适合谁
- 好奇机器预测和生成内容如何工作的学习者
- 准备研究数据驱动行为的编程或制作学习者
课程 / 人工智能
理解 AI 能做什么、不能知道什么，以及谁仍然需要负责。
学习者先研究数据和模型行为，再用 AI 制作或自动化。真正的 AI 素养包括质疑输出，而不只是生成输出。
可以先从 AI 素养开始，再逐步进入代码与模型实验。OPEN问题
01 / 提问02 / 理解03 / 构建04 / 验证01
BIAA / FIT
适合谁，以及如何判断起点
课程起点以学习准备度、已有经验和目标为依据，不只按年龄简单分班。
- 01好奇机器预测和生成内容如何工作的学习者
- 02准备研究数据驱动行为的编程或制作学习者
- 03前置要求：AI 素养入门不要求编程基础
- 04前置要求：模型制作项目需要基础数据处理和编程能力
02
BIAA / QUESTIONS
学习者要研究的核心问题
每个单元从一个可以通过观察、编程、制作或证据回答的问题开始。
- 01训练数据如何影响模型输出？
- 02什么证据能够说明 AI 系统有效？
- 03什么情况下必须由人复核、推翻或拒绝自动结果？
03
BIAA / LEARNING
学习内容与实践能力
技术知识与规划、记录、测试和表达同步发展。
- 01数据采集、标注与表示
- 02分类、预测和生成系统
- 03准确性、不确定性与比较基线
- 04偏差、隐私、署名和环境成本
- 05人类监督与局限说明
04
BIAA / OUTCOMES
学习成果
课程成果是可说明过程的学习作品，不承诺未经证实的奖项、证书或升学结果。
- 01边界清晰的小型 AI 研究或原型
- 02说明数据、预期用途和局限的模型卡或系统说明
- 03比较提示、样本或测试数据变化后的输出
05
BIAA / PROCESS
学习过程与评价
学习者沿着可重复的工程循环推进，并依据公开标准获得反馈。
- 01明确决策或创作任务
- 02检查并准备适当的数据或样本
- 03建立边界清晰的模型交互
- 04测试失效情况并记录人类复核
- 05评价：主张与测试证据相符
- 06评价：披露数据选择和局限
- 07评价：能够说明系统不应使用的情况
06
BIAA / RESPONSIBILITY
安全、伦理与下一步
凡涉及工具、数据、人工智能或自主系统，负责任的实践都属于课程内容。
- 01未经允许不得上传敏感、私密或受版权保护的材料
- 02生成内容必须核验并清楚注明
- 03不能把高影响决策交给课堂原型
- 04下一步：在边界清晰的机器人或物联网项目中应用 AI
- 05下一步：进入 AI for Good 或研究创新方向
BIAA / PROGRAMME FRAMEWORK
学习者需要呈现什么证据
起点与基础
- AI 素养入门不要求编程基础
- 模型制作项目需要基础数据处理和编程能力
核心问题
- 训练数据如何影响模型输出？
- 什么证据能够说明 AI 系统有效？
- 什么情况下必须由人复核、推翻或拒绝自动结果？
学习内容
- 数据采集、标注与表示
- 分类、预测和生成系统
- 准确性、不确定性与比较基线
- 偏差、隐私、署名和环境成本
- 人类监督与局限说明
项目证据
- 边界清晰的小型 AI 研究或原型
- 说明数据、预期用途和局限的模型卡或系统说明
- 比较提示、样本或测试数据变化后的输出
学习过程
- 明确决策或创作任务
- 检查并准备适当的数据或样本
- 建立边界清晰的模型交互
- 测试失效情况并记录人类复核
如何评价进步
- 主张与测试证据相符
- 披露数据选择和局限
- 能够说明系统不应使用的情况
安全与伦理
- 未经允许不得上传敏感、私密或受版权保护的材料
- 生成内容必须核验并清楚注明
- 不能把高影响决策交给课堂原型
下一阶段
- 在边界清晰的机器人或物联网项目中应用 AI
- 进入 AI for Good 或研究创新方向
需要了解的问题
这是一门提示词课程吗？
提示设计可以成为研究内容，但课程还覆盖数据、模型行为、评价、偏差、隐私和人的责任。
学习者会制作生产级 AI 系统吗？
不会作出这种主张。项目是为受监督学习设计的有限研究或学院原型。
BIAA / NEXT STEP
选择 AI 学习路径 选择 AI 学习路径
可以先从 AI 素养开始，再逐步进入代码与模型实验。