“ما باید تغییر اهداف آموزش و پرورش به تمرکز بر روی یادگیری عمیق تر: ارتباط از آنچه که آموخته, به انگیزه ساخت آن, و شخصی از چه و چگونه; تطبیق پذیری, خلق كردن 'انسان رنسانس،, که به ارمغان می آورد نیرومندی به صورت هر چه زندگی به ما می اندازد; انتقال, بیمه است که آنچه که ما در چارچوب تنگ مدرسه می آموزند, ترجمه را به actionability در شرایط واقعی زندگی است.” — چارلز فاضل
کامپیوترها یادگیری از داده های بزرگ یک منبع جدید دانش برای جامعه ایجاد کرده اند.
کامپیوترها در حال حاضر می توانید به ما خیلی چیزها را به, از جمله کسانی که به تاریخ و آنچه سهام قبل از خرید. و با توجه به سرعت که در آن در حال توسعه هستند, چه مدت خواهد بود قبل از کامپیوتر می توانید مقالات دبیرستان ما ارسال و یا صحبت هر زبان خارجی, و یا حتی ما به مدرسه رانندگی?
چارلز فاضل بنیانگذار مرکز طراحی مجدد برنامه درسی و نویسنده است چهار بعدی آموزش و پرورش: صلاحیت آموزان نیاز به موفقیت. او فقط کلاس اول-تا به حال در دانشگاه هاروارد فارغ التحصیل دانشکده آموزش و پرورش در تدریس "فراگیری ماشین + یادگیری انسان ".
او ما را در می پیوندد جهانی جستجو برای آموزش و پرورش تا در مورد چگونگی را حفظ خواهد کرد تا با ماشین آلات.
“ما می رویم به شاهد ظهور یک طبقه روحانیت از کسانی که قادر به طراحی و با استفاده از الگوریتم مقابل کسانی که با پیامدهای آنها زندگی می کنند, پس از آن مستلزم سیستم آموزش و پرورش به اطمینان حاصل شود که * همه * به اندازه کافی شمارش و الگوریتمی قادر است.” — چارلز فاضل
چارلز, یک سوم از تمام ازدواج شروع آنلاین. برنامه های خودکار معاملات را جایگزین کرده اند 60-70% تجارت انسان. یک الگوریتم ممکن است به زودی قادر به پاسخ شود 911 و احتمالا زندگی ما را نجات دهد. این به چه معنی برای آموزش و پرورش?
اول از همه, اجازه دهید ایجاد برخی از مرزهای مورد چه ماشین یادگیری / AI می تواند و نه می توانید انجام دهید - حداقل در این مرحله. ما پیشرفت های فوق العاده ای در بازی مانند شطرنج را دیده اند, برو و پوکر, زمینه هایی مانند گفتار و تشخیص دست خط و سنتز, ترکیب موسیقی, و غیره. با این حال, به عنوان شگفت انگیز به عنوان آن است, آنها نشان دهنده به اصطلاح "مشکلات محدود" که در آن قوانین روشن و محدود است, حتی اگر فضای راه حل گسترده است.
بنابراین AI است قبلا برتر در کارهای تکراری و پیش بینی, وظایف است که در قدرت محاسباتی لولا, طبقه بندی مقدار بسیار عظیمی از داده ها و ورودی, تصمیم گیری بر اساس قوانین بتن — با تعصبات کمتر از انسان, اما هنوز هم توسط الگوریتم ها و مجموعه داده های انتخاب شده توسط انسان ناشی از.
در حالی که انسان بهتر است در تجربه احساسات معتبر و ایجاد روابط هستند, تدوین سوالات و توضیحات در مقیاس های و منابع, تصمیم گیری برای استفاده از منابع محدود در ابعاد استراتژیک (از جمله که وظایف ماشین باید انجام و اینکه چه اطلاعاتی را به آنها بدهد), ساخت محصولات و نتایج قابل استفاده برای انسان و برقراری ارتباط در مورد آنها, تصمیم گیری با توجه به مقادیر انتزاعی.
همانطور که به این بدان معنی برای آموزش و پرورش, بیانگر آن است که ما باید تغییر اهداف آموزش و پرورش به تمرکز بر روی یادگیری عمیق تر: ارتباط از آنچه که آموخته, به انگیزه ساخت آن, و شخصی از چه و چگونه; تطبیق پذیری, خلق كردن "انسان رنسانس", که به ارمغان می آورد نیرومندی به صورت هر چه زندگی به ما می اندازد; انتقال, بیمه است که آنچه که ما در چارچوب تنگ مدرسه می آموزند, ترجمه را به actionability در شرایط واقعی زندگی.
طنز تاریخ, موفقیت های AI را از اواخر سال استفاده از الگوریتم "یادگیری عمیق", و در محافل آموزش و پرورش ما شده اند صحبت کردن در مورد "یادگیری عمیق تر,"پس از آن است که واقعا" عمیق + یادگیری عمیق تر "با هم!
ما به زودی ممکن است شغل خود را مدیون الگوریتم. شرکت ها با استفاده از آنها را انتخاب کنید متقاضیان کار. چگونه مدت آن را تا یک الگوریتم تعیین که در دانشگاه هاروارد پذیرفته? این به چه تمام برای آموزش و پرورش به معنای?
شرکت ها و دانشگاه شده اند با استفاده از معیارهای کمی و کیفی برای یک مدت طولانی, در نامزد غربالگری: نمرات SAT, معدل, پرداخت فلس, نام تجاری از کارفرمایان سابق, و غیره. همه از آن استفاده می شود برای تصمیم گیری در مناسب یک کاندیدا. است که بسیاری از چپ به تصمیمات انسان وجود دارد, و ما به طور کلی فکر می کنم که انسان معصوم هستند. واقعیت این است که فرآیندهای مملو از عیوب هستند: قضات جایزه جملات شدیدتر در جلسه صبح اواخر, معلمان کلاس ضعیف تر برای اولین بار چند و آخرین مقالات, پزشکان قادر به نگه دارید تا با همه پیشرفت در این زمینه خود, و غیره. من یک روز که در آن الگوریتم های رسیدگی به یکنواختی استقبال, و انسان را به انتخاب عاقلانه unburdened. البته, این نشان میدهد که ما می شود، عاقلانه در اجازه دادن به الگوریتم های دیکته تصمیمات که ما با موارد پلیس را ببینید در سراسر کشور به عنوان الگوریتم های موجود تعصبات کد پستی کد گذاری شده اند ...
با این وجود, کارفرمایان و دانشگاه ها به طور یکسان به دنبال در به خوبی گرد متقاضیان در سطح جهانی سواد, نه تنها قادر به تسلط دانش مدرن مانند مهندسی و کارآفرینی, علوم اجتماعی و سواد اطلاعاتی, بلکه ماهر هستند: خالق, متفکران منتقد که ارتباطی و مشارکتی هستند; کیفیت نمایش علامت: تمرکز حواس, حس کنجکاوی, شجاعت, حالت ارتجاعی, اخلاق و رهبری; انطباق و یاد بگیرند که چگونه به یادگیری از طریق توانایی های متا یادگیری با طرز فکر رشد و فراشناخت.
“AI در حال تبدیل شدن تعبیه شده در هر و همه برنامه های کاربردی, به عنوان محاسبه در بزرگ. این در حال تبدیل شدن به همه جا حاضر و نامرئی واحد در سیستم ماشین شکستن به عنوان مثال.” — چارلز فاضل
سرعت که در آن یادگیری ماشین در حال بهبود است دلهره آور است. آیا یادگیری ماشین حتی در آزمایشگاه تعلق? باید هر کس در جامعه درک اینکه چگونه این ماشین آلات تعیین حقایق خود? این به چه معنی برای آموزش و پرورش?
ری Dalio, میلیاردر بریج صندوق های تامینی, اظهار داشت در فایننشال تایمز:
"ما در حال یک جهان که در آن شما یا رفتن به قادر به ارسال الگوریتم رهبری و صحبت می کنند که زبان, و یا توسط الگوریتم های جایگزین ... "و من دیدن همه موارد. ما می رویم به شاهد ظهور یک "طبقه روحانیت" از کسانی که قادر به طراحی و با استفاده از الگوریتم مقابل کسانی که با پیامدهای آنها زندگی می کنند, پس از آن مستلزم سیستم آموزش و پرورش به اطمینان حاصل شود که * همه * است شمردن به اندازه کافی و الگوریتمی قادر. همه فیلدها در حال تبدیل شدن کمی, به استثنای فلسفه; زیست شناسی در زمان داروین استفاده می شود توصیفی و در حال حاضر این است که عمدتا تحلیلی. بیشتر, این به معنی این اهمیت تازه ای از اخلاق به عنوان یک دوره مطالعه برای همه.
دانش انباشته شده توسط الگوریتم در هر کار و یا دامنه داده شده به زودی کوتوله دانشمندان دانش بیش از قرن ها انباشته. آیا یادگیری ماشین کامپیوتر دانشمندان بهتر از دانشمندان انسان داده که آنها می توانند داده ها در خیلی بیشتر نگاه و سریع تر تجزیه و تحلیل آن از هر دانشمند انسان همیشه می تواند?
همانطور که قبلا شرح, الگوریتم های بهتر از انسان هستند که مجموعه داده های روشن و تمیز هستند, و نرم افزار محدود. آنها بدون شک سرعت بخشیدن به پیشرفت ما, برای مثال از طریق بالا بردن سرعت ژنومیک. با این حال, به دولت است که آنها به طور گسترده بهتر از دانشمندان بشر، کشش غیر قابل توجیه در این مرحله است, آن مثل آن است که این دلیل است که کامپیوترهای سریع تر از انسان در محاسبه هستند, آنها ریاضیدانان بهتر است. ما در همزیستی کار, و به طور فزاینده به طوری که - به عنوان انسان افزوده.
که چگونه این قابلیت ممکن است در آینده تکامل, آن است که البته غیر ممکن است بگویید, اما با میلیاردها دلار در سراسر جهان سرمایه گذاری, AI در حال تبدیل شدن تعبیه شده در هر و همه برنامه های کاربردی, به عنوان محاسبه در بزرگ. این در حال تبدیل شدن به همه جا حاضر و نامرئی واحد در سیستم ماشین شکستن برای مثال.
“ما نیاز نداریم تعمیم هوش مصنوعی (AGI) تا شاهد اختلالات عمده! ما تجربه خواهند کرد "مرگ با هزار کاهش" حتی با قابلیت های سطح پایین - برای مثال, یک کد میله خواننده و یا یک برچسب RF ID شغل در حال حاضر خودکار دور, با هوش صفر است.” — چارلز فاضل
بعد تا الگوریتم نهایی است – یکی این است که قادر به هر چیزی از داده های یادگیری – کرده که آماده برای?
هیچ کس است, و اگر و وقتی که این اتفاق می افتد, از آن خواهد شد چالش نهایی برای بشریت. با این حال, ما دور هستیم, دور با توجه به بهترین کارشناسان در این زمینه. ما را دیده اند پیشرفت های همه جانبه فوق العاده ای, اما ما از دست رفته چند پیشرفت برای رسیدن به تعمیم هوش مصنوعی (AGI).
البته, همانطور که در بالا مورد بحث قرار گرفته, ما AGI نیاز به شاهد اختلالات عمده! ما تجربه خواهند کرد "مرگ با هزار کاهش" حتی با قابلیت های سطح پایین - برای مثال, یک کد میله خواننده و یا یک برچسب RF ID شغل در حال حاضر خودکار دور, با هوش صفر.
این ما را به استراتژی پرورش تطبیق پذیری, مانند یک چاقوی ارتش سوئیس: ممکن است بهترین ابزار برای هر کار تنها نیست, اما یک پایگاه گسترده ای به منظور جلب از به عنوان نیاز مطرح است, و می تواند تیز که در طول زندگی فرد مورد نیاز.
که گفت:, بشریت بسیاری از مشکلات رو به رو است مانند گرم شدن کره زمین, بی ثباتی مالی, دیکتاتورها و پوپولیست, نابرابری, غیره, که باعث می شود من پسر عموی دانشمند کامپیوتر کنایه که "ما باید خیلی بیشتر در مورد حماقت طبیعی از هوش مصنوعی مربوط می شود". است چیزی برای اندیشیدن در اینجا در واقع وجود.
C. M. روبین و چارلز فاضل
(همه عکس ها حسن نیت ارائه میدهد CMRubinWorld)
من تاریخ و رهبران فکری در سطح جهان شناخته جمله سر مایکل باربر (UK), دکتر. مایکل بلوک (ایالات متحده), دکتر. لئون Botstein (ایالات متحده), استاد خشت کریستنسن (ایالات متحده), دکتر. لیندا عزیزم، هاموند (ایالات متحده), دکتر. MadhavChavan (هند), چارلز فاضل (ایالات متحده), پروفسور مایکل فالن (کانادا), پروفسور هوارد گاردنر (ایالات متحده), پروفسور اندی هارگریوز (ایالات متحده), پروفسور ایوان هلمن (هلند), پروفسور کریستین Helstad (نروژ), ژان Hendrickson (ایالات متحده), پروفسور رز Hipkins (نیوزیلند), استاد کورنلیا Hoogland (کانادا), جناب جف جانسون (کانادا), خانم. شانتال کافمن (بلژیک), دکتر. EijaKauppinen (فنلاند), وزیر امور خارجه TapioKosunen (فنلاند), پروفسور دومینیک لافونتن (بلژیک), پروفسور هیو لادر (UK), پروردگار کن مک دونالد (UK), پروفسور جف کارشناسی ارشد (استرالیا), پرفسور بری McGaw (استرالیا), Shiv در نادار (هند), استاد R. Natarajan (هند), دکتر. PAK NG (سنگاپور), دکتر. دنیس پاپ (US), Sridhar Rajagopalan (هند), دکتر. دایان Ravitch (ایالات متحده), ریچارد ویلسون رایلی (ایالات متحده), سر کن رابینسون (UK), استاد PASI Sahlberg (فنلاند), استاد Manabu ساتو (ژاپن), آندریاس Schleicher (PISA, OECD), دکتر. آنتونی Seldon (UK), دکتر. دیوید شافر (ایالات متحده), دکتر. کیرستن همهجانبه هستند (نروژ), صدراعظم استفان Spahn (ایالات متحده), ایو Theze (LyceeFrancais ایالات متحده), پروفسور چارلز Ungerleider (کانادا), پروفسور تونی واگنر (ایالات متحده), سر دیوید واتسون (UK), استاد دیلن Wiliam (UK), دکتر. علامت گذاری Wormald (UK), پروفسور تئو Wubbels (هلند), پروفسور مایکل جوان (UK), و استاد Minxuan ژانگ (چین) به عنوان آنها در پرسش های بزرگ آموزش و پرورش تصویر است که تمام کشورهای امروز با آن مواجه بررسی.
جهانی جستجو برای آموزش و پرورش انجمن صفحه
C. M. روبین نویسنده دو مجموعه آنلاین به طور گسترده به عنوان خوانده شده که او دریافت است 2011 جایزه آپتون سینکلر, "جهانی جستجو برای آموزش و پرورش" و "چگونه می خواهیم به عنوان خوانده شده?"او همچنین نویسنده سه کتاب پرفروش, محتوی رئال آلیس در سرزمین عجایب, ناشر است CMRubinWorldو یک Disruptor بنیاد همکار.
دنبال C. M. روبین در توییتر: www.twitter.com/@cmrubinworld
نظرات اخیر