人工智能素养（AI Literacy）系列文章，可以帮助孩子培养批判性思维（Critical thinking）能力，并教会他们如何利用AI来进行生活应用。对于父母想教导孩子有关 AI 知识，和准备 AI 课程计划的 K-12 老师来说，这将是一个提供大家方便上手的学习资源。
CodingLab 将推出一系列有关 AI 素养的文章及教材，它将包括如何动手 AI 实验、学习 AI 课程、了解 AI 道德及破除 AI 神话。这一篇将带大家认识常见的AI术语及简单观念，就让我们认识人工智能的A到Z吧！。
A
Artificial intelligence 人工智能 — AI 其实就是会思考、推理、具有学习能力的计算机程序
创造出与我们人类一样能够思考、推理和学习能力的机器，这就是人工智能。
现今的 AI 系统能够在许多任务上展现非常好的效能，取得如此巨大新技术的跃进，主要是机器能从大量数据中学习。
人工智能已经从实验室中的研究开始转移到现实世界里的应用，并且影响着我们的生活，而我们与下一代正处在人工智能时代。
B
Bias 偏见 — 不完整的数据将会导致 AI 产生偏见
数据是 AI 系统学习时的重要来源，由于我们每个人都可能会带着自己的偏见，因此当提供给 AI 学习数据不够全面时，AI 将会形成偏见 （Bias），例如脸部辨识软件可能会将黑人分类错误，或无法正确识别女性。
要开发一个适合所有人的 AI 是不容易的，因为偏见 （Bias）会使其充满挑战，
而各方技术专家将会面对这些不断加大的挑战并解决它们。
C
Chatbots 聊天机器人 —AI 可以与人类进行自然交谈
透过两个 AI 的技术 （自然语言处理和自然语言生成） ，让机器与人类可以自然的对话。
这些应用已经出现在一些客户服务页面和网站上，提供对话、建议以及陪伴等服务。
D
Datasets 数据集 -透过数据及资讯让 AI 了解这个世界
数据集是用于训练 AI 的大量数据资料。
就像是儿童通过范例在进行学习一样，电脑也是如此。由于电脑是以通过数据集来做为学习过程的基础，因此 AI 团队必须仔细考虑他们选择用来训练 AI 的数据。
由于数据集存在一定的规模和复杂性，所以 AI 团队会经常借由共享数据集，来达到协作和彼此研究更加容易。
E
Ethics 道德 -指导如何构建 AI 的发展方式及使用准则
就像指导社会的道德和法律一样，道德准则将有助于塑造 AI 的发展方式。
社会不仅要考虑到如何使用 AI 技术来解决问题，还必须同时考虑被滥用的可能性，而透过 AI 行为准则将可以帮助防止这种情况的发生。
AI 带来了各种道德考量（无论是自驾车或医疗照护），因此发展各类 AI 应用项目的企业，必须不断研究属于他们的道德框架，并建构负责任的 AI。
F
Fakes 伪造 -使用 AI 技术制作出假的图像、影片、音乐及声音
以人工智能为基础的深伪技术（Deepfake），可产生超逼真的图像、语音、音乐和视频，呈现出实际上没有发生或存在的事物。
我们正处在可以创建逼真图像，或以完美音调方式复制某人声音的时代，如果使用不当，它们可能会产生对社会不好的错误讯息，例如假新闻可能严重损害公众的知识和信任。
因此，随着伪造的技术变得越来越复杂，在试图弄清楚真假之间，检测伪造的方法和技术亦必须保持稳定的发展，更重要的是要教导这一代小朋友这个事实。
G
GANs 生成对抗网络 -通过相互竞争来学习的两个 AI 系统
生成对抗网络（GANs）是一种神经网络，基本上是由两个相互竞争的神经网络模型（生成器及判别器）组成，生成器的任务是产生看起来很'自然'的图像，而判别器的任务则是判断图像是否看起来很'自然'。
例如原论文中以警察跟罪犯的关系为类比，罪犯会不断制造假钞（生成器）来欺骗警察的眼睛（判别器），假钞每被识破一次，罪犯就会重新调整制造假钞的技术，久而久之多次攻防之后，罪犯就有办法做出足以骗过一般警察的假钞。
GANs技术常用来产生以假乱真的图片，而它的应用范围正不断地大幅增加，有兴趣的同学可以多接触。
H
Human-in-the-loop 人机共生 -指导 AI 系统学习的人
人机共生（Human-in-the-loop， HITL）主要在训练、测试或调试 AI 系统时，帮助产生更可靠结果的人，因为在建立 AI 的过程中，会有机器无法解决的问题，而需要人为干预所产生的过程，透过连续的反馈循环，使算法每次都能获得更好的结果。
例如在 AI for Oceans 的学习中，教导识别海洋生物的 AI 系统可能会学会将章鱼与其他生物区分开来，但却难以分辨出具有相似形状和颜色的鱼类差异，在HITL当中人类则可以进行干预，教导此系统来区分要寻找的特征，并指导其找到更准确的答案。
目前有许多公司为 HITL 人工智能提供广泛的服务，包括用于 AI 开发的文字、视频、数据和影像注释等服务。
I
Image recognition 图像识别 -AI 系统利用相关技术学习“看”周围的世界
影像识别是让 AI 能够识别及分类我们周围环境中物体的技术。
影像识别系统或软件具有识别图像中之物体、人、位置及动作的能力，它使用具有人工智能的机器视觉技术和经过训练的算法，透过摄像机系统来识别图像，简单来说就是透过让机器「看」的技术，来代替人眼对目标进行辨识、跟踪和测量
拿着智能型手机透过影像辨识，对西班牙语的警告标志进行识别，并将文字翻译成英文或您熟悉的语言，其他用来识别地标及照片的技术也正在广泛应用中。
J
Job 未来工作 -AI 将改变未来工作的性质，并在工作领域上带来重大变动
尽管 AI 不会取代所有工作，但可以肯定的是 AI 会改变未来许多工作的性质。
AI 未来会取代许多工作的言论一直存在，也确实在许多场域做得比人类更好，就像是工业革命时期一样，许多工作在失去的同时，也将创造新的工作机会。
例如对新闻编辑室而言，AI可以减少记者要做的背景调查及分析的工作，让他们可以专注于自已最擅长的事情 —— 讲述世界上更具价值性的故事。
K
Knowledge 知识 -人工智能系统以与人类完全不同的方式来构建知识。
AI 系统获得的知识与人类长时间积累的复杂知识有很大不同。
人类是透过自动汲取以往的生活经验来对世界有所了解，但是 AI 系统并没有相同的背景知识及本能可以使用，而是必须明确教导 AI 如何利用组织过的数据，交叉利用并分析，来建立自己的经验。
AI 目前可以学到的知识有所限制，因为取决于 AI 设计团队所配置的数据参数，但未来的 AI 会以何种方式来呈现更接近人类知识，将是科学家更感兴趣的地方。
L
Language 自然语言 -自然语言处理是一种很吸引人的人机交互方式
利用口说和书写来做为沟通的能力，是人类彼此互动的特征之一。而让计算机拥有理解人类语言的能力，就是自然语言处理 （Natural Language Processing，NLP），同时也是 AI 的一部分。
自然语言处理（NLP）最终目的，是希望让 AI 能像人类一样成功地理解语言，不仅仅是单词的意思，还能包含它们上下文的含义。
Amazon 的 Alexa 以及 Apple 的 Siri 等智慧助理，都是使用 NLP 来了解我们的请求，并进而在生活上与我们智能互动。
M
Machine learning 机器学习 -机器学习是用数据或以往的经验，使AI系统能够提出自己的解决方案
机器学习是一门人工智能的科学，主要是设计和分析一些让计算机可以自动「学习」的算法，将其与结构化的数据配合使用，以完成任务而无需藉由编程告知如何执行。
人工智能是使机器模仿人类行为的技术，而机器学习则是用于实现人工智能的技术，机器（计算机）通过向它们馈送数据，并让它们自己学习一些技巧，而无需明确的编程即可学习，简而言之，机器学习是 AI 的精髓。
例如，传统编程中，如果您想教一台计算机来画猫，那么您必须详细解释画图过程，但透过机器学习，您可以为 AI 系统提供数千张猫图片来进行分析，它将会自己找出模式及特征，并帮助 AI 系统理解大量数据，且能快速，大规模地完成任务。
如果你是初学者，那你一定要试试看无代码机器学习的**AI Playground**，它将让你对机器学习有非常棒的体验及了解。
N
Neural networks 神经网络 -利用像大脑神经元运作的算法，创造像人类一样思考的机器
神经网络在处理讯息传递的方式，是以类似神经元在大脑内部的处理方式，透过神经元之间的连接运算，能够比传统系统处理更多复杂性的信息及细节。
因此计算机科学家希望建立一种大脑神经元运作的算法，虽无法像人类一样，对一些情境式的细节能进行关联，但可利用其擅长发现模式，加深对这些元素或信息之间的关系，来解决许多问题及挑战。
O
One Goal 一个目标 -当今世界上的 AI 系统是专注于较为局限的单一学习任务
现在的 AI 系统专注于完成一个目标，例如自动驾驶汽车的目标是从 A 到 B，而 AlphaGo 是以提高胜率为唯一目标 。
但随着 AI 的发展，AI 系统未来是可以学习任何任务，并解决多个目标，同时将学习从一个领域应用于另一个领域，而不需要进行大量的重新培训，并像人类一样可以在不同任务之间无缝切换。
P
Prediction 预测 -AI系统经由历史数据集训练后， 预测事物发生的可能性
计算机科学家经常将AI系统的输出视为预测，即使它们与未来没有明显关系，例如 AI 系统会根据的您某些行为向您推荐一本书或电影，那就是一种预测。
这些AI预测系统在现今生活当中无所不在，从您的观看记录（例如 YouTube或Netflix）来建议您喜欢的电影或视频，到根据以往的天气模式来提高天气预报的准确性。
这些都是运用到 AI 的预测技术，来帮助人们进行日常的许多决策。
Q
Quantum computing 量子计算 -以完全不同方式来处理信息的下一代计算机
量子计算会使用量子力学原理来处理信息，所需的方法与传统运算不同。
执行许多计算将大大缩短处理时间，例如以目前最快的超级计算机若需花费数千年时间执行的任务，量子计算机可以使 AI 系统在几秒钟内就完成它
这将使得机器学习需要大量数据及快速处理能力，大大跃进了许多。许多研究人员将它们整合在一起，希望能实现所谓的量子优势，并以此更快地计算出复杂的算法，这也将会是未来AI领域的大改变。
R
Robotics 机器人学 -对可自动执行任务的机器所做相关研究
以往机器人被设计来执行一些基本活动，并用来减轻人们的工作量，现在 AI 的技术可使机器人执行许多新任务。
多年来在各方努力下，具有基本AI功能的机器人已成为我们生活中的一部分，从电梯到洗衣机，从自动吸尘器到工厂生产线上的巨型机械手臂，机器人已经跟我们的生活密不可分。
具有AI技术的机器人，不仅降低人类工作量，也能够及时分析和导航以前不容易自动化的一些任务，而许多科学家们也正在努力利用AI来帮助创造更强大、更有用及更具目的性的机器人。
S
Speech recognition 语音识别 -帮助 AI 理解人类语音的技术
语音识别初期的目标，是希望电脑能自动将人类的语音内容转换为相应的文字。
当机器可以识别语音时，并不意味着可以像人类那样理解语音的意思，例如句子若杂乱无章，人们也可以理解大概意思，但机器很难做到。
自然语言处理（NLP）是语音识别的最新发展技术，它使AI能够利用语法规则来分析语音，便于理解人们复杂的说话方式。这些技术还在不断发展，不仅可理解我们所说内容，还可以理解我们意思。
T
Turing test 图灵测试 -看机器是否可以表现出跟人类相同智力的著名测试
由计算机科学家艾伦·图灵（Alan Turing，1950）提出的测试，目的是用来测试“机器会思考吗？”，
测试的前提很简单：如果一个人可以进行五分钟的交谈，而没有发现正在和机器说话，那么计算机就算通过测试。
许多AI设计团队，希望能够设计出可以用更自然、更像人类的方式进行互动的计算机系统。
U
Uses 用途 -AI 在这个世界上有那些用途呢
AI 正快速走出实验室的研究，而进入到您我生活的许多应用当中。
AI 可以及时查看全市的交通状况，来帮助人们有效的规划工作路线。AI 也可以交叉使用大量的数据来帮助农民发现农作物问题。在医学上，AI 也可以帮助医生提早查看出病人可能的潜在问题。
这些 AI 系统解决生活上的许多问题，也开辟了许多新应用途径。但最终 AI 如何应用和使用，还是取决于人们决定如何使用它。
V
Virtual assistants 虚拟助理 -以AI为驱动基础，来帮助人们执行任务的应用程序
虚拟助理是AI蛮普遍的一个应用，它可以根据命令或问题来协助人们完成工作。
像是Apple Siri或Amazon Alexa，功能与运用都快速扩张。
在 AI 技术的支持下，虚拟助理用来理解问题上下文关系，可创造出人类与机器之间更自然的对话。
W
Watson 华生 -第一个在电视问答节目中击败人类的AI系统
IBM在2011年创建了 Watson，它是一个能够使用自然语言来回答问题的人工智能系统。它的答案是基于数百万本书的资料（包含百科全书、字典等等），它必须有几项事情需要处理，例如听懂人类的语意、快速且正确地找到答案、清楚说出答案。
程序员必须不断的训练它，一旦节目主持人用程序员未曾想到的句子结构提出问题时，华生将会感到困惑，因为华生缺乏人类自然而然的对话环境，使得它很难理解一些问题。
因此当今的“自然语言系统”的构建方式就是希望能改善这些问题，让机器在未来可以更了解人类语意，并且更自然对话。
X
X-ray X光 -AI 可以帮助医生分析X光片并快速地诊断患者问题
许多放射科医生会使用AI技术的工具，希望能更快速且准确地发现异常并诊断人们的疾病。
AI可以在及短时间内运行详细的检查过程，帮助医生能够更快地进行全面的检查。
有些医生会希望利用人类与机器智能的结合，来增强对医疗保健的方法。
Y
You 您 -为了让 AI 了解这个世界，AI 需要更了解“您”
您可以为 AI 系统提供世界上所有的数据（虽然很难），但它仍然不能理解地球上的每个人，因为您不可能教机器，人类所要理解的复杂性。
目前的 AI 技术是由人类训练及指导而来，包括从开发它们的编程人员到使用它们的个人。每个人都应该可以选择自己与 AI 系统互动的方式，以及需要共享哪些信息，也就是您可以让 AI 有多少程度地了解“您”。
Z
Zeros & ones 0 与 1 -0和1是计算机的基本语言，也称为“二进制码”
0和1是计算机的基本语言，也是 AI 系统处理信息的方式。
01000001 01001001 对您来说可能看不出来是什么字，但是电脑认得此二进制码是“ AI ”
处理二进制信息的方法可能在 AI 发展上有局限性，因为目前 AI 系统需要处理大量数据来强化对人类世界的了解。
随着计算机的运算能力变得越来越强大，逐渐发展成为超级计算机和量子计算机时，将使得 AI 系统变得更加复杂与多变。
