AI如何改变教育?机器学习教父、好未来、松鼠AI等大佬有话说

简介: 未来十年,AI继续对教育产生重要影响。

雷锋网消息,5月24日,第三届AIAED全球AI智适应教育峰会在北京举行。在会上,第三届AIAED主席、CMU计算机学院院长Tom Mitchell、乂学教育—松鼠AI创始人栗浩洋、好未来集团CTO黄琰等从不同角度谈及AI如何在教育中发挥影响。

Tom Mitchell认为未来的十年,AI将会继续影响教育,机器学习将会对智适应教育产生重要影响,例如通过机器模拟人的学习状态来获取数据,从而适度摆脱对人类数据的依赖;松鼠AI创始人栗浩洋从三个层面介绍了松鼠AI老师的架构,并指出知识地图和错因分析在教育减负上的应用;好未来CTO 黄琰认为,AI+教育已经进入2.0时代,AI也会促使教育培养目标从改变命运到提升幸福的转变。

以下是三位嘉宾在AIAED峰会上的演讲内容,雷锋网对演讲内容进行了适当删减。

“机器学习教父”Tom Mitchell:未来十年将是AI影响教育的十年

TB1MiOqalaE3KVjSZLeXXXsSFXa.jpg

第三届AIAED主席、CMU计算机学院院长Tom Mitchell

“机器学习教父”Tom Mitchell首先演讲,演讲内容主要是围绕AI的发展如何影响教育。

“未来的十年将是AI影响教育的十年。”

Tom Mitchell表示这是个人看法,因为他已经在AI领域工作了几十年,做了很多AI相关的应用,包括在机器、医疗和数据采集商的应用。但在他看来,未来十年,将AI技术应用到教育上,这是最让他感到兴奋的,所以他现在也把自己的很多研究放到了AI教育应用上。关于原因,他总结了三条。

第一个原因,个性化教学带来了重大益处。他们发现,在一般的教学场景中,只要获得了个性化指导的学生,与对照组相比,学生的分数会得到90%的提升,这是非常重要的个性化指导的益处。

TB1oWSralWD3KVjSZKPXXap7FXa.jpg

第二高原因,已经证明了以电脑为基础的教学之价值。如今,很多公司能够提供各种各样以电脑为驱动的教学服务和课程,例如数学、化学和物理,还有一些文科课程,电脑可以帮助我们提高教学质量。

Tom Mitchell拿卡内基梅隆大学的系统举例,代数老师可以通过系统看到,系统中蓝色曲线代表的是使用电脑来指导学习代数的学生,绿色代的是用一般方法学习代数的学生,然后蓝色的这些学生得分更高。所以,不单单是对人的个性化教育,能够为学生带来很大改善,用电脑来指导学习,也可以在学科中的得分得到极大提升。

TB1gMeqalGE3KVjSZFhXXckaFXa.jpg

Tom Mitchell表示,目前来看教育还有很大提升空间,所以他们有动力来研究借助AI为人们进一步开发基于电脑的教学指导。

第三个原因,过去十年,AI技术正在快速发展。电脑可以帮助我们更好的识别图像和人脸、把语言转化成文字等等,这些技术都是现成的。他认为,未来十年,这个发展趋势还会继续延续。

基于这三点原因,Tom Mitchell认为,AI能够让学生的分数提高两个等级,还能帮助老师进一步辅助学生进步。基于这三点原因,加上AI技术飞快发展,Tom Mitchell最终决定投身于AI+教育的研究上。

关于新技术如何改善自适应教学,他认为对话系统很适合自适应教育,虽然现在的对话系统相对简单,随着技术发展对话系统还有很大进步空间,将有助于老师和学生进行更开放的讨论。大脑科学同样是一种非常重要的能够影响智适应的技术,例如大脑成像技术,检测脑电波显示大脑活动,预计能够非常灵敏追踪学生的情感状况,判断学生是否真正了解这个知识。此外,机器学习和虚拟现实也是非常重要的技术,对智适应教学的未来也非常重要。

那么如何在智适应上影响教学?

Tom Mitchell认为第一个是机器学习。不管是宏观还是微观层面,学生在都能够基于教学系统完成不同的任务获得不同的答案,系统可以显示学生的错误并纠正,知道学生的学习轨迹,也能掌握学生的情感状况,这才是我们所说的智适应教育的意义所在,就是能够理解学生目前的状态。

在智适应教育当中,机器学习应该在每个学科领域都有一种功能,去了解学生的状态,机器学习能够自己发现这个功能是什么,这样就不必把它嵌入永远的模式当中,我们可以用机器学习来不断的修改它,这是机器学习在其中的核心作用。

TB1APGpaoWF3KVjSZPhXXXclXXa.jpg

还有一点,现在有很多人在研究强化学习,就是让机器来模拟人学习做不同的任务,从而用机器学习的数据来开发强化学习算法,因而就不会那么依赖人类的数据。

关于未来智适应教育的最大障碍是什么?Tom Mitchell表示他也不知道答案是什么,但他认为最大的一个问题就是我们现在还没有太多的观察能力,没有特别好的进行学习者观察,没法非常好地说明学生的学习状态到底是什么样,这在未来非常重要,所以我们学习用图像、表情识别跟踪分析来解决这个问题。

还有一个问题,就是没有足够的数据帮助系统选择最佳的辅导策略,我们不知道该如何有效激励学生,而且人机交互是比较低效的,尤其是与人人交互相比,所以机器指导学习是不是会有上限,这些也是我们提出来希望和大家讨论的问题。

TB1BgupafWG3KVjSZPcXXbkbXXa.jpg

关于未来,Tom Mitchell认为有两个非常重要的方向,一是更广泛,二是更协调。更广泛是指,如今有更多的学科领域可以参与进来,扮演重要角色,帮助实现智适应教育(不单是AI学科),这意味着我们需要把所有领域的专家都邀请进来。更协调是指,我们不应该只是做单项研究,而是要进行更多的信息和数据分享,例如在开源软件分享上,还要建立标准数据格式及其他AI标准,就可以为智适应教学提供重要资源和帮助。

最后,Tom Mitchell表示,教育领域的全球合作是非常重要的,也是唯一理性的解决办法,我们提升的速度、共同努力的速度越快,那么我们的目标实现就越快。

松鼠AI创始人栗浩洋:AI智适应技术如何升级换代教育产业

TB184uoagmH3KVjSZKzXXb2OXXa.jpg

松鼠AI创始人 栗浩洋

随后,松鼠AI创始人栗浩洋上台进行演讲。他认为,几百年来科技对各个领域产生了很大改变,科技对交通和通信的改变巨大,但对教育的真正改变甚少。在人工智能领域,人们对视觉识别、NLP投入大量的人力、财力,发表了大量论文,但人工智能在教育里的真正应用却很少。

栗浩洋表示,AI教育在全球发展非常迅速,但在国内却很少有人知道和关注。他举例说道,美国已经有40多家AI智适应教育公司,例如Knewton累计融资1.8亿美元,用户超过1500万;阿联酋有1家做了4年的AI教育公司Alef Education,在当地已经有了25000名学生,相比于阿联酋的学生数,这已经是非常大的数字;印度有一家估值54亿美金的教育公司Byjus,做智适应教育已有10年,但中国的AI智适应教育才刚刚开始。

他表示,传统的教育就像中医,老师“望闻问切”,讲完就结束,整个过程像个黑匣子,大家什么数据也没有得到。但是通过AI智适应的教育,就能及时了解每个学生学习的终身数据,这些数据对于机构帮助学生学习,对于学生了解自己,都有巨大的价值。

他列举了松鼠AI目前的一些数据,松鼠AI目前已在国内20多个省,200多城市,有了1900多家学校,这个数字还在以每月100多家增长,注册用户超过200万。其中,今年第一季度付费用户(1年1-2千美金)比去年同期增长了14倍。同时,栗浩洋宣布松鼠AI与卡内基梅隆大学联合建立实验室,并与斯坦福国际研究院联合建立人工智能自适应学习联合实验室。

栗浩洋介绍了松鼠AI老师的引擎架构。松鼠AI老师引擎架构总共分为三层,第一层是本体层,里面主要是内容包括学习地图、知识地图等;第二层是算法层,里面有推荐引擎,有学生的用户画像引擎,有目标管理引擎等;第三层是一个交互系统,这个系统是关于机器如何与人进行交互的,在2019年之前,松鼠AI的交互系统更多是通过视频、题目及一些简单的互动和人交互,未来松鼠AI希望发展更多的人机交互方式,使得学生与机器互动更加顺畅。

TB1kMGyaaSs3KVjSZPiXXcsiVXa.jpg

栗浩洋表示,有了知识地图,才能对学生进行对症下药,才能实现国家提倡的给学生减负。应试教育下,学生通过刷海量的题来训练对知识点的掌握,如果不通过科技和AI的力量,这种题海战术还是无法解决。所以,知识地图就是要试图解决这个问题。通过知识地图检测,我们不仅要能区分孩子是学霸或是学渣,而是要看孩子大脑里对每个知识点的了解情况,是真正懂了,是掌握的一般,还是根本没有理解。

当智适应系统对学生知识点掌握的判断,才能帮助学生实现“那里不会学哪里”,学生只需要去学不会的知识点即可,能考95分的孩子,只去学剩下的5%的知识点,而不是再盲目的刷题海。

本体层中,松鼠AI针对知识地图做了一个超级纳米知识点拆分。他表示,整个队知识点的拆分细腻度超过了Knewton和Aleks的5-10倍。至于为何这样细致的拆分,他解释说就像把相机像素从400万拉到4000万像素一样,当知识点做的越细腻,对于学生知识点掌握的诊断也就会越精准。

同时,栗浩洋也介绍了从去年到今年,松鼠AI做的一个最新研究成果——错因分析。他表示,之所以研发这个技术,是因为他们发现,就算学生掌握了所有知识点,仍旧在做题中出现很多错误,这就是错因,例如粗心、惯性思维、审题不清等等,因此,借助系统他们能够告知孩子,不是知识点掌握问题,而是没有找对错因,找对了错因就不需要做很多无用功。

TB1Q3upafWG3KVjSZPcXXbkbXXa.jpg

当他们把常见错因总结出来,就可以覆盖30%—40%的问题。如果没有错因分析,就很难去做个性化教育,当找到各种学生的错因类型,就可以针对性地去推荐不同的学习和错因视频分析。

在实现对孩子用户画像和学习状态的了解后,栗浩洋表示,松鼠AI还要能够像今日头条一样去给学生做推荐。他认为,与今日头条的算法相比,松鼠AI的算法难度更大。因为头条只要给你推荐合适的内容就成功了,但是松鼠AI还要保证学生能够掌握这个内容,对于他们来说,学生没有掌握学会,这个推荐就是失败的。所以他们还要开发一个预测引擎,Tom Mitchell建议要不断采集更多的数据包括孩子的表情、动作等各方面的数据,这样能够更快优化松鼠AI的算法。

好未来CTO 黄琰:AI+教育已经进入2.0解决方案时代

TB1t.CvalGw3KVjSZFDXXXWEpXa.jpg

好未来CTO 黄琰

此外,好未来CTO 黄琰上台分享了好未来对于AI与教育结合的一些思考。

据黄琰介绍,好未来每年在技术上的投入超过10亿,目前拥有4000研发人员,校企合作实验室4家。关于国内AI教育发展现状,他认为,国内最近5年内,不缺AI和教育,但缺少将AI与教育连接起来的“+”号。

关于AI+教育,黄琰从四个角度谈了自己的看法。

1、AI+教育已经进入2.0解决方案时代。1.0时代是功能组件阶段,AI+教育主要是拍照判题、语音评测和人脸签到等应用。2.0时代进入解决方案阶段,AI+教育主要是智慧课堂、AI在线教育等应用。

2、中国AI+教育具备全球领先的机会。天时,国家、教育部政策积极推动中国教育现代化2035;地利,国内拥有庞大的教育需求及海量的教学数据;人和,大量计算机人才,未来人才基础广阔。

3、AI将成为教育的第四极。他表示,最近几年,他总会不可避免cause讨论一个话题就是,AI是否会取代老师。他认为,这个话题不会是取代和不会取代这样简单粗暴的答案,人们需要深刻思考AI在现在和未来的教育过程中将会扮演什么角色。未来,AI、学生、老师,可能是一个相互依存的关系,家长需要AI帮助自己,学生可以做智适应的题目,老师会有辅助教学的AI助手,AI在其中密不可分。

4、AI将带来培养目标的变化,从教育改变命运到教育获得幸福。过去,人们学习的第一目标是抱着“教育改变命运”,但到了如今2019年这个时候,这个目标就并不适合每个人了。如今的学习更多是人们获得幸福或者改变世界重要途径。AI就可以帮助孩子发现兴趣及长处所在,并不一定是为了提分,当孩子发现技术可以帮助不断认识自己时,学习和求知的喜悦感是远远超过从前的。(雷锋网雷锋网雷锋网(公众号:雷锋网))

目录
相关文章
|
3月前
|
人工智能 物联网 vr&ar
阿里云与米兰设计周大赛达成战略合作,共启AI时代设计教育新篇章丨云工开物
阿里云与米兰设计周中国高校设计学科师生优秀作品展达成战略合作,推动AI技术与艺术设计融合。赛事收到来自1759所高校的27万件作品,累计65万件,参赛人数超120万。专项赛设5大赛项,吸引720多所院校参与,投稿超9700件。阿里云提供免费算力和AIGC工具支持,助力“AI+乡村振兴”等创新设计,推动文旅产业发展与教育数字化升级。
|
3月前
|
机器学习/深度学习 PyTorch API
昇腾AI4S图机器学习:DGL消息传递接口的PyG替换
DGL (Deep Graph Learning) 和 PyG (Pytorch Geometric) 是两个主流的图神经网络库,它们在API设计和底层实现上有一定差异,在不同场景下,研究人员会使用不同的依赖库,昇腾NPU对PyG图机器学习库的支持亲和度更高,因此有些时候需要做DGL接口的PyG替换。
|
3月前
|
机器学习/深度学习 PyTorch API
昇腾AI4S图机器学习:DGL图构建接口的PyG替换
本文探讨了在图神经网络中将DGL接口替换为PyG实现的方法,重点以RFdiffusion蛋白质设计模型中的SE3Transformer为例。SE3Transformer通过SE(3)等变性提取三维几何特征,其图构建部分依赖DGL接口。文章详细介绍了两个关键函数的替换:`make_full_graph` 和 `make_topk_graph`。前者构建完全连接图,后者生成k近邻图。通过PyG的高效实现(如`knn_graph`),我们简化了图结构创建过程,并调整边特征处理逻辑以兼容不同框架,从而更好地支持昇腾NPU等硬件环境。此方法为跨库迁移提供了实用参考。
|
4月前
|
机器学习/深度学习 人工智能 供应链
从概念到商业价值:AI、机器学习与深度学习全景指南
在这个科技飞速发展的时代🚀,人工智能正以惊人的速度渗透到我们的生活和工作中👀。但面对铺天盖地的AI术语和概念,很多人感到困惑不已😣。"AI"、"机器学习"、"深度学习"和"神经网络"到底有什么区别?它们如何相互关联?如何利用这些技术提升工作效率和创造价值?
|
4月前
|
人工智能 架构师
5月23日北京,与通义灵码探索生成式AI与教育的无限可能
人工智能正重塑教育边界!“GenAI 教育探索联合活动”由英特尔、阿里云等多家机构联合举办,聚焦生成式 AI 在教育中的创新应用。5 月 23 日 13:30,活动将在北京环球贸易中心启幕。阿里云高级产品架构师冯天豪将分享通义灵码 2.5 版本升级内容,探讨 Qwen3 模型与智能体如何重新定义编程能力。立即扫描海报二维码报名参与!
166 10
|
4月前
|
数据可视化 Rust 机器学习/深度学习
mlop.ai 无脑使用教程 (机器学习工具 WandB/ClearML 的首个国区开源平替)
mlop.ai 是首个为国区用户优化的机器学习工具,全栈免费开源,是主流付费解决方案 ClearML/WandB 的开源平替。常规实验追踪的工具经常大幅人为降速,mlop因为底层为Rust代码,能轻松支持高频数据写入。如需更多开发者帮助或企业支持,敬请联系cn@mlop.ai
265 12
mlop.ai 无脑使用教程 (机器学习工具 WandB/ClearML 的首个国区开源平替)
|
6月前
|
机器学习/深度学习 人工智能 自然语言处理
AI训练师入行指南(四):模型训练
本文以“从璞玉到珍宝”为喻,深入探讨AI模型训练的全过程。数据集是灵魂原石,领域适配性、质量和规模决定模型高度;优化器如刻刀手法,学习率调整和正则化确保精细雕刻;超参数优化与多模态注意力机制提升性能。通过案例解析(如DeepSeek-Chat、通义千问),展示特定数据如何塑造专属能力。最后提供避坑工具箱,涵盖过拟合解决与资源不足应对策略,强调用`torch.save()`记录训练历程,助力打造智能传世之作。
353 0
|
5天前
|
边缘计算 人工智能 算法
AI在智慧能源管理中的边缘计算应用
AI在智慧能源管理中的边缘计算应用
58 13
|
5天前
|
人工智能 Cloud Native 中间件
划重点|云栖大会「AI 原生应用架构论坛」看点梳理
本场论坛将系统性阐述 AI 原生应用架构的新范式、演进趋势与技术突破,并分享来自真实生产环境下的一线实践经验与思考。

热门文章

最新文章