造就第448位讲者 梁静（乂学教育-松鼠AI 合伙人）

曾经，我们认为互联网能够改变教育。

是的，它在某种程度上，在上一个阶段，确实帮助了很多贫困地区，非一线城市的地区，或者家庭收入不是很好的孩子们获得他们平时获得不了的教育资源。

但是它不精准，无法一对一的教学。

从我们角度看，传统的教育有四大困境。

第一就是教师。我们在北上广深能见到高级教师或者非常资深的老师 ，但是在巴东的特困地区，根本就没有教龄在五年以上的好老师。

第二个困境就是千人一面的学习内容。就算是在北上广深的大城市，在所有的教室里面每一个孩子所接收到的信息都是一样的。

90分的孩子可能会觉得这堂课有些浪费时间了，因为他想学习更加晋级的知识。但可能30分的孩子就会觉得完全没有办法学懂。

第三个困境就是，事实上每一个孩子的学习速度是不一样的。就算都是中等生，每一个知识点所需要的时间也是完全不一样的。

而在同一个课堂上，在每一个孩子学习同样的知识点的时候，他们所拥有的时间是一样的 。

第四个困境是，在正常的教育过程中，孩子们学的大部分都是某一个知识点，但是无法让孩子们学到更好的一些能力、思想、方法，也就是我们提倡的素质教育。为了素质教育，我们要花额外的一些费用和精力去给孩子们报各种各样的课。

今天我想提一个新概念——智适应（AI adaptive learning）。其实在全球已经有很多的公司已经在涉足AI adaptive learning ，即AI智适应这个领域了。

像Knewton ，它是全球第一家用自适应这种技术去做教育的。扎克伯格、比尔·盖茨的基金其实都在注资。

以上这些教育公司，包含有英国的，美国的，澳洲的，韩国的，印度的。

我们也在试图做一个智适应的教育系统。我们在全国400多个城市已经建立了将近2000家线下学习中心。除了线下中心，我们还有另外一种模式，就是在线在家学的模式。

在这个教学系统当中，学生们有70%的时间是在没有老师的情况下跟AI引擎系统学习，另外30%的时间和一个真人老师去对话。

这个真人老师给他的功能不是教学，而是辅助、鼓励和引导。如果学生有任何的困难，老师会去帮助他， 更像是一个助教。

这样一个教育系统有三个层次。

第一个层次有学习地图、内容地图以及整个的目标。

第二层是评估以及推荐系统。也就是说，当孩子们在学习和训练过程中，如果有任何的信息反馈，这个平台会马上反馈出来下一个环节应该让他去学什么样的内容是最适合的。

第三个层次是信息的捕捉以及信息的分析模式。

因为收集到孩子的信息之后不可能没有反应和计算就直接引到下一环节，而是需要大量的数据以及算法用最快的速度反映出来，然后给到第二层次的推荐系统。

第一层次的知识地图其实是一个孩子的知识图谱。每一个孩子会有一个这样的知识图谱。红色的代表他百分之百没有掌握的，绿色的代表他已经完全掌握的了，黄色代表他掌握的百分比在适中的程度。

当孩子进入到系统之后，都会先做一个评测。这个评测非常短，但通过这个评测我们能知道这个孩子他哪些知识点是薄弱的，哪些知识点是百分之百掌握的，哪些是掌握得一般的。

系统只会去给他推送他没有掌握的那一部分的知识点以及一些训练能力的方法。他已经掌握的就会跳过。

这避免了我们在传统教学当中的刷题模式。甚至可以避免有一些学生其实已经掌握了这个知识点，但因为在同一个课堂上，所以只能再去学习一遍的情况。

我们还把知识点做了分拆。

举例，一个在课本里的知识点；分数加减法。我们用了九级的拆分，把它拆到非常细小的知识点。在第二层级的知识点拆分能看到有求加求减法中的一些未知项。我们会这样一直拆到九级。

为什么要拆到九级呢？

早期的AI自适应教育公司做到的是从原来的300个拆到了3000个知识点。而我们做到是从300个直接拆到了30000个知识点。这花费了我们大量时间，是我们几百位老师共同的精华。

拆到这么细的目的就是为了让孩子们学得更加精准。刚才我提到了一个评测的引擎，通过评测的系统，它可以找到孩子的知识薄弱点和强项。这个薄弱点如果足够小，那么孩子们只要学习那个细小的没有掌握的就可以了。

但如果是在传统的教学当中，可能被抓取到的薄弱点只是第一层级的知识点。只要考得不好， 学得不好，答题慢，可能就要把那个知识点里的全部内容都学一遍。

实际上没有人知道学生到底是这个大的知识点里面的哪一个细小知识点掌握得不好。也许我们能够找到。

我们还开发了MCM系统——model of thinking，capacity and methodology，就是学习的思想、能力和方法。

同样，这个系统我们也做了纳米级的知识点的拆分。

以物理这个学科为例，除了正常学一些知识之外，我们可以把对称思想、等效思想、类比思想、逆推思想等等分拆出来。

其实，这些思想都是揉在我们正常的一些学习知识里的。

当我们发现这个孩子的逆向思想不够好 ，未来这个系统就会给他去尽量推一些跟逆向思想相关的训练的知识，让他去训练他的逆向思想。

以数学能力的拆分为例，我们从数学的学科当中发现了运算能力、树杆法、逆推法、探究能力 、应用能力等等。其实大家都知道，数学这个学科特别有价值，它不仅仅是纸面上的如何做题，更多的是训练一些逻辑思维。

同样，语文这个学科有理性意义的膨胀以及语境的分析等等能力。

其实这些真的在我们未来的工作生活当中非常有用。

特别有幸，我们刚刚参与一个电视节目。当时我们就用了MCM的这套理论评测出来六个不同的职业。

他们在密室里做小学、初中的题目，做完之后，系统自动得出这六个人在密室里的能力、思想、方法分别达到了一个什么样的水平，并且进行了分析，从而推断出来这个人有可能会适合什么样的职场。

这并不代表说你一定要从事这个领域，而是说我们发现了自己平时根本就不知道自己拥有的一些思想、能力和方法。

再进一步，孩子们的学习可以动态测评。

在这里我想举一个例子，我们会看到一个图谱，这里一共是三个学生，第一个学生的掌握率是80%，也就是说他有80%的知识点是掌握得非常好的，20%掌握得不好。

三个学生都是80%的掌握率，但是第二个学生孙同学，他的红色的知识薄弱点跟第一个同学是完全不一样的。第三个同学于同学，他的20%的知识薄弱点也是不一样的。

哪怕他们好像是同样的水平，好像是同样的领域掌握得不好，但通过算法就能够诊断出来每一个孩子，实际上他们都是完全不一样的。

孩子们在我们系统里面使用大概二到三个月左右的时间，系统就会帮他设置出他下一阶段的学习目标。但是这个学习目标不是永恒不变的，不是说这个目标定完了 ，他的学习路径就会这样一直不变。

系统会给他重新设定一个可变动的目标，再根据他新设置的目标再为他进行后续的一些推荐。

我们还在做一些新研究。

第一个项目是我们和斯坦福研究院从三年前就开始合作的一个项目，是一个人机互动的平台。现在我们能做到的是，机器推送给孩子们，但没法做到的是，孩子们第一时间把他们的反馈给到我们。

这个平台的功能是，当孩子们做完这道题或学完这个板块的时候，如果他们遇到了任何的问题，或者他们有任何反馈，第一时间就可以通过这个平台反馈给我们的系统。

这是一个我们称为human-machine interface的平台。

另外一个平台叫MIBA ，就是多输入学习行为的分析平台。

这个平台有一段小的视频，大家可以看一下。

这段视频中大家能看到孩子们会带有一个脑电波的环， 实际上还有一些小的设备。目的就是阶段性地测试一下，孩子们对哪一些学习内容或者哪一种教学多媒体的形式更感兴趣，以及他们的注意力集中程度、专注程度和脑电波的反馈程度。

抓取到这些数据，将这些数据跟这个孩子在当下的学习行为以及结果进行结合绑定分析，从而得出来他下一个环节应该做什么样的事情。

大屏幕上有三个学生，对这三个学生在同样一个知识点上花费的时间，眼睛专注在屏幕上的程度和时间等等做了深度的分析，分析完之后会得出一个结论。每一个孩子，下一个阶段是应该去休息一会儿，或者他应该继续地学习，或者人类老师在这个时候需要介入，跟他做一些沟通、感情上的辅导，他才能继续去学习等等。

我们做了一张图表，左边是学生的名字，右边是不同的知识点。我们抓取了一些我们系统里的数据，比如立方根这样的一个数学知识点，其实每一个孩子 他所使用的时间是完全不一样的，有的孩子只需要150秒，有的孩子将近需要4000秒，不代表这个花费时间少的就是一个学霸 。有的时候我们发现，反而一个很简单的知识点，一个学霸反而是学不好的。反而，“学苗”或“学中”学得好。

另外一个维度表明，同一个孩子其实在每一个知识点上花费的时间也是不同的。这个也同样不能按照难易程度来分。

我们常常会说，简单的花的时间少，难的花的时间长。其实每个孩子的知识图谱和学习能力是完全不一样的。有些孩子真的是“学苗”， 但一些难度较高的东西， 他学得反而比别人快。

所以我们一直认为，没有任何一个孩子应该在同样的环境当中，在同样的教室里面学习。因为每一个孩子都是不一样的，他们都是个性化的。

我们相信技术可以帮助到更多的孩子，更重要的是，发现更多的孩子的潜力，从而去培养他们，去点燃他们。

我希望能够唤起他们心中对学习的那一份快乐跟喜悦。一旦他们喜欢上了学习，他们不反感学习了，我们相信每一个孩子都是非常优秀的。

最后，我们相信，AI能够给我们的未来教育带来的是：孩子们不再深入在题海战术了，孩子们的学习时间可以减少。通过我们系统的数据，学习时间目前是可以减少到80%。

那减少出来的时间我们希望孩子们可以从事更多的适合他们的画画啊，体育啊，机器人啊，甚至户外的探险这样的活动当中。不要扎在课本当中，不要一直扎在学习当中。

相信通过AI ，我们的教育会有一个更加美好的未来。