在課堂上教授 AI 的基礎

🧑‍🏫 這是 Google DeepMind 幫 Experience AI 課程拍的宣傳短片，Experience AI 是一套在學校教學生 AI 基礎的課程。影片沒有真的教知識，而是讓你看到學生會問哪些問題、老師怎麼看這堂課。值得看的地方是：學生問的那幾題，剛好就是一般人搞懂 AI 該先問的問題。

• 00:04 影片以一連串學生的提問開場：AI 會如何改變世界？AI 與人類擁有的智慧有何不同？AI 如何解決世界的問題？
  ↳ 開場不講答案，先丟學生的大問題：AI 會怎麼改變世界、跟人的聰明差在哪、能解決什麼問題。意思是這堂課從好奇心出發，不是從技術細節開始。
• 00:04 學生還問：為什麼 AI 需要這麼多資料？AI 怎麼理解我說的話？
  ↳ 這兩題比較貼近日常使用：AI 為什麼要吃那麼多資料、它怎麼聽懂我打的字。會用 AI 工具的人多半也有同樣疑問，代表這門課教的是原理，不是操作。
• 00:04 老師以「歡迎來到 Experience AI 課程」開始上課，並在課堂上提問：為什麼這些資料對 AI 這麼重要？
  ↳ 老師把「資料為什麼重要」直接拿來問全班。一般來說，AI 是從大量例子裡找規律學會東西的，所以資料是整件事的根本，課堂才會把它當核心問題。
• 00:04 老師表示課堂上有很精彩的對話；學生對 AI 有很多問題、也有很多迷思（misconceptions），而且非常投入。
  ↳ misconceptions 就是「錯誤的既有印象」。老師的意思是學生不是一張白紙，帶著很多對 AI 的誤解進教室，但也因此討論很熱烈。影片沒有舉出是哪些誤解。
• 00:46 課堂中老師說要教學生 large language models。
  ↳ large language models（大型語言模型）是讀過大量文字、學會接話和寫字的 AI，像 ChatGPT、Gemini 這類聊天工具背後就是它。影片只說課堂會教這個主題，沒有進一步說明。
• 00:46 課堂上出現的問題包括：什麼是 bias？餵給機器的資料中，訓練模型至少需要多少張圖片？
  ↳ bias 是「偏誤」，一般指資料偏向某一邊，AI 學出來的結果也會跟著偏。train（訓練）是拿資料給機器學。學生問最少要幾張圖才夠，影片沒有給答案。
• 00:46 老師說學生對 AI 很好奇，他們是明日的領袖，未來將是能夠解決問題的人。
  ↳ 老師的看法是：這些學生長大後要面對並解決真實問題，現在的好奇心就是起點。這句是在說明為什麼值得在學校就教 AI，而不是等出社會再學。
• 00:46 影片中提到：如果我們都學習 AI，想像一下我們能一起做出多麼驚人的東西。
  ↳ 這句是影片的主張：AI 不該只有少數專家懂，大家都具備基本認識，才有辦法一起做出好東西。屬於願景式的說法，沒有具體例子。
• 01:17 影片以「Experience AI」作結。
  ↳ 最後只打出課程名稱 Experience AI 收尾，等於是品牌落款，沒有新的內容。

影片中的老師如何描述學生在課堂上面對 AI 這個主題的狀況？