雷锋网按：11月15日-16日，“全球AI+智适应教育峰会”在北京嘉里中心大酒店盛大开幕，峰会由雷锋网联合乂学教育松鼠AI，以及IEEE（美国电气电子工程师学会）教育工程和自适应教育标准工作组共同举办，汇聚国内外顶尖阵容。
AI智适应学习是目前产学研三界关注度最高的话题之一。此次峰会，主办方邀请了美国三院院士、机器学习泰斗Michael Jordan，全球公认机器学习之父Tom Mitchell，斯坦福国际研究院（SRI）副总裁Robert Pearlstein、美国大学入学考试机构ACT学习方案组高级研究科学家Michael Yudelson等顶尖学者。
16日下午，松鼠AI首席架构师 Richard Tong 发表主题为“AI自适应教育的架构和策略”的精彩演讲。Richard Tong 介绍了松鼠AI智适应教育的架构和策略，详细阐释了平台架构的四个层面，并谈到自适应平台架构的愿景是为每一位同学打造超级AI导师，这将使学习变得有效、高效、吸引人。
以下为演讲实录（雷锋网做了不改变原意的编辑与整理）：
多谢大家能参加AIAED大会，刚才大家听到的都是商业、投资相关的，我回到技术，讲一讲我们自适应的架构。
我们讲架构，大家就要了解架构首先是为什么？我们在做自适应教育这样的领域，想了解架构这个事，我们建立整个愿景会提供一个依据，来告诉我们这个架构该怎么设计。
我们的愿景是什么呢？大家这几天可能听到了很多，我们要有一对一的智适应导师，让每个学生的学习更高效、有效、吸引人，和他能更贴近。我们想谈一谈我们是怎么走过来的，我们的愿景也是建立在美国一些先驱的实践基础上的，我们的企业里从很多公司学到了很多，包括Dream Box这些公司。这和我们自己怎么来实现这个东西相关，有几个比较重要的，把我们长期的愿景转化成真正要提供实践的环节。
刚才我为什么要提到一些先驱，因为我们站在巨人的肩膀上。我们做AI教育的时候，我们要看到AI教育的本质是什么，要想做好的核心因素在哪里，而且之所以我们从以前这些公司里学到了东西，到底哪些东西给我们提供了帮助。
其实AI教育更多的是一种AI应用，AI应用跟传统技术应用有不一样的地方，有四个关键环节和关键因素：
商业模型。AI能不能成功或者能不能落，还不是由于技术决定的，而是由产生的产品能不能落地来决定。
AI所要求的能力和做AI技术人的能力构成的。
数据，尤其是先进AI相关的，比如说深度学习，即使传统机器学习对数据的量要求大，对质的要求也很大，所以AI要考虑数据的问题。
AI要求很强的计算力。
在这四个方面实际上是缺一不可的，里面只要有一个地方有短板就成功不了。我们学习到了先驱的什么东西呢？一些传统的，在美国是可行或者是OK的东西，在中国是不行的，或者在中国会有相当大的障碍。
我之前在Kenwton帮很多中国企业讨论自适应的合作，但是很大的问题就是在中国这些东西都落不了地。为什么呢？因为B2B要求大家专业化的分工，专业化分工的前提是什么？要求要有相对的稳定性，接口要相对比较稳定。
但是AI这件事你会发现，尤其在目前的阶段来说，它对各环节的要求都很高，要把它结合起来做成一个产品，第一要不断迭代，第二在接口上的变化是非常大的，所以我们一开始智适应在中国落地的时候，Kenwton失败了，当时跟好未来等等做了很多项目，效果都不好。
不好在什么地方呢？不是技术不好，而是在中国落地的时候周期太长，一个产品在中国拿到好的智适应技术，去落地的时候对内容有很大的要求，对教学方式有很大的要求，对提供产品的方式也有很大的要求。在这些东西不成熟的情况下，一个周期过去了，试错还没试完，时间已经没有了。而且教育这个行业对整个学期的要求，对整个上线的要求有很多不可控性。
比如说每年春季、秋季开学的时候，产品没有准备好的话，上不了线的话，这次迭代的机会就错过了。本来9月1日要上线，如果9月16日你还没有上线，下次再想上线就是春节以后了，AI要求迭代非常快，而且结合性非常强，这样的公司在中国做B2B基本上是没有机会的。
在中国我们也学到了一些东西，在AI的情况下需要非常强的能力，也就是说要想把AI的项目做好，人员既要懂教育的整个场景，又需要有很强的AI本身的能力，很多时候需要有很强的工程能力，要有很多能力的结合。
中国的机器学习或者是AI学习，跟美国相比还有相当大的差距。中国一开始做的时候，栗总做松鼠AI的时候，要找到把四项能够都能够拼起来的东西。把好的商业模式，AI的能人，能够拿到数据的途径以及要结合强的计算力，把这些东西能够结合在一起才有成功的可能性。
所以我们自己设计的话，我们是从头到尾完整的AI连续的自适应，另外我们从数据角度来讲是全面、完整、快速增长的数据模型。
为什么我们要做这么一个东西？这也和一开始说的教育里面最大的智适应解决的痛点是什么相关。自适应最大的痛点来自于传统教育的低效或者是无效性，只要是老师一对多的情况下，我们觉得一定是无效或者低效的。也就是说学生在传统课堂里花的时间，和一个一对一相比有一个很大的效率差距。
我们为什么不认可像双师课堂，或者是课后人工智能作业，这是渐进性的提高，有一定的帮助，但是没有解决最根本的效率低下问题。最根本的效率低下问题，是一个老师哪怕给三个学生或者是十五个学生，还是四十个学生，教的时候，每个学生在学的过程里因为自己每个人的要求不一样，针对一个人好的东西，针对另外一个人不一定好。
人工智能就是要诊断他在学习过程中的问题，根据他的学习路径贴近。如果你没有这样一个完整的贴近机会的话，这个AI就实现不了。
崔博士那天讲到我们产品的时候大家也知道，AI就是要解决这七个问题，能够准确的诊断学生的学习状态、提供有效的学习路径、制定合理的学习目标、在教室里还有辅导老师给他提供一个合适的预警机会，以后能用主观因素的认知帮助小孩提供信心、态度、习惯，帮助家长给小孩提供更好的学环境，这是整个AI自适应平台的要求。
我们自己具体是怎么做的呢？给大家提供一个框架，我们讲一些产品和系统，这个东西是什么呢？这张是讲主要系统的模块，在这个模块之间我想专门提几个我们认为对我们来说，从设计角度比较重要的东西。因为AI里很重要的是数据，数据来自于两个方向，一个是能大量的积累，另外数据要有深度的关联。
这张图里有两块是和数据相关的，最右边的LRS，中间有一个MDS，这两个东西给我们提供的是把学习行为数据，和我们的知识图谱、题库、内容库和教学内容的东西连接起来，这样才能达到数据有效的长期使用。以前我们在实施过程中发现了一个很大的问题，很多企业的数据是单维度的，可能有学生所有做题的记录，可能有学生所有考试的记录，可能有学生所有英语阅读的东西，发音的数据，但是单个来看的话，数据有效性很受限制。
如果你想从里面找到数据的话，如果只有一个维度的数据的话，你能做的事情非常有限，而且需要大量的人工去建标签或者人工的做相应的反馈。如果你的数据是多维度的，是有相关联系的，如果一个学生不光有做题的数据，还有做题之后看视频的数据，还有做题的时候当时表情的数据，还有做题的时候脑电波的数据，这样我们可以在各个方面把这些数据结合起来，能够做到的东西比以前要多得多，它能提供的可能性大得多。
即使不说脑电波或者表情数据，哪怕把学习目标了解了，就是学生做一道题的时候，当时学习的目标是什么，想学的是什么知识点，这套题做之前已经了解了哪些知识点，不了解哪些知识点。
如果知道了这个信息以后，你的做题数据包括以后的其他学生行为数据，对你的机器学习和整个老师的诊断来说有非常大的作用，我们是通过MDS把数据结合起来，LRS把数据积累起来。
另外想谈一下自适应引擎，不管是刚才一起作业他们提到的东西，还是掌门一对一提到的，都提到了比较类似的东西。
我们的适应引擎提供了两个最基本的功能，它自己的大脑里需要有什么东西，第一个是了解一个学当时学习的状态，了解他对知识点了解的程度，和所有知识点之间的联系，互相之间的关联性是什么样的。第二个是推荐路径，我知道这个东西以后怎么给你好的推荐，这是我们的引擎最重要的核心部分。
这个机器需要知道什么呢？一方面需要知道学生长期的数据，越长时间越好，还有一个他需要了解学习它学的东西，像一个GPS导航一样，学生要去哪儿？这些地方之间的关联是什么？还有一个学生可以做的事情是什么，可以看的内容是什么，和我们导航的东西有什么联系，这样才好给他推荐。第三个就是学生自己的状态，包括他的学习目标是什么。
有了这些，自适应引擎就可以转起来了，后面还有很多其他相关的东西，因为时间的关系我们就不一一介绍了。
我想谈一谈我们以后要做的，未来要打造AI教室所需要的东西。
刚才由于三个层面所谓模型的信息，最顶上那一层是DKT还有Dan新开发的一个模型，可以很好的认知学生的状态，当然还有其他的模型，可以根据记忆的消减来给学生提供以后的学习机会。
第二层是多输入的，或者是通过不同的信号来输入，来了解学生的情感和注意力的状态，这样它主要的目的是为了给老师提供更好的预警，老师什么时候干预学生、提供学生，提供这样一个层级的作用。
第三层是我们比较新的开发的东西，通过对话的形式帮助学生做错因分析，帮助学生做一些具体的“诊断”，这个在开发的过程中，我们跟CMU在做一些新的东西。
我们为未来打造超级AI导师，在国际上有大量的合作，现在已经跟我们有合作关系的有SRI、UC Berkeley，中国社科院，澳大利亚UTC，现在马上要建立合作关系的包括CMU，孟菲斯大学，西班牙的IIA和MIT，我们都在谈判中。
我们希望通过跟顶级机构建立合作关系，利用我们的标准和数据共享以及开放平台的优势，来提供更强的AI功能，为每一个小孩提供超级AI教师，多谢大家。（演讲全文完）
人工智能风雨60年，与其说技术升级促成了今天的浪潮，不如说当前的人工智能，终于站在离商业最近的位置。
去年，首届「AI 最佳掘金案例年度评选」活动一经推出，便受到了AI方案输出方和AI技术需求方的极大关注。评选从商业维度出发，寻找用户/客户问题解决能力强的产品和解决方案。
现在，我们再次站在AI浪潮之巅，正式启动第二届「AI最佳掘金案例评选」。
在AI+教育领域我们一共设置了6个奖项，欢迎踊跃报名，报名地址：https://www.leiphone.com/special/custom/AITopTen2018.html
相关文章：
掌门1对1张翼：AI对教育最大的赋能是让学生获取打开知识宝库的“钥匙” | 全球AI+智适应教育峰会
正在生成分享图...
李菁瑛