“我们应该改变教育的目标，把重点放在较深的学习: 是教什么关联, 建立动机, 和什么的个性化和如何; 多功能性, 创造 '文艺复兴时期的人”, 这带来了稳健性面临任何生活在我们抛出; 转让, 保险是我们在学校的狭小范围学习, 将转化为现实生活中的可诉性。” — 查尔斯·法德尔
计算机从大型数据中学习创造知识社会的新来源.
计算机已经可以告诉我们很多东西, 包括谁日期和买什么股票. 并考虑在他们正在开发的速度, 会是多久之前，计算机可以写我们的高中文章或说任何外语, 甚至开车把我们送到学校?
查尔斯·法德勒是中心的课程重新设计和作者的创始人 四维教育: 这些能力学习者需要成功. 他只教了第一次课上哈佛教育学院的 “机器学习 + 人类学习”.
他加入我们 全球搜索教育 讨论学员将如何跟上机.
“我们将看到那些谁是能力设计的“祭司阶级”的出现和使用的算法VS那些谁将会与他们承担后果, 所以理应教育系统，以确保* *每个人足够的数学能力和算法能力。” — 查尔斯·法德尔
查尔斯, 所有婚姻的三分之一网上开始. 自动交易程序已经取代 60-70% 人交易. 算法可能很快就能调用 911 并可能拯救我们的生命. 这是什么意思教育?
首先, 让我们建立什么机器学习/ AI能做和不能做一些界限 - 至少在这个阶段. 我们在游戏，比如棋牌看到了巨大的进步, 去和扑克, 领域，如语音和手写识别和合成, 作曲, 等. 然而, 为惊人的，因为这是, 他们所代表的所谓“问题有界”里的规则是明确的，有限的, 即使解空间广阔.
因此，AI已经是重复和预测的任务出众, 上计算能力铰链任务, 数据分类和投入的巨额, 根据具体的规则，决策 — 有比人类更少偏见, 但还是引起由人类选择的算法和数据集.
而人类在经历了真实的情感和建立关系更好, 制定跨尺度和来源问题和解释, 在决定如何在尺寸战略上利用有限的资源 (包括哪些任务的机器应该做的事情，并给他们什么样的数据), 使产品和可用于人类结果以及关于它们的通信, 根据抽象值进行判决.
至于这是什么意思教育, 这意味着，我们应该改变教育的目标，把重点放在 更深层次的学习: 是教什么关联, 建立动机, 和什么的个性化和如何; 多功能性, 创造 ”文艺复兴时期的人”, 这带来了稳健性面临任何生活在我们抛出; 转让, 保险是我们在学校的狭小范围学习, 将转化为现实生活中的可诉性.
有趣的是, 后期使用的“深度学习”算法AI的成功, 在教育界，我们一直在谈论“更深层次的学习,”所以它是真正的“深 + 更深层次的学习”起来!
我们可能很快就会欠我们的工作，以算法. 公司正在使用他们选择应聘者. 它有多长，直到算法确定谁在哈佛大学接受? 这是什么都意味着教育?
公司和大学一直在使用定量和定性标准很长一段时间, 在筛选候选人: SAT成绩, 平均成绩, 支付秤, 品牌的前雇主, 等. 所有这些都用于对候选人的配合决定. 有留下来的人决定了很多, 我们普遍认为人类是万无一失. 现实情况是，该过程充满瑕疵: 法官在上午晚些时候的会议奖励更严厉的判决, 教师等级更差的前几个和最后一个散文, 医生无法跟上他们的所有领域的进步, 等. 我欢迎，每天在算法处理的单调乏味, 和人类做出牵累的明智选择. 当然, 这意味着我们会在不让算法决定决策，因为我们与警方的情况下看到全国各地的算法已编码的现有邮政编码偏见明智...
不过, 雇主和大学都在寻求在成熟的全球识字申请, 不仅能掌握现代知识，如工程和创业, 社会科学和信息素养, 而且熟练: 创意, 批判思想家谁是沟通和协作; 显示字符的品质: 正念, 好奇心, 勇气, 弹性, 道德和领导; 适应和学习如何通过与成长的心态和元认知元学习能力，学习.
“AI正在成为嵌入到任何和所有的应用程序, 如在大的计算. 它正在成为无处不在的和不可见作为例如汽车破碎系统的微处理器。” — 查尔斯·法德尔
在该机器学习是提高速度是艰巨. 难道机器学习，甚至属于实验室? 应该在社会中并不是每个人都了解这些机器是如何确定自己的事实? 这是什么意思教育?
雷·达利, 布里奇沃特对冲基金的亿万富翁, 金融时报说:
“我们正在走向一个世界里，你既要能够编写算法和这种语言, 或通过算法来代替......”，我同意. 我们将看到那些谁是能力设计的“祭司阶层”的出现和使用的算法VS那些谁将会与他们承担后果, 所以理应教育系统，以确保* *每个人都算出来是足够和算法能够. 所有字段越来越定量, 用哲学的可能是个例外; 生物在达尔文时代曾经是描述性的，现在主要是分析. 更多, 这意味着作为研究给大家一个疗程道德的新的重要性.
即将矮知识科学家通过算法对任何特定的任务或领域积累的知识已经积累了几个世纪. 是机器学习计算机科学家比给予他们可以看看更多的数据和更快的分析比任何人类科学家都做不到的人更好的科学家?
如前所述, 该算法比人类更当数据集是清澈干净, 和应用缩小. 他们无疑加快进程, 对于通过的加快基因组学实例. 然而, 声明他们是广泛比人类科学家更好地在这个阶段的无理拉伸, 它好像是在说，因为电脑是在计算比人类快, 他们是更好的数学家. 我们在工作共生, 而且越来越如此 - 为增强人类.
至于如何将这些功能可能会在未来的演变, 这当然是不可能的，告诉, 但随着数十亿美元在世界各地被投资, AI正在成为嵌入到任何和所有的应用程序, 如在大的计算. 它正在成为无处不在的和不可见作为例如汽车破系统微处理器.
“我们不需要 人工广义智能 (AGI) 见证重大破坏! 我们将“由千割伤死亡”即使是低层次的功能经历 - 例如, 条形码读取器或RFID标签已经自动化作业程, 零智力。” — 查尔斯·法德尔
接下来是最终的算法 – 一个是能够学习从数据什么的 – 谁是准备好了?
没有人是, 如果当这种情况发生, 这将是人类的终极挑战. 然而, 我们距离很远, 远处根据该领域最好的专家. 我们已经看到了巨大的自下而上的进步, 但我们缺少一些突破，达到人工广义智能 (AGI).
当然, 如上面所讨论, 我们不需要AGI见证重大破坏! 我们将“由千割伤死亡”即使是低层次的功能经历 - 例如, 条形码读取器或RFID标签已经自动化作业程, 零智力.
这让我们回到培育多功能性的策略, 像瑞士军刀: 它可能不是任何单一工作的最佳工具, 但它是一个广泛的基础，从在必要时借鉴, 并能一个人的生命过程中根据需要进行削尖.
这说, 人类正面临着大量的问题，如全球变暖, 金融动荡, 独裁者和民粹主义者, 不公平, 等等。, 这使我的计算机科学家表弟讽刺说：“我们应该有很多更关注自然比愚蠢人工智能”. 也有一些是在这里确实思考.
ç. M. 鲁宾和查尔斯·法德勒
(所有照片都是CMRubinWorld礼貌)
和我一样，全球知名的思想领袖，包括迈克尔·巴伯爵士 (英国), 何. 迈克尔座 (美国), 何. 莱昂特司特因 (美国), 克莱克里斯坦森教授 (美国), 何. 琳达·达林 - 哈蒙德 (美国), 何. MadhavChavan (印度), 查尔斯·法德尔 (美国), 迈克尔·富兰教授 (加拿大), 霍华德·加德纳教授 (美国), 安迪·哈格里夫斯教授 (美国), 伊冯娜赫尔曼教授 (荷兰), 克里斯汀Helstad教授 (挪威), 让·亨德里克森 (美国), 玫瑰Hipkins教授 (新西兰), 科妮莉亚Hoogland教授 (加拿大), 这位杰夫·约翰逊 (加拿大), 太太. 尚塔尔考夫曼 (比利时), 何. EijaKauppinen (芬兰), 国务秘书TapioKosunen (芬兰), 多米尼克·拉方丹教授 (比利时), 休·劳德教授 (英国), 主肯麦克唐纳 (英国), 杰夫大师教授 (澳大利亚), 巴里McGaw教授 (澳大利亚), 希夫纳达尔 (印度), Ř教授. 纳塔拉詹 (印度), 何. 吴PAK (新加坡), 何. 丹尼斯教皇 (美国), 斯瑞达拉贾戈帕兰 (印度), 何. 黛安·拉维奇 (美国), 理查德·威尔逊·赖利 (美国), 肯·罗宾逊爵士 (英国), 帕西SAHLBERG教授 (芬兰), 押尾佐藤教授 (日本), 安德烈亚斯·施莱歇 (PISA, 经合组织), 何. 安东尼·塞尔顿 (英国), 何. 大卫·谢弗 (美国), 何. 基尔斯滕都沉浸式 (挪威), 总理斯蒂芬·SPAHN (美国), 伊夫Theze (LyceeFrancais美国), 查尔斯Ungerleider教授 (加拿大), 托尼·瓦格纳教授 (美国), 大卫·沃森爵士 (英国), 迪伦Wiliam教授 (英国), 何. 马克沃莫尔德 (英国), 西奥Wubbels教授 (荷兰), 迈克尔·杨教授 (英国), 和张民选教授 (中国) 因为他们探索所有国家今天面临的大画面的教育问题.
ç. M. 鲁宾是两个广为传诵的在线系列，她接受了笔者 2011 厄普顿·辛克莱奖, “全球搜索教育”和“如何将我们阅读?“她也是三本畅销书, 其中 真正的爱丽丝梦游仙境, 是的发行 CMRubinWorld而且是干扰物基金会研究员.
按照ç. M. 鲁宾在Twitter: www.twitter.com/@cmrubinworld
最新评论