AI老师、课堂监控……AI加速改造教育业 投资人却说更似“文火慢炖”

本篇文章3517字，读完约9分钟

下一波超过英美烟草1000亿美元市值的公司来自哪里？早在2017年《财富》全球论坛上，马就预言:ai+教育或ai+医疗。

近年来，人工智能加速了其在教育行业的落地。从在线课程中的人工智能教师，到比尔·盖茨和扎克伯格称赞的适应性教育，再到最近引起巨大争议的无处不在的课堂监控，人工智能和教育之间的碰撞从来不缺少故事。然而，许多企业家和投资者认为，人工智能更像是教育改革中的"慢慢酝酿"，这注定是一场持久战。

辅助应用程序没有触及教育的核心

2019年8月，科技部新一代人工智能发展研究中心和罗兰·贝格管理咨询有限公司发布了《智能教育创新应用发展报告》(以下简称《报告》)。数据显示，2014-2016年是智能教育行业最热的三年，这三年新成立了43家智能教育公司，占2011-2018年智能教育公司总数的56%。教育公司、互联网公司、人工智能技术提供商和计算平台提供商等不同背景的企业纷纷进入市场。就产品形式而言，智能批改、图片搜索、智能评价、智能题库、分级阅读和适应性学习是目前六大主流产品。

从细分的轨道分布来看，k12拥有最多的公司，60%的智能教育公司聚集在这里。在商业模式上，所有企业平均分布在B到C，B产品的主要形式是智能批改、分级阅读和适应性学习，C产品的主要形式是适应性学习、分级阅读和智能题库。

作为一个典型的反周期行业，资本青睐智能教育，并投入大量资金。据报道，智能教育市场于2014年爆发，今年共发生14起融资事件，同比增长180%。此后，市场持续升温，2018年融资24次。

尽管大量企业家进入市场，产品不断创新，但在许多业内人士眼中，人工智能在教育行业的应用仍处于初级阶段。“目前大多数产品都是辅助应用，可以担当教学助理的角色，比如拍照。搜索问题、智能评估等。，可以达到为特定过程减轻负担和提高效率的目的，但要达到教育的核心需要更多的时间。”拼图资本的创始合伙人兼董事长王乐妍认为。

蓝翔资本的管理合伙人周爽表示，长期以来，教育一直是一个劳动密集型但整合度较低的行业。在未来，人工智能对释放教育生产能力寄予厚望，以实现因材施教的美好愿景，但有两个关键步骤。一是要有数据，大量高质量、预先设计和有效标注的数据，二是教育科学的成熟。教育是一个非常复杂和专业的领域，有许多需求。在什么样的教育是好的以及如何达到最好的结果上有一个共识，但是放眼世界，这两个关键问题需要进一步探讨。

“虽然对人工智能的投资现在非常热门，但市场上的大多数教育公司也声称，他们正在利用人工智能来增强教育。然而，人工智能仍在收集数据，并不断提高数据的适合性和有用性。一个相对早期的阶段。”周爽说。

底层技术平台有太多的漏洞

李斌于2016年回到中国，加入龙之门教育集团，负责技术研发，并带领团队开发适应性学习相关应用。在他看来，一个人工智能教育产品的成功取决于许多因素的良好合作，比如底层技术、智能算法和对教育的深入洞察，这是一个非常复杂的过程。然而，目前，基础技术的不完善是他职业生涯中感到的第一个困难。

“作为教育行业的从业者，我们希望国内的人工智能技术领导者能够把底层技术做得扎实细致，并确保该技术真正可用且易于使用。这是最基本的。”李斌表示，人工智能在教育领域的所有应用都是基于底层技术，但目前中国的大多数底层技术还不成熟，与谷歌等全球科技巨头还有很大差距。

李斌进一步表示:“和亚马逊一样，它不仅可以为大数据优化提供云计算平台和各种托管服务，而且每年还会推出数千种工具，可以为从业者的数据分析、架构和机器学习提供很好的支持，也可以充分利用共享资源为企业节约成本。然而，另一方面，国内一些云计算平台无法保证计算量，运行速度特别慢。甚至里面还有很多坑，需要修炼者花费大量的时间和精力去填补。这有点本末倒置。如果底层不是特别完美，我们将讨论上面的应用。这是空中国馆。"

在行业交流中，李斌还发现，约90%的国际人工智能教育会议与会者仍在谈论架构，讨论如何创建一个良好的平台来承载海量数据，哪些数据是有用的，以及如何处理这些数据。然而，在中国，行业交流的焦点已经达到产品和解决方案的应用水平。“我认为第一步是发展我们的技术，而国内的底层技术已经取得了很大的进步，包括空技术使用成本的降低。只有当这一条件得到满足时，才能更好地应用垂直磁场，制造出好的产品。”

数据量小，质量低

除了基础技术的基石之外，现阶段的少量数据和低数据质量也限制了人工智能在教育行业实现更多的可能性。

“大数据是人工智能的信息源和发展动力。为了实现对学生的个性化关注，人工智能需要从大量的教学数据中进行多维采样和分析。将来谁拥有更多高质量的教学数据，谁就拥有主动权。”乐乐教室的首席执行官茅颖告诉记者:“但是现在没有公司敢说它有大数据。即使像好未来和新东方这样已经积累了一二十年的公司，每年也有400万学生和十多年的数据收集。就数量而言，与人工智能真正需要的海量数据(603138，诊断单元)相比，还是相对较小的。在缺乏数据和内容的前提下，人工智能很难解决效果问题。”

据了解，企业获取教育数据主要有两种方式:一是从数字化教学环境中实时采集数据；第二是从现有的教学过程中收集教育信息，然后将其转化为数据。积累的数据量越大，类型越丰富，训练出来的模型越准确，数据反馈能力越强，从而形成良性循环。

李斌认为，盲目的贪婪是数据收集过程中的一个禁忌。在收集完所有的数据后，我们应该事先设计和整理清楚，以确保收集到的数据是真实有效的，否则，获得的所有数据都是零散的、无结构的，意义不大。

“例如，衡量学生能力的不仅仅是正确或错误的答案。他做问题时的一些行为数据可能比答案本身更重要。当他花太多时间做问题时，屏幕可能会变暗。学生必须再次点击。我们将提前设计和标记这些行为。这些都是有价值的数据。”他说，目前，数据源单一、重要环节数据缺失等问题依然突出。

“中国在教育信息化方面的国家支持非常强，其自身的数据量也非常大，这是我们的优势。”周爽认为“初创企业必须拥有满足市场需求的产品和清晰的商业模式，才能在收集数据的过程中生存。”这就是为什么大多数人工智能初创公司都聚集在应试教育领域，因为学校和家长在这一领域的需求是最明确和最容易量化的，即得分，因此人工智能的价值也是释放最快的。”

在她看来，虽然这些应用目前还不成熟，它们还处于个性化教育的初级阶段，离真正的“成千上万人”还很远，但它们都是在前进过程中的有益探索和尝试。

教育科学需要更加成熟

除了技术和数据等核心因素，许多从业者在采访中告诉记者，教学和研究以及教育科学的成熟对于人工智能在教育行业扎根非常重要。

“教学和研究，特别是本土化的教学和研究，是教育的基础。没有教学和研究的教育公司一定做不好。如果教学和研究中没有好的内容，学生就不会来学校，企业也就无法获得学生数据。这是一个恶性循环。”茅颖认为，目前国内k12教材的版本很多，这意味着全国各地的教学要求、学生的学习进度和重点都不一样，因此教学和研究必须本土化。

当茅颖的团队深入城市、县甚至城镇进行当地的教学和研究时，他们也有了新的发现。“如今，教育公司说，用人工智能来实现教育成千上万人的美好愿景，每个学生都可以有个性化的咨询项目，这是一种理想的状态。当我们真正深入到一些市、县甚至乡镇的时候，我们发现由于教育条件和教师水平的限制，那里大约80%的学生遇到的只是普通的问题，所以我们的从业人员还是要深入行业，做好教学和科研工作。解决这些学生在学习中遇到的常见问题，谈论高阶个性化。"

在李斌看来，充分理解教育的规律和理解人们的学习过程是制作好产品的重要前提。“在参加一些国际会议时，我发现外国同行对如何教育孩子以及采取何种措施有着浓厚的兴趣和细致的研究。这些基础研究非常缺乏，值得学习。”李斌告诉记者，探索好的教育模式需要大量的理论研究和积累，在这些研究成果和理论的指导下进行产品研发是一条合理的路径。“下一步，我们从业者可能需要花费更多的时间和精力来探索教与学之间的逻辑关系，而不是盲目地追随新产品的趋势。”

这一点，周爽也有同样的看法。她认为学前教育、k12教育和成人教育都应该遵循教学理论或规律，如建构主义和结构化语言认知理论。教育是一门综合科学，涉及心理学、生理学、统计学、管理学等学科。无论是特定学术理论的突破，还是教育教学数据的积累，都不能简单地通过扔钱来快速解决。

“人工智能速度很快，但它必须放慢速度，并在教育行业中沉沦。作为一个投资者，在ai landing教育的持久战中，未来我们看好的是一支敬畏教育、尊重教育规律、善用技术的团队。”周爽说。