框架开源，计算力提升，AI迎来第三次高潮，AI如何与教育结合？
随着底层技术的开源，深度学习的突破，人工智能迎来第三次高速发展，“AI+”快速涌入各个领域。而被称为“颠覆性技术”的人工智能，在吸引着大批创业者进入的同时，也引发了投资者的情绪高涨。那么，吸引众人的人工智能到底是什么？目前，AI在教育行业有哪些应用？未来在教育行业又会如何发展？
一、一览人工智能简史及囊括范围
人工智能（Artificial Intelligence），英文简称AI。维基百科是这样定义的：“智能主体的研究和设计，智能主体是指一个可以观察周遭环境并做出行动以达到目标的系统。”但目前来说并没有一个统一的定义能准确描述什么是人工智能。而科学家对此也存在分歧，不同的定义指向不同的研究方向。
有人工智能领域的科学家向鲸媒体讲述了人工智能技术的发展简史：在人工智能发展史上，有传统人工智能方法、经典机器学习与深度网络学习这几种技术路线。
追溯到1999年，那时一部分科学家认为可以用简单的人工神经网络来模拟人脑，只要模拟的数量足够多，达到人脑神经元数量，就可以实现泛化的人工智能，这部分科学家属于传统人工神经网络学派。另外有一部分科学家认为，就算机器达到了人脑的神经数量也实现不了像人一样智能，他们推崇的是经典机器学习路线。在2000年的时候，人们认识到机器可以模拟人脑细胞，却无法训练出合理搭配的神经元，更谈不上训练完之后能拥有智能。通过神经网络实现泛化人工智能被认为是无法实现的，浅层机器学习派便在这两个对抗的学派中占了上风。
2009年至2012年间，“人工智能三驾马车”（杰弗里·辛顿(Geoffrey Hinton)、延恩·勒昆(Yann LeCun)和约书亚·本吉奥(Joshua Bengio)）分别在世界顶级期刊《nature》上发表了几篇文章，其中有一篇关于深度信任网络的训练方法，提出可以采用某种方式对复杂的深度网络进行训练。传统人工智能的核心是机器按照人定的规则运转，而这篇论文提出，网络在运转过程中，可以自己进行发现，不需要被人规定规则。在科学家看来，这类的突破才是新的生产力，否则只是生产力的代替。由此出现了深度网络学习学派。
那么，目前我们所说的AI是什么？AlphaGo不就是AI吗？这么说没有错，只是并不具体。AlphaGo是人工智能系统，但准确来说是深度学习系统。而深度学习只是人工智能的一个分支。
如果用图形来表示的话，人工智能在这三者中范围最大，它可以被看做最外侧的大圆，最核心的是深度学习，中层的是机器学习。深度学习是机器学习的子集，机器学习又被包含于最广泛意义的人工智能中。
范围最大的人工智能，其实还可以划分为强人工智能与普通人工智能两部分。我们运用人类对事物认识的深度来说明他们的区别：现在人类掌握的特征有三类：第一类是所谓的表象特征，即人类看到或者听到的事物，图像、形状、声纹等；第二类是联系特征，与语义特征有关。比如汉字“我”和“们”，可以组成有意义的词语“我们”，这两个字的连接性很大。而“我”与另外一个汉字比如“一”，这两个字的连接性就很小；第三类是科学特征，比如宇宙万物运行的规律可以总结成公式。 人类掌握的前两类特征，表象特征及联系特征都属于普通人工智能，而科学特征属于强人工智能。 如果机器能够掌握科学特征进行深度学习，那意味着机器可以代替数学家工作，可以创造科学奴役人类。当机器可以自动感知科学，甚至创造科学的时候，它已经迈过红线进入了强人工智能领域。
目前来说，我们听到最多的人工智能其实是深度学习，深度学习因其框架的开源、计算能力的大幅提高，而得到突破性发展。公司可以在各种开源框架的基础上搭建特定环境的解决方案。接下来，我们先来了解下目前比较流行的几款开源框架。
一个合适的框架可以减少程序员的工作量、降低错误率、提高工作效率，且可以快速培养数据模型等。 根据统计数据，Google开发的TensorFlow是目前使用量最大的开源框架，在此基础上，Google已研发出Google翻译、无人驾驶汽车、AlphaGo等产品。而如今，市面上流行的开源框架基本由Google、Facebook、微软、百度等巨头开发而成，可以看出，各巨头已将下个目标瞄准了人工智能，争夺各专家人才，开展研发工作。
那么，他们都在人工智能有哪些布局？我们可以通过三个层面 “ 基础层、技术层和应用层 ” 来了解下。
表格内容参考腾讯研究院发布的报告《中美两国人工智能产业发展全面解读》
基础层的硬件设施给深度学习提供了强大的计算能力（TPU是Google专门为机器学习研发的特制芯片），技术层的框架和算法帮助深度学习 得到更好的数据模型，使得最终结果越来越精准。可以看出，中美产业布局还是有一定差异，美国公司全面发展，积极布局整个产业链，同时，国外更注重基础层和技术层的核心领域发展，相对而言，国内更偏重应用层发展。这可能与人工智能在中美两国发展的时间早晚，以及行业人才有关。
二、 AI 在教育场景中的应用：现有自适应、测评产品的“段位”有多高？
随着人工智能的发展，“AI+教育”也越来越火，教育公司纷纷开始拥抱人工智能，希望通过技术手段，不断优化教学质量，帮助学生更科学的学习。纵观整个教育行业，目前发展较为成熟的几个主要场景包括：自适应学习、智能测评、语音处理、视觉与图像、机器人。
可以看到， 大部分公司都 打出了 “ 自适应学习 ” 标签 。一直以来“因材施教，个性学习”是教育从业者所期望的，但在应试教育的大环境下，加之人口众多、资源分配不均匀，可以说要根据每个孩子的学习能力、学习进度和认知水平来定制专属学习方案真的很难。但有了人工智能，因材施教成为可能。因此，教育公司开始抢占人工智能市场，纷纷为自己的产品“接轨”人工智能，打造适合学生的个性化平台。
智能测评可以进一步解放老师的生产力，使老师可以将更多精力放在与学生的交流沟通上，而且还可根据每个学生的情况提供个性化的反馈，为个性化教学提供基础，从测评方面掌握学生知识的薄弱点，进行专攻。
而语音处理、视觉与图片方面，都为降低资源分配不均衡，优秀资源量产化，让不同地方的学生都能享受优质教育做准备，进而实现“千人千面”。
总的来说，教育行业与人工智能的结合，可从一定程度上降低资源分配不均衡现象，传递师资能力，并有助于实现孩子的个性化学习。
但也有人工智能专家对鲸媒体表示，实际上当前许多打着AI旗号的公司采用的都是传统人工智能方法，远不到深度学习的层面。声称基于人工智能完成的评测，实际上大多数（甚至绝大多数）可能仅仅是SVM（SVM在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析）及其他类似方法。“因为人工智能很泛化，所以说是人工智能也有道理。”专家告诉鲸媒体。在他看来，市面上许多应用其实都不够智能。
“最常见的一个应用人工智能的例子是人脸识别，”以往机器就可以做人脸识别，尽管识别率不高。但近年已经出现精准度非常高的人脸识别案例，其原理是从机器学习迁移到了深度学习层面，人脸识别自然会变得很靠谱。
三、行业： “ AI+ 教育”面临的挑战
对于AI在教育行业的应用与发展，小编也请教了专业人士L先生，了解他对人工智能+教育的一些观点，希望能帮助我们从专业的角度更好地理解“AI+教育”。
就目前人工智能在教育行业的应用， L先生表示，“现阶段仍处于‘雷声大雨点小’的阶段。深度学习要在一个行业跑通，需要大量高质量数据和强大的计算能力作为前提，而在教育行业，需要对学生数据进行采集、处理，进而训练数据模型，提出解决方案。但目前来说，数据采集还是问题。”
教育行业虽然公司众多，但大多数属于中小型企业，真正能够收集到大量数据的公司少之又少。而人工智能的核心前提便是高质量数据，只有这样才能训练合适的模型。就目前的教育行业AI产品来说，即使大家都打出了人工智能的标签，但能否真正达到自适应学习，还是要打个问号。
据业内人士透露，目前大部分产品主要是利用大数据做穷举运算（鲸媒体注：当然，也有观点认为这样概括不太严谨），事先将各种可能的情况以及对应的解决办法输入到系统中，然后系统在接收到信息后会在数据库中查找映射内容，提取内容并返回。这种方式的“人工智能”是很受限制的，机器中所有的内容都是基于人类所知范围内，无法做到应对多变的情况，所以无法达到真正的“因材施教”。
对于 “ AI+ 教育 ” 如何突破？ L先生则表示，“数据是一个必须条件，只有具备足够的数据，对机器学习的理解，跨界人才的加入，才能实现真正突破。在‘AI+教育’上，不能单单依靠外部技术能力，或者教育公司的数据，而需要教育数据与技术的完美融合，只有两股力量能够很好的交互在一起才能真正实现发展。”
除数据外，人工智能在教育行业催生的需求还体现在人才上。
创新工场执行董事张丽君在接受鲸媒体采访时曾阐述了她对此的看法：人工智能人才会分为几个层次。最高层次是大学里研究人工智能的专家、教授，这是金字塔的顶层，这类人才数量偏少；第二层是能懂、会做算法、模型的人才；第三层是工程应用型的人才，具体而言是把算法变成在某些场景下工程化应用，这类人才的数量会多一些；第四层是能将这些应用写成API或结构化模块的人才；再往下就是常见的会写代码的人才，这层的人才数量相对来说很多，且可以批量化培养。
有AI业内科学家表示，当前国内需要高精尖的人工智能人才，但缺口可能并不是很大。人工智能人才需要具备这样三个能力：搭建框架、调节参数、把握应用方向。
人工智能数据涉及到迁移学习，例如国外英文方面的语义研究并不能很好地迁移到国内中文语义环境下。一个公司搭建框架实现AI的过程看上去很简单，实则很麻烦。在迁移过程中，框架可以搭建，硬件可以用资金购买，但最难的是调节参数。调节参数不受人数多少影响，它需要一个漫长的过程，反复经过对比、训练、调节等环节来实现。