雷鋒網按：11月15日-16日，“全球AI+智適應教育峰會”在北京嘉裡中心大酒店盛大開幕，峰會由雷鋒網聯合乂學教育松鼠AI，以及IEEE（美國電氣電子工程師學會）教育工程和自適應教育標準工作組共同舉辦，匯聚國內外頂尖陣容。
AI智適應學習是目前產學研三界關注度最高的話題之一。此次峰會，主辦方邀請了美國三院院士、機器學習泰斗Michael Jordan，全球公認機器學習之父Tom Mitchell，斯坦福國際研究院（SRI）副總裁Robert Pearlstein、美國大學入學考試機構ACT學習方案組高級研究科學家Michael Yudelson等頂尖學者。
16日下午，松鼠AI首席架構師 Richard Tong 發表主題為“AI自適應教育的架構和策略”的精彩演講。Richard Tong 介紹了松鼠AI智適應教育的架構和策略，詳細闡釋了平臺架構的四個層面，並談到自適應平臺架構的願景是為每一位同學打造超級AI導師，這將使學習變得有效、高效、吸引人。
以下為演講實錄（雷鋒網做了不改變原意的編輯與整理）：
松鼠AI的自適應架構
多謝大家能參加AIAED大會，剛才大家聽到的都是商業、投資相關的，我回到技術，講一講我們自適應的架構。
我們講架構，大家就要了解架構首先是為什麼？我們在做自適應教育這樣的領域，想了解架構這個事，我們建立整個願景會提供一個依據，來告訴我們這個架構該怎麼設計。
我們的願景是什麼呢？大家這幾天可能聽到了很多，我們要有一對一的智適應導師，讓每個學生的學習更高效、有效、吸引人，和他能更貼近。我們想談一談我們是怎麼走過來的，我們的願景也是建立在美國一些先驅的實踐基礎上的，我們的企業裡從很多公司學到了很多，包括Dream Box這些公司。這和我們自己怎麼來實現這個東西相關，有幾個比較重要的，把我們長期的願景轉化成真正要提供實踐的環節。
剛才我為什麼要提到一些先驅，因為我們站在巨人的肩膀上。我們做AI教育的時候，我們要看到AI教育的本質是什麼，要想做好的核心因素在哪裡，而且之所以我們從以前這些公司裡學到了東西，到底哪些東西給我們提供了幫助。
其實AI教育更多的是一種AI應用，AI應用跟傳統技術應用有不一樣的地方，有四個關鍵環節和關鍵因素：
商業模型。AI能不能成功或者能不能落，還不是由於技術決定的，而是由產生的產品能不能落地來決定。
AI所要求的能力和做AI技術人的能力構成的。
數據，尤其是先進AI相關的，比如說深度學習，即使傳統機器學習對數據的量要求大，對質的要求也很大，所以AI要考慮數據的問題。
AI要求很強的計算力。
在這四個方面實際上是缺一不可的，裡面只要有一個地方有短板就成功不了。我們學習到了先驅的什麼東西呢？一些傳統的，在美國是可行或者是OK的東西，在中國是不行的，或者在中國會有相當大的障礙。
我之前在Kenwton幫很多中國企業討論自適應的合作，但是很大的問題就是在中國這些東西都落不了地。為什麼呢？因為B2B要求大家專業化的分工，專業化分工的前提是什麼？要求要有相對的穩定性，接口要相對比較穩定。
但是AI這件事你會發現，尤其在目前的階段來說，它對各環節的要求都很高，要把它結合起來做成一個產品，第一要不斷迭代，第二在接口上的變化是非常大的，所以我們一開始智適應在中國落地的時候，Kenwton失敗了，當時跟好未來等等做了很多項目，效果都不好。
不好在什麼地方呢？不是技術不好，而是在中國落地的時候週期太長，一個產品在中國拿到好的智適應技術，去落地的時候對內容有很大的要求，對教學方式有很大的要求，對提供產品的方式也有很大的要求。在這些東西不成熟的情況下，一個週期過去了，試錯還沒試完，時間已經沒有了。而且教育這個行業對整個學期的要求，對整個上線的要求有很多不可控性。
比如說每年春季、秋季開學的時候，產品沒有準備好的話，上不了線的話，這次迭代的機會就錯過了。本來9月1日要上線，如果9月16日你還沒有上線，下次再想上線就是春節以後了，AI要求迭代非常快，而且結合性非常強，這樣的公司在中國做B2B基本上是沒有機會的。
在中國我們也學到了一些東西，在AI的情況下需要非常強的能力，也就是說要想把AI的項目做好，人員既要懂教育的整個場景，又需要有很強的AI本身的能力，很多時候需要有很強的工程能力，要有很多能力的結合。
中國的機器學習或者是AI學習，跟美國相比還有相當大的差距。中國一開始做的時候，慄總做松鼠AI的時候，要找到把四項能夠都能夠拼起來的東西。把好的商業模式，AI的能人，能夠拿到數據的途徑以及要結合強的計算力，把這些東西能夠結合在一起才有成功的可能性。
所以我們自己設計的話，我們是從頭到尾完整的AI連續的自適應，另外我們從數據角度來講是全面、完整、快速增長的數據模型。
為什麼我們要做這麼一個東西？這也和一開始說的教育裡面最大的智適應解決的痛點是什麼相關。自適應最大的痛點來自於傳統教育的低效或者是無效性，只要是老師一對多的情況下，我們覺得一定是無效或者低效的。也就是說學生在傳統課堂裡花的時間，和一個一對一相比有一個很大的效率差距。
我們為什麼不認可像雙師課堂，或者是課後人工智能作業，這是漸進性的提高，有一定的幫助，但是沒有解決最根本的效率低下問題。最根本的效率低下問題，是一個老師哪怕給三個學生或者是十五個學生，還是四十個學生，教的時候，每個學生在學的過程裡因為自己每個人的要求不一樣，針對一個人好的東西，針對另外一個人不一定好。
人工智能就是要診斷他在學習過程中的問題，根據他的學習路徑貼近。如果你沒有這樣一個完整的貼近機會的話，這個AI就實現不了。
崔博士那天講到我們產品的時候大家也知道，AI就是要解決這七個問題，能夠準確的診斷學生的學習狀態、提供有效的學習路徑、制定合理的學習目標、在教室裡還有輔導老師給他提供一個合適的預警機會，以後能用主觀因素的認知幫助小孩提供信心、態度、習慣，幫助家長給小孩提供更好的學環境，這是整個AI自適應平臺的要求。
我們自己具體是怎麼做的呢？給大家提供一個框架，我們講一些產品和系統，這個東西是什麼呢？這張是講主要系統的模塊，在這個模塊之間我想專門提幾個我們認為對我們來說，從設計角度比較重要的東西。因為AI裡很重要的是數據，數據來自於兩個方向，一個是能大量的積累，另外數據要有深度的關聯。
這張圖裡有兩塊是和數據相關的，最右邊的LRS，中間有一個MDS，這兩個東西給我們提供的是把學習行為數據，和我們的知識圖譜、題庫、內容庫和教學內容的東西連接起來，這樣才能達到數據有效的長期使用。以前我們在實施過程中發現了一個很大的問題，很多企業的數據是單維度的，可能有學生所有做題的記錄，可能有學生所有考試的記錄，可能有學生所有英語閱讀的東西，發音的數據，但是單個來看的話，數據有效性很受限制。
如果你想從裡面找到數據的話，如果只有一個維度的數據的話，你能做的事情非常有限，而且需要大量的人工去建標籤或者人工的做相應的反饋。如果你的數據是多維度的，是有相關聯繫的，如果一個學生不光有做題的數據，還有做題之後看視頻的數據，還有做題的時候當時表情的數據，還有做題的時候腦電波的數據，這樣我們可以在各個方面把這些數據結合起來，能夠做到的東西比以前要多得多，它能提供的可能性大得多。
即使不說腦電波或者表情數據，哪怕把學習目標瞭解了，就是學生做一道題的時候，當時學習的目標是什麼，想學的是什麼知識點，這套題做之前已經瞭解了哪些知識點，不瞭解哪些知識點。
如果知道了這個信息以後，你的做題數據包括以後的其他學生行為數據，對你的機器學習和整個老師的診斷來說有非常大的作用，我們是通過MDS把數據結合起來，LRS把數據積累起來。
另外想談一下自適應引擎，不管是剛才一起作業他們提到的東西，還是掌門一對一提到的，都提到了比較類似的東西。
我們的適應引擎提供了兩個最基本的功能，它自己的大腦裡需要有什麼東西，第一個是瞭解一個學當時學習的狀態，瞭解他對知識點了解的程度，和所有知識點之間的聯繫，互相之間的關聯性是什麼樣的。第二個是推薦路徑，我知道這個東西以後怎麼給你好的推薦，這是我們的引擎最重要的核心部分。
這個機器需要知道什麼呢？一方面需要知道學生長期的數據，越長時間越好，還有一個他需要了解學習它學的東西，像一個GPS導航一樣，學生要去哪兒？這些地方之間的關聯是什麼？還有一個學生可以做的事情是什麼，可以看的內容是什麼，和我們導航的東西有什麼聯繫，這樣才好給他推薦。第三個就是學生自己的狀態，包括他的學習目標是什麼。
有了這些，自適應引擎就可以轉起來了，後面還有很多其他相關的東西，因為時間的關係我們就不一一介紹了。
為未來打造超級AI導師
我想談一談我們以後要做的，未來要打造AI教室所需要的東西。
剛才由於三個層面所謂模型的信息，最頂上那一層是DKT還有Dan新開發的一個模型，可以很好的認知學生的狀態，當然還有其他的模型，可以根據記憶的消減來給學生提供以後的學習機會。
第二層是多輸入的，或者是通過不同的信號來輸入，來了解學生的情感和注意力的狀態，這樣它主要的目的是為了給老師提供更好的預警，老師什麼時候干預學生、提供學生，提供這樣一個層級的作用。
第三層是我們比較新的開發的東西，通過對話的形式幫助學生做錯因分析，幫助學生做一些具體的“診斷”，這個在開發的過程中，我們跟CMU在做一些新的東西。
我們為未來打造超級AI導師，在國際上有大量的合作，現在已經跟我們有合作關係的有SRI、UC Berkeley，中國社科院，澳大利亞UTC，現在馬上要建立合作關係的包括CMU，孟菲斯大學，西班牙的IIA和MIT，我們都在談判中。
我們希望通過跟頂級機構建立合作關係，利用我們的標準和數據共享以及開放平臺的優勢，來提供更強的AI功能，為每一個小孩提供超級AI教師，多謝大家。（演講全文完）
雷鋒網2018年度AI最佳掘金案例評選
人工智能風雨60年，與其說技術升級促成了今天的浪潮，不如說當前的人工智能，終於站在離商業最近的位置。
去年，首屆「AI 最佳掘金案例年度評選」活動一經推出，便受到了AI方案輸出方和AI技術需求方的極大關注。評選從商業維度出發，尋找用戶/客戶問題解決能力強的產品和解決方案。
現在，我們再次站在AI浪潮之巔，正式啟動第二屆「AI最佳掘金案例評選」。
在AI+教育領域我們一共設置了6個獎項，歡迎踴躍報名，報名地址：https://www.leiphone.com/special/custom/AITopTen2018.html
閱讀更多 雷鋒網 的文章
