1

感知 Big Idea 1

Perception

计算机通过传感器感知世界，并把原始信号转化为有意义的信息。

子概念1-3 年级K-24-6 年级3-5初中 7-96-8高中 10-129-12
1-A-i生物感知Sensing: Living Things
说出人的五种感官及对应的感觉器官。
人通过视、听、触、味、嗅觉感知世界。
比较人类与动物感知世界的方式差异。
有些动物感知世界的方式与人不同：蝙蝠与海豚用声呐，蜜蜂能看到紫外线，老鼠几乎没有色觉。
举例说明人如何把来自多种感官的信息结合起来。
人会利用不同感官之间的关联（如声音与画面同步）来理解模糊不清的信号。
—本学段不要求
1-A-ii计算机传感器Sensing: Computer Sensors
在电脑、手机、机器人等设备上找出并指认传感器（摄像头、麦克风）。
计算机用摄像头“看”，用麦克风“听”。
说明计算机感知与人类感知有什么不同。
多数计算机没有味觉、嗅觉与触觉，却能感知人感知不到的东西，例如红外辐射与远超人耳范围的声波。
举例说明智能体如何把多个传感器的信息融合起来。
自动驾驶汽车会融合摄像头视觉、雷达或激光雷达成像、GPS 与加速度计数据。
描述各类计算机传感器的局限与优势。
传感器是测量光、声、温度、压力等物理量的装置。
1-A-iii数字编码Sensing: Digital Encoding
—本学段不要求
解释图像在计算机中是如何被数字化表示的。
图像被编码为二维像素阵列，每个像素是一个数字，表示这一小块的亮度或 RGB 颜色值。
解释声音在计算机中是如何被数字化表示的。
声音通过对波形按固定频率采样（通常每秒数千次）编码为一串数值。
解释雷达、激光雷达、GPS 与加速度计数据是如何表示的。
雷达与激光雷达做深度成像，每个像素是一个深度值；GPS 用卫星信号三角定位给出位置。
1-B-i传感 vs. 感知Processing: Sensing vs. Perception
举出智能机器与非智能机器的例子，讨论“什么让机器变智能”。
很多机器都装有传感器，但并非都智能地使用它们。
用语音转写或图像识别工具演示机器感知，并说明这为什么是“感知”而不只是“传感”。
感知是对传感信号赋予意义的过程。
举例说明能从传感信号中提取意义的不同类型的计算机感知。
感知任务有许多专用算法，例如人脸检测、表情识别。
解释感知算法及其在真实应用中的使用方式。
许多设备与服务依赖专用感知算法，如车牌识别、邮编识别。
1-B-ii特征提取Processing: Feature Extraction
举例说明：要认出某一类物体（比如猫），应该看哪些特征。
物体的视觉特征包括它的组成部分、纹理与颜色。
通过提取面部特征，说明人脸检测是如何工作的。
人脸检测器用专门的算法寻找眼睛、鼻子、嘴与下颌线。
模拟一个边缘检测器，说明图像特征提取的概念。
图像中边缘的位置与方向，是可以通过特定像素模式检测出来的特征。
解释波形与图像中的特征是如何被提取的。
语音频谱图显示波形在各个频段上的能量；共振峰是一种听觉特征。
1-B-iii抽象流水线：语言Processing: Abstraction Pipeline (Language)
描述本族语中的不同音素，并为每个元音举出一个含有该音的词。
计算机要听懂语音，首先必须能识别语音中的基本声音。
说明一串声音如何被识别为可能的词，即使其中有些声音不清楚。
从声音到词，是语音理解抽象流水线中的一级。
说明一串词如何被识别为短语，即使其中有些词不清楚。
更高层级的信息可以用来消解低层级的歧义。
展示语音理解从波形到句子的抽象层级，说明每一层的知识如何用于消解下层的歧义。
口语理解是分层的，每层都建立在前一层之上。
1-B-iv抽象流水线：视觉Processing: Abstraction Pipeline (Vision)
通过指认前景主体与背景，演示图形/背景分割。
视觉场景有结构：背景与前景，前景物体位于背景之上。
说明图像中被部分遮挡物体的轮廓与物体真实形状的差异。
理解复杂场景需要考虑遮挡带来的影响。
描述边缘检测器如何组合成更复杂的特征检测器，例如识别字母或形状。
从信号到意义的推进分阶段进行，每一级都比上一级更复杂。
演示更高抽象层的感知推理如何调用较低抽象层的成果。
场景由物体组成，物体由表面与边界组成。
1-C-i领域知识的类型Domain Knowledge: Types
描述一个智能体要听懂一个问题，必须“知道”哪些东西。
要理解口头请求，计算机必须知道我们的词汇、发音习惯等。
演示语音合成系统如何借助上下文消歧，以及输入不合语法时错误率如何上升。
语音识别系统是针对特定语言与人群训练的。
对给定图像分类（如“交通场景”“自然场景”“社交聚会”），并描述计算机理解这类场景需要哪些知识。
理解场景所需的知识取决于场景类型。
分析一个或多个公开图像数据集，说明它提供了哪些信息、如何用于提取计算机视觉的领域知识。
AI 的领域知识来自数据。
1-C-ii感知的包容性Domain Knowledge: Inclusivity
讨论为什么智能体需要能理解英语之外的语言。
语音识别系统需要容纳不同语言，因为使用者来自不同群体。
讨论领域知识为什么必须足够宽广，覆盖应用所服务的所有群体。
语音识别系统需要适应不同的口音与方言。
描述一个视觉系统若缺少创作者文化之外物体的知识，会如何表现出文化偏见。
领域知识必须把多元文化考虑在内。
描述让计算机感知系统对多样化人群都好用的技术困难。
深色或低对比度的面部特征比明亮、高对比度的更难识别。
2

表示与推理 Big Idea 2

Representation & Reasoning

计算机用数据结构表示世界，并用算法在这些表示之上做推理。

子概念1-3 年级K-24-6 年级3-5初中 7-96-8高中 10-129-12
2-A-i抽象：用模型表示世界Representation: Abstraction
绘制一张家、学校或社区的地图。
地图不等于领土，地图只是领土的一种表示。
演示不同风格的地图如何捕捉世界的不同侧面。
地图可以追求几何精确，也可以只表示地点之间的连通关系（拓扑）。
说明一个棋盘游戏（井字棋、飞行棋、大富翁、国际象棋）如何用一段文字描述来表示。
棋盘的关键信息是格子集合以及格子之间的关系。
描述如何用一个模式（schema）来表示一个概念。
模式通过列出上位概念与属性来描述概念，部分属性继承自上位概念。
2-A-ii符号表示Representation: Symbolic
举出日常生活中遇到的符号例子。
概念可以用符号代替文字来表示，例如洗手间标识、emoji。
举出人们常用的树形结构例子，并解释各部分之间的关系。
很多信息具有层级结构，可以画成一棵树。
把棋盘、路线图或思维导图转成一个带标签的图，并说明各组成部分的作用。
图中的节点表示事物，边表示事物之间的关系。
把用自然语言表述的三段论前提翻译成逻辑符号，并正确完成推理。
三段论以类别与实例的方式表示命题，使计算机能按简单推理规则推出新知识。
2-A-iii数据结构Representation: Data Structures
—本学段不要求
描述树的组成部分，以及这些部分之间的关系。
树是一组带标签的节点，除根节点外每个节点都连着上一层的父节点。
描述图的组成部分，以及这些部分之间的关系。
图是一组带标签的节点，由带标签的边相连；每条边都有起点与终点。
描述知识图谱中如何用模式来组织人、地点或事物的信息。
模式规定被描述概念的属性及其与其他概念的关系。
2-A-iv特征向量Representation: Feature Vectors
找出让一组物品中每一个都独一无二的特征，并制作特征表把它们组织起来。
物体可以用它所具备的特征来描述。
为一组物体构造特征向量表示，并说明相似的物体在特征空间中距离更近。
推荐系统把电影、书籍、商品都表示为特征向量。
解释词向量（一种特征向量）如何把词表示成一串数字。
词向量是神经自然语言处理（包括机器翻译）的关键组成部分。
描述 Transformer 网络是如何运作的。
Transformer 把输入词序列映射为输出词序列，词以特征向量表示。
2-B-i状态空间与算子Search: State Spaces & Operators
给定井字棋的某个局面，画出下一步可能出现的局面。
井字棋这类游戏可以描述为状态序列，每走一步就从一个状态转移到下一个状态。
说明计算机如何把井字棋或尼姆游戏的对局表示为玩家出招产生的局面序列。
计算机下棋、解题依靠的是搜索。
画出搜索树，说明计算机如何走迷宫、在地图上找路线或在知识图谱中推理。
计算机用搜索树解决迷宫、路线规划与图推理问题。
识别现实世界中哪些问题属于搜索问题，并描述它的状态与算子。
只要问题能被描述为状态与算子，计算机就能用搜索技术求解。
2-B-ii组合搜索Search: Combinatorial Search
画一棵简单搜索树：从给定井字棋局面出发，画出两个不同的后续局面。
计算机必须在多个选择之间做决定。
给定井字棋或尼姆的某一局面，画出包含所有可能走法及其结果局面的搜索树，并选出最佳下一步。
下棋程序会比较不同走法带来的结果。
用广度优先搜索建模一个图搜索问题的求解过程，并画出搜索树。
广度优先搜索可用于解决涉及图推理的问题。
演示广度优先、深度优先与最佳优先搜索算法如何生长出一棵搜索树。
生成搜索树有多种算法，各有各的特点。
2-C-i推理问题的类型Reasoning: Types of Problems
判断一个问题是分类问题还是搜索问题。
分类问题按特征判断“这是哪一类”；搜索问题找从起点到目标的路径。
把问题归为分类问题或搜索问题。
分类问题把每个输入归入预先设定的某一类。
把问题归为分类、预测、组合搜索或序列决策问题。
预测问题与分类问题相似，只是它估计的是一个连续值。
把现实问题归为分类、预测、序列决策、组合搜索、启发式搜索、对抗搜索、逻辑演绎或统计推断。
不同类型的问题需要不同类型的推理方法。
2-C-ii推理算法Reasoning: Algorithms
用分类或搜索算法求解一个问题，演示它的过程。
推理算法是求解推理问题的方法。
描述两种分类算法的差别：决策树，或 Teachable Machine 这类神经网络。
同一个推理问题可以有多种算法来求解。
比较可用于求解某一类推理问题的多种算法。
算法的选择取决于输入数据的特征与决策的类型。
针对分类、预测、序列决策、组合搜索、启发式搜索、对抗搜索、逻辑演绎、统计推断，分别说明适用的算法。
每种推理问题都有与之匹配的算法。
3

机器学习 Big Idea 3

Learning

计算机不是被直接教会规则的，而是从数据中自己找出规律。

子概念1-3 年级K-24-6 年级3-5初中 7-96-8高中 10-129-12
3-A-i人的学习 vs. 机器学习Nature of Learning: Humans vs. Machines
描述并举例说明人是如何学习的、计算机是如何学习的。
计算机的学习方式与人不同。
区分人类学习与计算机学习。
人与计算机都能从数据中找规律或通过试错学习，但人是灵活的学习者。
对比人类学习的独特之处与机器学习系统的运作方式。
人靠观察、被传授、提问、实验与练习来学习。
定义监督学习、无监督学习与强化学习算法，并给出与每种算法相似的人类学习例子。
监督学习与无监督学习算法都是从数据中学习。
3-A-ii从数据中发现规律Nature of Learning: Finding Patterns
在有标签的数据中发现规律，判断哪些特征可以预测标签。
类别可以用特征值来定义。
模拟监督学习如何在有标签数据中发现规律。
学到的规律（或规则）可以表示成神经网络中的权重。
模拟无监督学习如何在无标签数据中发现规律。
当我们事先不知道有哪些类别时，无监督学习很有用。
模拟机器学习如何通过调整推理器的参数（内部表示）来构造分类器或预测器。
监督学习通过调整参数来拟合训练数据。
3-A-iii训练一个模型Nature of Learning: Training a Model
演示如何训练计算机识别某样东西。
计算机能从例子中学习（可在教师辅助下用 Teachable Machine 识别手势）。
用机器学习训练一个分类模型，并检验它在新输入上的准确率。
计算机通过看来标注好的例子，学会分类或预测。
在表格数据集上用机器学习训练并评估一个分类或预测模型。
计算机通过考察特征值来学会分类或预测。
用监督或无监督学习算法在真实数据上训练一个模型，并评估结果。
监督学习用训练集训练模型，再用新数据检验它。
3-A-iv构造模型 vs. 使用模型Nature of Learning: Constructing vs. Using
—本学段不要求
演示使用机器学习工具时，训练数据是如何被标注的。
训练前要先定义类别（标签），再给数据逐条打标签。
解释“训练一个推理模型”与“使用一个推理模型”的区别。
学习算法用带标签的训练数据构造出分类或预测模型。
说明用机器学习构造一个分类器或预测器所需的每一个步骤。
步骤包括：确定要解决什么问题、确定需要什么数据等。
3-A-v调整内部表示Nature of Learning: Internal Representations
—本学段不要求
分析一个构造决策树的游戏，描述树的结构与添加节点所用的学习算法。
在决策树学习游戏中，分支节点逐个测试某个特征值。
比较决策树学习算法与神经网络学习算法的工作方式。
决策树每步添加一个测试单个特征的节点；神经网络则调整权重。
描述各类机器学习算法如何通过调整内部表示来学习。
决策树逐个添加节点，神经网络通过调整权重学习。
3-A-vi从经验中学习Nature of Learning: Learning from Experience
—本学段不要求
解释强化学习如何让计算机从经验（试错）中学习。
只要有一个“强化”信号表明做得好还是不好，计算机就能从经验中学习。
解释监督学习与强化学习的区别。
监督学习告诉智能体每个输入应该输出什么；强化学习只告诉它做得好不好。
针对一个推理问题，选择合适的机器学习类型（监督、无监督或强化学习）。
不同的学习算法适用于不同类型的问题。
3-B-i神经网络的结构Neural Networks: Structure
—本学段不要求
说明由 1 到 3 个神经元组成的神经网络如何构成一个计算输出的函数。
神经网络由一个或多个神经元协作形成一个函数。
说明神经网络的结构，以及它的各部分如何构成一组计算输出的函数。
神经网络按层组织：输入层、隐藏层与输出层。
描述下列网络结构及其用途：前馈网络、二维卷积网络、循环网络、生成对抗网络。
不同网络结构适合处理不同类型的数据与任务。
3-B-ii权重的调整Neural Networks: Weight Adjustment
—本学段不要求
演示如何设置神经网络的权重，让它产生期望的输入输出行为。
权重决定了网络对输入如何响应。
演示如何用学习规则调整单层神经网络的权重。
训练中，权重会根据网络输出的误差被调整，使误差变小。
用反向传播算法训练一个多层神经网络，并描述学习后神经元权重与隐藏单元输出如何变化。
神经网络通过调整权重来学习。
3-C-i特征与数据集Datasets: Feature Sets
创建一个带有明确特征的有标签数据集，说明计算机如何学会给食物、电影或玩具分类。
只要把事物用特征描述出来，就能让计算机给它分类。
创建一个包含多种特征类型的有标签数据集，并用机器学习工具训练一个分类器。
特征类型包括离散值、连续值等多种。
创建一个用于训练决策树分类器或预测器的数据集，探索不同特征编码对决策树的影响。
选哪些特征、如何编码，都会直接影响结果。
比较两个真实数据集所包含的特征及其编码方式。
数据集中包含哪些特征、如何编码，由人决定，影响重大。
3-C-ii为什么需要大数据集Datasets: Large Datasets
—本学段不要求
说明训练“狗”这类宽泛概念的分类器，为什么需要大量数据来覆盖多样性。
机器学习需要有大量数据才能有效。
说明图像中的物体如何被分割与标注，以构造目标识别的训练集。
机器学习需要大量数据，而人工标注离不开人的专业知识。
从数据规模、获取与标注方式、存储需求、制作耗时几个方面，评估一个训练真实 AI 系统所用的数据集。
数据集的质量决定了模型的质量。
3-C-iii数据偏见Datasets: Bias
检查一个有标签数据集，找出可能导致计算机做出错误预测的数据问题。
计算机学得好不好，取决于用什么数据训练它。
检查训练数据的特征与标签，发现潜在的偏见来源。
机器学习算法需要有代表性的数据，才能建立准确的模型。
解释训练数据的选择如何塑造分类器的行为，以及训练集不均衡时偏见如何产生。
如果模型被要求在失衡的数据上学习，就会产生偏见。
用数据可视化工具，从性别、年龄、族群等维度调查训练数据中的失衡，看它如何导致模型偏见。
机器学习会放大训练数据中已经存在的偏见。
4

自然语言交互 Big Idea 4

Natural Interaction

要让计算机顺畅地与人交流，它必须理解语言、常识与情绪。

子概念1-3 年级K-24-6 年级3-5初中 7-96-8高中 10-129-12
4-A-i语言的结构Natural Language: Structure
通过造出合理与不合理的新词、把打乱的句子重新排序等任务，展示对语言结构的掌握。
语言是有结构的。
通过展示任何句子都能不断扩展成更复杂的句子，说明人类语言是无限的。
人类语言能表达无限多的思想。
用句法分析程序显示一个句子的语法结构，并解释各个节点代表什么。
句法树是表示句子结构的一种方式。
指出一段文本中计算机难以理解的部分，并解释原因。
计算机难以理解使用了隐喻、意象、夸张、讽刺的文本。
4-A-ii语言的歧义Natural Language: Ambiguity
用同音字与同形词举例说明语言的歧义，并说明如何借助上下文确定正确的词。
不同的词可能读音相同，但人能靠上下文区分。
给出代词可能指代两个名词中任意一个的句子，说明计算机理解句子为什么困难。
句子可能有多种含义，取决于上下文。
给出介词短语可以有两种挂靠位置的句子来说明歧义，并说明这种歧义有时如何被消解。
结构上的歧义需要靠知识与上下文来消解。
通过描述一个词的多种义项，说明计算机理解句子为什么困难。
一个词可以有多个义项，人靠上下文与世界知识消歧。
4-A-iii关于文本的推理Natural Language: Reasoning about Text
演示计算机如何生成一个动词的不同形式，例如现在时与过去时。
计算机要自然地与人交谈，必须理解词形变化。
试验语音转文字系统，看它是否能根据上下文正确选择同音词。
语音识别系统可以用语法与上下文来消解歧义。
说明词向量如何被用来推理词义。
词向量把含义相近的词表示为语义特征空间中相近的点。
演示如何用小型上下文无关文法来分析或生成简单句子。
上下文无关文法描述词如何组合成短语与子句。
4-A-iv语言技术的应用Natural Language: Applications
演示智能助手能做哪些事、不能做哪些事。
智能助手是为响应有限指令集而设计的，不能像人一样对话。
演示搜索引擎或智能助手能回答与不能回答的问题类型。
搜索引擎与智能助手的能力是有边界的。
描述计算机能完成哪些自然语言处理（NLP）任务，并解释它们如何工作。
NLP 任务包括文本摘要、文本生成、情感分析等。
描述从简单到复杂的多种自然语言处理方法。
简单方法包括关键词匹配、词典查询与模板匹配；复杂方法基于统计与神经网络。
4-B-i常识推理Commonsense Reasoning
对人类行为或事件给出常识性解释，并说明这些知识对机器人有什么用。
为故事选择最可能的结局，就是一种常识推理。
解释计算机要理解一个故事，需要哪些知识。
AI 难以理解故事，因为它没有人类关于日常生活的知识。
解释计算机解决一个朴素物理推理问题需要哪些知识。
计算机可以用朴素物理推理规则对物理现象做推理。
解释计算机正确理解一则寓言或童话所需的文化与朴素物理知识。
理解故事的含义，需要理解人的目标、计划与文化背景。
4-C-i理解情绪Understanding Emotion
演示计算机如何识别人脸表情中的情绪。
计算机通过观察嘴、眼睛与眉毛的形状来识别情绪。
说明计算机如何判断一段文字的情绪倾向。
计算机可以用称为“情感分析”的技术，识别对某个话题的正面或负面表述。
描述计算机用哪些类型的线索来识别人的情绪状态。
计算机可以通过面部表情、视线、手势与肢体语言识别情绪。
指出 AI 应用可以通过哪些方式调整自己的行为，以回应人的情绪状态。
计算机可以通过承认并回应人的感受，做出恰当反应。
4-D-i心智哲学Philosophy of Mind
演示智能体在哪些方面不像人那样理解事物。
人工智能设备不是人，而是人设计的计算机程序。
演示一个通用 AI 系统能做、而当前专用 AI 做不到的事。
“专用 AI”给了我们一批擅长特定任务的算法；“通用 AI”目前还不存在。
给出判断意识的标准，并据此评估 AI 系统或虚构的 AI 角色。
意识的本质仍是未解问题，但有几个重要的判断标准。
就人类智能与人工智能的不同立场展开辩论。
一些专家与哲学家认为计算机永远无法达到人类级别的智能，另一些则不认同。
5

社会影响 Big Idea 5

Societal Impact

AI 正在改变生活、工作与社会，学生需要理解它带来的机会与风险。

子概念1-3 年级K-24-6 年级3-5初中 7-96-8高中 10-129-12
5-A-i不同群体的差别化影响Ethical AI: Disparate Impacts
评价同一个决定对不同人的不同影响。
计算机有时会做出对多数人有利、却伤害另一些人的决定。
评价一项 AI 技术对不同群体的不同影响。
开发 AI 系统时的每一个决定，都会以不同方式影响不同的人与社群。
评价各利益相关者的目标与价值观如何影响 AI 系统的设计。
AI 系统的行为由设计者的选择决定，而这些选择往往涉及权衡。
解释 AI 系统的使用如何对不同群体造成差别化影响。
不同群体会以不同方式受到 AI 系统的影响。
5-A-ii伦理设计准则Ethical AI: Design Criteria
讨论公平与不公平系统的特征，以及系统不公平对人造成的影响。
AI 系统应当被设计成造福人类。
评价一个 AI 系统在透明性与可解释性上的表现。
如果我们知道一个系统用了什么数据、按什么标准做决定，它就是透明的。
评价一个 AI 系统在可问责性与尊重隐私方面的表现。
可问责意味着设计者与决策者为系统的行为负责。
分析一个 AI 系统是否满足伦理设计准则。
为确保 AI 有益无害，伦理设计准则包括公平、透明、可解释、可问责与隐私保护。
5-A-iii践行伦理设计Ethical AI: Practicing Ethical Design
—本学段不要求
为一个分类或预测模型制作一张“模型卡片”。
模型卡片通过说明用途、训练数据、准确率与局限，来支撑透明性。
评价 AI 系统设计者可以通过哪些方式了解并吸纳利益相关者的价值观。
AI 系统需要与它所服务群体的规范和价值观保持一致。
用伦理设计流程设计一个 AI 系统。
伦理设计在流程的每个阶段都考虑所有利益相关者的价值，并坚持公平、透明等原则。
5-B-iAI 与日常生活AI & Culture: AI in Daily Life
找出日常生活中使用了 AI 技术的设备。
任何包含语音识别或计算机视觉的设备都用到了 AI，如智能手机、智能音箱。
描述日常生活中如何使用 AI 驱动的服务。
AI 服务被用于查信息、提供语音入口、做个性化推荐。
考察日常生活中预计会因 AI 技术引入而发生改变的某个方面。
AI 技术正在改变日常生活，智能机器在社会中找到新角色。
解释随着 AI 技术发展并进一步融入我们的文化，可能引发哪些争论。
一些新的 AI 技术将挑战既有的文化规范与预期。
5-B-ii信任与责任AI & Culture: Trust & Responsibility
—本学段不要求
分析深度伪造的图片或视频，找出暴露其为伪造的破绽。
当前的深度伪造还有可检测的破绽，但技术进步会削弱我们对数字内容的信任。
批评那些可被用于监控他人或侵犯隐私的 AI 技术使用方式。
AI 技术降低了大规模监控的成本，危及个人隐私。
指出哪些方面适合对 AI 技术的使用进行监管，并评估已提出的监管方案。
在 AI 可能造成危害的领域，法律监管是适当的。
5-C-i对社会各部门的影响AI & Economy: Sectors of Society
找出当前 AI 的应用，以及它们对社会产生的影响。
社会已经因为 AI 发生了变化，未来还将继续。
找出社会各部门因引入 AI 而产生的变化。
每一个社会部门都正在（或将要）因为 AI 而改变。
把 AI 给社会带来的变化与以往几次工业革命做比较。
AI 带来的社会进步与冲击，可与早期几次工业革命相比。
预测某个社会部门在短期与中期可能因 AI 技术发生的变化。
预见并规划新技术带来的变化十分重要。
5-C-ii对就业的影响AI & Economy: Employment
描述一些因为技术进步而消失的职业。
新技术改变了人们可以从事的工作类型。
描述某项工作会因为引入 AI 或机器人技术发生怎样的改变。
随着 AI 与机器人进入职场，人们的工作方式会改变。
预测因采用 AI 技术可能出现的新职业，或现有职业会如何改变、消失。
文化会随着新技术被采用而改变。
调研 AI 相关职业需要哪些技能。
AI 相关技能在整个职场都有用，并不只针对程序员。
5-D-iAI 技术的普及AI for Social Good: Democratizing AI
—本学段不要求
描述并使用你所熟悉的编程框架中可用的 AI 扩展或插件。
AI 正通过扩展与插件，进入每个人的工具箱。
用你所选编程框架中的 AI 扩展或插件，创建一个新的应用。
AI 正在成为人人可用的工具。
用你所选编程框架中的 AI 工具，创建一个新的应用。
AI 工具越来越普及且免费，没有专业背景的人也能使用。
5-D-ii用 AI 解决社会问题AI for Social Good
描述 AI 如何被用于解决一个社会问题。
AI 可以被用来训练分类器，解决对社会重要的问题。
设计一个利用 AI 技术解决社会问题的方案。
AI 正被用于解决环境保护、节能、公共卫生等社会问题。
研究一个社会问题，描述如何用 AI 技术来应对它。
用于感知、推理与机器学习的 AI 技术，可应用于多种社会问题。
从所要解决的问题与实际或潜在影响两方面，评估一个“AI 向善”项目。
“AI 向善”指的是用 AI 技术解决社会问题。

依据与来源