数据与机器——AI 凭什么会？
没有数据，AI 什么都不会。
核心问题：AI 的本领从哪来？为什么"喂什么数据"决定它会什么、又会在哪里出错？
怎么上：线上 × 线下协同
课前 · 导学
完成 3 个线上模块，在"数据训练台"里亲手验证数据如何决定 AI 的对错。
课中 · 实践
小组采集真实数据、标注、训练并测试自己的分类器，记录项目日志。
课后 · 复盘
用本单元的"批判清单"诊断"我的模型为什么不准"，提交一条数据缺陷分析。
线上模块（本平台）
数据的真面目
同一个任务，喂两批不同的数据，AI 表现天差地别——能力是数据"喂"出来的。
机器是怎么"学"的
不是背答案，是从例子里归纳规律；理解训练集 / 验证集 / 测试集为何必须分开。
特征：AI 眼里的世界
AI 不"看"整张图，它盯的是特征。选错特征，它就学歪。
线上仿真实验 · 数据训练实验室
教 AI 认水果：你喂什么，它学什么
- ① 数据的真面目
- ② 机器怎么学
- ③ 特征
小提示：先故意只把红苹果放进「苹果」，等会看看 AI 认不认青苹果。
这些是 AI 没见过的新水果。拖到「🤖 AI 判断台」，或点「⚡ 全部交给 AI」。
让 AI 判断
AI 对这些没见过的新水果的判断（✓ 对 / ✗ 错）：
AI 不是背答案，是从例子里找规律。可"怎么考"很关键——点下面两个按钮，对比两种考法。
AI 不"看"整张图，它盯的是特征。把下面去掉一个勾，再训练分类，看它会不会分错。
AI 的判断：
实验任务（边玩边自动勾选）
- ① 把 ≥ 6 个水果分进两框，训练一次
- ① 让 AI 把新水果分完，得到准确率
- ① 只标红苹果，看青苹果被 AI 判错
- ② 对比"复习题"和"新题"的准确率
- ③ 关掉一个特征，看 AI 分错图片
放到现实里：数据出问题，谁会受影响？
训练照片浅肤色居多，深肤色识别错误率明显更高——谁被漏掉，谁就被歧视。
用过去录用数据训练，过去多录男性，AI 就给女性简历打低分——偏见被自动放大。
只推你爱看的，越推越窄——你以为的"全世界"是被喂出来的，信息茧房。
❓ 这三个，和你刚才"只标红苹果、漏掉一类数据"，是不是同一个道理？
④ 通关任务
结合三段实验，举一个"因为数据有问题（缺失、偏向），AI 会出错或不公平"的真实生活例子，说清"哪种数据出了问题"和"会导致什么后果"。
提示：人脸识别、简历筛选、推荐内容、语音助手、自动翻译……谁被漏掉了？
走完 ①②③ 三段后再写 ≥ 20 字提交。
线下项目（学校组织）
训练一个迷你分类器
分小组选定一个真实分类任务（如校园垃圾分类、水果识别），亲历"采数据 → 标注 → 训练 → 测试"完整流程，并解释自己模型为什么准 / 为什么不准。
- 数据是否覆盖了足够多样的情况（不是只挑好拍的）
- 训练数据和测试数据是否分开，没有"拿练习题当考题"
- 能否说清模型靠哪些特征做判断
- 能否指出自己数据里的一处偏差，并说明它会导致什么错误
教师可下载本单元「线下组织包」（学生任务单 / rubric 评分表 / 答辩模板）：前往打印 →
带走的批判清单
对 AI 保持平视——动手前后都问一句
- 这批数据是谁收集的？有没有漏掉某些情况？
- 如果换一批数据，这个结论还成立吗？
- AI 答对了，是真的"懂"，还是刚好背景帮了它？