人工智能时代的劳动力问题很是令人担心。。。并且，
，人们关于自动化及其对事情的影响更是忧心忡忡。。。

与之前影响劳动力生长差别的是，
，机械学习和人工智能对差别领域都有着普遍的影响。。。并且，
，突然之间，
，数据汇合、更好的盘算能力和算法都泛起得太快，
，以至于这种转变的速率比政府、公司和教育机构的反映和顺应速率都要快得多。。。

若是你把问题反过来问，
，“人工智能不善于做什么？？”或者是“人类善于做什么，
，尚有什么留给我们去做？？”有两件事关于机械来说很难做到，
，其一是展现创立力，
，另一个是社交手艺和认知能力。。。

看护就是一个涉及社会认知角色的好例子。。。你可以将一些日常中例行的事情设为自动化，
，可是其他的一些方面真的依赖于社交手艺和认知能力，
，这正是机械所不具备的。。。

至于创立力，
，机械的行为可能看似富有创立力，
，例如当它们在下围棋或国际象棋时体现出很睿智的行为，
，但现实上，
，这是来自于详尽的枚举和对底层数据评估之后的效果，
，并不降生于创立力的火花之中。。。

人们强烈呼吁不但要关注再培训，
，并且要关注基础教育。。。我们今天教育的方式，
，纵然是在K-6或K-12阶段时，
，都没有足够重视创立力、社会洞察力、设计和团队协作能力的作育。。。这些在未来都是很是主要的事情，
，并且现在已经很主要，
，它们的生长速率远比我们顺应它们的速率要快得多。。。

在STEM（科学、手艺、工程、数学）所有领域中确实有一个代表性缺乏的问题，
，相较于其他领域，
，盘算机科学占有较高的问题比重，
，而相较于通用盘算机科学，
，人工智能又占更高的比例。。。因此多样性无疑是一个很主要的问题，
，并且做这项事情的手艺职员严重欠缺。。。有一种普遍的呼声是：“我们需要更多的人，
，以是我们着实不可将人才留在办公室里。。。”

可是尚有另一点：这个正在被创立的手艺（多样性）在各行各业中云云主要，
，以至于会将大宗的人扫除在对话之外，
，这将使得这些人在我们社会的各领域中失去作用，
，而不但仅是盘算机科学领域。。。

在飞往达沃斯的飞机上，
，我看到他们的自动肥皂分配器——需要你把手放置在下面——但这并不适用于许多非裔美国人。。。事实证实，
，许多这样的分配器拥有低廉的传感器，
，它们对颜色越浅的皮肤越有识别度。。。他们只对一小部学生齿举行了测试和评估，
，这不是有意识的种族主义——一些人没须要仅仅为了让非裔美国人很难获得肥皂而选择自制的传感器——但显然，
，在设计和测试上，
，（他们）没有将足够多样性的人群思量在内。。。你可以想象，
，若是12%的设计师和12%加入装备试验的人都是非裔美国人的话，
，那么就不会爆发这种情形。。。

我们可以做一些差别的事去吸引更多的多样性，
，但没有一个极为有用的方案。。。但我们在普林斯顿做的一件事是提供（理科的）工程学和盘算机科学（偏文科的）学士学位。。。在院系里，
，他们是相同的，
，可是各自的进入路径是差别的：大一时，
，工程学的学生学习物理和化学，
，与此同时，
，盘算机科学学生学习的是外语或者其它人文课程。。。因此，
，这些学生在入学时不必知道他们是否想成为一名工程师，
，它们也不需要去学习一些相关的先修课程，
，由于坦率说，
，这些先修课程和工程学的关系比对盘算机科学的关系更大一些。。。

通过pp电子后进入路径步入盘算机科学的本科生中，
，有凌驾50%的是女性。。。这也体现该项目在让女性获得学位上是更高效的。。。

已往几年，
，我们看到这个项目一直飞速生长。。。经常爆发的事是，
，在你大一的时间你上了盘算机科学的课程，
，你喜欢上了它，
，你看到它影响你其他兴趣的潜力，
，然后你被迷住了。。。

多样化的第二种吸引方式就是pp电子入门课程，
，有60%学生来上这门课，
，这是一个很是外向的课程。。。它集中在关于盘算、艺术、音乐和科学的跨学科应用上。。。在这个项目中，
，把你在课堂上写的工具展示给你室友或者怙恃，
，你不会感受到尴尬，
，他们会以为很是有趣。。。将你的电脑页面设置成音乐界面，
，你可以用盘算机科技中的递推看法创立艺术。。。我以为它资助我们更好地接触电脑科学。。。这个课程中，
，有40%-50%的学生之前没有做过编程，
，因此我们有单独的讨论部分，
，若是你之前没有做过编码，
，你可以选择加入。。。

我们将在下学期做一个实验，
，用核磁共振机械扫描一些学生，
，虽然，
，这是自愿的。。。当他们寓目录像课程时，
，我们可以一窥他们是怎样学习的，
，看学生之间、时间之间的差别，
，以及他们在寓目视频时对看法的明确上有什么差别，
，他们的注重力水平怎样等。。。对人们怎样学习举行研究，
，有希望资助我们在教育这条路上明确得更深。。。

我们还可以把机械学习应用于我们网络到的神经系统科学数据，
，或者一些很寻常的事情，
，好比纪录学生回看录像视频的次数，
，他们在哪按下暂停、在哪放慢速率，
，看得更详尽。。。机械学习能够资助我们更准确地相识到学生们在哪块挣扎，
，哪块没有被诠释清晰，
，或者两者都有。。。很显然，
，这些都是相关的，
，并且它们也能资助我们让学生举行个性化的学习；；；；；相较于一刀切式的课堂教育，
，学生们能够在一个更有用率的蹊径中学习。。。