自图灵设想思维机器以来，关于人工智能（AI）与人类智能（HI）之间的比较一直是激烈的辩论！

• 机器有可能像人类一样思考吗？

• 我们从智能机器走向世界的距离有多远？

• 人工神经网络是受大脑启发的吗？

在所有这些问题和其他问题中，重点是塑造人工智能的未来。但是，为什么我们不考虑通过研究AI来改善人类智能？我可以感受到你的怀疑，不要担心，这不是关于基因组升级大脑改造的文章。

人类智能不仅仅关乎大脑，教育也是我们智力的重要组成部分，我们可以通过更好的教育来提高人类智能。但似乎我们在训练机器方面比在训练人类方面更成功。

对此可能有许多可能的解释。人工智能是一种数学结构，大多数时候我们可以制定绩效指标来更好地定义，而教育则具有经济，社会，政治和宗教成分，更好的定义变得主观。此外，在AI中，我们可以更自由地进行实验，以找出哪种学习方法最有效。另一方面，教育领域的实验存在许多限制（财务、时间等）。最后，有一些基准数据集可以帮助世界各地的人们比较他们的机器学习方法。

这种普遍的比较很难在具有个性化特性的教育实现。

这些挑战并不意味着我们没有希望。阿西莫夫曾经说过，"现在生活中最悲惨的方面是科学比社会收集更快地收集知识、智慧。"为了改变，让我们利用我们的人工智能知识来提高人类的智慧。

智力的组成部分

我们不能通过使用从AI学到的经验来改善人类智慧吗？我们无法改变架构，但我们可以改进培训。

基于规则与自学习的方法

人工智能有两种方法; 一个基于规则的系统，可以硬编码所遵循的算法规则，以及一种自学习方法（即机器学习），可以在其中向算法输入数据，并学习模式，关系，变换本身。对于感知任务的机器学习优于基于规则的算法这一事实已达成一致意见。

然而，这不是我们在人类教育方面所做的事情。我们说，命令，强加所谓的真理，而不是显示学生学习自己的真理的数据。这可以防止学生内化概念。这可能足以解决一系列有限的问题，例如重复性任务。然而，要处理新问题，需要舒适地弯曲和混合思想。这只有通过理解概念的本质而不是记住它们才能实现。

学生不是被要求知道，而是要记住老师讲述的内容。

正如我们在机器学习中所做的那样，我们应该依靠人类自学，换句话说，自我教育。学校应该在那里创造一个可以激发自我教育的环境。

......我坚信，自我教育是唯一的教育。学校唯一的功能就是让自我教育更容易; 如果不这样做，它什么都不做。

- 艾萨克·阿西莫夫

如何激发自学？

即使我们同意自学是前进的方向，我们如何执行它？人工智能研究人员一直在努力学习机器学习，我们有大量的知识可供我们研究。

对于许多机器学习任务，我们使用称为梯度下降的优化算法。这实际上是机器学习的方式。了解它的基础非常简单。这是一个迭代算法; 它逐步接近解决方案。它首先进行预测，我们给它一个关于它与真相有多远的反馈，它会使一个新的略微改进的预测。这个序列一直持续到我们对预测和事实之间的差异感到满意为止。换句话说，学习是一个积极的逐步过程，其中算法在每一步重新思考其假设，并且它会进一步提高。

producing and acting upon their own ideas

如您所见，渐变下降可以帮助我们理解如何执行自学。我们还可以通过调查测试阶段来学习一些课程。

所有致力于ML的人都知道你用一个数据集（称为训练数据）训练算法，并使用不同的数据集进行测试（称为测试数据），以确保算法不是死记硬背的记忆（过度拟合），而是能够举一反三的学习。当然，训练数据和测试数据必须来自同一分布。你不能教学生数学，期待学生回答历史问题有一个好的答案！

例如，如果你要创建一个猫分类器，你可以通过显示加菲猫、凯蒂猫、跳跳虎的图片来训练算法......并用不同的猫测试算法：Felix，Cosmo，Figaro ...如果算法可以说Felix它是一只猫，它已经了解了猫是什么。如果算法说Garfield是一只猫，它大概已经知道了什么是猫，但它也可能只是记住Garfield = Cat的事实。因此，该领域的每位从业者都同意我们不应该使用训数练据进行测试。你认为这是人类学习的理由吗？

在教育我们的孩子时，我们通常会用一组特定的问题对他们进行训练和测试。然而，生活中的问题没有预定义的，僵化的结构。他们不断发展。人们只能通过内化不记忆它们的概念来处理它们。

因此，我们应该用开放式问题挑战学生，面对不确定性，让他们自己推测和探索无限美好的景观！

可选示例：如何教导数？

为了使事情具体化，让我们比较基于规则的方法和自学习方法来教导。随意跳过这一部分。这里的目的是向您展示如何刺激衍生品的自学，它不是教授衍生品。

传统上，教导数通过引入导数公式并显示几种常见函数的导数来教授。然后，学生通过解决一些问题来记住公式。这就像基于规则的AI方法，你可以对算法应遵循的规则进行硬编码。

教授导数的传统方式

就像基于规则的AI方法一样，你可以对算法应遵循的规则进行硬编码。

让我们看一个替代方法，即自学方法。就像我们在机器学习中所做的那样，这里的目标是创造一个能够激发自我学习的环境。我们不会发号施令，学生会自学。

瞬间的变化是导数的本质，但随着时间的推移发生变化，而瞬间只是一瞬间。人们应该自己感受到这种矛盾，以捕捉导数的概念。

我们怎样才能做到这一点？

你可以参与一起讨论："假设你希望到达离您1米远的墙壁。为了达到这个目的，你首先需要走一半路并到达中间（1/2米）。剩下的距离也是如此。要移动剩余的1/2米，首先需要到达中间点（1/4米）。这种情况一直持续下去，你和墙之间总会保持无限小的距离。你可以靠近墙壁，但你永远无法到达它 - 或者你可以在无限远处到达墙壁。在现实生活中，我们知道我们可以实际到达墙壁。让我们将讨论进行下去..."

这个形象的比喻，来源于我们中国古老的哲学名句：一尺之棰,日取其半,万世不竭。（庄子）

芝诺悖论

希望这个讨论能引导他们掌握无穷小和无限的概念，或至少引发对他们的感觉。如果没有，你会迭代直到他们会这样做，就像我们在梯度下降时那样。有了这种理解，我们可以让学生谈谈瞬时速度：

"平均速度是特定时间间隔内的位移。但是你如何测量瞬时速度？瞬时意味着时间间隔为零，如果时间不流动，则无法移动。似乎瞬时速度应为0/0 =未定义。你怎么看待这件事？"

再次，经过一些迭代（5个时期应该足够:)，他们可能会得出这样的结论：当时间间隔接近零时，平均速度接近瞬时速度，就像我们不断接近墙一样。这实际上是导数（作为时间函数的位移的导数是速度），并且他们在试图找到某些问题的答案时自己达到了这一点。我们甚至可以从这种理解中得出上述等式。我并不是建议从教育中省略方程式，但学生应该理解这些方程背后的动机。

我不是向人们教授导数的专家，因此我试图给出导数自学方法的粗略轮廓。这里重要的是方法，而不是导数。你可以将此概念应用于任何主题。例如，要教摄影，不要为好照片提供规则，你应该引导学生到好的网站，书籍等，让他们看到并形成自己对摄影的理解。同时，你可以组织展览，分享他们的照片，并通过建设性的讨论反复改进。

结论

可以说人工智能是人类智能的模拟。如果我们不利用其结果，那将是一个巨大的浪费：

• 我们应该促进自我学习而不是基于规则的学习。我们知道机器学习是AI领域的前进方向。

• 学生应该自己改进他们的假设。就像我们在梯度下降中所做的那样，我们可能只是监督学习过程，在每一步给予学生反馈，但不是解决方案。

• 为了确保学生学习不死记硬背，我们应该以前所未有的方式面对他们。在机器学习中，我们总是使用前所未见的数据集来测试算法。

你可能会认为这些关于教育的见解已经为人所知，人类智能与人工智能之间的对应关系毕竟不是那么有用。但是再考虑一下，关键在于人工智能领域几乎完全同意这些见解，你认为人类智能领域的情况是否也是如此？我确实意识到人和机器是不同的，不可能说对应是100％。但是，显然存在着强烈的关系。让我们利用人与机器学习之间的这种宝贵的相似性来理解和克服我们教育孩子的方式所带来的挑战。