如何打造人工智能專業(yè)大學(xué) 人工智能有哪些研究方向?

近日，由論答公司主辦的教育大數(shù)據(jù)研討會在北京舉行，討論會主題為“大數(shù)據(jù)+教育，有哪些可能性？”。本次研討會主要關(guān)注數(shù)據(jù)在教育領(lǐng)域的應(yīng)用，具體包括自適應(yīng)學(xué)習(xí)、學(xué)習(xí)數(shù)據(jù)分析和教育數(shù)據(jù)挖掘。來自賓夕法尼亞大學(xué)、人民大學(xué)、華中師范大學(xué)的專家和企業(yè)界代表，共同探討了教育大數(shù)據(jù)和自適應(yīng)學(xué)習(xí)領(lǐng)域的技術(shù)趨勢和產(chǎn)業(yè)機會
Ryan Baker是國際教育數(shù)據(jù)挖掘協(xié)會（International Educational Data Mining Society）的創(chuàng)始人、《教育數(shù)據(jù)挖掘》雜志（Journal Educational Data Mining）主編，在各類期刊和會議發(fā)表了260余篇學(xué)術(shù)論文，先后主持了美國科學(xué)基金會（National Science Foundation）、蓋茨基金會（Gates Foundation）等研究基金的多項重大項目，累計獲得研究經(jīng)費超過1600萬美元。
他也在哥倫比亞大學(xué)教育學(xué)院和愛丁堡大學(xué)同時擔(dān)任教職，他在Coursera和edX上開設(shè)的“Big Data in Education（教育大數(shù)據(jù)）”課程，有來自100多個國家和地區(qū)的學(xué)生注冊。
研討會現(xiàn)場，Ryan Baker通過遠(yuǎn)程視頻，分享了他對教育大數(shù)據(jù)的體驗和應(yīng)用。據(jù)他介紹，目前在教育大數(shù)據(jù)領(lǐng)域主要有四大研究組織，分別研究人工智能與教育、教育數(shù)據(jù)挖掘、學(xué)習(xí)數(shù)據(jù)分析和大規(guī)模學(xué)習(xí)。
Ryan Baker表示，在教育領(lǐng)域廣泛應(yīng)用大數(shù)據(jù)的時代正在到來。教育數(shù)據(jù)挖掘有很多的應(yīng)譽大用方向，包括：預(yù)測學(xué)生是會輟學(xué)，還是會成功完成學(xué)慶氏豎業(yè)；自動檢測學(xué)生的學(xué)習(xí)投入程度、情感、學(xué)習(xí)策略，以更好地達(dá)到個性化；給教師和其他相關(guān)人員提供更好的報告；教育科學(xué)的基礎(chǔ)研究和發(fā)現(xiàn)。
他認(rèn)為，個性化教育至少要做到三件事情：
1、確定學(xué)生的有關(guān)數(shù)據(jù)；
2、了解對于學(xué)生的學(xué)習(xí)來說什么是真正重要的；
3、有針對性地為學(xué)生提供合適的教學(xué)。
而通過教育數(shù)據(jù)挖掘，我們可以推斷很多事情：
學(xué)生的元認(rèn)知和求助。比如，這個學(xué)生有多自信？當(dāng)他需要幫助時，有沒有在尋求幫助？他有沒有在給自己解釋問題，有沒有思考這個答案是正確的還是錯誤的？最重要的，當(dāng)他面臨挑戰(zhàn)時，能否堅持下去？
沒有投入學(xué)習(xí)的行為。比如，“玩弄”系統(tǒng)，為了找到正確的答案，有的學(xué)生會試各種不同的答案，從“1”試到“38”。粗心，本身會做，但是不用心，最后給出的答案是錯的。有些孩子會做非常難以解釋的行為，比如不用方程符號，而是畫了一個笑臉。
學(xué)生情感。Baker的研究團(tuán)隊和其他研究團(tuán)隊，已經(jīng)創(chuàng)造了研究模型，可以根據(jù)數(shù)據(jù)推斷，學(xué)生是否感到厭倦、沮喪、困惑、好奇、興奮、快樂，是否投入，等等。
長期的學(xué)習(xí)結(jié)果。比如，學(xué)生能夠記住剛才他學(xué)的東西嗎？學(xué)生準(zhǔn)備好學(xué)習(xí)下一個主題、下一個知識沒有？中學(xué)生能上大學(xué)嗎？他會從大學(xué)畢業(yè)還是輟學(xué)？
Ryan Baker表示，要獲得這樣的推斷，只需要學(xué)生與系統(tǒng)交互的數(shù)據(jù)，不需要學(xué)生戴上頭盔檢測器。目前，這些模型已經(jīng)開始大規(guī)模應(yīng)用于自適應(yīng)學(xué)習(xí)，應(yīng)用于幾十萬的美國學(xué)生。Ryan Baker列舉了一些自適應(yīng)學(xué)習(xí)系統(tǒng)的案例。
Knewton
通過系統(tǒng)決定學(xué)生下一個要學(xué)習(xí)的問題是什么，已在全球的多個領(lǐng)域多個學(xué)科中運用。
ALEKS-ALEKS
用的是先行知識結(jié)構(gòu)和知識點模型，來選擇最適合學(xué)生的學(xué)習(xí)材料。比如，一個學(xué)生在學(xué)習(xí)上出現(xiàn)了問題，系統(tǒng)能夠檢測出來，是以前學(xué)的知識點出了問題，然后讓學(xué)生回到以前的知識點上去學(xué)習(xí)。ALEKS系統(tǒng)應(yīng)用于美國高中、大學(xué)的數(shù)學(xué)、科學(xué)學(xué)科。
Cognitive Tutor
系統(tǒng)能自動檢測學(xué)生的知識，直到學(xué)生掌握為止。比如，系統(tǒng)不會讓學(xué)生學(xué)習(xí)下一步的知識，直到他展示出他已經(jīng)學(xué)好了他現(xiàn)在正在學(xué)習(xí)的知識。系統(tǒng)能夠給學(xué)校提供數(shù)據(jù)報告，學(xué)校根據(jù)報告能夠更好地讓學(xué)生投入到學(xué)習(xí)中去。每年大約被50萬的美國初高中生用于數(shù)學(xué)學(xué)習(xí)。
論答
論答公司的系統(tǒng)與ALEKS的系統(tǒng)有些類似，也是用先行結(jié)構(gòu)和知識點模型，選擇合適的學(xué)習(xí)材料。同時也是自動檢測學(xué)生的知識狀態(tài)直到學(xué)生掌握為止。應(yīng)用領(lǐng)域目前包括數(shù)學(xué)和英語，完全針對中國學(xué)生開發(fā)。
Reasoning Mind
用各種自動檢測的模型來檢測老師的教學(xué)是否有效。通過數(shù)據(jù)生成報告給每個地區(qū)的教學(xué)管理員，讓他們找到方法幫助老師提高教學(xué)。主要是用于美國的小學(xué)數(shù)學(xué)。
Duolingo
自動檢測學(xué)生記憶，來決定什么時候回顧已經(jīng)學(xué)過的知識。在全世界范圍內(nèi)應(yīng)用于外語詞核肢匯的學(xué)習(xí)。
其他的像Civitas，Course Signals，Zogotech都是地區(qū)供應(yīng)商，運用風(fēng)險預(yù)測模型提供行動信息預(yù)測。它們會對學(xué)生做出預(yù)測，可能學(xué)不好、會失敗，把報告提供給老師。已在世界范圍內(nèi)的大學(xué)應(yīng)用。
Ryan Baker指出，在這些系統(tǒng)中，有足夠的證據(jù)證明，至少以下兩個系統(tǒng)是非常好的。
1、胡祥恩教授在美國做了大量實證研究，證明ALEKS系統(tǒng)對于幫助學(xué)生學(xué)習(xí)是有效的。他的研究證明，ALEKS系統(tǒng)對于不同人群的學(xué)生是同樣有效的；特別值得提出的是，ALEKS可以幫助少數(shù)人群群體提高學(xué)習(xí)成績。
2、Ryan Baker本人領(lǐng)導(dǎo)的研究團(tuán)隊與論答公司合作的研究表明，學(xué)生通過論答系統(tǒng)學(xué)習(xí)，比通過傳統(tǒng)的在線學(xué)習(xí)系統(tǒng)學(xué)習(xí)，效果更好。他們在中國3個不同的地區(qū)做的3次實證研究，都證明了論答系統(tǒng)的有效性。
Ryan Baker分析了教育大數(shù)據(jù)算法模型的潛在發(fā)展方向。他認(rèn)為，這些模型的長期潛力是，通過學(xué)生的知識和學(xué)習(xí)模型來確認(rèn)，學(xué)生什么時候需要更多的支持：
首先是“mastery learning”，學(xué)生在掌握一個知識前，不會讓他去學(xué)習(xí)下一個知識。當(dāng)學(xué)生需要支持的時候，自動介入；同時告訴老師和父母，這個學(xué)生什么時候需要支持。
通過學(xué)習(xí)投入程度模型判斷，學(xué)生什么時候開始變得厭倦、沮喪了，并調(diào)整學(xué)習(xí)活動，讓厭倦的學(xué)生不再厭倦，讓沮喪的學(xué)生的學(xué)習(xí)變得更容易一些。
學(xué)習(xí)投入程度模型還可以檢測，在線學(xué)習(xí)中，什么樣的學(xué)習(xí)活動，能讓學(xué)生更容易地投入進(jìn)去，并最終發(fā)現(xiàn)，什么樣的學(xué)習(xí)活動對學(xué)生更好、對什么樣的學(xué)生更好。
這樣的模型也能告訴老師和父母，學(xué)生什么時候開始變得不再投入學(xué)習(xí)了。
還可以運用學(xué)習(xí)模型確認(rèn)，學(xué)生什么時候沒有真正學(xué)會，需要更多支持。
最后，Ryan Baker指出，下一步的目標(biāo)是優(yōu)化之前已經(jīng)驗證的經(jīng)驗和方法，然后把它們運用到系統(tǒng)中，最終讓中國和世界上的數(shù)十億學(xué)生受益。
討論：“因材施教”的千年理想該如何照進(jìn)現(xiàn)實？
王楓博士，論答公司（Learnta Inc.）創(chuàng)始人兼CEO
胡飛芳博士，美國喬治華盛頓大學(xué)（George Washington University）統(tǒng)計學(xué)終身教授，中國人民大學(xué)統(tǒng)計與大數(shù)據(jù)研究院的教授
胡祥恩博士，美國孟菲斯大學(xué)（University of Memphis）心理系、計算機科學(xué)系、計算機工程系終身教授，華中師范大學(xué)心理學(xué)院院長
馬鎮(zhèn)筠博士，論答公司聯(lián)合創(chuàng)始人兼首席數(shù)據(jù)科學(xué)家
辛濤博士，北京師范大學(xué)中國基礎(chǔ)教育質(zhì)量監(jiān)測協(xié)同創(chuàng)新中心常務(wù)副主任、博士生導(dǎo)師，兼任國家督學(xué)、教育部基礎(chǔ)教育課程教材專家工作委員會委員、中國教育學(xué)會學(xué)術(shù)委員會委員。
技術(shù)發(fā)展到今天，“因材施教”如何實現(xiàn)？
王楓：因材施教，我首先到的是，每位學(xué)生學(xué)習(xí)的內(nèi)容都不一樣。如果有新的技術(shù)或者系統(tǒng)，系統(tǒng)應(yīng)該像一個好老師一樣，不會頭疼醫(yī)頭腳疼醫(yī)腳。比如說，一元二次方程做錯了，好老師不會簡單說一元二次方程做錯了，你繼續(xù)再做十道一元二次方程的題目，這其實是很差的老師，他沒有真正去全面評判學(xué)生，到底是哪些掌握好、哪些掌握不好。
一個好的老師可能會說，我全面地看了你整個學(xué)習(xí)，可能你的問題不是出在一元二次方程上面，老師看了你做的題目，一元一次方程沒有掌握好、因式分解也沒有掌握好，你繼續(xù)做一元二次方程是浪費時間。這就是從系統(tǒng)角度來說，系統(tǒng)做到了根據(jù)每個學(xué)生最基礎(chǔ)的先行知識點的結(jié)構(gòu)，給你提供最適合你當(dāng)前學(xué)習(xí)的知識點，題目也好、視頻也好、還有其他各種各樣的學(xué)習(xí)內(nèi)容。
胡飛芳：因材施教是我們教育的理想狀態(tài)?？鬃雍茉缣岢鲆虿氖┙?，在他當(dāng)時的歷史環(huán)境里面，因材施教可能更多是個體性的，因為那時學(xué)生少、老師也少，因材施教相對比較容易做到。
隨著歷史的發(fā)展，我們有更多的人需要教育時，我們做的一件事情是什么呢？就是做了一個標(biāo)準(zhǔn)化。標(biāo)準(zhǔn)化做的是什么？課堂教育。課堂教育從某種意義上來講是標(biāo)準(zhǔn)化?，F(xiàn)在這個歷史階段，教育大數(shù)據(jù)可能真正要做到的就是因材施教，自適應(yīng)學(xué)習(xí)本身想做的也是這個。
胡祥恩：因材施教事實上在學(xué)習(xí)理論里有兩個：一個是outerloop“學(xué)什么”，一個是innerloop“怎么學(xué)”。用技術(shù)來細(xì)化因材施教是教育產(chǎn)業(yè)走向成熟的一個標(biāo)志。但是這個路非常非常難，因為“怎么學(xué)”那個層次非常非常難。
馬鎮(zhèn)筠：“因材”代表認(rèn)識到學(xué)生的個體化差異，“施教”指進(jìn)行差異化教學(xué)，這是根本思想。但如果考慮到時代背景，孔夫子時代專注的是學(xué)生的職業(yè)發(fā)展方向，也就是說，把適合當(dāng)政治家的培養(yǎng)成政治家，把適合當(dāng)學(xué)者的培養(yǎng)成學(xué)者?，F(xiàn)在再提因材施教，我們其實能做得更多、更精細(xì)化。
比如，“因材”，對“材”的分類不僅是職業(yè)方向，還會考慮到學(xué)生的學(xué)習(xí)狀態(tài)、學(xué)習(xí)目標(biāo)、潛在能力、興趣偏好等。而且，傳統(tǒng)意義上的因材施教考慮的是學(xué)生個體間的差異，沒有重視學(xué)生本身狀態(tài)是在發(fā)生變化的，學(xué)生在不斷學(xué)習(xí)，狀態(tài)甚至興趣各方面都可能發(fā)生變化。
但這些是自適應(yīng)學(xué)習(xí)能夠做到，甚至比傳統(tǒng)的因材施教做得更好的地方。再說到“施教”，現(xiàn)在我們能做的幾件事，包括學(xué)習(xí)路徑推薦，給不同的學(xué)生匹配他最合適的學(xué)習(xí)內(nèi)容，這種非常精細(xì)化的層面，我們已經(jīng)有了一定的技術(shù)積累。
怎么判斷一個產(chǎn)品做到了真正的自適應(yīng)？
馬鎮(zhèn)筠：大多數(shù)產(chǎn)品的學(xué)習(xí)過程可以分為測、學(xué)、練，可以從這三個環(huán)節(jié)去看這個產(chǎn)品做到什么程度。
測，各種學(xué)習(xí)機構(gòu)都有測評。但是國內(nèi)只有論答團(tuán)隊第一個做出來能夠在幾十道題內(nèi)，精準(zhǔn)判斷你一百個知識點，哪21個沒掌握，哪79個掌握了。市場上大部分競品，只會告訴你，知識點掌握率或者分?jǐn)?shù)，79分或者知識掌握率達(dá)到79%；或者一些其他維度的總結(jié)，比如邏輯思維能力比較強、閱讀的磨煉技巧比較好、學(xué)習(xí)動力哪方面稀缺。他們做了降維，本來很復(fù)雜的學(xué)習(xí)狀態(tài)這樣說出來，相對比較容易實現(xiàn)。但如果要做到具體告訴你，哪些知識點掌握、哪些知識點沒掌握，這個難度就高很多了。
關(guān)于學(xué)習(xí)路徑推薦的話，很多題庫類的軟件，知識點學(xué)完之后，會給一些題目推薦，但真正實現(xiàn)路徑推薦的很少很少。路徑推薦也是很核心的，有20個知識點沒掌握，先學(xué)哪個知識點，后學(xué)哪個知識點，學(xué)習(xí)順序是非常關(guān)鍵的，必須遵循循序漸進(jìn)的原則，哪些知識點是前提知識點，哪些知識點是后續(xù)知識點，隨機給你知識點去學(xué)習(xí)的話不能起到最好效果。真正到了練或?qū)W的環(huán)節(jié)，推薦什么樣的視頻，先推視頻還是先推文字講義，推簡單題、中等難度題還是復(fù)雜題目，都需要根據(jù)學(xué)生實際情況來決定。
剛才只是舉了幾個例子，具體涉及到背后的算法、整個系統(tǒng)跟學(xué)習(xí)內(nèi)容的結(jié)合以及整個教學(xué)流程的實現(xiàn)，中間很多環(huán)節(jié)必須要打通，形成一個閉環(huán)，才能對最終的結(jié)果負(fù)責(zé)。
辛濤：我的研究領(lǐng)域是教育和心理學(xué)的測量和評價。我個人的學(xué)術(shù)觀察，基本上在現(xiàn)代這領(lǐng)域是兩個類型。一個是心理測量領(lǐng)域，有一套成熟的方法，包括早期的IRT（Item Response Theory）和現(xiàn)在的ADT。另外一個是人工智能檢測。心理測量系統(tǒng)，是一小群人在做；人工智能化是大的方向，現(xiàn)在是顯學(xué)，給大家提供了明顯的可能性。重要的是，那些背后的算法，能夠在企業(yè)里真正實現(xiàn)出來?，F(xiàn)在可能很多算法已經(jīng)在那兒了，大體上路徑是通的。
自適應(yīng)學(xué)習(xí)基本上是把學(xué)習(xí)和評價聯(lián)動起來了。因為，要自適應(yīng)學(xué)習(xí)，必須有一個系統(tǒng)隨時看到學(xué)生學(xué)到什么程度，這個完全是評價。但是，評價完了之后有一個新的呈現(xiàn)。這一塊現(xiàn)在已經(jīng)有一些很成熟的一些東西了，但不是一時半時可以說得特別具體的。
我做教育的測量和心理測量，人工智能那塊我不熟。但是，從教育測量角度來說，在自適應(yīng)學(xué)習(xí)和新技術(shù)結(jié)合之前，很大一塊還是自適應(yīng)考試，CAT（computer adaptive test）。系列化產(chǎn)生一個CAT變成了一個自適應(yīng)學(xué)習(xí)的過程。總的來說，使用最簡單、最機械化的方法，連續(xù)的CAT實際上是可以破解一個學(xué)習(xí)過程的。
測評本身經(jīng)歷了好幾個階段，通常用三個應(yīng)用介詞表示。
acces*ent to learning and teaching；
現(xiàn)在國家倡導(dǎo)的，acces*ent for learning and teaching，測評要對學(xué)習(xí)和教學(xué)有幫助；
跟信息化結(jié)合，acces*ent as learning and teaching，它是學(xué)習(xí)提供的完全融合的一個環(huán)節(jié)。
王楓：什么樣的自適應(yīng)學(xué)習(xí)系統(tǒng)才是真正的高級自適應(yīng)學(xué)習(xí)系統(tǒng)？在中國的落地到底是怎么樣才能真正落地？我在馬博士的基礎(chǔ)上想補充一點。
自適應(yīng)系統(tǒng)如果一定要分級，也可以簡單分一下。一種最基礎(chǔ)的系統(tǒng)是基于規(guī)則的，比如說埋點。一個學(xué)生做10道一元二次方程題目，我預(yù)先埋好了，你做錯了，立馬給你推五道一元一次方程題目、五道因式分解題目。這個是埋點埋好了，這是規(guī)則，預(yù)先由老師或公式設(shè)置好了。
但這個規(guī)則有用性是非常有限的，因為每個學(xué)生不一樣，A學(xué)生是因為一元一次方程不會，B學(xué)生可能是因式分解不會，C學(xué)生可能連小學(xué)的乘法快速運算都不會，這個沒法預(yù)先直接埋點準(zhǔn)備好。
所以自適應(yīng)系統(tǒng)真正到了更高級一點的話，一定是真正通過大數(shù)據(jù)、根據(jù)算法模型來分析學(xué)生的學(xué)習(xí)數(shù)據(jù)，匹配下一步應(yīng)該學(xué)什么。
在中國，自適應(yīng)學(xué)習(xí)有效應(yīng)用于教學(xué)有三個前提條件。做到這三點，自適應(yīng)學(xué)習(xí)在中國的教育里面前途無限。
好的產(chǎn)品。必須要有針對中國本土化的自適應(yīng)學(xué)習(xí)產(chǎn)品，把它開發(fā)出來。像ALEKS系統(tǒng)的確算法不錯，但里面連一套國內(nèi)的高考題都沒有，家長不會讓小孩子用這樣的系統(tǒng)，因為直接影響應(yīng)試目標(biāo)。真正本土化開發(fā)的話，沒有一成不變的算法，世界上最好算法就是沒有開發(fā)出來的。教育非常復(fù)雜，每個學(xué)科不一樣。比如數(shù)學(xué)后臺有強大的關(guān)系，先行后續(xù)關(guān)系；英語沒達(dá)到數(shù)學(xué)這么強的相關(guān)性，但算法是一樣可以應(yīng)用的。
好的學(xué)生、家長、老師。有了好的產(chǎn)品，首先學(xué)生應(yīng)該真正投入進(jìn)去學(xué)習(xí)。像Ryan Baker教授講的，學(xué)生如果隨便學(xué)一下，再好的系統(tǒng)也沒用。第二，家長得督促孩子學(xué)習(xí)。第三，老師非常重要。老師應(yīng)該做有價值的事情，比如給學(xué)生做個性化的輔導(dǎo)答疑，給學(xué)生針對性的講解，組織學(xué)習(xí)活動小組，鼓勵學(xué)生發(fā)揮創(chuàng)造能力，領(lǐng)導(dǎo)能力的培養(yǎng)。
學(xué)校以點帶面。學(xué)生大部分時間都在學(xué)校里面學(xué)習(xí)。如果學(xué)校里最基本的、有效的在線教學(xué)產(chǎn)品都不應(yīng)用的話，其實是有問題的。但是改變絕對不是簡單的行政命令可以解決的。一個好的產(chǎn)品，一定是從點到面，逐步推廣。自適應(yīng)學(xué)習(xí)，更適合有明確目的的學(xué)習(xí)，像應(yīng)試教育這塊可以做得更好。所以學(xué)?？梢詰?yīng)用進(jìn)去。
胡祥恩：我覺得大家做自適應(yīng)也好、因材施教也好，比較好的例子大家可以看一看。教育這個領(lǐng)域有多大，自適應(yīng)概念就該有多寬。所以說，實驗室里面有很多小的做得非常非常好的東西，只是沒有到市場上面去，有很多非常非常巧妙的算法、一些東西。你會發(fā)現(xiàn)很多歐洲的、美國的實驗室做的system，我每次看了都有種，自己是坐井觀天的感覺。
怎么看待人工智能在教育中的應(yīng)用？
胡飛芳：AlphaGo跟master，谷歌做了一個非常好的廣告，人工智能在某些方面可以做得非常好。但是，我現(xiàn)在給你們講另外一個谷歌自己不會去說的例子，但這也是事實。2008年、2009年的時候，谷歌推出一個免費產(chǎn)品，用各種搜集到的數(shù)據(jù)，預(yù)測美國的流感發(fā)展趨勢。開始時很成功，預(yù)測跟實際發(fā)生的情況很相似。但到2015年，他自動撤回去了，不再提供預(yù)測。因為在2012跟2013年預(yù)測的時候，預(yù)測結(jié)果跟實際情況相差非常遠(yuǎn)。
這說明像這種不確定性的問題，人工智能還有非常大的局限性。一旦有不確定的數(shù)據(jù)，就有噪音。數(shù)據(jù)量很大時，大數(shù)據(jù)可能產(chǎn)生大噪音。怎樣使噪音下降？2015年一個哈佛教授的研究團(tuán)隊在谷歌的基礎(chǔ)上，用谷歌的數(shù)據(jù)去做同樣的預(yù)測。他用了什么呢？就是用了模型，實際上模型在很多時候降噪是很有用的，用模型去預(yù)測，而不完全是人工智能的方式去預(yù)測。結(jié)果，他做出來的預(yù)測基本都比較準(zhǔn)。
人工智能相對比較成功的，是比較確定的問題，所謂的確定是不管有多少種可能性，還是一個確定的東西。而流感很多時候是完全不確定的因素。
教育其實很多時候也是不確定的。同樣一個人，現(xiàn)在讓他回答這個問題，他可能思路清楚地回答出來；過了一個小時后，即使是同樣類型的問題，按道理他應(yīng)該回答出來，結(jié)果他回答不出來。這是說，實際上有很多因素在干擾的時候，人工智能的功能是不是會減少一點。把模型跟人工智能加在一起，會彌補人工智能在某些方面的弱點，這樣會更好。
怎樣促進(jìn)商界和學(xué)界的交流，更好地把學(xué)界已經(jīng)有的一些成果，運用到市場上來？
胡祥恩：教育產(chǎn)業(yè)應(yīng)該是一個最大的產(chǎn)業(yè)，教育產(chǎn)業(yè)事實上是一個知識產(chǎn)業(yè)鏈。到目前為止，很多人認(rèn)為自己要做一整套系統(tǒng)而在美國汽車業(yè)，最賺錢的是供應(yīng)商，是做輪胎、做玻璃的。一旦標(biāo)準(zhǔn)化之后，一個人如果螺絲釘生產(chǎn)得最好，他就能夠養(yǎng)活幾家人、幾代人。
到目前為止，美國推的就是教育標(biāo)準(zhǔn)化，教育內(nèi)容的標(biāo)準(zhǔn)化、教育技術(shù)的標(biāo)準(zhǔn)化。比如說97年的時候，就說怎么樣把內(nèi)容標(biāo)準(zhǔn)化，你做的東西我可以用。我只是做整個教育知識產(chǎn)業(yè)鏈里面一個小塊，做得很好。教育整個的產(chǎn)業(yè)鏈，有可能發(fā)揮特別特別技巧的那些小的公司，就能夠在這個產(chǎn)業(yè)鏈里面生存、可以做得很好。第一個是要標(biāo)準(zhǔn)化，第二個要理解整個教育是一個產(chǎn)業(yè)鏈。

人工智能可分為六個研究方向：
1、 機器視覺 ，包括3D重建，模式識別，圖像理解等。
2、語言理解和溝銀腔通，包括語音識別，綜合，人機對話，機器翻譯等;
3、機器人技術(shù)，包括力學(xué)，控制，設(shè)計，運動規(guī)劃，任務(wù)規(guī)劃等;
4、認(rèn)知和推理，包括各種身體和社會常識的認(rèn)知和推理;
5、游戲和道德，包括多智能體，機器人和社會整合的互動，對抗和合作;
6、 機器學(xué)習(xí) ，包括各種統(tǒng)計建模，分析工具和計算方法;
人工智能作為下一代信息技術(shù)的重要領(lǐng)域，是一種具有普遍性的新型通用技術(shù)，可應(yīng)用于經(jīng)濟社會，生產(chǎn)和生活的各個方面（Trajtenberg，2018）; 無意中與此同時，人工智能已經(jīng)滲透此搜到生產(chǎn)和生活的許多方面，并悄然改變了經(jīng)濟和 社會組織 的運作模式。 雖然人工智能技術(shù)可以使人類擺脫繁瑣的程式化工作，但它也是應(yīng)對 人口老齡化 的有效手段，但其推廣也意味著在應(yīng)用領(lǐng)域取代就業(yè)領(lǐng)域（部分），鋒扒衫并將 最終影響就業(yè)結(jié)構(gòu)和收入分配格局。