从事人工智能需要掌握哪些技能
AI人工智能这个职业无疑是当下最火的行业了，近年来，人工智能领域出现了各种创新。特别是以深度学习为代表的人工智能技术在计算机视觉、机器学习、自然语言处理等方面取得了突破。，机器人技术取得了巨大进步，深刻地改变了我们的生活。
可以预见，人工智能是一个非常好的职业选择。人工智能将创造近2300万个新工作岗位。但同时，这项技术将淘汰1700万个传统工作岗位——即人工智能将在全球创造约500万个新工作岗位！现实情况是，几乎所有行业都开始使用人工智能。因此，未来对合格、熟练的专业人工智能人才的需求将是巨大的。目前，人工智能行业人才供需严重不足。
想入手AI，还没有找好自己定位的小伙伴，我下面简单梳理一下，希望能给同学们一些参考。开始使用AI所需要的技能主要有四个：
1基础是数学
很多人一提到数学就害怕，但如果想入手AI，数学可以说是避无可避。入门阶段不需要太高深的数学，主要是高等数学、线性代数和概率论，也就是说大一和大二的数学知识完全够用。我个人的建议是多学点数学知识，好的数学在工作中会有很大的优势。没有基础的可以看同济大学出版的《高等数学》学习。
2算法能力
需要掌握一些基础框架：python、sparkmllib、scikit-learning、pytorch、TensorFlow，数据需要了解HQL、numpy、pandas，另外还需要一些实际操作，如果你是后端开发、应用程序开发、数据分析和项目管理是学习算法的加分项。
3编程知识
就我的经验而言，建议大家先学C++。C++作为基础编程软件，非常适合零基础的人学习，非常受欢迎。可以说是使用最多的编程语言，所以Python编程也是需要掌握的。在众多的编程语言中，Python是比较容易学习和使用的，学习Python也会受益匪浅。
4机器学习
大数据分析广泛用于网络数据挖掘。可以从用户的搜索关键词、标签关键词或其他输入的语义分析来判断用户需求，从而达到更好的用户体验和广告匹配。
除了学习基础知识，别忘了参加一些企业项目，这样可以更好地提高简历的含金量。除了能让简历更漂亮一样，也增强了自己面试的通过率，对自己今后的工作也有很大的帮助！
人工智能基础知识总结
本文是对人工智能基础的期末复习知识总结。
文章目录一、绪论什么是人工智能？什么是图灵测试？人工智能的研究范围有哪些？二、Agent什么是Agent？什么是理性Agent？如何构建理性Agent？Ⅰ.任务环境描述--PEAS（Performance性能Environment环境Actuators执行器Sensors传感器）Ⅱ.任务环境的性质Ⅲ.Agent程序**简单反射Agent****基于模型的反射Agent****基于目标的Agent****基于效用的Agent**三、搜索1.经典搜索搜索算法基础搜索算法性能评价Ⅰ.无信息搜索宽度优先搜索一致代价搜索深度优先搜索深度受限搜索迭代加深的深度优先搜索双向搜索Ⅱ.有信息搜索贪婪最佳优先搜索A*搜索2.局部搜索简述爬山法模拟退火局部束遗传3.对抗搜索/博弈Ⅰ.形式化Ⅱ.算法极小极大算法α-β剪枝Ⅲ.实施决策优化4.约束满足问题(CSP)四、机器学习1.监督学习Ⅰ.决策树决策树例子决策树的使用决策树的生成Ⅱ.随机森林2.无监督学习Ⅰ.K-meansⅡ.层次聚类高概率考点总结一、绪论什么是人工智能？从模拟人的角度来说，可以通过认知建模的过程让机器学会像人一样思考，可以以通过图灵测试为目标让机器具有和人一样的行为；而让机器模拟人并不是我们的目的，这里学习人工智能的是让机器具备理性（rationality），指的是通过思维法则的途径让机器学汇理性的思考，通过理性Agent的构造让机器具有理性的行为。这是四个维度不同层面的解释。
发展历史就不谈了，整体上是以十年为一个周期的发展态势，没意思。
什么是图灵测试？图灵测试由AlanTuring在1950年提出，内容可以简单描述为，由一个人类询问者提出一些书面问题之后，无法判断书面回答是来自计算机还是人类，就说这台计算机通过了图灵测试。图灵测试是一个至今仍合适的测试，人工智能的研究者并没有一直致力于让计算机通过图灵测试，研究智能的基本原理比复制人类智能或让计算机模拟人更加重要。
人工智能的研究范围有哪些？知识表示（语义网络等）、搜索技术（博弈树搜索等）、非经典逻辑&非经典推理（时序逻辑等&类比推理等）、机器学习（统计学习等）、自然语言理解（语法学等）、知识工程（专家系统等）、定理机器证明（归纳法等）、人工生命（细胞自动机等）、机器人（传感器数据融合等）、AI语言（Lisp/Prolog等）。
二、Agent什么是Agent？Agent是可以感知环境并且在环境中行动的东西。
Agent通过传感器感知环境，通过执行器对环境产生影响。Agent收到的所有输入数据的历史序列叫做感知序列，Agent在任何时可的行动选择依赖于到那个时刻为止该Agent的感知序列。Agent=体系结构+程序，体系结构就是图上所表现的，具备传感器和执行器的计算装置，计算装置上运行着Agent程序，程序实现的是从感知序列映射到行为的Agent函数。
Agent函数描述了Agent的行为，可以通过表格描述，Agent函数是抽象的数学描述，Agent程序是具体的实现。
什么是理性Agent？理性Agent是做事正确的Agent，这是个很模糊的概念，准确来说，**理性Agent是对每一个可能的感知序列，根据已知的感知序列提供的证据和Agent具有的先验知识，理性Agent应该选择能使其性能度量最大化的行动。**所谓性能度量就是对Agent行为的评价，具体问题具体分析。以吸尘器的例子为例，性能度量是一定时间段内清理的灰尘总量，另外还有其他度量指标，比如保持干净地面加分，能耗高噪声大则减分。
这里有一个讲到的点，理性≠全知/完美，全知/完美是让实际的性能最大化，可以预见行动产生的实际结果并作出相应的动作，而理性只是将期望中的性能最大化。
如何构建理性Agent？Agent要从环境中通过传感器收集信息，通过程序做出合理的行动指示，才能通过执行器对环境做出符合预期的行为。那么构建理性Agent就有三方面任务，第一是收集准确且足够的环境信息，第二是有合适的体系结构包括传感器和执行器，第三也是最关键的，是要设计出满足AI需求的Agent程序。
在书中24和25章才讲到了传感器和执行器，就不提了，主要学的是设计Agent程序。
首先要尽可能完全地定义任务环境，也就是明确Agent要解决的基本问题，然后是简单了解4种基本的Agent程序。
Ⅰ.任务环境描述–PEAS（Performance性能Environment环境Actuators执行器Sensors传感器）比如：
Agent类型性能度量P环境E执行器A传感器STaxidriver安全、快捷、合法、舒适性、利润最大化道路、其他车辆、行人、乘客方向盘、油门、刹车、车灯、喇叭、显示输出设备摄像头、声呐、车速表、GPS、里程表、加速度计、乘客输入设备Ⅱ.任务环境的性质完全可观察的传感器在每个时刻都能获取环境的完整状态，若传感器能检测所有与行动决策相关的信息，则称为有效完全可观察的。部分可观察的噪声、传感器不够精确、传感器丢失了部分数据，则环境是部分可观察的。
单Agent、多Agent环境中如果有多个对象，那么多个对象的行为是否依赖于其他对象的性能度量。
确定的、随机的如果环境的下一个状态完全取决于当前状态和Agent执行的动作，则该环境是确定的，否则，是随机的，也就是说后果是不确定的，可以用概率来量化。
片段式的Agent的经历被分成一个一个的片段，下一个片段不依赖于以前的片段中采取的行动。延续式的当前的决策会影响到所有未来的决策。
静态的环境在Agent计算的时候不会发生变化，Agent在决策时不需要观察环境，也不需要顾虑时间流逝。动态的环境在Agent计算的时候会变化，会持续的要求Agent做决策。半动态的环境本身不随时间变化，而性能度量随时间变化。
离散的、连续的指环境的状态、时间的处理方式，以及Agent的感知信息和行动，如出租车Agent的环境的状态就是连续的，随时间而变化，驾驶行动也是连续的。
已知的、未知的指Agent的知识状态，在已知环境中，Agent行动的所有后果是给定的。在未知环境中，Agent需要学习环境是如何工作的，以便做出更好的决策。
Ⅲ.Agent程序输入参数：从传感器得到的当前感知信息；返回值：执行器的行动决策。
这里有四种基本的Agent程序。
简单反射Agent简单反射Agent，最简单的Agent–基于当前的感知选择行动，不关注感知历史。仅仅根据当前感知的环境信息匹配规则，得出行为决策。
环境必须是完全可观察的。
基于模型的反射Agent基于模型的反射Agent，在简单反射Agent根据当前感知的环境信息决策的基础上，结合当前的信息和过去内部状态得到当前行为决策。内部状态是靠感知历史维持的，会加入世界如何发展，行动会如何影响世界如何产生结果的信息。
可处理部分可观察的环境。
基于目标的Agent基于目标的Agent，在基于模型的反射Agent根据当前感知的环境信息决策+过去内部状态的基础上，结合模型和增加的目标信息，同时记录世界的状态和目标集合，根据目标灵活改变行动序列来达成目标，方式包括搜索和规划。
基于效用的Agent基于效用的Agent，在基于目标的基础上加入对效用的评价，追求对达到目标的最优化途径，通过效用函数决策。
可用在部分可观察和随机的环境中处理不确定性的决策。
三、搜索上文的基于目标的Agent程序提到了，这类问题的解法会根据目标灵活地找出一个行动序列，而采用的方法是搜索或是规划，规划不学，以后有时间自学，这里搜索是一个大章，我尽量理解清晰，用简洁的语言总结清楚。
通过搜索求解问题有两个步骤，一是形式化目标和问题，二是搜索算法求出行动序列。搜索指的是Agent寻找一组行动序列到达目标的过程，输入是问题，输出是行动序列形式的问题的解。
比如我的另一篇文章中讨论的罗马尼亚问题，问题的形式化需要用五个组成部分来描述，在罗马尼亚问题中：
StatusAgent的初始状态：s=In(Arad)
ActionAgent的行动集合：a(s)=a(In(Arad))={Go(Sibiu),Go(Timisoara),Go(Zerind)}
Result对每个行动的描述，即转移模型：Result(s,a)=Result(In(Arad),Go(Sibiu))=In(Sibiu)
初始状态、行动集合、转移模型三者定义了问题的状态空间——从初始状态可以到达的所有状态的集合。
状态空间形成一个有向图，即状态空间图，结点表示状态，结点之间的边表示行动，状态空间中的一条路径：通过行动连接起来的一个状态序列，状态空间中从初始状态到达目标状态的一条路径是问题的一个解。
目标测试：可以是一个状态亦可以是一个状态集合，在上述问题中目标状态是{In(Bucharest)}，目标检测就是判断当前状态是不是目标状态集合中的状态。Cost路径耗散：c(s,a,s’)=c(In(Arad),Go(Sibiu),In(Sibiu))=140上述五者，即初始状态、行动集合、转移模型、目标测试和路径耗散构成Agent的形式化描述，状态空间中从初始状态到达目标状态的一条路径是问题的一个解，解的质量由路径耗散函数度量，路径耗散值最小的解即为最优解。1.经典搜索搜索算法基础还是用罗马尼亚问题为例，可以看到图上，标红色节点的是已被扩展的节点，标红色的边连接的白色节点则是待扩展的节点。在这里的学习中，已经被扩展的节点集合被称为探索集（closed表），待扩展的节点集合被称为边缘集。
在这里，节点对应的是状态空间中的状态Status，连线代表行动，是行动集合Action(Status)中的一个行动，算法的过程就是不断地在边缘节点中找一个合适的节点进行扩展到达下一个状态，直到找到解或者没有状态能够扩展（无解）为止。
不同算法之间的区别就在于选择边缘集中哪一个新的边缘节点（状态）进行扩展，也叫做不同的搜索策略。
搜索算法性能评价就像学算法看算法导论一样，人工智能导论也有算法的性能评价，搜索算法的性能评价分别为，
完备性–当问题有解时，算法保证能否找到解；
最优性–搜索策略能否找到最优解，
时间复杂度和空间复杂度就不提了，那个是算法课讨论的内容。
另外，每个内容都要从书上看一个例子。
Ⅰ.无信息搜索宽度优先搜索原理是，每次都扩展树上边缘集中深度最浅的节点，直到找到解。宽度优先搜索实现时，将边缘集组织为FIFO队列，可以确保在下一层被扩展之前本层的所有结点都已经被扩展。
这里还有一个考点是，宽度优先和一致代价这里提到了一个目标检测的时间点，宽度优先搜索是节点被生成的时候进行测试。
宽度优先搜索的性能评价，
完备性，当分支因子b有限时，一定能找到目标结点；
最优性，找到的节点一定是深度最浅的节点，如果路径代价是基于节点深度的非递减函数，也就是说不会随着遍历加深，总的路径代价反而变小，那么找到的就是最优解，说白了就是负权边；
时间复杂度，每个状态有b个后继，路径的深度为d，则最坏情况下O(bd)O(b^d)O(bd)；
空间复杂度，O(bd)O(b^d)O(bd)。
一致代价搜索原理是，每次扩展路径消耗)g(n)最小的节点n，是贪婪算法。一致代价搜索实现时，将边缘集组织成按路径消耗值c(s,a,s’)排序的队列。
这里还有一个考点是，宽度优先和一致代价这里提到了一个目标检测的时间点，一致代价搜索是节点被选择扩展的时候进行测试，这个也很好理解，
一致代价搜索的性能评价，
深度优先搜索原理是，每次都扩展边缘集中深度最深的节点，直到找到解。深度优先搜索实现时，将边缘集组织为LIFO栈，可以采用递归实现。
深度优先搜索的性能评价，
完备性，在有限状态空间，避免重复状态和冗余路径的图搜索是完备的，树搜索则不完备，有可能会陷入死循环（如Arad-Sibiu-Arad-…）；
最优性，比如我们先搜索左子树的时候，找到解就返回，而最优解可能并不在左子树中；
时间复杂度，O(bm)O(b^m)O(bm)；
空间复杂度，O(bm)O(bm)O(bm)。
深度受限搜索原理是，对深度优先搜索设置最大深度，界限L。
深度受限搜索的性能评价，
优点：避免了深度优先搜索中的无穷路径；缺点：如果目标结点的深度超过了L，则找不到解，即不完备。
完备性，不完备；
那么最优性当然不满足，最优性是在完备性的基础上扩展的。
时间复杂度，O(bL)O(b^L)O(bL)；
空间复杂度，O(bL)O(bL)O(bL)。
迭代加深的深度优先搜索原理是，在深度受限搜索的基础上，随着深度的加深调整深度界限。
迭代加深的深度优先搜索的性能评价，
当深度界限达到最浅目标结点的深度时，就能找到目标结点。
完备性，当分支因子b有限时是完备的；
最优性，如果路径代价是基于节点深度的非递减函数，也就是说不会随着遍历加深，总的路径代价反而变小，那么找到的就是最优解，说白了就是负权边；
时间复杂度，O(bd)O(b^{d})O(bd)；
空间复杂度，O(bd)O(bd)O(bd)。
双向搜索原理是，从初始状态和目标状态两个方向同时搜索，如果在中间某个结点相遇，则找到解路径。
这个搜索策略的目标检测：两个方向的搜索的边缘集是否有交集，若有交集，则找到解
双向搜索的性能评价，
若双向都采用宽度优先搜索，则时间复杂度和空间复杂度都是O(bd/2)O(b^{d/2})O(bd/2)。Ⅱ.有信息搜索贪婪最佳优先搜索原理是，试图扩展离目标最近的结点，评估函数是f(n)=h(n)，选择f(n)最小的结点扩展。在罗马尼亚问题中启发函数h(n)就依然是n距离目的地Bucharest的直线距离。选择结点扩展时，优先选择h(n)最小的结点。
性能评价，
不完备，有可能会陷入死循环；
不是最优的；
时间复杂度O(bm)O(b^m)O(bm)，m是搜索空间的最大深度；
空间复杂度O(bm)O(b^m)O(bm)。
A*搜索在另一篇文章中已经详细说过了，这里也贴图了。
2.局部搜索局部搜索关注的是解的状态而不是路径代价，对一个或多个状态进行评价和修改，而不是从初始状态搜索路径，比如八皇后问题，之后的CSP问题也会提八皇后，我的另一篇文章中实现了这里提到的很多算法。
简述适用问题的特点
到达目标的路径不重要，只关注最终状态局部搜索基本原理
从单个结点出发，只移动到它邻接的状态不保留搜索路径算法优点
只使用很少的内存，常数级别能在很大的或无限的状态空间(系统化算法不适用)中找到合理的解爬山法模拟退火局部束遗传另一篇文章中以CSP问题为例讨论回溯、最小冲突和遗传算法并给出了具体实现，可以进行参考。
3.对抗搜索/博弈Ⅰ.形式化Ⅱ.算法极小极大算法α-β剪枝两种算法都可以得到最优招数，但有较高的时间开销，可能无法在合理的时间内决策。
Ⅲ.实施决策优化4.约束满足问题(CSP)上面搜索问题的概述中本来应该提到但是没提，搜索问题的形式化主要分为两类，增量形式化和完整状态形式化。
另一篇文章中以CSP问题为例讨论回溯、最小冲突和遗传算法并给出了具体实现，可以进行参考。或者像上面一样的约束图也可以表示约束关系。
在回溯算法中，可以这样来赋值。
四、机器学习可能会考一个概念，监督学习、无监督学习和强化学习，怎么准确地描述出来。这里只分析一下监督学习和无监督学习，考到的概率挺大。
监督学习是我们对输入样本经过模型训练后有明确的预期输出，非监督学习就是我们对输入样本经过模型训练后得到什么输出完全没有预期。
监督学习是通过已有的一部分输入数据与输出数据之间的对应关系，生成一个函数，将输入映射到合适的输出，例如分类，而无监督学习是直接对数据进行建模，例如聚类。
监督学习是Agent观察某些“输入→输出”样例，学习从输入到输出的映射函数，训练集是带有类标签的，新的数据基于训练集进行分类；无监督学习是Agent学习输入中的模式，训练集是没有类标签的，提供一组属性，然后寻找出训练集中存在的类别或者聚集，新的数据基于聚类算法分出的类别进行归类；强化学习是Agent在强化序列（奖励和惩罚组合的序列）中学习。
1.监督学习主要是分类问题，解决分类问题的模型也可以用来解决回归问题，比如随机森林构建500棵决策树，每颗决策树有10个叶子节点，也就是10个Label平均值，那么这个随机森林只可能预测出≤5000个可能值，可以说是划分得足够细的分类，达到了回归的效果。
Ⅰ.决策树决策树是一个树状结构的分类器，用节点和边表示分类过程，以属性描述集合和相应数据作为输入，输出通常是一个分类，中间节点表示对某个属性的测试，叶节点则表示一个类别。分为分类树和回归树，取决于输入的属性是离散还是连续。
决策树例子决策树的使用如何生成决策树是一个重点，下面详细说，先理解生成了怎么用。
使用决策树时，输入是某个实例的属性数据，从根节点开始逐层向下，在根节点及每个中间节点，根据该节点的各条邻接边上采用的划分属性及该实例的该属性取值，选择其中一个分支，直到到达叶节点，就是最终分类了。
像这样通过把实例从根节点根据实例他本身的对应属性和边上的选择属性，排列到某个叶结点来分类实例，就能输出该实例所在的类别。
决策树的生成总的来说，所有的决策树生成算法都是–决策树生成时，在每个中间节点选一个属性进行划分，根据属性的取值划分为不同的子树，直到不能划分。
算法通常是两个步骤：
树的生成全部数据聚集在根节点采用某种算法（宽度优先、递归等）生成树，关键是如何选取下一个属性以及属性如何划分在每个中间节点选择某一个属性进行划分，直到不能继续划分树的修剪去掉一些可能是噪音或者异常的数据关键是如何选取下一个属性以及属性如何划分，算法的区别主要就在这，另一个关键是确定何时停止划分。除了划分方式和停止时间之外，如何避免监督学习的过拟合也十分关键。下面就讨论这仨问题：
决策树停止生长一般有三种情况，1.当前节点包含的样本已经属于同一个类别了；2.当前属性集空了，能划分的属性都划分完了；3.节点里面所有的样本在所有属性上取值都相同，唯独分类不同，也无法继续划分；4.样本空了，纵使有这个属性也无法划分。
怎么在节点上选择划分哪个属性呢？
树和子树根节点的划分算法，都要让节点随着树生长，其中样本趋于同一类别，即节点的纯度（purity）越来越高。量化纯度的算法有很多，比如ID3C4.5CART等算法，
以ID3为例，首先计算出根节点的信息熵，再算出每个属性的信息增益，选信息增益大的作为节点的划分属性，这里我理解的信息增益就是对样本来说区分度最大的属性。C4.5用的是信息增益率，CART用的是基尼值，指的是随机抽取样本类别不一样的概率，基尼指数越小表示纯度越高越适合作为划分属性。总之划分节点选择的属性，找的是划分之后最大限度地减少分类的可能性的那个属性。
过拟合是模型泛化能力差，对训练集拟合度高而预测准确率低的情况，避免过拟合，可以通过剪枝进行优化，也可以通过下一个算法，基于决策树的随机森林进行优化。
剪枝分为预剪枝和后剪枝，分别是划分节点前进行估计预测，当前节点能否提升泛化能力；先生成决策树再Bottom-up地进行考察，如果把当前节点变成叶节点泛化能力可以提升就将子数变成叶节点。
这里偷个懒，贴一下课程ppt的图。
首先预剪枝，划分出训练集和测试集，这里的测试集用来评估精度，事对泛化能力的评估。
预剪枝的优缺点有，
优点
降低了过拟合的风险显著减少了决策树的训练时间开销和预测试时间开销缺点
有些分支的当前划分虽不能提升泛化能力、甚至可能导致泛化性能暂时下降，但在其基础上进行的后续划分却有可能导致性能显著提高预剪枝基于“贪心”，禁止这些分支展开，带来了欠拟合的风险然后是后剪枝，
优点
欠拟合风险很小，泛化性能往往优于预剪枝决策树缺点
后剪枝过程是在生成完全决策树之后进行的，并且要自底向上对树中的所有非叶节点进行逐一考察，因此其训练时间开销比未剪枝决策树和预剪枝决策树都要大得多后剪枝决策树通常比预剪枝决策树保留了更多的分支，而预剪枝使得很多分支都没有展开，增加了欠拟合的风险，但是后剪枝的时间开销比预剪枝大得多。
Ⅱ.随机森林随机森林的算法包含了决策树的生成，一般是CART算法构造。
2.无监督学习主要是聚类问题。
Ⅰ.K-means一张图就说得非常清楚，K-means应该是cs必须掌握的算法之一，其算法原理大致是，已知K个初始的均值点，也就是要划分K个类的中心点，算法有两个步骤，
分配(Assignment)，将每个数据点分配到聚类中，直接求点到K个均值点的欧氏距离，距离谁近就分到相应的聚类里面即可；更新(Update)，上一步得到了新的聚类，对每一个聚类用最小二乘算法求出一个新的均值中心，均值点。当然初始化、分配、更新都有很多不同的算法，且各有千秋，不多赘述了。
其特点是，
优点
对于处理大数据集合，该算法非常高效，且伸缩性较好缺点
要事先确定簇数K对初始聚类中心敏感经常以局部最优结束对噪声和孤立点敏感适用范围
当潜在的簇形状是凸面的，簇与簇之间区别较明显，且簇大小相近时，其聚类结果较理想不适于发现非凸面形状的簇或大小差别很大的簇Ⅱ.层次聚类层次聚类（HierarchicalClustering）是通过计算数据点之间的相似度创造一颗有层次的聚类树，创建层次聚类树常用的是自下而上的合并，原始数据点位于最底层，最后结果应该是下图所示的形式。
生成的基本步骤是：
计算样本之间的距离，将距离最近的点合并到同一个类
计算类与类之间的距离，将距离最近的类合并为一个大类
不停的合并，直到合成一个类
样本与样本之间的距离可以直接计算坐标系上的欧氏距离，而类与类的距离怎么计算呢？计算方法有
最短距离法：将类与类的距离定义为类与类之间样本的最短距离
最长距离法
中间距离法
类平均法
高概率考点总结暂时不贴，等考前再贴，或者自己总结完就不发出来了。
人工智能时代的工作变化、能力需求与培养
摘要：在人工智能时代，程序化工作和一部分非程序化工作将被人工智能取代，工作将向高度智慧化转移，劳动者的工作定位将发生升级方式、介入方式、前进方式、转移方式和集中方式等不同的变化。为了适应人工智能时代，要在学校教育和企业教育中注重提高受教育者的人工智能素养、培养创造性思维能力、社会交流能力以及环境应变能力。应对人工智能时代培养所需人才的关键措施包括：突出个性化培养理念；构建人工智能素养教育体系；实施问题导向及跨学科合作探讨的学习方式；利用人工智能技术提高学习效率。
关键词：人工智能；工作定位；能力需求；能力培养
基金项目：本文系中国社会科学院登峰战略企业管理优势学科建设项目、中国社会科学院京津冀协同发展智库研究课题的阶段性成果。
当前，我们正处在全面进入人工智能时代的过渡期，几乎所有领域都出现了装载有人工智能技术的机械设备。18世纪中期以来，人类历史上先后出现了蒸汽机、内燃机与马达、计算机与互联网技术。这些技术极大地改变了人类的生产生活方式，推动了人类社会的发展。可以说，人工智能是继三大技术之后的又一重大技术。况且，与以往技术不同，人工智能可以替代人的脑力劳动，这将大幅度地改变人们现有的工作内容，并要求人们拥有不同于以往的特殊能力。然而，关于如何界定人在人工智能时代的工作定位及所需能力、如何培养人工智能时代所需要的人才，是尚未解决的课题。目前，有研究围绕人工智能可能产生的就业影响，尤其是结构性失业风险以及社会经济对策等方面进行了分析（万昆，2019；陈明生，2019；王君等，2017；潘文轩，2018），也有研究对人工智能背景下职业教育体制改革与发展问题进行了探讨（南旭光，汪洋，2018；毛旭，张涛，2019；丁晨，2019），但深入到工作能力层面，从劳动者角度探究人工智能时代的人才培养问题的相关研究还较为少见。鉴于此，本文基于技术—工作—能力—培养的视角，结合前沿研究进行理论分析，阐明人工智能对工作业务的影响机制，明确人工智能时代的工作定位与能力需求，探讨能力培养的战略思路和关键方法。
一、人工智能时代的工作变化
人工智能（ArtificialIntelligence，简称AI）是指可以感应环境、做出行动，并获取最佳结果的合理主体（RationalAgent）（S.J.Russell，P.Norvig，2018）。感应环境、做出行动和获取最佳结果，属于人的智慧行为，而这些行为通过计算机程序（合理主体）被再现出来，就成为了人工智能。换言之，人工智能就是具有人类智慧的计算机系统。而在现实的工作环境中，人工智能的计算机系统又是与大量的感应器、超高速通信网、大数据收集分析装置、终端设备、机器手等组成更为复杂的系统来进行实际作业的，如机场出入境管理的人脸识别系统、汽车自动驾驶系统等。因此，可以说人工智能就是装载有可以模拟人类智慧行为的计算机程序的自动化设备。
现阶段的人工智能可以在一定程度上替代人完成识别、决策和操控方面的任务。在识别方面，人工智能可以进行信息判别、分类与检索，如从影像中发现癌变征兆；从音调语速中检测情绪；从图像中监控设备异常、天气异常、用户账号异常等。在决策方面，人工智能可以进行数值形式下的物象评估与匹配，如预测销售额、GDP指标、民意度、信用风险、病变风险；推断消费者爱好、产品推销时机；根据消费者爱好、习惯不同而推荐不同内容的商品广告等。在操控方面，人工智能可以进行表现生成、设计行动最佳化及作业自动化，如自动撰写新闻稿件、概括文章大意；设计项目路线图、商品标识、网页布局、药品成分、建筑物结构；优化游戏策略、送货路线、店铺布局；实施自动驾驶、客户咨询等。只要人规定好了计算机程序的信息处理目的和分析方式，人工智能就能准确无误地替代人工进行作业（安宅和人，2015）。
（一）工作变化的特征
人工智能时代工作变化的特征体现在以下三方面。
1.程序化工作被人工智能取代
所谓程序化工作，按照美国经济学家奥托（D.H.Autor）等的定义，是指变化少、可以按照事先规定的程序进行的工作（Autoretal，2003）。程序化工作又分为主要使用认知能力的程序—认知型工作和主要使用肢体能力的程序—肢体型工作。认知能力是指直觉、判断、想象、推理、决策、记忆、语言理解等能力；肢体能力是指体力。程序—认知型工作具有重复性、单一性、目的明确并且主要使用脑力等特点，如行政事务、会计工作。程序—肢体型工作虽然也有重复性、单一性、目的明确等特点，但主要使用体力，如流水线组装、仓库运输业务。由于程序化工作相对简单，易于编制成计算机程序，所以人工智能对人类劳动的替代，首先会从这些工作开始。例如，产品组装是按照作业标准反复实施同样内容的工作，而作业标准完全可以编制为计算机程序，所使用的设备以及动作也完全可以建立成模型，因此，产品组装就可以由人工智能来代替实施。再如，需要一定认知能力的会计业务，人工智能也可以通过扫描或接受电子信号等方式获取相关数据，而后根据规定程序进行分类、汇总等作业。因此，在人工智能时代程序化工作会呈现明显的减少趋势，以往的自动化设备，基本是替代体力劳动的蓝领劳动者，而人工智能将替代白领劳动者。英国剑桥大学学者弗雷（C.B.Frey）与奥斯本（M.Osborne）在2013年发表的报告中指出，美国在未来20年里将有47%的工作存在被替代的可能性，电话推销员、标题审查与摘要人员、手工缝纫工、技工、保险受理员、手表修理工、货物运输人员、税务代理员、照片处理工、会计助理、图书馆技术员、数据输入员等工作被取代的概率可高达99%（C.B.Frey，M.Osborne，2013）。日本经济新闻和英国金融时报2017年合作进行的调查显示，制造、餐饮、运输等23个产业的2000项工作中有超过3成的业务可能被替代，制造业被替代的比例是80.2%，包括焊接、组装、裁缝、制鞋等业务；餐饮业被替代的比例是68.5%，如客服、点餐、食材准备、餐桌与餐具摆放等业务；运输业被替代的比例是48.4%，包括车辆维修、飞机驾驶、运输信息提供等业务（ShotaroTani，2017）。这些研究表明，被取代概率高的工作基本上都是重复性、单一性、目的明确的程序化工作，其中不乏白领岗位的部分业务。
2.一部分非程序化工作被人工智能取代
相对于程序化工作，非程序化工作通常变化较大，难以按照事先规定的计划进行。这一工作又分为两类，一类是非程序—认知型工作，如科学研究、文学创作、作曲作画、经营管理、医疗诊断、诉讼辩护等；一类是非程序—肢体型工作，如烹饪、理疗、看护以及汽车驾驶等。非程序—认知型工作需要高层次的文化水平、分析能力和想象力，现阶段的人工智能还达不到完全替代的水平。烹饪、理疗、看护以及汽车驾驶等非程序—肢体型工作需要高度的人际间互动、灵敏的环境反应能力以及灵活的肢体动作，而这些要求现阶段的人工智能尚不能完全做到，所以这些工作基本上还需要人来承担。但随着人工智能技术的发展，人工智能在未来不仅会代替人做更多的程序化工作，而且有望将一部分非程序化工作纳入替代范围，如自动驾驶、行走助力、编制诉讼方案、作曲作画等（Autor，2015）。届时非程序化工作完全由人来完成的局面就会发生变化，进而带来业务重组，从以前由人承担所有业务变成由人工智能和人共同分担业务，如影像诊断由人工智能完成，最终诊断由医生完成；围棋陪练由人工智能承担，棋艺解说由教练承担。
3.工作向高度智慧化转移
装载有人工智能的设备可以替代人的程序化工作，甚至部分非程序化工作，但现阶段人工智能仍有很大的局限性，如人工智能不能设定目标和规划未来、不能产生意识、不能对未曾有的变化作出反应、不能提出问题、不能设计分析框架、不能产生灵感、不具有常识判断力、不具有指挥人的领导能力（安宅和人，2015）。所以现阶段仍有四类工作是人工智能所无法替代的。一是高度创造性的思维工作。如通过综合分析各种知识归纳和提出新概念、通过多方面分析发现问题并提出解决方案、基于情感创造出文学艺术作品等。二是高度社会化的沟通工作。如包含理解、说服、交涉在内的工作，人际间交往与协同作业等。三是高度灵敏的肢体型工作。如演奏乐曲、表演舞蹈、高难度手工艺等。四是高度非程序化的工作。如看护、清扫工作。这些工作看似简单，但需要人根据知识、经验以及常识等对情境作出判断，如在清扫时对发现的废纸需要进行判断，确定它是重要笔记还是真正的废纸，而人工智能的扫地机是无法做到的（野口悠纪雄，2018）。但即使如此，现在几乎所有领域中都在使用人工智能，并且人工智能的工作领域还在不断扩展。在看护工作中，移动搀扶患者机器人已经开始出现；人工智能已能够进行文学、绘画及音乐的初步创作，人与人工智能协同作业的状态已成为普遍现象。在这种状态下，人的工作内涵必然要向高度智慧化转移。
（二）人机关系与工作定位
在刚开始引进人工智能的生产过程中，人仍是作业的主体，人工智能起辅助性和支持性作用。人工智能辅助人进行数据和信息处理方面的业务，支持人做一些复杂的、技术性的工作，从事需要肢体劳动的、程序化的操作，但对于需要高度认知能力的工作，如推理与决策，以及需要与人沟通的工作，如协调、开发与咨询、沟通与互动，人工智能的贡献相对较少，但这种情况将会发生改变。世界经济论坛《职业前景报告2018》发表了2018年人与设备的工作时间占比值和2022年人与设备的工作时间占比的预测值（见表1）。对于所有业务，2022年设备的工作时间占总工作时间的比值会增加，其中设备在信息和数据处理、探索和获取业务信息的工作时间占比将超过人的工作时间。在行政、肢体的程序化任务、识别和评估业务信息、执行复杂技术任务中，设备的工作时间占比也将超过四成。即使在推理与决策以及沟通与互动这样原本主要由人来完成的业务中，设备的工作时间也将提高三成左右。因此，未来人工智能不仅能在生产过程中起辅助、支持的作用，而且在一些业务中将会作为“数字劳动力”发挥主导作用。进而言之，在人工智能时代，智能设备将越来越多地替代人的劳动，人机协作的关系将越来越显著。
表12018年、2022年人与设备的工作时间占比值单位：%
资料来源：作者根据世界经济论坛《职业前景报告2018》整理。
在人工智能时代，一些职业及一些工作被替代是不可避免的趋势，因此劳动者必须对职业及工作选择有清楚的认知。美国管理学学者达文波特（T.H.Davenport）和卡比（J.Kirby）认为，人工智能时代劳动者的工作定位，即如何选择能实现自身价值的职业，有五种方式，分别为：一是升级方式，即提升管理素质和掌握超越计算机的大局思维，向高级管理岗位发展。这要求对经营系统有透彻的理解，并需要有充分的计算机知识与技能。随着人工智能质量的提高、数量的增加，高级管理岗位的事务性工作将被大幅度替代，因此升级到高级管理岗位的人数会比以往少；二是转移方式，即转移到不能程序化、结构化的工作领域。现阶段，人工智能设备尚不能完全替代人的劳动，因此工作流程中会保留一些人的岗位。但随着人工智能水平的提高，这些岗位也将逐渐被替代，因此，这些岗位的劳动者，要有充分的危机感；三是介入方式，即学习计算机的程序化决策过程，掌握监视和调整计算机功能的新型能力，以现场管理者的身份介入基本上由人工智能实施的作业过程中；四是集中方式，即以计算机程序尚未渗透到的领域为唯一标准来选择职业或工作。这种方式要求特殊、高超的人类智慧及技能，需要早期、长期训练，甚至需要天赋；五是前进方式，指与时俱进，加大学习力度，研究开发能改变当前领域工作效率的高水平智能机器（T.H.DavenportandJ.Kirby，2015）。从与人工智能的关系看，升级方式、介入方式和前进方式，都需要学习人工智能技术。对这些人群，国家应该对他们的学习进行资助。转移方式中劳动者没有学习新技术的欲望或能力，他们的收入可能会减少，就业也不稳定，国家应从就业政策角度进行援助。集中方式需要从中小学起通过个性化教育对这方面的人才进行培养。
二、人工智能时代的能力需求
随着人工智能在生产过程中的普遍应用，人在生产中的地位不断发生变化，大量程序化作业、甚至越来越多的非程序化作业都将由自动化设备实施，而人必须能够驾驭智能设备，发现和解决工作流程中的问题，对智能设备进行更新创造，从而使其更好地服务于人类社会。从劳动者角度看，必须具备符合人工智能时代所需要的能力，才能使自己的劳动付出变得更有价值；从企业角度看，具有符合人工智能时代能力的员工，是创造价值所不可缺少的人力资源，值得大力引进和培养；从社会角度看，劳动队伍和后备力量都具备符合人工智能时代要求的能力，就可以稳定就业，促进社会经济持续发展。关于能力，可以对有认知能力和社会情感能力的基础理论进行研究。为了探讨能力与社会需求的关系，能力被分成诸多子能力，以验证与不同技术条件的适配性。在解析这些研究之后，笔者将提出符合人工智能时代要求的能力要件，以便为理论研究和政策决策提供参考。
（一）能力的两个方面
理论上看，人的能力一般包含两个方面。一个方面被称为认知能力，另一个方面是非认知能力。其中关于非认知能力有着几种不同的命名，如社会情感能力、软能力、社会能力、人格特质、性格（Heckman，Kautz，2012）。以下将沿用经济合作与发展组织（OECD）（2015）的表述样式，用“社会情感能力”来表示非认知能力。该研究认为，认知是关于获取和应用知识经验的过程，而认知能力就是所有与获取和应用知识经验有关的能力。认识能力有三个层次：第一层是基本能力，如模式识别、计算和记忆；第二层是获取能力，如检索、分类和解释；第三层是应用能力，如思考、推理和概念化。这三层能力的复杂程度从低到高、依次递进。与认知能力不同的是，社会情感能力是对目标实现、社会协作和情感控制产生影响的人格特征。例如，目标实现方面的忍耐、自律、意愿；社会协作方面的沟通、开放、体贴；情感控制方面的自尊、灵活、自信等。
在实际中，人是认知能力和社会情感能力的载体。换言之，这两种能力在人的身体中同时存在，相互影响、相互作用，形成了人的脑力活动和肢体行为。例如，批判性思考就是两种能力合二为一的结果。批判性思考既有认知能力的特点，即能够客观地进行逻辑推理，严守成本收益原则，冷静地进行战略分析。同时，因为批判性思考的对象是现实中的新问题，仅仅依靠过去的经验和教科书手法是不够的，还必须对新现象持有开放心态，根据具体情况，灵活改变思路和行动，而这些特点正是社会情感能力范畴的内容（池迫浩子，宫本晃司，2015）。
（二）能力需求变化与预测
技术进步使得工作环境发生变化，对劳动者的能力需求也出现了新变化。20世纪70年代以来，以大型计算机、电脑终端和互联网为代表的信息通信技术迅速发展，制造业以及服务业的生产过程大为改观，这使得对劳动者的社会情感能力的需求显著提高（Deming，2015）。在1980-2012年间，需要高度社会情感能力的职业就业人数占美国所有就业人数的比例增长了近12个百分点，而只需要认知能力的职业就业人数占比减少了3个百分点。另外，需要高度社会情感能力的职业的工资增长也比其他职业更快，并且2000年以后的增幅大于2000年之前。这是因为生产过程自动化，岗位任务重组，人员重新分配，团队形式增加，而社会情感能力可以降低协调成本，加强不同作业领域的有效合作。
以数字技术为轴心的自动化设备的应用，不仅要求劳动者提高社会情感能力的水平，同时也要求其认知能力和社会情感能力综合水平的提高。维因伯格（Weinberger，2014）利用美国职业大典的数据，对1977-2002年间各职业就业人员具有的计算能力、人际能力以10阶段法进行了赋值，根据数值把职业分为了两类，一类是计算能力与人际能力赋值均高于5的职业，一类是两种能力中一方赋值高于5而另一方赋值低于5的职业。分析发现，两种能力赋值均高于5的职业的就业人数增加，仅一种能力赋值高于5的职业的就业人数减少。该研究还以1972年和1992年的高中3年级中的两个年级层为对象，考察了各层人群的高中数学成绩、领导经验和高中毕业7年后的工资之间的关系。结果表明，同时具有数学能力和领导经验的人的工资在增加，只有一方面能力的人的工资没有变化，不具有这两方面能力的人的工资在减少。这个结论揭示了能力间互补的重要性，即认知能力与社会情感能力，不是各自单独产生价值，而是相互组合（互补）来产生更大的价值。技术进步并没有否定人的任何一方面的能力，而是要求在提高各自水平的基础上达到新高度的互补。由此可以推论出，兼有两种能力的劳动者在以人工智能为轴心的新技术时代将为社会所需，他们的劳动价值会得到社会认可。
表22018年、2022年关键能力需求
资料来源：世界经济论坛《职业前景报告2018》。
以上的推论不仅在以往的数据研究中得到了验证，在近未来的预测研究中也得出了同样的结论。世界经济论坛的《职业前景报告2018》发表了313家跨国企业管理高层的调查数据，从中可以看出2022年需要的关键能力中，属于认知能力的有8个，分别是：分析性思考与创新，主动学习与战略性学习，创造性、独特性和主动性，技术设计与编程，批判性思考与分析，解决复杂问题，问题推理与构思，系统分析与评估。与2018年相比，技术设计与编程、系统分析与评估是新增项目，反映出人工智能时代对劳动者的数字技能的强烈需求，揭示了劳动力素质提高的方向。而领导力和社会影响、情绪性智商属于社会情感能力的范畴。这两个能力同时出现在2018年、2022年两个时间段里，由此可以说，社会情感能力在未来的人工智能技术环境中是不可缺少的。只要生产过程中有人的存在，只要市场及组织内部环境不断变化，就需要社会情感能力去发现问题、运用技术技能去解决问题从而实现劳动的价值。另一方面，包括脑力、肢体在内的基本认知能力的需求将会减少，如操作灵活性、持久性与准确性，视觉、听觉与说话，读、写、算等能力。一些基本操作能力的需求也会减少，如财务和物资资源管理、设备安装与维护、质量管理与安全管理等能力。这些能力基本用于实施程序化业务，其工作的操作标准简单明了，个人发挥创造性的空间较少，从能力层次看，虽然属于知识经验应用能力范畴，但处于低级层次。
世界经济论坛在2016年对人工智能时代的能力需求变化进行了探讨。当时的研究报告指出，高层次认知能力不仅在当时受到重视，而且在2020年对其的需要将会进一步增加。而对于与肢体相关的能力，专家大都认为其需求将会减少。尤其是设备维护、质量管理与安全管理等能力，2016年报告中还有五成的人认为需求会处于稳定状况（世界经济论坛，2016）。由于2016年、2018年的调查方式不同，因此不能对其进行严格的对比，但可以看到能力变化的趋势，即对高层次认知能力的需求一直处于增强趋势，而对设备安装与维护等低层次能力的需求则明显减弱，这反映出人工智能时代对能力的高层次化有着越来越强的需求。
巴克什（Bakhshi）等利用美国和英国数据预测了两国2030年各职业的就业增长和职业所需的能力（Bakhshietal，2017）。该研究中的职业能力包括120项。美英两国各职业最为重视的能力有15项（见表3）。从表3看，美国和英国总体情况类似。在美国，与人际交往有关的能力会越来越重要，这些能力包括指导、社交知觉/认识、协调、服务导向、主动倾听，以及相关知识，如心理学和人类学、教育和培训、治疗和咨询、哲学和神学。认知能力范畴中的应用能力也会越来越重要，如要求能够了解当前和未来形势并且能够做出行动规划（战略性学习）；能够了解新信息对当前和未来问题的解决与决策发挥影响（主动学习）；能够提出有关某个主题的许多想法（思想流利性）。在英国，有10项属于认知能力范畴中的应用能力，这些能力是判断和决策、思想流利性、主动学习、战略性学习、原创性、系统评价、推理、解决复杂问题、系统分析、批判性思考。在人工智能技术更为广泛应用的近未来，劳动者只有充分具备这些能力，才能够有效解决新环境中出现的新问题，并且能够有针对性地提出新想法，积极吸收新信息；能够识别社会技术系统的变化，了解社会技术系统各环节的互连和反馈关系并采取正确行动。另外，英国对于人际交往的能力也非常重视，这些能力包括指导、协调，以及相关知识，如教育和培训等。
表32030年美国、英国各职业中最重要的15项能力
资料来源：作者根据Bakhshi等（2017）整理。
2017年，日本人才咨询公司阿德卡（Adecco）对309家上市公司管理高层进行了抽样调查，收集到了两个时间点（调查时间点为2017年、人工智能普遍应用的2035年）对各种能力的需求程度。结果显示（见表4），2035年最需要的前10项重要能力中，5项为认知能力，包括创造性、分析性思考与抽象性思考、解决复杂问题、信息收集和解决简单问题。5项是社会情感能力，分别是人际关系、灵活性、挑战精神、领导力和积极性与主体性。2017年的前10项重要能力中，4项为认知能力，依次是分析性思考与抽象性思考、解决复杂问题、创造性和信息收集；6项是社会情感能力，如人际关系、积极性与主体性、挑战精神、团队工作与协调性、灵活性和目标实现意愿。从数量看，不论是2017年还是2035年，认知能力和社会情感能力的排名基本相当，表明无论什么时代，均衡能力结构都是必要的。从内容看，不论是2017年还是2035年，认知能力和社会情感能力的子项目基本相同，反映出企业能力需求具有一定的稳定性。从个别能力变化看，有两个突出现象，一个是认知能力中，创造性需求的大幅上升。这表明在人工智能时代企业将进行业务重组，要求员工在高价值工作领域创新工作方式和取得突破；另一个是社会情感能力中，对灵活性的需求有所提升。这反映出企业需要员工充分发挥主动性，去发现生产流程中的问题、发现新的社会需求，而不仅仅是执行指令。
表42017年、2035年最需要的前10项重要能力
资料来源：作者根据西村崇（2017）整理。
（三）符合时代要求的能力要件
综合以上研究，笔者认为，在人工智能时代，能力的首要内容应该是与人工智能有关的新知识、新技能。此外要在人工智能的学习与应用过程中提高社会情感能力，主要是指与人沟通的方法与相关知识。再者，劳动者的能力结构要向高层次升级，应重点发展高层次认知能力。具体概括为两个方向：一是应用人工智能技术创造新产品、新服务的能力，这里称作创造性思维能力；二是发现新问题和解决新问题的能力，这里称作环境应变能力，包括主动学习与战略性学习、解决复杂问题等。在人工智能时代，对于劳动者而言，重要的是使能力结构升级以符合技术发展需要，不仅认知能力要达到新水平，还要与工作方式变化相匹配，而且与人工智能技术互补的社会情感能力也要同步发展。鉴于此，人工智能时代的能力要件可归纳为以下四个方面。
1.人工智能知识
正如读、写、算是工业社会所必须的基本能力一样，对于要在人工智能技术条件下工作的劳动者而言，人工智能的基础知识是不可缺少的。这是以往时代所没有的全新的能力。所谓的人工智能知识，首先是数学知识。因为人工智能的基础就是数理模型，主要包括概率、统计、线形代数等内容；其次是数据科学，是在计算机上收集、解析数据的知识和技能，需要有数理和计算机语言知识，需要计算机操作能力。有了这两方面的知识，就可以形成关于人工智能的新技能：能够使用程序语言，利用既成模块，编制、操作或使用具有简单的感应、解析、反馈等智慧行为的自动化装备。劳动者掌握了人工智能的新技能，不仅可以理解新设备的基本机制，甚至可以研究更先进的人工智能、或利用人工智能来提高生产效率。根据领域、岗位、业务的不同，涉及人工智能的内容会有所不同。国家的教育、经济以及科技部门应该与企业联手设计内容、层次不同的教材，设定认知资格制度，作为评价人才的标杆。
2.社会交流能力
在人工智能时代，要创造新价值，人际或社会交流能力愈发显得重要。创造新产品、新服务及新的工作模式，意味着要对现状有充分的了解，利用人工智能对现状进行改变、重组。这需要周边很多人及社会的理解、帮助及合作。因此，在人工智能时代，人应该提高自身的社会交流能力，能简明扼要地说明目的，开诚布公地寻求理解与帮助，诚实守信地与人合作。社会交流能力的基础是情感，所以人在情绪、意志等方面的情商以及对于文化艺术的审美都非常重要。人工智能时代社会交流能力的特点，就是大量运用网络社交媒体、互联网等工具。这些工具有其便捷之处，但也存在虚假信息等伦理道德问题以及易受黑客攻击的脆弱性问题。社会交流能力与创造性思维能力一样，需要长时间的培养，需要社会氛围的支撑。社会交流能力的特殊之处在于它涉及性格，而性格有天生的因素。所以，在学校教育以及企业教育中，既要传授基本的交流方法，也要考虑个人性格中的天生因素，因人施教，调动有利因素，培养能够从社会中学习、有益于社会的人才。
3.创造性思维能力
人工智能技术使程序化的工作自动化，把人从单一循环、重度及危险的劳动中解放出来，给予人更多的时间，为人的创造性思维提供了更大的可能性。同时，人也必须发挥自己特有的创造性思维能力，才能在人工智能时代确立自身的存在价值。所谓创造性思维能力，是利用人工智能技术，结合自己所在的特定领域，去发现社会及市场需求，提出关于新产品、新服务以及新工作模式的能力。创造性思维能力包括抽象能力、综合能力和应用能力。抽象能力，就是能够概括出事物本质并发展成为概念的能力。借助抽象能力进行分析和推理，才会产生新的认识。综合能力，就是能够融会贯通，把不同领域的知识连接起来，进行整合、分析和再创造的能力。经济学家熊彼特认为，创新有五种形式，即产品创新、技术创新、原材料创新、市场创新和组织创新，它们无一不是生产要素间组合与创造的结果（约瑟夫·熊彼特，2016）。利用人工智能提出关于新产品、新服务以及新工作模式的设想，是对人工智能与其他知识进行融合与创造的过程，所以需要综合能力。应用能力，是能够把知识应用于解决现实问题，也就是解决问题的能力。其中的关键是有目的意识，能够发现问题，使创造性活动具有经济价值与社会意义。而这恰恰是人类特有的能力，无法用计算机程序再现。创造性思维能力，需要长时间的培养，从幼儿园到大学、甚至到就业之后都必须接受持续的教育或启发。同时，要在家庭教育、学校教育和社会上形成鼓励独创、容许差异的宽松氛围。
4.环境应变能力
环境应变能力，就是能够根据不同情境作出不同决策的能力。在人工智能时代留给人的工作基本上都是非程序化工作，它们不可事先预测，也无法编制操控指南，需要劳动者根据自身掌握的知识、经验、常识以及悟性来灵活行动。现阶段的人工智能可以通过大样本学习来增加经验和提高应变能力，但世界是复杂的，很多变化都带有偶然性，解决方案没有经验可循，这限制了样本数量，从而制约了人工智能应变能力的提高。与人工智能不同的是，人所特有的生命体的构造使得其对事物的理解在很多情况下只需要小样本学习和借助常识就可以完成（李开复，王咏刚，2017）。在以往的人才培养中，人们也注意到了环境应变能力，但人工智能时代的特殊之处在于劳动者要接触更为复杂的数字技术，而数字技术的进步日新月异，人们为了防止知识的陈腐化，要能够主动学习，因为仅仅靠教师或上级安排的在岗或离职学习完全不够，要根据自己的具体情况，不间断地吸取新知识。战略性学习，是具有前瞻性的、有长远目标的学习。这个长远目标，可以是对自己所在领域发展前景的预测、自我发展方向的判断，也可以是对企业战略的理解，提前着手学习新知识，当环境变化时就可以游刃有余地应对。人工智能时代的劳动者往往处于与自动化设备合作的作业环境中，生产过程中的故障不仅有硬件的问题，也有计算控制系统的问题，只有在对硬件、软件充分理解的基础上，才能解决现场工作中的复杂问题。总而言之，人工智能时代的环境应变能力，有其鲜明的时代要求，在学校教育和企业教育中必须使用有针对性的教学方法来培养有用人才。
以上归纳了符合人工智能时代要求的四个方面的能力，这四个方面的能力并不是独立存在的，它们之间有着不可分割的联系。人工智能知识是新时代劳动者能力的基础，有了它才能够驾驭自动化设备，进行新产品、新技术及新价值的创造。创造性思维是人工智能时代劳动者能力的核心，突出显示了人的智慧价值。而社会交流能力和环境应变能力则对人的气质或性格提出了新要求，要求处于人工智能时代的劳动者区别于越来越聪明的自动化设备，在纷繁复杂的社会和飞速变化的技术环境中发挥人的作用。
三、人工智能时代的劳动者能力培养
为了培养与人工智能时代相适应的人才，提高全社会的智慧水平，我们应该在理念、内容以及方式、手段上有所变革。
（一）突出个性化培养理念
在工业时代，大批量单品种生产是主流方式，为了提高效率实施机械化、专业化分工，产生了大量单一循环、目标明确的标准化工作岗位。企业将作业编成操作手册或计算机程序，要求劳动者达到按照手册或程序正确操作的能力标准。在这种体制下，劳动者和设备、产品一样都是标准化管理的对象，因此人才培养也是标准化的。体现在高等教育、职业教育及企业教育上，就是培养能够按照标准进行反复、简单作业的劳动者。教育方法基本上依靠大量、统一的习题，或反复练习。这样的理念与方法培养出来的学生或劳动者，只能做单纯的工作，其不仅在精度、速度方面要输给人工智能，并且会变得只能简单地对工作中的变化作出机械的反应，缺少发现问题、解决问题的能力，更谈不上创造新价值，而这种能力恰恰是人工智能时代的劳动者最需要的。因为程序化的工作都由人工智能完成，需要人来做的正是去发现工作系统的问题，不断地进行更新改进，提高生产效率，或者通过新思路、新方法创造新价值。因此，人工智能时代的人才培养，尤其要重视学习者的创造性思维能力，要在因材施教的理念下，充分发挥个人的潜在优势。
（二）构建人工智能素养教育体系
把人工智能教育贯穿小学、初高中、大学以及工作后的全部阶段，提高全社会的人工智能基本素养。目前，包括中国在内的主要国家都已经在小学及初高中开展计算机编程教育，在大学实施更为专业的人工智能教育。同时，针对在职者的相关教育也极为重要。这是因为人工智能技术对劳动的影响面越来越广泛，工作甚至职业变得愈发不确定，在职者要提前做好转业与转岗的准备。为了维持社会经济的可持续发展，国家应该就全社会、全生涯的人工智能素养教育制定战略规划，集结教育及各行业行政管理部门的力量，从资金、设备、师资、教材、技术资格认定、学习费用补助等诸方面制定具体措施。对于义务教育的中小学阶段，应该完善每个学校的信息网络，要使高速Wi-Fi网络覆盖全部校区，使每个学生都有自己专用的终端设备（电脑或平板电脑）。在教室等集体授课的场所，安装可以触屏输入、可以数据储存传递的电子黑板，在教学过程中使用人工智能设备。当前，教育界中能担任人工智能教学的教师人才十分欠缺。国家应该制定紧急行动计划，至少要在5年内填补中小学相关基础素养课程的空白，使每个学校至少有一名该学科的教师。教师的来源，可以直接从博士毕业生、企业的工程师等专业人才中招聘，可以不受教师资格的约束。在大学阶段，理工科要学习高度的人工智能技术，文科及美术、音乐等学科，也要开设人工智能专业课程，因为今后人工智能将在模拟人的艺术感受方面深入发展，需要既懂艺术又懂人工智能的人才。由于人工智能技术发展很快，要组织学术界和企业界的力量，及时更新课程，并且根据人在不同生涯阶段的特点编制有针对性的教材。应该利用大数据来补充劳动力市场信息系统并监控不断变化的技能需求，以适应所提供的课程与教材（OECD，2016）。要尽快设立国家人工智能技术资格认定制度，使学习成果能在社会上受到评价，提高学习者的学习积极性。对于在职人员的学习，应给予费用和时间上的支持。对于企业实施的员工培训，应该以减免培训费等激励政策给予扶持。
（三）实施问题导向及跨学科合作探讨的学习方式
创造性思维能力、社会交流能力的具体表现是能够利用人工智能技术解决现实问题，以及能够利用人工智能创造新产品、新服务与新工作模式。以往“满堂灌”的学习方式难以培养这些能力，今后应该加强问题导向及跨学科合作探讨方式的学习。所谓问题导向，就是有明确、真实并且具体的现实问题，解决这些问题是学习的目的。这需要企业与学校共同制订学习目标，引导学生进行社会实践。问题导向的学习方式，还需要学习材料具有现实性。数据要真实，设备及材料要先进，教材要能够反映前沿理论与实践。跨学科合作探讨学习包含四个方面，首先是跨学科的学习内容，即学生根据具体问题学习数学、统计、数据、人工智能以及物理、化学、生物、艺术等多学科知识，这需要打破以往文理分科的界限；其次是跨学科的学习成员，即打破以往班级学习约束，组成由不同专业背景学生构成的小组，尤其是大学阶段要尽可能采取这种办法；再次是小组学习方式，即在教师指导下以小组为中心进行讨论和得出解决方案。同时，要构筑互联网学习平台，教师与学生之间、学生与学生之间有充分的提问—反馈—讨论的渠道。跨学科合作探讨形式的学习方法，不仅有利于提高学习自主性和团队合作性，也有助于进行知识碰撞、知识整合和知识创造，从而提高综合能力和应用能力。
现阶段，包括中国在内的一些国家都在进行问题导向及跨学科合作探讨学习方式的实践，诞生了STEAM（Science，Technology，Engineering，Art，Mathematics）教育课程、问题/项目导向型教育课程（Problem/Project-BasedLearning：PBL）、创新思维课程等方法。但这些方式都处在发展过程中，需要专家和学者不断吸取有益经验对其进行改进。日本为了培养人工智能人才，制定了国家战略推行STEAM教育，并研究整理了具体案例，为各学校及企业提供参考材料。如日本某职业高中与企业合作，开展了STEAM教育课程。该课程的项目之一是设计使用便利的人工智能设备，推进智能化农业生产。项目分四个阶段进行。第一阶段引发学生对农业和机器人的兴趣，使用4个课时。教师启发学生考虑联系农业作业的实际需求，确定制作机器人的具体内容。企业技术专家介绍机器人控制语言，演示机器人的动作。学生进行讨论，得出关于制作方向的结论；第二阶段进行机器人控制与数学、物理等学科知识的应用，使用4个课时。具体任务有两个，一个是解剖分析现有农业机械，获得感性、基础认识，再使用控制语言设计机器人基本雏形，另一个是运用数学知识，探讨马达转速与机器人动作的关系，设计控制程序，制作马达。企业技术专家讲解高感度彩色感应器、图像识别等技术，联系物理知识，讲解关于摩擦作用的处理方法；第三阶段学习机器人开发的基本程序，使用4个课时。技术专家讲解现实社会中技术人员如何编写“产品规格书”、通用计算机语言、数据解析工具等，引导学生继续使用控制语言模块制作机器人；第四阶段进行总结和演示，使用4个课时。学生演示、讲解自己制作的机器人的特点以及与农业作业的关联。同时，教师引导学生梳理学习内容，激发今后学习机器人技能的兴趣（经济产业省，2019）。
（四）利用人工智能技术提高学习效率，增强学生的创造性思维能力、社会交流能力
现阶段的人工智能已经可以代替教师对学生进行辅导，提高学生的学习效率，如X-Tech、EdTech、LearnTech等技术。这些工具可以根据每个学生的实际情况，给出不同的学习指导方案，提高学习效率。有国外学校在教学中引进了人工智能系统，学生使用平板电脑阅读数学教材、做习题。人工智能系统收集所有学生的学习信息，包括答案、解题过程、速度、集中力、理解力等，在此基础上判断出每个学生的强、弱项，给出符合个人学习水平的阅读材料和习题，大大提高了学习效率。该学校利用人工智能对小学六年级学生进行了初中一年级上学期的数学课程教育，常规需要14周的学习内容仅用2周就完成了，并且学生们的考试成绩都超过了常规教育的平均点。如果能如此高效地接受知识，学生就可以把时间更多地用在联系实际的项目学习以及体育、艺术等活动上，强化学生创造力和社会交流能力的培养。如果说铅笔、笔记本、橡皮是传统必需的学习工具，那么当前与互联网无障碍连接的电子终端已经成为人工智能时代学习的必要工具。国家应该尽快完善义务教育、高中教育、大学教育和在职教育的电子化环境，引进人工智能设备，提高全社会的学习效率。
目前，人工智能正以前所未有的速度部分或完全替代人的劳动，社会生产率将会大大提高。我们必须精准理解人工智能对职业、劳动和能力的影响，从国家层面制定战略规划，运用市场经济杠杆和政策手段提高包括义务教育、高中教育、高等教育和在职教育在内的生涯教育的人工智能基本素养，维持社会经济的稳定发展。
参考文献
[1]陈明生.人工智能发展、劳动分类与结构性失业研究[J].经济学家，2019（10）：66-74.
[2]丁晨.从适应到引领：人工智能时代职业教育发展的机遇、挑战与出路[J].中国职业技术教育，2019（13）：53-59.
[3]李开复，王咏刚.人工智能[M].北京：文化发展出版社，2017.
[4]毛旭，张涛.人工智能与职业教育深度融合的促动因素、目标形态及路径选择[J].教育与职业，2019（24）：53-59.
[5]南旭光，汪洋.人工智能时代职业教育治理的限时挑战与路径选择[J].教育与职业，2018（18）：25-30.
[6]潘文轩.人工智能技术发展对就业的多重影响及应对措施[J].湖湘论坛，2018（4）：146-153.
[7][美]S.J.Russell，P.Norvig.人工智能：一种现代的方法（第3版）[M].殷建平，等译.北京：清华大学出版社，2018.
[8]王君，张于喆，张义博，等.人工智能等新技术进步影响就业的激励与对策[J].宏观经济研究，2017（10）：169-181.
[9]万昆.人工智能技术带来的就业风险及教育因应[J].广西社会科学，2019（6）：185-188.
[10][奥]约瑟夫·熊彼特.经济发展理论[M].何畏，等译.北京：商务印书馆，2016.
[11]安宅和人.人工知能はビジネスをどう変えるか[J].DiamondHarvardBusinessReview，2015（11）：43-58.
[12]池迫浩子,宮本晃司.家庭、学校、地域社会におけるスキルの育成：国際的エビデンスのまとめと日本の教育実践·研究に対する示唆[R/OL].2015-08-27.https://berd.benesse.jp/feature/focus/11-OECD/pdf/FSaES_20150827.pdf.
[13]経済産業省.“未来の教室”実証事業成果報告：ベジタリア株式会社[R/OL].2019-07-12.https://www.learning-innovation.go.jp/verify/z0044/.
[14]野口悠纪雄.AI入門講座[M].東京：東京堂出版，2018.[15]西村崇.AI時代に必要なスキルは「対人関係力」と「創造力」、アデコが調査報告[EB/OL].2017-05-17.https://xtech.nikkei.com/it/atcl/news/17/051701429/.
[16]D.H.Autor,L.F.Levy，R.J.Murnane.Theskillcontentofrecenttechnologicalchange：anempiricalexploration[J].QuarterlyJournalofEconomics，2003（4）：1279–1333．
[17]D.H.Autor.Whyaretherestillsomanyjobs？Thehistory andfutureofworkplaceautomation[J].JournalofEconomicPerspectives，2015（3）：3–30.
[18]H.Bakhshi，J.M.Downing，M.A.Osborneetal.Thefuture ofskills:employmentin2030[R/OL].2017-12-30.https://futureskills.pearson.com/research/assets/pdfs/technical-report.pdf.
[19]T.H.Davenport，J.Kirby.Beyondautomation[J].Harvard BusinessReview，2015（6）：59-65.
[20]D.J.Deming.Thegrowingimportanceofsocialskillsinthelabormarket[J].NBERWorkingPaper，2015：21473.
[21]C.B.Frey，M.A.Osborne.Thefutureofemployment:how susceptiblearejobstocomputerisation？[R].WorkingPaper，OxfordMartinProgrammeonTechnologyandEmployment，2013.
[22]J.J.Heckman，T.Kautz.Hardevidenceonsoftskills[J].LaborEconomics，2012：451-464.
[23]ShotaroTani.Isyourjobrobot-ready？Ourinteractive calculatorletsyoufindouthowthreatenedyouare[R/OL].2017-04-22.https://asia.nikkei.com/Economy/Is-your-job-robot-ready.
[24]C.J.Weinberger.Theincreasingcomplementaritybetweencognitiveandsocialskills[J].TheReviewofEconomicsandStatistics，2014（5）：849-861.
[25]WorldEconomicForum.Thefutureofjobs：employment，skillsandworkforcestrategyforthefourthindustrialre-volution[R/OL].2016-01-18.https://reports.weforum.org/future-of-jobs-2016/preface/.
[26]WorldEconomicForum.Thefutureofjobsreport2018：Centrefortheneweconomyandsociety[R/OL].2018-09-17.https://www.weforum.org/reports/the-future-of-jobs-report-2018.
[27]OECD.Skillsforsocialprogress：thepowerofsocialand emotionalskills[R/OL].2015-12-30.OECDSkillsStudies，OECDPublishing，Paris，http：//dx.doi.org/10.1787/9789264226159-en.
[28]OECD.Skillsforadigitalworld[R/OL].2016-12-30.https://www.oecd.org/els/emp/Skills-for-a-Digital-World.pdf.
刘湘丽.人工智能时代的工作变化、能力需求与培养[J/OL].新疆师范大学学报(哲学社会科学版),2020(04):1-12[2020-05-20].https://doi.org/10.14100/j.cnki.65-1039/g4.20200518.001.
人工智能需要掌握哪些技能
原标题：人工智能需要掌握哪些技能在企业，数据分散在不同的部门，不同的企业有不同的分散数据。比如在医疗上，如果利用人工智能，我们会发现不同的医院有不同的图像数据，现在还没有比较好的办法把这些分散的数据聚集在一起形成大数据。针对这个问题，人工智能技术设计者自然会设想一些新的算法。现在有一个算法可以很好地解决小数据的问题—迁移学习，所谓迁移学习就是用类比的方法把一个已经建立好的模型和一个有大数据的领域的知识迁移到只有小数据的领域。我们发现在成熟领域数据足够大的前提下，我们可以非常好地实现迁移学习。
随着深度学习以及大数据、云计算等技术的突飞猛进，人工智能触及人类生活的各个方面，对社会各行业都会产生重大影响。在教育领域，人工智能技术将为新一轮的教育变革注入新的活力，也会将教师从烦琐的重复性工作中解放出来。在有效减轻教师负担、提高教学效率的同时，也会给教师带来了新的挑战——知识变得随处可学，学生能够从虚拟学习空间获得知识，教师是否具备人工智能不具备的角色和素养，以及如何在未来人机教学共存的社会中优化自己的专业能力？
教师与人工智能最大的区别是教师具有人的思想和情感，也更能感知、影响学生的思想和情感。以英语学科为例，基于工具性的语言学习会被人工智能逐渐取代，但教师与学生之间心与心的交流是人工智能无法做到的。尤其是在学生出现学习问题、感到挫败的时候，教师要主动倾听学生的声音并回应他们的诉求，从而及时给予关怀和引导。这也是人工智能时代对教师提出的更高要求，即从知识型教学角色逐渐过渡到育人角色。
展开全文教学是一门艺术，学生可以通过人工智能学习知识、掌握技能，但教师教学时创设的情境，师生在课堂中的交流、互动、碰撞、升华等，这些都是不可或缺的元素。实现深度学习的关键是培养学生的思维品质和迁移运用能力，发展学生综合分析、判断推理、评价创新等方面的能力，教师应该立足思维品质的培养设计课堂教学活动。
首先，我们把人类学习和机器学习进行对比。人的大脑由很多个神经元组成，我们的神经元组成我们的机制。不同的神经元之间可能有连接，连接管道的粗细代表我们学习的强度。
人类学习新知识的时候，经常会接触一些新的概念，大脑会加强对新概念、新知识的记忆。我们可以把这个理念赋予计算机，形成我们熟知的计算机神经网络，也是我们今天深度学习得以成功的一个最基本的单元。一个神经网络有输入，也有输出，输入和输出之间的学习过程，会把两个神经元之间的连接加强或者减弱，形成一个网络。人工智能的成功不仅取决于算法的成功，更取决于硬件方面的突破，以及大数据技术的发展。人工智能算法的设计需要很多模型的支持，包括神经元和神经元之间的连接、深度学习网络等。那么由谁来搭建这样一个网络？这就需要人工智能工程师。
综上所述，人工智能领域的人才少、培养时间长、投入成本高。我们很自然会提出这样的问题，我们有没有可能用AI设计AI？这可以解决很多企业、行业所面临的AI人才严重不足的问题。要解决这样的问题，我们不妨看看人工智能解决此类问题的流程。返回搜狐，查看更多
责任编辑：人工智能（AI）时代每个人都需要具备的九种软技能
在当今这样一个人工智能、大数据和自动化的时代，技术技能和数据素养显然非常重要。但是这并不意味着我们应该忽略工作中的人的因素——机器无法很好实现的各种技能。我相信，随着工作本质的发展变化，机器承担了更多容易实现自动化的工作，这些软技能对于成功来说将变得更加至关重要。换句话说，人类的工作从总体上来说将变得更多，就是人类的工作。
考虑到这一点，员工应该为了未来培养哪些技能呢？我认为，在未来，以下九种软技能对于雇主来说将变得更加宝贵。
1、创造力
机器人和机器可以做很多事情，但是，就创造、想象、发明和梦想的能力而言，它们是很难与人类匹敌的。随着所有这些新技术的到来，未来的职场将需要新的思维方式——这就使创造性思维和人类的创造力变成了重要的资产。
2、分析（批判性）思维
除了创造性思维之外，进行分析思考的能力也将变得更加宝贵，尤其是当我们应对职场性质的变化以及人机之间劳动分工的变化时，更是如此。这是因为具有批判性思维能力的人可以提出创新的想法，解决复杂的问题并权衡各种解决方案的利弊——所有这些都要使用逻辑和推理，而不是依靠直觉或情感。
3、情商
情商也被称为EQ（也有人称之为情绪智商），它描述一个人意识、控制和表达自己的情绪，并意识到他人情绪的能力。因此，当我们谈论具有同理心并与他人相处融洽的人时，我们在描述的是一个情商高的人。鉴于机器无法轻松复制人类与其他人建立联系的能力，因此，在职场中，对具有较高情商的人的需求会更大，这是有道理的。
4、人际交往能力
和情商有关，与人成功交换信息的能力将是一项至关重要的技能，这意味着员工必须磨炼与他人进行有效沟通的能力——使用恰当的语气和肢体语言，以便清晰地传递信息。
5、以成长心态积极学习
具有成长心态的人知道他们的能力可以得到发展，而提升技能可以带来更高的成就。他们愿意接受新的挑战，从自己犯下的错误中吸取教训，并积极寻求扩大知识的途径。由于人工智能和其他快速发展的技术，未来的职场会对这种人才有大量的需求，因为在未来，技能会比现在更快地过时。
6、判断与决策
我们已经知道，计算机能够比人类的大脑更好地处理信息，但是最终，需要由人来负责组织中关键业务决策。必须由人类来考虑决策对业务和从事这些业务的人员的影响。因此，决策技巧仍然很重要。但是，毫无疑问，人类决策的性质将会发生变化——具体而言，技术将处理更多的琐碎和平凡的决策，使人们可以专注于更高级别、更复杂的决策。
7、领导能力
未来的职场将与今天的等级制组织大不相同。基于项目的团队、远程团队和灵活的组织结构可能会变得越来越普遍。但这不会削弱良好领导能力的重要性。即使在项目团队内部，个人仍将需要发挥领导作用来解决问题和制定解决方案——因此，激励和帮助他人成就最好的自己等通用的领导特质仍然至关重要。
8、多样性和文化智慧
职场正在变得越来越多样化和开放，因此员工将需要能够尊重、理解并适应其他那些可能以不同方式感知世界的人。显然，这将改善人们在公司内部的互动方式，但我认为，这也将使公司的服务和产品更具包容性。
9、拥抱变化
即使对于我来说，现在变化的步伐也令人惊诧，特别是在人工智能方面。这意味着人们将不得不变得敏捷，并且培养拥抱——甚至是庆祝变化的能力。员工们将需要变得更加灵活，适应不断变化的职场、期望和所需的技能要求。而且，至关重要的是，他们需要能够将变化看成是成长的机会，而不是一种令人讨厌的负担。
总结
我们不需要羡慕人工智能。人类的大脑令人难以置信。它比现有的任何人工智能都要更加复杂，也更加强大。因此，与其害怕人工智能、自动化及其将给职场带来的变化，我们每个人还不如着眼于利用我们独特的、身为人的能力，并且培养这些软技能——对于未来的工作来说，这些技能将变得更加重要。