获取 YOLO 许可
返回 Ultralytics 术语表

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。

探索解决方案

体育领域的计算机视觉

体育领域的计算机视觉

了解 Ultralytics YOLO 如何通过球员和球追踪、表现分析、教练洞察及运动员康复,推动体育视觉技术的发展。
了解详情
航空影像计算机视觉

航空影像计算机视觉

使用 Ultralytics YOLO 将无人机和航空影像转化为农业、水产养殖、保护工作和地理空间分析的实时洞察。
了解详情
航空航天中的计算机视觉

航空航天中的计算机视觉

使用 Ultralytics YOLO 将计算机视觉应用于航空航天领域,包括飞机检查、跑道 FOD 检测、机场地面作业和复合材料缺陷检测。
了解详情
安防领域的计算机视觉

安防领域的计算机视觉

使用 Ultralytics YOLO 模型守护每个场所。视觉 AI 可用于周界监控、威胁检测、车牌识别和工作场所安全。
了解详情
机器人领域的计算机视觉

机器人领域的计算机视觉

使用 Ultralytics YOLO 模型提升智能机器的能力。机器人领域的视觉 AI 可用于自主导航、感知、目标跟踪和实时控制。
了解详情
物流中的计算机视觉

物流中的计算机视觉

借助 Ultralytics YOLO 模型优化物流流程。视觉 AI 可用于包裹检查、分拣、车辆跟踪和仓库安全实时监控。
了解详情
零售中的计算机视觉

零售中的计算机视觉

借助 Ultralytics YOLO 模型重新构想零售。视觉 AI 可用于库存跟踪、货架监控、排队管理和更深入的客户洞察。
了解详情
医疗领域的计算机视觉

医疗领域的计算机视觉

借助 Ultralytics YOLO 模型构建医疗解决方案。医疗领域的视觉 AI 可加快医学影像处理、优化诊断并监测患者。
了解详情
制造业中的计算机视觉

制造业中的计算机视觉

利用 Ultralytics YOLO 模型优化制造流程。视觉 AI 可用于质量控制、缺陷检测、个人防护装备合规检查和装配线自动化。
了解详情
汽车领域的计算机视觉

汽车领域的计算机视觉

利用 Ultralytics YOLO 模型在汽车领域应用计算机视觉。视觉 AI 可提升道路安全、驾驶辅助和车辆自动化水平,让道路更智能。
了解详情
农业中的计算机视觉

农业中的计算机视觉

借助 Ultralytics YOLO 模型,将视觉 AI 引入智慧农业。为作物监测、牲畜追踪和精准农业提供支持,从而提高产量并实现更智能的生产。
了解详情

让我们携手构建 AI 的未来!

开启你的旅程,迎接机器学习的未来