点击阅读英文原文
阿尔法围棋（AlphaGo）在2016年击败人类对手后所产生的连锁反应仍在继续。谷歌DeepMind的人工智能应用在与世界围棋冠军李世石的对战中取得全面胜利，这标志着AI的广阔前景或将成为现实——20年前，“深蓝”战胜当时国际象棋冠军加里·卡斯帕罗夫（Garry Kasparavo），这一预言首次走入公众视野。
如今，人们一致认为，如果不能成为新技术的先锋，可能会对国家决策者、企业高层以及最重要的——下一代劳动者，带来毁灭性的后果。中国推出了新举措来促进人工智能教育，特别是在大学增加人工智能学院的数量。同时，美国最近也在计划重点专注高级计算。
尽管如此，在AI教育和研究领域采取冲动行动可能与无所作为的代价同样昂贵，除非经过深思熟虑。首先，我们必须充分了解当前AI能力的优势和劣势，并在短期目标和长期战略保持一致的框架内正确定位AI教育。
学术界目前仍对AI的科学属性争论不休。有人说比起现代研究系统，它更像是“炼金术”，因为研究人员尚不能完全理解其AI程序解决问题的技巧，或是他们最初用来构建这些程序的工具。比方说，已有多份报告指出，面部识别技术有可能被假图像误导，如果虚假检测结果被执法部门采用，将引发严重后果。
与具备完善公理系统的经典物理学不同，当前一代的AI（主要是深度神经网络和变体）在数学上还不够完善。无论是好是坏，对超级计算和大型数据集的便捷访问使开发带有AI属性的项目变得相对容易，而这些项目却基于一种不了解这个技术究竟如何工作的、复杂的黑匣子模式。
聊天机器人、图像搜索和视频分析等AI应用程序的普及，与缺乏强大学科理论基础之间的对比，为教育机构带来了挑战：如何将AI作为独立的学位课程开展教学。
这些课程应该在为研究人员教授“专业技术”和为从业人员提供“专业知识”之间取得适当平衡。尽管后者全都与编程有关，但是前者却与流行的假设相反，更多地与数学有关。了解算法原理以及在什么情况下它们可能会失败，这些都至关重要。目前，所谓的AI研究人员普遍缺乏这种专业知识，这阻碍了AI在行业中的传播。
AI研究领域的核心课程应采用跨学科的方法，将数学与算法理论相结合，以培训新一代的研究人员，使他们能够充实深层神经网络方法的理论框架，或者创造全新的理论框架。
另一方面，学科应用应该广泛涵盖整个AI行业，比如从聊天机器人到医学成像分析。人工智能从业者的核心能力是实践性的工程技能和商业分析能力，加上对特定行业流程的理解，以开发相关应用。
缺乏具有真正人工智能经验的教师正成为一个严重的问题，亟待技术巨头与学术机构之间进行更紧密的合作。为此，人工智能教育必须邀请行业专家来共同设计课程和教材。学生应该学习如何有效地使用标准AI工具集来解决实际问题，最好能够进行实地学习项目。项目可以选择像训练聊天机器人这样简单的内容，在基础的Siri之上，谈论特定的专业话题，例如运动或天气。有了足够的专业知识，这些毕业生就可以带头推动AI在业界的采用率。
此外，自动驾驶汽车和机器人的发展非常迅速，这对人类就业的潜在影响已成为热门话题。但是，技术发展左右就业岗位已经是老生常谈：人工智能在这方面并无特别之处。根据美国劳工统计局的数据，自2013年以来，需要AI技能的岗位数量暴增450%，目前供不应求。
但是，人工智能并不是什么万能药。人工智能教育还应向学生提供有关其局限性的平衡观点，例如，对持偏见的训练样本的易感性或完全缺乏创造力；围棋中一些走法看似具有创意，但背后的技术真正在做的 不过是详尽地枚举和评估基础情境。
与以往任何技术革命一样，我们从始至终需要思考的是AI对我们来说真正的意义，而不是将其赋予人类特权。最重要的终究是使用AI的人类。因此，AI教育课程应在培训AI研究和从业人员的短期目标与让学生获得机器无法替代的技能这一长期目标间取得平衡。
闽万里系科技投资公司北高峰资本的首席执行官、阿里云前首席科学家。
本文由刘静为泰晤士高等教育翻译。
