新基建下的AI+教育：教育虫洞是AI坍塌的终路

好未来“用科技推动教育”轻课业务被曝数据造假；AI伴学的明兮语文在疫情流量的大风口下无奈关店；宣称“AI赋能”的优胜教育长沙一校区突然跑路……

在很多人看来，虽然AI在教育行业的进军被称之为“AIED（Artificial intelligence in education）的金矿”。但近期AI+教育行业一系列的“地雷”引爆让公众对“AI+教育”的内核重新产生了怀疑，AI对于教育来说，到底是真需求还是伪概念？“黄金矿工”为何变成了“扫雷”游戏？

“90%的人工智能项目都是伪AI。” 阿里前CEO嘉御基金创始人卫哲，2017年和原斯坦福教授，现Google人工智能负责人之一李飞飞教授，沟通后有感而发。

2020年的“AI+教育”大抵也是如此？

在新基建开始大规模铺设的今天，处于人工智能领域中的AI+教育能否借着这股东风，去“伪”存真，为“AI+教育”重新正名？

“算命”换皮后，躲在AI招牌后的“人”

去年央视曾点名批评了“AI算命”的网络骗局，说的是只需上传一张照片，“AI”便可以解码你的未来命运。命运赠送的礼物有没有在暗中标上价格暂且不知，但你的命运被套上了模版却是实锤。打着AI的招牌，背后却是一套随机的模版。其背后唯一支撑的科学原理来自于人类的的心理自我暗示。

那么，“AI算命”和很多教培机构通过问卷回答的方式为学生定制“AI个性化课程”有无异曲同工之处呢？

有AI方面的专家对此表示：“在底层数据沉淀和AI技术发展的前期，‘AI个性化课程’定制的方式并无不妥，也有一定的作用。其本质就是用机器模拟老师和学生的交流，是一个搜集信息的过程，只是当前的技术远远无法还原人脑立体活动，深度学习程度不够，其结果就是准确度就不够。”

另一名在AI领域深耕八年的程序员称：“这类算法可大可小，底层数据足够大，就可以看起来足够智能。如果打的标签少，运行的算法少，问题涉及的维度窄，那么最后结果的准确性就要打个问号。”该程序员认为，如今的技术水平尚不足以支撑让机器来分析人的性格，只是通过学生的回答和日常活动标注的标签，组合生成一个报告，完全去人为化是不可能的，“很多教培机构没有开发团队的，总共就用了几个模型几个框，不管回答怎么样都往里一套，我们常说的伪AI也就诞生了。”

除了“伪AI”，还有伪需求。

2019年10月脑机接口公司BrainCo推出教育产品“智能头环”不但被人民网点评批评，在社会也引发了广泛争议。

通过采集大脑中的生物体征信号，然后用计算机对信号进行解读，从而实现专注力评分。公众讨论的焦点集中在科技所带来的隐私问题和人工智能应用落地的红线问题，即在教育领域，到底需不需要这样的AI技术？

上述两个案例实际上是目前“AI+教育”在市场层面“各自为政”“独自美丽”现状的冰山一角。在这个似是而非的灰色地段，抓不到躲在招牌后的人。首先从AI和教育的搭配、到技术和道德界限，这些问题没有统一的规范和标准，由于概念混乱，因此AI+教育始终无法发挥出最大的效益。

从数据到AI，教育机构们爱在心头口难开

“智能相对论”认为，AI+教育概念的混乱，一方面是由于技术门槛过高，许多管理者本身并不懂“AI”，只是风口到了，便顺着概念而上。 例如，目前市面上着眼于“自适应”的教育企业就非常多，工作原理主要是通过评估学生对知识、课本的掌握程度进行个性化推荐，可以看作“教育届的抖音自动推荐”理解。这一类公司对外便一直宣称自己是“AI+教育”，并获得了一定的认可度。

另一方面也不能怪机构自封“AI”。因为概念本身就有重叠，且基于民众认知和媒体宣传的影响，诸如“自适应”“机器学习”等诸多数据处理技术都“被”和人工智能画上了等号。 因此机构在自我宣传造势方面，也颇有些无奈。在采访中就有某中小教育企业创始人自嘲：“不要说什么人工智能，其实现在都还是人工智障，去人工化就不可能，我们自己都知道。”

Stack Overflow的数据科学家David Robinson就曾提出了一个简单差异定义：数据科学产生见解、机器学习产生预测，而人工智能产生行为。

数据科学产生见解很容易理解，杰夫·李克（Jeff Leek）曾在Types of Data Science Questions对数据科学提供的见解类型进行定义，包括描述性（学生做题）、探索性（不同的学生做题有不同正确率）、因果性（课后习题表明学生A正确率比学生B正确率高），但在这其中人是不可或缺的角色。例如，因为技术团队缺失，一些培训机构的线上做题系统便是停留在这一步，下一步还需要老师根据其数据人工进行分析。 这一类应用，“智能相对论”Shellie统一将其归为“简单工具”，还不能迈入AI之门。但如果做题阅卷后，还可以针对结果勘错或推荐同考点的题目，那么则向AI又迈进一步。

因此有技术方面优势的机构就更进一步，走到了数据科学和能产生预测的机器学习相结合的进阶阶段。 这里的机器学习可以看作是一个黑盒模型，生长在“智能”与“工具”的夹缝中。例如各搜题软件：小猿搜题、作业帮、阿凡题等，搜题后提供答题解析的同时，还可举一反三自动推送相似题目、点评、考点等相关信息，利用技术进一步提高学生学习的互动性、积极性。 并可以借此将搜题的用户导流到自己的题库中，增加用户留存。

“小猿搜题”路径

相似题目的推送，知识点与课程、题目的关联，则都需要投入大量的标注工作量，标注越多才被“训练”得越“聪明”。这样的“学习”还出现在许多“养成系”的聊天机器人（小爱同学）、口语测试（羊驼教育PTE模拟考）、语音识别系统（科大讯飞语音识别）等知识图谱算法中。

（编辑：宁德站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!