深度报告-四大创业切入点:《人工智能+教育迈向未来（简版）》

憋了好几个周了。才憋出来这篇11月11日GET大会上大壮的演讲报告，讲了人工智能+教育4个方向中的前两个，完整版本会在进两三个周发布，欢迎关注、下载、转发和打赏（笑）本文报告高清PDF的下载方法在文末。EDAI = Education + AI ，也就是教育智能。

教育行业中企业长得慢、长不大的问题是在于教育行业是智力服务业。相对于其他许多行业来说，难以标准化、成本边际高、难以规模化。而人工智能正是把人类智力变成机器智能，可以逐步的把教育从服务业变成信息行业。

而人工智能行业经过这两年的资本催生，诞生了一大堆不太赚钱的数亿美金估值的公司。也有越来越多身怀绝技的技术牛人也在磨拳擦掌，拿着人工智能这把屠龙刀，在环望四周，看看哪里有技术合适的应用场景值得砍下这致命的一刀。

先把最重要的观点放出来。随着更多维度和更大量级的数据采集，以及更智能的数据处理方法，人工智能已经开始渗透到了各行各业，被称为继移动互联网之后下一次更大、更长、更强、更持久的技术革命。对教育行业来说目前 AI 已在个性化学习、虚拟学习助手、专家系统、商业智能等四个方面有广泛的应用。如果你是在做人工智能+科技方面创业的创业者，不妨约个咖啡聊一聊。毕竟看过这么多创业者和行业研究，大壮可以帮你把把脉，说不定还能投个种子天使之类。我的微信号：wangkk ，添加时请注明职业和来意，无趣又不在创业的人一概不通过。

—— 长文开始，阅读大概需要14分钟 ——

EDAI的产业情况概览

人工智能正在迎来新的产业爆发期，学术研究、行业发展和资本活跃。2018年全球人工智能市场规模预估达近470亿美金，年复合增长率55.1%。回顾过去五年，整个人工智能行业的融资规模从2010年的8000万美金，增长到了2015年的12亿美金，年复合增长率57%，所以大家开始探讨这里面有没有泡沫了。除此之外，中国的人工智能专利申请数量在2012年已经超越了美国。政府也发布了相关支持人工智能发展的政策。

人工智能发展的驱动力

人工智能不是在变魔术，它本身不具备思维。它需要更多的数据，更高的性能更优的算法才能做到更强的智能。我们看到全球的数据规模不断的增长，2020年达到了2009年的40倍，而且增长斜率还在不断增加。


大量数据需要有更好的更低成本的云存储方式。还出现了象深度学习这样更好的算法。下一步甚至出现专门为深度学习设计的芯片（ DPU）。这些都有助于人工智能更深入、更广泛的应用，从而提升个性化的教学效率和效果。

人工智能是教育未来的驱动力

世界发展很快，回头看来2000年窄带时代只能完成教育资讯的上网，这段时间在线化是主题。到2012年，宽带才能完成慕课、微课等大的流量视频交付。2014年直播技术的发展，才引领了2014年、2015年的在线直播网校潮流。

2010年开始随着移动互联网的发展，更多应用场景渗透和资本介入，催生了丰富的商业模式，所以2010年~2016年这个阶段的重点是商业化。

而图中右侧深色的是人工智能等科技与教育结合的一条曲线，来看看人工智能这些年是如何与教育相伴相生的。2006年代表性的深度学习算法诞生，2011年教育行业里象硅易这样的作文批改网站上线；2012年深度学习算法在语音和视觉识别方面取得了突破，准确率达到了98%以上。2013年，学霸君和英语流利说出现，它们运用图像识别，教你怎么样去扫题看答案，运用语音识别完成了新应用，教你怎么说英语。

2016年有一个标志性事件，就是阿尔法狗战胜了李世石。我们最近也看到了很多的创业者开始关注人工智能怎么样解决教育行业里B端和C端的效率效果问题。我认为未来的十年的主题都会是人工智能。

EDAI的4大应用场景

人工智能到底怎么跟教育结合呢？

首先大量的数据是人工智能的基础，我们需要有多维度、大量级的数据采集，包括语音、图像、运动、肌肉电，让我们获得更多的信息。

第二是有智能的数据处理方式，让这些数据解读出来。

第三是有自然人机界面，包括VR/AR，数据可视化，机器人和3D打印等

有了这些技术基础，还需要应用场景。目前的EDAI 4大应用场景：

个性化学习：包括自适应练习，分级阅读等细分应用。

虚拟学习助手：包括拍照搜题和对话机器人等场景。

商业智能化：把原来商业里面的智能技术应用到教育里面来，帮助学校和机构更好地解决教学效率和运营效率的问题。

专家系统：像高考的升学规划还有职业规划、留学咨询等复杂决策的系统

EDAI全球案例图谱

从上千个案例中，大壮整理了全球的人工智能+教育的典型应用案例图谱。过段时间我会放出完整版本的报告，里面会增加大量案例的详解。

这个表格分为应用层和基础层。我们可以看到在自适应学习里，左边的K12课内是最密集的创业部分，包括像猿题库、狸米学习等应用。

而虚拟助手里面有拍照答题工具，还有象微软小英这样的对话机器人，你可以在微软小英里面和智能机器人交流。专家系统里有智能批改和升学规划两个方向，例如升学规划可以用申请方和高考派来做咨询规划。商业智能，包括运营支持和学情管理。

人与机器重新分工与合作

机器的优势和人的优势不一样。机器的优势，是简单环境下面的标准化和规模化。机器可以做到辅助教学、限定对话、文本批改、简单答疑、作业练习、测评批改，人类可以做教学设计、复杂决策、团队协作等。

未来教育是人与人工智能协作的时代，充分发挥机器与人类不同的优势是提高生产力的关键。所以人工智能将会取代简单重复的脑力劳动，而发挥人类的优势创新、复杂决策、情感关怀激励等更大优势。

应用场景1：个性化学习

人工智能加教育，目前最重要的场景是自适应学习。区别于原来的统一或粗糙的分层教学，自适应+教育通过自适应内容、自适应测评、自适应进度、自适应路径、自适应回馈、自适应目标等方式，为学生提高学习效率和学习效果。

自适应学习技术实现的基本逻辑是：首先是教学者模型，学习者模型以及整个的知识图谱的建模；建模之后，把不同的自适应性材料，包括题目和内容交付给自适应学习者；

同时通过这个过程获得很多的数据，把这些数据通过更加直观的方式展示给使用者，包括把这些数据传递给我们的模型，用来优化模型的算法，这是整个自适应模型的核心。

我们可以看到自适应的算法和处理，其实核心是人工智能。

练习是目前最好的切入环节

教育过程包括：从教、学、练、测、评五个环节。目前的自适应学习工具大多练习切入。这是因为人工智能依赖于数据，数据化程度最高的是练习，但此环节的to C商业化能力弱，常见策略是向链条两侧延伸，进入到教学和资格评测环节商业化。例外就是切入to B领域商业化，向学校和培训机构等B收费。

分级阅读：阅读自适应

第二个自适应切入点是分级阅读。现在中国的小孩子没有办法读到自己适合的书，因为第一个没有标准，第二个也不知道他适合什么样的，第三个没有中间的匹配环节。自适应先做测定分级，把孩子和内容做一个相应的测定评级之后，通过自适应引擎去推荐。

它能够通过阅读后的测评，让我们知道这个孩子读了这本书之后懂了还是没有懂，得到更多的反馈，通过这种方式让更多的孩子得到他适合读的内容。

前两个月大壮发了一份教育科技报告以后，有不少想做分级阅读的人来找到我希望获得投资。这个里面有很大的创业空间，现在中国还没有分级阅读的统一标准和垄断出现。如果大家有兴趣可以找大壮聊一聊（微信wangkk，添加请注明身份和来意）

智能LMS：自适应+LMS

第三个自适应切入点是LMS。这个是学习管理系统，里面包括了作业、练习、教课以及所有的解决方案。我们看到LMS也在不断地智能化，从原来只能按照大纲一次一次学习、练习，变成现在学生可以按照自己的节奏进行学习的系统，这是自适应学习，是我们目前探讨最多的领域。

EDAI场景2：虚拟学习助手

现在的技术水平而言，通用的虚拟助手难以成熟应用。而在某些特定场景和限定领域下，虚拟助手是完全可以达到可用的程度的。

想象实际的使用场景，比如我们可以在直播或录播网校里，一边享受老师的视频内容，一边在网页上的对话框提出相关疑问，马上就能得到本节课的答案。而下课之后有班主任会贴心的提醒我要记得来完成练习交作业；课后在我做练习的时候遇到疑问，还会帮我解答问题。

而这些背后都可能是机器，而不是人。

目前来说，虚拟学习助手能够做到的事情可能有陪练、答疑、客服咨询，包括相关进度的督促和掌握，像助教环节、客户环节的事情可以通过虚拟助手来做。这改变了我们的沟通方式，虚拟助手的边际成本很低，响应速度是毫秒级，有超过1000条以上的知识库。

虚拟助手的技术实现

虚拟助手的技术实现逻辑是将学习者的问题通过语义识别等技术，结合学习者模型和知识图谱的领域模型，查询和生成相应答案。这里面人工智能的应用又是核心因素。

虚拟助手的演化路径

随着人工智能的不断演进，虚拟助手也在慢慢演进。它的角色演化会有三步：

第一步是最简单的助教，它能完成在线答疑、进度督促和简单的客服工作，能够更快更简单的被替代掉。

第二步是顾问，很多留学企业和咨询公司长不大是因为没优质顾问供给，当他们规模稍稍长大之后，发现管理成本提高，而用户的满意度下降了，此消彼长就会限制这个企业的发展规模。如果机器人能够替代顾问的话，可以解决学习规划、指导咨询、客户服务的问题。

第三步是老师，包括教学设计、教学服务等，还会是一个很长远的事情。

还有两个场景：专家系统、商业智能的详解，以及更多案例补充。完整版本会在进两三个周发布，欢迎大家继续关注。

EDAI的发展难点与机会

最后是谈谈目前人工智能进入到教育行业最大的几个难题。

1、教学练测评环节，大量行为仍然在线下完成。

大量学习数据特征复杂，难以解读。现有技术水平难以解读教学和学习过程中即时反馈数据，有待于未来语音语义识别，情感计算等技术发展。

2、学习大量分层数据复杂。

学习数据分为键击层（keystroke level）、回答层（answer level）、学期层（session level）、学生层（student level）、教室层（classroom level）、教师层（teacher level）和学校层（school level）等，数据就在这些不同的层之中，处理难度很高。

3、数据反馈周期慢，效果难以衡量

真正的教学效果要通过相当长时间反馈，缺少及时反馈会导致系统的优化速度缓慢。

4、教育行业的科技人才供给不足。

反过来说，因此这也是目前科技人才进入教育行业最好的机会。