为落后群体设计AI教育

填补技能鸿沟：机器人技术和人工智能进步背景下为落后群体设计教育的21场对话

劳拉·杰梅尔、露西·温纳姆和萨宾·豪特*

1. 引言

机器人学与人工智能（RAI）在日常生活和工作中正变得越来越普遍。成人教育将在这一转型中发挥核心作用，可用于赋能公民利用技术改善生活社区。通过对利益相关者的探索性访谈，了解成功开展教育倡议所需的要求。对人工智能（AI）领域的思想领袖进行了访谈，因为需要他们的支持来推动、实施和资助此类教育倡议。对产业界进行了访谈，以使教育需求与未来潜在的就业途径机会相匹配。对成人教育工作者进行了访谈，以了解成年学习者的需求以及此类教育如何实现。最后但同样重要的是，对公众成员进行了访谈，以了解他们对人工智能和培训的看法。这些访谈对象包括个人和公司，均基于英国，因此研究发现和讨论内容主要以英国为中心。这些访谈揭示了一些在设计面向公众的负责任的人工智能（RAI）教育时需要考虑和解决的问题。在本研究中，“教育”一词指将利用这些访谈和设计阶段，旨在为学习者创建最有效的教育。因此，教育的类型（可能是正式或非正式的、与企业相关或由社区主导的、数字化或线下教育）应由研究发现来决定。

正如以往的技术进步一样，随着负责任的人工智能（RAI）的发展，某些人群面临被抛在后面的风险。如果这些技术带来的利益（和不利）不能在整个社会中公平分配，现有的不平等可能会加剧。教育是减少被抛下人数的一种方法。通常处于风险中的人群正是那些无法或不愿接受其他正规教育、且其雇主也不太可能提供此类教育的人。因此，任何教育都必须专门针对这些人及其需求进行设计。本研究旨在成为进一步研究和开发针对可能被抛下人群的教育倡议的初步数据。

1.1. 第四次工业革命

包括负责任的人工智能（RAI）和自动驾驶汽车、物联网（IoT）等相关技术在内的新兴技术的进步，通常被称为“第四工业革命。”这一短语由世界经济论坛（WEF）创始人兼执行主席、同名书籍作者克劳斯·施瓦布于2016年提出。[2]英国政府关于第四次工业革命的白皮书[6]列出了四大挑战，其中第一项便是人工智能与数据技术。其余两项挑战——mobility和老龄化人口——也与负责任的人工智能密切相关。

负责任的人工智能（RAI）的示例（人工智能的定义是一个广受争议的话题，而由于本研究关注的是公众成员，因此该定义采用了较为宽泛的理解，并从他们的视角出发。因此，它包括了语音助手以及更通用的算法等示例，尽管专家可能并不将其归类为人工智能）正越来越多地出现在现代生活的各个方面。语音助手如Siri、谷歌助手和Alexa已被广泛应用于许多手机和设备中。

导航设备或卫星导航（Sat Navs）利用复杂算法，结合多个数据源（包括Waze和谷歌地图）来寻找最佳路线。许多工作场所使用声称采用人工智能的软件；例如，会计软件自动编码器（Auto Encoder）可读取银行对账单并将交易分类，以满足税务计算的需求。聊天机器人现已应用于医疗保健领域，其中包括英国国家医疗服务体系（NHS）、巴比伦健康（Babylon Health）和艾达健康（Ada Health）所使用的系统。此外，媒体也经常报道负责任的人工智能技术，例如DeepMind公司开发的围棋冠军算法AlphaGo Zero。[7]转向硬件方面，机器人已经应用于生产线、仓库物流、外科手术和清洁等领域。自动驾驶在研究、初创企业、产业界和政府战略中均占据重要地位。此外，波士顿动力（Boston Dynamics）的机器人已能够后空翻、开门，并启发了《黑镜》（Black Mirror）剧集中的情节。

1.2. 机器人会取代我们的工作吗？

负责任的人工智能（RAI）在媒体（包括新闻和电影）中常常被极端化地描绘——要么拯救人类，要么毁灭人类。正面的例子包括算法诊断患者比医生更准确、机器人技术使工厂和灾难现场更安全，以及负责任的人工智能帮助公司节省金钱。另一方面，“杀人”机器人以及工作被负责任的人工智能取代的叙事也十分常见。关于公众对负责任的人工智能认知的研究已由一些机构（如皇家学会[8]）、咨询公司（如毕马威[2]）以及学术人员[9,10]开展。这些研究发现公众对负责任的人工智能的态度各不相同。一些研究发现更多美国民众支持人工智能[10]，而另一项研究发现70%的美国成年人对人工智能感到“疲惫”[11]。本研究提出的一个方面是其对工作的影响。在其他国家也能看到类似情况，三分之一的爱尔兰成年人[12]以及三分之二的英国[13]成年人担心未来负责任的人工智能会取代他们的工作。毕马威发现，对人工智能了解越少的人，越担心失去工作[2]。

一篇被广泛引用的论文发现，美国有47%的工作[14]面临“高”自动化风险。当采用相同的方法应用于英国和欧洲时，分别有35%和40–60%的工作面临风险。[15,16]普华永道[17]发布的其他报告预测了三波工作流失，最终导致30%的工作被自动化。该报告以及国家统计局[18]的一份报告均认为，这些工作流失在社会各阶层中是均等分布的（两者同意教育水平“较低”的人群将受到最大影响）。世界经济论坛的《未来就业报告》[19]提供了略有不同的视角，报告指出，50%的企业认为他们到2022年会减少全职工人数量或工作时间。然而，38%的企业表示，技术进步和自动化将增加其就业和生产力。

一些报告并非仅仅关注工作流失，而是更全面地看待对工作整体的影响。经济合作与发展组织（OECD）的数据显示，14%的工作可能会被自动化，此外，到2030年，35%的工作可能会发生变化。[20]欧洲经济研究中心预测总体工作数量将增加，但这些工作的性质将会不同，从而导致部分人失去工作。[21] 2018年，麦肯锡报告指出，由于自动化和人工智能的影响，到2030年，全球多达14%的工人（3.75亿人）将需要更换工作并重新掌握技能。[22]

无论对工作总数的净影响如何，第四次工业革命必将对未来的工作产生影响。这种影响可能体现在多个方面：1）由于自动化，一些工作将流失。2）由于负责任的人工智能（RAI）的进步，将创造新的工作。3）随着任务的自动化以及更多RAI系统的引入，现有工作将发生变化。

这些技术的兴起也已经在创造工作机会。脸书宣布由于其对人工智能的使用增加，2020年在英国新增1000个工作岗位[23]。英国皇家学会报告称，要求具备数据科学与高级分析技能的工作岗位postings增加了231%[24]。对负责任的人工智能和数据技能相关的特定工作岗位需求增加，导致了技能差距，因为具备必要技能来胜任这些角色的人才不足，这对企业造成了影响。根据开放大学企业晴雨表，超过90%的受访企业未能找到所需人才，其中61%的企业认为这一情况在过去一年中有所恶化。这种技能差距每年使企业额外花费630亿英镑用于招聘、再培训、临时员工和更高的薪酬支出[25]。尽管成人教育无法立即满足对负责任的人工智能专家的需求，但随着这些技术的发展，技能差距预计将进一步扩大。以适当方式对成年人进行教育，可能会提高再培训计划的需求，并让更多人群能够参与其中，从而形成规模更大、更多样化的负责任的人工智能劳动力队伍。

1.3. 克服技能差距的教育

为克服技能差距，已采取了许多措施。为了说明这些措施可能忽视了哪些群体，可以具体以英国为例，该国政府推出了一系列举措来应对数字技能差距（如图1所示）。此例仅用于说明，并非完整案例。诸如教育机会不平等和失业等复杂问题尚未在此充分考虑，因为它们需要比本文所能提供的更多的关注。然而，这些问题在确保无人掉队方面极为重要。

图1展示了人生的三个典型阶段——学校、大学（非义务教育）和工作。国家计算卓越中心正在推进学校课程，[26]旨在确保所有适龄儿童都能获得数字时代所需的计算机教育。多项针对大学阶段的举措将设立一批行业资助学位，并提供额外资金

针对人工智能领域的硕士和博士。[3] 2019年还提出了一项进一步的计划，以帮助在职人员在大学重新接受培训。[27]该计划是培养更多英国人工智能人才的必要步骤，但参与该计划需具备学位资格，这构成了准入障碍。一旦开始工作，再培训的选择就更加依赖于雇主。许多公司提供在职培训，包括在工作期间参加学徒制和攻读学位的机会。而另一些公司则不提供此类机会，相关责任和费用由员工自行承担。

尽管这些举措在解决技能差距方面取得了显著进展，但仍有一些人群可能被落下，如图所示。这包括那些无法或不愿重返大学接受再培训的人，以及不在提供在职再培训机会的公司工作的人。为了努力弥补这些差距，英国政府推出了国家再培训计划。该计划并非面向所有人，而是为年满24岁、currently in work、没有大学学位且年收入低于一定门槛的人提供支持。

1.4. 负责任的人工智能教育面向人人

如今的负责任的人工智能教育主要面向学生和企业领导者。许多大型跨国公司正在为员工提供再培训以及学习相关资质的机会。在职再培训已在多个案例中被证明是成功的。一个显著的例子是专业服务公司埃森哲，由于大力开展再技能培训，当17000个工作岗位实现自动化时，该公司没有出现工作流失。

高等教育领域为希望在各个层面学习相关主题的学生提供了大量新课程和资金支持。《人工智能指数》报告显示，在某些美国大学，从2012年到2018年，入门级人工智能和机器学习（ML）课程的注册人数分别增长了5倍和12倍。儿童也成为了关注重点，课程体系不断扩展，纳入了编程内容，并随之出现了上升趋势提供的编程和负责任的人工智能课外及假期俱乐部数量。[8]

互联网上提供的课程也扩大了负责任的人工智能（RAI）教育的覆盖范围，因为关于这一主题的免费课程或大规模在线开放课程（MOOCs）已变得流行。这些课程由多个平台提供，例如Coursera、Udacity和EdX，其中包括来自世界知名大学（如斯坦福大学）和科技公司（如IBM）的各种免费和付费课程。这些课程涵盖从初级到专家级别的内容，并包括吴恩达的《人工智能普及》。虽然这门课程对于希望了解人工智能的非技术人员来说是一个极好的起点，但其主要面向希望了解人工智能的商务人士，而非公众。科技巨头也提供各自的人工智能课程，例如微软AI学院和谷歌教育的谷歌AI。尽管这些课程可自由访问且免费，但它们主要面向希望深入了解人工智能的技术人员和商务人士。另一个学习人工智能的在线选择是竞赛网站Kaggle。

这些教育倡议致力于缩小技能差距，并为许多人提供了学习负责任的人工智能（主要是人工智能）的机会。然而，每个人都需要接受教育。并非每个人都在提供再培训的公司工作，或有机会重返校园深造（无论是在大学还是在线学习）。在线教育面临诸多挑战，尤其值得关注的是时间和资源问题（包括设备和数字技能）。多项关于哪些工作将受到影响的研究表明，最需要教育的人群恰恰可能是被忽视的群体（例如工厂工人、零售员工和呼叫中心工作人员）。当前的教育项目不应仅作简单调整以适应所有人，而应专门设计，以精准覆盖最有可能被落下的人群。

一项面向公众、旨在提高负责任的人工智能（RAI）认知而非解决技能差距的倡议，是在线课程“人工智能要素”。该课程最初旨在让1%的芬兰人口了解人工智能基础知识，目前正努力覆盖5%的人群，以确保公众在涉及人工智能的投票议题上具备充分的理解。[33,34]该课程的成功促使芬兰政府承诺将其翻译成所有欧盟语言，以对欧盟1%的人口进行教育。尽管芬兰在人工智能教育方面可被视为开拓者，其工作可供其他国家借鉴或作为框架使用，但需要注意的是，芬兰的教育模式无法简单地复制到其他国家。他们对成人学习的态度显然与其他许多国家不同，已有76%的芬兰成年人参与正规的成人学习。[35,36]

尽管并非暗示它们不存在，但要找到任何现成的、针对公众的非在线负责任人工智能课程的研究论文、新闻报道或网站并不容易。一个例子是，虽然对象不是公众，但芬兰正在努力向囚犯教授人工智能知识。[37]这凸显了创建此类教育的必要性。

2. 方法论

本研究旨在更好地了解对负责任人工智能的态度，特别是针对随着这些技术进步最有可能被落下的人群的再培训问题。认识到不同利益相关者（思想领袖、产业界、成人教育工作者和公众成员）的不同观点和关切，将为未来量身定制教育倡议的设计与实施提供亟需的见解。

为实现这一目标，定量方法并不合适。本研究并非要检验假设，或试图在数据中寻找统计关系或模式。其目的是探讨四类利益相关者关于负责任的人工智能及对可能被落下者进行再培训的看法、想法和观点。在试图发现那些可能被落下者参与教育的潜在障碍时，可能会出现一些未曾预料到的、微妙的问题。这些问题可能涉及个人层面且尚未被探索，在定量研究中难以显现。

在社会科学和教育领域，成熟的定性研究方法早已建立。[4,38]这些方法主张在寻求对社会问题或个人视角与观点的“如何”和“为什么”进行更深入理解时，优先采用定性而非定量的方法。由于这些方法具有情境特定性质，将定性研究的研究发现应用于特定背景、地点和空间之外存在局限性。因此，本研究的研究发现并非旨在具有普遍适用性，而是旨在为针对公众的负责任的人工智能教育讨论增添深度。尽管存在这些局限性，定性研究方法论仍是最合适的选择，数据收集采用了探索性访谈，特别是半结构化访谈。[4,39]

通过使用半结构化访谈，即由一系列预先设定的问题引导访谈，可以让受访者展开阐述或引导对话转向对他们而言重要的议题。这使得一些未预料到的问题能够浮现并得到讨论，同时对话仍能大体围绕研究主题进行。因此，半结构化访谈在结构化访谈刻板且往往受限的形式与非结构化方法效率较低的特点之间实现了良好的平衡。[4,40]

关于定性研究的适当样本量，并没有固定不变的规定，正如布劳恩和克拉克所讨论的那样。[41]在社会科学中，“样本量没有统一的标准”。[42]通常情况下，当研究目的是识别生成数据中的模式时，会采用15至30次访谈。[43,44]

四类利益相关者中每一类的目标访谈人数为五人。在四类中的三类中，该目标已达成，且访谈人数超过了五人。但在产业界这一类中未达到五人。各类别的实际访谈人数分别为：1）思想领袖：六人，2）产业界：两人，3）成人教育工作者：七人，4）公众成员：六人。

思想领袖和成人教育工作者通过人脉联系招募，包括直接或间接方式（例如，由同一家公司的同事推荐，而这些同事被认为更适合接受访谈）。这两个类别的所有被邀请者均接受了访谈。公众成员是在一次社区活动中招募并进行访谈的。潜在的产业界受访者通过人际关系（包括私人关系以及在会议上建立的联系）以及社交媒体上的发布信息进行联络。针对那些工人可能在不久将来受到人工智能影响的公司（例如零售、仓储和配送行业）开展了访谈。共联系了12家相关行业的公司，其中9家公司作出了回应，5家同意或安排了访谈，但最终仅有两场访谈实际完成。尽管这一主题引起了兴趣，但往往由于难以找到能够讨论公司培训和自动化计划的人员，或担心回答内容会对公司造成影响，导致访谈未能实现。

访谈未进行录音，而是手工做了笔记。录音可能会阻止一些受访者参与或自由发言。这一点被认为尤其重要，特别是对于公众成员群体，因为受访者已经在讨论可能不熟悉、或许超出他们舒适区的想法。这一点对于确保我们能听到他们的声音至关重要，因为他们往往是教育和负责任的人工智能（RAI）讨论中被忽略的声音。

这些访谈的数据通过初步编码和分类的定性技术进行分析，以提炼出组内及跨组的emergent主题。这些主题在研究发现部分呈现，并通过讨论部分从“不让任何人掉队”的视角进行探讨。由于公众成员常常被忽略于此类讨论之外，因此将他们的访谈内容置于研究发现的开头，以彰显其重要性。

3. 研究发现

每位接受采访的人都了解人工智能，并且热衷于讨论这一话题（包括那些一开始就明确表示不喜欢人工智能的人）。这些对话内容多样且有趣，揭示了人们对人工智能的态度。

在讨论人工智能时，受访者使用了几个术语：1）人工智能或AI。2）机器学习或ML。3）数据科学。

公众成员（MoPs）以及与他们合作的成人教育工作者和思想领袖频繁使用人工智能这一术语。这些受访者没有提及机器学习或数据科学。这支持英国皇家学会报告[8]，该报告发现只有9%的人听说过术语机器学习。其他三个群体中接受过任何形式技术培训或对技术感兴趣受访者使用了机器学习这一短语。一些受访者表示，这是因为他们怀疑当前技术实际上是人工智能。

“如果是机器学习，那就是Python；如果是人工智能，那就是PowerPoint。这是一个流行术语”（引号内为受访者的原话，未对其语法进行修改）

“这是一个可以涵盖很多内容的术语，但大多数人指的是机器学习”

“是一个非常笼统的词。我会想到机器学习或ML”

从商业角度考虑人工智能的人通常使用“数据科学”这一术语。一位思想领袖将数据科学描述为“通过统计学和建模来增强和加速人类知识”。该术语被思想领袖和成人教育工作者所使用。

3.1. 公众成员

受访的公众成员（MoPs）在年龄上差异较大（虽然未明确询问受访者的年龄，但有两位受访者在访谈中分别提到自己“快20岁”和78岁，因此假设其他所有受访者年龄均在此范围内），且从事多种不同的工作（包括仓库工人、退休工程师、教师、社交媒体经理、育儿培训师和急救员）。

3.1.1. 你听说过人工智能吗？

除了一位议员外，其他所有议员在被问及人工智能时都知道其含义，并能给出定义。那位无法给出定义的议员在听到采访者提供的人工智能定义后表示认同。该受访者能够回答后续问题，表明其理解这一概念。因此，可以推断出不了解“人工智能”这一术语可能是由于语言障碍所致。

3.1.2. 人工智能的定义

所有定义都包含了“计算机”或“机器人”一词，且大多数包含示例。

“它正在使用机器人来吸尘或制造汽车。”
“它是基于计算机的，依赖的数据库没有及时更新，因此值得怀疑。用于笔记本电脑和飞行控制。”
“是机器人将为我们做事，让我们变得更懒。”
“这是⋯⋯[pause]⋯⋯计算机从自身学习，例如IBM⋯⋯[沃森]”
“计算机控制着一切——工作、休息和娱乐。它也被应用于医学。”

所有这些定义中，除了一项之外都包含一个示例，且所有定义都包含比“日常人工智能”更复杂的示例，例如语音助手或推荐系统。

3.1.3. 人工智能示例

当被要求举出人工智能的示例时，只有一人主动提到了“语音助手”作为人工智能的例子，而无需采访者提示。所有公众成员在被提示后都表示听说过或使用过语音助手和推荐系统。

“当然，我用过那些。每个人都使用Netflix和亚马逊。”

在讨论人工智能时，公众成员共提到了近40个人工智能的示例。这些示例如图2所示。其中大多数是在被问及特定问题（例如：“您能举一些人工智能的示例吗？”）时提到的；然而，也有一些示例是在回答其他问题时自然提及的。在图2中，以虚线轮廓标示出这些在回答其他问题时提到的示例。

只有一位公众成员在回答其他问题时未提及任何示例。大量自然提及的示例（即并非针对关于示例的特定问题而提出的）出现在讨论人工智能相关问题时。这些“未提示”示例涉及翻译、扫地机器人、Siri和航空。

“我们必须谨慎。这项技术并不总是有效。一个著名的翻译例子是，将英语翻译成俄语的‘out of sight out of mind’（眼不见，心不烦）。当从英语翻译成俄语再译回英语时，结果变成了‘invisible idiot’（看不见的白痴）。”

“我经常和我的孩子谈论Siri用人工智能接管世界。每个人都泄露了大量数据，这使得人工智能变得更智能、更强大。最终，我们将不需要离开家或做任何事情——购物会被送货上门，通过消息与所有人交流，还可以用虚拟现实度假。”

“那些小吸尘器会在你整个房子里移动。它们可能会绘制你房屋的大小，并将这些信息出售给他人。”

我听说了一个故事，一架飞机因为机上的人工智能而停飞⋯⋯这是由于模拟系统未能正常工作，显示的内容飞行员明知是错误的。人工智能的使用可能会引发问题。

关于翻译和航空的故事被确认为是个人从其他来源（例如新闻）听到的内容。其他也被确认为从其他来源听到的示例包括关于机器狗、间谍卫星和IBM沃森的故事。

“我在新闻里看到日本有机器狗。但它并不像真正的狗那样。”

电影中那些并非真实存在，但又不远、实际上已经存在的事物。[采访者：“比如？”] likespying间谍卫星，它们适合监视人们做坏事，但不喜欢这种老大哥式的国家监控。

“是[暂停]计算机从自身学习，比如IBM⋯⋯[长暂停][采访者：‘沃森？’]。是的，就是那个问题的人工智能。我本来会说是威利斯之类的名字。”

这些在新闻中听到的示例在图2中以灰色圆圈表示。在大多数这些示例中，个人似乎对细节并不确定，也无法回答任何后续问题，翻译示例除外。

这些示例也可以根据其属于硬件、软件还是未知类别进行划分。一些示例被归类为未知，因为它们描述的是一个用例或技术的较大子集，可能是硬件也可能是软件，例如“老年人”、“在医院”和“教育科技”。其余的示例几乎均等地分为软件（“推荐”、“翻译”和“Siri”）和硬件（“用于搬运的机器人”、“吸尘器”和“键盘”）。这一分布情况如图2中的矩形所示。

这些示例可以根据人工智能的“类型”和使用进一步分类。这些类别在图2中通过将示例分组的大圆圈表示。类别的顺序按大小降序排列如下。

1) 基于语言——此类示例使用文本或基于语音的交互，并通过分析语言来提供结果。这是最大的类别，包含所有软件示例。一个基于语言的人工智能示例是“发短信时的建议”。
2) 导航——此类示例涉及提供方向、引导或帮助个人、汽车、机器人或飞机安全导航的其他方面。该类别涵盖范围广泛，从“卫星导航”到“二次雷达”，包括软件和未知示例。
3) 大型科技产品——此类示例包含一家“大型科技公司”的产品。所有这些都明确指这些公司之一的产品，例如“谷歌地图”，且均为软件。
4) 特定用途机器人——描述为明确用途而设计的实体机器人的示例，例如“吸尘器”。所有示例均为硬件。
5) 模糊的日常技术——某些示例为简单且普遍存在的设备，例如“手机”。所有示例均为硬件。
6) 辅助——某些示例明确设计用于帮助人们，例如“医学”。这是唯一一个涵盖硬件、软件和未知类别的类别。
7) 监控——可用于观察或监控公众的示例。这些包括硬件和软件示例。一些示例，例如“机器狗”，属于两个类别（特定用途机器人和辅助）。所有大型科技产品均归入另一类别来描述其用途；例如，“Google Maps”被归类为导航。其他一些示例则不属于任何这些类别，例如“Edtech”和“银行欺诈”。

3.1.4. 对工作的影响

议员们被问及他们的工作（当前的或退休前的），包括他们在工作中承担/曾承担的任务。他们还被进一步询问是否能想到人工智能在他们工作中的任何用途。他们的回答记录在表1中。所有议员都举出了人工智能可在其工作中使用的示例，包括教师提到的“教育科技”和工程师提到的“二次雷达”。

大多数人无需提示便能迅速给出示例，其他人则需要提醒他们回想自己工作中的任务，或先提供一个示例再请他们补充其他例子。许多议员认为这些使用方式具有积极意义。

“我最近确实在思考这个问题”
“我可以看到人工智能在教学中的应用”

并非所有人都给出了积极的回应。一位议员明确表示这正是他们离开工程领域的原因。另一位形容自己“不是技术的采用者”。但在思考了潜在的应用后，他们得出结论：对自己工作中使用人工智能感到“好奇”。还有一位议员在描述其工作中的使用情况时表现得极为中立和实事求是。他们的中立态度可能是因为已从工作岗位上退休。

3.1.5. 关于人工智能的担忧

特别询问了公众成员是否有任何担忧。在其他问题的访谈中也表达了类似的关切。有一人未对人工智能提出任何担忧，另一人则对人工智能完全没有正面评价。其余所有人持相对平衡的观点，总体上略偏积极或消极。

议员们表达的关切可以归纳为以下几个主题：1）数据隐私与控制。2）无法运作。3）负面社会影响。4）懒惰。5）数据质量。6）电源。

这些主题的规模和深度如图3所示。

所有表达担忧的议员都提到了对人工智能所使用数据的顾虑。这些顾虑可分为两个主题——隐私与控制，以及质量。所有这些议员都提到了隐私与控制问题，有时在同一次访谈中多次提及。该主题在全部访谈中的提及次数最多。议员们表达了他们对所收集数据量的担忧。

“每个人都在泄露如此多的数据⋯⋯”
“有时候，我对这个数量不太满意” 数据和缺乏控制。

前一句提到他们对自身数据“缺乏控制”。其他公众成员也提出了关于谁拥有或控制其数据的担忧。

“挑战在于数据所有权以及可以做什么” 做完这件事⋯⋯隐私是主要问题。
“最大的挑战是缺乏控制⋯⋯”

公众成员还提到了对特定技术的隐私担忧，例如“间谍卫星”和“那些在你整个房子里移动的小吸尘器”。

在访谈中被提及次数第二多的类别是负面社会影响。这一主题中的主要担忧是对工作的影响以及潜在的失业问题。

“它可能导致失业。” 可能会使某人失去工作。

一位议员“担心人们会被抛在后面”，另一位则担忧人工智能（及其他在线活动）“将非常人性化活动中的‘人情味’抽离了”。

两名曾担任工程师的公众成员提到了两次所用数据的质量。

依赖的数据库未及时更新，因此不可靠。

高质量数据也是一个问题。解决这个问题需要合作。

这些议员还提到了人工智能工作不正确的示例（翻译失败和航空领域的示例）

表1. 公众成员对其工作受人工智能影响的回应。

Job	是否被提示？	Uses	þve/ve
工程师（已退休）	N	“二次雷达”和“卫星导航”	中立——极其实事求是
教师	N	教育技术、手机和平板电脑	þve
培训师	Y—未采用技术者	对于喜欢在线培训的人	ve
		但好奇
在仓库工作	Y—似乎未考虑硬件作为人工智能	“用于搬运的机器人，或使用信号来确定物品位置。”	þve
社交媒体经理	N—其实一直在考虑这个问题	“分析网上的趋势讨论”	þve
前工程师	N—这正是他离开工程领域的原因	“航空”	ve
现任急救员

在“人工智能示例”小节中讨论了这一点。一位工程师还提到了人工智能的电源问题。

“人工智能完全依赖于电源。如果电源中断会发生什么？这意味着地理因素会成为一些人的障碍，因为服务各不相同；例如，美国农村没有无线网络。”

一位自认为持怀疑态度但对该主题非常了解的议员对人工智能的工作效果表示担忧。

“人工智能有时似乎有效，但并非总是如此。”

他们也是唯一提到懒惰的议员，并且提到了两次。

“最终，我们将无需离开家或做任何事——购物会被送货上门，通过消息与所有人交流，用虚拟现实度假。”
“是机器人将为我们做事，让我们变得更懒。”

同一位议员对人工智能（特别是Siri）表达了担忧，称其可能“接管世界”，尽管语气略带玩笑，但仍被视为一种负面社会影响。

3.1.6. 对人工智能的乐观态度

除了关注之外，议员们还被特别问及人工智能的好处。与担忧类似，在访谈中，积极的看法和对人工智能的乐观态度不仅出现在回答该问题时，在其他时候也有表达。受访者表达的乐观观点细分如图4所示。大多数公众成员在访谈中多次表达了对人工智能的乐观态度（a、b、c 和 f）。社交媒体经理的工作本质上以数字为主，且似乎对人工智能表现出积极兴趣，其给出的乐观陈述数量最多（b）。人工智能“有用”这一点被多次提及。

“人工智能对于查找信息很有用”
“这很有用”
“它很有益，因为在家庭和工作中使用人工智能既实用又高效。”
“人工智能效果很好，而且很有用。它对老年人非常有帮助。总体上可以起到辅助作用。”
“这些技术很有用，而且还在不断改进。”
“人工智能对我的角色会有帮助。”

关于人工智能的其他乐观评论包括认为它“是一个好主意”，“是未来”，以及一位议员“非常欢迎人工智能”。一位议员认对一项特定技术Siri持积极态度。

“Siri。我非常喜欢并一直使用它。”

另一方面，一位议员发表了两条略微积极的陈述（d）。

“人工智能有时似乎有效，但并非总是如此。”
“人工智能的推荐没问题”

一位在整个访谈中未发表任何正面言论。这两位公众成员均将自己视为怀疑论者，在访谈过程中表现出信息掌握充分，但态度极为负面。

比较图3和图4可以看出，表达的负面言论数量多于正面言论数量。尽管关于人工智能的担忧和益处都被作为问题提出。

3.1.7. 人工智能培训

为了了解公众成员对人工智能培训的需求或抵触情绪，议员们被询问是否对人工智能培训感兴趣。他们还被进一步询问了特定类型的人工智能培训，包括工作或家庭用途、理解人工智能或构建人工智能方面的培训。

一位议员未回应是否希望接受人工智能培训，这可能是因为他们忽略了问题中关于人工智能的部分，仅表达了对培训的一般看法。

“我正在接受护理员培训。持续学习很重要，尤其是随着年龄的增长，但要结合自己的兴趣。这是关键！”

只有一位议员从一开始就表现出积极和感兴趣的态度。他们对培训很感兴趣，无论是泛泛的培训，还是在其工作中引入技术后的培训。他们对人工智能培训充满热情，“因为人工智能是未来”。而其他议员最初都说他们对培训不感兴趣。

“不，绝对不是。”
“不。”
“不要培训。我一般对培训不感兴趣，当我需要了解某些事情时，我会在线阅读。”
“这对我有什么好处？我看起来像学者吗？这种培训只是为专家准备的，由专家提供。他们就是这么想的。”

然而，无论是由于他们重新考虑还是经过进一步询问，他们的想法都发生了改变，表示会对与自身生活相关的特定培训感兴趣。

“是的，实际上我想了解它是如何工作的以及如何构建一些东西，但不是学习如何使用人工智能，而且我绝对不会再使用我所构建的东西。”
“实际上，我对培训很感兴趣，特别是为了提高工作或家庭生活的效率⋯⋯我想知道如何使用以及如何制作这些东西。”
“实际上，培训了解人工智能的工作原理会很有用。”
“我告诉你我感兴趣的是什么，那就是关于意识、影响和负面影响的培训。新闻只展示人工智能好的一面，从不展示坏的一面。然而社会却以让人们无知为荣，那么这种培训又为何存在呢？这并不是他们想要的。”

当被问及他们是否认为这种类型的培训已经存在时，所有公众成员均未给予肯定答复。其中一人认为此类培训虽然存在，但不易获得；另一人则认为这类培训可能仅面向专家。

“我认为这种类型的培训是不可用的。”
“我认为这种人工智能培训并不存在。”
“我认为培训是存在的——但仅限于专家或科学家。我更希望公众也能获得培训。”
“我认为这样的培训可能存在，但并不容易获得。”

3.1.8. 最后的思考

当被问及是否还有其他补充时，一位议员提出了若干重要观点，如果人工智能要成功地造福所有人，产业界、学术界和政府应解决这些问题。这些担忧涉及多样性和文化，特别是对白人、以欧洲为中心和中产阶级观点的过度关注。他们的评论还提出了对学术界的信任问题，以及需要更广泛的参与，以确保学术界能够代表社会中的每个人。

“我对多样性很感兴趣。大学、人工智能、工程领域都存在以白人、欧洲为中心、中产阶级为主导的倾向。有一种文化维度没有被关注到。需要更多的多样性，以确保这些技术能为所有人服务。高质量数据也是一个问题。要做到这一点，需要合作[采访者：你是什么意思？]就像在这项研究中，如果这并不真正关心我的利益，我为什么要坦诚？人工智能在公平性上失败了”文化和阶级。没有足够广泛的参与。从你那极为舒适的特权位置祝你博士学位好运。”

3.2. 产业界

接受访谈的两家公司均为英国（甚至更广范围）家喻户晓的企业，年营业额均超过10亿英镑。它们都是在线零售商，但属于不同行业。两家公司均视自身为科技公司，并被公认为各自行业的技术领导者。其中一家公司的受访者是仓储总经理，另一家则是仓储工程与自动化主管。两位受访者均表示，他们所表达的是个人及其团队的观点，不一定代表公司的立场。

3.2.1. 公司中的人工智能应用

两家公司均表示，人工智能正在其公司中得到使用，且更侧重于网站和客户数据，而非各自的仓库。

“它被广泛使用，贯穿于各个系统中——例如建模客户行为或优化流程。”（公司1）

“目前其应用规模比未来12个月要小。它更多地应用于网站上，利用客户数据，而在仓库中的应用尚处于初期阶段。”（公司2）

公司2进一步详细说明了如何在仓库中使用人工智能来预测接下来将被订购的物品。

“订单缓冲系统。你看过《怪兽电力公司》吗？它类似于电影中的悬挂门系统，但使用的是悬挂的袋子。根据历史数据，我们可以预测某件商品可能会被订购。例如，如果条纹T恤销量很好，把它放在前面会很有帮助。”（公司2）

为了了解这些公司中人工智能的使用情况，他们被问及使用人工智能的原因。在两家公司中，人工智能都被用于改善客户体验。公司1表示，在数据量过大而人工干预无法提供洞察的情况下会使用人工智能。公司2表示，减少人工干预将有助于提升客户体验。

“⋯⋯进行优化并提高效率。提供更好的推荐。深入洞察人类无法处理的大量数据，因为数据量过大或过于复杂。”（公司1）

“去除人为因素。如果系统能够在行为发生之前预测行为，就能减少接触、降低成本、节省时间。这是为了给
负责任客户带来最佳体验。”（公司2）

这种相似性到此为止。这些访谈中涉及的主题如图5所示，展示了两家公司之间的相似之处和差异。

3.2.2. 人工智能对公司的影ȷȷ响

人工智能对他们的劳动力产生的影响最初出现了截然相反的反应，公司1表示每个人都会受到影响，而公司2则表示他们认为不会产生影响。

“是的——每个人都会受到人工智能的影响。”（公司1）
“老实说，不会。对自动化的恐惧，总的来说，都是些骇人听闻的故事。”（公司2）

两家公司都延续并缓和了他们最初的立场。公司1讨论了未来将发生的变化，但认为这将是好事，因为它将带来更有趣的职业，并需要新的技能。在与思想领袖和成人教育工作者的访谈中，也提到了从人类“执行者”转变为“监督者”的趋势。

“角色将发生变化，它们将变得更加自主。我想说会更轻松，但实际上我认为机器学习会处理那些较为简单的工作。人们最终将从事更有意思的职业。目前人们是执行者，而未来他们将成为监督者。这将需要一种不同类型的技能。”（公司1）

沿着相同的思路，公司2进一步表示，重复性工作将不再由人类完成。他们认为这是件好事，将带来更快乐、更具生产力的劳动力。

“那些对人类无益的重复性工作将被重新分配⋯⋯人们将变得更高效、更快乐。”（公司2）

3.2.3. 培训

产业界的受访者还被问及当前和未来的培训计划。两家公司都为员工提供各种培训。公司1表示，这些计划针对的是将要构建人工智能系统的人员（而非使用人工智能系统的人）以及公司的管理人员。他们还将自己对培训的态度描述为“被动应对的”，这意味着他们不会提前规划技术进步，而是对其进行响应。

“我们有一系列计划，但这些计划主要侧重于培训那些构建优化系统的人。在管理层层面，我们开展了大量培训。操作员培训还处于起步阶段⋯⋯这是被动应对的。”（公司1）

公司2采取了不同的方法。他们目前对仓库员工进行多种角色和多项任务的培训。这意味着工人的角色更加多样化，随着任务的自动化，工作岗位被取代的可能性也更小。

“我们确实如此。我们会对员工进行多种角色和任务的培训，并提升他们的技能。这样工作不那么枯燥，也意味着他们能尝试许多不同的工作。”（公司2）

与公司1的访谈中多次提及培训问题。其中提到的一个观点，以“拣选机器人”为背景，强调了需要为那些与机器人协作而非构建系统的人提供课程。

“目前有很多关于编程、编程等方面的课程，但几乎没有关于与机器人或人工智能协作的课程。对于那些不需要构建系统，但需要与这些技术协作的人来说⋯⋯需要开设如何将人工智能和机器人技术作为协作者来使用的课程，而不是作为开发者。”（公司1）

受访者进一步表示，如果此类培训课程不存在，那么人们在某些角色中（他们可能需要与人工智能或机器人技术合作，或被其取代）感到担忧是可以理解的。受访者补充说，这些课程需要具有通用性——关于可选择的职业以及新的工作方式。

“如果几乎没有针对非开发人员的培训课程，那么这些领域的人们感到担忧也就不足为奇了。我们需要开发一些关于可用职业路径的通用课程。我们还需要将人们从一种工作方式转变为另一种工作方式。”（公司1）

3.2.4. 最后思考

尽管访谈揭示了对负责任的人工智能及其相关问题截然不同的立场，但两位受访者都对此话题极为了解且兴趣浓厚，并均表示愿意接受进一步访谈或测试潜在的教育课程。

“有趣的话题。如果需要第二次交谈，请联系我”（公司2）
“如果在你的研究中遇到或创建了任何课程，我想了解，并且很乐意做一个适配性测试”（公司1）

3.3. 思想领袖

3.3.1. 是人工智能吗？

在与思想领袖的对话中，一个反复出现的主题是：我们讨论的内容是否真的属于人工智能，以及究竟什么才被定义为人工智能，而非机器学习或数据科学。一位思想领袖使用了“数据驱动技术”这一术语，其涵盖范围不仅限于人工智能，因为该话题的讨论常常包含实际上并不属于人工智能的概念。

“我们使用‘数据驱动技术’这一术语，而不仅仅是人工智能。因为纯粹人工智能还很遥远。但是，基于决策的服务（如逻辑回归）已经得到应用，我们需要考虑到这一点。因此，这里的含义是包含直至人工智能在内的所有技术。”

这一观点也得到了另一人的认同，他认为人工智能是数据科学的未来目标。

“对我来说，人工智能是数据科学的最终产品。”

其他人认为人工智能这个术语过于宽泛，应该使用机器学习。

“人工智能是一个非常宽泛的词。我想到的是机器学习——它是自动化，大量的数字⋯⋯”

3.3.2. 社会挑战

特别向思想领袖们询问了在设计面向公众的人工智能教育计划时需要考虑的挑战。提出的许多挑战都与公众成员面临的社会问题有关。

人口群体 ：这个问题提到的最常见主题是人口群体的差异。多位思想领袖表示，目标人群的变化影响了面临的挑战。涉及的不同问题包括年轻人与成年人、年龄、工作以及是否仍在接受正规教育。

“那么，我的第一个问题是你在考虑年轻人还是成年人？”
“取决于人——年龄、工作，比如是否在工厂工作过；40岁比20岁更难。”
“培训一个20岁的学生很容易。培训那些有其他事务缠身的人则需要更多时间。”
“我只是确认一下，这不会影响到接受继续教育、高等教育或学徒制的个人吧？”

一位思想领袖讨论了已开展的关于不同人口群体对人工智能态度的研究。

“有关于不同人口群体及其对人工智能的了解的研究。”

障碍 ：另一个被提出的挑战是参加此类教育计划的物理障碍。这些障碍包括时间、工作（即无法请假参加）、没有计算机或互联网。还提到了社会流动性、富裕程度以及未接受教育等障碍。

“如果你有兼职工作，可能很难参加。参加培训课程需要时间和富裕。”
“此外，还需要考虑再培训的障碍。人们无法随意抽出时间离开工作去接受再培训。”
“一切都在面向拥有计算机和互联网的人。”
“我认为主要问题是富裕和社会流动性，即那些没有接受教育或学徒培训的人是否有机会了解技术。”

终身学习 ：关于人们脱离教育的问题，在终身学习的背景下进行了更详细的讨论。一位思想领袖解释说，教育往往是前期集中进行的，因此很难再回到教育中来，但某些职业如医生由于其职业发展需要，确实存在终身学习的情况。另一位建议思考一下什么是终身学习，并与那些实践终身学习的公司进行交流。

“并非特指人工智能，但长期以来一直存在将教育前置的传统——学校、大学，然后就结束了。我的父母都是医生，他们必须终身学习。职业作为其职业发展的一部分是必需的。因此，终身学习只存在于某些特定领域。因此，重返教育变得困难。”
“你应该思考一下，什么是终身教育？⋯⋯你有没有考虑过与开展终身教育的公司交流？”
“把这个看作是终身学习。”

理解、语言和示例 ：多位思想领袖提到了与理解、语言和示例相关的问题。具体而言，他们指出在人工智能领域的语言“过于技术化”，并且“缺乏真实示例”。他们进一步表示，在讨论人工智能时，“需要使用通俗易懂的语言”。一位思想领袖详细举例说明了当日常语言和示例不易获取时所出现的问题。

“一个简单的示例：我们曾与[一家与老年人合作的慈善机构]患者开展了一些研究，其中最年轻的参与者年龄为65岁，其余均为此年龄以上。由于这是概念性的，我们的准备严重不足。除非人们能够触摸或实际操作，否则很难在不引导的情况下进行有意义的对话。有些群体，比如老年人，甚至还有其他人，根本不知道Siri是什么。最终我们让他们理解了这个概念，因为有个人提到了大家都熟悉的老式家庭主妇手册，这些手册详细列出了如何照顾生病儿童的步骤。我们便利用这些手册作为示例来进行沟通。”

关于人工智能的态度 ：多次讨论了需要改变“关于人工智能的叙事”或“澄清对人工智能的认识”，通过解释“人工智能能做什么和不能做什么”来实现。这样做的原因常被归结为媒体对人工智能的“过度炒作”以及对“科技极客”的痴迷。

“对发现的模式进行夸大/炒作”
“被过度炒作的媒体”
“我们经常被告知缺点”

一位思想领袖认为，改变人们的看法虽然困难，但很有必要。

“需要具备背景常识。要改变人们对人工智能实际能力的看法将非常困难。”

思想领袖们表示，公众对了解人工智能似乎缺乏兴趣，这一问题需要得到解决。

“让每个人都愿意去做这件事。”
“为什么人们应该关心？”
“需要灵感，学生需要理解其中的意义。”
“人们缺乏自主性。人工智能比他们强大，生活也比他们强大。无法改变现状，那又何必费心。”

3.3.3. 教学挑战

在讨论挑战时，反复出现的一个话题是，这样的教育计划应该教授什么以及需要教授什么。

第二个挑战是究竟应该教什么。

关于如何教学，有一个普遍的建议：应该包含项目式学习，因为学生通过自主探索学习有助于加深理解。

“基于项目的学习。让他们努力去弄清楚。”

一位思想领袖提到，由于人工智能被用于决策，应在课程中包含伦理内容。

“人工智能教学需要以计算机科学中的伦理为基础，将进行优化和决策。”

关于是否需要将编程纳入此类教育，存在相互矛盾的观点。值得注意的是，一位声称在教授人工智能时“总是”必须包含编程的思想领袖，也不认为“每个人都应该学习编写代码”。另一位则质疑是否真的需要包含编程，还是仅仅从个人角度理解人工智能就足够了。

“人们需要理解技术层面吗？还是只要了解它如何影响他们的生活就足够了？”
“能够编写代码”

一位思想领袖认为统计学需要被纳入人工智能教育中。

“从原理出发——理解概率、贝叶斯统计作为一种看待世界的方式、分布⋯⋯一旦你理解了统计学，就用这些知识能实现的吸引人的应用来激发他们的兴趣。”

另一个被指出的问题是公众缺乏基本的计算能力。

“计算能力是一个大问题，因为很多人离开学校时还没有掌握这一能力。”

他们进一步表示，这将对人工智能编程方面的教学带来问题。

“如果你要教授数据科学的编程课程，并且人工智能，这种[基本计算能力的缺乏]将是一个问题，你应该需要理解这一差距。”

3.3.4. 社区

这些访谈中反复提到的一个概念是关于社区。一位思想领袖指出，这可以从国家、地区和地方层面来推进，而此类教育计划的实施方式“取决于你所拥有的时间和资源”。

不同人口群体面临的挑战此前已被提及，但此处特指人工智能培训。没有提出具体的挑战或解决方案，只是强调必须考虑人工智能及此类课程对人们生活的影响。

“与不同的人口群体沟通往往存在很大差异，需要予以考虑。需要思考课程的举办地点以及如何进行授课。”
“这些人面临哪些挑战？设想人工智能将如何改善他们的生活。”
“这引发了一个问题：我们设计的工具对这些人来说是否合适或有用？”

一位思想领袖指出了与这些社区合作并让他们的声音被听到的潜在影响。

“你可以做的最有力的事情之一就是去与社区交流，并在议会中为他们发声。”

实现目标人群覆盖的一个解决方案是，全社会投入大量努力和众多资源来支持这一理念，以确保成功。

“一场大规模的全国性运动。学术界、政府和产业界的每一个层面都在为此努力。利用流行文化和大量投入。”

慈善机构 ：另一种提议的与相关人员建立联系的方式是通过慈善机构，因为它们能够连接到那些可能被其他倡议“遗忘”的人群。这些丰富的资源和专业知识往往被忽视。

“慈善机构常常被忽视。我们如何利用慈善机构，以及如何赋能他们的人才？例如，关注老年人、神经多样性和心理健康。考虑到那些非主流人群，连接他们的最佳途径就是通过慈善机构。那些被遗忘的人最终都会流向这些机构。”

一位思想领袖提到了法国的一家特定公司Simtlon，该公司可能与这样的教育计划相关。他们提供数据科学和编程培训，面向弱势群体，以产生最大的影响。

“Simtlon——一家法国大型培训公司。专注于编程和数据科学⋯⋯我喜欢的是，他们面向弱势社区。那些参加者无需支付太多费用？他们会前往社会影响最大的项目所在地。培训一个20岁的学生很容易。但培训那些有其他事务在身的人则需要更多时间。社会影响最大的地方，往往金钱最稀缺。这是一个悖论。”

女性 ：一位思想领袖提出应关注女性，因为这可能是一个被忽视的角度，但却可能产生最大的影响。

“返岗劳动力。全球一半的人口——通常是照顾婴儿和父母的女性。他们重返工作岗位时，技术已经向前发展了。”

3.3.5. 与人工智能工作

不同层次的“人工智能素养”概念在多次访谈中受到关注。一位思想领袖将其描述为“三种类型的技能”。

“一是基础技能——计算能力、读写能力、数字技能和伦理。这些是日常生活中所需的基本技能。”
“二、那些工作将与人工智能协同的人——律师、医生和会计师。需要了解它如何运作，但不需要知道如何设计它。”
“三类人——技术人员、学术人员、开发者——他们将构建和设计人工智能”

另一位思想领袖以农民为例，说明了第二类人群。他们将需要与人工智能合作，但无需编写代码或构建人工智能。

“实际上，对于技术而言，比如种植种子的农民不需要了解人工智能，但他们将与人工智能协作。他们不需要编写代码，但需要具备伦理意识，因为他们是人类监督者。”

以机械师为例，说明了人类与计算机的互动方式。机械师需要了解汽车的内部工作原理以及如何修理它。任何使用汽车的人都需要理解其基本知识。

“我对人机交互更感兴趣，每个人都应该具备这方面的基本理解。我喜欢用一个例子来说明：就像修理工需要确切地了解汽车的工作原理以及如何修理一样，但每个拥有汽车的人都需要了解一些基础知识。这是一种更全面的理解，而且必须包含其工作所涉及的伦理和社会影响。”

“协作办公”一词被用来描述机器与人类应如何共同工作。需要注意的是，企业并未正确使用这一概念。

“应该实现机器与人类的协作办公。但是，公司不知道如何利用这一点。”

这一点在关于任务变化而非工作变化的讨论中得到了进一步强调，同理心的需求如下所述。

“工作流失。被自动化的是工作任务，而非整个工作本身。麦肯锡研究了工作时长的变化。他们认为技术性工作将增加52%。你需要具备社会同理心——理解这些任务是如何变化的。”

3.3.6. 最后的思考

一位思想领袖强调，关于这一主题的研究工作不应仅限于学术界人士才能获取。

“制作一个非学术版的你的博士学位。面向普通人。”

3.4. 成人教育工作者

对提供成人教育（通常为18岁或19þ岁以上）的公司进行了访谈。这些机构包括由地方议会运营、设在当地图书馆的成人学习服务，一个为期8周的软件工程训练营，以及数据科学学徒项目提供商。后两者可归为“营利性”教育机构。

接受访谈的成人教育工作者担任着多种角色，包括主任、导师、学科负责人、产品经理和学习设计师。在担任目前职务之前，他们的经验涵盖了产业界、学术界和教学领域，为讨论带来了丰富的独特经验和观点。

3.4.1. 什么是人工智能？

所有成人教育工作者都说他们知道什么是人工智能，并能够给出定义。这些定义各不相同，有些人仅表示大致了解人工智能，有些人则教授或研究人工智能，还有一人自称是“爱好者”。

3.4.2. 理解与兴趣

所有受访者都认为他们的学习者能够理解并对学习人工智能感兴趣。所有理事会运营项目的导师都认为他们的学习者会毫无保留地理解。一些受访的导师对学习者的理解能力提出了保留意见。

理事会服务的主任指出，理解和兴趣将取决于该课程的授课方式。

“这完全取决于如何提出”

这被进一步解释为该课程没有“冗长、学术化的感觉”，也不包括观看“长达一小时的视频”。

那些声称了解人工智能的人（无论是通过在大学学习还是作为“爱好者”）对其学习者能理解的程度持更怀疑的态度。

“理解是一件大事⋯⋯比如，我对人工智能的理解不如拥有博士学位的人那么深入⋯⋯如果有足够的时间，他们还需要解决更多问题才能理解抽象概念。此外，他们在分析技能方面也需要帮助。”

“基本概念，是的。有可能，取决于深度⋯⋯基本分类，是的。更高级的数学，他们可能会遇到困难——比如矩阵乘法。”

3.4.3. 挑战

数学 ：成人教育者中，那些明确表示对人工智能感兴趣（无论是通过学习还是兴趣爱好）的人，都进一步特别提到数学技能对于人工智能教育至关重要。这或许可以解释他们为何对每个人都能理解人工智能课程持保留态度。

“我们需要解释潜在的数学思想”
“更高级的数学”
“例如，对于数学来说，反复做练习无法运作”

这超出了访谈类别的范围，并在其他类别（特别是思想领袖）中也有所体现——如果受访者学习过与人工智能相关的任何内容，他们都会提到数学的重要性。在所有情况下，这都被视为在向学习者教授人工智能时的一个关注点或挑战。

市议会运营服务的受访者也提到了数学，但更多是从他们提供的其他课程的角度出发。

“在各个学科中，数学贯穿于所有课程。我们希望确保所有学习者都能理解基础微积分。”
“我们的数学教师非常出色——他们不仅仅是教学，还能改变人们的想法。”

分析能力 ：所有已经开设与人工智能相关课程（恰好都是营利性课程）的教师都提到了“分析能力”，无论是作为技能还是课程内容。相反，教授其他不同课程的教师则完全没有提及这一概念。

“他们需要在分析技能方面得到帮助。”

职业导向 ：“盈利性”公司非常注重职业导向，特别是在技术和数据科学职业方面。

一位受访者实际上提到，该公司并未从学习者的角度考虑教育问题。

“他们没有从学习者的角度来考虑这个问题——他们已经多年没有接受教育了，因此不了解其中的严格要求。他们还有全职工作、生活和家庭。这并不容易。”

3.4.4. 设计考虑

相关且嵌入 ：所有成人教育工作者都讨论了使教育与学习者相关的重要性。

“人们会融入他们所需且影响其生活的教育。”
“适应性⋯⋯平台和形式的灵活性⋯⋯小而精的方法。”
“触及他们的生活”

一种使其更具相关性的建议是找出激励学习者的因素（金钱、家庭、职业和社区），并围绕这些因素来开展教育。

“金钱、直系家庭和职业是激励我们人民的主要因素。”
“他们对当地社区也有着强烈的责任感和认同感。与任何国家计划相比，他们更关心这一点。”

使人工智能更贴近其学习者的一种方法是将该主题融入其他学科中。这一观点被相关人士讨论过，在更战略性的职位上，例如主任、产品或学习设计师。

“它也贯穿始终。”
“我们如何将学习融入工作？”
“我会将其作为主题嵌入到其他课程中。”
“嵌入到其他活动中⋯⋯”

共同设计 ：一位受访者建议，教育计划应“与学习者共同设计——实际上是与成年学习者、有教育负面经历的人、多样性群体以及失业者共同设计。”

他们继续讨论了这门课程的可行形式，认为应该是“小块内容”、“可以分片段完成”、“嵌入到其他活动中”、“这是人工智能，你应该了解它是什么”、“共同设计”，并“包括一些内容，比如你如何处理家庭事务，或与孩子交流，涉及他们的职业、市场等”。

3.4.5. 慈善机构和女性

一位成人教育者重申了一位思想领袖提出的建议。他们提到，可以通过慈善机构接触人群，并特别强调了一个名为Smartworks的慈善机构，该机构面向失业女性，这些女性可能有时间参加培训。

“可以考虑一下着装制胜慈善机构——Smartworks。他们为女性提供面试服装，并培训面试准备技能。这些女性通常处于失业状态，因此有可能开设相关课程。”

3.4.6. 最后的思考

一位成人教育者提出的建议值得牢记，内容如下。

“人们在拥有之前先感到头痛是很重要的” 你给他们任何阿司匹林。

这句话旨在说明，向公众成员提供与特应性无关或不合适教育可能被认为没有用处。因此，需要确保此类教育计划是必要且受欢迎的，并且认为有必要与产业界和公众成员进行对话。

4. 讨论

研究发现中提供的数据有助于深入了解人工智能教育现状。从负责任的人工智能等技术不断发展的角度来审视这些数据时，出现了三个主要主题，这些主题可能对任何旨在确保不让任何人掉队的未来教育倡议产生重大影响：1）针对从事负责任的人工智能工作的人员的教育；2）克服先入之见（来自学习者、产业界和专家的）；3）在社区中共同设计。

还需要强调这些研究发现及由此引发的讨论存在的一些局限性。正如方法部分所述，由于本研究的性质，结果并非旨在超越访谈的具体环境、地点和空间。这些访谈结果不具备普遍性，也不应被视为具有普遍适用性。本次访谈聚焦于英国，因为最初的目标是为英国受众设计教育方案。英国对人工智能高度重视，因此从一个国家入手，并在未来的研究中逐步扩展，是合乎逻辑的，毕竟人工智能教育是一个全球性的讨论话题。此外，教育本身并非能够在各国之间轻易复制的事物（例如丹麦学校系统），因为许多政治、社会和经济因素都会影响教育，这使得聚焦于单一国家成为必要之举。本次研究也未涵盖一系列可能影响人工智能教育态度与采纳的社会文化问题。本研究未涉及众多重要的技术、心理、社会和环境原因，而这些因素实际上会影响人们对技术和自动化的态度。由于这些内容并未在任何访谈中被提及，因此未包含在本次讨论中。

4.1. 与负责任的人工智能共事人员的教育

重点关注为那些将要开发、设计或研究负责任的人工智能人员提供教育和再培训。一位思想领袖将这类群体称为“技术人员”。通常，这一群体的成员already具备高技能水平和较高的教育程度。预计在短期内，这类角色的需求将会增加；然而，这种增长是否会持续，或在未来面临自动化风险，目前尚有争议。但这一群体并非面临被落下的风险。

本研究最初的重点是面向公众的教育，特别是针对最有可能被落下的人群。然而，还有一个方面似乎被忽略了——即针对使用负责任人工智能（RAI）人员的教育。这一类教育在一次行业访谈以及多位思想领袖中被提及，包括在仓库中与机器人一起工作的工人，以及在呼叫中心工作、可能需要使用算法和数字助手的员工。从事这类角色的员工不需要创建或修改RAI系统，也不需要详细了解这些系统的工作原理或如何编写代码。他们只需对系统的运作方式有基本了解，掌握故障排除方法，并具备关于局限性和适用场景的一些知识。随着第四次工业革命的推进，建立人类与技术共同协作的工作环境可能是一个重要的步骤。为这些工人提供教育，有助于防止工作岗位流失，并缓解公众对负责任人工智能的担忧。

4.2. 克服先入之见

先前的研究强调了克服先入之见的必要性（无论是在教育中还是在RAI系统本身中）。访谈突出了三个需要克服的先入之见领域，以确保计划中的教育能够成功。首先是公众每个个体成员在参与此类教育时所带有的先入之见。其次，是关于公众成员能否从专家那里学习人工智能的假设，这些假设可能造成障碍。

4.2.1. 个人先入之见

所有议员在讨论人工智能时都显得很自如。他们对人工智能持有观点，这些观点受到其个人生活的影响，包括他们的工作以及他们所接触的新闻。在设计教育时，需要考虑这些对负责任的人工智能的影响。

本研究中的访谈仅聚焦于人工智能，但由于公众成员对人工智能与机器人技术之间缺乏区分，因此任何未来的教育计划都应涵盖机器人与人工智能。他们缺乏区分的情况体现在所举的人工智能示例中，这些示例同样包含软件和硬件的例子（如图2所示）。通常而言，专家认为人工智能更多指软件，而机器人则更偏向于物理设备（尽管这并非绝对规则，且由于人工智能与机器人技术可能存在于同一设备中，因而可能变得令人困惑）。毕马威[2]也发现了类似情况——对人工智能了解较少的人不会区分人工智能与机器人技术。公众成员所举的示例范围非常广泛，从日常硬件到特定用途的软件都有涉及。其中软件示例包含了大量“科技巨头”的产品。这些被提及的示例并非人们通常会预期的例子，且忽略了许