本文译自树莓派基金会文章 How we’re learning to explain AI terms for young people and educators，2023 年 6 月 13 日发表。原文
我们说“人工智能”的时候，到底在说什么？“AI”这个词如今被用来描述太多不同的东西，以至于别人一说“AI”，你很难立刻知道他指的是哪个。但如果对 AI 和相关术语没有共同的理解，我们就没法讨论它，也没法教孩子。
所以在与 Google DeepMind 合作设计 Experience AI 课程材料时，我们决定为关键术语写一组简短的解释。
先看一个成品
这是我们给 11-14 岁孩子写的“人工智能”解释：
人工智能（AI）是对那些看起来在模仿智能行为的系统的设计与研究。有些 AI 应用基于规则。更常见的是，如今的 AI 应用用机器学习构建，据说它能从数据形式的例子里“学习”。比如，有的 AI 应用被造出来回答问题或辅助诊断疾病，也有的可能被造出来用于有害目的，比如传播假新闻。**AI 应用不会思考。**AI 应用被造出来，以一种看起来智能的方式完成任务。
完整的术语表里有 32 条这样的解释。
写作原则
我们先找了可靠的来源：牛津英语词典、Google 的机器学习术语表、图灵研究所的数据科学与 AI 术语表、吴恩达的《AI for Everyone》等公认课程、AAAI 的 AITopics 文章。
然后定了几条原则，每条解释必须：
- 准确
- 有教育研究依据
- 适合目标年龄（11-14 岁）
- 避开在计算机科学里另有含义的词，比如“算法”
用词很重要。用对了，能帮孩子建立理解；用得前后不一致，就会产生干扰理解的错误概念。
除了这些解释本身，还有一个副产品：一份“不该怎么谈 AI”的蓝图。其中一条是避免拟人化，我们同事另写过一篇。
具体方法：语义波
教育研究给我们的一个直接工具，叫语义波（semantic waves）。每条解释拆成三部分：
波峰——开头一两句，高度抽象地解释这个词，尽量短，引入关键词和概念。
波谷——中间部分，用一个孩子熟悉的、常见的例子把含义拆开讲。
回到波峰——最后一两句，把例子里讲的东西重新抽象起来，跟这个术语接上。结尾应该呼应开头那个波峰，并且补一点信息，引向下一个概念。
多数解释里还有“波中”的句子，添加抽象内容，把具体例子和抽象概念桥接起来。
按这个结构，上面那段“人工智能”的解释是这样分层的：
| 层次 | 句子 |
|---|---|
| 波峰 | 人工智能是对那些看起来在模仿智能行为的系统的设计与研究。 |
| 波中 | 有些基于规则。更常见的是用机器学习构建，据说它能从数据形式的例子里“学习”。 |
| 波谷 | 比如回答问题、辅助诊断疾病；也可能被用于有害目的，比如传播假新闻。 |
| 波中 | AI 应用不会思考。 |
| 波峰 | AI 应用被造出来，以一种看起来智能的方式完成任务。 |
值不值得花这个时间
有些解释改了十几遍才定稿。花了几个月去想、写、改、讨论、论证之后，很难不冒出一个念头：我是不是让聊天机器人生成一下就行了？
我真去试了，提示词是“用适合 11-14 岁学生的词汇解释什么是人工智能，避免拟人化”。结果里有好几处不符合我们的原则，还有两处技术上的不准确。
也许再调调提示词能得到更好的结果。但依赖聊天机器人的输出，意味着放弃这项工作本身的价值——那是和团队、和合作伙伴一起把一件事想清楚的过程。
编者按：语义波这个结构，家长在家里也能直接用。孩子问“什么是机器学习”，试着按三段来答：先一句抽象的（“让电脑从例子里找规律”），再举一个他熟悉的例子（“就像你看多了猫的照片就认得猫”），最后收回来一句（“所以喂给它的例子是什么样，它学到的规律就是什么样”）。
比一上来就讲原理管用，也比“这个说不清楚”敷衍过去强。