AI Tidak Boleh Menggantikan Pendidikan—Kecuali Kita Membiarkannya

(SeaPRwire) –   Ketika majlis graduasi meraikan janji generasi graduan baharu, satu soalan timbul: adakah AI akan menjadikan pendidikan mereka tidak bermakna?

Ramai CEO berpendapat demikian. Mereka menggambarkan masa depan di mana AI akan menggantikan jurutera, doktor dan guru. CEO Meta baru-baru ini meramalkan AI akan menggantikan jurutera peringkat pertengahan yang menulis kod komputer syarikat. NVIDIA’s malah telah mengisytiharkan pengekodan itu sendiri lapuk.

Walaupun Bill Gates mengakui perkembangan pesat AI adalah “mendalam dan sedikit menakutkan,” dia meraikan bagaimana ia boleh menjadikan pengetahuan elit boleh diakses secara universal. Beliau juga membayangkan dunia di mana AI menggantikan pengekod, doktor dan guru, menawarkan nasihat perubatan dan bimbingan berkualiti tinggi secara percuma.

Di sebalik gembar-gembur itu, AI tidak boleh “berfikir” sendiri atau bertindak tanpa manusia—buat masa ini. Sesungguhnya, sama ada AI meningkatkan pembelajaran atau menjejaskan pemahaman bergantung pada keputusan penting: Adakah kita akan membenarkan AI hanya meramalkan corak? Atau adakah kita akan menghendakinya untuk menjelaskan, mewajarkan dan kekal berasaskan undang-undang dunia kita?

AI memerlukan pertimbangan manusia, bukan sahaja untuk menyelia outputnya tetapi juga untuk memasukkan pagar saintifik yang memberikannya hala tuju, asas dan kebolehtafsiran.

baru-baru ini membandingkan chatbot AI dengan pelajar sederhana baik yang mengambil peperiksaan lisan. “Apabila mereka tahu jawapannya, mereka akan memberitahu anda, dan apabila mereka tidak tahu jawapannya, mereka sangat pandai ‘membual’,” katanya pada acara di University of Pennsylvania. Jadi, melainkan pengguna tahu banyak tentang subjek tertentu, menurut Sokal, seseorang mungkin tidak menangkap chatbot yang “membual”. Bagi saya, itu menggambarkan dengan sempurna apa yang dipanggil “pengetahuan” AI. Ia meniru pemahaman dengan meramalkan urutan perkataan tetapi tidak mempunyai asas konsep.

Itulah sebabnya sistem AI “kreatif” dan telah tentang sama ada model bahasa besar benar-benar memahami nuansa budaya. Apabila guru bahawa tutor AI mungkin menghalang pemikiran kritis pelajar, atau doktor salah diagnosis algoritmik, mereka mengenal pasti kelemahan yang sama: pembelajaran mesin sangat cemerlang dalam pengecaman corak, tetapi tidak mempunyai pengetahuan mendalam yang lahir daripada pengalaman manusia kumulatif yang sistematik dan kaedah saintifik.

Di situlah a menawarkan jalan ke hadapan. Ia memberi tumpuan kepada memasukkan pengetahuan manusia secara langsung ke dalam cara mesin belajar. PINNs (Physics-Informed Neural Networks) dan MINNs (Mechanistically Informed Neural Networks) adalah contoh. Nama-nama itu mungkin kedengaran teknikal, tetapi ideanya mudah: AI menjadi lebih baik apabila ia mengikut peraturan, sama ada undang-undang fizik, sistem biologi atau dinamik sosial. Ini bermakna kita masih memerlukan manusia bukan sahaja untuk menggunakan pengetahuan, tetapi untuk menciptanya. AI berfungsi paling baik apabila ia belajar daripada kita.

Saya melihat ini dalam kerja saya sendiri dengan MINNs. Daripada membiarkan algoritma meneka apa yang berfungsi berdasarkan data lalu, kami memprogramkannya untuk mengikut prinsip saintifik yang ditetapkan. Ambil contoh . Bagi perniagaan seperti ini, masa berbunga adalah segala-galanya. Menuai terlalu awal atau lewat mengurangkan potensi minyak pati, menjejaskan kualiti dan keuntungan. AI mungkin membuang masa menyisir corak yang tidak relevan. Walau bagaimanapun, MINN bermula dengan biologi tumbuhan. Ia menggunakan persamaan yang menghubungkan haba, cahaya, fros dan air kepada pembungaan untuk membuat ramalan yang tepat pada masanya dan bermakna dari segi kewangan. Tetapi ia hanya berfungsi apabila ia tahu bagaimana dunia fizikal, kimia dan biologi berfungsi. Pengetahuan itu datang daripada sains, yang dibangunkan oleh manusia.

Bayangkan menggunakan pendekatan ini untuk pengesanan kanser: tumor payudara memancarkan haba daripada peningkatan aliran darah dan metabolisme, dan AI ramalan boleh menganalisis beribu-ribu imej terma untuk mengenal pasti tumor berdasarkan corak data semata-mata. Walau bagaimanapun, MINN, seperti yang baru-baru ini , menggunakan data suhu permukaan badan dan memasukkan undang-undang pemindahan biohaba terus ke dalam model. Ini bermakna, dan bukannya meneka, ia memahami bagaimana haba bergerak melalui badan, membolehkannya mengenal pasti apa yang salah, apa yang menyebabkannya, mengapa dan di mana dengan tepat dengan menggunakan fizik aliran haba melalui tisu. Dalam satu kes, MINN meramalkan lokasi dan saiz tumor dalam beberapa milimeter, berasaskan sepenuhnya tentang bagaimana kanser mengganggu tandatangan haba badan.

Pengajarannya mudah: manusia masih penting. Apabila AI menjadi canggih, peranan kita tidak hilang. Ia beralih. Manusia perlu “memanggil bualan” apabila algoritma menghasilkan sesuatu yang pelik, berat sebelah atau salah. Itu bukan sahaja kelemahan AI. Ia adalah kekuatan terbesar manusia. Ini bermakna pengetahuan kita juga perlu berkembang supaya kita boleh mengemudi teknologi, mengawalnya, memastikan ia melakukan apa yang kita fikir ia lakukan, dan membantu orang ramai dalam proses itu.

Ancaman sebenar bukanlah AI semakin pintar. Ia adalah kita mungkin berhenti menggunakan kecerdasan kita. Jika kita menganggap AI sebagai oracle, kita berisiko terlupa cara untuk menyoal, menaakul dan mengenali apabila sesuatu tidak masuk akal. Nasib baik, masa depan tidak perlu berlaku seperti ini.

Kita boleh membina sistem yang telus, boleh ditafsir dan berasaskan pengetahuan manusia yang terkumpul dalam sains, etika dan budaya. Pembuat dasar boleh membiayai penyelidikan ke dalam AI yang boleh ditafsir. Universiti boleh melatih pelajar yang menggabungkan pengetahuan domain dengan kemahiran teknikal. Pembangun boleh menggunakan rangka kerja seperti MINN dan PINN yang memerlukan model untuk kekal setia kepada realiti. Dan kita semua—pengguna, pengundi, warganegara—boleh menuntut agar AI berkhidmat untuk sains dan kebenaran objektif, bukan sahaja korelasi.

Selepas lebih daripada sedekad mengajar statistik peringkat universiti dan pemodelan saintifik, saya kini menumpukan pada membantu pelajar memahami cara algoritma berfungsi “di bawah hud” dengan mempelajari sistem itu sendiri, dan bukannya menggunakannya secara hafalan.

Pendekatan ini diperlukan hari ini. Kita tidak memerlukan lebih ramai pengguna yang mengklik “generate” pada model kotak hitam. Kita memerlukan orang yang boleh memahami logik AI, kod dan matematik, dan menangkap “bualannya”.

AI tidak akan menjadikan pendidikan tidak relevan atau menggantikan manusia. Tetapi kita mungkin menggantikan diri kita sendiri jika kita lupa cara berfikir secara bebas, dan mengapa sains dan pemahaman mendalam penting.

Pilihannya bukanlah sama ada untuk menolak atau menerima AI. Sama ada kita akan kekal berpendidikan dan cukup pintar untuk membimbingnya.

“`