Siobahn Day Grady mierzy się z podziałem w finansowaniu edukacji AI
Siobahn Day Grady stworzyła pierwszy instytut badawczy AI na HBCU, mimo że system finansowania przeznacza tym instytucjom mniej niż jeden procent środków. Profil w IEEE Spectrum przedstawia jej pracę jako ambitne działanie na rzecz udostępnienia sztucznej inteligencji całej społeczności North Carolina Central University. Ważniejsze pytanie brzmi, czy ten model zdoła przetrwać nierównowagę finansową, którą ma przezwyciężyć.
W styczniu 2025 roku Grady uruchomiła Institute for Artificial Intelligence and Emerging Research NCCU, czyli IAIER. Od tego czasu, według profilu dotyczącego alfabetyzacji AI, zaangażował on ponad 2800 studentów, członków kadry i mieszkańców lokalnej społeczności. Jego programy wykraczają poza informatykę, obejmując pracę socjalną, opiekę zdrowotną, archiwa cyfrowe i inne dziedziny.
Wczesny zasięg instytutu przemawia za traktowaniem alfabetyzacji AI jako elementu edukacji ogólnej. Jednocześnie jego zależność od grantów i firm technologicznych ujawnia trudniejsze ograniczenie. Uniwersytety dysponujące mniejszymi środkami na badania muszą przygotowywać studentów do rynku pracy kształtowanego przez AI, konkurując z instytucjami o większych zasobach kadrowych, obliczeniowych i fundraisingowych.
To zasadniczy konflikt stojący za pracą Grady. Uniwersytet może uczynić edukację AI powszechną w salach wykładowych, ale dostęp do infrastruktury wspierającej tę edukację pozostaje bardzo nierówny.
Grady przekształciła laboratorium AI w instytut dla całej uczelni
IAIER zmienił strategię NCCU dotyczącą AI ze specjalistycznego projektu badawczego w ogólnouczelniany program rozwoju kadr i edukacji.
Plan Grady nie zaczął się od instytutu. W 2020 roku utworzyła na NCCU Laboratory for Artificial Intelligence and Emerging Research. Laboratorium dawało studentom możliwość pracy nad projektami z zakresu uczenia maszynowego, interakcji człowiek–komputer, opieki zdrowotnej i systemów autonomicznych.
Ta struktura nadal koncentrowała się na grupie badawczej. Mogła służyć uczestniczącym studentom i wspierać wybrane projekty, lecz nie mogła dotrzeć do każdego wydziału. Grady zaczęła rozważać szerszy model, gdy w 2024 roku pojawiła się możliwość uzyskania grantu od Google.
Powstały w ten sposób instytut otrzymał 1 mln dolarów od Google.org. NCCU opisuje IAIER jako centrum interdyscyplinarnej edukacji, badań i odpowiedzialnego rozwoju AI. Jego opis instytutu wskazuje również, że jest to pierwszy instytut AI działający przy HBCU w Stanach Zjednoczonych.
Rada powiernicza uczelni formalnie zatwierdziła IAIER 17 grudnia 2025 roku, po przeglądzie instytucjonalnym. Zatwierdzenie to nadało organizacji status wykraczający poza pierwotne laboratorium prowadzone przez kadrę. Umożliwiło też instytutowi koordynowanie programów akademickich, partnerstw, grantów badawczych i szkoleń dla społeczności.
To rozróżnienie ma znaczenie, ponieważ alfabetyzacja AI nie jest tym samym co kształcenie informatyków. Oznacza rozumienie, co systemy AI potrafią robić, gdzie zawodzą i jak ich wyniki wpływają na decyzje. Obejmuje także zdolność kwestionowania źródeł danych, identyfikowania ryzyk i używania odpowiednich narzędzi w ramach konkretnej dyscypliny.
Student pielęgniarstwa i student nauki o informacji nie będą korzystać z AI w taki sam sposób. Podobnie pracownik socjalny, archiwista, nauczyciel czy analityk biznesowy. Instytut obejmujący całą uczelnię może połączyć wspólne podstawy ze standardami zawodowymi każdej dziedziny.
Program grantów zalążkowych IAIER ilustruje takie podejście. W pierwszej raportowanej grupie instytut przyznał do 10 000 dolarów 11 projektom. Projekty te obejmowały pracę socjalną, opiekę zdrowotną, archiwizację cyfrową, naukę o informacji i inne obszary.
Jeden z projektów rozwija laboratorium symulacyjne wspierane przez AI dla studentów pracy socjalnej. Studenci mogą ćwiczyć interakcje z klientami, nie traktując systemu jako zastępstwa dla nadzorowanego doświadczenia terenowego. Ten scenariusz zmienia edukację AI w zagadnienie profesjonalnego osądu, a nie jedynie tworzenia promptów.
To cel bardziej wymagający niż pokazanie studentom, jak obsługiwać chatbot. Wymaga od członków kadry decyzji, kiedy AI poprawia uczenie się, kiedy wprowadza niedopuszczalną niepewność oraz jak studenci powinni dokumentować jej użycie.
IAIER organizuje również wydarzenia z udziałem firm takich jak Deloitte, FICO, Anthropic, IBM i Google. Te kontakty zapoznają studentów z aktualnymi oczekiwaniami rynku pracy, a kadrze dają wgląd w zmieniające się praktyki poza środowiskiem akademickim.
Zaangażowanie branży rodzi własne napięcia. Firmy rozwijają produkty AI szybciej, niż uniwersytety mogą aktualizować programy nauczania, zatwierdzać kierunki i szkolić wykładowców. Uniwersytety potrzebują więc zewnętrznej wiedzy, ale nie mogą pozwolić, by dostawcy definiowali alfabetyzację AI wyłącznie wokół własnych platform.
Instytut Grady znajduje się dokładnie w centrum tego napięcia. Korzysta ze wsparcia korporacyjnego, aby poszerzać uczestnictwo, jednocześnie ujmując edukację AI jako interdyscyplinarną odpowiedzialność akademicką. Kolejnym sprawdzianem dla instytutu będzie to, czy równowaga ta utrzyma się wraz z rozwojem programów i popytu.
IEEE Spectrum pokazuje, dlaczego alfabetyzacja AI staje się elementem edukacji ogólnej
Relacja IEEE Spectrum wyraźnie pokazuje, że alfabetyzacja AI należy dziś do całego programu nauczania, a nie do jednego wydziału technicznego.
NCCU nie ma jeszcze odrębnego programu informatyki, choć uczelnia rozwija kierunek informatyczny i specjalizację dodatkową z AI. Ten brak może wydawać się wadą. Skłonił jednak IAIER do modelu, w którym rekrutacja na informatykę nie jest warunkiem dostępu.
Każdy student pierwszego roku NCCU styka się obecnie z wprowadzającym szkoleniem AI w ramach UNIV 1100, obowiązkowego kursu edukacji uniwersyteckiej. Program rozpoczął się od grupy blisko 1700 studentów pierwszego roku jesienią 2025 roku, zgodnie z informacjami NCCU na temat obowiązkowego modułu AI.
Moduł wykorzystuje IBM SkillsBuild, internetową platformę edukacyjną oferującą podstawowe szkolenia technologiczne i poświadczenia. Studenci realizują materiał niezależnie od planowanego kierunku. NCCU podaje, że mogą także uzyskać dostęp do mentoringu i ścieżek stażowych z udziałem IBM oraz innych partnerów.
Umieszczenie modułu w obowiązkowym kursie zmienia to, kto otrzymuje szkolenie. Opcjonalne warsztaty zwykle przyciągają studentów, którzy już czują się swobodnie z technologią. Powszechny wymóg dociera do tych, którzy w przeciwnym razie mogliby uznać, że AI nie ma znaczenia dla ich pracy.
Ten projekt odzwierciedla argument Grady, że nie można już oddzielać systemów cyfrowych od zwykłego życia zawodowego. Rekruterzy coraz częściej oczekują od absolwentów oceny pracy wspieranej przez AI, komunikacji z systemami zautomatyzowanymi i rozpoznawania niewiarygodnych wyników. Oczekiwania te wykraczają dziś daleko poza tworzenie oprogramowania.
Jednak podstawy tworzenia promptów nie mogą być punktem końcowym. Student, który potrafi poprosić o podsumowanie, nie musi automatycznie rozumieć halucynacji, prywatności, praw autorskich ani wbudowanych uprzedzeń. Halucynacja to tworzenie przez model generatywny wiarygodnie brzmiących, ale niepopartych informacjami treści.
Alfabetyzacja AI musi zatem obejmować weryfikację. Studenci muszą porównywać wyniki z materiałami źródłowymi, ujawniać istotne wsparcie AI i rozumieć, kiedy poufne informacje powinny pozostać poza systemami stron trzecich.
Ta praca ma również wymiar zarządzania wiedzą. Studenci i badacze potrzebują wiarygodnych sposobów organizowania materiałów źródłowych, zanim poproszą AI o ich interpretację. Osobista baza wiedzy AI może wspierać ten proces, gdy zachowuje cytowania i utrzymuje powiązanie twierdzeń z dowodami.
Równie ważny staje się rozwój kadry. Instytucja nie może ustanowić wspólnych oczekiwań dotyczących AI, jeśli wykładowcy nie otrzymują czasu ani wskazówek na przeprojektowanie sposobów oceniania. IAIER współpracował z zespołami rozwoju kadry, aby pomagać edukatorom integrować AI z prowadzonymi przez nich zajęciami.
Integracja nie oznacza używania tego samego narzędzia w każdej sali. Wykładowca historii może skupiać się na weryfikacji źródeł. Wykładowca pracy socjalnej może analizować zgodę i granice zawodowe. Badacz zdrowia może koncentrować się na prywatności, walidacji i konsekwencjach fałszywych prognoz.
To podejście dyscyplinarne daje IAIER mocniejsze uzasadnienie niż ogólnemu centrum technologicznemu. Traktuje AI jako warstwę przenikającą wiele form pracy, jednocześnie uznając, że każdy zawód wiąże się z innymi ryzykami.
Model ten wywiera też presję na inne uniwersytety. Instytucje ograniczające nauczanie AI do technicznych zajęć fakultatywnych ryzykują, że wypuszczą absolwentów o nierównym przygotowaniu. Zamożniejsze uniwersytety mogą zareagować zatrudnieniem kadry i tworzeniem wyspecjalizowanych centrów, lecz mniejsze instytucje stają przed trudniejszymi wyborami.
NCCU wybrało najpierw szeroki zasięg. Zapewnia każdemu studentowi pierwszego roku podstawowy poziom wiedzy, równocześnie tworząc za tym fundamentem zaawansowane możliwości badawcze i kierunkowe. Podejście jest praktyczne, ale jego jakość będzie zależeć od stałego wsparcia kadry i regularnych aktualizacji programu nauczania.
Powszechny dostęp do AI zderza się z nierównym systemem badań
Model Grady rzuca wyzwanie strukturalnej niespójności: od HBCU oczekuje się przygotowywania talentów AI bez zapewnienia im równego udziału w inwestycjach badawczych.
Historycznie czarne koledże i uniwersytety stanowią 3,2 procent czteroletnich instytucji przyznających dyplomy. Otrzymały jednak zaledwie 0,91 procent federalnych wydatków na badania i rozwój w szkolnictwie wyższym w roku fiskalnym 2023.
Luka nie ogranicza się do jednego roku. Od 2018 roku HBCU otrzymują średnio 0,87 procent federalnego finansowania badań akademickich, zgodnie z opublikowanymi danymi federalnymi dotyczącymi B+R.
Rozkład środków między agencjami dodaje kolejną warstwę. Siedemnaście z 43 federalnych agencji zapewniających w 2023 roku fundusze na badania uniwersyteckie nie przyznało HBCU niczego. Oznacza to, że 40 procent uczestniczących agencji nie dokonało żadnej alokacji środków badawczych dla HBCU.
Dwa główne źródła finansowania również rozdzieliły nieproporcjonalnie małe udziały. Departament Zdrowia i Opieki Społecznej przekazał HBCU 0,54 procent finansowania badań akademickich. Departament Obrony przekazał 0,40 procent.
Dane te mają znaczenie dla AI, ponieważ zdolność badawcza się kumuluje. Federalne dofinansowanie może sfinansować badaczy studiów magisterskich i doktoranckich, dostęp do zasobów obliczeniowych, personel administracyjny oraz badania pilotażowe. Te zasoby pomagają instytucji konkurować o kolejny grant i przyciągać dodatkowych partnerów.
Ograniczone finansowanie wywołuje odwrotny efekt. Członkowie kadry poświęcają więcej czasu na przygotowywanie wniosków przy mniejszym wsparciu administracyjnym. Instytucje mają trudności z utrzymaniem laboratoriów pomiędzy grantami. Studenci otrzymują mniej płatnych możliwości badawczych, które mogą prowadzić do studiów podyplomowych lub zatrudnienia technicznego.
Problemem nie jest brak odpowiednich talentów. HBCU od dawna kształcą studentów, którzy pozostają niedostatecznie reprezentowani w zawodach związanych z nauką i inżynierią. Ich udział jest szczególnie ważny, gdy systemy AI wpływają na społeczności historycznie wykluczane z projektowania technologii.
Pochodzenie badacza nie gwarantuje sprawiedliwej technologii. Wykluczanie instytucji i społeczności z badań ogranicza jednak zakres zadawanych pytań. Zawęża też pulę osób zdolnych kwestionować wątpliwe założenia.
Interdyscyplinarne granty IAIER pokazują, jak szerszy udział może zmienić agendę badawczą. Członek kadry pracy socjalnej podchodzi do AI inaczej niż twórca modeli. Archiwista dostrzega problemy związane z zachowaniem, proweniencją i reprezentacją, które komercyjny zespół produktowy mógłby przeoczyć.
Instytut daje studentom także przestrzeń do badania tych kwestii przed wejściem na rynek pracy. Doświadczenie badawcze może nauczyć ich formułowania problemów, pracy z dowodami, testowania twierdzeń i komunikowania niepewności. Umiejętności te pozostają cenne, nawet gdy zmieniają się konkretne narzędzia AI.
Granty korporacyjne mogą pomóc wypełnić bieżące luki, ale nie zastępują trwałych inwestycji publicznych. Firma może zmienić swoje priorytety filantropijne, zreorganizować program lub zakończyć współpracę. Uniwersytety muszą wspierać studentów i wykładowców w dłuższych cyklach.
Finansowanie rządowe również może się zmieniać. Federalne budżety badawcze podlegają negocjacjom politycznym, a programy skoncentrowane na różnorodności spotykają się z dodatkową kontrolą. Jednorazowa alokacja może pobudzić działania, nie gwarantując jednak obsady etatów ani funkcjonowania po zakończeniu finansowania.
We wrześniu 2025 roku rząd federalny ogłosił jednorazową inwestycję w wysokości 500 mln dolarów w HBCU oraz instytucje założone przez plemienne rządy rdzennych Amerykanów. To zobowiązanie zapewniło wsparcie w krótkim terminie, lecz jego jednorazowy charakter nie rozwiązał powtarzającej się luki w finansowaniu badań.
Dla IAIER podział w finansowaniu sprawia, że rozwój staje się ryzykiem. Sukces przyciąga więcej studentów, projektów wykładowców, próśb ze strony społeczności i potencjalnych partnerów. Każdy nowy program zwiększa potrzeby w zakresie koordynacji i wsparcia, których tymczasowy grant może nie pokryć.
Grady wskazała finansowanie jako największą barierę dla trwałości instytutu. Ta ocena komplikuje optymistyczną narrację tworzoną przez wysoką frekwencję. Dotarcie do tysięcy osób dowodzi popytu, ale nie dowodzi, że model operacyjny może sam się finansować.
Główną przeszkodą nie jest więc inny uniwersytet ani laboratorium AI. Jest nią różnica między powszechnym dostępem jako obietnicą a nierównymi możliwościami badawczymi jako rzeczywistością.
Partnerstwa z branżą poszerzają dostęp, ale nie mogą wyznaczać programu nauczania
Partnerstwa technologiczne zapewniają NCCU cenne zasoby, jednak uniwersytet musi zachować kontrolę nad znaczeniem odpowiedzialnej edukacji AI.
IAIER współpracował z Google i IBM przy szkoleniach oraz certyfikatach. Organizował także sesje z udziałem pracodawców i firm AI. Relacje te łączą studentów z narzędziami, badaczami, sieciami zawodowymi i potencjalnymi ścieżkami kariery.
Instytut był gospodarzem pierwszego OpenAI Academy Summit zorganizowanego na HBCU. Wydarzenie zgromadziło w NCCU 444 uczestników z ponad 40 instytucji, według relacji IEEE Spectrum. Oficjalny szczyt HBCU obejmował dyskusje o edukacji, przygotowaniu do rynku pracy, przedsiębiorczości i odpowiedzialnym wdrażaniu.
Wartość tej sieci jest znacząca. Studenci dobrze finansowanych uniwersytetów często zyskują nieformalny dostęp do odwiedzających badaczy, absolwentów i rekruterów. Wydarzenia organizowane w NCCU mogą zmniejszyć dystans między studentami HBCU a organizacjami kształtującymi zatrudnienie w AI.
Certyfikaty mogą również uwidaczniać nowo zdobyte umiejętności. Student bez kierunku technicznego może skorzystać z uznanego certyfikatu, który sygnalizuje podstawowe przygotowanie. Certyfikaty są jednak użyteczne tylko wtedy, gdy pracodawcy rozumieją, co mierzą.
Istnieje ryzyko, że alfabetyzacja AI stanie się zbiorem odznak konkretnych dostawców. Odznaka może potwierdzać ukończenie kursu, nie pokazując jednak, czy student potrafi zakwestionować wynik, chronić wrażliwe dane lub rozpoznać nieodpowiednie zastosowanie.
Edukacja skupiona na dostawcach może też szybko się zestarzeć. Interfejsy produktów, nazwy modeli i warunki subskrypcji się zmieniają. Studenci potrzebują przenośnych koncepcji, które pozostają użyteczne, gdy zmienia się preferowane narzędzie.
Uniwersytety muszą zatem odróżniać znajomość produktu od trwałej alfabetyzacji. Znajomość produktu pomaga studentom produktywnie korzystać z obecnych systemów. Trwała alfabetyzacja pomaga im oceniać przyszłe systemy i rozpoznawać powracające problemy.
Ta sama zasada dotyczy badań prowadzonych przez wykładowców. Wsparcie korporacyjne może finansować eksperymenty i zapewniać dostęp techniczny, ale pytania badawcze nie powinny całkowicie zależeć od komercyjnego planu rozwoju firmy. Niezależne badania są niezbędne, gdy naukowcy analizują uprzedzenia, skutki dla pracy, prywatność lub awarie systemów.
Interdyscyplinarna struktura IAIER zapewnia pewną ochronę przed wąskim myśleniem zorientowanym na dostawców. Jego projekty zaczynają się od problemów w takich dziedzinach jak praca socjalna i archiwistyka. Technologia służy pytaniu badawczemu, zamiast je definiować.
Mimo to zależność instytutu od partnerstw zewnętrznych tworzy uzasadnioną niepewność. Publicznie raportowane dane o uczestnictwie nie pokazują, ilu studentów kończy długotrwałe szkolenia. Nie pokazują też, czy absolwenci skutecznie wykorzystują te umiejętności po opuszczeniu NCCU.
Opublikowano niewiele długoterminowych dowodów dotyczących wyników zatrudnienia, produktywności badawczej lub zmian w praktyce wykładowców. Taki brak jest zrozumiały w przypadku młodego instytutu, lecz ogranicza szerokie twierdzenia o skuteczności modelu.
Istotne pytanie nie brzmi, czy IAIER już rozwiązał problem nierównego dostępu do AI. Nie miał wystarczająco dużo czasu, finansowania ani opublikowanych danych o wynikach, by poprzeć taki wniosek. Pytanie brzmi, czy jego wczesna struktura tworzy mierzalny postęp, który inne instytucje mogą powielić.
Użyteczna ocena oddzielałaby frekwencję na wydarzeniach od głębszego zaangażowania. Śledziłaby ukończenie kursów, udział w badaniach, staże, certyfikaty, dalsze losy absolwentów oraz pewność studentów w weryfikowaniu wyników AI.
Powinna również analizować, kto korzysta wewnątrz uniwersytetu. Powszechne szkolenie dla studentów pierwszego roku tworzy szeroki punkt wyjścia, ale zaawansowane możliwości nadal mogą koncentrować się wśród studentów dysponujących większą ilością czasu, wcześniejszym doświadczeniem lub kontaktami z wykładowcami.
Możliwości kadry stanowią kolejne ograniczenie. Granty zalążkowe mogą uruchamiać obiecujące projekty, ale badacze potrzebują czasu, wsparcia technicznego i kolejnych źródeł finansowania. W przeciwnym razie programy pilotażowe znikają po stworzeniu pierwszej demonstracji.
Żadna z tych obaw nie podważa strategii Grady. Określają one, jakich dowodów nadal potrzeba. Instytut pokazał, że HBCU może zorganizować widoczną, międzywydziałową inicjatywę AI. Nie wykazał jeszcze, czy model pozostaje stabilny po zakończeniu pierwszych grantów.
Trzy sygnały pokażą, czy model może przetrwać
Przyszłość IAIER będzie zależeć od trwałej infrastruktury, mierzalnych wyników studentów i replikacji poza jednym kampusem.
Pierwszym sygnałem jest dedykowana przestrzeń fizyczna NCCU dla instytutu. Grady powiedziała IEEE Spectrum, że IAIER planował otworzyć swoją pierwszą dedykowaną placówkę na kampusie jesienią 2026 roku. NCCU opisał budynek o powierzchni około 5 tys. stóp kwadratowych brutto, przeznaczony do nauki i badań.
Fizyczne centrum zapewniłoby studentom i wykładowcom stałe miejsce na projekty, mentoring, szkolenia i współpracę. Pokazałoby także, że uniwersytet włącza IAIER w swoje działania, zamiast traktować go jako tymczasowy program grantowy.
Sama placówka nie zapewni trwałości. Istotne będą szczegóły dotyczące zatrudnienia, wyposażenia, dostępu do zasobów obliczeniowych, funduszy operacyjnych oraz liczby programów, które może wspierać. Budynek bez powtarzalnych zasobów osłabiłby szersze twierdzenie instytutu.
Drugim sygnałem będzie uruchomienie i przyjęcie planowanego przez NCCU kierunku informatycznego oraz specjalizacji dodatkowej z AI. Programy te połączyłyby powszechne szkolenie wprowadzające z głębszymi ścieżkami akademickimi.
Dane o zapisach i ukończeniu będą ważniejsze niż samo ogłoszenie. Silny popyt pokazałby, że szeroka ekspozycja na AI zachęca studentów do podjęcia zaawansowanych studiów. Słaby postęp mógłby wskazywać, że szkolenie wprowadzające potrzebuje lepszego doradztwa, wymagań wstępnych lub wsparcia finansowego.
Wyniki powinny wykraczać poza kierunki techniczne. Wyróżniającą propozycją IAIER jest to, że AI należy do wszystkich dyscyplin. Badacze powinni więc obserwować, ile wydziałów tworzy zajęcia związane z AI, jak wykładowcy korzystają z grantów zalążkowych oraz czy interdyscyplinarne projekty trwają poza etapem pilotażowym.
Trzecim sygnałem będzie to, czy podejście NCCU stanie się możliwe do wykorzystania gdzie indziej. Grady powiedziała, że chce stworzyć ramy, które pomogą HBCU i innym uniwersytetom tworzyć podobne programy.
Replikacja wzmocniłaby argument, że IAIER reprezentuje coś więcej niż jednego skutecznego lidera lub grant. Sprawdziłaby również, które elementy można przenosić między instytucjami o różnych programach nauczania, populacjach studenckich i relacjach z branżą.
Powtarzalne ramy wymagałyby jasnych minimalnych wymogów. Uniwersytety potrzebowałyby wskazówek dotyczących rozwoju kadry, zasad odpowiedzialnego wykorzystania, oceny studentów, zarządzania badaniami, udziału pracodawców i trwałego finansowania.
Musiałyby także pozostawiać miejsce na lokalne priorytety. Instytucja wiejska może skupiać się na rolnictwie lub dostępie do opieki zdrowotnej. Uniwersytet miejski może kłaść nacisk na administrację publiczną, transport lub przedsiębiorczość społeczną.
W ciągu najbliższych kilku miesięcy te trzy sygnały powinny wyjaśnić trajektorię instytutu. Placówka z odpowiednią obsadą wzmocniłaby jego bazę instytucjonalną. Rozwijające się ścieżki akademickie pokazałyby głębszy popyt wśród studentów. Przyjęcie modelu przez inne uniwersytety wsparłoby twierdzenie Grady, że można go przenosić.
Niepowodzenie w przypadku któregokolwiek z tych sygnałów nie przekreśliłoby wczesnej pracy instytutu. Opóźnione placówki, słaby postęp lub brak replikacji pokazałyby jednak, gdzie entuzjazm wspierany grantami napotyka ograniczenia organizacyjne.
Profil IEEE Spectrum przedstawia liderkę, która skłania szkolnictwo wyższe ku szerszej definicji gotowości na AI. Najbardziej znaczącą ideą Grady nie jest to, że każdy student musi zostać programistą. Chodzi o to, że każdy student potrzebuje wystarczającego zrozumienia, aby kwestionować, kierować i weryfikować zautomatyzowane systemy.
Ta idea ma praktyczne konsekwencje dla studentów, pracodawców i uniwersytetów. Pracodawcy powinni wykraczać poza odznaki przypisane do konkretnych narzędzi i pytać kandydatów, jak oceniają pracę wspomaganą przez AI. Uniwersytety powinny mierzyć trwałe uczenie się, a nie tylko frekwencję. Studenci powinni traktować weryfikację i osąd dziedzinowy jako podstawowe umiejętności.
Ta historia nakłada również odpowiedzialność na fundatorów. Trudno domagać się bardziej reprezentatywnej kadry AI, jednocześnie utrzymując system badawczy, który kieruje mniej niż jeden procent federalnego finansowania akademickich badań i rozwoju do HBCU.
Czytelnicy powinni obserwować, co stanie się po osłabnięciu początkowego zainteresowania. Czy IAIER uzyska powtarzalne wsparcie, opublikuje znaczące wyniki i pomoże innym kampusom tworzyć porównywalne programy? Te rezultaty zdecydują, czy powszechna alfabetyzacja AI stanie się zobowiązaniem instytucjonalnym, czy pozostanie zależna od wyjątkowych liderów poszukujących tymczasowych funduszy.
Grady już potwierdziła istnienie popytu. Kolejny krok należy do uniwersytetów, pracodawców, agencji publicznych i firm technologicznych. Muszą zdecydować, czy alfabetyzacja AI jest wspólnym priorytetem edukacyjnym, i odpowiednio ją finansować.
