投资了OpenAI，并与后者建立起长期合作伙伴关系。微软目前已经在Bing搜索引擎上引入ChatGPT功能。尽管微软的AI贡献相对有限且难以直接使用，但其研发实力仍旧不容小觑。
谷歌
想靠“登月计划”引领AI技术革命的谷歌，不知何故没能摘取最后的胜利果实。但必须承认，谷歌研究人员的发明为如今AI的全面爆发奠定了基础，这就是tarnsformer。如今，谷歌正努力开发自己的大语言模型和其他智能体。在过去十年浪费大量时间和金钱推动AI助手无果之后，谷歌正在迎头赶上。公司CEOSundarPichai多次表示，公司将在搜索和生产力方面牢牢守住以AI为中心的发展理念。
Anthropic
在OpenAI“背叛”开源社区之后，Dario和DanielaAmodei兄妹毅然出走并创立了Anthropic，希望打造一个开放且更具道德责任感的AI研究组织。凭借充裕的资金，他们发展成为OpenAI的有力竞争对手，只是其Claude模型暂时还无法在人气和知名度上与GPT匹敌。
Stability
虽有巨大争议，但Stability仍在AI浪潮中拥有自己的一席之地。他们正收集互联网上的各种内容，并以开放硬件的方式免费提供其生成式AI模型。这既符合“信息应免费”的理念，也让项目本身蒙上了一层道德阴影。很多人认为Stability的成果被用于生成色情图像，及未经同意使用知识产权。
埃隆·马斯克
长期以来，马斯克经常直言不讳地表达自己对于AI失控的担忧。他曾在早期支持过OpenAI，但不满于该公司朝着自己不支持的方向发展。虽然马斯克并不算是AI技术专家，但他夸张的表达和评论确实引发了广泛反响（他本人还在“暂停AI研究”倡议书上签了字），而且正着手建立自己的AI研究机构。
人工智能何以促进未来教育发展
原标题：人工智能何以促进未来教育发展自工业革命以来，人类社会的发展总是在技术与教育的角逐互动中前行。技术作为推动人类历史发展的核心推进力，与教育这一“人力资本发动机”竞相成为推动经济社会发展的主力。人工智能作为第四次工业革命的显著标签，其飞速发展正在逐步塑造社会、经济、生活等领域的业务新形态，也不断带来颠覆性、丰富性、创新性的新业态。面对人工智能技术对整个社会发展的刺激，教育如何发展，成为值得思考的重要问题。
人工智能凸显创新人才发展挑战
作为引发第四次科技革命的核心技术，人工智能促进社会经济和科技的指数级发展，对人力资本的质量与供给产生了新的需求，人工智能与人力资源之间的相互依存关系产生了前所未有的张力，教育的超前性更是受到前所未有的挑战。第一，知识增长的指数发展使得未来人才需要哪些方面的准备具有极大的不确定性。第二，智力劳动者比重增加，创新人才成为时代发展的刚需。人工智能技术与生产过程的深度融合，会极大压缩生产领域的从业者需求，特别是那些人工智能胜出的领域。第三，人工智能技术的兴起引发高技术产业、新兴产业、新型服务行业更广阔的发展空间，从而使得创新型人才、复合型人才、高技术人才等在劳动力结构中需求激增。人工智能技术无法取代的创造性、灵活性、人文性等能力将成为智能化时代人才竞争的关键。教育肩负培养创新人才、为未来人才提前布局的使命。回溯历史，我们可以得到的经验是，只有教育领先于技术的发展步伐，为技术推进的社会提前做好人力资源的布局，社会的发展才有后劲。因此，在人工智能推进社会更飞速发展的今天，必须回答好什么样的教育才能承载提前布局人力资源的使命，以应对未知社会的人才挑战这一问题。
人工智能催生新的知识生产方式
在人工智能的影响下，人类知识生产加剧变化，知识增量呈现指数级态势。教育的传承性发展将不再局限于知识的传授与继承，而强调知识创造与创新，人工智能的介入更是催生了新的知识生产方式。其一，人工智能强大的知识发现能力缩短了知识生产周期。随着深度学习、强化学习等新的机器学习算法的发展，人工智能除了可以加快知识的生产、访问和利用，还可以从数据中提取隐含的、未知的、潜在的、有用的信息（知识），从而扩展知识创造的能力。其二，人机协同的智能模式扩大了知识创造的机会与可能性。人工智能技术不仅促进人的群智协同创新，而且可以实现人类与人工智能代理协同，后者所具有的超强计算能力，可以极大加速知识生产，催生知识的众创，以及人机协同知识创新。人工智能催生的新的知识生产方式对教育的挑战是，教育不再局限于知识传承，而更是知识的创新。未来学校教育必须教会学生如何与人工智能技术协同合作，呵护学习者“能学”，以及高度重视学生辨析知识能力的培养，召唤学习者“会学”，促进学习者在人机交互中实现知识更新与创造。
人工智能变革学习方式带来创造力与活力释放可能
人工智能已经引发了诸多领域与行业的深刻变革，对教育的系统性变革更是呼之欲出，为学习方式的变革带来了可能。首先，人工智能技术带来规模化教育的个性化可能。人工智能构建的智慧学习环境不仅创造灵活的学习空间，还能感知学习情境、识别学生特征，为学生提供个性学习支持。其次，人工智能技术带来标准化教育下的适应性可能。人工智能通过动态学习诊断、反馈与资源推荐的自适应学习机制，可以适应学生动态变化的学习需求，从而打破标准化的教育限制，释放出学生的创造力与活力。最后，人工智能改善结构化的授导方式，释放教师的创造力与教学活力而专注于人性化的学习设计。教师烦琐重复性的工作能够被智能机器所替代，智能分析技术能为教师精准定位学生的学习问题与需求，教师的角色将转向更加优秀的学习设计师，专注于“如何让学生学好”，注重培养学生的能力和思维，将更多时间用于学习活动设计以及与学生的个性化互动交流，为学生提供个性化学习支持服务。人工智能的发展以及与教育教学的深度融合，给教育的改革创新带来了更多选择，教育需要发挥技术的赋能、增能、使能优势满足教育的功用性追求，也要坚守教育的育人初心和使命传递人文性价值，以学生的成长发展为前提探索可以实践的学习方式、学习设计，通过人工智能释放出教育的更大活力。
人工智能引发领域与行业变革催生教育生态升级
人工智能对其他领域与行业的变革影响也会延伸到教育领域，因为教育是关乎社会发展全局的事业。一方面，人工智能所发挥的增强、替代、改善、变革等作用，突出体现在对社会生产和生活各个领域所产生的行业重塑作用，以及对人力的释放。另一方面，这些重塑作用和人力的释放，引发了社会领域与行业的变革，促使了社会人才需求的转向；而教育是社会人才资源输出的重要领地，需要为此作出有力回应，从而催生教育生态升级。人工智能加速了教育深化改革的进程，推动了系统内部的更新再造。数字技术已经对教师学生、课程、教学方式、学习体验、评价、管理等教育要素产生了深刻影响，并通过逐步的再造教育流程，变革着教育生态。而人工智能则在进一步加速这一过程，以一种颠覆性创新的态势，拓展系统内各要素的内涵，改善和延展系统内部关系，重塑教育系统功能与形态。人工智能拓展了教育边界，助推未来学校建设。未来学校将借助技术的力量，把校外学习场所（如科技馆、博物馆）和线上学习场所都纳入“学校”的范畴，整合社会各领域的教育资源，形成一种全新的育人环境。同时，数字孪生等新技术促进现实空间与虚拟空间的交互融合，通过创建人、物、环境数字孪生体，实现物理空间与数字空间的双向映射、动态交互和实时连接。对教育系统内部的升级改造以及空间资源的拓展，能够使其更好地与社会领域衔接，更好地提供适应未来生活和工作的创新人才成长场所。
人工智能关乎强国战略目标实现
教育应服务于国家战略布局，为抢占人工智能发展先机，构筑先发优势；为国际竞争、社会发展输出创新人才，支持科学技术的自主研发。当前，世界各国纷纷把发展人工智能上升到国家战略的高度，以抢占新一轮科技革命的机遇高点以及全球竞争中的主动权。《新一代人工智能发展规划》提出我国要“成为世界主要人工智能创新中心”的战略目标，全局部署了经济、教育、科技、社会发展和国家安全等重要方面。教育强国战略是科教兴国战略、人才强国战略和创新驱动发展战略等重要战略的逻辑起点，人工智能对教育的人才培养能力提出更高要求。近年来，世界各国在发展人工智能的同时也面临巨大挑战，如创新人才问题、高新技术自主可控问题等。人工智能的国际竞争本质是人才的较量，这需要教育从战略层面予以回应。因此，教育在战略上起引领作用，就要既充分发挥智能技术优势推动教育生态系统升级，又谋篇布局为国家发展提供人才支撑。立足技术与教育在角逐中互为塑造的视角，对人工智能促进未来教育发展的探索，更需要在战略上把握先机，通过教育为社会各领域输出创新人才，支撑社会各领域转型升级以及人工智能等高新科技的创新发展，为强国战略注入持续活力与能量。
教育在与技术的角逐中共同推动社会的发展。教育具有超前性、人文性、传承性、战略性及生态性等特点。在人工智能技术的指数式发展面前，教育的超前性变得难以维系；需要慢工出细活的人文性与满足社会用人需求的工具性之间呈现时空拉锯和矛盾；对人类知识的传承则变身为历史传承、人际共创以及人机共创的多重特征。随着人工智能技术推动的发展加速，教育的发展战略、前瞻性谋划，是一个时不我待、任重道远的重要课题。
（作者：顾小清，系国家社科基金重大项目“人工智能促进未来教育发展研究”首席专家、华东师范大学教育信息技术学系教授）
(责编：郝孟佳、孙竞)分享让更多人看到
人工智能时代来临，高等教育如何领跑
图集新华社北京6月24日电（记者高洁）面对人工智能时代的来临，高等教育应如何以前瞻性洞察引领趋势，培养能够站在人工智能和机器人肩膀上、推动未来行业发展的国际化人才？6月23日，由西交利物浦大学（西浦）主办的“对话未来大学高等教育论坛”在北京国家会议中心举办，来自教育界、科技界、产业界、媒体界等不同专业领域的专家，与数百位关心教育的高中生家长、西浦校友齐集一堂，共同探讨人工智能时代中国高等教育的现状与未来。
谈到高等教育如何应时代趋势而变，由西安交通大学和英国利物浦大学于2006年合作创立的西交利物浦大学是实践者、也是探索者。辞去西安交通大学常委、副校长，正式担任西浦执行校长至今的席酉民在主旨演讲《人工智能时代的教育：西浦的使命》中提到，面对未来世界人工智能和机器人的冲击，人类的生存策略需要革新，人才观念需要调整，教育理念亟须改变，育人过程与教学方式亟须重塑，不同类型人才培养模式亟须变革，教育应立即行动以应对AI社会的颠覆性转型。
席酉民在国内外各种场合反复强调西浦的愿景和定位：“研究导向、独具特色、世界认可的中国大学和中国土地上的国际大学。”面对时代的挑战和机遇，西交利物浦大学正在尝试给出自己的答案。经过全方位的创新性探索，西浦在成立的第一个十年已经形成了西浦发展的1.0版本，在教育方面已经初步形成了国际化专业精英培养模式。
“然而，在未来社会，特别是面对人工智能和机器人革命，社会需要的是能够在智能时代驾驭未来新行业的高度复合型人才、具有跨文化领导力的人才。”席校长表示，学校正在进行的教育探索主要涵盖四个层面，包括国际化专业精英培养模式的创新；国际化融合式精英培养模式的创建；未来新型大学概念和校园的示范；大学与社会共享共生创新社区的营造等。
+1【纠错】责任编辑：尹世杰