肖睿 肖海明 尚俊杰

摘要：目前，人類正在加速進入人工智能時代，在教育領域，人工智能究竟有什么價值，會遇到什么困難和障礙，應該怎么去突破呢？該文系統回答了這幾個問題。該文首先梳理了人工智能的概念、三大學派、三次發(fā)展浪潮及發(fā)展趨勢，回顧了人工智能教育應用的不同歷史發(fā)展階段，在此基礎上，系統分析了人工智能在實現個性化自適應學習、輔助教師工作、提升管理效率方面具備的核心教育價值及美好前景，探討了人工智能教育應用面臨的技術層、倫理層、系統層、效果層等方面的困難和障礙，提出了加強人工智能基礎研究、普及人工智能教育、促進教育流程再造、加強教育基礎（學習科學）研究等相應的發(fā)展策略，最后展望了未來的發(fā)展之路。

關鍵詞：人工智能;教育變革;未來教育;智能教育;學習科學

中圖分類號：G434

文獻標識碼：A

文章編號：1006-9860（2020）04-0075-12

2016年，AlphaGo（阿爾法狗）給全世界上了一堂人工智能課，由此拉開了人工智能高速發(fā)展的序幕。最近幾年，我們看到了人工智能在語音識別、圖像處理、自動翻譯、自動駕駛等多個領域取得了突破性進展，伴隨著大數據、云計算等新技術的快速發(fā)展，人類正在加速進入智能時代。

面對這樣的情境，教育領域的管理者、研究者和實踐者自然希望借此實現智能化教學，實現個性化自適應學習，實現科學決策和科學管理。在2019年5月召開的國際人工智能與教育大會上，習近平主席在賀信中指出，積極推動人工智能和教育深度融合，促進教育變革創(chuàng)新，充分發(fā)揮人工智能優(yōu)勢，加快發(fā)展伴隨每個人一生的教育、平等面向每個人的教育、適合每個人的教育、更加開放靈活的教育。教育部陳寶生部長、鐘登華副部長等專家領導也從不同角度指出了未來教育發(fā)展的方向和策略：構建智能化教學環(huán)境，實現規(guī)?；逃蛡€性化培養(yǎng)的有機結合。

在社會各界的高度關注下，人工智能、大數據等技術在教育領域也取得了一些引人注目的成就，許多大中小學正在嘗試將人工智能應用到學校中，確實方便了學生的學習和生活。比如南京理工大學利用大數據技術自動分析甄別貧困學生，然后將補助款自動充到貧困學生的飯卡中，深受社會各界好評。北京市第二十中學等學校開始采用“刷臉吃飯”，確實方便了學生。

不過，就如以往新技術到來一樣，人們一定會質疑：電影、電視、計算機、互聯網都沒能改變教育，人工智能就一定能改變教育嗎？本文希望從人工智能的概念、技術和歷史發(fā)展談起，系統調研人工智能教育應用的現狀，分析其核心價值及發(fā)展前景，探討可能面臨的困難和障礙及應對策略，并展望未來發(fā)展之路。

一、人工智能的概念及歷史發(fā)展

人工智能的想法最早起源于計算機之父圖靈（Turing）在1950年提出的設想：機器真的能思考嗎？而公認的人工智能概念起源于1956年的達特茅斯會議，在這次會議上，麥卡錫、明斯基以及香農等人提出了“人工智能”（Artificial Intelligence，簡稱AI）的概念。下面我們就來看看人工智能的定義、三大學派、三大浪潮等重要概念和內容：

（一）人工智能的概念

中國人工智能學會理事長李德毅院士給人工智能下了一個比較詳盡的定義：“探究人類智能活動的機理和規(guī)律，構造受人腦啟發(fā)的人工智能體，研究如何讓智能體去完成以往需要人的智力才能勝任的工作，形成模擬人類智能行為的基本理論、方法和技術，所構建的機器人或者智能系統，能夠像人一樣思考和行動，并進一步提升人的智能”。

在人工智能領域，有幾個常見的名詞：人工智能、機器學習和深度學習，它們三者是近似包含的關系，機器學習是實現人工智能的算法或方法之一，深度學習是一種基于深度神經網絡實現機器學習的算法或方法。

（二）人工智能的三大學派

在人工智能發(fā)展歷程中，逐漸形成了具有代表性的三大學派，分別是符號主義、聯結主義（也稱連接主義）、行為主義學派。符號主義學派是一種基于符號表達和數學邏輯推理的智能模擬方法。該學派在數學定理證明、專家系統方面取得了一些標志性成果，其中1997年IBM的深藍機器人戰(zhàn)勝國際象棋高手加里·卡斯帕羅夫是一個代表性事件。聯結主義學派是一種基于神經網絡及其聯結機制與學習算法的智能模擬方法。在應用領域代表性案例是2016年AlphaGo在圍棋比賽中戰(zhàn)勝李世石。行為主義學派是一種基于“感知一行動”的行為智能模擬方法。在應用領域代表性案例是波士頓動力公司推出的Atlas機器人。

（三）人工智能的三次浪潮

人工智能的發(fā)展大約經過了三次浪潮，第一次浪潮是20世紀50-60年代。在1950年，圖靈發(fā)表了一篇名為《計算機械和智能》（Computing Machinery and Intelligence）的論文，該論文探討到底什么是人工智能，其中就提出了一個有趣的實驗——著名的“圖靈測試”，掀起了第一次人工智能的浪潮，期間也產生了許多所謂的人工智能程序，并在數學定理證明等方面取得了突破性的進展。但是在70年代中后期，人們發(fā)現人工智能只能解決一些比較簡單的問題，所以進入了第一次低潮期。

人工智能第二次浪潮發(fā)生在20世紀80-90年代，當時隨著1982年Hopfield神經網絡的提出，掀起了人工智能的第二次浪潮，包括語音識別、語言翻譯等。在這個時期，受限于計算能力和算法策略，神經網絡未能扮演人工智能的主角，符號推理方法繼續(xù)得到發(fā)展應用，同時基于統計推理的機器學習方法也取得了比較大的發(fā)展和成果，此期間各個領域出現了比較實用的專家系統。比如1997年5月11日，IBM研發(fā)的人工智能程序“深藍”戰(zhàn)勝當時的世界國際象棋棋王加里，卡斯帕羅夫。不過，人們后來發(fā)現人工智能距離實際生活仍然很遙遠，因此，在2000年左右第二次人工智能的浪潮又破滅了。

人工智能第三次浪潮發(fā)生在2006年至今。Hinton在2006年提出了深度置信網絡（Deep Belief Network，DBN），解決了深度神經網絡中原來無法優(yōu)化的問題。隨著深度學習技術的發(fā)展，加上計算機運算速度的大幅增長、以及分布式并行圖形處理器（Graphics Processing Unit，GPU）的采用，互聯網積累起來的海量數據，使得基于深度神經網絡的深度學習成為可能，并由此使得人工智能進入了深度學習時代，從而掀起了更加猛烈的第三次浪潮。其中2016年3月15日，AlphaG0 4：1戰(zhàn)勝圍棋高手李世石是第三次浪潮的標志性事件。

（四）人工智能的未來發(fā)展趨勢

通過以上綜述，我們雖然不能斷定人工智能未來究竟會怎樣發(fā)展，但是可以看出這樣的發(fā)展趨勢。

早期的人工智能（第一次和第二次浪潮期），解決的是確定性世界的問題，是機器擅長的抽象和形式化問題，依靠的是人工知識、邏輯推理、知識系統，采用指令編程，就是人先弄懂基本原理和推理模型，再用計算機指令寫出的軟件程序告訴計算機怎么去計算推理并得到結論。

現代的人工智能（第三次浪潮期），解決的是不確定世界的問題，是知識獲取和學習的自動化問題（直觀的、經驗的、非形式化的問題），依靠的是數據和模型（映射），采用數據編程，就是由機器自動從數據中發(fā)現規(guī)律建立模型。

未來人工智能真正解決問題的出路在于：邏輯+數據，指令編程+數據編程。從數據中學習知識，從知識推理出結果。也可以簡單的說，需要很好地融合三大學派的優(yōu)勢，才能更好地解決涉及認知的復雜問題，而認知則是教育領域最為關注的問題。

二、人工智能教育應用的歷史與現狀

人工智能教育應用幾乎和人工智能的發(fā)展歷史是同步的，只是在不同的時期，強調了不同的重點，使用了不同的概念，但是本質上都是希望借助計算機人工智能提升教學成效。

（一）起步：計算機輔助教學（CAI）

上世紀50年代開始，隨著計算機的發(fā)展，計算機輔助教學（Computer Assisted Instruction，簡稱CAI）也在世界各地開始蓬勃發(fā)展。其中PLATO系統（Programmed Logic for Automatic Teaching Operation，可編程自動教學系統）是最具代表性的項目。1960年，美國伊利諾伊大學聯合科學實驗室（The Coordinated Science Laboratory）負責人畢澤博士（Donald Bitzer）聯合教育學、心理學和電子學等多領域學者研究利用計算機進行個性化教學的計劃，至上世紀90年代的時候，已經連接千臺以上教育終端，可提供200多門課程共10000多學時的教學服務。

應該說，PLATO系統就是人類希望嘗試實現智能化個性化教學的探索，只不過最初版本的智能程度比較低而已。

（二）探索：智能教學系統（ITS）

隨著人工智能領域對專家系統的重視，教育領域的專家系統即智能教學系統（Intelligent Tutoring System，簡稱ITS，也常被翻譯為智能導師系統）開始蓬勃發(fā)展。所謂智能教學系統，就是讓計算機像教師一樣能夠指導和幫助學生學習，甚至在一定程度上能夠替代教師。哈特利（Hartley）和斯里曼（Sleeman）在1973年提出了智能教學系統的基本架構，認為智能教學系統包含三方面的知識：領域知識，即專家模型（Expert Model），它主要解決教什么的問題;學習者知識，即學生模型（Student Model），它主要解決教誰的問題，即判斷學生的認知水平和認知風格等;教學策略知識，即導師模型（Tutor Model），它主要解決怎么教的問題，主要提供個性化教學策略，使系統提出合理的輔導動作。

自上世紀70年代以來，世界各地涌現出了很多智能教學系統，比較典型的如用于南美洲地理教學的Scholar，用于物理、數學、編程等教學的AutoTutor，用于數學、物理等理工科問題解決的Cognitive Tutor系列，用于支持大學課堂合作學習的MentorChat，用于英語學習的希賽可系統等。

應該說，幾十年的智能教學系統探索確實為促進認知和學習提供了一些有效的工具。但是，和人類教師的教學智慧和教學策略相比，這些系統的“智能”水平還有待提升。不過，近年來隨著基于深度神經網絡的人工智能技術的突破性進展，智能導師系統（也稱為人工智能教師或AI教師）再一次吸引了大家的注意力，正在快速發(fā)展中。

（三）發(fā)展：個性化自適應學習

前面都是從教師教的角度來說的，從學生學的角度，主要是促進個性化自適應學習。人們希望基于人工智能、大數據及學習分析技術實現個性化自適應學習。

所謂學習分析技術（Learning Analytics，簡稱LA），2011年首屆學習分析與知識國際會議將其定義為：“測量、收集、分析和報告關于學習者及其學習情境的數據，以便了解和優(yōu)化學習和學習發(fā)生的情境”。所謂個性化學習（Personalized Learning，簡稱PL），美國教育部2016年發(fā)布的《國家教育技術計劃》中將其定義為：“根據學習者的個性化需求和認知特點，采取適合的方法來滿足學習者的需求，讓學習者主動或被動地建構知識的學習方式”。所謂自適應學習（Adaptive Learning），也常稱為自適應學習系統（Adaptive Learning System，ALS）。1996年，布魯希洛夫斯基（Brusilovsky）對自適應學習系統進行了初步定義：“收集學生在使用系統學習過程中的信息，并對收集的信息進行分析，然后為學生個性化定制符合其學習能力和認知水平的用戶模型，從而解決教育中針對性不強的難題”。

在實踐中，人們一般采用個性化自適應學習的概念。張劍平認為，“自適應學習是在線教育開展個性化學習的產物，在線教育具備課堂教學所不具備的教學行為和學習行為的個人化特點，在線教育、個性化學習、自適應學習具備天然的相互依賴的關系”。

為了實現個性化自適應學習，很多學者提出了不同的自適應學習模型。布魯希洛夫斯基和韋伯（Weber）提出了一個可交互的網絡智能教學系統ELM-ART。余勝泉從學習診斷、學習策略及學習內容的動態(tài)組織等三個關鍵環(huán)節(jié)提出了適應性學習模式，并將其應用在了他們研發(fā)的學習元平臺中。趙蔚等人在借鑒國際上多種能力構建模型的基礎上，提出了一種包含“個性特征”“知識水平”“應用情境”等三個維度的“學習者學習能力模型”并研發(fā)了相應的學習系統。

（三）管理：提升管理效率和決策水平，實現看不見的服務和管理

對于教育來說，技術促進教師的教和學生的學確實是最重要的價值，但是也是相對比較難實現的，而最容易實現的可能是在管理方面的應用。江鳳娟和吳峰指出，“信息技術對于高校的變革首先是從管理領域開始的，管理信息化可以降低高校管理成本，提升管理效益，擴大高校最佳學生規(guī)模，促使高校走內涵式發(fā)展道路”。事實上，目前眾多的大中小學正在努力將人工智能應用到食堂、購物、門禁等領域，確實大大提升了管理效率，一定程度上也有助于提升決策水平。

相對于政府、軍隊、企業(yè)等組織來說，教育組織相對容易忽視效率。比如在高校中，最受關注的可能是學生培養(yǎng)、科學研究等與建設一流高校緊密相關的業(yè)務工作，而對于基建、后勤、財務、行政等日常事務工作往往容易被相對忽視。所以，在全世界的高校中，管理效率似乎都不是很高。當然，高校管理效率可能比較低，但是辦得卻很有效，這是由知識分子組織的特點決定的。關于這一點本文不再展開討論，但是需要去思考，如何能夠在辦得有效的前提下，盡可能利用人工智能等技術同時提升管理效率、促進科學決策。

如果仔細分析一下，在高校包括中小學中其實可以做的事情非常多，尤其是在行政后勤服務支持系統中，因為學生的各種學習、餐飲、上網等信息都被記錄下來，因此幾乎每一件事情都可以通過優(yōu)化流程、結合數據分析得以大大提升效率。從而可以通過精致化管理實現“看不見的服務和管理”，讓服務和管理無處不在但是又不可見，從而給師生節(jié)省大量的時間，可以讓他們去做更多的世界一流的教學研究工作。

四、人工智能教育應用面臨的困難和障礙

雖然我們看到了人工智能在教育領域的光明前景，但是回顧人工智能教育應用的幾十年曲折而艱難的發(fā)展歷史就可以看出，未來一定仍然會存在很多困難和障礙，這些困難和障礙大概可以歸納為圖2所示的四個層次：

（一）技術層：人工智能需要突破自身技術發(fā)展瓶頸

前面也提過，人工智能的發(fā)展大約經過了三次浪潮，不過前兩次浪潮最終都破滅了，現在正在高漲的第三次浪潮究竟會怎樣呢？會不會再次破滅呢？當然，這一輪浪潮確實不太一樣，人工智能在語音識別、圖像識別、自動翻譯、自動駕駛等領域確實達到了實用的水平，而且，這一輪人工智能浪潮的特點是百度、阿里、騰訊、谷歌等大型企業(yè)紛紛投入其中，初創(chuàng)公司也不斷成立，社會各界倍加關注。不過，現在也有學者開始質疑，他們認為這一輪人工智能在語音識別、圖像識別等部分領域確實有突破性的發(fā)展，但是在其他領域遇到了瓶頸，短期內可能很難有質的突破。

在教育領域，目前看起來困難更大，亟待在語音識別、自動翻譯、自動識別和輸入公式、智能閱卷、自然語言理解等領域有質的突破。比如，語音識別、自動翻譯、智能對話對于教育意義非常大，但是如果準確率不能接近100%的話，就很難得到廣泛和深入的應用;再如，要想對學生進行個性化指導，就需要給學生布置個性化的作業(yè)，并自動批閱學生完成的作業(yè)。自動布置個性化作業(yè)相對比較容易，但是要完全自動批閱作業(yè)就比較困難，這就需要能夠自動輸入和識別公式，目前仍然是難題;第三，要想真正實現智能導師系統，就有賴于自然語言理解技術的突破性進展，目前仍然達不到實用水平。

（二）倫理層：人工智能需要突破傳統倫理觀念

目前，人工智能雖然尚未完全突破技術層，但已經在倫理層上碰到了問題。比如浙江省金華市某小學引進的一款能夠監(jiān)測學生注意力的“頭環(huán)”就引發(fā)了社會爭議。其實，類似的事件之前也時有發(fā)生，比如有學校通過攝像頭即時捕捉、分析同學的表情來判斷學生的學習狀態(tài)，也幾乎受到了一邊倒的批判。就是普通的刷臉買飯和刷臉門禁也有人提出質疑，主要是未成年人的相貌是否可以使用，個人隱私是否會泄露等等？

客觀地說，技術本身是沒有價值觀的，可以作惡也可以揚善，但是一旦考慮到人的因素，就會產生復雜的倫理問題。比如，如果希望促進個性化自適應學習，自然需要了解學生的個體情況，那么捕捉他的表情、大腦活動狀態(tài)似乎是有意義的。但是大部分人一定不會同意別人通過表情、大腦分析隨時了解自己的工作狀態(tài)。

如果再深入想一想，這背后還包含了人與技術的復雜性。尼爾·波斯曼在《技術壟斷：文化向技術投降》中也根據技術對人類世界的影響，將文化分為了三種類型：“工具使用文化、技術統治文化和技術壟斷文化”。他說在技術壟斷文化階段，技術確實為我們提供了舒適便利的生活，但是也讓我們對自己的信仰失去自信，對自己也失去自信，只剩下一個可以相信的東西——技術。布萊思·阿瑟曾經講過：“對所有的人類存在來說，自然是我們的家——我們信任的是自然，而不是技術。但同時，我們仍然指望技術能夠照顧我們的未來——我們寄希望于技術”。布萊恩·阿瑟還曾說，“我們不僅需要舒適的生活，我們還需要意義、需要目的，需要和大自然融為一體。如果技術將我們與自然分離，就帶給了我們某種類型的死亡，但是如果技術加強了我們和自然的聯系，它就肯定了生活，因而也就肯定了我們的人性”。目前看來，“頭環(huán)”“表情分析”讓我們認為是與自然的分離，這就是人們擔憂的根本原因。

有鑒于此，人工智能倫理現在也備受社會各界重視，2019年歐盟提出了發(fā)展“可信賴人工智能”（Trustworthy AI）的倡議。2019年5月聯合國教科文組織在北京召開了首屆人工智能與教育大會，發(fā)布了成果文件Beijing Consensus on Artificial Intelligence and Education（簡稱“北京共識”），其中也指出“要高度重視人工智能促進教育發(fā)展的倫理問題，盡快制定人工智能應用于教育的倫理框架，要恰當使用教育數據、教師學習者的個人數據，以保護學生和教師的隱私和個人數據安全”。概而言之，如果我們不能盡快制定一套受到各方認可的人工智能教育應用倫理框架，那么人工智能教育應用一定還會步履維艱。

（三）系統層：人工智能需要重新構建周圍結構組織

在教育乃至其他領域，我們經常會看到這樣的情景，一項技術真的很好，但是卻很難快速推廣，比如馬爾科姆·麥克萊恩1953年發(fā)明集裝箱以后，花了20多年才得到了廣泛應用。這是什么原因呢？

布萊思·阿瑟認為阻礙新技術取代舊技術的主要原因有三個：“經歷精致、繁復的過程之后，成熟的舊技術反而表現的比新技術好;新技術發(fā)展的很好，表現也很好，但是采用它需要改變周圍的結構和組織。因為成本太高，所以可能不會很快替換;第三個原因是心理上的，舊技術被繼續(xù)使用是因為從業(yè)者不認可新技術帶來的愿景和承諾”。在這幾個原因中，就人工智能而言，第二個原因可能更為重要。人工智能新應用發(fā)展的很好，表現也很好，但是如果要應用這一套系統，可能需要更新軟硬件設備，重新布線，甚至調整學校的組織管理結構，而這些難度都非常大，所以進展就比較緩慢。

著名管理學家德魯克也有類似的觀點，他曾于1992年在《哈佛商業(yè)評論》上撰文指出：“自二戰(zhàn)以來的50年里，從來沒有哪個組織像美軍那樣進行徹底的變化。軍服和軍銜沒有改變，但武器裝備卻發(fā)生了根本性的變化，軍事觀念和概念的變化則更加激烈，同時還有軍隊的組織結構、指揮結構、單位隸屬關系和職責也進行了劇烈的變化”。簡而言之，美軍的變化是從裝備、到觀念、再到組織結構一系列的變化，比如成立了網絡作戰(zhàn)司令部。而在教育領域，裝備可以說是發(fā)生了革命性的變化，但是教學觀念變化的就少一些，學校組織結構、指揮機構、單位隸屬關系和職責的調整就更少了。

總而言之，現在大家的目光可能都在人工智能技術本身上，都在期待人工智能技術的突破性發(fā)展，但是事實上從現在就應該同時考慮，人工智能應用到教育中，周圍的結構和組織應該同時做什么改變呢？

（四）效果層：人工智能需要解決教育的核心問題

回顧教育技術幾十年的發(fā)展歷史，可以看出橫亙在技術變革教育道路上的最大最根本的困難就是技術的學習成效。拉里·庫班（Larry Cuban）認為“學校是一個相對穩(wěn)定的系統，教育發(fā)展是一個緩慢的過程，所以技術很難在短期內徹底變革教育”。經濟合作與發(fā)展組織（OECD）2015年9月15日發(fā)布了一個研究報告，其中指出，“世界各國各地在學校大量應用信息技術，但是并未在學生閱讀、數學及科學的測試成績上有明顯改善。甚至還發(fā)現，學生在學校經常使用計算機，成績反而會更差”。楊浩和鄭旭東等人也提到：自1928年開始至今，一直有研究發(fā)現：不同的技術手段在對教育與學習結果的影響上沒有顯著差異，這被稱為“非顯著性差異現象”。

對于以上現象，雖然有學者認為用傳統的測量方式無法準確評估信息化教學的成效，比如信息技術可以激發(fā)動機、促進創(chuàng)造能力、問題解決能力等高階能力，而用傳統的考試就很難測量出來。但是我們也必須承認教育是非常復雜的，技術似乎尚未有效地解決教育的核心問題，那就是“人究竟是怎么學習的，怎樣才能促進有效的學習？”當然，歸根結底，是由教育對象的復雜性決定的，教育對象是“人”，不是“物”，而“人”恐怕是世界上最復雜的對象?？档略缇椭v過，“能夠對人提出的最大、最難的問題就是教育，教育和藝術是對人類來說最困難的兩種發(fā)明之一”。

事實上，學生的學習是由智力、環(huán)境、教師、家長、動機、情緒等多種復雜的因素共同決定的，不是一項技術能夠單獨影響的。約翰·哈蒂（John Hattie）曾歷時十多年，對五千多項研究、數億名學生學習相關的800多項元分析文獻再進行綜合元分析，提取了138個影響學業(yè)成就的因素，其中家庭、學生、學校、教師、教學、課程是六大影響因素，其中最大的影響因素是教師，這也從另外一個側面說明技術并不是對學業(yè)成就影響的最重要因素。

人工智能雖然看起來比過去的教育技術更加先進，更加富有潛力，但是相信也一定會碰到這一層困難，也極有可能陷入到“非顯著性差異現象”中。

五、人工智能教育應用的未來發(fā)展策略

面對人工智能教育應用的美好前景和重重困難和障礙，未來到底應該怎么發(fā)展呢？我們認為可以用圖3來綜合表示。

（一）加強人工智能基礎研究，突破技術瓶頸

人工智能技術的發(fā)展目前還存在效率低、通用性差和不可解釋的問題，人工智能教育應用雖然涌現出一批案例，但是遠未達到“廣泛可用”和“好用”的狀態(tài)，因此，亟待加強人工智能基礎研究尤其是人工智能在教育領域的基礎研究，突破技術瓶頸。

人工智能教育應用基礎研究不僅包括通常我們理解的人工智能技術應用于教學過程的“教、學、管、評、練、測”各個環(huán)節(jié)，更應包括腦科學、認知科學、知識工程等方面研究。所以，面對蓬勃發(fā)展的人工智能教育應用發(fā)展，教育領域研究者和實踐者一方面需要等待技術的成熟和人工智能領域的基礎理論的發(fā)展，同時也要積極投身于人工智能教育的基礎研究中，我們認為可以從兩個層面人手開展人工智能教育應用的基礎研究。

第一個層面是技術應用層面的基礎研究，人工智能教育依賴于人工智能技術的突破性進展，所以，教育研究者在期待人工智能盡快取得更多技術瓶頸的同時，應該積極同人工智能技術領域研究者形成研究共同體，特別是在當前許多高校建設人工智能學院的背景下，積極投身于人工智能相關技術和具體教育場景、應用模式的研究十分必要。人工智能技術在各領域的應用，都離不開“數據”“算法”和“算力”。教育研究者深入理解教育活動的發(fā)生過程，能夠為獲得大量教育數據“原料”提供數據采集策略、采集工具和更廣泛的數據來源，能夠基于對學習的理解提供作為更符合教育需求的“算法”。未來，我們期待在自然語言處理、自動翻譯、自動輸入和識別數學公式、自動閱卷等相關技術研究領域，出現更多由教育研究者和人工智能技術研究者共同組成的共同體，共同推動人工智能教育技術應用層面的創(chuàng)新。

第二個方面是基礎理論層面的研究，一方面應通過更深入的腦科學、認知科學、知識工程的研究，共同推動人工智能技術的基礎理論創(chuàng)新。人工智能通俗講是“研究人類智能，并期待創(chuàng)造出模擬人類智能的研究領域”，對于人類自然智能的研究是人工智能基礎理論突破的一個方向。教育領域研究的是“人類智能的增長”，教育研究自身獲得基礎理論突破的同時，一定程度上也能夠促進人工智能的基礎理論研究。同時，人類自然智能在特定的教育場景中，又具有某些具體的特征，比如學生的合作學習表現為一種群體智能，所以，針對真實的教學場景和教學需要，應提供更富有參考價值的教與學的相關模型，師生、生生互動的群體行為模型。

（二）普及人工智能教育，構建人工智能倫理框架

在國務院2017年頒發(fā)的《新一代人工智能發(fā)展規(guī)劃》中指出：“要實施全民智能教育項目，在中小學階段設置人工智能相關課程，逐步推廣編程教育，鼓勵社會力量參與寓教于樂的編程教學軟件、游戲的開發(fā)和推廣”。而在現實中，我們也可以看到編程教育、機器人等所謂的人工智能教育項目層出不窮。

之所以大家會對人工智能教育倍加重視，這里面可能有炒作的成份，但是從圖3中也可以看出，普及人工智能教育有兩個重要的價值：一是讓孩子們從小了解人工智能，產生對人工智能的好奇心，從而可以培養(yǎng)更多的人工智能創(chuàng)新人才，有助于未來突破技術瓶頸;二是當全民具備基本的人工智能素養(yǎng)后，大家可能對“表情分析”“頭環(huán)”等技術會有新的認識，這將有助于構建人工智能理論框架，也有助于人工智能教育應用的推廣和普及。

關于普及人工智能教育，國務院的文件中已經給出明晰的路徑，第一層面是逐步開展全民智能教育項目，進行全面的人工智能科普;第二層面是在中小學階段設置人工智能相關課程，培養(yǎng)科技素養(yǎng);第三層面是建立人工智能學科，培養(yǎng)復合型創(chuàng)新人才。

目前中小學的人工智能教育是一個重要的研究課題，也是一個社會各界關注的教育熱點問題。我們通過觀察發(fā)現，目前學校開設人工智能相關課程普遍存在兩個定位偏差：一個是將人工智能課程開設成為一門技術課程，讓認知水平和基礎知識積累不足的中小學生學習艱深難懂的人工智能技術原理、數學基礎等;另一個是將人工智能教育的內涵無限擴大，將過去的3D打印、機器人課程、創(chuàng)客課程都統稱為人工智能課程，或許給學生形成誤導。

筆者認為，中小學開設人工智能課程必須基于學生的認知發(fā)展水平和知識儲備，著眼于培養(yǎng)未來人工智能時代的學習、生存、生活能力，其中尤其要重視計算思維。“計算思維是指運用計算機科學的基礎概念進行問題求解、系統設計、以及人類行為理解等涵蓋計算機科學之廣度的一系列思維活動”，也是我國普通高中新課標明確提出的信息技術學科四大核心素養(yǎng)之一。目前國際國內開展計算機科學教育，普遍關注學生的計算思維培養(yǎng)。

北京大學學習科學實驗室開展了中小學人工智能教育相關的研究，根據兒童的認知特點和學習需求，總結提出了中小學人工智能教育框架（如圖4所示），內容整體按照“感知AI-理解AI-應用AI-創(chuàng)造AI”設計，在教學模式上，“小學：興趣啟蒙，玩中學”“初中：興趣培養(yǎng)，做中學”“高中：興趣引導，創(chuàng)中學”，在測評體系上，以計算思維為核心，通過形成性數據分析和總結性的作品評估和任務解決，評估學生的人工智能課程的學習效果。

未來的社會是“人機共存”的社會，在實踐推進中，需要引導中小學生形成正確的技術觀，認識到人工智能技術的兩面性，意識到人工智能可能給我們的社會帶來的深刻改變，同時形成良好的“人機協同”意識。

（三）促進教育流程再造，重構周圍結構組織

要突破系統層的困難和障礙，就需要圍繞人工智能重新構建周圍結構組織，因此就需要重新思考，或許可以改變一些約定俗成的規(guī)范，優(yōu)化和再造教育流程。

這里說的流程再造實際上是借用了企業(yè)中的“業(yè)務流程再造（BRP：Business Process Reengineering）”的提法，它指的是“為了顯著改善成本、質量、服務、速度等現代企業(yè)的主要運營基礎，必須對工作流程進行根本性的重新思考并徹底改革”。其基本思想就是徹底改變傳統的工作方式，重新設計工作流程。比如余額寶就是對原有理財產品理念和模式的業(yè)務流程再造，結果取得了巨大的成功。

人工智能不能被看作一個單一的技術，要想在教育應用領域取得成功，教育組織必須像軍隊一樣，從裝備到觀念再到組織結構，進行一系列的變革。比如，一位教師希望在教學中應用個性化自適應學習，那么學校、家長都必須同意并購買相應的平板電腦、個性化自適應學習系統、服務器、無線網絡等軟硬件支持系統。教師的教學也需要變革，以適合這樣的自適應學習方式。教師采用這種方式教學，可能會更累，所以學校的考評制度等或許也需要變革。如果沒有這些系統性的變革，我們可能會看到有老師給大家“秀”一堂課，但是要想實現大范圍常態(tài)使用是不可能的。

具體實施起來，可以從教師角色再造、課程教學再造、學習方式再造、組織管理再造幾個方面人手：（1）在教師角色再造方面，要發(fā)揮人工智能、大數據、云計算、機器人等技術的優(yōu)勢，提升教師的工作效率和工作質量。同時注重分工，讓教師角色更加多元化和專業(yè)化。人機協同，打造可以一天二十四小時不知疲倦工作的“超級教師”;（2）在課程教學再造方面，首先可以利用在線課程實現優(yōu)質教育資源共享，其次，注重利用在線教育實現破壞式創(chuàng)新，從而更大程度上“放大”人工智能技術的價值;（3）在學習方式再造方面，要注重發(fā)揮移動學習、游戲化學習、VR/AR等學習方式的優(yōu)勢，留住學習動機，同時利用人工智能、大數據等實現個性化自適應學習;（4）在組織管理再造方面，一定要結合人工智能等信息技術，優(yōu)化教育組織的管理流程，提升管理效率和決策水平，以管理現代化促進實現教育現代化。

（四）加強教育基礎研究，探究人類學習機制

要突破效果層的困難和障礙，就需要加強教育基礎研究，探究人類學習機制，從而解決教育的根本性核心問題。目前教育部、國家自然科學基金委員會非常重視這一點，從2018年開始，國家自然科學基金委員會專門設立支持教育基礎研究的項目（代碼F0701），鼓勵各領域的學者來共同開展研究，尤其期望用自然科學的方法來破解一些教育中的基礎性難題。

當然，加強基礎研究并不是一件容易的事情，首先要清楚這里強調的是“基礎”的研究，是一些不經過大量的實證性實驗研究無法證明或無法說清楚的問題，比如兒童認知和學習規(guī)律、在線學習行為特征、游戲化學習的腦機制，再如紛繁復雜的知識點的之間的內在關系究竟是什么，人們的社會化學習的機制和原理等？其次，要清楚這里強調的是“教育領域”中的基礎研究，不是認知科學、腦科學的基礎研究，亦不是信息技術、人工智能的基礎研究。再次，一定是問題導向的基礎研究，是未來有助于解決教育中重要的實際問題的基礎研究。

此外，這里要特別強調：“教育發(fā)展急需加強基礎研究，基礎研究可從學習科學開始”！

學習科學（Learning Sciences）是國際上近三十多年來發(fā)展起來的關于教和學的跨學科研究領域，涉及認知科學、信息科學、教育學、腦科學眾多學科。索耶（Sawyer）曾指出，“學習科學研究的目標，首先是為了更好地理解認知過程和社會化過程以產生最有效的學習，其次便是為了用學習科學的知識來重新設計我們的課堂和其他學習環(huán)境，從而使學習者能夠更有效和深入地進行學習”。簡而言之，學習科學主要就是研究“人究竟是怎么學習的，怎樣才能促進有效地學習？”

綜合學習科學領域多本重要的著作及相關研究，可以看出學習科學的核心研究內容包括：記憶和知識的結構、問題解決與推理的分析、早期基礎（包括語言和雙語學習研究）、元認知過程和自我調節(jié)能力、計算機支持的協作學習（CSCL）、學習技術與學習環(huán)境、學習分析、文化體驗與社區(qū)參與、合作學習與共同體、社會性學習研究、研究工具與方法論等。通過梳理學習科學的歷史發(fā)展和理論溯源，可以看出學習科學未來發(fā)展方向可以分為學習基礎機制研究、學習環(huán)境設計研究、學習分析技術研究三大類。

學習科學提出以后，備受世界各國各地區(qū)重視。美國國家科學基金會（NSF）自2004年底持續(xù)巨資支持6個跨校的國家級學習科學研究中心。經濟合作與發(fā)展組織（OECD）自1999年起也設立了一個注重學習科學研究的教育與創(chuàng)新研究所。近年來，一些歐美發(fā)達國家已經將學習科學的重要研究成果作為了新的課程決策與行動的基礎。我國目前對學習科學也非常重視，教育部、國家自然科學基金委員會都非常重視，相關會議研討會也此起彼伏。北京大學學習科學實驗室也啟動了“中國學習計劃”研究項目，一方面開展學習科學基礎研究，一方面和北京教育學院朝陽分院、北京海淀區(qū)教育科學研究院等單位合作開展提升教師學習科學素養(yǎng)研究，希望借此學習科學與課堂教學整合研究，促進課堂革命，從而真正推動教育的深層變革。

由以上敘述可以看出，學習科學就是希望直面教育領域最根本最核心的問題“人究竟是怎么學習的，怎么促進有效的學習？”，而這個問題也將是人工智能在效果層碰到的核心問題。所以加強學習科學研究可以促進人工智能在教育領域的深層次應用，避免再次出現“非顯著性差異現象”。當然，人工智能和學習科學也是相輔相成的關系，人工智能是學習科學發(fā)展的重要支撐技術，學習科學的大部分研究都離不開人工智能技術的支持。而人工智能的發(fā)展也離不開學習科學的支持，通過研究人類的學習有助于促進機器學習的發(fā)展。另外，如何讓學生能夠科學、快樂、有效的掌握計算思維、編程知識等都需要學習科學提供理論和實踐的支持。

總而言之，注重學習科學研究，有助于探究人類學習機制，重新設計更科學更富吸引力的學習環(huán)境，讓學習更加有效，推動教育的深層變革。這樣才可以從根本上發(fā)揮人工智能的價值。

六、結語

綜合本文討論，我們可以用“仰望星空，腳踏實地”來總結人工智能教育應用的前景、困難和發(fā)展策略。在人工智能技術的支持下，我們可以去“仰望星空”，充分想象未來的教育：人工智能可以幫助教師從機械、重復的體力乃至腦力勞動中解脫出來，教師可以成為無所不知、無所不會，且可以一天二十四小時不知疲倦的關心每一為學生的“超級教師”。人工智能會全面地收集、分析、評估學生的各種行為數據，協助教師給予學生個性化的評估及指導，從而實現個性化自適應學習。

因為教育非常復雜，學習更是非常奧妙，在人工智能發(fā)展的道路上，還需要突破技術層、倫理層、系統層和效果層多層困難和障礙。和人類教師豐富的教育智慧和教學策略相比，現有人工智能系統的“智能”水平還是比較低的，能解決的教育問題也是有限的。面對這些困難，我們要“腳踏實地”，一步一個腳印地解決教育面臨的實際問題。首先實現自動化，協助師生完成一些考勤、批作業(yè)等枯燥的事務性工作;其次實現智能化，幫助教師實現智能組卷、智能閱卷、智能分析和報告等工作，幫助學生進行高階思維培養(yǎng)，指導學生進行個性化學習等。

相信終有一天人工智能會被常態(tài)應用到教育中，讓學習更科學、更快樂、更有效，讓教師更幸福。

作者簡介：

肖睿：在讀博士，研究方向為人工智能與教育、學習科學與技術（rui.xiao@bdqn.cn）。

肖海明：碩士，研究方向為人工智能教育、游戲化學習（haiming-1990@163.com）。

尚俊杰：研究員，博士生導師，研究方向為游戲化學習（教育游戲）、學習科學與技術設計、教育技術領導與政策（jjshang@pku.edu.cn）。

責任編輯：邢西深