隨著底層技術的開源，深度學習的突破，人工智能迎來第三次高速發(fā)展，“AI+”快速涌入各個領域。而被稱為“顛覆性技術”的人工智能，在吸引著大批創(chuàng)業(yè)者進入的同時，也引發(fā)了投資者的情緒高漲。那么，吸引眾人的人工智能到底是什么?目前，AI在教育行業(yè)有哪些應用?未來在教育行業(yè)又會如何發(fā)展?

　　一覽人工智能簡史及囊括范圍

　　人工智能(Artificial Intelligence)，英文簡稱AI。維基百科是這樣定義的：“智能主體的研究和設計，智能主體是指一個可以觀察周遭環(huán)境并做出行動以達到目標的系統(tǒng)。”但目前來說并沒有一個統(tǒng)一的定義能準確描述什么是人工智能。而科學家對此也存在分歧，不同的定義指向不同的研究方向。

　　有人工智能領域的科學家向鯨媒體講述了人工智能技術的發(fā)展簡史：在人工智能發(fā)展史上，有傳統(tǒng)人工智能方法、經(jīng)典機器學習與深度網(wǎng)絡學習這幾種技術路線。

　　追溯到1999年，那時一部分科學家認為可以用簡單的人工神經(jīng)網(wǎng)絡來模擬人腦，只要模擬的數(shù)量足夠多，達到人腦神經(jīng)元數(shù)量，就可以實現(xiàn)泛化的人工智能，這部分科學家屬于傳統(tǒng)人工神經(jīng)網(wǎng)絡學派。另外有一部分科學家認為，就算機器達到了人腦的神經(jīng)數(shù)量也實現(xiàn)不了像人一樣智能，他們推崇的是經(jīng)典機器學習路線。在2000年的時候，人們認識到機器可以模擬人腦細胞，卻無法訓練出合理搭配的神經(jīng)元，更談不上訓練完之后能擁有智能。通過神經(jīng)網(wǎng)絡實現(xiàn)泛化人工智能被認為是無法實現(xiàn)的，淺層機器學習派便在這兩個對抗的學派中占了上風。

　　2009年至2012年間，“人工智能三駕馬車”(杰弗里·辛頓(Geoffrey Hinton)、延恩·勒昆(Yann LeCun)和約書亞·本吉奧(Joshua Bengio))分別在世界頂級期刊《nature》上發(fā)表了幾篇文章，其中有一篇關于深度信任網(wǎng)絡的訓練方法，提出可以采用某種方式對復雜的深度網(wǎng)絡進行訓練。傳統(tǒng)人工智能的核心是機器按照人定的規(guī)則運轉，而這篇論文提出，網(wǎng)絡在運轉過程中，可以自己進行發(fā)現(xiàn)，不需要被人規(guī)定規(guī)則。在科學家看來，這類的突破才是新的生產(chǎn)力，否則只是生產(chǎn)力的代替。由此出現(xiàn)了深度網(wǎng)絡學習學派。

　　那么，目前我們所說的AI是什么?AlphaGo不就是AI嗎?這么說沒有錯，只是并不具體。AlphaGo是人工智能系統(tǒng)，但準確來說是深度學習系統(tǒng)。而深度學習只是人工智能的一個分支。

　　如果用圖形來表示的話，人工智能在這三者中范圍最大，它可以被看做最外側的大圓，最核心的是深度學習，中層的是機器學習。深度學習是機器學習的子集，機器學習又被包含于最廣泛意義的人工智能中。

　　范圍最大的人工智能，其實還可以劃分為強人工智能與普通人工智能兩部分。我們運用人類對事物認識的深度來說明他們的區(qū)別：現(xiàn)在人類掌握的特征有三類：第一類是所謂的表象特征，即人類看到或者聽到的事物，圖像、形狀、聲紋等;第二類是聯(lián)系特征，與語義特征有關。比如漢字“我”和“們”，可以組成有意義的詞語“我們”，這兩個字的連接性很大。而“我”與另外一個漢字比如“一”，這兩個字的連接性就很小;第三類是科學特征，比如宇宙萬物運行的規(guī)律可以總結成公式。人類掌握的前兩類特征，表象特征及聯(lián)系特征都屬于普通人工智能，而科學特征屬于強人工智能。如果機器能夠掌握科學特征進行深度學習，那意味著機器可以代替數(shù)學家工作，可以創(chuàng)造科學奴役人類。當機器可以自動感知科學，甚至創(chuàng)造科學的時候，它已經(jīng)邁過紅線進入了強人工智能領域。

　　目前來說，我們聽到最多的人工智能其實是深度學習，深度學習因其框架的開源、計算能力的大幅提高，而得到突破性發(fā)展。公司可以在各種開源框架的基礎上搭建特定環(huán)境的解決方案。接下來，我們先來了解下目前比較流行的幾款開源框架。

　　一個合適的框架可以減少程序員的工作量、降低錯誤率、提高工作效率，且可以快速培養(yǎng)數(shù)據(jù)模型等。根據(jù)統(tǒng)計數(shù)據(jù)，Google開發(fā)的TensorFlow是目前使用量最大的開源框架，在此基礎上，Google已研發(fā)出Google翻譯、無人駕駛汽車、AlphaGo等產(chǎn)品。而如今，市面上流行的開源框架基本由Google、Facebook、微軟、百度等巨頭開發(fā)而成，可以看出，各巨頭已將下個目標瞄準了人工智能，爭奪各專家人才，開展研發(fā)工作。

　　那么，他們都在人工智能有哪些布局?我們可以通過三個層面“基礎層、技術層和應用層”來了解下。

　　基礎層的硬件設施給深度學習提供了強大的計算能力(TPU是Google專門為機器學習研發(fā)的特制芯片)，技術層的框架和算法幫助深度學習得到更好的數(shù)據(jù)模型，使得最終結果越來越精準。可以看出，中美產(chǎn)業(yè)布局還是有一定差異，美國公司全面發(fā)展，積極布局整個產(chǎn)業(yè)鏈，同時，國外更注重基礎層和技術層的核心領域發(fā)展，相對而言，國內(nèi)更偏重應用層發(fā)展。這可能與人工智能在中美兩國發(fā)展的時間早晚，以及行業(yè)人才有關。

　　AI在教育場景中的應用：現(xiàn)有自適應、測評產(chǎn)品的“段位”有多高?

　　隨著人工智能的發(fā)展，“AI+教育”也越來越火，教育公司紛紛開始擁抱人工智能，希望通過技術手段，不斷優(yōu)化教學質量，幫助學生更科學地學習。縱觀整個教育行業(yè)，目前發(fā)展較為成熟的幾個主要場景包括：自適應學習、智能測評、語音處理、視覺與圖像、機器人。

　　可以看到，大部分公司都打出了“自適應學習”標簽。一直以來“因材施教，個性學習”是教育從業(yè)者所期望的，但在應試教育的大環(huán)境下，加之人口眾多、資源分配不均勻，可以說要根據(jù)每個孩子的學習能力、學習進度和認知水平來定制專屬學習方案真的很難。但有了人工智能，因材施教成為可能。因此，教育公司開始搶占人工智能市場，紛紛為自己的產(chǎn)品“接軌”人工智能，打造適合學生的個性化平臺。

　　智能測評可以進一步解放老師的生產(chǎn)力，使老師可以將更多精力放在與學生的交流溝通上，而且還可根據(jù)每個學生的情況提供個性化的反饋，為個性化教學提供基礎，從測評方面掌握學生知識的薄弱點，進行專攻。

　　而語音處理、視覺與圖片方面，都為降低資源分配不均衡，優(yōu)秀資源量產(chǎn)化，讓不同地方的學生都能享受優(yōu)質教育做準備，進而實現(xiàn)“千人千面”。

　　總的來說，教育行業(yè)與人工智能的結合，可從一定程度上降低資源分配不均衡現(xiàn)象，傳遞師資能力，并有助于實現(xiàn)孩子的個性化學習。

　　但也有人工智能專家對鯨媒體表示，實際上當前許多打著AI旗號的公司采用的都是傳統(tǒng)人工智能方法，遠不到深度學習的層面。聲稱基于人工智能完成的評測，實際上大多數(shù)(甚至絕大多數(shù))可能僅僅是SVM(SVM在機器學習領域，是一個有監(jiān)督的學習模型，通常用來進行模式識別、分類以及回歸分析)及其他類似方法。“因為人工智能很泛化，所以說是人工智能也有道理。”專家告訴鯨媒體。在他看來，市面上許多應用其實都不夠智能。

　　“最常見的一個應用人工智能的例子是人臉識別，”以往機器就可以做人臉識別，盡管識別率不高。但近年已經(jīng)出現(xiàn)精準度非常高的人臉識別案例，其原理是從機器學習遷移到了深度學習層面，人臉識別自然會變得很靠譜。

　　行業(yè)：“AI+教育”面臨的挑戰(zhàn)

　　對于AI在教育行業(yè)的應用與發(fā)展，小編也請教了專業(yè)人士L先生，了解他對人工智能+教育的一些觀點，希望能幫助我們從專業(yè)的角度更好地理解“AI+教育”。

　　就目前人工智能在教育行業(yè)的應用，L先生表示，“現(xiàn)階段仍處于‘雷聲大雨點小’的階段。深度學習要在一個行業(yè)跑通，需要大量高質量數(shù)據(jù)和強大的計算能力作為前提，而在教育行業(yè)，需要對學生數(shù)據(jù)進行采集、處理，進而訓練數(shù)據(jù)模型，提出解決方案。但目前來說，數(shù)據(jù)采集還是問題。”

　　教育行業(yè)雖然公司眾多，但大多數(shù)屬于中小型企業(yè)，真正能夠收集到大量數(shù)據(jù)的公司少之又少。而人工智能的核心前提便是高質量數(shù)據(jù)，只有這樣才能訓練合適的模型。就目前的教育行業(yè)AI產(chǎn)品來說，即使大家都打出了人工智能的標簽，但能否真正達到自適應學習，還是要打個問號。

　　據(jù)業(yè)內(nèi)人士透露，目前大部分產(chǎn)品主要是利用大數(shù)據(jù)做窮舉運算(鯨媒體注：當然，也有觀點認為這樣概括不太嚴謹)，事先將各種可能的情況以及對應的解決辦法輸入到系統(tǒng)中，然后系統(tǒng)在接收到信息后會在數(shù)據(jù)庫中查找映射內(nèi)容，提取內(nèi)容并返回。這種方式的“人工智能”是很受限制的，機器中所有的內(nèi)容都是基于人類所知范圍內(nèi)，無法做到應對多變的情況，所以無法達到真正的“因材施教”。

　　對于“AI+教育”如何突破?L先生則表示，“數(shù)據(jù)是一個必須條件，只有具備足夠的數(shù)據(jù)，對機器學習的理解，跨界人才的加入，才能實現(xiàn)真正突破。在‘AI+教育’上，不能單單依靠外部技術能力，或者教育公司的數(shù)據(jù)，而需要教育數(shù)據(jù)與技術的完美融合，只有兩股力量能夠很好的交互在一起才能真正實現(xiàn)發(fā)展。”

　　除數(shù)據(jù)外，人工智能在教育行業(yè)催生的需求還體現(xiàn)在人才上。

　　創(chuàng)新工場執(zhí)行董事張麗君在接受鯨媒體采訪時曾闡述了她對此的看法：人工智能人才會分為幾個層次。最高層次是大學里研究人工智能的專家、教授，這是金字塔的頂層，這類人才數(shù)量偏少;第二層是能懂、會做算法、模型的人才;第三層是工程應用型的人才，具體而言是把算法變成在某些場景下工程化應用，這類人才的數(shù)量會多一些;第四層是能將這些應用寫成API或結構化模塊的人才;再往下就是常見的會寫代碼的人才，這層的人才數(shù)量相對來說很多，且可以批量化培養(yǎng)。

　　有AI業(yè)內(nèi)科學家表示，當前國內(nèi)需要高精尖的人工智能人才，但缺口可能并不是很大。人工智能人才需要具備這樣三個能力：搭建框架、調節(jié)參數(shù)、把握應用方向。

　　人工智能數(shù)據(jù)涉及到遷移學習，例如國外英文方面的語義研究并不能很好地遷移到國內(nèi)中文語義環(huán)境下。一個公司搭建框架實現(xiàn)AI的過程看上去很簡單，實則很麻煩。在遷移過程中，框架可以搭建，硬件可以用資金購買，但最難的是調節(jié)參數(shù)。調節(jié)參數(shù)不受人數(shù)多少影響，它需要一個漫長的過程，反復經(jīng)過對比、訓練、調節(jié)等環(huán)節(jié)來實現(xiàn)。

　　而國內(nèi)AI高端人才主要在國家實驗室和一些巨頭科技公司如BAT。“高校培養(yǎng)AI人才有難度，需要做漫長的AI項目，碩士階段是無法解決問題的。那意味著要找專門做人工智能的博士，這個數(shù)量國內(nèi)是有限的，更別說參與過項目運作。”而企業(yè)本身如果擁有AI人才，也會采取防御戰(zhàn)略，留住人才，讓AI人才的獲取更加困難。

　　“AI+教育”是必然事件，人工智能的加入將為教育行業(yè)注入新的活力，日后也將深刻地改變和影響教育行業(yè)。如何不淺浮于表，觸及深度學習，實現(xiàn)真正的人工智能且獲得相應人才，也是有意布局AI的教育機構在追逐熱度之余，必須要考慮的問題。