人工智能將把教育帶往何方

戴靜 顧小清

摘要：隨著社會對人工智能產生的革命性影響的深刻認識，教育工作者也不禁思考人工智能時代下教育該如何走向。技術發展與教育需求碰撞才會迎來未來教育，因此了解人工智能的發展動向成為關鍵任務。該文以世界知識產權組織（WIPO）發布的《2019技術趨勢：人工智能》報告為數據來源，從技術、功能性應用、應用領域三個維度描繪人工智能發展趨勢。然后從技術趨勢回到教育領域，進一步挖掘報告中的數據，分別從產業界和學術界突顯教育領域的人工智能應用前景。最后，基于以上分析，闡述對教育人工智能的啟示：一方面，指出大規模個性化學習和創新教育是未來教育的發展方向，從教育需求的角度向人工智能技術提出要求;另一方面，指出跨領域交流和跨界合作是未來教育的實現途徑，從技術支持的角度看教育需求如何得到滿足。

關鍵詞：人工智能;技術趨勢;教育

中圖分類號：G434

文獻標識碼：A

一、前言

繼“機械化”“電氣化”“自動化”三次工業革命之后，社會迎來了第四次工業革命“智能化”。人工智能作為第四次工業革命的核心技術[1]，肩負著三階段的使命：一是讓機器擁有像人一樣的視覺、聽覺、觸覺等感知能力;二是讓機器擁有人的決策、推理、規劃等認知能力;三是讓機器擁有人的情緒能力[2]。順應使命的過程中，人工智能正逐步侵入并改變人們的生活、學習、工作甚至交互方式，智能城市、智能醫療、智能駕駛、智能教育一系列目標呼吁而出。于是，人工智能滲透于各行各業，并重塑著社會各行業的形態。吳恩達教授還曾著《人工智能轉型手冊》（AI Transformation Playbook）[3]，分享企業進入人工智能時代的要點。

教育工作者也開始思考教育如何走向人工智能時代。目前，國家已發布《中國教育現代化2035》[4]《新一代人工智能發展規劃》[5]等政策文件將人工智能教育納入國家戰略任務，為教育變革提供政策支持。越來越多的教育型企業和技術型企業與一線學校合作，試圖搶占人工智能教育市場先機以獲得市場份額。但是，校企一線實踐的效果還遠遠沒有達到智能教育的程度，究其原因，一是企業方或技術方無法深入理解教育需求，傾向于推出已有產品;二是學校方或教師方不了解技術可以達到何種程度，容易過高或過低估計人工智能的價值，例如，筆者曾與一線教師溝通發現，對技術期望低的教師往往不愿意成為試點班級，期望高的教師認為企業的個性化練習推送服務不如自己推送精準。顯然，只有當技術支持與教育需求交匯時，教育才會順應技術的步伐。可見，教育工作者對人工智能技術的清晰認識是推進教育下一步走向的關鍵。

因此，本文以WIPO《2019技術趨勢：人工智能》這一報告為獲悉人工智能發展走向的數據來源，通過對該報告的解讀，了解人工智能發展到何種程度及后續如何發展，回答“人工智能可以為教育提供何種支持”;然后回到教育領域，挖掘報告中的數據以定位教育領域的人工智能應用前景;最后，結合教育需求和技術支持，思考“人工智能將把教育帶往何方”，提出教育人工智能的發展方向和實現途徑。

二、報告解讀

了解人工智能的發展動向是推進人工智能教育的關鍵。本文以2019年聯合國世界知識產權組織（WIPO）發布的《2019技術趨勢：人工智能》（WIPOTechnology Trends 2019： Artificial Intelligence）報告（以下簡稱《報告》）[6]為獲取人工智能發展動向的數據來源。這里從人工智能的界定、人工智能發展歷史、人工智能發展趨勢的分析思路進行簡要解讀，以便于下文深入解析人工智能的發展趨勢。

（一）人工智能的界定

盡管人工智能已成為眾所周知的名詞，但由于人工智能領域具有跨學科性，其應用具有跨行業性，目前對于其概念的理解還沒有達成統一的共識。《報告》中將人工智能系統視為學習系統，即機器可以在有限或不需要人工干預的情況下更好地完成通常由人類執行的任務。這是狹義的人工智能，有別于通用人工智能或強人工智能等概念。根據此定義，一系列技術與應用被納入到該報告的人工智能領域范疇中。

（二）人工智能的發展歷史

《報告》對人工智能的歷史簡要回顧發現，人工智能學科源自于1956年達特茅斯會議，經歷了一系列的起起落落（稱之為人工智能的夏天和冬天），當前的人工智能繁榮始于大約2012年，如圖1所示，也例舉了部分人工智能追趕人類表現的里程碑，均落在了“AI夏天”的時間軸里。

（三）人工智能的發展分析

《報告》以專利和科學論文數據演變以及二十多位世界頂尖人工智能專家的觀點，共同捕捉人工智能發展趨勢，希望可以從推測性解釋轉向基于證據的預測。《報告》最核心的脈絡在于，從神經網絡、深度學習等人工智能技術出發，以自然語言處理、計算機視覺、語音處理等人工智能功能性應用為過渡，再到運輸、通信等人工智能應用行業，展現了人工智能研究轉化為現實應用的過程，為人工智能發展趨勢提供了獨特的見解。

三、從《報告》看人工智能發展趨勢

《報告》指出，從1960年到2018年，人工智能領域有近34萬項發明和160多萬篇科學論文發表;專利族平均每年增長28%，科學出版物每年增長5.6%;科學出版物與專利族的比例從2010年的8：1下降到2016年的3：1。專利的顯著增長通常是在科學論文發表很久之后才出現的，除了深度學習之外，大多數技術都有10年的延遲。正如李開復所說，我們現在正處于人工智能“實施時代”。

《報告》將人工智能劃分為三個維度，即AI技術、AI功能性應用和AI應用領域。AI技術是指高級形式的統計和數學模型，如機器學習和專家系統等。AI功能性應用是指可以使用一種或多種AI技術實現的功能，如語音識別和計算機視覺等。AI應用領域是指AI技術或AI功能性應用可能應用到的不同領域或學科，如運輸和農業等。這里需要指出的是，在專利文件中提到的這三個維度之間是重疊的，至少提到一種AI技術的專利占44%，提到AI功能性應用的專利占75%，提到AI應用領域的專利占62%。

從圖2可以看出，機器學習和計算機視覺幾乎占據所有應用領域的主導位置。機器學習技術在生命與醫學領域專利數量最高，主要相關技術有監督學習、支持向量機、仿生法以及分類和回歸樹。計算機視覺在電信與運輸兩大領域專利數量最高，自然語言處理在文件管理與出版領域專利數量最高，語音處理在電信領域專利數量最高。此外，還有運輸領域中控制方法與機器人學專利相對較多，商業領域中預測分析與自然語言處理專利相對較多，工業與制造業中規劃調度專利相對較多。

總體來說，機器學習尤其是深度學習和神經網絡技術發展穩且快，計算機視覺、自然語言處理和語音識別已取得相當豐碩的成果且還在持續提升準確性，這些技術與功能性應用都可以為教育提供支持。《報告》中雖未分析人工智能教育的相關內容，但其數據值得挖掘以進一步突顯教育領域中人工智能的應用。

四、回看教育領域的人工智能應用前景

教育與人工智能兩者是辯證關系[7]，立足于教育領域來觀察圖2，橫向對比發現，教育領域與絕大多數領域類似，機器學習、計算機視覺、自然語言處理、語音處理在領域中應用較多;縱向對比發現，教育領域的專利申請數量還遠遠不及電信、運輸等領域。我們可以從對報告的解讀再回到教育領域，從報告的人工智能專利數據，以AI專利數量前20名的公司作為產業界的代表，以AI專利數量前20名的科研機構（包括大學）作為學術界的代表，來探索“人工智能+教育”在產業界和學術界的發展情況。

（一）產業界

前20名的公司AI專利申請量分布如圖3所示，橫坐標公司名稱按照申請量由大到小排序，箱線圖代表各公司在不同應用領域中的申請量分布情況（離群值體現了該公司的焦點領域），黑色小三角代表“AI+教育”的專利申請量。從圖3中可以看出，“AI+教育”的專利數量占AI專利總量比例較少，沒有成為這些公司的主要業務。黑色小三角唯一越過箱線圖中位線的公司是日本豐田公司，但不是因為特別關注教育領域，而是極度聚焦于運輸領域使得其他領域數量都不高。在教育領域申請量最多的是美國國際商業機器公司（IBM）和微軟公司;前者以旗下的認知計算系統“IBMWatson”與培生等教育集團達成戰略合作[8]，還致力于打造國內首個企業AI啟蒙教育公益品牌標桿[9];后者則直接推出了微軟教育系列產品，包括MicrosoftTeams、Windows 10設備及學習工具等。

20個公司的AI技術、AI功能性應用相關專利數量與教育領域數量的相關性如下頁表5所示。根據結果可知，在五大類AI技術中，除了模糊邏輯以外，機器學習、邏輯編程、本體工程、概率推理均與教育領域的數量有顯著相關。在九大功能性應用中，與教育領域專利數量顯著相關的有自然語言處理、知識表示與推理、語音處理以及預測分析。

（二）學術界

前20名的科研機構AI專利申請量分布如圖4所示，同樣，橫坐標科研機構（包括大學）名稱按照申請量由大到小排序，箱線圖代表各機構在不同應用領域中的申請量分布情況，黑色小三角代表“AI+教育”的專利申請量。從圖4中可以看出，學術界的AI專利申請量遠不及產業界。近半數的科研機構中“AI+教育”的專利數量位于所有領域的末端，只有韓國浦項科技大學（目前韓國工科實力最強的大學之一）接近頂端。從申請數量上看，教育領域申請量前兩名與總申請量前兩名一致，均為中國科學院和韓國電子通信研究院;兩者的AI專利申請總量可與公司相并論。

20個科研機構的AI技術、AI功能性應用相關專利數量與教育領域數量的相關性如表6所示。與產業界的結果相比，在五大類AI技術中，除了模糊邏輯以外，概率推理也沒有顯示出與教育領域的顯著相關，可能是學術界對于概率推理技術的專利數量均為個位數所致。在九大功能性應用中，同樣與教育領域專利數量顯著相關的有自然語言處理、語音處理;知識表示與推理、預測分析沒有顯示出相關性;但是增加了計算機視覺、控制方法和機器人學，可見學術界比產業界更注重自主機器設備在教育中的應用。

五、對教育人工智能的啟示

通過人工智能發展趨勢的解讀發現，目前正處于將研究成果應用于各領域的人工智能實施時代，同時保持著相關技術研究的持續增長，即側重實踐、理論并行的持續發展狀態。而且，伴隨AlphaGo系統的聞名，人工智能受到了全球的高度重視，世界各國在2016年后密集發布相關政策與戰略規劃，積極推動人工智能的投資與建設， “人工智能+教育”也成為熱點之一。然而，目前教育領域的人工智能發展相對滯后于運輸、文件管理等領域，結合教育領域人工智能的應用分析發現，一是針對教育領域需求的人工智能技術研發較少，二是已有人工智能技術在教育領域中的應用未得到充分挖掘，兩者都依賴于教育需求與技術支持的碰撞。

（一）教育需求：未來教育的發展方向

如果說，在線學習是互聯網時代下教育的新形態;那么，大規模個性化學習和創新教育就是人工智能時代下教育的新形態。新形態的教育對技術產生了諸多需求。

1.大規模個性化學習

個性化學習，也稱為自適應學習或適應性學習，是古代教育家孔子“因材施教”教育理念的體現。少量學生的個性化學習可以通過教師頻繁溝通實現，個性化學習的規模化實現則必須依賴于數據與技術。數據驅動的適應性學習系統為實現大規模個性化學習提供途徑，即通過學習過程數據對學習者進行診斷評估并據此動態組織學習路徑和資源;系統起步于學習者模型的初步定位，持續于學習者模型的實時更新。因此，通過“數據”了解學生是非常重要的一環，收集學習者的何種數據（明確學習者模型的維度）、如何收集（學習者知識狀態等具體維度刻畫的方法）是大數據環境下面臨的困擾。

對于學習者模型的維度，教育領域專家認為除了學習者知識狀態，還應納人情感狀態、認知風格等多個維度。此時，學習者模型的建立不僅依賴于答題數據，還包括面部表情、問卷、皮膚電等數據，多模態數據的融合成為教育對技術的需求。深度學習技術，這一近年來增長最快的AI技術為多模態數據的分析提供可能。隨著分布式計算的運用和更強大計算能力的出現，降低了神經網絡結構隱藏層的數量限制，深度神經網絡得到發展，對于處理教育數據應用潛力巨大。而且，若“大數據”才能訓練出的模型，通過“小數據”也可以訓練，對教育以及其他領域都是非凡貢獻。正如吳恩達所提，針對小數據量的無監督學習是人工智能領域值得突破的地方。

再從學習者模型的具體維度如最常見的知識狀態刻畫需求深思。心理學中已提出項目反應理論和認知診斷理論，通過作答結果數據對學習者的能力水平和知識掌握情況進行評估。目前針對選擇、填空等客觀題，已有經典的Logistic模型、DINA模型;數學計算等多級評分題也有等級反應模型（Graded Response Model，GRM）、拓廣分部評分模型（Generalized Partial Credit Model， GPCM）等;但針對語言學科主觀題的自動評分以及將答題行為數據、認知診斷與自適應測驗結合以更精確地刻畫學習者知識狀態對技術提出了進一步的需求。再者，若換一種思路，通過研發“教學經驗豐富的機器人教師”與學生進行解題思路對話，從而推斷學習者的知識狀態，那么就對機器人教師產生了理解學科知識背景的需求，從技術上對自然語言處理中的語義分析提出了進一步的要求。

以上僅例舉了學習者模型建立過程中對技術的需求。領域模型和適應性模型，與學習者模型同為適應性學習系統的核心模塊[10]，細思后同樣有著諸多需求。例如，在領域模型中如何呈現知識點之間的關系、知識點細分到何種程度合適。又如在適應性模型中，如何綜合學習者本身與環境要素進行路徑、資源、學伴的推薦。

2.創新教育

創新教育是以培養創新人才為目標的教育，目前以跨學科知識整合為主的STEM教育是其主要方向之一，難點在于師資力量的缺乏。僅以STEM課程作為代表來看，一方面，大多數學校的STEM教師非專業出身，僅復制市場上的3D打印、編程或手工課到課堂是遠遠不夠的，忽略了基礎性學科知識的整合，課程設計的水平有待提高;另一方面，STEM教育的跨學科性對教師的要求較高，成為一個領域的專家需要幾十年的時間，成為跨學科專家更為不易。但是，機器的精力、記憶力、進化力遠遠勝過人類[11]，利用人工智能技術建立專家系統或許可以成為解決方案之一。專家系統是早期人工智能的重要分支，專家知識庫是其重要組成部分。擁有大量優秀課程案例的專家系統，不僅可以成為教師的搜索資源，也可以成為教師學習的對象，在使用系統的過程中逐漸提高專業水平。

對于專家知識庫的建立，在商業如搜索等領域，已形成了信息抽取、知識表示、知識融合和知識推理一系列關鍵技術。但教育領域仍有一些獨特的需求，例如知識體系的更新。《報告》中最引人注目的發現之一是，過去5年里所公布的人工智能專利，就占到了AI技術有史以來的50%。這充分說明了該領域的創新正以多么快的速度向前推進。然而，不僅是人工智能領域，其他領域的知識也隨著知識產生方式多樣化、知識提供人員多元化、社會節奏的加快而快速更新。作為能力導向而非傳統知識導向的創新教育課程，需要有完整的、實時更新的跨學科知識體系。通用知識庫的更新一般為信息的搜索替換。但是，教育知識庫的更新帶來的“連鎖效應”較多，如《普通高中信息技術課程標準（2017年版）》中增加“人工智能初步”模塊，知識庫更新時，不僅僅是更換和增加相關知識點（如感知器），還需要為這些知識點的先決知識點（如數學函數）和后續知識點（如卷積神經網絡）作連接、為相關的課程資源更換知識點標簽、根據更新后的知識體系進行教學設計等等。又如，創新教育課程評估也是重要需求，是否可以借鑒智能醫療中“全科分診”[12]的思想，對學生的跨學科知識或能力進行診斷與輔導。再如，創新教育課程的情境性需求，如何借鑒虛擬現實、增強現實和混合現實技術創設實際情境。這些需求均已有一定的人工智能技術作支撐，但仍需結合教育教學的實際特點作出調整或針對性研發。

（二）技術支持：未來教育的實現途徑

定位人工智能技術是否可以滿足以上教育需求及如何滿足，需要促進教育與人工智能兩大領域專家的交流，也需要促進產業界與學術界的合作。

1.加強跨領域專家的深度交流

站在教育工作者的角度來說，需充分了解已有的AI技術與功能性應用。《報告》中人工智能領域專利與文獻數據已顯示，AI技術如機器學習、AI功能性應用如計算機視覺、自然語言處理、語音識別等均已取得大量成果，具有可遷移性，完全可以在教學場景中得到充分應用。以自然語言處理這一功能性應用為例，可用于作文評價系統，使得主觀題也實現自動化評分;可用于智能對話系統，使得機器能夠承擔解惑或陪伴的角色;可用于文本挖掘，使得學習者的寫作風格、情感狀態、思維習慣等得到刻畫;可用于語法糾錯，幫助學習者學習一門新的語言時實時糾正錯誤;可用于機器翻譯，使得文言文、散文、詩歌自動翻譯成為可能等等。

但是，教育專家的專長畢竟不是技術，應用效果仍需教育與人工智能領域的專家合作來保障。以通過自然語言處理進行作文評價為例，教育專家無法細數各算法的優劣勢，但可以提出內容、語言、結構等作文評分標準;人工智能專家則根據具體的評分標準進行文本語義、詞法等分析;尤為重要的是，雙方對如何分析可與評分標準相呼應進行探討。假設其中一條評分標準為“情感表達積極”，若人工智能專家采用傳統的詞法分析，則需要教育專家輔助建立情感詞典，列出積極詞匯、消極詞匯、程度副詞、否定詞并附上對應的權重;若人工智能專家采用機器學習的方法，則需要教育專家輔助進行情感值標注以作為模型的訓練集。

2.促進產業界與學術界的合作

通過前文教育領域人工智能的發展分析可知，學術界的專利數量遠不及產業界，一方面可能是學術界更重視科學出版物的發表，另一方面也是研發經費與人力資源差異造成的結果。產業界需要學術界最新研發的技術或實驗室產品，學術界需要借助產業界的力量將科研成果推人市場從而得到反饋。兩者最直觀的合作形式就是企業將后臺采集的學習者與教者行為數據開放給科研機構，科研機構則輔助企業進行頂層設計、挖掘數據信息以及算法優化等，而后企業再將科研機構的設計、支持與建議落實到教育產品中，并再次將數據反饋給科研機構，如此循環。

而且，產業界與學術界的研發側重點可能會有差異，例如前文分析中提到產業界中知識表示與推理、預測分析專利數量與教育領域專利數量顯著相關，而學術界中機器人學、控制方法專利數量與教育領域專利數量顯著相關。因此，即使是擁有科研部門的大型企業，互補合作共同推進未來教育依然是實現雙贏局面的必然選擇。

六、結語

人工智能促進教育變革已成必然趨勢。了解人工智能領域的發展趨勢、教育領域與人工智能領域的融合程度是應對此變革的首要任務。本文對WIPO發布的《2019技術趨勢：人工智能》進行解讀，從技術、功能性應用、應用領域三個維度描繪人工智能發展趨勢，并通過報告中的數據進一步突顯教育領域中人工智能的應用狀況，為人工智能與教育教學深度融合的未來教育變革提供反思與啟示。

參考文獻：

[1]徐曄.從“人工智能教育”走向“教育人工智能”的路徑探究[J].中國電化教育，2018，（12）：81-87.

[2]李韌.自適應學習：人工智能時代的教育革命[M].北京：清華大學出版社，2018.

[3] Ng，A.AI transformation playbook： how to lead your company intothe AI era[EB/OL].https：//landing.ai/wp-contenduploads/2020/05/LandingAI_Transformation_Playbook_ll-19.pdf，2020-06-30.

[4]新華社.中共中央、國務院印發《中國教育現代化2035》[EB/OL].http：//www.gov.e n/xmwen/2019-02/23/e ontent_53 679 87.htm，2019-02-23.

[5]新華社.國務院印發《新一代人工智能發展規劃》[EB/OL].http：//www.gov.cn/xinwen/2017-07/2 0/content_52 12064.htm，2017-07-20.

[6] WIPO.Technology Trends 2019：Artificial Intelligence [EB/OL].https：//www.wipo.int/edocs/pubdoc s/en/wipo_puh_105 5.pdf，2019-11-20.

[7]孫田琳子，沈書生.論人工智能的教育尺度——來自德雷福斯的現象學反思[J].中國電化教育，2019，（11）：60-65+90.

[8]藍鯨財經.培生引入IBM Watson的認知能力[EB/OL].https：//www.lanjinger.com/d/415 74，2020-08-03.

[9] IBM.IBM中國發布“AI啟蒙季”第一季回顧報告[EB/OL].https：//www.ihm.e om/news/e n/z h/2020/0 6/17/2 020061 7_2.html，202 0-06-16.

[10]馬相春，鐘紹春等.大數據視角下個性化自適應學習系統支撐模型及實現機制研究[J].中國電化教育，2017，（4）：97-102.

[11]張學軍，董曉輝.人機共生：人工智能時代及其教育的發展趨勢[J].電化教育研究，2020，（4）：35-41.

[12]張勤.DUCG智能醫療診斷云平臺簡介[EB/OL].https：//www.sohu.com/a/25 695 1625_505819，2018-09-29.

作者簡介：

戴靜：在讀博士，研究方向為學習分析與計算機測評（925613528@qq.com）。

顧小清：教授，博士生導師，研究方向為學習科學與技術設計、數字化學習環境及用戶行為、信息化教育資源設計及應用（xqgu@ses.ecnu.edu.cn）。

*本文受2019年度國家社科基金重大項目“人工智能促進未來教育發展研究”（項目編號：19ZDA364）資助。