AI Literacy
AI 素养是理解、质疑并妥善使用 AI 所需的知识和判断力。本文介绍核心技能、学校框架和《欧盟 AI 法案》第 4 条。
AI 素养是人们有效使用人工智能所需的知识与判断力:切实理解 AI 系统如何生成输出、养成批判性评估这些输出的习惯,并懂得判断何时可以依赖它们。就像阅读或计算能力一样,它是每个在工作、学校或家中接触 AI 的人都需要具备的一般技能,不要求具备构建或编程模型的能力。Duri Long 和 Brian Magerko 在2020 年 CHI 论文中给出了一种广受引用的定义:让人们能够批判性地评估 AI、与 AI 交流和协作,并将 AI 用作工具的能力。
具备 AI 素养的人知道,聊天机器人流畅的回答仍可能出错,人脸识别系统对不同群体的表现可能有所差异,逼真的视频可能是深度伪造,而将机密文件分享给在线助手可能会泄露这些文件。这些认知建立在一小组适用于各种工具的基本观念之上。
AI 素养涵盖的内容#
大多数框架都围绕三种能力组织 AI 素养。理解意味着知道机器学习系统会从训练数据中学习模式,因此其行为会反映数据覆盖范围和缺失之处;也意味着知道生成式 AI会依据所学模式生成看似合理的文本或图像,但不会核查事实。评估意味着根据独立来源检查输出、识别幻觉和AI 中的偏见,并将模型的置信度分数视为模型自身的估计值,而这个估计可能未经校准。负责任地使用 AI,意味着判断要分享哪些数据、谁来审核重大决策、何时披露 AI 辅助,以及何时根本不应将任务交给 AI。
面向学校的 UNESCO 学生 AI 能力框架于 2024 年发布,列出了四个维度中的 12 项能力:以人为本的思维方式、AI 伦理、AI 技术与应用,以及 AI 系统设计。每项能力都从理解 AI 逐步发展到应用 AI,再到利用 AI 创造。OECD 和欧盟委员会制定的 AI 素养框架在 2025 年发布草案后于 2026 年定稿,将能力分为四个领域:参与 AI、利用 AI 创造、管理 AI 和塑造 AI;该框架也将纳入 2029 年首次 PISA 媒体与 AI 素养评估。相关概念有所重叠:数据素养涵盖数据和统计的解读能力,数字素养涵盖一般技术使用能力,而提示词工程是 AI 素养中的一项实用技能。
职场中的 AI 素养与欧盟《人工智能法案》#
自 《欧盟 AI 法案》第 4 条于 2025 年 2 月 2 日开始适用以来,职场 AI 素养在欧盟成为法律问题。该法案将 AI 素养定义为让提供者、部署者和受影响者能够知情地部署 AI 系统,并了解其机遇、风险和可能危害的技能、知识与理解能力。根据 2026 年 7 月《数字综合法案》对 AI 法案的修订,第 4 条要求提供或部署 AI 系统的组织采取措施,提升员工及代表组织运行这些系统的其他人员的 AI 素养;在制定措施时,要考虑他们的技术知识、经验、教育背景以及系统的使用情境,但无需保证任何个人达到特定的素养水平。这项义务涵盖所有 AI 系统,不论其风险类别,因此是该法案中适用范围最广的要求之一。
第 4 条没有规定课程或证书,因此组织通常会根据岗位调整培训规模、保留培训记录,并将培训纳入AI 治理计划。使用聊天机器人的客服人员需要知道如何识别编造的回答,以及哪些客户数据不能放进提示词,这也有助于遏制影子 AI。运行自动化检测生产线的质量工程师需要理解误报和漏报,以及阈值设置如何改变两者之间的取舍。批准 AI 部署的管理人员则需要掌握足够的基础知识,能够询问系统如何评估以及评估数据是什么。
通过实践培养 AI 素养#
要培养 AI 素养,最快的方法是亲自体验模型的正确、错误和不确定表现。在同一张照片上使用两个置信度阈值运行预训练的 Ultralytics YOLO26目标检测模型,可以直观呈现精确率与召回率之间的取舍:
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
# Run the same image at a permissive and a strict confidence threshold
for conf in (0.1, 0.7):
results = model("https://ultralytics.com/images/bus.jpg", conf=conf)
result = results[0]
print(f"conf={conf}: {result.verbose()}")
result.save(filename=f"bus_conf_{conf}.jpg")阈值为 0.1 时,模型会检测到五个人,其中包括同一名部分可见行人的另一个低置信度框;它还会检测出一个实际为禁止停车标志的“停止标志”。阈值为 0.7 时,模型会保留公交车和三个清晰可见的人,但会漏掉左侧被画面边缘截断的行人。对比两张保存的图像,可以看出阈值决定了系统会犯哪种错误;混淆矩阵会统计误报和漏报,而合适的设置取决于具体应用中漏掉目标和误报哪种代价更高。
对于年幼的学习者,AI 教育也可以通过不涉及代码的相同练习来开展:将模型正确标注和错误标注的照片分类,再讨论原因,这有助于培养一种习惯——追问 AI 输出依据了哪些证据。










