自适应学习/智能化教学（Adaptive Learning/Adaptive Teaching）概念，伴随上世纪70年人工智能概念而兴起。在当时人们相信计算机终将获得人类的自适应能力。一个基本前提假设是，自适应学习可以调整学生/用户的学习方法/路径，以帮助学生达到更有效的学习效果、获得更好的体验。
拆解自适应学习系统，一般包括四部分/四个模型：
专家模型。该模型存储了要授予学生的信息/知识。
学生模型。该模型可以追踪、学习学生行为数据。
指导/教学模型。该模型用以传输信息。
指导/教学环境。系统支持互动的用户界面。
最初的自适应学习是基于相对简单的逻辑树/规则进行，现在商业化落地的自适应学习应用了更为复杂的AI算法（如无特别说明，文下均指后者）。
在70年代，自适应学习无法普遍落地的主要障碍有两个，一是计算机成本高昂、体积庞大，并不适合落地，二是当时的用户交互界面不利于学习过程。到现在，两个障碍已经不存在，且其实现需要的算法、计算能力与数据基础越加成熟，自适应学习逐渐在教育领域实现商业化落地——国内外都出现了颇有意思的初创公司，做教育的大公司也逐渐在自适应学习上投入技术资源（文末会引用并呈现国内外对应公司的版图）。
一、自适应学习实现的基本逻辑
自适应学习与其他AI技术在教育的落地区分
自适应学习是基于AI相关算法技术实现的，在呈现自适应学习基本原理之前，先了解AI在教育中的全版图落地，会有助于相对全面地判断自适应学习实现的意义：它所处的位置在哪里，角色的重要性如何。
借用艾瑞研究报告的整理，一图看清自适应学习与AI其他技术落地在教育中的角色区分：
自适应学习与其他AI技术落地教育的场景有较明显的区分，自适应学习更多解决教学的问题，在学生学习路径、内容、能力探测与预测方面，更重在“内核”的影响，其他的更多在于“外在形式”或者工具辅助上，比如图像识别下的搜题、语音交互上的对话等。
自适应学习落地基本流程
对自适应学习落地与其他AI技术落地教育角色区别有一个大致区分后，再回到自适应学习系统的实现原理。AI算法执行的一个基本流程是：数据输入-计算分析-方案输出。
自适应学习算法执行的基本流程同理，第一步是获得训练样本（即训练的数据，然后输入）。然后对样本进行特定模型训练（即计算分析过程），在这一步，涉及的模型包括学科要素、教学方法/策略、学生认知特征等要素。
训练模型的用处在于与每个学生在学习时产生的数据（比如答题正确率、偏好、缺漏等等）对比，使学生的数据更接近理想模型。简单点理解，就是让学生进阶至理想（比如高分）模型状态，而实现这一点，就要基于学习数据推荐匹配的教学信息、方案帮助优化学生学习效率。
第三步是输出方案，即推荐给学生学习的素材和路径，或者是测评方案以及个性化分析判断。
拆解教育产品环节，自适应学习的应用
教育环节可以分为：教学内容、教学、学习、练习、辅助测评、其他。应用环节如下图：
教育环节对应的自适应需求，分别需要：
内容研发方面，需要比如认知科学、学习心理学、学科教研、教育测量学的配合。
教、学、练环节，需要数据与技术开发。数据供应端包括教学平台、教学工具等；技术开发不仅是将目标学习人群的数据输入，还要基于AI的多种技术算法实现自适应教、学、测等需求。
值得一提的是，现在自适应学习初创公司，分别在面向自适应管理、自适应测评、自适应练习环节切入，相对而言是较轻的。而在自适应学习教学、内容开发是难度较大，出现的明星公司有寥寥几个，且集中在k12领域，教育行业其他赛道有待更多参与者探索。
自适应学习落地的两个类型
了解完自适应学习的基本原理，来看看其落地教育的基本模式/类型。
基于教育环节的拆解，不难将练习、测评环节归类为题库类，这一类对应的是题库、测评与作业类自适应公司。测、练、学、教的全过程要基于算法执行，以采集学生数据并实现优化效率的学习方案推荐等，这一类对应的是自适应系统服务商，比如为学校、企业提供自适应学习系统的公司等。
二、自适应学习在教育领域落地的价值
传统的学习路径相对而言，是单一的。比如教科书每一章节顺序是固定的、每个年级的方案是固定区分的。所有学生统一路径。但在自适应学习的应用下，新的学习、教学方案是立体多维的，智能算法可以基于每个学生的学习行为数据，形成个性化学习路径。
对于学生而言，自适应可以提供个性化的学习方案，其好处在于：相对精准发现缺漏知识、并获得补充方案；相对匹配水平的学习节奏。借用一家自适应教育公司的图片，以作面向学生端的效果：
閱讀更多 芥末堆看教育 的文章
