Nia Jetter 将 AI 素养从 NASA 带入服务不足的课堂

Nia Jetter 凭借一次引人注目的职业转向登上 Google News：在参与航天器和机器人研发二十年后，她将专业能力投向包容性的 AI 教育。这一矛盾显而易见。人工智能正依托昂贵模型和高度集中的基础设施快速发展，而仍有 22 亿人未使用互联网。

这篇最初由 UN News 发布的人物报道，追踪了 Jetter 从航空航天工程走向服务于长期被科技行业忽视的社区课堂的历程。据报道，她的非营利教育项目 thinqueBytes 已在四大洲培训了超过 1,000 名年轻人。

这些数字构成了一个鼓舞人心的故事，但也暴露出一个更棘手的问题。AI 素养能帮助人们理解并质疑自动化系统，但教育本身无法提供电力、可负担的设备、宽带连接，或对商业 AI 开发的影响力。

这种张力使 Jetter 的工作有别于传统职业人物报道。她的课堂代表了应对 AI 鸿沟的一种务实方式，而构建领先模型的公司依然掌握着大部分基础设施、产品决策权和训练资源。

这一故事也出现在首届联合国 AI 治理全球对话之后；该活动于 2026 年 7 月 6 日和 7 日在日内瓦举行。这样的时间点，将一位教育工作者的实践与一场更广泛的政治辩论联系起来：谁能够塑造 AI，而不仅仅是谁能够使用它。

Google News 的报道揭示了 Nia Jetter 的哪些经历

Jetter 的职业转变，让 AI 包容不再只是政策口号，而成为谁能足够早地获得技术知识、从而参与其中的问题。

根据这篇 UN 人物报道，Jetter 曾在 MIT 学习数学和计算机科学，专攻行星科学。随后，她在 Stanford University 获得航空航天学硕士学位。

她用了约 20 年时间，为航天器和机器人开发自主算法。自主算法使机器能够基于传感器数据作出有限范围内的决策，而无需持续的人类控制。

她的职业经历包括与 NASA、Boeing 和 Raytheon 相关的工作。她还曾担任 Amazon 机器人 AI 高级首席技术专家，这是一个级别很高的技术职位。

报道将这段职业经历与她在 New Jersey 的童年相联系。Jetter 曾攒硬币购买电池和灯泡，用普通材料搭建电路。父亲帮助她在图书馆寻找技术资料，母亲则教授幼儿园和特殊教育课程。

这种组合十分重要。Jetter 通过获得材料、成年人的鼓励，以及自己能够理解的讲解来学习工程知识。她如今的工作试图为缺乏既有科技路径的学生重现这些条件。

Jetter 用五年时间开发 thinqueBytes，之后将其纳入 Distinguished Minds Institute。该项目将人工智能、机器人和火箭科学等主题打包成被称为 bytes 的短篇教育内容。

这种形式直接回应学生的问题。学生可以从 AI 的含义、是否应当害怕它，或自动化可能如何影响就业等问题入手。这种方法降低了理解门槛，同时并不假装 AI 本身很简单。

一节短课无法将学生培养成机器学习工程师。然而，它可以提供词汇，帮助学生质疑自动化决策、评估生成式回答，或设想从事技术职业。

这一差别很重要，因为 AI 素养包含多个层次。基础认知帮助人们识别 AI 系统；功能性素养帮助他们使用这些系统；批判性素养则帮助他们质疑输出结果、激励机制、数据来源和机构主张。

Jetter 最具影响力的论点关乎第三个层次。受 AI 影响的人需要具备足够的理解能力，才能参与有关 AI 的决策。否则，所谓包容只是接收由他处设计、按他人制定规则运行的产品。

Google News 的收录扩大了这篇人物报道的受众，但聚合只是分发。搜索可见性无法提供真正参与所需的持续教学、导师支持、连接能力或机构支持。

Jetter 的工作从信息流结束之处开始。它将讨论从关注一位鼓舞人心的工程师，转向追问是否有更多学生能够获得持久的技术行动能力。

只有当接入让它成为现实，AI 素养才是一项权利

将 AI 教育视为一项权利，会带来单门课程、非营利组织或励志人物报道无法独自满足的责任。

Jetter 认为，理解新兴技术不应是一种特权。这一主张很有说服力，因为 AI 系统日益介入教育、招聘、信贷、医疗、公共服务和信息获取。

然而，理解 AI 的权利依赖于更基础的条件。学习者需要电力、连接能力、合适的设备、相关内容、可支配的时间，以及能够将材料置于具体背景中的教师。

连接鸿沟依然巨大。International Telecommunication Union 估计，到 2026 年，仍有 22 亿人未使用互联网。

连接质量也存在差异。一所学校可能在技术上拥有互联网接入，却依赖由众多学生共用的不稳定连接。移动数据或许可用，但对于视频课程或基于云端的 AI 工具而言价格难以承受。

设备可及性又增加了一层不平等。许多当前 AI 产品假定用户拥有较新的智能手机或电脑、足够的内存、更新的软件，以及可靠的远程服务器访问能力。

语言构成了一个不那么显眼的障碍。学生或许能够进入 AI 界面，却因模型针对本地语言的训练数据较少而得到较差结果。教育材料也可能引入与当地机构或需求不匹配的案例。

无障碍性同样重要。若界面在设计时未考虑残障学习者，即使学校拥有设备和连接能力，学生仍可能被排除在外。包容性教育需要兼容的输入方式、易读的布局、字幕和可调整的教学材料。

这些限制不会削弱 AI 素养的重要性。它们揭示了落实这一主张所需的条件。教育必须与基础设施、无障碍性、本地内容以及在治理中的有意义参与并行开展。

Jetter 的短视频形式提供了一种务实回应。较短的课程可以降低认知负担，并让教师为特定年龄段或课堂选择材料。它们的传播也可能比一整套技术课程更容易。

不过，即使是紧凑的内容，也不应沦为被动消费。学生需要有机会检验主张、比较输出、检查错误，并将 AI 的行为与其背后的数据联系起来。

一个有用的课堂练习或许是让多个系统回答同一个事实性问题。学生可以比较答案、识别缺乏依据的陈述，并追溯可靠来源。这类课程同时教授工具使用和认识论上的谨慎。

另一项练习可以检视自动化推荐。学生可以追问：哪些数据影响了它、哪些人的偏好未被纳入，以及推荐出错时会发生什么。

这些活动培养的是批判性思维，而非单纯的提示词熟练度。提示词熟练度意味着能够有效地与模型沟通，但并不保证用户能够评估其回答。

同样的原则也适用于个人信息管理。学生和知识工作者需要区分检索与真相，尤其是在使用 AI knowledge base 整理源材料时。

一个系统可以准确检索文档，而该文档本身仍可能包含错误。它也可能生成流畅的综合内容，却抹去原始证据中的不确定性。

因此，AI 教育需要清晰的层级。接入在先，实际使用随后，批判性评估则始终不可或缺。将任一层视作完整解决方案，都会让学习者处于风险之中。

这种压力也超出了学校范围。科技公司会从更多人能够使用其产品中获益，但社会需要的是同样能够质疑这些产品如何收集数据和分配风险的人。

政府也面临类似考验。为入门课程提供资金较为直观，也相对容易。改善宽带、教师培训、无障碍性和公共利益监督，则需要更长期的承诺和可衡量的预算。

Jetter 的故事使这些机构承受压力。如果 AI 素养确实是一项权利，其可得性就不能取决于志愿者、非营利组织或某位格外杰出的工程师是否能够走进某一间课堂。

真正的鸿沟是参与权，而非产品使用权

核心竞争在于获取 AI 产品，与参与塑造这些产品的决策之间的差别。

商业 AI 的扩张往往通过可用性来衡量包容性。一家公司在另一个国家推出服务、增加语言支持、提供有限的免费访问，或通过学校分发账户。

这些举措可能很重要，但它们主要扩大的是消费。它们并不会自动让受影响的社区对训练数据、评估标准、安全规则、部署优先事项或伤害补救措施产生影响。

Jetter 的关切更进一步。她认为，在系统塑造过程中缺少应有的声音，会使 AI 的结果变差。这一点同时涉及公平与技术质量。

缺乏代表性输入而设计的模型，可能忽略本地语言模式、文化背景、基础设施限制或常见用户需求。当系统面对原始开发环境之外的人群时，这些遗漏就会成为产品失败。

参与必须在部署之前开始。社区成员可以帮助识别相关问题、明确不可接受的失败情形、审查数据实践，并在真实条件下测试系统。

这种做法不同于技术演示。演示关注模型能否完成令人印象深刻的任务；参与式评估则追问该任务是否重要、结果是否可靠，以及谁来承担错误的代价。

学校是开展这项工作的重要场所，因为学生接触 AI 时，许多机构尚未建立稳定的规则。生成式工具已经影响学习者如何研究、起草、翻译、编程和学习。

完全禁止这些工具可能会迫使其使用转入隐蔽状态。不加批判地采用则带来相反风险：让生成内容取代推理，或掩盖理解上的缺口。

更有力的课程将 AI 输出视为审视对象。学生应当追问答案从何而来、有哪些证据支持，以及系统无法看到哪些信息。

教师需要获得支持才能实施这类课程。他们需要培训时间、与自身学科相关的示例、明确的隐私标准，以及调整课程的许可。一次性的研讨会很少能独自改变课堂实践。

教育工作者还需要在产品要求学生注册账户，或将数据传输至外部服务器时拥有替代方案。AI 素养不应迫使学校接受不明确的数据实践。

Jetter 的航空航天背景为这种方法增添了分量。安全敏感型工程不会将一个自信的输出视为充分证据。团队会测试假设、识别失效模式、记录约束条件，并保持人类问责。

课堂 AI 教育可以借鉴这种严谨性，而无需重建一间工程实验室。学生可以记录提示词、比较不同模型版本、标注前后不一致的回答，并将观察与推断区分开来。

这种习惯的价值不限于学校。知识工作者在使用 AI 总结会议、起草报告或搜索内部文件时，也面临同样的挑战。只有当用户保留来源并核实重要结论时，可搜索的技术知识库才能发挥最大作用。

参与鸿沟同样影响治理。计算基础设施有限的国家可能不得不依赖在国外开发的系统。但这些国家的居民依然承受着这些系统在劳动、文化、教育和环境方面带来的影响。

在会议上获得代表席位并不能消除这种失衡。代表团需要独立的技术能力、获取证据的渠道，以及能够将讨论转化为国家政策的机构。

公民社会组织需要资源，才能持续参与。短期征询往往更有利于那些已经拥有法律团队、技术专家以及与政策制定者稳定关系的组织。

年轻人面对的是这一问题更尖锐的版本。大多数关于课堂 AI 的决策由成年人作出，但学生却直接承受其后果。他们应当拥有结构化渠道来报告伤害并影响学校规则。

因此，有意义的参与应具备可观察的特征。社区参与界定目标，而不只是测试完成后的产品。教育工作者能够拒绝不合适的部署。学生了解申诉流程。公共机构能够审计结果。

如果缺少这些条件，更广泛的产品可及性可能会加深依赖。更多人使用 AI，但理解这些系统、能够协商条款或质疑失效的机构却更少。

Jetter 的教育模式本身无法解决这种失衡。它可以培养更多知情的参与者，而这只是必要的起点。更艰难的任务，是建立愿意倾听他们的机构。

日内瓦将包容纳入议程，但尚未写入法律

首届全球 AI 治理对话扩大了代表性，但其不具约束力的设计仍将实施责任留给各国政府和机构。

联合国于 2026 年 7 月 6 日和 7 日在日内瓦 Palexpo 中心举办首届全球 AI 治理对话。该会议与 ITU 的 AI for Good 全球峰会及相关数字政策活动同期举行。

联合国大会在《全球数字契约》作出相关承诺后设立了这一对话机制。其目的是让各国政府及其他利益相关方定期围绕国际 AI 治理展开讨论。

官方议程涵盖四个主题集群，包括 AI 的社会和经济影响、AI 鸿沟、安全系统，以及人权、问责与人类监督。

这些主题与 Jetter 工作中呈现的张力高度契合。学生需要获得使用机会，但他们同样需要安全、代表性，以及理解自动化系统如何影响其权利的能力。

全球对话为每个政府在讨论中提供了正式席位。这一点很重要，因为国际 AI 框架往往反映了技术产业更发达、谈判能力更强的国家。

会议还认可了政府以外的利益相关方，包括公民社会、学术界、产业界和技术社群。这类参与可以让政策制定者了解国家代表团原本可能忽略的地方性影响。

不过，该论坛有一项刻意保留的限制。它不是谈判进程，其会议也不会产生具有约束力的法规。联合国将其角色描述为建立共同理解，为后续决策提供参考。

这使对话具有价值，但仍不足够。共识性表述可以识别问题，却无法建立预算、执法机制、技术标准或为受影响者提供补救措施。

这一缺口在教育领域尤为明显。关于 AI 素养的全球承诺，并不能决定教师应教授什么、由谁认证教材，或学校如何保护学生数据。

它同样无法化解采购压力。教育部可能会收到企业提供的云服务、模型访问权限、设备或培训方案，而这些产品日后可能变得难以替代。

供应商支持能够迅速扩大可及性，但依赖会带来政策风险。当试点项目变成必要基础设施时，学校可能失去对数据、课程选择或成本的控制。

开放教育资源可以减少部分依赖。可在本地调整的课程让教师能够修改示例、翻译内容，并在商业服务发生变化时保留教学材料。

开放模型和本地计算在某些环境中也能提供帮助，尽管它们也带来自身的技术与安全要求。学校仍需要维护、评估以及负责任的数据实践。

治理必须处理这些运营层面的细节。否则，高层级的包容只会带来照片和声明，而课堂条件依旧毫无变化。

联合国秘书长安东尼奥·古特雷斯在开幕式上表示，193 个国家参与了此次会议。他的日内瓦讲话将这次聚会定位为一次让治理追上技术发展的努力。

这一雄心设定了很高的标准。追赶不仅要求讨论前沿模型安全，也意味着确保学生能够识别自动化系统、质疑其输出，并在系统造成伤害时寻求帮助。

下一次对话计划于 2027 年 5 月在纽约举行。在两次会议之间，各国政府有机会证明包容性语言是否能够转化为国家计划、教师项目和可及的基础设施。

Jetter 以及 thinqueBytes 等倡议可以提供来自真实学习者的证据。他们的经验能够显示学生会提出哪些问题、哪些解释有效，以及连接或语言障碍会在何处阻断进展。

然而，政策制定者不应将非营利组织的成功用作公共投资不足的借口。培训超过 1,000 名学习者确实意义重大，但全球排斥的规模是以数十亿人计量的。

最有力的结果应结合两个层面。社区项目测试实际可行的方法，政府则为基础设施提供资金，并将已验证的方法纳入公共教育。

较弱的结果则是庆祝个别项目，却不改变使这些项目成为必要的系统。每当励志故事通过 Google News 和公共政策渠道传播时，这一风险都应保持可见。

接下来的三个信号将揭示什么

下一项考验不是 Jetter 的故事能否持续受到关注，而是机构能否将其论点转化为能力、证据和影响力。

第一个信号是可衡量的教育采用情况。学校、教育部和非营利合作伙伴不应只报告观看课程或参加活动的人数。

有用的证据包括课程完成率、学生理解程度的变化、教师留任率、可及性，以及识别不可靠 AI 输出的能力。独立评估会让这些结果更具可信度。

对 thinqueBytes 而言，只有在教学质量保持一致的情况下，规模扩大到 1,000 名学习者以上才能强化其论点。没有学习成效证据的增长，会削弱有关持久包容的主张。

最具揭示性的项目将检验批判性推理，而非品牌熟悉度。学生离开时应当知道如何核实一项主张、识别不确定性，并质疑系统的假设。

第二个信号是对数字基础的投资。应关注针对宽带、电力、可负担设备、本地语言资源和教师发展作出的具体承诺。

公告的重要性不及实施。预算、采购记录、连接质量和持续的课堂使用，比启动试点更能提供有力证据。

这些基础方面的进展将支持 Jetter 的论点：理解 AI 可以变得广泛可及。持续存在的连接鸿沟则表明，教育内容仍被结构性障碍困住。

第三个信号是，在联合国对话于 2027 年 5 月再次召开之前，包容性治理能否获得实际效力。国家战略应说明学生、教师、残障用户和代表性不足的社区如何影响 AI 政策。

公共征询需要透明的后续跟进。参与者应能够看到哪些建议改变了政策、哪些被拒绝，以及原因是什么。

各国政府还可以为学校和公共服务中由自动化造成的伤害建立报告渠道。清晰的申诉程序将赋予人们超越象征性代表的权利。

对话框架不具约束力，因此国家行动将决定它的实际价值。如果各国建立可问责的项目，日内瓦会议将成为制度建设的起点。

如果讨论没有带来预算、监督或参与机制，这场活动就会像一场反复举行、对部署影响有限的征询。

科技公司也应接受类似审查。多语言界面和免费访问可以扩大使用范围，但企业应披露局限性、支持独立测试，并提供有意义的补救措施。

教育合作伙伴关系尤其值得关注，因为学生的议价能力有限。学校应了解系统保留哪些数据、模型如何使用交互内容，以及管理者能否删除记录。

同样的审查也适用于 AI 生成的教育内容。由 AI 创建或总结的课程仍需要专家审查、适合年龄的表述以及可靠来源。

Jetter 的锤子比喻抓住了道德论点：工具可以建设，也可以伤害，取决于其使用方式。然而，这一比喻存在局限，因为 AI 系统也反映了用户接触它们之前就已作出的决定。

开发者选择训练数据，产品团队决定默认设置，机构制定部署规则，政府确定监督机制。手持工具的人并不能控制它的每一项属性。

这正是 AI 素养必须包含制度素养的原因。学习者不仅需要理解模型行为，还需要了解谁拥有系统、谁从中受益，以及问责责任由谁承担。

对教育工作者和知识工作者而言，眼下的行动很实际。将每一个生成的答案都视为需要语境支持的主张，尤其是在它会影响评分、招聘决定、健康选择或公共服务时。

保留源材料。将重要输出与权威证据进行对照。记录具有重大影响的决定。让受影响者能够质疑错误。

Google News 帮助呈现了 Nia Jetter 从航天器走向课堂的历程。更重要的故事将在这一信息流之外展开，发生在学校、预算、连接项目和治理进程中。

机构会将 AI 素养视为一种公共能力，还是让它继续依赖个别教育工作者和临时项目？答案将决定包容究竟意味着使用 AI 产品，还是在 AI 如何塑造社会的问题上获得真正的话语权。