“可能”与“不可能”：当前人工智能技术教育价值的再探讨*——《高等学校人工智能创新行动计划》解读之一

李欢冬樊 磊

(1.华东师范大学 国家教育宏观政策研究院，上海 200062；2.首都师范大学 教育技术系，北京 100048)

自2012年以来，以深度学习为代表的机器学习领域研究与应用，取得了一系列重大突破，掀起了人工智能发展的新一轮浪潮。世界各国都将人工智能视为驱动经济社会发展的新引擎和加速器，争先制订人工智能发展的相关政策，支持产业发展，希望借此抢占这一轮科技革命的主导权[1]，因此，人工智能领域的国际竞争日趋白热化。我国也高度重视人工智能的发展，党的“十九大”报告提出了“推动互联网、大数据、人工智能与实体经济深度融合”的战略发展目标。2017年7月，国务院印发了《新一代人工智能发展规划》[2]；最近，教育部又发布了《高等学校人工智能创新行动计划》[3]，对新一代人工智能的创新发展做出顶层规划和部署。

回溯历史不难发现，人工智能与教育很早就结下姻缘，从早期的计算机辅助教学（CBE）到智能指导系统（ITS），再到今天的教育机器人、智能教室、VR/AR和自适应学习系统等，教育应用一直是人工智能新发展和新技术的试金石。鉴于新一代人工智能，特别是深度学习技术等在其它行业的成功应用，许多教育机构、企业也纷纷尝试在教育实践中引入新一代人工智能技术。

那么，相比以往的传统人工智能技术，新一代人工智能具有什么不同的特点？又能给教育发展带来什么价值和深远影响？新一代人工智能会不会像很多流行技术一样昙花一现？人工智能领域是否会再次遭遇“冬天”？这些问题，都是当下许多教育工作者、学者和社会大众所关注的。

近年来，国内很多学者已经针对上述这些问题做了广泛的探讨，发表了一些研究成果。如：闫志明等对人工智能的内涵与关键技术进行了有益地探讨[4]，牟智佳重思了“人工智能+”时代的个性化学习理论[5]，马玉慧等探讨了我国人工智能教育应用的发展路径[6]，吴永和等提出了构筑“人工智能+教育”的生态系统[7]，陈凯泉等探索了引入人工智能技术升级智能教学系统、重塑学习过程的技术路径[8]，张坤颖与张家年就人工智能教育应用中的 “新区”、“误区”、“盲区”、“禁区”展开了研究[9]等等。

与此同时，随着新一代人工智能在某些领域（如，智能驾驶、智能医疗、智能金融等）的突破，有关人工智能对教育未来会产生何种影响的讨论与研究，也在持续升温，甚至还出现了 “人工智能颠覆论”、“人工智能（机器人）取代教师”[10]等观点。对此，多数专家认为，人工智能技术无疑将在教育模式、教师职业、学习方式等方面产生重要而深远的影响，但在可预见的时间内，学校教育的基本形态和教师职业还不会消失[11-15]。

我们认为，对新一代人工智能教育应用及影响的探讨和评估，必须在总结、汲取以往经验和教训的基础上，遵循“立德树人”根本目标和新一代人工智能发展的应用规律，创新性地研究与解决教育发展与改革中的核心和关键问题。

为此，本文在回顾人工智能历史发展的基础上，进一步分析新一代人工智能的特征，尤其是深度学习的价值、可能与不可能等，以探讨人工智能与教育融合、应用的可能性及有效路径，并对教育领域中如何构建人工智能的应用生态，提出若干建议。

一、人工智能的历史发展回顾

（一）人工智能的内涵

所谓人工智能（Artificial Intelligence，AI），一般是指由人创造的符合人类情感、伦理与道德观念，具有自主的感知、认知、决策、学习、执行和社会协作能力的智能机器；它是利用机器模拟、延伸和拓展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统[16]。

人工智能覆盖范围非常广泛，包含诸多学科。当前，人工智能研究可以归纳为六大领域：（1）计算机视觉：包括模式识别、图像处理等问题；（2）自然语言理解与交流：包括语音识别、合成、对话等问题；（3）认知与推理：包括对各种物理和社会常识的辨识、表征与认知；（4）机器人学：包括各类机器人的设计制造，涉及机器人设计、机械、控制、运动规划及任务规划等方面；（5）博弈与伦理：包括多智能代理的交互、对抗与合作，机器人与社会融合等问题；（6）机器学习：包括各种基于统计的建模、分析工具和计算方法等[17]。

（二）人工智能的历史及现状

“人工智能（Artificial Intelligence）”这一术语，是在1956年美国的达特茅斯夏季研讨会上被首次提出[18]。六十多年来，人工智能的发展历程大体经历了三个阶段[19]:

第一阶段从达特茅斯会议到20世纪80年代，基于数理逻辑的符号知识表示与推理是这一阶段人工智能的主要研究方向与特色。在这一阶段，自然语言处理、专家系统、定理自动证明与自动推理等领域，取得了一系列重要成果。

第二阶段从20世纪80年代到90年代末。在这一阶段，人工智能科学家们逐渐将目光转向“知识”，将人类的“专家知识”导入人工智能系统，使之能够解决更实用、更专业的问题。因此，专家系统得到快速发展，出现了大量的新型“专家系统（Expert System）”。但是，由于作为专家系统核心的知识表示与推理机制的内在局限性，以及数据和计算力等计算基础架构与设施的严重制约，“专家系统”的大规模应用遭遇瓶颈，第二次人工智能热潮也随之降温。

第三阶段是21世纪初至今。进入21世纪，尤其是从2006年加拿大计算机科学家乔弗瑞·欣顿（Geoffrey Hinton）提出“深度信念网络”（Deep Belief Network）[20]开始，随着深度学习技术的不断成熟，加上互联网快速发展积累的海量数据、大规模并行处理、高性能计算等带来的计算机运算速度大幅增长，人工智能技术的发展因此明显提速，并最终在2012年前后迎来全面爆发。

“深度学习”（Deep Learning）被广泛认为是人工智能发展第三阶段的标志。近年来，“深度学习”在自动翻译、自然语言处理、图像识别、人机博弈等传统人工智能领域，取得了极大进展；特别是2016年，基于“深度学习”的AlphaGo战胜了李世石，更是掀起了人工智能的第三次浪潮。此次浪潮的最大特点就是人工智能在多个领域真正突破了人们的心理阈值，达到了“可用”的标准，并逐渐走进了业界的真实应用场景[21]。

与此同时，从2015年开始，谷歌、Facebook、亚马逊、微软、Oracle等国际著名IT公司，相继发布了自己的人工智能开放平台；国内的百度、阿里、腾讯、科大讯飞先后承担了国家级AI行业应用开放平台的建设，以旷视、商汤为代表的一批新兴AI公司，也推出了各具特色的人工智能应用开发平台。这些进展，为开展人工智能在各个行业的创新与应用，特别是教育应用，提供了无限的可能。

（三）当前人工智能的发展局限与趋势

“深度学习”近年来很热，它作为机器学习的一个分支，其基础来源于人工神经网络（Artificial Neural Network）。人工神经网络是从信息处理角度来抽象、简化和模仿人脑的神经网络的计算模型[22、23]。“深度学习”是多层的神经网络，因此，又被称为深度神经网络（Deep Neural Network），其本质是通过多处理层组成的计算模型来学习数据表征（Representations）。这种方法显著推动了语音识别、视觉识别、自然语言处理、目标检测以及许多其他领域的技术发展[24]。

正如深度学习专家书亚·本吉奥 （Yoshua Ben-gio）所说的：“没有可与深度学习竞争的人工智能技术”[25]。今天的人工智能研究者，几乎无人不谈深度学习[26]。尽管如此，我们认为，“深度学习”不等于“人工智能”，它不是人工智能的全部，更不是人工智能第三次浪潮的全部。但不可否认，“深度学习”是今天具有真正生产力意义的人工智能之基础。由于目前“深度学习”本身所具有“短板”，因此，也为以其作为基础的“人工智能”技术的发展，带来了一些“隐忧”。

1.并非“学习”

“深度学习”虽被冠以“学习”之名，在其研发的过程中也声称受到了大脑学习机制的启示，但实际上却绝非是对大脑功能的模拟或仿制。深度学习领域著名的三位学者之一Yann LeCun，在2014年接受IEEE Spectrum采访时就表示，对深度神经网络，他最不喜欢的描述是“它像大脑一样工作”[27]。乔弗瑞·欣顿本人也认为，深度学习算法的运作方式与大脑学习方式“显然不同”[28]。深度学习的背后是统计学的支撑，神经生理学所起的只是一点点启发作用。因此，深度学习在一个领域“学习、掌握”的“技巧、经验和能力”，很难迁移到另一个新的领域，无法做到“触类旁通”。

2.数据瓶颈

经过标注的大样本、高品质的训练数据，是“深度学习”取得成功的重要基础。可以说，数据尤其是标注好的数据是当今人工智能的基石，它是训练“人工智能”的前提。人工智能之所以在金融、医疗、司法等领域的应用走在前列，主要就是因为这些行业数据的结构化程度原本就很高，便于知识的表达、样本的标注。但并非所有的行业都具备这样良好的基础（教育行业就在其列[29]），加之基于小数据及无标记数据的无监督学习算法研究进展之迟缓，因此直至今日，“深度学习”仍然无法克服对训练数据集的依赖。

3.不求甚解

再从基础来看，“深度学习”算法主要是基于经验的、尚不可靠的数学基础之上。输入大量数据后，机器通过自动调整参数，完成深度学习模型，应该说，这样的方式在许多领域都可以达到不错的结果。但是，模型中的参数为何这样设置，其中所蕴含的深层次原理等，都很难解释；甚至会出现模型可能起作用，但往往处于错误原因的情况[30]。因此，其“解释性”很弱，在某种程度上形成了一个又一个的“黑箱”。

这些问题早已为人工智能科学家所察觉，人工智能科学家们也已经开始构想未来人工智能的形态，并尝试各种新体系、新模型，以突破和超越目前深度学习的既有框架。但客观地说，这条发展之路会相当漫长。因此，我们认为，在可预见的未来，“深度学习”仍将是人工智能的主流，而这一事实，也必须成为讨论人工智能与教育结合的基础。

二、当前“人工智能+教育”的可能路径

在理想状态下，人工智能技术可以应用于任何领域；自然，教育教学领域任何环节，也都可以与人工智能融合。但客观地说，当前教育领域人工智能融合的水平、规模、投入、成效及发展速度等，还落后于其它行业。造成这种局面的原因，除了受制于人工智能技术本身的局限或发展水平，更主要是因为教育领域对人工智能的接纳准备度还不足：（1）在客观方面，教育领域所投入的信息技术与装备的完善程度，比如，教育云和大数据基础设施的建设水平，教育大数据（包括教育知识图谱）的完整程度、覆盖范围、丰富性、开放程度及安全性等都还不够。（2）在主观方面，主要受制于现有教育领域主体的思想观念，许多教育工作者心有疑虑：具体到教育领域的人工智能应用，究竟哪些能实实在在发挥作用？又该如何着手？

可见，人工智能尚未给教育带来突破性的变革作用。但不可否认，人工智能已经成为教育创新的一大源泉。我们认为，人工智能对教育的作用，可以大致体现在感知、知识和认知三个层面上[31]（如图1所示），目前，各种形式的“自适应学习系统”为其主要应用形态。

图1 人工智能对教育作用的层次划分

1.感知层面

主要体现在智能感知，即计算机的视觉、听觉、触觉等感知能力。感知层应用是评估学生学业知识水平与学习状态，并按照评判结果为用户推荐下一个步骤或路径的基础。深度学习技术的突破，带动了语音识别、图像识别、影像识别等感知识别技术的大爆发。计算机实时采集形成的数据集，通过感知识别技术，可了解用户当前的状态，如，情绪状态、认知负荷状态等。因此，“智能感知”作为当前人工智能技术的“强项”，在对学生学业知识水平与学习状态的评估方面，表现出很大的潜力。例如，在一个自适应学习系统中，可以通过实时采集或根据原有测评数据，用感知识别技术对测评数据进行分析，能够准确识别出学习者当下的学业水平、情绪水平，并推送与其所处水平相适应的学习资源和学习路径。现在大部分的教育人工智能应用都属于这一层次，即还处于人工智能应用的较低水平，只是通过感知技术以达到初级的学习目的。

2.知识层面

知识层应用是在简单“感知—推荐”的基础上，更为深入、更精准地分析当前状态与所需达成目标之间的距离，判断其间缺失的环节和达成目标所需的资源，并利用机器学习算法，找出从当前状态到目标之间的最优路径，这同时也是构建学习模型的过程。教育教学手段的优劣，更多要从教学规律及学生发展的角度来考量。比如，评价一种问题解决方法是否最优，可以从是否新颖、是否最简（步骤最少、涉及因素最少）、是否在学生可理解范围、是否对理解掌握其它概念有帮助等方面来判别。因此，算法不仅要学习感知数据（用于训练学生模型），还需要依托教育教学的方法知识库（方法模型）；此外，还需要有行为数据的辅助，难度可想而知。在此应用场景下，学科知识图谱（内容模型）则起到“路线图”的作用。

3.认知层面

与前两个层面相比，认知层面作用的特点是在数据分析基础上，根据不同学生的认知特点，对学生的学习过程进行主动干预，以达到优化学习过程、科学评价学习效能等作用。基于认知层面能力的自适应学习系统，能够将模型应用于指导、干预、优化学习过程并做出科学评价，这可以被认为是真正具备“智能和自适应”功能的系统。

综合上述三个层面，我们可以勾勒出一幅目前的人工智能技术与教育结合的可能图景：第一，在教、学阶段，人工智能技术可以先收集行为数据，分析学习者的学习风格、预测学习进度、侦测能力缺陷、规划学习路径，并据此建立自适应学习系统和分级阅读系统；第二，在练习阶段，计算机可以通过人工智能技术便捷、灵敏地收集、分析学生在练习中所产生的数据，降低了分析难度、缩短了反馈周期；然后，针对学习者在练习过程中出现的问题，有针对性地推送相应的学习资源，从而有效提升练习效能；第三，在评价阶段，可以通过图像识别、语音识别、自然语言处理和情绪识别等人工智能技术，判断学习者学习状态和学习效果等。

客观地说，就目前来看，人工智能技术在建立学生个性化学习空间、优化个人学习过程和提升学习效能等方面的应用，前景可以预期，其价值也相对容易判断；但在对学生的批判性思维、创新能力、问题解决能力、情感道德等方面的促进，人工智能所能发挥的作用就远低于学生在命题性知识学习过程中所能起到的作用。可见，在短时间内，人工智能还不足以应付教育领域的全部任务，更不可能出现人工智能取代教师这样的情况。

需要指出的是，上述只是根据目前人工智能的发展水平所做出的“应然判断”。但实际上，一方面，由于经“感知层”处理（也就是通常意义上的“打标签”）的数据相当稀缺，大大制约了通过人工智能“感知”学生知识水平和学习状态的可能；另一方面，为“自适应”推送起“向导”作用的知识图谱（包括学科知识图谱与教学知识图谱）还未被真正构建。因此，真正具备“智能和自适应”功能的系统还难以产生。

三、当下人工智能技术对教育的影响与作用

在探讨人工智能技术对教育的可能影响之前，我们需要特别指出的是，本文这里所做的判断主要基于“一个基础、一个前提”：所谓基础是人工智能技术的当下发展。正如前述，人工智能还处在发展过程中，我们无法有效预测下一个具有突破意义的人工智能技术会在何时、以何种面貌出现。因此，在这里所做的判断基础，只能是诸如深度学习等在当下已发展成熟，并形成“生产力”的这些技术。所谓前提是各项当前阻滞人工智能技术在教育领域应用、发展的障碍已被扫除，人工智能技术已在感知、知识、认知三层面充分发挥作用。在上述基础与前提之上，从长远来看，我们认为，人工智能技术对教育领域所产生深远影响，将主要体现在以下几个方面：

（一）加速传统教学组织向新型教学组织转化

传统按部就班式的知识学习，尤其是命题性知识的学习，将越来越以“个别化”的面貌出现。这意味着个体的命题性知识的学习时间、空间，将根据个体特征或需求被灵活安排、及时调适，从而告别传统命题性知识学习的统一时间、统一地点、统一师资之格局。在这样的局面下，可以预见，为命题性知识的传授提供时空便利的传统班级、年级等教学组织，将逐渐淡出教育领域。

同时，对默会知识、程序知识的习得，以及对如何应用知识、生产知识的学习，将成为未来学校教育的重点。这意味着在班级、年级等传统教学组织逐渐淡出的同时，针对上述教学需求的新型教学组织将逐步兴起[32]。相较于传统的班级、年级，这类组织的灵活性、目的性将更强。这也意味着，项目学习等新学习方式，将成为学校教育的主流，这也将使得学校的特色将更加鲜明，千校一面的局面会被打破。

（二）促进教师角色的分解与职能转变

近年来，随着人工智能技术的发展，教师的“人工智能替代论”甚嚣尘上。我们认为，一些预测分析报告提出的“教师替代论”只是一种发展趋势，应该不会在短时间内发生。比如，一份来自牛津大学的研究报告揭示：在对美国702种职业进行分析后，认为在不久的将来，其中的47%将被人工智能所替代；但报告同时指出，高等教育管理者和高等教育教师分别以1%和3.2%的几率，位列将来可能被人工智能替代职业排名的第52位和112位[33]。

正如“第三空间学习”的创始人汤姆·胡珀（Tom Hooper）所指出的：“人工智能不会取代教师，相反，它将支持他们，并引导他们成为更好的老师”。换言之，在人工智能技术的渗透或催化下，过去由教师一人所身兼的学习组织者、教授者、指导者、评价者、学习促进者等多重角色身份[34]，将会被有效分解[35]。除命题性知识的教授者这一角色将逐步淡出外，其他角色功能，将在人工智能技术的加持下，会逐步被更加专业的单一身份教师（或精于某几项专业的教师）所承担，原有主要以学科划分教师的做法，包括课程体系、教学方式等，也将随之发生一些变革。这对目前已有的教师管理、教师教育、教师发展模式，都提出了严峻的挑战，我们应该未雨绸缪。

（三）加速数字校园向智能校园的不断进化

数字校园是以高度发达的计算机网络为基础，以信息和知识资源的共享为手段，以面向服务为基本理念，构造出的网络化、数字化、智能化有机结合的新型教育、学习和研究的教育环境[36-38]。我们认为，智慧校园是数字校园的一种高端形态，是教育信息化发展呈现智能化、开放化、个性化特性后，数字校园所发展的必然趋势[39、40]。人工智能技术将通过构建技术赋能的智能化、个性化管理及教学新型环境，实现校园精准管理以及教学方法和模式的创新，学校教学、管理流程等得以优化，使得校园管理更加精细化，服务更加个性化，从而推动“数字校园”向“智能校园”的不断“进化”。这一发展趋势应该是明确的，需要我们在理论、实践方面不断探索与丰富完善。

（四）提高教育区域治理效果及宏观决策水平

人工智能技术的应用，将有效支持教育管理部门和教育机构变革管理体制，优化运行机制和服务模式，全面提升区域教育治理及宏观决策水平；运用大数据和人工智能技术开展教学过程监测、学情分析和学业水平诊断；实施多维度、综合性素质评价，精准评估教与学的绩效，实现因材施教等等。总之可以预见，在人工智能技术不断支持、促进下，智能学情监测与全过程动态教育评价体系将得以建立，区域教育治理及宏观决策水平也将得以提高。

（五）扩大优质教育教学覆盖范围，以促进教育公平

目前，我国城乡、地域间教育差距较大，优质教育资源总量不足。而随着基于人工智能技术的自适应学习系统的应用与推广，将精准而有效地扩大优质教育、教学资源的覆盖范围，不断促进教育公平。同时，随着学习系统智能化程度的逐步提高，自适应学习系统的广泛部署与应用，一些欠发达地区优秀教师之欠缺及优质教育资源匮乏等问题，会得以有效缓解，更多的学生将得到更丰富、更个性化的学习机会和教育、教学资源。

（六）形成新型教师教育体系，并提高教师综合能力

借助人工智能技术的发展，精准、高效的智能化教师能力培训平台将得以建立，融高校师范生培养与教师职前、职后培训于一体的新型教师教育体系，也将逐步形成并发挥作用。也就是说，人工智能与教师专业发展的融合速度会加快，教师的综合能力也将随之进一步提升。

我们需要特别指出的是，人工智能技术与教育融合的初衷，自然主要是为了提升学生的学习效能，使得学生能在快速、良好地掌握命题性知识的基础上，充分发展综合素养和能力。但在当前“纸笔考试”仍然风行、命题性知识几乎仍然被作为中、高考唯一考察的知识类型这样一种社会现状下，人工智能技术在教育领域的应用过程中，需要特别防范人工智能技术与应试教育的结合，因为这种结合，可能会带来一系列“副作用”，所以我们需要防止“技术滥用”或“应用走入岐路”。

四、推动人工智能与教育融合的一些建议

综上，在今天，人工智能对教育产生的巨大推动与变革作用，已然成为国内外的一种共识。但上面所述的人工智能对教育的影响，还只是基于现有技术上的可能性分析，并不是必然结果。所以，教育若要其按照我们所期望的道路前进，所需要的一些条件或工作基础，则应是我们认真准备与面对的。

（一）进一步推动教育领域人工智能基础设施与工程的落地

当下，我们要以实现教育信息化2.0目标、中高考改革及新课程标准的实施作为契机，坚持应用导向、目标导向、问题导向，全面应用人工智能技术，不断完善教育领域的计算、数据和网络基础设施，需要加快研制 “国家自适应考试系统”和 “教育知识图谱”，使得人工智能与教育的融合，实现设计、教学、评估的配套与“三落地”，切忌出现“项目一窝蜂、效果喊口号、应用重表象”的情况。

（二）进一步完善教育数据及其采集的规范与标准

需要不断提高教育大数据基础设施的建设水平，构建与优化基于云计算、智能感知和数据挖掘等技术的信息化环境，以及伴随式搜集教育宏观和教学微观数据；要运用教育数据标签与标签标注化技术，切实提高教育数据质量与有效应用。要在保护个人隐私和数据安全的前提下，建立更有效的教育数据共享机制，推进教育大数据在各类教育系统、各个教育部门和各项教育业务中的应用。

（三）完善人工智能研发与应用人才培养体系

必须进一步贯彻教育部 《高等学校人工智能创新行动计划》，支持高校完善人工智能领域学科布局，设立人工智能专业，推动人工智能领域一级学科建设[41]；形成“人工智能+X”复合专业培养新模式。我们要通过普及人工智能教育及实施高中信息技术新课程标准，鼓励高中根据新课程标准，开设《人工智能初步》《数据分析与管理》及 《开源硬件项目设计》等人工智能相关课程，并同步配套、建设相关的创新实验室；同时，要鼓励有条件的中小学引入人工智能相关普及性的特色课程及特色实验室；与信息科技有关的创新实验室，应设置与人工智能教学相配套的实验环境。

（四）提升教育工作者的人工智能相关知识与能力水平

要统一规划中小学信息技术学科教师的培养与高校相关学科建设，在有条件的师范大学，要单独开设人工智能、人工智能与教育等相关课程；积极探索教师教育的新模式，为未来教育工作者提供人工智能技术相应的知识和能力储备。为此，我们建议将人工智能的内容列入教师信息素养提升工程，提高教师和教育管理者对人工智能技术重要性的认识和素养水平。同时，加强对教育从业者、家长和学生在人工智能的安全法规、伦理道德等方面的教育和实践指导。

五、结语

当下，以人工智能技术为代表的新科技革命正在到来，可以预见，伴随着新技术的快速发展，人工智能必将进入教育领域，也必将在教育领域发挥巨大作用，这是世界教育发展的大趋势，也是中国教育现代化进程的必然选择。我们认为，中国要赶超先进，真正成为教育强国，就必须牢牢把握这一时代契机，积极研究并扎实推进人工智能与教育教学的有效融合，构建一个“教育+人工智能”的良好应用生态。而要实现这一目标，就必须在认清、把握人工智能本质的基础上，做好人才培养、观念、资源、设施设备、软硬件等方面的准备，这可能也是“教育信息化2.0”开局阶段最重要的任务之一。