吳及提到：

• 要用更少的時間投入獲得更好更全面發(fā)展，所以教育必須提高效率，提升質(zhì)量
• 教育行業(yè)應用人工智能，可實現(xiàn)數(shù)字化、科學化、個性化教學，從而從根本上促進教育的“提質(zhì)增效”
• 人工智能與教育場景的融合：智能教學、智能學習、智能考試與評價、智能管理
• AI 助力學習個性化：1、識別孩子最近發(fā)展區(qū)并給出動態(tài)學習路徑規(guī)劃；2、系統(tǒng)構建面向教育的知識圖譜，新課標知識點全覆蓋

下為吳及主題分享內(nèi)容，經(jīng)網(wǎng)易教育編輯整理：

大家好，我來自清華大學電子工程系，是一名大學老師，也是教育的從業(yè)者，所以今天特別榮幸能夠來到網(wǎng)易教育金翼獎的頒獎典禮。

這是一個命題作文，讓我講一下人工智能相關，和教育相關的話題，王校長是教育專家，我只是一個大學老師，但是我是做技術的我更多的想從技術的角度講一講我自己的觀點，人工智能未來怎么樣才能助力教育提高質(zhì)量和提高效率。

我今天的匯報分兩個部分，第一部分，講一講人工智能，因為人工智能對大家來說是耳熟能詳?shù)拿~，因為它耳熟能詳，會存在一個問題，我們在交流的時候，每個人在說人工智能，我們心里想的人工智能不一定是同一個東西，原因有兩方面，第一，技術本身發(fā)展非?？?，人工智能這個詞的內(nèi)涵和外延不斷在發(fā)生變化，十年前我們說人工智能，今天說人工智能，十年以后說人工智能，可能包含的含義完全不一樣；第二，人工智能這個詞，當初科學家起這個名字的時候，這個名字起的特別好，給了每個人充分的想像空間，即使沒有人告訴人人工智能什么意思，你拿到這個詞以后，自己也可以發(fā)揮想象力，無窮無盡的想象空間，正因為以上這兩個原因，人工智能在認識上存在非常大的差異。

首先給大家看這張照片，人工智能這個詞最早起源是1956年在美國達特茅斯的會議上，造就了人工智能這個詞，這張照片是拍攝于50年以后，是非常有歷史意義的一張照片，這里有三個人名，參加這個會的三位科學家之一，在信息技術歷史上做出巨大貢獻的三位科學家。第一位是麥卡錫，stanford人工智能創(chuàng)始人個，第二位是明斯基，MIT人工智能實驗室創(chuàng)始人，第三，香農(nóng)，信息論創(chuàng)始人。

人工智能的發(fā)展也不是一帆風順的，我們今天叫人工智能第三次浪潮，1956年達特茅斯會議只求進入了人工智能第一個黃金期，在這個黃金期里人工智能的科學家誕生了很多想象，告訴人們?nèi)斯ぶ悄芸梢宰龊芏嗍?，所以出現(xiàn)了用計算機證明數(shù)學定理，最有名的例子是“斯特定理”在地圖上用四種顏色可以把相同的國家分割開，數(shù)學家用一百多年沒證明出來，但是用計算機證明出來了。出現(xiàn)了歷史上第一個跟人聊天的機器人，出現(xiàn)了積木世界，這個持續(xù)了不到20年時間，隨著英國國會委托做了一個報告，這個報告給人工智能很大的打擊，他說當初人工智能給大家承諾的事情，20年后一件沒有做到，于是AI進入第一個冬天，所有的政府停止投入資金。

上個世紀80年代初進入第二個人工智能黃金期，有一些比較典型的成果，比如神經(jīng)網(wǎng)絡，反向傳播算法，出現(xiàn)了專家系統(tǒng)，包括醫(yī)院的CBS系統(tǒng)，我們教給計算機一些規(guī)則，讓它幫助人們做一些決策，這樣的系統(tǒng)，曾經(jīng)大家覺得，建十條規(guī)則可以解決一些問題，給它兩萬條規(guī)則，它可以解決更多的問題。日本開始了第五代計算機研究工作，這個持續(xù)時間也不到十年，又遇到很多問題，包括日本宣布第五代計算機研制失敗，美國國防部高技術情報署停止了投資，規(guī)模大了以后再想應用變的極其困難，AI迎來第二次冬天。

到90年代以后，那個時候的AI不像今天，如果說哪個專業(yè)的學生學AI畢業(yè)，可能連工作動找不到，哪個人寫論文說我搞神經(jīng)網(wǎng)絡的投到編輯部可能被拒了。但是歷史還在往前走，IBM開始做深藍，到2006年Hinton，深度神經(jīng)網(wǎng)絡，到2011年，微軟宣布他們通過深度神經(jīng)網(wǎng)絡技術把語音識別錯誤率下降30%，這對于作為這方面研究的人來說是非常大的突破，2012年，機器系統(tǒng)基于神經(jīng)網(wǎng)絡系統(tǒng)戰(zhàn)勝了以往最好的系統(tǒng)，之后深度學習就變的一發(fā)而不可收拾，所有任務開始嘗試用深度神經(jīng)網(wǎng)絡解決，而且它一直沒有讓大家失望過，所以這才迎來AI第三次浪潮。

還有一些標志性的事件，有這個歷史我們會知道，并不是今天進入第三次浪潮就預示著未來AI會一路向上，也許過若干年AI會迎來第三次冬天，這個我們只能拭目以待，因為這是未來。

在AI被社會廣泛認知最重要的事情，AlphaGo，AlphaGo橫空出世，從2010年開始戰(zhàn)勝歐洲職業(yè)棋手冠軍，2016年3月份戰(zhàn)勝李世石3：1，Master在職業(yè)頂尖取得60連勝，2017年3：0戰(zhàn)勝了柯潔，至此，大家相信，下圍棋這件事大家不要跟科技比了，這是全世界的一個證明，人工智能很厲害，人工智能被認知了。

其實開發(fā)AlphaGo的公司是很一個很聰明的公司，他找了一件非常適合機器干的事情，圍棋盡管很難，但是它是游戲，是封閉的，我們把它叫做全信息零和博弈，就是下棋雙方能看到棋盤上所有的信息，打撲克就不是，看不到對方的牌，圍棋是全信息的，信息輸入對系統(tǒng)至關重要，全信息對做好一個系統(tǒng)提供很大的便利。

第二，零和博弈，黑棋多占一個，白棋少一個，361個空，我們看搜索空間極其巨大，任何一個計算機靠蠻力算不出來，圍棋里下一個子，一個子下下去究竟好不好，在數(shù)據(jù)上都非常難以評估。還有一個現(xiàn)象，地平線效應，因為地球是球形的，遠處有一艘船過來，你很長時間看不到，但是你一旦看到它，這個船立刻顯現(xiàn)在你面前。

這步棋好不好，可能三五十步都看不出來，可能20步以后下一步好棋，在AlphaGo之前，人類已經(jīng)發(fā)明了很多的散發(fā)，使得圍棋的水平在提高，但是有限，那時候在AlphaGo之前，機器下圍棋的水平，可能一個人類的兒童，學了半年以后，下贏機器就毫無問題，但是AlphaGo引入了深度學習的技術，策略網(wǎng)絡+價值網(wǎng)絡，策略網(wǎng)絡，在現(xiàn)在的局面下，下一步棋下在什么地方，價值網(wǎng)絡，現(xiàn)在的棋局判斷黑棋和白棋的勝利多少，第一，決策，在哪個地方下子，第二，判斷當前勝率多少，雖然觀察AlphaGo和柯潔或者跟李世石下棋時候，AlphaGo一直在計算著勝率，據(jù)AlphaGo的開發(fā)者來說，等它和李世石下棋的時候還有波動，和柯潔下的時候，AlphaGo一直它會贏，這個系統(tǒng)凸顯了這個技術所能帶來的變化。但是這是一個封閉系統(tǒng)，是全信息零和博弈，面對現(xiàn)實世界很多問題既不封閉，很多選擇是開放性的，人工智能要解決真實世界的問題仍然面臨巨大的困難。

這里給出一個圖，有監(jiān)督學習，我們給了數(shù)據(jù)和準確的標注，如果只給了數(shù)據(jù)沒有標注是無監(jiān)督學習，下AlphaGo的棋是強化學習，根據(jù)這個棋盤未來的結果判斷當時下的棋是不是一步好棋，強化學習被推崇認為是構建學習系統(tǒng)有效的途徑。

從人工智能發(fā)展來看，人工智能并不是唯一的技術流派，至少人工智能有三個技術流派，第一，符號主義：相當于人類閱讀知識，我們能讀文字，建立知識圖譜，建立各種知識工程，進行符號級的推理，這也是人工智能發(fā)展的重要流派；第二，連接主義，從人的神經(jīng)系統(tǒng)那兒獲得啟發(fā)，信息存在在網(wǎng)絡當中而不存在在單個節(jié)點當中，基于這樣的啟發(fā)，發(fā)展出一整套人工智能網(wǎng)絡，包括深度學習技術，今天我們在第三次人工智能的浪潮最核心的進展還是在深度學習的部分；第三，行為主義，前面符號主義和連接主義只是模擬人的大腦，并沒有模擬真實生物，行為主義，不追求那么高的目標，先有一個機器的生物在自然界當中完成一些基本功能，比如行走、上臺階、開門、這一派觀點認為是為主義，今天有一個更形象化的名字“具身智能”，像一個生物一樣生存在自然界，大家如果關注到可能會知道一個非常有名的公司，波士頓大狗，人工智能其實有很多個流派，這些流派在人工智能的發(fā)展過程中互相依存，協(xié)同發(fā)展，有些走的快一些，下一個階段會趕上。

第三次人工智能的浪潮為什么獲得今天的成功？還是不同于前兩次，第一，我們今天叫快速增長的計算設施，人類用的計算能力，如果不計代價，可以認為有無限的計算能力，自己的筆記本算不過來，可以連到云和服務器上；第二，我們越來越有能力采集更多的數(shù)據(jù)，我們無論做哪一個方向都需要通過數(shù)據(jù)分析，現(xiàn)在人類采集數(shù)據(jù)能力非常強。還有非常重要的算法，深度學習，深度神經(jīng)網(wǎng)絡為基礎的算法，有了他們一起作用，才使得人工智能走到今天的局面，我們應該客觀的說，今天的人工智能水平比前兩次人工智能的水平要高很多，我們能做很多事，同樣也有很多事情做不好，做不對，或者有人開玩笑說，沒有標注，沒有人工就沒有智能，我需要對數(shù)據(jù)進行標注。也有人說系統(tǒng)表現(xiàn)的不那么聰明，甚至有點智障，我們?yōu)槿斯ぶ悄芗夹g應該客觀的看待，它比以往強大，能做很多事情，但是還有很多不足，還有很多它做不了的事情。

蓋特納技術成熟度曲線，任何一個事情按照這個曲線發(fā)展來看，都有初發(fā)、期望膨脹，然后進入幻滅低谷，但是會緩慢的復蘇，這樣一個波峰波谷走了不止一次，是不是三次能走完，我們不知道，很當先進技術都有這個過程。

現(xiàn)在出現(xiàn)了各種各樣構型的神經(jīng)網(wǎng)絡，這是我想講的第一部分，關于人工智能我自己的見解和認識。

第二，人工智能和教育行業(yè)。

以我們現(xiàn)在國家發(fā)展的階段，社會的經(jīng)濟水平，我們對教育，對人才培養(yǎng)的需求越來越大，包括政府對教育提出很高的要求，我們有“雙減”，我理解最終目的，我們需要培養(yǎng)的人是有全面素質(zhì)的，有更好的創(chuàng)造力，而不是只是會學習考試內(nèi)卷的，那么在這樣一個背景下，教育最需要做的事情就是提質(zhì)增效，讓學生更有效的學習，以更高的效率掌握知識和技能，這樣的人才可能是我們未來社會發(fā)展更需要的。

這樣一個途徑是什么？從做技術的角度，三個過程，數(shù)字化、科學化、個性化。

數(shù)字化：要把整個學習過程數(shù)據(jù)有效的采集下來，人工智能離不開數(shù)據(jù)，如果離開數(shù)據(jù)，大家只能是憑經(jīng)驗、憑想象，但是數(shù)據(jù)的積累，數(shù)據(jù)對全過程的采集，給我們一個非常豐富的精細的描述，這個給我們未來知道教育本質(zhì)是什么，怎么更好的做提質(zhì)增效提供最有效的基礎。

科學化：基于客觀數(shù)據(jù)和模型建立有效的學習方法。

個性化：每個孩子不一樣，需要根據(jù)他們的能力差異提供個性化的學習方案。

給大家舉個例子，教育當中，個性化推薦可能是現(xiàn)在做的相對成熟或者比較有效果的學習方式，一個孩子學那么多知識，或者做那么多題，總會有一些方面學的好，有些學的不好，我們現(xiàn)在教育講的是同質(zhì)化，所有同學做同樣的作業(yè)，所有同學參加同樣的考試，面對同樣的問題，如果我們了解每個學生強在哪兒，不足在哪兒，如果要發(fā)揮它的長板應該學什么，補足短板應該學什么，我們就能夠給他們提供個性化的能力，個性化對提高效率，提高質(zhì)量落說非常重要。個性化這件事并不那么容易，個性化，我們得知道學生的現(xiàn)狀，了解知識的體系和架構，需要我們的教育工作者投入非常多的精力把知識的結構描述出來，在這個結構下定位每個學生哪兒是不足之處，這個不足之處由于什么造成的，知道根源在哪兒，會更有效。

如果有很多基礎性的工作，我們會讓不同的學生走不同的學習路徑，從而有更好教學效果，未來個性化教學的道路是重要的發(fā)展方向，某種程度來說，教育培養(yǎng)人也不希望培養(yǎng)出來是千篇一律的人，系里做教學改革的時候，我們在大學里不光有核心課，還有各種選修課，我們每年培養(yǎng)出來三百個學生，每個學生的特點都不一樣，因為社會需要不同的人才，而不是千篇一律的。這需要大量的工作需要大家一起努力。

第二，技術對細節(jié)的追求。

王校長非常重視體育鍛煉，特別是在清華附中，鼓勵孩子們從事各種各樣體育運動，從體育運動來培養(yǎng)孩子的素質(zhì)和精神，這一點我非常贊成。

奧運會提高成績靠什么？肯定得個性化，個性化以后做什么？我們?nèi)シ治?，比如蘇炳添的特點是什么，他個子矮，步長不如黑人，但是他的步頻快，蘇炳添在29歲以后跑進了10s，這是非常不容易的，如果沒有詳細的技術分析，很難讓運動員做這么精細化的調(diào)整。

跳水，中國跳水已經(jīng)可以對3D成像虛擬化做的那么細，如果拿這個教育運動員，或者把這個技術用在學生身上，也會取得更好的效果。

我們自己也在做一個工作，對學生在中學里的體育來說，引體向上是比較難的題目，拉不起來，拉不起來很多時候不一定完全是這個學生能力不夠，很重要是發(fā)力方式不對，他們告訴我引體向上拉的好應該是背部肌肉發(fā)力，而我們學生是腹部肌肉發(fā)力，所以我們做了一個分析，讓實驗室做引體向上的時候，我們拍視頻拍他怎么拉，而且放了機電感應器，用力情況好的人能做起來，腹部在發(fā)力，臂部發(fā)力不夠的同學就是拉不起來，我們采集的數(shù)據(jù)驗證了這個觀點，我們告訴學生如果背部肌肉不夠，或者背部發(fā)力方式不好，能不能做一些特定的鍛煉，讓他增長背部肌肉，學會背部發(fā)力，如果有這樣的方式，相當于我們能夠針對性的解決每個學生的問題，提高他的能力，我跟清華體育部的老師交流比較多，他們說不一定拼命上量是好事，還是要科學，跑量，每天跑這么多就夠了，再跑沒用，只有損失，缺失哪兒就練什么，這才是科學化個性化，在數(shù)字化基礎上的工作。

我們未來在任何一個方向的教育或者學習都要形成這樣一個閉環(huán)，首先是智能化信息采集，做知識能力綜合評估，形成個性化的學習或者訓練方案，再進行質(zhì)效評價，有了這個過程以后知道學生的優(yōu)點在哪兒，缺點在哪兒，針對他的缺點怎么改進，改進方案有沒有效，有效可以堅持，沒有效可以換一個方案，如果這樣可能會給我們的孩子帶來更多的幫助。當然技術不是全部，我們需要有管理、專家，但是在這個過程中技術也許能發(fā)揮一點作用，在數(shù)字化、科學化和個性化的過程當中，給我們的教育提供一些幫助，使得質(zhì)量和效率能夠得到進一步的提升，為我們未來的社會培養(yǎng)更出色的人才，謝謝！