“學校的目標應當是培養有獨立行動和獨立思考的個人，不過他們要把為社會服務看作是自己人生的最高目標。”

——愛因斯坦

在文章的開篇，我想先把愛因斯坦這段在《論教育》中關於學校的表述寫出來。這一段內容發表於1936年，正好處於西方的實用主義教育與人本主義教育觀念交替的時期，很大程度上代表著當時對傳統教育的批判及受教育者綜合實踐能力的追求。而在80多年後的今天，國內教育界站在踐素質教育的探索上，同樣面臨著困惑。

2018世界人工智慧大會剛剛在上海閉幕，通過網際網路大佬們的發言記錄不難看出一條資訊——AI技術於所有人，都尚處於探索或戰略佈局階段。

然而反觀教育圈，隨著教育這一“百年大計”不斷在理論與政策層面遞進的同時，於企業而言呈現的往往是一個又一個“風口”。截至目前，“AI+教育”正是整個2018年最火熱的一個，但不乏大佬站臺的AI技術，真的可以實際作用於教學嗎？

這一點上我個人表示懷疑，原因如下：

是“AI”還是“大資料”？

2015年“大資料”概念廣泛興起的時候， 網路教育普遍面臨著一種尷尬，那就是資料採集手段不健全，資料樣本不夠大，難以建立動態豐富的資料維度。

轉眼線上教育進入“下半場”，但似乎尷尬還是那樣的尷尬，只不過主人公換了個演員——缺少AI技術團隊，缺少可用於訓練模型的樣本、難以把控資料的實際評價標準。

尷尬歸尷尬，事實上隨著網路技術、物聯網技術的進步，原本很多的資料問題都已經得到了解決。但我關心的問題點在於，儘管一些企業能夠認清自身資料服務的基本方向，並能夠提供較為合理的大資料服務，但相較於宣傳中的智慧技術，其真正能夠提供的服務也僅僅止步於此了。

教育行業的容錯率真的這麼高嗎？

還是說，許多人所說的“AI”僅僅只是2018年大資料的別稱而已。

是否能夠提供策略

談到AI+教育時我們往往談論的是滿足“千人千面”的素質教育要求，那麼不妨先來設定個目標：為教學場景的參與者提供策略服務。

讓我們先來看看地圖產品的使用場景。

當用戶走在馬路上忽然不確定要怎麼樣走到目的地的時候，開啟手機地圖-輸入目的地-搜尋，地圖馬上給出怎麼去、幾種方式、各需要多少時間、路況如何、推薦方式等等，說不定還提供了吃飯/住宿服務（手動微笑）。這樣的服務是相對具有工具性特徵的，但也是最具有AI策略服務的特徵。

教學情景則是另一回事。

在學校場景中，由於涉及到不同的管理層級、教學環節與使用者角色，單純針對某個環節（如習題）設定AI，仍然難以對一個角色提供策略服務的支撐。

另一方面，不論是學校教學還是線上教育，引導學生階段性的完成學習目標，構建獨立的知識結構體系這一流程本身就是線性的。但在特定時間段內使用者的學習成果存在不可逆性，一旦付出學習時間不能換取有效的成果，或者系統給出的策略出現了偏差，都會讓使用者失去對產品的信心。這一點上不少“滴滴模式”的C2C產品已經吃到了苦頭。

想要完整的對學習者提供“路線圖”並非不可能，但出於安全性考慮，往往這樣的行為被簡化成了資料推送。單純地關注教學中的某一環，很顯然是無法達到AI策略服務要求的，但這也喪失了我們一開始設想的目標。

缺少足夠的學習樣本

AI在今年被抄的火熱，甚至一度有人發生認為“AI+教育”能夠做到實際落地，相信離不開近兩年阿爾法狗的優異表現。

說實話，在柯潔落敗的一年後，宣稱AI能夠結合落地這一點其實聽起來蠻令人信服的。這樣的說法是否有混淆視聽的嫌疑我們暫且不論，只要簡單對AI進行了解，我們就能知道，AI的學習是需要大量的樣本及對抗訓練來完成的。而事實上早在1997年名為“深藍”的AI就層通過強化學習的模式戰勝過國際象棋大師。

想要將AI技術應用到教育場景中，也不可避免的需要通過樣本學習來建立模型。

就目前而言較為常見的大概有兩種形式：

1. 線上教育場景下的模式收集線上學習資料（習題）
2. 課堂教育場景下進行取樣或整體實驗的形式收集資料（出勤、習題、情緒識別、綜合素質打分）

現行智慧教育產品的部署往往採用試點的形式，一所2000餘人的學校往往僅有不到200人能夠使用智慧教學裝置進行週期性的學習。而培訓機構和線上1v1的服務實際上主打的是針對性，學習人群相較學校環境具有較為明顯的特徵。

當一名學生進入我們的學習系統，除過對其出勤、作業正確率等等可以通過產品功能業務流程結果產生的資料進行收集外，我們其實很難從更多的維度上對這名學生進行更加全民的分析和評價，也缺少有效的手段在各個現有的維度間建立關係，儘管這和素質教育的預期是不符的。

這麼看來，“刷題”似乎成為了當下唯一能夠滿足形成大量樣本的方式，但是刷題也僅僅能夠幫助企業做到自適應和資料推送，不僅始終距離為學習者提供策略建議恐怕還有非常巨大的差距。這一點我們放在稍後的演算法公平環節繼續討論。

知識點標籤中的“大資料殺熟”

滴滴、淘寶、京東先後都爆出了大資料殺熟的問題，甚至我們看視訊、看新聞也總是會“被標籤”。這樣的殺熟往往標誌著使用者在產品的資料庫中所接受到的資訊將會逐漸變得狹窄，最終體驗到不符合自己預期的資訊服務。

那麼同樣的問題是否會反饋在教師與學生的身上？

學習具有階段性，教師在某一個階段的集中備課時瀏覽的資源、學生在某一個知識點上犯的錯誤，都有可能成為系統依照知識點標籤進行推薦的依據。

這個聽上去似乎很棒，但有一個小問題——如何去判斷使用者需要終止這種資料服務呢？

儘管使用者在獲取資源、完成練習的過程中會使用到知識點標籤幫助自己確定內容的具體範圍，但現有的自適應資料推送會忽視知識點之間可能存在的遞進關係，而是僅僅根據手工標籤不斷地向用戶推送內容。甚至即時需要判斷學生是否掌握了該知識點時，同樣需要通過相關知識點的習題練習進行判斷。

在缺乏綜合判斷能力的基礎上，集中式的內容推送可能會極大程度地佔用使用者時間並干擾實際使用體驗。對於使用者而言，最直觀的感受就是“想要的時候沒有，不想要的時候又出現了”。

是否會透支安全感與隱私權？

每一家企業背後的終極目標是通過創造價值盈利，那麼在無法滿足教育輿論導向的時候，企業是否會通過現有的條件盡力創造某一種表象，來彌補自己無法達到的部分呢？

在前面的論述中我們談到了現有的AI技術仍需要豐富資訊的收集，以幫助自身建立更好的評價維度。這其中極有可能包含了很多私密的個人資訊，比如：通過攝像頭捕捉到的面部特徵和情緒特徵；比如：被錄入在通訊錄中的家長資訊與電話號碼；比如：學生可能上傳的電子化日記，線上付費記錄等等。

這樣的資訊在某種程度的封閉狀態下並非不可公開，但不論教師還是學生都無法保證這些資訊，是否會有教學評價以外的去處，這樣想起來是很難以接受的。

我們以情緒識別為例，假設一個學生因為與同學的一些小矛盾造成了課堂上的不積極與短暫走神，在下課後或者大課間的某個時候，他就會被老師叫到辦公室去聊一聊今天究竟怎麼了。或者在一週後，突然被家長詢問，因為相關的報表已經推送到了家長手機上。

這樣的感覺糟糕透了，或許這樣的假設現階段沒有發生，可一旦學生和教師認識到自己實際上處於智慧教育系統的“監控”中時，教育關係中最基本的信任就已經被打破了。這也是我們最不願意看到的，將技術運用到了不恰當的場景中引發的災難。

如何評價

在開篇提到的西方教育理念的變革，實際上在近一百年來在不斷的發生。尤其是以實用主義為開端，教育作為服務社會生產需求的第一道大門，源源不斷地為社會培養、輸送人才。每隔二三十年，進步的社會體系和價值觀就會為教育提出新的需求，教育理論和對服務的基本訴求也會發生變化。

這樣的變化對今天的智慧教育產品提出的挑戰是：如何能夠確保自身的大資料和AI的分析標準是有效的？

這個問題在應試教育上向來不是太大的問題，往往只是及時調整分數線就可以滿足應試訓練的標準。不過一旦與評價沾邊，就很容易變得束手無策了。AI產品是否能夠建立跨地區、跨學科、跨門類、跨階段、能夠根據實際教學變化的評價系統，往往邁不過評價標準這一門檻。

“產學研模式”常被用來打“專業牌”，但產學研往往標誌著區域性的校企合作鏈，這中方式的合作極有可能表現為區域性的定製。

定製對企業來說是一把雙刃劍，過去在業務應用層面會採用SAAS模式進行多元的功能定製，減輕企業壓力。但在資料處理的評價標準上，定製往往代表著多分支的產品維護，“產學研”模式始終不能代表通行的標準。

相比技術手段，保持教育的意識是最難的

除過技術水平限制外，我相信在AI進行教學輔助的深度學習會是一個長期持續地過程。在這個過程中必然需要不斷地糾正偏差。那麼，AI的設計者對待教育的態度就成為了一項很重要的標準。

教育不單單是學生享受教學服務-提交試卷-獲得分數這樣簡單的過程，而是建立在人與人之間互相信任的基礎上，共同參與情感體驗並跟隨人類心理髮展特徵探索規律的一個過程。任何一個技術團隊，在脫離的教育規律的情況下，都將迅速與學習環境的實際應用脫節。

這也是為什麼許多企業建立產學研鏈條，或培養自己的教研團隊的重要原因。即便如此，一個企業以自身生存的角度出發，商業性與教育性往往處於不斷角逐的關係。引進一項可以幫助企業盈利的技術非常容易，但始終保持教育規律優先的意識、不斷對產品進行調整與變革是非常困難的。

小結

“教育是人工智慧最好的應用場景之一，一方面是今年的教育模式和100年前的相比還沒有很明顯的變化，一個教室，一群學生以及一位老師，這個產業亟需新科技升級創新。另一方面教育行業容錯率高。”

——某智慧教育創始人如是說

相較於現階段AI技術於教育領域應用的限制，上述的這一番話，才是真正引發我擔憂的。說出這番話的人，有著敏銳的市場眼光和準確的場景判斷，並且號稱有著15年教學經驗。但是一個這樣的教育行業老兵，說出“教育行業容錯率高”這樣的觀點在我看來是極為危險的。

技術應當與服務意識相結合，符合客觀規律。尤其是教育這樣重視經歷的過程，不能簡單以商業的角度去評價技術應用的意義。利用新技術開啟教育公平的瓶頸、服務教學本身，提升使用者的綜合能力，這才是AI+教育繼續前進的方向。

不論是因為技術人才的短缺，還是處於市場目標考慮下的妥協，試圖去用一項自己尚未實現的技術解決問題，都永遠只會帶來虛假的繁榮和新的隱患。