人工智慧

本節將簡述 AI 的發展史與分類，接著進一步探討國內外 AI 教育 上的現況與相關研究，整理相關 AI 教材，以建立苯研究發展 AI 素養 測驗題項內容之理論基礎。

一、AI 的定義與當代發展

AI 係指人造的機械智慧技術，透過電腦程式運算，利用演算法進行 數據的處理和分析，甚至展開學習功能，模仿人性地思考及行為

（Domingos, 2015）。AI 的概念自 1950 年代提出以來便引起計算機界熱 議，各種演算法相繼提出，目標是讓 AI 能模擬人類的思考能力，使機 器成為智慧代理人（Intelligent Agent）。但由於當時電腦計算能力的不足，

且僅能在特定領域解決問題，所以這項技術漸漸乏人問津（Li & Zhang, 2017）。雖然在 1980 年代中期語音辨識、語意翻譯、視覺辨識等概念被

電腦運算速度激增，運算能力開始能滿足 AI 的演算需求，AI 又再度成 為熱門的話題，大數據、深度學習的概念相繼提出，亦擴展了 AI 的研 究範疇與實用性。

AI 的研究涉及內容廣泛，被認為是科學與工程學以外的新學科，是 一門跨學科的領域，目前熱門研究項目包含類神經網路（Neural Network）、

自然語言處理（Natural Language Processing）、電腦視覺（Computer Vision）、機器學習（Machine Learning）、深度學習（Deep Learning）等

（Kandlhofer, Steinbauer, Hirschmugl-Gaisch, & Huber, 2016），不論是在 學術或產業上都有高度的曝光。

類神經網路與 AI 研究起源有重要關聯。1943 年心理學家 Donald Olding Hebb 研究神經元如何處理信息的模型，提出大腦如何進行學習的 假說，隨後被學者們用於訊號處理的研究上。現代的類神經網路是一種 基於數學與統計基礎的實際應用，能根據輸入的資訊調整數學模型，也 就能夠具有學習功能（Hassabis, Kumaran, Summerfield, & Botvinick, 2017;

Ching, et al, 2018）。

在 AI 的發展過程中，由於大型的類神經網路運作需要進行大量的 計算，早期的電腦無法提供足夠的運算能力，使得類神經網路的研究沉 寂了一段時間。但隨著電腦計算能力的進步，類神經網路的研究又浮出 檯面，由電腦透過演算法，不斷從經驗中自動修正、調整建模的行為，

即稱作機器學習，亦是 AI 領域發展路上的重要根基（Ressell & Norving, 2010）。

而深度學習屬於機器學習的一支，其建立於大數據的基礎上，歸功 於GPU、TPU 平行運算技術以及分散式運算技術的發展，使得機器學習 得以加速並深化發展，也就是深度學習的概念（Helmstaedter, 2015）。深 度學習關鍵的改進是與「深層」網絡合作，這些網絡包含更多隱藏層，

並且可以通過新的數學理論模型進行訓練，大幅提高數據判讀的準確性，

使其在語音辨識、圖像識別的應用上有了更佳的表現（Ching et al., 2018;

Schmidhuber, 2015）。

自然語言處理是 AI 的分支學科，主要探討如何分析及處理自然語 言，由於語言涉及文化社會的廣泛知識及人類的情感，自然語言處理被 視為是 AI 的重要挑戰。除了語音辨識外，自然語言處理最大困難在於 口語表達時各個詞彙通常是連續的且句法多變存在模糊空間，使得語意 難以清楚解釋。自然語言處理使用數學模型來處理上述問題，利用統計、

機率等方法來消歧句義模糊之處，歸功於大數據及深度學習技術，使得 近年來 AI 在自然語言處理獲得良好的成果（Goldberg, 2016）。

電腦視覺係研究機器如何從圖片及影像中擷取資訊進行處理，並獲 得高層次的理解。從工程的角度來看，電腦視覺至少包含對圖片或影像 中目標的辨識、測量、追蹤及資訊組織。電腦視覺是個跨領域的研究，

除電腦科技外，亦涉及物理、生物學、幾何學以及統計學，透過嚴謹的 數學模型及科學分析，能根據圖像的線索進行形狀推斷，例如輪廓、陰 影及紋路，達到物體的辨識，結合深度學習基於特徵的演算，電腦視覺 甚至做到圖像的修補、渲染及重建 (Soltani, Huang, Wu, Kulkarni, &

Tenenbaum, 2017)。

綜合以上，AI 的領域正在蓬勃成長，不少技術亦已成熟，因此產業 發展與人才培育儼然成為當代各國重要的政策目標，在教育上的施行顯 得刻不容緩，學習 AI 將會成為未來學生的基本課程。

二、AI 教學

AI 教學係指教師藉由相關教材，教導學生 AI 相關課程內容。例如 何為AI、AI 如何影響我們的生活、怎麼妥善應用 AI 於日常生活中等。

Fernandes（2016）即發展出以 AI 優化避障機器人的 PBL 課程，改變以 往避障機器人車的解題策略；Guzman（2018）透過受試者與智慧行動助 理的互動，讓不同的使用者描述體驗後的感覺，大腦中的印象是與機器 對話、還是與科技產品對話。

這類課程能夠讓學生體驗到 AI 如何存在我們的生活當中，並有機 會學習整個 AI 運作的過程與重點演算法，對該技術有初步的認知與真 實經驗。

然而，AI 的教學其實並不容易，典型的 AI 教學多為講述式教學，

以現實案例及程式編碼進行演示，其實對初學者來說是相對不易入門的

（潘志傑，2009）。加上 AI 的背後理論性強，艱深的數學與運算思維並 不適用在每一位學童身上，不論是現成的範例、實踐活動或應用體驗皆 屬稀少，容易讓學生感到這領域過於理論、整體抽象難懂（謝榕、李霞，

2014），造成學生缺乏完善的 AI 認知，甚至對該領域產生排斥，學習興 趣低落，這樣的情況均不是教育工作者樂見的。

因此，就有學者透過實體機器人課程輔助 AI 教學。除了上述的 Fernandes 透過 AI 製作避障機器人之外，Kumar 和 Meeden（1998）也曾 在大學以機器人實驗進行 AI 入門課程的教學活動，強調演算法的設計 可用以使機器人完成不同任務，同時讓學生接觸軟硬體之設計，這樣的 機器人實體操作的確讓學生對 AI 更有真實感，也成功大幅提升學生的 學習興趣，對於AI 的認知更加清晰。

由此可知，AI 的教學設計，因為富含理論與背後的數學、科學概念，

所以面對抽象思考尚在發展的學生時，應透過適當的安排，結合實作或 體驗活動，幫助學生建立邏輯上的理解，並了解這項科技如何應用在生 活中，以及人類可以怎麼去操控這項技術，幫助人類完成工作或擁有更 好的生活。

三、AI 教材

鴻海教育基金會（2019）與教育部（2019）相繼於我國發行 AI 教 材課本。鴻海教育基金會創辦人郭台銘邀請產、學專家群，編篡《AI 導論》一書，並於 2019 年 6 月出版發行，於北中南開辦教師培訓研習，

發送課本給與會者，方便第一線教師帶回各自學校進行教學。該教材針 對我國高中生設計，以生活案例引發興趣，詳述深度學習的基礎知識，

並涵蓋不同技術的介紹，幫助高中學生全面了解 AI 各領域之發展。

教育部亦邀請 AI 技術及應用人才培育計畫團隊根據十二年國民基 本教育課程綱要，編篡《和 AI 做朋友》系列教材，於同年 8 月發行，

並公開於教育部教育雲網站供教師自行取用。該教材共有三冊，分別為

〈相逢篇〉的國小教材、〈相識篇〉的國中教材、與〈相知篇〉的高中 教材。配合不同年段學生在數理知能的先備知識，所編排之學習內容所 涵蓋的深度與廣度皆做適度調整；認知層面的知識之外，亦發展實作教 材，除了實體教具（卡牌、遊戲式學習單）之外，中小學結合 Scratch、

高中以Jupyter Notebook 為執行環境，搭配 Google Colab 的操作，讓學 生進行演練與開發 AI 應用程式，除了引起學生興趣之外，也呼應生活 中的應用實例。

然 AI 範疇非常廣泛，不同教材所重視的層面不同，本研究所定義 的AI 素養之知識內容，將以教育部所出版的教材為基礎，統整如表 2-1。

表2-1

表 2-1

表2-1 2. 了解分群Clustering的概念 3. 學習「K-means演算法」的運作

機制與相關應用

考量高中學生應已具備較充足的數理基礎，因此該教材以四種機器 學習方法的介紹為主，包括監督式學習、非監督式學習、增強式學習以 及深度學習；而編者考慮到學生在數理的先備知識現況，所以國小和國 中的AI 教材較更著重如何引起學生對於學習 AI 的興趣，除了簡單的 AI 發展史之外，AI 在當代生活中的實際應用也有不少著墨，深度的課 程內容則以介紹「監督式學習」與「非監督式學習」為主。

該 AI 教材包含國小、國中、高中三個年段，但考慮當代時空背景 中，我國現在不論是哪個年段的學生應該大多也是初次接觸 AI 課程，

所以相逢、相識、相知三種教材並沒有連續性，內容上僅有些許深度與 難度的調整（教育部，2019）。每一階段教材都可以獨立使用，每個教 材皆從 AI 簡介開始，依序介紹 AI 的核心內容和實際應用，希望不論是 哪個年段的學生，縱使沒有 AI 學習背景，亦能建立 AI 的基礎知能與正 向情意。