石 磊

（上海第二工業(yè)大學(xué) 工程訓(xùn)練中心，上海 201209）

一 Tensor Flow簡介

1 人工智能與Tensor Flow

隨著近年來人工智能技術(shù)的突破，人工智能正在全球范圍內(nèi)迎來新一輪的創(chuàng)新與變革，推動人類社會從信息化時代向智能化時代轉(zhuǎn)變。與此同時，人工智能領(lǐng)域也在發(fā)生著新的變化：一方面，以深度學(xué)習(xí)的成熟為標(biāo)志，全球主要科技廠商與研究機構(gòu)都在加大對機器學(xué)習(xí)與人工智能的研發(fā)和投入，將人工智能作為重要的戰(zhàn)略發(fā)展方向；另一方面，許多優(yōu)秀的人工智能和機器學(xué)習(xí)系統(tǒng)紛紛開源，與全世界的科研人員與技術(shù)開發(fā)者共享，通過“合作+開放”的戰(zhàn)略，構(gòu)建了免費的技術(shù)開放平臺、生態(tài)合作平臺。人工智能技術(shù)的發(fā)展正在由學(xué)術(shù)推動的實驗室階段，走向?qū)W術(shù)界和產(chǎn)業(yè)界共同推動的產(chǎn)業(yè)化階段。

如何促進人工智能在教育中的有效應(yīng)用是目前教育領(lǐng)域關(guān)注的熱點，《2017地平線報告（高等教育版）》也將人工智能列為長期的關(guān)鍵技術(shù)[1]。通過梳理總結(jié)國內(nèi)外現(xiàn)有的教育人工智能研究成果，本研究將當(dāng)前人工智能在教育領(lǐng)域的研究歸為兩大類：①對教育人工智能的理論如內(nèi)涵、應(yīng)用領(lǐng)域、發(fā)展趨勢等[2][3]的探討，分析了人工智能為教育發(fā)展帶來的挑戰(zhàn)和機遇[4]；②對教育人工智能的某些具體領(lǐng)域如智能導(dǎo)師系統(tǒng)[5]、教育機器人[6]等的研究。就整體而言，人工智能在教育領(lǐng)域的實踐研究還較少，缺少對人工智能如何在教育領(lǐng)域落地和應(yīng)用的探索。

結(jié)合當(dāng)前人工智能技術(shù)的發(fā)展現(xiàn)狀，本研究認為采用開源系統(tǒng)開展教育人工智能的研究與應(yīng)用，將是推動人工智能在教育領(lǐng)域落地與發(fā)展的一條有效路徑。TensorFlow是Google公司推出的開源人工智能系統(tǒng)，具有靈活性、高效性以及良好的可擴展性、可移植性等特征，可應(yīng)用于從智能手機到大型計算集群的多種計算環(huán)境。

2 Tensor Flow的研發(fā)現(xiàn)狀

TensorFlow自提出后，在學(xué)術(shù)界和工業(yè)界都得到了極大的重視與發(fā)展，如Google的多種應(yīng)用包括 Gmail、Google Play、搜索、翻譯、地圖等都應(yīng)用了 TensorFlow。在研究層面，一方面TensorFlow自身正在不斷地完善，其深度學(xué)習(xí)算法和API等保持著持續(xù)更新和演進。如2017年5月，Google推出了 TensorFlow研究云，這是一個可以免費提供的云端張量處理器（Tensor Processing Unit，TPU）集群，以支持廣泛的計算密集型研究項目[7]。另一方面，越來越多的研究選擇使用TensorFlow，包括一些頂尖的學(xué)術(shù)研究項目也采用TensorFlow進行人工智能研究并取得了多項卓越的科研成果[8]，開發(fā)人機博弈系統(tǒng)Alphago的DeepMind也將全部研究重點移到了TensorFlow?？梢哉f，TensorFlow正在形成一個通過研究、應(yīng)用與發(fā)展相互促進的良性循環(huán)。

二 Tensor Flow的相關(guān)分析

1 架構(gòu)與特征分析

TensorFlow是Google公司推出的一個使用數(shù)據(jù)流圖進行數(shù)值計算的開源人工智能軟件庫，最初由Google大腦團隊為了研究機器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)而開發(fā)，之后于2015年10月宣布開源。機器學(xué)習(xí)與深度學(xué)習(xí)是人工智能技術(shù)中最核心、最關(guān)鍵的部分，正是深度學(xué)習(xí)的發(fā)展帶動了人工智能近年來發(fā)展的新浪潮，推動著“大數(shù)據(jù)+深度模型”的發(fā)展。TensorFlow提供了豐富的構(gòu)建和訓(xùn)練機器學(xué)習(xí)模型的API庫，支持卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNN）、長短期記憶網(wǎng)絡(luò)（Long Short Term Memory Networks，LSTMN）等深度神經(jīng)網(wǎng)絡(luò)模型。TensorFlow的基本架構(gòu)如圖1所示。其中，設(shè)備層提供TensorFlow的運行環(huán)境；前端則負責(zé)提供編程模型，并支持多語言編程環(huán)境。在應(yīng)用中，通過前端調(diào)用TensorFlow核心API，實現(xiàn)TensorFlow在不同設(shè)備環(huán)境下的運行。

圖1 Tensor Flow的基本架構(gòu)

TensorFlow的主要特征有：①靈活性與可移植性。在設(shè)備層，TensorFlow能夠運行在不同類型和大小的機器上，如臺式機、服務(wù)器、手機移動設(shè)備等，并可以方便地進行移植。在前端，TensorFlow支持C++、Python、Go、Java、Lua、Javascript、R等主流語言。TensorFlow核心庫對CPU/GPU是透明的，其分布式架構(gòu)使得在大規(guī)模數(shù)據(jù)集上的模型訓(xùn)練可以在合理的時間內(nèi)完成。②易用性與高效性。TensorFlow工作流易于理解，能夠方便地構(gòu)建和實現(xiàn)已有的復(fù)雜機器學(xué)習(xí)架構(gòu)。同時，目前已有多種高層接口構(gòu)建在TensorFlow之上，如Keras、SkFlow等。TensorFlow庫的高性能、高效率特征，還可以將硬件的計算潛能全部發(fā)揮出來。③促進科學(xué)研究進程。以往研究者在科研中的算法需要大量的編碼工作才能轉(zhuǎn)化為產(chǎn)品，而使用TensorFlow可以幫助研究者直接嘗試新的算法，通過訓(xùn)練和使用模型，更便捷地將研究成果轉(zhuǎn)化為實際產(chǎn)品，故有效地提高了科研產(chǎn)出率。④良好的技術(shù)支持與完善的社區(qū)。Google投入了巨大的資源為TensorFlow提供支持和引導(dǎo)并且鼓勵社區(qū)參與，使用者通過廣泛的社區(qū)支持可以方便地獲取幫助。

2 主要開源框架的比較

當(dāng)前，Google、Microsoft、Facebook等科技公司和多家研究機構(gòu)都推出了開源的人工智能與機器學(xué)習(xí)框架，其中主要開源框架的比較如表1所示。結(jié)果顯示，較之Caffe、MXNet、CNTK、Theano、Torch、PaddlePaddle等主要開源框架，TensorFlow在架構(gòu)設(shè)計、性能、應(yīng)用等方面的表現(xiàn)均更為出色。

表1 主要開源框架的比較

三 Tensor Flow的應(yīng)用原則

TensorFlow為教育人工智能的研究與開發(fā)提供了良好的基礎(chǔ)和支持。在應(yīng)用開源系統(tǒng)進行教育人工智能系統(tǒng)的設(shè)計與實現(xiàn)時，需要遵循以下原則——

1 設(shè)計方面：從教育需求出發(fā)，圍繞用戶、目標(biāo)、問題和場景展開

在教育人工智能研究中，要注意“人工智能教育不同于娛樂游戲產(chǎn)品，無論是應(yīng)用還是市場開發(fā)，都必須充分尊重教育自身的規(guī)律?！盵9]設(shè)計教育人工智能產(chǎn)品是在設(shè)計一個具有主動學(xué)習(xí)、成長、預(yù)測能力的系統(tǒng)，用戶、目標(biāo)、問題和場景是進行教育人工智能系統(tǒng)設(shè)計時需特別注意考慮的要素。從教育需求出發(fā)，用戶群分析和目標(biāo)分析是進行系統(tǒng)設(shè)計的前提，而明確應(yīng)用場景和要解決的問題是進行系統(tǒng)設(shè)計的關(guān)鍵。在此基礎(chǔ)上，通過教師、教學(xué)設(shè)計者、教學(xué)軟件開發(fā)者的共同參與，完成系統(tǒng)的模型構(gòu)建和功能模塊設(shè)計。

2 實現(xiàn)方面：從教學(xué)模型到教育產(chǎn)品，發(fā)揮開源系統(tǒng)優(yōu)勢

在具體的實現(xiàn)方面，應(yīng)充分發(fā)揮TensorFlow開源系統(tǒng)的優(yōu)勢，選擇合適的TensorFlow技術(shù)和相關(guān)技術(shù)，將系統(tǒng)模型從教學(xué)研究變成教育產(chǎn)品，具體可從以下方面著手：①在應(yīng)用中可以使用TensorFlow Serving導(dǎo)出和應(yīng)用模型——TensorFlow Serving是一個高性能的服務(wù)系統(tǒng)，用于運行通過機器學(xué)習(xí)得到的模型，使模型能夠更迅速、更便捷地進入產(chǎn)品開發(fā)過程；②可以通過 TensorFlow Ecosystem與多種開源框架融合，實現(xiàn)不同開發(fā)環(huán)境和系統(tǒng)的互通；③在基于TensorFlow教育人工智能系統(tǒng)的應(yīng)用中，注意充分發(fā)揮其分布式、可擴展性、跨平臺性等優(yōu)勢。

四 Tensor Flow在教育領(lǐng)域的應(yīng)用

人工智能在教育領(lǐng)域的應(yīng)用被賦予了極大的希望。結(jié)合上文相關(guān)TensorFlow的分析和教育信息化現(xiàn)狀，本研究認為TensorFlow在教育領(lǐng)域可應(yīng)用于教育大數(shù)據(jù)分析、學(xué)習(xí)推薦系統(tǒng)、教學(xué)游戲和教育機器人等方面，助力智能教學(xué)應(yīng)用的設(shè)計與實現(xiàn)。

1 教育大數(shù)據(jù)分析

教育大數(shù)據(jù)的主要類型包括文本數(shù)據(jù)、語音數(shù)據(jù)、圖像數(shù)據(jù)、視頻數(shù)據(jù)、行為數(shù)據(jù)等，海量復(fù)雜的學(xué)習(xí)數(shù)據(jù)需要有效的方法進行分析以產(chǎn)生更好的教育價值。本研究總結(jié)了 TensorFlow在教育大數(shù)據(jù)分析領(lǐng)域的主要應(yīng)用，如表2所示。

表2 Tensor Flow在教育大數(shù)據(jù)分析領(lǐng)域的主要應(yīng)用

（1）文本數(shù)據(jù)的分析與應(yīng)用

文本是教育系統(tǒng)的主要數(shù)據(jù)類型，TensorFlow對文本數(shù)據(jù)分析提供的主要支持有：文本分類、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、長短期記憶網(wǎng)絡(luò)等。在此基礎(chǔ)上，可以實現(xiàn)教育大數(shù)據(jù)分析領(lǐng)域中的問答系統(tǒng)、自動評分、情感分析等應(yīng)用。

①問答系統(tǒng)：隨著機器學(xué)習(xí)與自然語言處理技術(shù)的發(fā)展，在各類大規(guī)模知識庫和海量信息的支持下，問答系統(tǒng)的功能得以不斷提升。TensorFlow能夠使用深度學(xué)習(xí)的方法完成問答系統(tǒng)的關(guān)鍵任務(wù)，如問題分類、答案選擇、答案自動生成等，從而使問答系統(tǒng)更為準(zhǔn)確地理解以自然語言形式描述的用戶提問，并通過檢索問答知識庫返回簡潔、精確的匹配答案。

②自動評分：大規(guī)模在線學(xué)習(xí)環(huán)境下的自動評分方法受到教師越來越多的關(guān)注，而自動評分的關(guān)鍵技術(shù)包括自然語言處理、語義分析等。TensorFlow的深度學(xué)習(xí)框架提供了良好的技術(shù)方案，可以對學(xué)習(xí)者的全量數(shù)據(jù)進行分析，實現(xiàn)對學(xué)習(xí)結(jié)果和學(xué)習(xí)表現(xiàn)的實時跟蹤與評價，給出相應(yīng)的等級或分數(shù)，并發(fā)現(xiàn)作弊現(xiàn)象。

③情感分析：從認知科學(xué)的角度來看，情感既是智能的一部分，也是教學(xué)交互的重要要素。應(yīng)用情感計算理論與技術(shù)，有助于教師監(jiān)測學(xué)習(xí)者的情感變化，調(diào)整教學(xué)策略和方法，實時給予學(xué)習(xí)者情感反饋，使教學(xué)質(zhì)量達到最佳[10]。TensorFlow的情感分析API可以實現(xiàn)更深的語義理解和多模態(tài)情感分析，實現(xiàn)人機交互中情感、情緒的識別與理解，使教學(xué)系統(tǒng)更加人性化。

（2）語音數(shù)據(jù)的分析與應(yīng)用

隨著教學(xué)系統(tǒng)的發(fā)展特別是移動學(xué)習(xí)的廣泛應(yīng)用，語音數(shù)據(jù)的使用越來越多并已成為一種重要的交流方式，語音會話系統(tǒng)的設(shè)計也因此成為了研究者關(guān)注的一個重點。其中，基于人工智能的虛擬助手被認為是構(gòu)建“對話即平臺”的信息系統(tǒng)的核心。TensorFlow能夠?qū)λ@取的語音信息進行深度神經(jīng)網(wǎng)絡(luò)分析，提供方便有效的模型和方法，從而支持語音識別、語音檢索等功能，構(gòu)建語音交互型應(yīng)用，更好地支持教學(xué)。

（3）圖像數(shù)據(jù)的分析與應(yīng)用

圖像識別是機器學(xué)習(xí)的一項重要任務(wù)。TensorFlow提供良好的圖像分類模型和處理接口，可以實現(xiàn)拍照搜題、圖像自動批注等功能，故增強了學(xué)習(xí)系統(tǒng)的智能化。如拍照搜題應(yīng)用，通過大規(guī)模題庫支持，基于圖像識別技術(shù)，由系統(tǒng)匹配題庫，能自動為學(xué)習(xí)者返回題目答案和解題方法。圖像自動批注和注解也是一種有價值的應(yīng)用，特別是在當(dāng)前海量學(xué)習(xí)資源中有很多圖像沒有說明，而通過使用深度學(xué)習(xí)來自動生成圖像的注解，就為圖像提供了相應(yīng)的描述。

（4）視頻數(shù)據(jù)的分析與應(yīng)用

隨著慕課等在線學(xué)習(xí)的發(fā)展，基于視頻的學(xué)習(xí)越來越普及，視頻資源的多種處理需求也應(yīng)運而生，如考試監(jiān)控中的人臉識別和在線課程中的視頻互動分析就是當(dāng)前教育視頻場景中的典型應(yīng)用。人工智能技術(shù)是解決海量視頻資源分析的關(guān)鍵技術(shù)，TensorFlow具有視頻分析的各類API，能夠有效地實現(xiàn)視頻中的物體識別、視頻分類、視頻檢索、視頻自動標(biāo)簽等功能。

（5）行為數(shù)據(jù)的分析與應(yīng)用

當(dāng)前智能移動設(shè)備特別是手機搭載了越來越多、越來越精確的傳感器。TensorFlow系統(tǒng)具有物體監(jiān)測 API，能夠利用智能手機搭載的傳感器，結(jié)合深度學(xué)習(xí)技術(shù)對數(shù)據(jù)進行分析，最終可識別用戶的行為。這種行為識別一方面可以實現(xiàn)對學(xué)生行為的實時監(jiān)測，另一方面所獲取的行為數(shù)據(jù)將為學(xué)習(xí)者分析提供有效的參考。

2 個性化學(xué)習(xí)推薦系統(tǒng)

在教育領(lǐng)域，個性化學(xué)習(xí)推薦是指根據(jù)學(xué)習(xí)者的具體學(xué)習(xí)情況，為學(xué)習(xí)者推薦個性化、適應(yīng)性的課程和資源，它是大數(shù)據(jù)時代和信息智能時代提高學(xué)習(xí)效果的一種有效方式。在推薦系統(tǒng)的研究中，“寬度與深度學(xué)習(xí)”（Wide & Deep Learning）是集成于TensorFlow的一種有效推薦算法，它通過將深度神經(jīng)網(wǎng)絡(luò)（用于歸納）與寬線性模型（用于記憶）聯(lián)合進行訓(xùn)練，取得了良好的推薦效果[11]。

本研究設(shè)計了一種基于寬度與深度學(xué)習(xí)的通用型個性化學(xué)習(xí)推薦系統(tǒng)，如圖2所示。該系統(tǒng)基于學(xué)習(xí)者信息、學(xué)習(xí)資源的訪問行為等數(shù)據(jù)，為學(xué)習(xí)者推薦相關(guān)的學(xué)習(xí)資源。該系統(tǒng)的推薦部分包括候選生成和排序兩個模塊：首先，由候選生成模塊通過機器學(xué)習(xí)或人工定義規(guī)則等方法，生成高相關(guān)性的候選集合數(shù)據(jù)；隨后，排序模塊使用“寬度與深度學(xué)習(xí)”推薦算法，對候選集合數(shù)據(jù)進行排序，最終產(chǎn)生推薦結(jié)果。

3 教學(xué)游戲

人工智能在教學(xué)游戲中的應(yīng)用主要涉及兩方面：①使用人工智能操作游戲，如 DeepMind團隊所設(shè)計的系統(tǒng)在多個游戲中擊敗了世界頂級玩家，證明人工智能可通過深度學(xué)習(xí)掌握游戲技巧，并獲得和人類一樣的操控力，甚至在某些方面還超過了人類；②將人工智能元素融入游戲的設(shè)計與開發(fā)中，如游戲關(guān)卡設(shè)計和非玩家控制角色（Non-player Character，NPC）類游戲等。

目前，引入人工智能要素的教學(xué)游戲還較少，這是未來教學(xué)游戲設(shè)計中需要重點考慮的問題。TensorFlow提供的深度學(xué)習(xí)算法可應(yīng)用于教學(xué)游戲，并通過恰當(dāng)?shù)哪Ｐ瓦x擇與訓(xùn)練實現(xiàn)游戲中智能化要素的設(shè)計。如何在教學(xué)游戲中融入更多、更新穎的人工智能要素，是教學(xué)游戲設(shè)計人員面對的新課題，這就需要設(shè)計人員真正理解玩家和人工智能之間的關(guān)系，充分考慮游戲的需求和人工智能的應(yīng)用，最終設(shè)計出優(yōu)秀的教學(xué)游戲作品。

4 教育機器人

人工智能是未來發(fā)展教育機器人的關(guān)鍵技術(shù)[12]，而機器人也是人工智能的終極應(yīng)用目標(biāo)之一。教育機器人中的感知、認知和行為控制三個部分都是在機器學(xué)習(xí)和深度學(xué)習(xí)的支持下實現(xiàn)的，可以完成視覺、聽覺、情感、推理、操作、互動等行為。

TensorFlow提供了構(gòu)建機器人的智能平臺支持，通過強大的深度學(xué)習(xí)算法，推動著開放性的教育機器人系統(tǒng)平臺和機器人應(yīng)用軟件的發(fā)展。本研究對教育機器人的核心功能、行為描述、TensorFlow的技術(shù)支持等進行了分析，如表3所示。

表3 教育機器人分析

五 問題與展望

TensorFlow等開源人工智能系統(tǒng)為推動教育人工智能的研究與應(yīng)用提供了新的思路和方法，但在研究和實踐的過程中也還存在著一些亟待解決的問題：①學(xué)習(xí)曲線相對較高。相較于其它技術(shù)領(lǐng)域，TensorFlow的核心技術(shù)領(lǐng)域——機器學(xué)習(xí)和深度學(xué)習(xí)對教育領(lǐng)域的研究人員、技術(shù)開發(fā)人員來說門檻較高，他們需要進行專業(yè)化的培訓(xùn)和學(xué)習(xí)。由于進行以深度學(xué)習(xí)為代表的機器學(xué)習(xí)算法是研究者需掌握的一種基礎(chǔ)能力，而目前與此相應(yīng)的人才供應(yīng)相對緊缺，且流通性較弱，因此未來應(yīng)加強對此領(lǐng)域的研究和學(xué)習(xí)，做好教育領(lǐng)域的人才儲備，以推動教育人工智能的發(fā)展。②教育界與產(chǎn)業(yè)界之間存在壁壘。目前，TensorFlow雖已在產(chǎn)業(yè)界得到了廣泛應(yīng)用，但在教育領(lǐng)域相關(guān)的研究和實踐還比較滯后，教育界與產(chǎn)業(yè)界之間還存在一定的壁壘。在未來的研究和開發(fā)中，教育界應(yīng)更多地加強與產(chǎn)業(yè)界的交流與合作，共享成果，共同發(fā)展。盡管人工智能在教育領(lǐng)域還有很長的路要走，但TensorFlow等開源框架提供了一條有效、便捷的智能系統(tǒng)設(shè)計與開發(fā)路徑。隨著人工智能生態(tài)越來越完善，研究者可以圍繞開源系統(tǒng)框架，逐步構(gòu)建“平臺+內(nèi)容+終端+應(yīng)用”的智能教育系統(tǒng)，推動教育人工智能的落地與應(yīng)用。值得注意的是，教育人工智能的最終落地需要多方面的努力，如加強人工智能人才培養(yǎng)、完善教育大數(shù)據(jù)采集、打破學(xué)界和業(yè)界壁壘、深化人工智能教學(xué)研究等。未來人工智能的發(fā)展應(yīng)在政府、院校、企業(yè)的共同努力下，著力打造“人才體系+計算設(shè)施+大數(shù)據(jù)+技術(shù)框架+應(yīng)用場景”的教育人工智能發(fā)展新格局。

[1]NMC. Horizon report: 2017 higher education edition[OL].

[2]閆志明,唐夏夏,秦旋,等.教育人工智能(EAI)的內(nèi)涵、關(guān)鍵技術(shù)與應(yīng)用趨勢——美國《為人工智能的未來做好準(zhǔn)備》和《國家人工智能研發(fā)戰(zhàn)略規(guī)劃》報告解析[J].遠程教育雜志,2017,(1):26-35.

[3]Luckin R, Holmes W. Intelligence unleashed: An argument for AI in education[OL].

[4]Woolf B P, Lane H C, Chaudhri V K, et al. AI grand challenges for education[J]. AI Magazine, 2013,(4):66-84.

[5]Boulay B D. Artificial intelligence as an effective classroom assistant[J]. IEEE Intelligent Systems, 2016,(6):76-81.

[6][12]黃榮懷,劉德建,徐晶晶,等.教育機器人的發(fā)展現(xiàn)狀與趨勢[J].現(xiàn)代教育技術(shù),2017,(1):13-20.

[7]Stone Z. Introducing the TensorFlow research cloud[OL].

[8]Esteva A, Kuprel B, Novoa R A, et al. Dermatologist-level classification of skin cancer with deep neural networks[J].Nature, 2017,(7639):115-118.

[9]新華社.人工智能“沖擊波”來臨,未來我們該如何教育孩子[OL].

[10]李勇帆,李里程.情感計算在網(wǎng)絡(luò)遠程教育系統(tǒng)中的應(yīng)用:功能、研究現(xiàn)狀及關(guān)鍵問題[J].現(xiàn)代遠程教育研究,2013,(2):100-106.

[11]Cheng H T, Koc L, Harmsen J, et al. Wide & deep learning for recommender systems[A]. Karatzoglou A, Hidasi B, Tikk D, et al. Proceedings of the 1st workshop on deep learning for recommender systems[C]. New York: ACM, 2016:7-10.