智能教育时代下人机协同智能层级结构及教师职业形态新图景

人工智能逐渐成为国际竞争的新焦点和国家重大战略。文章通过文献分析和国家规划文件研究,指出智能教育既是指用人工智能技术辅助教育,也是指培养学生个体智能发展的教育。人工智能时代下的智能最终将进化成为由人的生命主导的"‘机器智能+’人"的人机协同智能层级结构(HISHMC),即人机协同基础:计算思维;协同支撑:计算智能、感知智能、认知智能;协同接口:智能环境(智能系统、智能平台、智能媒体);协同主体:认知智能、情感智能、志趣智能和创新智能。智能教育时代,教师的职业形态将变成人机协同工作,教师将聚焦于凸显生命特质的职业能力;提供高端服务品质;促进人机协同的智慧教育;探寻生命整体意义;师生共同感悟生命实践形成新的职业形态。

AI智能层级与仿人实现的价值调控与治理研究

人工智能(AI)是人们在致力于如何仿人和仿人哪些功能的过程中不断深度创新、探索的动态性和先进性器物。其智能层级水平基本上以仿人的维度、深度和效度来核定或计量;它的仿人价值调控及其社会治理是以技术价值、社会价值、伦理价值等研究成果的“人文+科技”方式逐渐实现的。正如麦克尤恩指出,人类有历史以来,无论处于什么样的文化背景,人们始终有一个共同的梦,那就是非生殖性地创造出“人造版的我们”,使得我们也像上帝造人一样做一回上帝,即造出多功能的人造人。从以人为本的发展观来看,AI的演进发展史是人类以人这个“种类”为本,不断创新模仿人自身的体力、智力、“体力+智力~+”,以在更高水平和更深层次上智造“人”,进而实现进一步解放人自身的实践探索历史。AI在整个演进过程中,能够同时在一定维度和深度上反映AI智能层级形成与演进的过程及运行范式便是“仿人”;同时,AI仿人原则和仿人价值实现调控的技术价值、社会价值、伦理价值等工程知识在此过程中得到了逐渐的积累和完善。一方面,AI由机械力学技术向着信息化智能化技术发展,使得单一解放体力劳动向着全面服务人类自由解放发展,一定意义上让AI获得了理论积淀、技术积累和初具规模的工程范式;另一方面,AI较为普遍的深度融合应用引起了人们对自身未来社会活动的隐忧,掀起了以其仿人的智力强弱层级来反映智能层级的价值调控与治理研究热潮,如兴起了人工智能技术价值、社会价值、伦理价值等研究。正因如此,梳理AI演进发展历程及其价值调控与治理规律,特别是厘清各历程中仿人原则的价值标准、价值调控措施及价值调控质效等治理要素,并从每一种特定智能层级出发,用仿人原则的价值调控与治理知识保障其正面效应得以可持续发展,负面效应得到有效消解和遮蔽,有益助推AI在向上向善的价值调控与治理下实现全面深度的智能融合应用,实现AI更广泛和可持续的深度智能融合应用,实现AI在未来社会中只是人的社会活动的得力助手且是向上向善的线上线下24小时助力人类社会活动的道德选择之劳动者。

基于SI-SB系统安全模型的多层级边缘智能管控模式

为探索信息化、智能化技术赋能下的创新型安全生产管控模式,从安全信息学的角度分析安全管控过程中的信息流动特点,提出安全生产多层级边缘智能管控模式;基于安全信息-安全行为(SI-SB)系统安全模型分析安全管控过程中安全决策偏差和滞后的机制,提出安全管控系统性能改进的思路;结合安全生产组织管理体系特点和数字化技术优势,阐述数字化技术在信息感知传递、安全信息解释和安全行为引导等3个方面的赋能依据,以及数字化感知、智能化决策和多层级管控等3个方面的赋能途径,并提出具备智能决策、敏捷响应、弹性扩展和人机协同特点的安全生产多层级边缘智能管控模式;在紧急事件、短周期管控、长周期管控3类场景中,对应用智能管控模式前后的安全事件响应进行时效性计算和对比。结果表明:所提出的多层级边缘智能管控模式能够显著提高安全管控效能。

面向卫星互联网的层级化智能部署架构

为了满足立体化通信服务接入需求,卫星网络逐渐由各系统孤立、专网服务部署向通信网络基础设施方向发展,而万物互联下爆炸式流量增长、低时延业务传输给空间大尺度下的卫星互联网带来挑战。面向快速响应、协同处理等要求,在分析卫星互联网网络架构设计需求基础上,提出层级化智能部署架构,探索在该架构中可部署的智能技术,并讨论面临的技术挑战。

人工智能科学及其批评

人工智能研究者关注的重点是复制出能够模仿人类大脑的某个东西,而忽视了能够模仿人类智能的人造大脑也必须能够模仿人类社会中的社会化过程,因为人类智能的核心特征植根于人类社会之中。比较典型的案例是自然语言,它以个人无法预测或控制的方式持续变化着,具有非常大的使用弹性。流利使用自然语言的人吸收利用社会中的语言的方式与温度计从其所浸入的液体中测量温度的方式一样。温度计上显示的温度不是温度计的特性,而是液体的特性,它会随着液体的升温或降温而发生变化。同样,一个流利使用语言的人所讲的语言体现的是他/她所处的社会的特性,而不是个人的特性;与温度计一样,语言也会随着社会的变化而变化。这也意味着,纯粹基于自然语言性能的图灵测试可以成为测试机器人智能的优秀测试。自然语言的这一特性是深度学习取得某些惊人成功的原因,同时也是其遭遇某些失败的原因。本文还试图说明,为什么人工智能科学在表述和验证其主张方面表现得如此糟糕。因为它的目标是让外界相信它的成功,而不是像物理科学那样孜孜不倦地进行自我批评。