AI Literacy

AI 素养是指理解、使用并批判性地评估人工智能，同时认识到它的局限和相关责任。具备 AI 素养，意味着知道如何选择合适的工具、质疑工具的输出、保护敏感信息，并判断何时需要人的判断。这并不要求你成为 AI 工程师：目标是明智地参与，而非精通每一种算法。

这项技能适用于聊天机器人、推荐系统、预测模型和计算机视觉，后者用于分析图像和视频。在这些应用中，核心问题都相同：有什么证据足以证明，在这项任务中可以依赖这个系统？

AI 素养的核心能力#

一个实用的起点，是结合数字承诺组织的 AI 素养框架所述的理解、评估和负责任地使用这三方面。这些能力彼此促进、相辅相成。

理解能力包括认识到，机器学习是从数据中学习模式，而非只遵循明确编写的规则。模型是经过训练、用于进行预测或生成内容的软件。正如Google 的机器学习简介所述，不同的学习方法适用于不同的任务。训练用于开发模型；推理则是将模型应用于新输入。

评估意味着检查输出是否准确，以及是否适合其预期场景。行文流畅不代表内容属实，预测语气肯定也不代表结果有保证。读者应当考虑评估数据是否与系统实际运行的环境相似。

负责任地使用 AI，还需要考虑隐私、公平和问责问题。错误可能伤害谁？哪些信息应当保密？谁来审核会产生重大影响的决策？NIST AI 风险管理框架为考虑这些风险提供了系统化的基础。

AI 素养与相关概念#

AI 素养与数字素养有所重叠，后者关注如何使用和评估各类数字技术。数据素养则更侧重于解读数据、统计信息和证据。AI 素养将这些技能应用于能够进行预测、生成内容或支持决策的系统。

提示工程——为 AI 模型设计指令——是 AI 素养中的一项实用技能，而非其替代品。即使有人能写出有效的提示，也仍可能忽视不准确的回答或不当的数据共享。

同样，AI 伦理探讨公平和问责等原则；AI 素养则帮助人们在日常交互中践行这些原则。斯坦福大学对 AI 素养的说明强调，操作工具与评估工具在伦理方面的影响，是两种不同但互补的能力。

实际应用#

制造业检测：设想一个基于摄像头的缺陷检测系统，用于检查产品是否有裂纹。具备 AI 素养的操作员会区分误报（将合格产品标记为有缺陷）和漏报（未检出有缺陷的产品）。前者会导致不必要的退货；后者则会让缺陷品通过检测。了解精确率和召回率有助于团队评估这两类错误：精确率衡量被标记的缺陷中有多少确实存在，召回率衡量实际缺陷中有多少被发现。

课堂辅助：学生使用聊天机器人讲解科学主题。具备 AI 素养的学生会把回答当作起点，依据课程材料核实事实，并避免提交个人信息。教师会要求学生解释自己做出的更正，并说明使用了 AI 辅助。这样一来，使用工具就成了练习核实信息和独立推理的机会，这与联合国教科文组织面向学生的 AI 能力框架所倡导的以人为本的方法一致。

实用的计算机视觉练习#

动手检测能让你直观地理解预测与现实之间的差异。按照Ultralytics 安装指南，使用 pip install -U ultralytics 安装软件包。

此示例使用 Ultralytics YOLO 和预训练的 YOLO26 检测模型，并采用文档所述的预测工作流：

from ultralytics import YOLO

# 加载预训练的目标检测模型。
model = YOLO("yolo26n.pt")

# 对公开的示例图像运行推理。
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# 保存带标注的预测结果，以便进行目视检查。
result.save(filename="ai_literacy_example.jpg")

保存的图像会显示预测出的目标标签和边界框。将它们与你实际看到的内容进行比较：是否有目标漏检、标签错误或定位不准确？这个练习有助于培养批判性评估能力；在一张图像上取得成功，并不能证明系统在其他环境中也可靠。

培养和评估 AI 素养#

从熟悉的任务入手，明确正确结果应是什么样，再判断哪些错误值得关注。将输出与独立证据进行比较，并在扩大使用范围前记录局限性。

对于儿童，应选择适龄的活动，让错误能够被观察到，而无需掌握高级编程。常识教育组织的 AI 素养课程有助于围绕偏见、信息质量和负责任地参与展开讨论。

评估 AI 素养时，应看学习者实际展现出的判断力，而不只是对工具的熟悉程度。学习者能否解释输出的局限性、核实说法、保护私人数据，并说明何时不应使用 AI？这些能力适用于不同的工具和应用。