“我們應該改變教育的目標，把重點放在較深的學習: 是教什麼關聯, 建立動機, 和什麼的個性化和如何; 多功能性, 創造 '文藝復興時期的人“, 這帶來了穩健性面臨任何生活在我們拋出; 轉讓, 保險是我們在學校的狹小範圍學習, 將轉化為現實生活中的可訴性。” — 查爾斯·法德勒
計算機從大型數據中學習創造知識社會的新來源.
計算機已經可以告訴我們很多東西, 包括誰日期和買什麼股票. 並考慮在他們正在開發的速度, 會是多久之前，計算機可以寫我們的高中文章或說任何外語, 甚至開車把我們送到學校?
查爾斯·法德勒是中心的課程重新設計和作者的創始人 四維教育: 這些能力學習者需要成功. 他只教了第一次課上哈佛教育學院的 “機器學習 + 人類學習“.
他加入我們 全球搜索教育 討論學員將如何跟上機.
“我們將看到那些誰是能力設計的“祭司階級”的出現和使用的算法VS那些誰將會與他們承擔後果, 所以理應教育系統，以確保* *每個人足夠的數學能力和算法能力。” — 查爾斯·法德勒
查爾斯, 所有婚姻的三分之一網上開始. 自動交易程序已經取代 60-70% 人交易. 算法可能很快就能調用 911 並可能拯救我們的生命. 這是什麼意思教育?
首先, 讓我們建立什麼機器學習/ AI能做和不能做一些界限 - 至少在這個階段. 我們在遊戲，比如棋牌看到了巨大的進步, 去和撲克, 領域，如語音和手寫識別和合成, 作曲, 等. 然而, 為驚人的，因為這是, 他們所代表的所謂“問題有界”裡的規則是明確的，有限的, 即使解空間廣闊.
因此，AI已經是重複和預測的任務出眾, 上計算能力鉸鏈任務, 數據分類和投入的巨額, 根據具體的規則，決策 — 有比人類更少偏見, 但還是引起由人類選擇的算法和數據集.
而人類在經歷了真實的情感和建立關係更好, 制定跨尺度和來源問題和解釋, 在決定如何在尺寸戰略上利用有限的資源 (包括哪些任務的機器應該做的事情，並給他們什麼樣的數據), 使產品和可用於人類結果以及關於它們的通信, 根據抽象值進行判決.
至於這是什麼意思教育, 這意味著，我們應該改變教育的目標，把重點放在 更深層次的學習: 是教什麼關聯, 建立動機, 和什麼的個性化和如何; 多功能性, 創造 ”文藝復興時期的人”, 這帶來了穩健性面臨任何生活在我們拋出; 轉讓, 保險是我們在學校的狹小範圍學習, 將轉化為現實生活中的可訴性.
有趣的是, 後期使用的“深度學習”算法AI的成功, 在教育界，我們一直在談論“更深層次的學習,“所以它是真正的”深 + 更深層次的學習“起來!
我們可能很快就會欠我們的工作，以算法. 公司正在使用他們選擇應聘者. 它有多長，直到算法確定誰在哈佛大學接受? 這是什麼都意味著教育?
公司和大學一直在使用定量和定性標準很長一段時間, 在篩選候選人: SAT成績, 平均成績, 支付秤, 品牌的前雇主, 等. 所有這些都用於對候選人的配合決定. 有留下來的人決定了很多, 我們普遍認為人類是萬無一失. 現實情況是，該過程充滿瑕疵: 法官在上午晚些時候的會議獎勵更嚴厲的判決, 教師等級更差的前幾個和最後一個散文, 醫生無法跟上他們的所有領域的進步, 等. 我歡迎，每天在算法處理的單調乏味, 和人類做出牽累的明智選擇. 當然, 這意味著我們會在不讓算法決定決策，因為我們與警方的情況下看到全國各地的算法已編碼的現有郵政編碼偏見明智...
雖然, 雇主和大學都在尋求在成熟的全球識字申請, 不僅能掌握現代知識，如工程和創業, 社會科學和信息素養, 而且熟練: 創作的, 批判思想家誰是溝通和協作; 顯示字符的品質: 正念, 好奇心, 勇氣, 彈性, 道德和領導; 適應和學習如何通過與成長的心態和元認知元學習能力，學習.
“AI正在成為嵌入到任何和所有的應用程序, 如在大的計算. 它正在成為無處不在的和不可見作為例如汽車破碎系統的微處理器。” — 查爾斯·法德勒
在該機器學習是提高速度是艱鉅. 難道機器學習，甚至屬於實驗室? 應該在社會中並不是每個人都了解這些機器是如何確定自己的事實? 這是什麼意思教育?
雷·達利, 布里奇沃特對沖基金的億萬富翁, 金融時報說:
“我們正在走向一個世界裡，你既要能夠編寫算法和這種語言, 或通過算法來代替......“，我同意. 我們將看到那些誰是能力設計的“祭司階層”的出現和使用的算法VS那些誰將會與他們承擔後果, 所以理應教育系統，以確保* *每個人都算出來是足夠和算法能夠. 所有字段越來越定量, 用哲學的可能是個例外; 生物在達爾文時代曾經是描述性的，現在主要是分析. 進一步, 這意味著作為研究給大家一個療程道德的新的重要性.
即將矮知識科學家通過算法對任何特定的任務或領域積累的知識已經積累了幾個世紀. 是機器學習計算機科學家比給予他們可以看看更多的數據和更快的分析比任何人類科學家都做不到的人更好的科學家?
如前所述, 該算法比人類更當數據集是清澈乾淨, 和應用縮小. 他們無疑加快進程, 對於通過的加快基因組學實例. 然而, 聲明他們是廣泛比人類科學家更好地在這個階段的無理拉伸, 它好像是在說，因為電腦是在計算比人類快, 他們是更好的數學家. 我們在工作共生, 而且越來越如此 - 為增強人類.
至於如何將這些功能可能會在未來的演變, 這當然是不可能的，告訴, 但隨著數十億美元在世界各地被投資, AI正在成為嵌入到任何和所有的應用程序, 如在大的計算. 它正在成為無處不在的和不可見作為例如汽車破系統微處理器.
“我們不需要 人工廣義智能 (AGI) 見證重大破壞! 我們將“由千割傷死亡”即使是低層次的功能經歷 - 例如, 條形碼讀取器或RFID標籤已經自動化作業程, 零智力。” — 查爾斯·法德勒
接下來是最終的算法 – 一個是能夠學習從數據什麼的 – 誰是準備好了?
沒有人是, 如果當這種情況發生, 這將是人類的終極挑戰. 然而, 我們距離很遠, 遠處根據該領域最好的專家. 我們已經看到了巨大的自下而上的進步, 但我們缺少一些突破，達到人工廣義智能 (AGI).
當然, 如上面所討論, 我們不需要AGI見證重大破壞! 我們將“由千割傷死亡”即使是低層次的功能經歷 - 例如, 條形碼讀取器或RFID標籤已經自動化作業程, 零智力.
這讓我們回到培育多功能性的策略, 像瑞士軍刀: 它可能不是任何單一工作的最佳工具, 但它是一個廣泛的基礎，從在必要時借鑒, 並能一個人的生命過程中根據需要進行削尖.
這說, 人類正面臨著大量的問題，如全球變暖, 金融動盪, 獨裁者和民粹主義者, 不公平, 等等, 這使我的計算機科學家表弟諷刺說：“我們應該有很多更關注自然比愚蠢人工智能”. 也有一些是在這裡確實思考.
ç. M. 魯賓和查爾斯·法德勒
(所有照片都是CMRubinWorld禮貌)
和我一樣，全球知名的思想領袖，包括邁克爾·巴伯爵士 (英國), 博士. 邁克爾座 (美國), 博士. 萊昂特司特因 (美國), 克萊克里斯坦森教授 (美國), 博士. 琳達·達林 - 哈蒙德 (美國), 博士. MadhavChavan (印度), 查爾斯·法德勒 (美國), 邁克爾·富蘭教授 (加拿大), 霍華德·加德納教授 (美國), 安迪·哈格里夫斯教授 (美國), 伊馮娜赫爾曼教授 (荷蘭), 克里斯汀Helstad教授 (挪威), 讓·亨德里克森 (美國), 玫瑰Hipkins教授 (新西蘭), 科妮莉亞Hoogland教授 (加拿大), 這位傑夫·約翰遜 (加拿大), 太太. 尚塔爾考夫曼 (比利時), 博士. EijaKauppinen (芬蘭), 國務秘書TapioKosunen (芬蘭), 多米尼克·拉方丹教授 (比利時), 休·勞德教授 (英國), 主肯麥克唐納 (英國), 傑夫大師教授 (澳大利亞), 巴里McGaw教授 (澳大利亞), 希夫納達爾 (印度), Ř教授. 納塔拉詹 (印度), 博士. 吳PAK (新加坡), 博士. 丹尼斯教皇 (美國), 斯瑞達拉賈戈帕蘭 (印度), 博士. 黛安·拉維奇 (美國), 理查德·威爾遜·賴利 (美國), 肯·羅賓遜爵士 (英國), 帕西SAHLBERG教授 (芬蘭), 押尾佐藤教授 (日本), 安德烈亞斯·施萊歇 (PISA, 經合組織), 博士. 安東尼·塞爾頓 (英國), 博士. 大衛·謝弗 (美國), 博士. 基爾斯滕都沉浸式 (挪威), 總理斯蒂芬·SPAHN (美國), 伊夫Theze (LyceeFrancais美國), 查爾斯Ungerleider教授 (加拿大), 托尼·瓦格納教授 (美國), 大衛·沃森爵士 (英國), 迪倫Wiliam教授 (英國), 博士. 馬克沃莫爾德 (英國), 西奧Wubbels教授 (荷蘭), 邁克爾·楊教授 (英國), 和張民選教授 (中國) 因為他們探索所有國家今天面臨的大畫面的教育問題.
ç. M. 魯賓是兩個廣為傳誦的在線系列，她接受了筆者 2011 厄普頓·辛克萊獎, “全球搜索教育”和“如何將我們閱讀?“她也是三本暢銷書, 其中 真正的愛麗絲夢遊仙境, 是的發行 CMRubinWorld而且是干擾物基金會研究員.
按照ç. M. 魯賓在Twitter: www.twitter.com/@cmrubinworld
最新評論