先說人工智慧是我的興趣，但不算是我的專長。要回答這個問題，得先說明到底人工智慧發展的歷史與近期的方向。其實人工智慧已經發展了數十年之久，許多成果早被產品化，IBM的「深藍」擊敗西洋棋棋王Kasparov的經典戰役也已悄悄地過了二十個年頭。一年多前，AI擊敗圍棋棋王李世石，帶起另一波人工智慧的旋風，卻是與人工智慧的一個特別的流派 - 類神經網路有關。
類神經網路，起源於對人類神經系統的觀察。它模仿了人類神經元彼此連結傳遞信息的模式。模仿自然界，常常是人類科技進步的重要起步。但就功能學習的角度來說，「我們要做的是飛行器，而不是複製鳥」。也因此，從數十年前類神經網路的理論被提出時，就不斷受到其他各流派的挑戰。首先是：結果不好(或不夠好)，或是其他的方法更省運算時間。這樣的說法在AI擊敗李世石之後當然是幾近銷聲匿跡了。其實類神經網路，或是「深度學習」的演算法，一直要到硬體技術成熟才終於大放光采。簡單地說，之前的失敗與其說是方法上的失敗，不如說是我們在硬體上沒辦法真正去模仿神經元那樣大量又快速的訊息傳遞。
但是從光明面來看，黑箱作業的好處就是大大降低了人工智慧的入門門檻。以往要做出好的機器學習系統，工程師必需對系統的參數特徵有很深入的瞭解，並且能夠有效率地進行特徵的篩選。但深度學習的趨勢，就是強調只要有簡單的起始參數外加神經元架構(五層? 六層? 全連結? 部份連結?)，接下來要做的就只有不斷嘗試。就算五層跑得比六層要好，反正不可能知道為什麼，結果照用就對了。從極端的情形來說，未來的「人工智慧工程師」，可能會「降級」成為「人工智慧技師」，真正達到人人皆可搞AI的景況。
回到標題，所以人工智慧到底取代了什麼?
(1) 知識的主權性
某種意義上來說，類神經網路流派所擊潰的，是人類「知識主權」的自尊心。傳統來說，人類掌握了知識的全部，我們習慣站在更高的姿態來「教導」機器。但圍棋棋王的失敗，也告訴我們，機器的確可以做得比人好，就算我們不知道為什麼。
(2) 知識的處理和分析
一般來說，知識運用有三階段，記憶、分析、轉化。早期電腦/網路所取代的，是記憶性的靜態知識，這還不算是人工智慧的範疇，Wikipedia/Google搜尋基本上滿足了九成九以上我們對靜態知識的需求。新一波人工智慧所取代的，則是知識的分析能力，包括口語的分析(IBM的「華生」在2011年在機智問答的節目上打敗人類)、訊息內容的分析等等。華爾街的大數據自動交易系統早就使用人工智慧來評斷每一則新聞對於股市會是正面還是負面的影響(本來是人類分析員的工作)。我們也可以想見，這樣的趨勢也會擴展到各行各業，包括醫療/法律等。
所以，我們要怎麼教小孩?
(1) 養成「做中學、錯中學」的習慣。
傳統的教育，常常會讓孩子覺得成功來自於完備的知識(所以考試要考一百分)。但這是一個錯誤的迷思。其實從人工智慧的經驗來看，「多方嘗試」常常比「完全理解」一樣事物更重要。
(2) 重視知識的轉化。
如何把學習到的知識重新組合，成為新的創作，乃是下一代不會被人工智慧取代的內容之一(當然人工智慧也在朝這個方向進行)
(3) 回歸人本精神。
學之於人、用之於人。只要機器還沒變成人的那一天，以人為對象的行為與思考就不可能會被機器取代。學習上更重要的可能是孩子如何能夠觀察他人、與人交流，並能將知識轉變成對他人的幫助與益處。這項任務短期內機器是無法取代的。
下回孩子從學校回來，不必問他學到了什麼，問問他今天交了哪些朋友吧!
推薦閱讀：
Kasparov對人工智慧的省思
AlphaGo v.s 李世乭
深度學習的介紹
