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，在吸引著大批創業者進入的同時，也引發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在教育行業有哪些應用？未來在教育行業又會如何發展？

一、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境并做出行動以達到目標的系統。”但目前來說并沒有一個統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展簡史：在人工智能發展史上，有傳統人工智能方法、經典機器學習與深度網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網絡來模擬人腦，只要模擬的數量足夠多，達到人腦神經元數量，就可以實現泛化的人工智能，這部分科學家屬于傳統人工神經網絡學派。另外有一部分科學家認為，就算機器達到了人腦的神經數量也實現不了像人一樣智能，他們推崇的是經典機器學習路線。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元，更談不上訓練完之后能擁有智能。通過神經網絡實現泛化人工智能被認為是無法實現的，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》上發表了幾篇文章，其中有一篇關于深度信任網絡的訓練方法，提出可以采用某種方式對復雜的深度網絡進行訓練。傳統人工智能的核心是機器按照人定的規則運轉，而這篇論文提出，網絡在運轉過程中，可以自己進行發現，不需要被人規定規則。在科學家看來，這類的突破才是新的生產力，否則只是生產力的代替。由此出現了深度網絡學習學派。

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，但準確來說是深度學習系統。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別：現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律可以總結成公式。 人類掌握的前兩類特征，表象特征及聯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學家工作，可以創造科學奴役人類。當機器可以自動感知科學，甚至創造科學的時候，它已經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，而得到突破性發展。公司可以在各種開源框架的基礎上搭建特定環境的解決方案。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，且可以快速培養數據模型等。 根據統計數據，Google開發的TensorFlow是目前使用量最大的開源框架，在此基礎上，Google已研發出Google翻譯、無人駕駛汽車、AlphaGo等產品。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。

表格內容參考騰訊研究院發布的報告《中美兩國人工智能產業發展全面解讀》

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 得到更好的數據模型，使得最終結果越來越精準。可以看出，中美產業布局還是有一定差異，美國公司全面發展，積極布局整個產業鏈，同時，國外更注重基礎層和技術層的核心領域發展，相對而言，國內更偏重應用層發展。這可能與人工智能在中美兩國發展的時間早晚，以及行業人才有關。

二、 AI 在教育場景中的應用：現有自適應、測評產品的“段位”有多高？

隨著人工智能的發展，“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，不斷優化教學質量，幫助學生更科學的學習。縱觀整個教育行業，目前發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”是教育從業者所期望的，但在應試教育的大環境下，加之人口眾多、資源分配不均勻，可以說要根據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，優秀資源量產化，讓不同地方的學生都能享受優質教育做準備，進而實現“千人千面”。

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

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（甚至絕大多數）可能僅僅是SVM（SVM在機器學習領域，是一個有監督的學習模型，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。但近年已經出現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。

三、行業：   “ AI+ 教育”面臨的挑戰

對于AI在教育行業的應用與發展，小編也請教了專業人士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的角度更好地理解“AI+教育”。

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

教育行業雖然公司眾多，但大多數屬于中小型企業，真正能夠收集到大量數據的公司少之又少。而人工智能的核心前提便是高質量數據，只有這樣才能訓練合適的模型。就目前的教育行業AI產品來說，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。

據業內人士透露，目前大部分產品主要是利用大數據做窮舉運算（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中，然后系統在接收到信息后會在數據庫中查找映射內容，提取內容并返回。這種方式的“人工智能”是很受限制的，機器中所有的內容都是基于人類所知范圍內，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，“數據是一個必須條件，只有具備足夠的數據，對機器學習的理解，跨界人才的加入，才能實現真正突破。在‘AI+教育’上，不能單單依靠外部技術能力，或者教育公司的數據，而需要教育數據與技術的完美融合，只有兩股力量能夠很好的交互在一起才能真正實現發展。”

除數據外，人工智能在教育行業催生的需求還體現在人才上。

創新工場執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，這層的人才數量相對來說很多，且可以批量化培養。

有AI業內科學家表示，當前國內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、調節參數、把握應用方向。

人工智能數據涉及到遷移學習，例如國外英文方面的語義研究并不能很好地遷移到國內中文語義環境下。一個公司搭建框架實現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，但最難的是調節參數。調節參數不受人數多少影響，它需要一個漫長的過程，反復經過對比、訓練、調節等環節來實現。

而國內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，這個數量國內是有限的，更別說參與過項目運作。”而企業本身如果擁有AI人才，也會采取防御戰略，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注入新的活力，日后也將深刻的改變和影響教育行業。如何不淺浮于表，觸及深度學習，實現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。