標(biāo)準(zhǔn)化的“AI+教育”產(chǎn)品未來能否實現(xiàn)“任天堂”式的創(chuàng)新？

　　編者按：近兩年，AI技術(shù)在教育層面的應(yīng)用越來越廣泛，但普遍來看，其起到的功能是相對初級的，適用范圍還相對局限。

　　從最初的測評、拍照、作業(yè)到自適應(yīng)學(xué)習(xí)、AI教學(xué)，再到AI偽直播及強交互視頻教學(xué)。隨著市場產(chǎn)品的迭代，機構(gòu)也在尋求知識內(nèi)容和教學(xué)交互層面突破的可能性。

　　來源|多知網(wǎng)

　　文|Bryce

　　圖片來源| Unsplash

　　01

　　AI教育適合標(biāo)準(zhǔn)化教學(xué)，適用范圍還相對局限

　　今天聊聊AI與教育的結(jié)合。這類大話題可以輕松堆出一篇券商研報的篇幅，當(dāng)然如果真寫了那么長，大家肯定都不愛看，所以我們先以回顧加評論的方式去聊聊已經(jīng)出現(xiàn)并相對成熟的產(chǎn)品，下半場再去暢想未來一段時間內(nèi)的技術(shù)產(chǎn)品發(fā)展。

　　AI與教育的結(jié)合屬于教育科技(Edtech/Learning tech)的子集，簡單來說，是將AI技術(shù)結(jié)合特定場景需求，對當(dāng)前的教育產(chǎn)品或服務(wù)進行重構(gòu)或優(yōu)化。常用的技術(shù)包括語音識別、語義理解、計算機視覺、知識圖譜等。

　　就目前而言，AI技術(shù)在教育領(lǐng)域內(nèi)的應(yīng)用是相當(dāng)初級的，涉足的公司也是以大量的人工努力，才做出一個個具備一定智能水平，能在封閉的細分場景內(nèi)，實現(xiàn)簡單功能應(yīng)用的產(chǎn)品。

　　總體來講，在AI作用于教育，目前適用的范圍還相對局限：AI教育適合以輕量級的教學(xué)內(nèi)容，根據(jù)符合認知規(guī)律的節(jié)奏，進行標(biāo)準(zhǔn)化傳授。與普通課堂相比，其優(yōu)勢在于教學(xué)表達方式的豐富化，能以豐富的音視頻素材進行有趣的呈現(xiàn);系統(tǒng)天然擅長教學(xué)過程中的數(shù)據(jù)采集、統(tǒng)計與分析，從而在此基礎(chǔ)上推進個性化適配基礎(chǔ)上的交互和練習(xí);

　　但是在春風(fēng)化雨言傳身教、啟發(fā)性思考等偏向于師者育人的領(lǐng)域，AI基本還無從下手。

　　在教育AI的領(lǐng)域，國內(nèi)公司的技術(shù)能力上或弱于國際公司，但因為中國K12市場的巨大需求，國內(nèi)相關(guān)產(chǎn)品商業(yè)化的表現(xiàn)是可圈可點的。近十年間，我們見證了這些產(chǎn)品的漸次出現(xiàn)，比如口語評測、拍照搜題等。

　　現(xiàn)階段，技術(shù)驅(qū)動的權(quán)重仍大于需求驅(qū)動。先行者們先找到類似語音語義、圖像識別等相對成熟的技術(shù)，結(jié)合教育領(lǐng)域發(fā)掘出可供落地的點，先開發(fā)出可用產(chǎn)品推向市場，同時再思考迢遞的遠方。

　　橫向比較泛領(lǐng)域AI技術(shù)的成熟度，能很容易看出其中規(guī)律，好比廚師就著手里的炊具和原料先端上兩盤可供食客下箸的菜肴，做著生意再進行改良和完善。

　　如果要回顧過去十年間，AI教育產(chǎn)品的發(fā)展，以K12的教育產(chǎn)品最為具有代表性。當(dāng)技術(shù)走近教育，按照比較通用的方法，從周邊的教學(xué)服務(wù)、到教與學(xué)的核心將場景分為幾層，同時搭配產(chǎn)品面世的時間，可作出下圖：

　　

　　K12 AI教育產(chǎn)品分布示意

　　02

　　工具類產(chǎn)品受限技術(shù)瓶頸，客戶對服務(wù)屬性的重視超過技術(shù)要求

　　我們先來看左側(cè)偏工具導(dǎo)向的產(chǎn)品，主要包括測評、拍照、作業(yè)三類。

　　起步最早的測評類產(chǎn)品，主要是英語學(xué)科的口語測評和考試閱卷測評兩類?？谡Z測評公司于2011、2012年左右，閱卷測評&學(xué)情分析公司于2013、2014年左右逐漸開展業(yè)務(wù)，滿足K12公立校的需求，以傳統(tǒng)信息化產(chǎn)品渠道進校，其中閱卷類產(chǎn)品因為更貼合考試需求，使用頻次高，所以對應(yīng)頭部公司的業(yè)務(wù)體量上明顯大于語音類的對標(biāo)者(大概有5倍左右的體量差)。

　　雖然該類產(chǎn)品的核心差異在于技術(shù)能力，但在實際使用場景中，客戶對于工具和服務(wù)屬性的感知和重視勝過了對技術(shù)的要求。因此，底層核心技術(shù)商雖然有技術(shù)壁壘，但是到了進校環(huán)節(jié)，產(chǎn)品大多需要通過本地化渠道商/服務(wù)商/大集成商去觸達客戶，話語權(quán)向渠道或有渠道能力的公司轉(zhuǎn)移，最后導(dǎo)致市場蛋糕分散，未來能看到的整合機會也更可能落在互聯(lián)網(wǎng)巨頭的手中。

　　此外，以2B的直接業(yè)務(wù)賺現(xiàn)金流養(yǎng)公司、同時以直接或者間接的方式做2C業(yè)務(wù)，則是，現(xiàn)階段的產(chǎn)品在數(shù)據(jù)采集+原始技術(shù)功能的基礎(chǔ)上，推出了一些個性化的初級AI產(chǎn)品：口語訓(xùn)練、練習(xí)本等，對應(yīng)業(yè)務(wù)板塊的營收，還停留在千萬級別。

　　相較于2B產(chǎn)品，直接2C的拍照搜題和作業(yè)類產(chǎn)品更廣為人知。其中，拍照搜題自13年起2C爆發(fā)，延續(xù)移動互聯(lián)浪潮尾聲的獲客流打法，在這波紅利中，成功大規(guī)模獲取了用戶，做到數(shù)百萬乃至千萬日活。

　　該類產(chǎn)品底層的主流技術(shù)是圖片識別--題庫匹配，系統(tǒng)根據(jù)題目的圖像特征在預(yù)制題庫中找到對應(yīng)的題目，并不理解題目的內(nèi)容。雖然有個直接問題是題海無涯，公司需不斷地大規(guī)模收集、更新新題，但瑕不掩瑜，是當(dāng)前用戶端體驗最友好的方案。

　　此外，同樣是拍題，產(chǎn)品端看起來類似，但底層技術(shù)差異明顯的是文字識別計算產(chǎn)品。系統(tǒng)識別用戶拍照的文字符號，并提煉其中的計算邏輯，獨立解答并輸出答案/講解，機器做到了理解題目內(nèi)容。在此基礎(chǔ)上，就可以實現(xiàn)覆蓋范圍內(nèi)任意數(shù)字題目的計算、答案輸出和自動講解。

　　表現(xiàn)在產(chǎn)品上，在相對容易(數(shù)理邏輯簡單，更多是看手寫識別)的小學(xué)數(shù)學(xué)上做出了一個細分剛需，即各類口算批改產(chǎn)品，能夠批改口算題目，把老師和家長從這個量大且枯燥的任務(wù)中解放出來。

　　但是，技術(shù)上的不足，特別是文字理解能力的不足，將可產(chǎn)品化的應(yīng)用限制在以部分代數(shù)知識點為主的有限領(lǐng)域。國外的多款產(chǎn)品(比如photomath和Microsoft Math)在適用范圍上領(lǐng)先，但也至多進行到如方程組、微積分等，要突破幾何題、應(yīng)用題，逐漸逼近題庫匹配類產(chǎn)品的適用范圍，還有很長的路要走。

　　所以，此類產(chǎn)品會在技術(shù)瓶頸處滯留很長時間。從此例中不難看出，技術(shù)難度高不等于用戶體驗好，是目前看待AI+教育時，需要始終注意的重要認知。

　　

　　Photomath可覆蓋的部分題型

　　作業(yè)類應(yīng)用通過進校2B2C，以知識點標(biāo)簽化的題庫為核心，方便教師調(diào)用內(nèi)容布置作業(yè)，從而構(gòu)建師生間的作業(yè)交互平臺，AI成分有限，就不多提了。

　　不可否認的，拍照搜題+作業(yè)類產(chǎn)品在是目前可見的泛AI產(chǎn)品在用戶層面的成功典范，共約出現(xiàn)了近十家頭部企業(yè)，各家在用戶量及活躍度上都相當(dāng)可觀。而由于典型用戶的固有屬性問題，這些公司實現(xiàn)成規(guī)模的營收，卻是多年之后的事了。

　　如果做個矩陣去標(biāo)注這些公司的業(yè)務(wù)發(fā)展，能明顯看出各家都在各個領(lǐng)域做了對盈利模式的長期探索，最后大力拓展到了課程業(yè)務(wù)線，包括在1對1輔導(dǎo)、網(wǎng)校、輕課/交互視頻等。

　　在網(wǎng)校模式得到市場的認可后，也后驗地看到了在大用戶基礎(chǔ)上發(fā)力課程交付的巨大潛力，目前規(guī)模前五的頭部網(wǎng)校中，猿輔導(dǎo)、作業(yè)幫均屬于此類。

　　03

　　自適應(yīng)產(chǎn)品比拼的核心是題目的標(biāo)注處理質(zhì)量

　　接下來，我們來看，近年出現(xiàn)、和教學(xué)核心結(jié)合最緊密的自適應(yīng)學(xué)習(xí)和AI教學(xué)。

　　自適應(yīng)學(xué)習(xí)產(chǎn)品，最典型的形態(tài)是利用動態(tài)調(diào)整的題目進行測評和訓(xùn)練，同步依靠知識點視頻和內(nèi)容進行教學(xué)，過程中有教師不同程度的參與，常見于數(shù)學(xué)和英語學(xué)科。

　　最初，有產(chǎn)品依靠既有規(guī)則和決策樹邏輯來進行教學(xué)，由工作人員在后臺預(yù)先設(shè)計好單次學(xué)習(xí)中，學(xué)生需要接受和訓(xùn)練的內(nèi)容(課程、題目等)，并在實際學(xué)習(xí)過程中手動調(diào)整任務(wù)量和任務(wù)的難度等級。此水平相當(dāng)于有個輔導(dǎo)老師盯著學(xué)生做一套套的電子教輔。缺點明顯，每個任務(wù)的模塊大，無法實現(xiàn)微調(diào)，可采集的信息粒度粗，對教師管控的依賴高。

　　很快的，新的一套邏輯出現(xiàn)——依附在知識圖譜上的標(biāo)簽化精品題庫，逐漸取代了前一方案。這套產(chǎn)品先構(gòu)建一定學(xué)科范圍內(nèi)的知識大綱，以樹狀/網(wǎng)狀的形態(tài)聯(lián)系知識點，再處理大量的題目，以打標(biāo)簽的形式去連接知識點，把AI與人交互的粒度切到了單題目級別。學(xué)生通過答題，系統(tǒng)判定掌握了當(dāng)前知識點(做對同類題目數(shù)次，或相對分數(shù)達到預(yù)設(shè)值等)，即可推送后續(xù)知識點，達到在預(yù)設(shè)路徑上的漸進學(xué)習(xí)。

　　當(dāng)前，我們在市面上看到的產(chǎn)品大多都屬此類。因為以課程大綱為骨架去構(gòu)建知識體系相對簡單，所以其比拼的核心技術(shù)是題庫的標(biāo)注處理質(zhì)量——各題目的知識點、類別、難度、區(qū)分度等，以及對學(xué)生個體模型的判斷和建立。最佳的情況，是保持學(xué)生遇到的題目，始終需要努努力、但是能解出來的難度范圍內(nèi)，激發(fā)學(xué)習(xí)動力并保證學(xué)習(xí)效率，穩(wěn)步前進。

　　在此基礎(chǔ)上，還可以用產(chǎn)品設(shè)計上的方法，去優(yōu)化用戶端的體驗。比如，利用知識點的關(guān)聯(lián)性來推斷學(xué)生對知識點的掌握程度，并不是一點一題一練，而是實現(xiàn)更小題目訓(xùn)練量上的多知識點判斷。學(xué)生的感受是AI老師推題更靈活、更準(zhǔn)了。又如，利用學(xué)習(xí)科學(xué)的邏輯，去建立更多的流程化處理方式：根據(jù)記憶-遺忘曲線的復(fù)習(xí)回顧、對核心知識點和邊緣知識點的權(quán)重調(diào)整、根據(jù)學(xué)生能力和目標(biāo)分數(shù)調(diào)整知識點范圍等(超綱和放棄部分知識點等)，都能使交互的過程更友好。

　　這里講細可以有很多，我們還是回到主線，此類產(chǎn)品的理想形態(tài)是完成整個教學(xué)過程，但實際過程中因為客戶心理、產(chǎn)品成熟度的因素，完全取代教師的方案無法達到既定效果。當(dāng)前已商業(yè)化的各類產(chǎn)品大多都曾經(jīng)歷過這樣的方案降級，從替代教學(xué)變成了輔助授課，或是賦能培訓(xùn)機構(gòu)，去服務(wù)學(xué)習(xí)中的某些環(huán)節(jié)，或者承擔(dān)教師的部分職能。

　　在業(yè)務(wù)形態(tài)上，以加盟、賦能兩類模式為主。直接做加盟的方式營收增長最快，主要的客戶為小白創(chuàng)業(yè)者，拿著一套方案，加點人工就能上馬。而賦能則針對既有教培機構(gòu)去做能力升級，卻與其現(xiàn)有教學(xué)方式、流程上常有沖突，故而是從有能力的中大型機構(gòu)開始應(yīng)用。兩條路線都有跑出營收上億的玩家，但行業(yè)歸屬尚未落定。

　　就筆者目前觀點，加盟方案或許應(yīng)該走低線、農(nóng)村路線(以一個70-80分的方案，取代那些地方培訓(xùn)不規(guī)范、不穩(wěn)定、能在40-90分波動的業(yè)務(wù)，并吸收更多原本不怎么參培的孩子進入體系)。要足夠接地氣，整體價格便宜，門頭、設(shè)備等都沒什么要求，宣傳上突出某一個兩個細分需求(英語背誦、數(shù)學(xué)刷題等)。不要怕low，扶持大量的低成本運營的小店，讓他們在低成本下達到一個較好的盈利狀況。

　　而賦能形態(tài)，得是產(chǎn)品界面、技術(shù)底層都上佳的標(biāo)準(zhǔn)化方案，要讓地方頭部大校的校長和當(dāng)?shù)刂猩鲜杖胨降募议L都覺得好，從大?？钠穑瑫r盡可能控制定制化比例，把通用合作模式成型，逐漸鋪出去。

　　04

　　AI偽直播+強交互視頻產(chǎn)品重點在內(nèi)容質(zhì)量

　　然后，說到了AI偽直播和強交互視頻教學(xué)這樣的AI教學(xué)產(chǎn)品。

　　這塊兒和互聯(lián)網(wǎng)教學(xué)載體和表現(xiàn)形式的演進有關(guān)。最初的線上教育，多為動輒一個小時的大段視頻課錄播，比如MOOC，然后在2010年后的線上直播大批量出現(xiàn)，再到前幾年，視頻錄播+直播答疑+微信服務(wù)的模式在K12和職教得到廣泛應(yīng)用。

　　AI偽直播和強交互視頻教學(xué)和錄播+服務(wù)模式是非常類似的，從模型上都是內(nèi)容上的單次大投入+持續(xù)低成本服務(wù)，只是在錄播的部分進行了變動：前一個以錄播拼接來以假亂真，強調(diào)頂尖的老師、外教教學(xué)，給學(xué)生模擬1對1，小班直播的感受;后一個告訴用戶是錄播，但因為課件、交互、游戲、同學(xué)陪伴等環(huán)節(jié)做得很出彩，不比直播的體驗差。

　　這個大類別都是強內(nèi)容+弱AI的結(jié)合。AI相關(guān)的技術(shù)都不難，起到的是與學(xué)生交互，并即時反饋學(xué)習(xí)效果的作用，主要通過語音識別、測評等形式進行，技術(shù)難度可控。而各家比拼的重點是在內(nèi)容質(zhì)量上，比如視頻內(nèi)容的制作精良度，趣味性，交互環(huán)節(jié)的設(shè)計等，至多在偽直播中加入一條：視頻切片精細度和拼接流暢度。

　　預(yù)期后續(xù)這樣的產(chǎn)品將大量出現(xiàn)，因為一次錄制后邊際成本低，還能再依托系統(tǒng)提升助教服務(wù)效率，盈利模型是成立的。此外，內(nèi)容制作成本攤薄后，商業(yè)運營上的能力(獲客轉(zhuǎn)化等)占UE模型的比例高，變成了第二競爭點。

　　此類產(chǎn)品在用戶端的收費會持續(xù)保持中低價位，大概是在數(shù)百元到兩千元/年，以網(wǎng)銷體系去觸達用戶，尤其適合于低幼年齡(小學(xué)及以前)教育，成長出一個細分市場，與目前電銷+網(wǎng)銷驅(qū)動的K12大班直播課形成明顯的對比(事實上，從這些思考出現(xiàn)，到近兩天把它寫出來，大概過了小半年時間，就已經(jīng)在這段時間中，各個教育巨頭已經(jīng)大量推出了各類AI課\輕課產(chǎn)品)。

　　由于這類產(chǎn)品是在后臺以高效率生產(chǎn)，可以快速迭代試錯，讓市場選出受歡迎的爆款，進行不斷的優(yōu)勝劣汰。加之獲客環(huán)節(jié)的成本被快速推高，整個品類的競爭水平會快速抬升，留給新創(chuàng)業(yè)公司的窗口也會隨之逐漸關(guān)閉。

　　在這幾個大領(lǐng)域外，還有一些細分的功能和產(chǎn)品，可以再單獨分析。但如果要看影響力，以當(dāng)前幾大塊做個概括也比較有代表意義了：

　　• AI教育中，如果論單功能，目前切入練習(xí)環(huán)節(jié)的自適應(yīng)學(xué)習(xí)最體現(xiàn)AI的意義。

　　• AI教學(xué)產(chǎn)品最能滿足客戶的基礎(chǔ)要求，但AI的價值并不占主導(dǎo)，內(nèi)容和運營占據(jù)了上風(fēng)。

　　• 測評、搜題這些工具向的產(chǎn)品最容易實現(xiàn)，最容易聚攏用戶，卻需要其他業(yè)務(wù)來承接和轉(zhuǎn)化。

　　至此，相對成熟、常見的產(chǎn)品就告一段落了。后續(xù)我們來暢想未來，也看一些新的類別。

　　

　　05

　　未來可能出現(xiàn)超級AI教師，目前商業(yè)化公司可嘗試小而美的突破

　　接著，以終為始，我們做個想象，如果教育科技極度發(fā)達，那么教育交付的場景會是?那時候的一個兼具通用性和個性化教學(xué)能力的教育AI是什么樣?

　　可能會有個“超級AI教師”，它理解人類認知范圍內(nèi)幾乎所有的知識，能夠全天候陪伴，根據(jù)所服務(wù)個體的行為發(fā)現(xiàn)教學(xué)任務(wù)并主動響應(yīng)，比學(xué)生更懂自己的狀態(tài)和目標(biāo)，從而以恰當(dāng)?shù)姆绞饺ブv解、啟發(fā)、設(shè)計任務(wù)，達到高效率的知識傳授。(說不定AI形象可以金毛飄飄，No one knows xx better than me...)

　　為了達到這個效果，相應(yīng)產(chǎn)品所需要具備的知識內(nèi)容、教學(xué)交互兩個大方向的智能：

　　知識內(nèi)容：系統(tǒng)要做到全能全知，那么會存在一個覆蓋人類既有知識體系的超級數(shù)據(jù)庫，里面的單點知識還需要橫跨各學(xué)科領(lǐng)域，根據(jù)它們的關(guān)聯(lián)，連接成一個無比復(fù)雜的知識圖譜。對于單個知識，系統(tǒng)需要知曉其本體的全維度狀態(tài)，以及在特定多個維度下的具體表征形態(tài)，以及對該形態(tài)的屬性有一套完整的分析、評價指標(biāo)(比如難度)，才能看作是系統(tǒng)本身理解了知識。

　　在此之后，需要在各個知識節(jié)點上進行海量的、以音視頻等各形態(tài)展現(xiàn)的素材儲備。此外，因為底層對知識的理解是以機器形式進行的，要跨越機器語言，以人的思維邏輯和語言形式去持續(xù)整理、重構(gòu)、優(yōu)化，以最終適宜于對教學(xué)對象的傳達。

　　教學(xué)交互：以主動和被動的監(jiān)測、交互，了解學(xué)生狀況(能力、知識水平，學(xué)習(xí)需求)，就其個體情況及學(xué)習(xí)需求，匹配制定學(xué)習(xí)計劃，并規(guī)劃學(xué)習(xí)路徑，組織材料，實現(xiàn)輸出教學(xué)、練習(xí)，并不斷循環(huán)優(yōu)化直至任務(wù)最終完成。

　　回到當(dāng)前，限于技術(shù)水平，目前商業(yè)化的公司，需要在上述兩個大方向下的各個小領(lǐng)域，進行相對封閉場景的技術(shù)研發(fā)和應(yīng)用，努力做到小而美的單點突破，是面臨技術(shù)挑戰(zhàn)和變現(xiàn)壓力下的實際方案，包括：

　　一、內(nèi)容的生產(chǎn)：

　　

　　1.數(shù)據(jù)庫&知識圖譜：

　　數(shù)據(jù)庫不用多說，屬于標(biāo)準(zhǔn)化基建。典型例子是各大公司積累的K12精品題庫，機器知道題目所對應(yīng)的知識點標(biāo)簽，其題干和答案內(nèi)容，卻沒有理解知識本身。當(dāng)這些各知識點的簡單關(guān)聯(lián)被建立，包括學(xué)習(xí)路徑的先后等關(guān)系得到梳理，初級的知識圖譜就開始建立。

　　所以，知識圖譜大概率會在K12教育領(lǐng)域最早成熟，因為其處理對象為教學(xué)大綱組織下的有限知識點和應(yīng)用方法，相對容易實現(xiàn)。

　　相較而言，知識圖譜如果進入開放類學(xué)科\跨學(xué)科領(lǐng)域知識，則立即變化為一類難度以指數(shù)形式上升的挑戰(zhàn)，構(gòu)建圖譜需花費大量人力物力，卻無法在短期帶來足夠的營收。因此，知識圖譜作為一種分析工具，應(yīng)在能夠直接創(chuàng)造價值的領(lǐng)域(比如在金融領(lǐng)域內(nèi)，反欺詐、輔助投資決策等)率先成熟，爾后才能期待遷移到教育領(lǐng)域。

　　此外，筆者也關(guān)注到一些公司的嘗試性/非盈利類產(chǎn)品，比如全歷史，搜羅泛歷史領(lǐng)域的國家、事件、人物、古籍畫作等，并構(gòu)建這些事物相互之間的關(guān)系，雖然產(chǎn)品還很初級，但應(yīng)有助于我們?nèi)ダ斫膺@樣的圖譜雛形。

　　2.素材的生產(chǎn)和重構(gòu)：

　　如果說知識圖譜是架設(shè)知識網(wǎng)絡(luò)，勾稽關(guān)系，那么這些網(wǎng)絡(luò)節(jié)點上的知識，都需要通過豐富的內(nèi)容來展現(xiàn)。當(dāng)前在各領(lǐng)域的教育線上化過程中，還是以PGC的方式錄制線上課程，或者通過動畫等形式制作課程為主。如果要實現(xiàn)內(nèi)容制作效率的大幅提高，有難度逐漸提升的三類手段：

　　i.類似于好萊塢做特效的邏輯，通過成熟的素材包和工具庫實現(xiàn)效率提升。教育科技公司可以預(yù)制動畫、模型等素材，并輔以TTS等技術(shù)，實現(xiàn)快速的課程內(nèi)容生成，目前的輕課和AI課程逐漸進入了這一階段;

　　ii.分析既有的文本、視頻、音頻等學(xué)習(xí)內(nèi)容，以關(guān)鍵詞識別等方式推測其概念，并切割、組織生成碎片化的學(xué)習(xí)材料。在國外的職業(yè)教育中得到應(yīng)用，諸如Volley等公司就采用了此類技術(shù);

　　iii.對于教育課程的自動生成。和第二種方法類似，素材還是既有的教育視頻等素材，但技術(shù)就不僅僅是自然語言識別等相對成熟的技術(shù)了，需要進入認知科學(xué)的范疇，在大量視頻的學(xué)習(xí)基礎(chǔ)上(視頻分析、行為推理等)，建立認知架構(gòu)，并自動將課程內(nèi)容分解、梳理為可理解的素材。以期生成按時間序列進行教學(xué)的腳本，再調(diào)整腳本生成可互動的課程，目前DMAI等公司有在研的產(chǎn)品雛形。

　　二、教學(xué)交互：

　　教學(xué)交互需要以某些形式喚起AI系統(tǒng)，然后識別問題并導(dǎo)向教學(xué)行為。當(dāng)前的技術(shù)產(chǎn)品，是從”有沒有問題發(fā)生“和”遇到了什么知識點“這兩個邏輯為起源，設(shè)計解決方案：

　　當(dāng)從問題發(fā)生側(cè)出發(fā)時，系統(tǒng)需要自行(依靠情緒、表情的識別，學(xué)習(xí)行為的變化等)判斷并確定特定時點上學(xué)生遇到了困難。之后，再結(jié)合當(dāng)前場景的教學(xué)內(nèi)容做時間線比對，分析疑問對應(yīng)的知識是什么，以此結(jié)合，進行教學(xué)調(diào)整和補充。面部識別技術(shù)公司在教育領(lǐng)域的應(yīng)用多屬于這一條線，好未來等領(lǐng)域巨頭也在研發(fā)類似產(chǎn)品。如果后續(xù)再進一步，隨著腦機技術(shù)等能直接與人腦思維活動相關(guān)的技術(shù)發(fā)展，則監(jiān)測問題的難度將大幅降低。

　　當(dāng)從知識點側(cè)出發(fā)時，則重點在于讓系統(tǒng)識別到使用者當(dāng)前遇到什么樣的知識，并即時提供大量的可學(xué)習(xí)內(nèi)容。至于個人是沒有需求則可，由個人主動自助點選的方式來進入教學(xué)。典型案例的是在企業(yè)培訓(xùn)領(lǐng)域近幾年比較熱的概念——learning in workflow，即在工作流中學(xué)習(xí)，通過將學(xué)習(xí)系統(tǒng)與企業(yè)的原本的辦公系統(tǒng)(OA等)集成，根據(jù)員工的工作任務(wù)和聊天中出現(xiàn)的關(guān)鍵字等因素，即時推送碎片化的知識、內(nèi)容。國外涉及企業(yè)學(xué)習(xí)的在線/技術(shù)類公司，諸如Degreed、Edcast都在優(yōu)化此類方案。

　　更多的方案居于兩者之間，同時判斷疑問的有無、確認問題對應(yīng)的知識。以現(xiàn)在的技術(shù)，則是要求個人與機器多次交互，和AI自適應(yīng)學(xué)習(xí)的方案很類似，可能的發(fā)展點在于：

　　1. 教學(xué)能力的提升：

　　教學(xué)能力如要提升，需要AI老師講得好，講得準(zhǔn)。這除了和前面提到的素材生產(chǎn)重構(gòu)有關(guān)，也需要進一步加強AI教師授課效果，體現(xiàn)在針對性、引導(dǎo)啟發(fā)的能力等方面。

　　我們以K12自適應(yīng)學(xué)習(xí)為例，AI交互的基礎(chǔ)單元是知識點，以及知識點所匹配是單個題目的整體，因為機器無法做到對知識點的真正理解，所以題目內(nèi)部是完全的黑匣。機器針對學(xué)生出錯的題目，只能按照完整的解答和知識點來講解。但是，從學(xué)習(xí)法來看，題目不是獨立的，往往是多個知識點、方法的分步組合。

　　解答整個題目就如同攀巖，需要經(jīng)歷一條完整的路線，中間一步的動作不會，都會讓學(xué)生無法順利到達終點，而學(xué)生需要的也是找出并教會他那不會的一步或幾步，而不是籠統(tǒng)的都教一遍。所以，更好的方案要把將機器對題目的分析，切割到各步驟層面，判斷學(xué)生是具體哪個步驟沒有掌握，按需講解。

　　要實現(xiàn)此方案很難，前些年類似于高考機器人的技術(shù)，培養(yǎng)機器自主解題的能力。理論上機器先會做，再會講，會逐漸達到我們期待的效果，但當(dāng)前做題的技術(shù)都進展緩慢，按這條技術(shù)路線直接到講題更是遙遙無期。那么，現(xiàn)階段只能以降低難度的方案，曲線救國，讓機器做到在一定程度上的“理解”，從而實現(xiàn)對題目的分步講解，國內(nèi)的悉之教育就在此方向進行嘗試。

　　此外，在拍照搜題方案中，目前也只能實現(xiàn)對題庫內(nèi)題目輸出文本答案，但諸如火光搖曳等公司，通過預(yù)設(shè)動畫和模板的方式，能做到對任意數(shù)值題目的自動視頻講解等，也符合這樣的邏輯。

　　2 領(lǐng)域的拓展：

　　脫離相對成熟和封閉的K12知識體系，在職教等領(lǐng)域應(yīng)用，重構(gòu)一套交互的知識庫和交互題庫，形成細致的技能測評系統(tǒng)，再與員工成長路徑及學(xué)習(xí)知識聯(lián)系，會是很好的一套方案。

　　類似IBM的Watson Talent Framework，就集成了3000多個職位簡介和2000多種技能，職教老牌企業(yè)Pluralsight也有成熟的技能測試服務(wù)。

　　

　　Pluralsight的測試分析

　　這套技術(shù)能夠讓企業(yè)員工的學(xué)習(xí)有明確路徑和計劃，學(xué)習(xí)的個性化水平和效率都得到提高。對于企業(yè)而言，則是能更清晰地監(jiān)測員工的學(xué)習(xí)效果，看到技能提升的狀態(tài)，從而更突出培訓(xùn)的結(jié)果導(dǎo)向。直接能體現(xiàn)的好處比如縮短新員工上崗時間、提高員工專業(yè)技能水平等，都是能體現(xiàn)出投入產(chǎn)出比的。

　　自2019年至今，美國Edtech公司最大規(guī)模的投資中，企業(yè)培訓(xùn)及在線職業(yè)學(xué)習(xí)公司的融資保持了相當(dāng)比重，更體現(xiàn)出此市場的潛力。

　　

　　美國2019年規(guī)?？壳暗慕逃萍脊救谫Y(Source：Edsurge)

　　

　　美國2020年上半年規(guī)模靠前的教育科技公司融資(Source：Edsurge)

　　此領(lǐng)域在國內(nèi)獲得的關(guān)注遠低于K12領(lǐng)域，也是K12領(lǐng)域競爭紅海之后，在線教育有望爆發(fā)的領(lǐng)域，在后續(xù)的文章中可進一步探討。

　　以上主要是針對于學(xué)習(xí)者/學(xué)生的產(chǎn)品，另外也可以兼顧教師端，開發(fā)對應(yīng)的輔助產(chǎn)品，在教授、督學(xué)過程中進行效率提高和勞動解放。例如，將一些公認為在學(xué)習(xí)中行之有效的方式和任務(wù)，聽寫、默寫、背誦等，下放給AI來解決，過程中還可以通過結(jié)合硬件的方式，使得使用場景和使用方法更貼近傳統(tǒng)的學(xué)習(xí)場景，比如通過智能筆等硬件，在日常書寫中進行筆跡采集和智能交互。

　　在列舉一些例子之后，我們應(yīng)該理性來看待Edtech，教育不是前沿技術(shù)最先應(yīng)用的場景，據(jù)現(xiàn)在的經(jīng)驗，在尖端技術(shù)的領(lǐng)域，常見的技術(shù)公司會切入教育，但大多將教育作為了一個優(yōu)先級不靠前的應(yīng)用場景。

　　如何能夠在當(dāng)前時點做好AI教育，關(guān)鍵在有限技術(shù)水平條件下，通過在產(chǎn)品邏輯下功夫（比如用一些后端看起來很笨，但用戶端感受很好的方法），先做出高體驗產(chǎn)品，實現(xiàn)應(yīng)用和商業(yè)化，這樣的產(chǎn)品不僅可以在自封閉的產(chǎn)品和體系中實現(xiàn)數(shù)據(jù)的積累，也可能通過開放服務(wù)的類安卓模式去做2B合作。在數(shù)據(jù)的訓(xùn)練下，迭代優(yōu)化模型，去進階更深層次、適用范圍更廣的AI。

　　最后，舉個產(chǎn)品設(shè)計上可參照的正面例子，權(quán)當(dāng)彩蛋吧。如果各位小時候玩任天堂游戲機，可能會對一款系統(tǒng)自帶的打鴨子游戲有印象。不需要手柄，僅端著塑料槍，對準(zhǔn)屏幕上的鴨子射擊，就能看到鴨子飛走或者被擊落。

　　在那個時代，這無疑是了不起的體驗突破。我和我的小伙伴們還一度以為槍能發(fā)射激光瞄準(zhǔn)。實際上，硬件上并不先進，只是槍口上裝了個接收裝置——一個簡易的感光器件，可以感應(yīng)光線強度的變化。

　　關(guān)鍵在于游戲的設(shè)計，玩家扣發(fā)扳機、屏幕一閃的那幾幀的時間內(nèi)，鴨子被白色方塊取代，屏幕其他位置為純黑，根據(jù)感光器件監(jiān)測到的光強，系統(tǒng)實現(xiàn)了射擊判定。

　　在教育領(lǐng)域，我們也期待更多這樣的光槍類獨創(chuàng)產(chǎn)品的出現(xiàn)。

　　

　　任天堂的光槍打鴨子游戲

　　

　　(本文為投稿，不代表多知網(wǎng)觀點。作者Bryce為教育行業(yè)投資人，如有問題請聯(lián)系z_yuhao@yeah.net)