在過去兩年中，公眾對構建自動學習和改進自己的操作或經(jīng)驗（而不是顯式編程）的復雜算法的興趣不斷增加。我們稱之為 “ 人工智能 ” 或更好地“ 機器學習 ”。事實上，這樣的工作已經(jīng)持續(xù)了數(shù)十年。例如，人工智能提升協(xié)會是從1979年開始，一些想法可以回溯到希臘時代，或至少到20世紀40年代就處于可編程數(shù)字電腦時代的早期階段。
最近，Bloomberg Beta的投資者Shivon Zilis一直在建立一個機器學習應用于其他行業(yè)的景觀圖，教育為其制定了列表。一些技術人員擔心某些危險，比如埃隆·馬斯克（Elon Musk），正如紐約客所寫的那樣，他對于結(jié)果已經(jīng)有了糟糕的預測。他在上一周與一位更加樂觀的人——馬克·扎克伯格（Mark Zuckerberg）相遇。
但投資者仍在大步向前：本周，中國語言學習創(chuàng)業(yè)公司——流利說，利用人工智能機器學習算法向4500萬中國學生教授英語，籌集了近1億美元來加快工作。
EdSurge 在過去一周在舊金山與 Adam Blum（OpenEd首席執(zhí)行官）、Armen Pischdotchian（IBM Watson的學術技術導師）、Kathy Benemann（EruditeAI的首CEO）還有 Kirill Kireyev（instaGrok的創(chuàng)始人，TextGenome和GYANT的技術負責人）進行了會談。 EdSurge的Tony Wan主持了會議。以下是談話中的幾個摘錄：
EdSurge：人工智能有望改變下一代人的教育方式。最接近的改變程度是多少呢？與現(xiàn)在的相比有什么不同？
Benemann：數(shù)據(jù)比以往任何時候都多。在EruditeAI，對于我們來說，數(shù)據(jù)比收入更珍貴。有了更好的數(shù)據(jù)，我們可以更好的訓練我們的算法，但是有重要的一點一定要記住，AI的制造者最終是我們的人類。
Pischdotchian：如果你回想起早年的教育模式，我們稱之為工廠模式。 教師廣泛地教授所有學生同樣的學科。 這不是我們今天所說的話。 諸如Chan Zuckerberg Initiative等組織正在尋求大修這個模式。 根據(jù)工廠模型將不能再完成學習， 因為這種方式是不可持續(xù)的。 工廠若要求當下的孩子們積極開展我們稱之為“ 新領 ”的工作結(jié)果又將會如何？
Kireyev：教育內(nèi)容數(shù)據(jù)的爆炸式增長，無論是針對學生還是來自學生反饋的數(shù)據(jù)， 我們想要看到學生在做什么，都要比過去快得多。 例如，當孩子們玩Scratch時，他們的工作是基于網(wǎng)絡的；當他們無聊時，可以看到他們什么時候開始觀看視頻，什么時候停止。 你能從他們的行為中洞察很多的東西。 透明的數(shù)據(jù)收集是非常有價值的， 而且技術的可用性更大，是可以從字面上使用的東西。 所以更多的人正在嘗試用AI和機器學習來做事情。
好的，我們聽說過數(shù)據(jù)的爆炸，還有關于改變學校模式的必要性。 那接下來會如何發(fā)展呢？
Blum：接下來有兩個大的趨勢 ，恰好我們處于剛開始的過程中。 我們與IMS全球?qū)W習合作。第一，在技術標準方面，如Caliper和xAPI（或Experience API）正在起飛。 第二，在這有很多的領域，教育只是其中之一，但是你沒有長期的數(shù)據(jù)。 所以如果你想為學生挑選下一個最好的事情時，你必須使用一種不同的方法——強化學習法。 所以如果我沒有百萬個數(shù)據(jù)記錄，我可以隨時去探索。 這也是Google如何解決AlphaGo挑戰(zhàn)的。
我們在教育中能看到哪些AI的應用程序？ 我們是否已經(jīng)開始使用？
Pischdotchian：這是關于如何在學習經(jīng)驗中找到模式。 如果一個人在數(shù)學上非常強，系統(tǒng)該如何識別這個問題并把它反饋給老師，以至于為學生提供更好的導師工作服務？ IBM正在與芝麻街合作，他們正將大學作為機器學習開發(fā)的測試平臺。我們在麻省理工學院進行了一黑客馬拉松的測試，所有的教室都安裝了相機（學生們都知道）， 如果一位教授正在講課，他可能不會看出班上有沒有人睡著，但我們可以使用面部識別來描繪情緒（如無聊），并發(fā)送給教授一個消息告知他。
Benemann：你看到的每一個地方，人們都在質(zhì)疑AI教育和關于它的一切。 AI應用在教室里是什么樣的？ 是否有一天會放開使用？ AI會替代老師嗎？ AI會幫助老師放松自己的時間，讓他們成為學生的“指導”嗎？ 自適應平臺（如ALEKS或Knewton）可以幫助學生學習事實并使老師能夠指導嗎？
?。▉碜許hivon Zillis的機器情報狀態(tài)3.0調(diào)查）
這是否表明，沒有AI，市場上的“ 適應性 ”技術并不是真的具有適應性？
Benemann：一些工具是適應性的，但他們說他們是“ AI ”。
Kireyev：Instagrok是一個視覺搜索引擎。 我們正在使用機器學習來識別重要的事實、概念、然后讓學生在任何方向上追求學習， 他們也可以合成它，組織它。 TextGeonome是另一個項目。 我們正在建立基礎設施，以深入開展基于AI的詞匯開發(fā)。 我們問：給定一個學生和年級，他們需要學習什么類型的單詞？
Blum：在ACT（獲得OpenEd），我們專注于以下問題：如果您確定了學習差距，幫助學生的最佳教學材料是什么？ 不僅僅是ACT材料， 我們想給你可以找到的最好的教學資源，在這個過程中，我們使用機器學習來定位那些更好的資源。
在某些地區(qū)，如果您不使用機器學習來預測模型，那么您將會失業(yè)。如，大學招生辦公處。
當您從統(tǒng)計評估模型轉(zhuǎn)移到深度機器學習（涉及神經(jīng)網(wǎng)絡）時，沒有保持步調(diào)的是“ 可解釋性 ”。您可能有一個神經(jīng)網(wǎng)絡，您無法解釋。因此，預測算法變得更好，當您進入多層神經(jīng)網(wǎng)絡時，一個關鍵的挑戰(zhàn)是可解釋性下降。在一些嚴格監(jiān)管的市場 ，例如教育和醫(yī)學方面，必須開發(fā)更多的解釋性工具。
假設你在一所大學：他們使用統(tǒng)計模型來挑選入學課程?，F(xiàn)在，如果有一個神經(jīng)網(wǎng)絡或一些機器學習程序，就能更好地預測學生的成果。當然，有大學是這樣做的，可他們不會說，因為賭注太高了。但是您可以確定他們正在使用機器學習來挑選入門課程，而我們需要一些總結(jié)工具來解釋這些選擇。即使深刻的學習很復雜，但為了讓更多人接受，我們必須提出一些解釋性的大要素：他們是如何到達的？
有人擔心像“ AI ”這樣的詞會成為用來銷售產(chǎn)品的標簽。 假如說我是一個老師，edtech公司說“ 我的數(shù)學工具是AI支持的 ”，那我該向他詢問哪些問題？
Blum：這個問題回溯到可發(fā)現(xiàn)性和可解釋性。 如果你要拍AI標簽，那我想知道更多：你在說監(jiān)督的象征系統(tǒng)？ 自然語言處理？ 如果你只是說“AI”，沒有任何進一步目標的話則會降低你的信譽。
Benemann：供應商應該談談學生成果和教師實踐。不要說AI。這只是讓學生學習和老師練習的另一種方法。你最好去說：因為你使用這個產(chǎn)品，我可以做個案研究，提高效率，減少教室浪費的時間。
在保護學生敏感性數(shù)據(jù)隱私和安全的同時，如何平衡AI工具的數(shù)據(jù)需求？
Blum：我們正處于一個沒有PII（個人識別信息）的地步。 如果你有足夠的知識，你可以解構任何人可能是誰。 所以需要有行業(yè)標準。 如果我們說“這是你可以收集和分享的東西”，“這是一個可以改善edtech開發(fā)人員工作的領域“。我提出的一些事情是需要更好的隱私標準，所以如果他們遵循了標準的話是沒有人能夠起訴他們的。
Benemann：誰擁有數(shù)據(jù)？ 看看健康保健。 這是一個零碎的市場，但是有一種趨勢是患者越來越多的擁有自己的數(shù)據(jù)了。我想知道我們是否可以指出由學生自己（學生和他們的父母）所說而掌握的數(shù)據(jù)，“是的，學校可以訪問”。
工作自動化是許多人擔心的威脅，它將對教師和其他職業(yè)產(chǎn)生什么樣的影響？
Kireyev：我看到教師的角色正在以美妙的方式轉(zhuǎn)換。領導力，教學指導…這些都是我從老師那里聽到的令人興奮的事情。然后越來越多的教師將更深層次地轉(zhuǎn)移到孩子中來，而不僅僅是解釋方程如何工作。
Blum：為職業(yè)教育這一學習目標已經(jīng)做了很多努力。但它還沒有被充分利用。我們需要更多前瞻性的思考… 在10年里成為一名卡車司機的意味著是什么？跨行業(yè)的供應鏈是如何被影響的？我們需要努力使職業(yè)教育變得更好。
Pischdotchian：因此，以STEAM（ 科學，技術，工程，藝術和數(shù)學）替代STEM是非常重要的。因為人工智能以后，會更注重藝術，創(chuàng)造力，心理學，等右腦思維的發(fā)展，而不是分析和數(shù)學的左腦思維。心理學、歷史、辯論班、幽默和戲劇，至少在我們的一生中，這些方面不是適合人工智能的。
AI能夠很好地將某些事物變得非常容易，但還有一個大家關心的問題就是AI不能擁有和人類一樣的思維方式和情感，在某些方面就會顯得不自然，因此，也可以說技術的成長進步與舒適自然是不能共存的。
