人工智能素养：保证个体在新时代核心竞争力的关键
人工智能素养模型01人工智能素养模型的构成
在人工智能素养模型中，如下图所示，AI知识、AI能力和AI伦理是人工智能素养的三个基本维度。这三个维度经过反思实践、动态调控、创新驱动、综合评价四种机制的干预与调节，衍生出人工智能素养培养的三大目标：内核目标、使能目标和发展目标。其中，内核目标引领智能时代学生文化基础的前进方向，而文化基础则为学生内核目标的达成提供原料；使能目标作为学生AI能力发展的向导，与强调发掘自身潜力，培养解决复杂问题能力的自主发展理念不谋而合，为培养学生能力同向助力；发展目标和社会参与都强调社会责任感和道德准则，发展目标特指与AI相关的责任和道德，与社会参与呈现出一种包含与被包含的关系。
培养学生人工智能素养的实施路径01知识路径：促进人工智能素养原动力培养的基本条件
AI知识的系统培养离不开人工智能教育。构建多层次人工智能教育体系，成为学生建立系统、连贯的人工智能知识体系的基本条件，具体可从两个层面入手：宏观上可以明确人工智能教育的定位和基本框架，确立人工智能教育的发展目标，建立AI知识的评价标准；微观上根据各级各类教育的特点，可以制定不同的人工智能教育实施方法，如中小学开设人工智能教育的校本课程、在信息技术课程融入人工智能、将人工智能与STEM教育和创客教育相结合等，而高等教育应开设专门的人工智能课程，让学生接受系统的人工智能教育。
02能力路径：促进人工智能素养内生力发展的有效方式
AI能力的培养需要学生经历真正有意义的学习活动，故设计并实施高质量的人工智能竞赛、科普活动对于提高学生的AI能力大有裨益。基于人工智能设计的游戏化活动强调多人协作、人机协作，能极大地锻炼学生的人机协同、算法、编程、计算思维等AI能力。如搭建一辆智能小车，在让小车逐渐获得“智能”的过程中，小组成员不仅需要不断交流、共同协作解决问题，还需要根据自己的知识、能力乃至喜好，创建不同的小车游戏活动。而不同成员的智慧贡献，使小组的整体AI能力得到了提升。显然，开发基于人工智能的游戏化教学活动有利于培养学生的AI能力，但具体如何开展这些工作还需要教师进行深刻的思考。
03伦理路径：促进人工智能素养内驱力生成的重要举措
AI伦理具有内隐性特征，其培养不仅要与AI知识和AI能力相结合，还要渗透进人工智能素养的评价体系之中，利用“以评促学”的方式帮助学生建立正确的AI伦理观，因此公平、可靠的评价体系就显得尤为重要了。针对该评价体系的建立提出了外延向内涵发展转型的三个具体思路：①评价学科上要从“单一学科”向“多学科”转型，由数据科学专家、计算机专家、教育心理学家和一线教学工作者开展跨学科跨领域的合作，以保证评价的科学性、真实性和全面性；②评价手段上要从“注重结果”向“注重过程与结果相结合”转型，将学习过程数据和表现结果数据相结合，以保证评价的准确性；③评价内容上既要关注学生的认知过程，也要关注学生对人工智能的态度和公平意识等非认知过程。
参考资料
[1]张银荣,杨刚,徐佳艳,曾群芳,陈际焕.人工智能素养模型构建及其实施路径[J].现代教育技术,2022,32(03):42-50.
[2]李湘.师范生智能教育素养的内涵、构成及培育路径[J].现代教育技术,2021,(9):5-12.
[3]WongG,MaX,DillenbourgP,etal.BroadeningartificialintelligenceeducationinK-12:Wheretostart?[J].ACMInroads,2020,(1):20-29.
转载来源：视频课程与教师发展
转载编辑：李斯然、陈雨
排版：李斯然
审核：王琳
…………………………………………………………………………………………………………
往期精彩回顾
速览！一文带你了解本地化业务基本术语！
四点建议！语言服务行业如何管理远程办公
国际会议征稿|影视翻译与民族文化
专访｜李光华：AI如何赋能影视译制？
傻傻分不清？不懂“字符集”和“字符编码”？读这篇就够了！
基于词向量空间模型的机器翻译质量评价分析——以石油术语有道翻译为例
如需更深入学习，可关注微信公众号“翻译技术教育与研究”“语言服务行业”，留言交流。返回搜狐，查看更多
搞AI（人工智能）都要掌握哪些知识
大家好，我是YESLABAI的产品总监，大家可以叫我小产。
那个啥，YESLAB的华为AI课程HCNA快开班了，很多后续的AI课程也会很快陆续和大家见面。面对铺天盖地的咨询，我认为自己很有必要解答一下大家经常提出的疑问。
话说，在过去几个月，售小姐姐们最常被问到的问题是，学AI都要掌握哪些知识呢？今天我就回答一下大家的这个问题。
如果上网查查，你会发现各方牛人们都在说，入门级的AI玩家需要至少拥有：
•包括高等数学、线性代数、概率论与数理统计在内的大学数学知识；
•使用一种到多种编程语言的能力，如Python、C++、Java；
•比较熟练的英语阅读能力，用于阅读论文；
•相当的人工神经网络知识；
•……
等会儿啊，我还没说完，你们怎么都走了……
别着急啊，上面只是间接引语，我还没说我的看法呢。上述技能确实是从业AI领域所需的几大技能，但是这并不表示所有人都必须熟练掌握所有的技能。所以，一听学AI就觉得高不可攀的朋友，真的不用过于担心这个问题。
下面，我来逐项地和大家分析一下，上述技能是不是学习AI必须掌握的知识和技能；如果不是必备技能，那么掌握它们有哪些好处，不具备又会遇到哪些问题。
一、大学数学基础
很多朋友兴致勃勃地准备从事AI，但是一听到学习AI需要掌握大学数学基础知识，立刻感觉自己受到了10000点伤害，其实没有必要啊。
首先，大家在大学里面学习数学课程的侧重点是逻辑推论和举一反三。上课的时候，老师疯狂点击PPT演示推导过程和求解例题，大家则在下面兴致勃勃地……刷微信。
不过，在AI项目中学习这些数学课程，侧重点则是各类数学模型在AI中要如何使用，或者说如何在应用场合中套用这些数学模型。反而是平时数学上大家最头疼的那些推论啊、题海战术啊，在AI学习过程中可以暂时忽略掉。
不怕大家不信，熟悉数学模型的应用虽然特别简单，但有的时候还能反哺到推论的学习。所以，学不会大学数学课程的朋友，说不定反而能在我们的AI课程上找到突破，实现借道超车呢。
总而言之，即使是那些大学数学课基本都用来刷朋友圈的学渣同学，你们也可以应付AI课程的学习。打个比方，如果大学数学课程是教大家研发汽车，我们AI课程中的数学部分就是教大家学开车。
那么，如果我不想去掌握这些数学知识，可以学习AI吗？
可以，其实AI从业者中，拥有强大数学背景、数学知识足以支持一切AI应用场合的人依然是少数。只是，数学基础的缺陷，容易导致大家在从业中遇到一些障碍。那时，大家就需要按照查字典的方式，有针对性地去补充项目中用到的那个数学知识点了。另外，完全不掌握这些数学知识，学习人工神经网络的过程可能会痛苦一些。
二、编程语言
完全不会编程的人可以从事AI吗？
其实可以，不会写代码的AI从业者数量并不少。在AI领域，有一些拥有丰富从业经验的人喜欢大量钻研前沿的科技论文，然后构想怎么把这些最新科技动向投向产业。这类人群往往并不写代码，他们也不会写代码，但他们对于前言科技发展的眼光是敏锐而独到的。怎么说呢？程序猿的工作是满足AI的应用需求，这种人的工作是提出AI的应用需求，也就是充当PM。
所以，编程语言只是AI的实现工具，把编程语言培训美化成AI培训只是培训机构的宣传策略。YESLAB也一直强调，不讲人工神经网络的AI培训都是耍流氓。
不过在这里，小产还是得把丑话说在前面，拥有大量论文积累但不会写代码的人大量存在，并不代表大家应该这样规划自己的职业发展路径。对于新入行的朋友，把广泛阅读科技论文当成绕过学习编程语言的近路，有可能会在入行时遇到求职问题，因为一家企业很难相信一个没有写代码能力、也没有从业经验的新人在AI前沿科技方面能够拥有独到的眼光。
要不然，YESLABPython课程了解一下？
三、阅读论文
阅读科技论文的重要性，小产在前面刚刚介绍过了。那么，对英语阅读能力没有信心，或者不想在论文库里皓首穷经的人可以从事AI吗？
可以，只不过这样一来，大家的职业发展就会遇到瓶颈，或者说会固定在长期从事一线工作的状态。当然，长期从事一线工作也没有什么不好，只是如果大家关注大企业的AI人才需求，一定会发现它们都是十分青睐于那种同时拥有编写代码能力，和积累了大量前沿论文的人才。
那么，很多朋友可能想问，阅读科技论文对英语的要求是什么水平呢？
这么说吧，如果大家雅思阅读考到8.5以上，或者托福阅读考到28……
回来回来，我是说，如果大家四级都考不过，那也不要紧……
英语和数学确实是很多人的老大难，销售小姐姐们也确实反映很多朋友在咨询时都提出了论文阅读的问题。其实，英文水平的提升和论文阅读量的积累都是一个循序渐进的过程，可以提高大家职业发展的上限，但是并不会影响大家进入AI这个行业。
当然，小产注意到大多数负责任的AI培训机构为了消除这个门槛，都在课程中插入了一些论文带读的分享课。YESLABAI公会也决定在例行活动中，适时地选取一些在业内公认很有价值的经典科技论文，和一些比较有潜力的前沿科技论文来为大家进行带读，帮助大家彻底消除英语阅读障碍对诸位了解AI领域前沿科技动态造成的影响。
英文的事情，AI公会可以搞定，近期优惠呦。
四、人工神经网络
如果大学的专业与人工智能不相关，那么人工神经网络可能是大家在大学期间完全没有接触到的一个领域。于是，也有很多人问，不懂人工神经网络可以从事AI吗？
答案是可以，但是不推荐。说的直观一点吧，完全不懂人工神经网络从事AI，就像你在肯德基点了一份老北京鸡肉卷，然后告诉KFC的小姐姐不要加鸡肉。
确实，有很多根本不懂人工神经网络的人也在从事AI行业。在个别知名企业的认证培训体系中，也弱化了人工神经网络知识所占的比重。这是因为这些跨国企业的认证培训体系是服务于推广自身产品的，人工神经网络作为它们产品的核心技术架构，已经集成在了产品内部，受训者未来在工作中扮演的角色只是在它们产品的平台上用编程语言调试它们。
这种简化人工神经网络知识在培训体系中所占比重的做法，对于厂商的好处是明显的，毕竟有能力承担人工神经网络教学的人在行业中凤毛麟角，而培训师资人数受限则会限制产品推广的效果。学习这种课程的人只要拥有编程基础就可以比较快地上手，但却会在开源的时代背上比较浓重的厂商背景，压缩了职业发展的空间。当然，大多数厂商的认证培训体系，包括华为推出的HCNA认证中，还是会包含对人工神经网络的介绍。
其实，人工神经网络并不是太高深的技术。它说白了就是始于大脑仿生学的一种逻辑图，如果其中不包含数学函数，看上去比计算机网络的拓扑图都要容易很多。大家完全不需要特别担心这部分内容学不会啊。
总之，相比于担任网络工程师，从事AI技术人员的门槛确实提高了。根据入门同学大学各类基础课程的掌握水平不同，我认为门槛大概提高了10%-30%。但门槛的提高客观上增加了这个行业从业者的含金量，让从业者仅凭一段短时间内的集中投入，就可以拥有一份薪酬更加可观的体面工作。所以，有句话怎么说的来着？一件事的对与错，取决于你看待它的角度。
最后，相信大家也看明白了。这篇文章通篇就是向大家传达一个理念：学AI不怕起点低，AI从业者也不都是全才。
不过，凡事都得有个度。前一阵，一位销售小姐姐问我，有个咨询的大哥哥问她，不会数学，不懂人工神经网络，不想学编程，也不打算读论文，能不能直接搞AI？
（THEEND）
www.yeslab.net
《人工智能本科专业知识体系与课程设置》笔记
今天看到一本书《人工智能本科专业知识体系与课程设置》，清华大学出版社出版的，由西安交大的老师们编写的，感觉里面的内容设置对于非人工智能科班出身的同学们会有一定帮助，能够了解自己哪些地方还有什么不足。但是要注意的是，这是给本科开设的课程，如果已经进入研究阶段了，一些通识性的、非必修的课可以视自身情况而决定是否有必要补上
数学与统计课程群工科数学分析空间曲线的曲率与挠率
实验环节：基于matlab软件的计算方法
迭代法最优化方法数据拟合数据差值数值积分微分方程的数值解方法###线性代数与解析几何###计算机科学与人工智能的数学基础包括六部分：
逻辑性初步集合论与组合分析图论初步矩阵论初步数值计算优化理论与运筹学教学目的：1.掌握命题逻辑中的命题符号化、命题公式及分类、等值验算、范式与基本的逻辑推理方法，了解全功能集2.深入理解谓词逻辑中的合式公式及解释，并学会利用谓词逻辑等值式求前束范式3.熟悉集合的基本概念、基本运算与集合元素的计数方法，学会利用组合分析方法对集合或多重集中的元素进行计数，了解递推方程的算法复杂度分析方法4.理解无限集的势和可数集，了解不可数集和常见集合的势，了解康托集5.熟悉直线上的开集、闭集及其性质，了解康托闭区间套定理、魏尔斯特拉斯定理等基本理论，了解勒贝格测度与可测集6.了解图的基本概念并学会图的矩阵表示方法，掌握一些常见的特殊图并了解重要的应用实例，掌握树的概念与基本分析方法
7.熟悉掌握主成分分析方法，掌握矩阵的奇异分解与K-SVD算法，掌握稀疏矩阵方程求解的常用方法8.熟悉矩阵与向量的求导法则，并会利用求导法则解决实际问题，掌握基于帽子矩阵的多元线性回归方法9.掌握二分法、弦截法和迭代法等非线性方程的数值解法，理解高斯消去法、矩阵分解和迭代法等线性方程组的数值解法10.熟悉多项式插值和分段插值的方法，理解函数最佳逼近理论，掌握曲线拟合方法11.理解最优化问题，掌握凸集、凸函数、凸优化的概念12.学会使用最小二乘法、最速下降法、牛顿法、拟牛顿法和共轭梯度法等无约束优化方法13.了解单纯性法，分枝定界法等线性规划的基本解法，理解线性规划的对偶问题14.掌握等式约束优化、不等式约束优化和二次规划的基本方法15.熟悉使用C语言和matlab进行数值计算和优化方法的实现
概率统计与随机过程相比CS的概率论与数理统计，多了部分随机过程的知识，包括：1.熟悉随机过程的概率，理解平稳过程的概念、相关函数的性质2.了解各态经历性的判定，掌握谱密度的概念、性质和计算方法3.掌握平稳时间序列的概念、线性模型及模型识别4.会进行有关的参数估计并会用这些方法解决一些工程和经济管理中的实际问题
复变函数与积分变换博弈论（选修）信息论（选修）科学与工程课程群大学物理（含实验）电子技术与系统第一部分是电子器件与模拟电路，第二部分是数字系统结构与设计
数字信号处理现代控制工程##计算机科学与技术工程群
计算机程序设计学的是C/C++
数据结构与算法计算机体系结构个人感觉相比于CS的，多了一些内容，包括：1.了解向量处理器，单指令多数据以及GPU等数据并行技术2.熟悉线程并行技术3.熟悉面向领域应用的计算架构–特别是面向以深度学习为代表的人工智能应用的加速器设计
理论计算机科学的重要思想以理论计算机科学的核心思想为主线，对确定型算法、随机化算法、可计算性理论、密码学、博弈论、数论、数值线性代数等展开讨论。在以上每个领域分别选择一个具体课题进行讨论，包括图灵机停机问题、卡拉楚巴算法啊、拉斯维加斯算法与蒙特卡洛算法、零知识证明、纳什均衡、连分数与无理数的逼近、条件数与病态矩阵等等。参考资料
MITOpenCourseware6.080/6.089CMUCourse15-2513D计算机图形学（选修课）就是计算机图形学
智能感知与移动计算（选修课）涉及两个主题：
多维信息采集与处理移动计算与移动智能参考书：
《智能感知、无线传感器及测量》《雾计算：技术、架构及应用》##人工智能核心课程群
人工智能的现代方法参考书
人工智能-一种现代的方法花书概率图模型-原理与技术PatternRecognitionandMachineLearning包含两大部分：
问题表达与求解2.从智能体的角度理解人工智能的方法论，理解基于模型反射、基于目标、基于效用、基于学习的智能体的概念3.掌握典型的搜索方法：迭代加深搜索、启发式搜索、贪婪最佳优先搜索、A*搜索4.掌握在非确定、不完全观察环境下的搜索方法，如局部搜索爬山法、模拟退火、遗传算法和信念状态表示法5.掌握在完整信息下的两人零和游戏的方法：极小极大算法、a-b搜索算法6.掌握约束满足问题的搜索求解方法8.掌握贝叶斯网络的有向无环图的构建方法，通过贝叶斯网络完成精确推理计算9.掌握回归和分类的线性模型10.了解马尔科夫链、蒙特卡洛方法11.掌握主成分分析，EM算法12.了解隐马尔科夫模型、卡尔曼滤波和动态贝叶斯13.了解制定简单决策、复杂决策的相关概念
机器学习2.掌握随机图模型与贝叶斯分类，理解马尔科夫随机场与隐马尔科夫模型3.掌握核方法与支持向量机4.掌握集成学习与随机森林5.理解无监督学习与聚类、半监督学习与弱监督学习6.理解稀疏学习与压缩感知9.掌握生成模型的概念、理解生成对抗方法10.掌握概率采样与蒙特卡洛方法
自然语言处理大纲：
文本预处理技术文本正则化文本型符化文本编辑距离语言模型概率语言模型n-gram语言模型数据稀疏基于神经网络的语言模型词性标注词性标注序列标注句法分析句法分析句法分析的方法文本分类与聚类文本分类文本聚类统计机器翻译机器翻译概述基于神经网络的机器翻译模型概述信息检索与推荐系统信息检索推荐系统情感分析情感分析认知与语言认知科学与语言基础认知语言学基础计算机视觉与模式识别参考教材是2004翻译的ComputerVision:AModernApproach，和现在我们所说的CV关系不是太大大纲：
视觉生理学与视觉认知基础视觉生理学与经典理论（视觉生理学、视觉经典理论、马尔视觉理论）视觉认知基础（视觉生理机制、视觉选择性、眼动与注意、视觉记忆与想象）图形成像与图形模型相机模型（图像传感器、针孔相机、透视投影与仿射投影、相机模型与相机参数）相机标定（最小二乘方法、相机标定的线性方法、相机畸变参数估计、奇异值分解）图像模型（颜色视觉、光辐射测度、光源与光照模型、色彩与颜色模型、本征图像分解）立体视觉两视几何（深度感知、对极几何、本质矩阵与基础矩阵、弱标定）立体匹配（立体对应、视差与视差线索、极线约束、立体标定、立体匹配模型）运动视觉图像运动（感知运动、运动场与光流场、光流方程与孔径问题、运动分解、光流估计）目标运动（刚体运动与非刚体运动、目标表示与目标匹配、运动模型与观测模型、线性动态模型与卡尔曼滤波）图像结构检测、表示与匹配图像滤波（卷积与线性尺度空间、图像金字塔、边缘与边缘检测算子）形状与纹理（滤波器组、纹理基元与纹理表示、形状基元与形状表示、形状匹配）特征检测与表示（关键点、特征描述子、梯度直方图、尺度不变性特征变换、视觉词典）特征匹配（图像表示、相似性与鲁棒匹配、哈希算法、图像检索）感知聚类与分割方法感知组织与图像分割（感知组织、组织目标与场景、格式塔原理、感知聚类、视觉内插与视觉完形、图像分割）图像分割的聚类方法（特征空间、聚类方法、k-means、亲和矩阵、谱聚类与NCuts）图像分割的概率方法（概率模型、混合模型、EM算法、模型选择）图像分割的模型拟合方法（霍夫变换、直线与曲线拟合、鲁棒估计、RANSAC）马尔科夫随机场与推理算法（随机场与马尔科夫随机场、能量模型、信任传播算法与图割）视觉模式识别方法视觉分类(感知目标属性与部件、感知功能与类别、视觉分类、检测与鉴别、判别式模型与产生式模型)集成学习与支撑向量机（组合分类器与提升算法、支撑向量机与隐支撑向量机、可形变的部件模型、人脸检测与行人检测）视觉识别的非度量方法（决策树、分类与回归树、随机蕨与决策森林、人脸检测与对齐）卷积网络（感受野/知觉场、分层结构与分布式表示、卷积神经网络、前向推理与反传算法、图像分类网络与目标检测网络）递归网络（隐马尔科夫模型、递归神经网络、循环神经网络与长短时记忆网络、前-后向算法、动作识别）图像合成方法图像变换（2D几何变换、2D透视变换与2D仿射变换、图像插值、图像变形）图像拼接（图像对齐与图像拼接、图像融合、图像编辑）基于图像的绘制（真实感绘制与非真实感绘制、场景建模、光场与光照模型、全光函数、纹理映射）图像超分辨率（图像分辨率、图像退化模型、图像重建、图像不全、超分辨率重建网络）图像生成（图像生成、产生式模型、图像采样、图像产生网络）视觉应用系统视觉ADAS(视觉辅助驾驶系统、目标检测与跟踪、视觉测量、车道偏离报警、前向碰撞报警、自适应巡航、自动紧急刹车)视觉监控系统（视觉监控系统、身份认证、异常行为检测、人群密度估计、事件检测）强化学习与自然计算参考书：
RichardSS.AndrewGB.ReinforcementLearning:AnIndroduction.MITPress,2015吴启迪。自然计算导论。2011知识涉及：
MDP,POMDP及值迭代方法动态规划、蒙特卡洛学习、时序差分学习等预测与控制、规划与学习基于价值的深度强化学习方法基于策略梯度的深度强化学习方法能够解决动态决策问题自然计算的统一模型进化计算与遗传算法，能够仿真模拟模拟退化算法分布估计算法蚁群算法免疫计算混沌与分形量子计算、DNA计算人工智能的科学理解（选修课）两个主题
控制论与人工智能智能系统的信念参考书：
郝季仁。控制论NilsJ.Nilson理解信念。王飞跃等译游戏AI设计与开发（选修课）参考书：GeorgiosN.Y,JulianTogelius.ArtificialIntelligenceandGames.Berlin:Springer,2018
虚拟现实与增强现实（选修课）认知与神经课程群认知心理学基础参考书：
RobertL.Solsoetal.认知心理学RobertS.Feldman.普通心理学神经生物学与脑科学参考书：
JohnG.Nicholls.神经生物学-从神经元到脑丁斐。神经生物学etc。。。计算神经工程参考书：
RajeshP.N.Rao脑机接口导论##先进机器人技术课程群
机器人学基础多智能体与人机混合智能参考书：
王崇骏，等。多智能体系统及应用认知机器人参考：
陈敏。认知计算导论MITCognitiveRobotics课程材料仿生机器人人工智能与社会课程群人工智能的哲学基础与伦理人工智能的社会风险与法律人工智能工具与平台课程群机器学习工具与平台开源机器学习工具与平台人工智能系统与应用开源AI训练平台（OpenPAI、KubeFlow）开源AI推断平台（TensorRT,TVM,ONNX）分布式AI训练（数据并行、模型并行、参数服务器、AllReduce、分布式训练工具）OpenPAI分布式训练作业部署Kubernetes推断部署分布式系统概述：YARN,Kubernetes面向深度学习的调度系统与算法（群调度与容量调度、支持拓扑的GPU调度）三维深度感知（选修课）人工智能芯片设计导论（选修课）无人驾驶平台（选修课）专业综合性实验机器人导航技术实验自主无人系统实验虚拟现实与仿真实验脑信号处理实验