- 教育
- 人工智能
近日，爱分析在京举办了2019爱分析·中国人工智能高峰论坛。爱分析邀请了松鼠AI 1对1合伙人梁静进行了题为《AI智适应技术如何升级传统教育产业》对主题演讲。
梁静科普了人工智能在教育领域的应用级别，分享了松鼠AI智适应是如何将人工智能技术融入在日常教学中。
梁静：非常开心今天能跟大家分享松鼠AI是如何使用人工智能智适应的技术做教育。
目前，市场对于人工智能教育的概念还是比较混淆的，人工智能教育到底在什么样的场景内应用？使用怎样的技术手段？在这里借用德勤前段时间刚发布的报告帮助大家厘清一下。德勤把人工智能技术在教育的应用分成了六个级别，可以理解为，自适应分为规则和不规则两大类。规则类里面有不同的规则，可以认为在前三个级别都是偏向于规则型的自适应。
级别零是基于难度等级的自适应学习，是提前判断了学习的水平，然后直接给到学生们这个内容，并不会随着学生的学习的路径和状态进行变化。级别一是基于简单规则和工具自动化的智适应学习，会随着进展发生变化，但是原则上还是属于比较规则性的，答案已经预埋好的。
级别二是基于项目反映理论模型，孩子基于项目的学习情况，如果高则高，如果低则低，有实时变化，但还是不太属于非规则的。
级别三是基于知识点网络和概率模型的智适应学习，比较代表的公司在人工智能智适应教育领域都非常知名，像ALEKS、Knewton等，他们是非规则的，随着学生们的学习动态、反馈以及时长等情况，会随时进行变化。
级别四是基于非规则，同时又融入了一些情感因素、能力因素、意识形态因素，不简简单单是知识点学习的情况下加入的，现在在全球真正做到这一等级的只有IBM Waston和我们。
级别五是更高阶的、也是我们目前正在和几个联合实验室共同研究的内容。可能要用机器模拟学生，让及学生及时地反馈给系统，让系统根据学生的反馈信息，第一时间做对话和反映，还要加入一些认知学习、甚至脑科学的模型。这一级别也是基于增强学习遗传算法，更加深度的人工智能的教育模式。
这六个级别，理解起来可能略微吃力，那我们就从另外一个维度来讲一下，帮助大家理解。因为人工智能教育是很泛的，有的是工具类，有的是评测类，有的是教学类，在我们看来每一个环节都很重要。真正能够帮助到老师的是教学环节，教学环节的个性化智适应可能是最重要也是最难做的。德勤的报告分为智适应学习、人机对话、双师课堂、语音评测、智能语言处理的应用，智适应教育是真正把技术融入到教学环节，也列出国内和国外从事AI教育领域的公司，都是非常优质的公司，这里不做过多的赘述。
松鼠AI智适应的系统一共有三个大层级。第一个层级包括学习地图、内容地图和错因分析地图。错因分析地图的概念就是每一个孩子都会尤答错的内容，并且原因不尽相同，所以往往一个错误有几十种原因要分析。第二个层级是实时推荐系统，第三个层级是实时互动分析，也就是说有了第三层级的实时反馈分析，才有可能做出来第二层级中第一时间的精准推送，推荐下一个学习的内容。这是我们知识地图，每一个孩子都有自己的知识图谱，我们用红色、绿色、黄色代表不同的掌握度。绿色是100%掌握的，黄色代表很快会掌握的，红色代表掌握不太准确的。在这个时候系统会找到黄色以及红色的，略过绿色，只让学生去学习他没有掌握的内容，并且根据掌握程度以及知识点情况，帮他分析出来应该是先学黄色的，还是应该先学红色的。每个孩子都是不同的，因此会有不同的学习路径，可能这个还子目前是6年级但检测到3年级的知识点没有掌握，系统会让他回到3年级的知识点，然后再回来，按部就班的掌握每个知识点，单纯的学习6年级的知识点可能是永远无法真正学会的。
然后让我们看一下松鼠AI的内容地图，以前我们的录课老师可能颜值不是很高，后来就有同学反馈，希望找一些高颜值的老师来上课，这样对大家的积极性有一定的调动作用，所以我们现在的录课老师普遍是年轻的、精神的、帅气的。而且我们会通过分析还子的学习行为与习惯，根据不同孩子的特征推荐合适他们的动画，比如有的孩子相对活跃，那我们就推荐给他相对活力四射的课程动画，有的孩子相对沉稳，那我们就会推荐相对安静并注重知识点输出的课程视频给他。用不同的学习模式推送相同的知识点，即现代的因材施教。我们一直在随着同学的诉求与变化不断完善着课程内容与形式。
在教育智能fazhanzhon给有一个公认的挑战，就是如何将传统教育的知识点拆分的更细？为了解决这一问题，松鼠AI全球首创纳米级知识点拆分。在中国一个学科以传统的教学方式，知识点大约在300-500个左右，前文所提到的公司大概可以把知识点拆到3000个左右，讼诉AI则能将该学科的知识点细化拆分至30000个左右。拆分的过程是十分痛苦的，最早期都是老师们人肉去拆的，可能有人要问，为什么要拆分？那是因为人工智能的算法要求去拆，按照他的算法架构和关联关系，以及所有的架构模型，是必须要拆到纳米级，越细小这个东西就越加精准。可以这样理解，如果我们生病了，去看医生，人家告诉你是头疼还是头部某一个神经出现问题，肯定是越精细化告诉你是什么细小问题，越能治得快。
具体的知识点怎么做拆分呢？我们一般都是九层级的拆分。比如一个知识点的网状的拆分，第一层级的分数加减法，第二层级就会拆到分数同分母等等，第三是继续拆，一直拆到九层级，当孩子们被老师说可能是七层级的知识点没有掌握，就只掌握那个，一个大层级的知识点没有掌握不是全部都没有掌握，只是一个到两个小点没有掌握，所以精准学习知识点就可以全部掌握。
我们还有一个特色叫追根溯源。当孩子可能发现一个九年级的知识一直都学不会，通过我们最开始的一个评测诊断，就能分出来有一些知识点可以被放弃掉的，可以叫战略放弃。对可能会学会的，我们会追根溯源追溯到前几个年级的知识点没有掌握，这个非常关键，否则的话我们用纯传统的人类老师的教学方式也可以，可能学生学不会就会学六年级当下的内容，最多补一补五年级下期的内容。但是精准地追根溯源能够找到到底根在哪儿，去解决这个问题，这就是我们用到的一些信息论，贝叶斯理论精准地诊断出来。
举一个例子，一共有三个同学都是80分左右的知识点掌握情况，绿色是已经掌握的，红色是没有掌握的20%的知识点，下一个同学，我们看到红色和绿色有一些变化，有一些没变化，原则上这三个同学其实看起来很类似的一个水平。这是第三个同学，红色未掌握是完全不一样的。什么概念？其实每一个孩子学习每一个知识点的时间都是不一样的。
比如说立方根的知识点，最短用到150秒钟，最长的要学到4000秒钟。同一个孩子学每一个不同知识点需要的时长也是不一样的，我们经常认为一个学霸应该学的快，一个学渣就学的慢，我们分析过很多案例，同样一个相对不是很难的知识点，反而有的时候学霸学的是慢的，是反我们常态的认知。
我们看来没有任何一个孩子应该学习同样的内容，并且使用同样的时长，应该都是个性化教学，在不同的环境、不同的时长进行学习。下面我再提到另外一个独创的就是MCM，刚才一共六个级别中，我们在进入级别四的时候加入的思想、能力、方法、情感因素的智适应，超脱正常的知识点的学习，其实更重要的是孩子们毕业之后进入职场，进入生活应该有什么样的能力、思想、方法。
我们在2019年上线了MCM系统，我们从不同学科拆出每一个学科应有的思想、能力、方法，比如数学学科，我们会拆思想，会拆能力，会拆方法。这里举例是方法，通过数学学科的分析，我们发现有符号化的思想，方程思想，划归思想，能看出来你的逆推法和学科知识没有关系的，通过学习我们能评测出来每一个孩子在这些思想、能力和方法上掌握的情况如何，可以精准地对症下药，帮他学习。
这是一个例子，去年第二届央视一套的机智过人的项目上，撒贝宁用了18分钟做了我们MCM的系统，评测出来红色的数感不好，这是一个简单的分布，报告其实挺长的，我们就截了一个图。
我们相信人工智能可以给传统的教育带来很大的改变，比如少刷题。一考定终身的现象会消失，为什么？因为现在就是一考定终身，当人工智能有了大数据之后，如果教学环节抓取到孩子每一个行为的数据，我们隐私保管好的情况下，我们能看到孩子整个学习路径，并不是说最后一次考试就能定孩子到底是好坏，可能某一科在某一个阶段发生了什么样的行为，可以重新进行评估，或者可以全链条地去看一个孩子真实的情况反映。
我们希望能让孩子们喜欢上学习，因为我们发现很多孩子不爱学习，是因为他们逆反心里很严重，或者他们没有自信，没有突破那一点，但却爱上学习，可以适应他自己级别的时候是爱上学习的。
举几个案例，刘婉颖是我们老板司机的女儿，这个孩子从2016年作为小白鼠做我们的系统一直在提分，速度非常快，后来考到上海波音的职高，一个25分的学习速度没法达到95分，系统里自动推送的就是我先让你达到一个40分左右的级别，所以给你推送是这里到这里，你能学习胜任，且能够学会的东西，再到48分，再到55分阶梯式的往上走的。
最后讲一个案例是白沙坪的案例，就是帮助白沙坪小学的孩子学习效率进行提升的工作。我们用了将近两个月的时间，让他们成绩有了一个飞速的成长，有一位残疾孩子的妈妈，在白沙坪六年级评测出来后很伤心，他的知识点掌握情况实在太差了，在现场用了松鼠AI的系统之后，他的成绩从56%的掌握率不到两个月内上升到89%。
技术定位对我们来说非常重要。作为人工智能公司，不管是To B还是To C，品牌战略都非常重要。在我看来我们的品牌战略就是人工智能技术，我们一定要占领全球的人工智能技术的高度，从全球的论文、学术会议以及科学家，我们都已占领了全国的第一高度，保证我们领先全国、甚至全球市场。我们现在的技术可以讲是领先于竞争对手至少两年到三年，我们和这些科学家，包括我们论文所做的研究是往未来三到五年看能够实现什么样的价值。如果在座大家都是科技行业的，我相信品牌的定位，科技的定位对大家来讲是至关重要的。今天就分享到这里。