AI演进之路与教育应用指南

从机器人到GOFAI再到机器学习的阅读笔记

一本人工智能入门书籍的知识梳理

《给教师的人工智能教育》是一本2024年出版的国外著作，

与文学领域关联较少，更多聚焦于教育场景的应用，

其中第6章是全书的核心部分

作者：UCL教授 罗斯·卢金

译者：柴少明

以教学实践为核心，通过学生日志、

课堂互动等形式展开叙述；

在具体案例中阐述技术方法，部分概念跨度较大，

若强行整合叙述容易引发混淆，阅读过程较为轻松，

通读后能对人工智能发展脉络、数据处理技术、

以及机器学习形成初步认知。

谈人工智能离不开：学习、收集数据、迭代优化、技术应用这四个环节。

《牛津英语词典》对AI的定义：

计算机展现模拟人类智能行为的能力

一个里程碑式的事件：

1950年图灵提出“机器能思考吗？”并给出一个假设：如果计算机能够欺骗人类，让其相信它确实是人类，那么这台机器就可以被称为是智能的。

人工智能与人类智能的比较

GOFAI与机器学习

人工智能的两条演进路线：

机器人和人工智能密切相关，追溯其源头可以到“自动机”概念。机器人的核心是控制论（一个科学研究领域，控制论由维纳创立，主要研究动物和机器之间的控制与通信问题）。

01.GOFAI：传统机器人工智能

（Good Old Fashioned AI 简称GOFAI）这是一种基于规则和逻辑的人工智能系统，采用IF/THEN的条件语句形式。GOFAI的优势在于依赖专家知识和人工编码，规则高度透明，所有决策点都可以被解释清楚。

GOFAI也常被称为“符号主义人工智能”（Symbolic AI），计算机智能交互的软件也属于GOFAI范畴，如ELIZA系统（1964年设计，是一个扮演心理咨询师的程序，依靠预设的模板答案库），该系统的意义在于开创了一种特定的模拟智能行为的方法，并催生了众多“专家系统”。

GOFAI的巅峰是1997年的Deep Blue“深蓝”（由IBM研发，在国际象棋比赛中战胜了卡斯帕罗夫）其执行操作依赖预先编程。

除了基于规则的专家系统外，还有另一类人工智能研究试图模拟人类自身的认知过程，ACT是一种认知架构理论Adaptive Control of Thought自适应思维控制，由安德森研发，强调对人类记忆、学习与推理机制的模拟，后来被广泛应用于教育辅导软件与STEM学习系统。

02.机器学习

（Machine Learning）具有更强的泛化能力，能从海量数据中自动提取知识。代表性技术包括：神经网络/深度学习/图像识别/ChatGPT等大语言模型2011年谷歌创立谷歌大脑，Google Brain是深度学习时代的重要里程碑，后来的许多突破都与之相关（如TensorFlow、神经机器翻译、AlphaGo相关研究生态）。

与GOFAI依赖人工预设规则不同，

机器学习的规则并非专家手工编写，而是模型通过数据训练自动学习参数和模式，基于黑盒系统（Black Box System）无法让人全面了解决策的合理性。

因此出现了旨在为系统决策生成解释和理由的技术——可解释人工智能XAI（Explainable AI）。

人工智能的分类

当前的AI系统大多是：

GOFAI+机器学习的混合架构

无监督机器学习

人工智能的训练范式

人工智能采用多种不同类型的机器学习方法，无监督机器学习是其中之一（Unsupervised Machine Learning）数据没有“标准答案”（无标签），模型需要自己从数据中“发现结构”会探索数据中的相似性，寻找规律。

无监督机器学习的两种核心技术：

主成分分析（Principal Component Analysis,PCA）主要用于识别数据模式间差异的主要成分，并生成特征，将高维数据压缩成少量关键维度，解释数据模式间的比例变化。（主要用于降维）

聚类分析：自动将相似数据归类。（主要用于分组）

人工智能的分类

无监督机器学习的目标是：在准备好的数据中发现规律，通过特征识别（Feature Identification）和特征降维（Feature Reduction）过程后，确定一小部分特征来解释数据中的大部分变异。

有监督学习机器：是一种利用带标签的数据，通过学习输入与输出之间的映射关系，实现分类或预测任务的机器学习方法。适用于有明确目标的查找，并使用该技术实现分类。比如在分类问题中判断邮件是否为垃圾邮件，图像识别，医学诊断辅助等场景

特征工程

与多模态数据

与数据相关的行为包括：收集、存储、访问、负责任。特征工程是机器学习数据处理与建模准备阶段的统称。

数据类型主要包括：历史数据，定性的、定量的，技术交互过程中的行为数据以及多模态数据（一种综合人类各种感官的数据源，如眼动追踪、音频录制、手势识别、鼠标移动日志等）此外，模态作为信息的载体，是非常有价值的数据点，具有动态性和时间相关性。

就教育领域而言，收集多模态数据最有效的方法是通过支持视频的平台，例如虹膜连接技术

（Iris Connect Technology），通过监控系统、面部和语音识别系统收集（检测神经功能的特殊电极帽是一种侵入式的数据收集手段）、同行评审、调查问卷、第三方发布的公告、行为日志。注：不存在真正的原始数据，所有的数据收集都是有目的的。

特征工程是机器学习中的数据处理环节，

PCA则是常见的降维算法之一，

两者都用于降低数据复杂度并提取关键特征

回顾

机器学习整体流程

1.数据层

原始数据（行为、文本、图像等）

2.特征工程（Feature Engineering）

对数据进行处理，让模型更容易学习，例如：

数据清洗

标准化

编码（one-hot等）

特征选择

特征构造

降维（PCA只是特征工程中的“降维手段之一）

3.学习阶段（核心分支）

有监督学习（带标签）

无监督学习（无标签）

强化学习（奖励机制）

其他资源

目录

神经网络是深度学习系统采用的一种机器学习形式。

可以在这里了解更多关于神经网络的信息

目录

引言:理解人工智能的关键要素/1

第一章 什么是人工智能，它为何可能对教育有用?/1

AI是什么?/3

人工智能简史/4

可以学习的机器/10

透明度和AI，或理解黑匣子里正在发生的事情/14

自主性和自适应性/17

第二章 教育的挑战与人工智能/23

你面临的挑战是什么?/25

了解你的假设/31

谁拥有权力:人工智能还是人类智能?/32

将伦理纳入评估/34了解你的数据/36

为第三章做好准备/37

第三章 数据，无处不在的数据/41

为什么如此多地谈论数据?/44

数据到底是什么?/44

教育中的数据/45

回到机器学习人工智能/45

连接挑战与数据