全球“AI+教育”行业为何需要一场AIAED大会?

向全球征集论文, 70多位全球顶级AI及教育教授专家参加,吸引200多家投资机构,AIAED大会为何可以集合全球目光?

扫码报名活动

如果要评选出2018年教育行业的热词,“人工智能”绝对榜上有名。

从“深蓝”击败国际象棋世界大师卡斯帕罗夫开始,“人工智能”一词就从科幻电影中渐渐逼近人们的生活。2017年高考期间,机器人艾达挑战高考数学,10分钟就答完,并获得134分,引发人们对教育的忧虑与反思,但与此同时,人们利用人工智能推动教育变革的决心也更加坚定。

“AI+教育”浪潮已全面展开

在海外,业内一些科技大咖都公开表示了对于“AI+教育”落地的支持态度。如全球机器学习教父、卡耐基梅隆大学计算机科学学院机器学习系主任Tom Mitchell认为,“通过AI,可以不断获取学生最新的数据,然后反向让整个教学过程更加个性化,CMU(卡耐基梅隆大学)有一些相关科学研究,提出了这样的机器学习场景,即使用了机器学习的工具后,一个机器或许能收集高达十万名学生的答卷并分析出错原因和规律,在过去,一位老师穷其一生都不能达到这样的效果”。

梅琳达基金会也在经过对人工智能自适应(即智适应)学习深入研究后表示,智适应教育是“当下我们(在教育领域)最需要的东西”;由Gall-inside高等教育机构调查显示,三分之二的高等院校的校长认为智适应学习会对高等教育产生积极的影响。

基于此,一些科技巨头、风投基金、行业大佬也纷纷将视线转向了“AI+教育”,重磅押注“AI+教育”:Facebook的扎克伯格专门成立了一家扎克伯格基金会,投资了印度的和美国的多家AI教育公司;他和其妻子Priscilla Chan成立的陈·扎克伯格行动(Chan Zuckerberg Initiative,缩写CZI)供有250名员工和两个办公室,项目旨在“提升人类潜能,促进下一代所有儿童的平等,在三年内将投资3亿美元发展科技驱动的个性化学习。比尔盖茨也拿出了3亿多美金来做AI教育的研发;乔布斯的太太更是一口气投资了10家人工智能教育公司;科技巨头谷歌公司投资了 Duolingo、Renaissance Learning、Cambly、English Central、LostMyName五家AI教育公司,不仅如此,这家搜索巨头还成立了专用的人工智能基金Gradient Ventures,在为Elsa(一家为英语学习者运营应用程序的初创公司)带来700万美元的A轮融资后,正在将目光投向亚洲。

而在中国的“AI+教育”赛道上,仅2018年一年,共有44家资本/企业参与了投资。其中,既有原本的K12教育巨头,比如新东方、好未来等,也不乏互联网巨头,比如腾讯。此外,红杉资本、真格基金、经纬中国、淡马锡、老虎环球基金等知名投资机构也纷纷入局。从融资金额来看,除2起未透露金额外,2018年“AI +教育”领域80%的融资金额在1亿元人民币以上,大部分的融资金额集中在1亿至5亿元人民币。

资本的助推让海内外的“AI+教育”机构得以迅猛发展:在北美,最早的AI自适应教育公司Knewton通过数据收集、推断和建议提供个性化学习,目前有2000万北美的学生在使用该软件;RealizeIt是美国高等教育领域个性化和自适应学习产品的最大提供商,提供的自适应课程超过4万;ALEKS是美国第一家获得规模化商业成功的K12自适应系统,2013年被Mcgraw Hill以上亿美元的估值收购。

在印度,Byju's于2007年成立,主要面向K6-K12学生,用户量超过2500万,并得到腾讯、扎克伯格夫妇旗下基金、红杉资本等明星投资机构青睐,估值已攀升至51.6亿美金。 

据不完全统计,在海外,“AI+教育”已覆盖了不同国家、不同年龄层,从小学、初高中、大学到职业教育的近百个学科,有一百多家公司,有9000多万用户都在使用智适应教育产品。

而在中国,目前已有60家机构入局“AI+教育”赛道,而每家机构的发力点也不尽相同:

好未来主要研究将计算视觉技术、语音识别自然语言处理技术等AI应用到整个学而思的教学服务当中;VIPKID致力于“AI+数据”赋能教学全场景闭环;新东方和科大讯飞联合推出一款智能识别口语和作文的批改产品,未来将首先用于新东方留学语培业务;英语流利说则结合了语音识别、口语评测和自适应学习等多种AI技术,在庞大数据库的基础上,可以做到真正千人千面的定制化学习,帮助英语学习者快速提高英语水平;学霸君研发了基于自然语言处理的AI教学系统,可以实现学生学习行为轨迹还原,不断深耕智能化教育;

松鼠AI智适应教育致力于打造“以学生为中心”的智能化、个性化教育,在教、学、评、测、练等教学过程中应用人工智能技术,在模拟优秀教师的基础之上,达到超越真人教学的目的……

据CNNIC的预测,到2020年,“AI+教育”将带来3000亿的庞大市场规模,现已成为巨头和资本争抢的下一个风口。

综合来看,“AI+教育”的蓬勃发展得益于人工智能技术的提升和人工智能场景的应用。截至目前,从构建人工智能教育技术框架体系开始,在数据层要素、以机器学习数据挖掘为主的算法层要素、包含计算机视觉、智能语音技术、自然语言处理知识图谱和生物特征识别等在内的技术层要素等人工智能技术方面,人类均取得了巨大的进步。

然而,在“AI+教育”迅猛发展的背后也有隐忧。其中,既有技术和产品方面的壁障,也有商业化陆地方面的困难。

比如,在技术层面,AI在语言、视觉和听觉等方面达到语义贯通仍存在一定的困难;在数据层面,每个机构的教学数据实际上是一个“孤岛”,无法实现互动中数据的实时处理和信息反馈;在落地化方面,还没有形成完整的教育闭环……

由此看来,加强交流合作才是“AI+教育”机构共谋发展的必由之路。俞敏洪也认为,“未来教育领域合作一定大于竞争。因为教育领域从来不会出现垄断人物和垄断机构。”为了更好的推动人工智能教育产业的发展,集合全球各个科研机构、投资机构、教育机构的力量,在技术、数据、商业化等方面互通有无就显得尤为重要。

基于此,2019年5月24日-25日,“第三届AIAED全球AI智适应教育峰会”即将在北京举办。

第三届AIAED全球AI智适应教育峰会前瞻

据悉,AIAED大会以“在全球普及人工智能教育,推动人工智能技术对教育的改变和发展,为了人类更好的教育公平性和教育成果做出贡献”为宗旨,此前已经举办过两届,在“AI+教育”领域引发了巨大关注。

第一届AIAED大会于2018年4月举办,由松鼠AI发起,Knewton、ALEKS、新东方、好未来等教育机构,以及华平资本、高瓴资本、经纬中国、SIG、景林投资、国科嘉和等60多家风投机构纷纷参与。这次峰会汇聚了来自中美欧等世界级学术领域的精英学者,促进“AI+教育”在全球范围内的交流和协作,并为创业者和投资机构提供了一个交流的舞台。

第二次AIAED大会在2018年11月召开,由松鼠AI联合雷锋网、以及IEEE教育工程和自适应教育标准工作组共同举办。美国卡内基梅隆大学计算机学院院长Tom Mitchell教授、美国三院院士/机器学习泰斗Michael Jordan、乂学教育-松鼠AI创始人栗浩洋、ALEKS前主席/现任首席产品官Wilmot Lampros等人发布主题演讲,探讨了人工智能发展前沿、人工智能与教育的方法论和前景。此外,本次峰会还吸引了包含淡马锡、General Atlantic、中金资本、歌斐资产、鼎辉、凯雷在内的一百余家总计数千亿规模的风投参加。值得一提的是,此次AIAED大会异常火爆,在第一个主会场爆满后,仍然有1000多个观众没有座位,主办方不得不临时增开第二会场,每个嘉宾的演讲都需要在两个会场各讲一遍。

第三届AIAED全球AI智适应教育峰会的主办方为乂学教育-松鼠AI智适应教育、IEEE教育工程和自适应教育标准工作组、中国自动化学会、新东方、好未来等机构,为众人带来最前沿的人工智能技术、教育理念,以及最新的商业模式。

据悉,此次峰会设有论文、学术、产业、商业、投资、政府及娱乐七大板块,剖析AI+教育行业在产学研各界的发展状况,纵观总体格局。

尤其在“AI+教育”机构越来越重视人工智能技术的情况下,第三届AIAED全球AI智适应教育峰会顺应时势,成为中国首个面向全球征集有关人工智能教育技术、教育理论的相关论文的科技峰会。经过一众专家评审后,优秀的论文将会收录与2019AIAED论文集。

并且,本次峰会还将邀请众多国内外教授学者以及商业领袖,机器学习教父Tom Mitchell教授、MIT人工智能实验室主任Daniela Rus、AIED主席Rose Luckin教授、ASU-GSV教育大会联合创始人Michael Moe、AI教育学术大会Rose Luckin等人均将到场分析产业现状,助推智适应教育产业的发展。

与此同时,本次峰会也为“AI+教育”的创业者和投资者提供了一个交流的平台。众多互联网巨头均对此次峰会表示出浓厚的兴趣。

此外,本次大会还将设立由“机器学习之父”Tom Mitchell教授领衔的委员会,下设技术论坛,包含8个技术领域:机器学习深度学习的应用、教育领域数据挖掘、多模态综合学习行为分析和情感计算自然语言处理语义分析、智适应系统的自我改进、学习工程学:AI与学习工程的交互、AI在K12领域的应用、AI4K12、标准和基础建设、图像识别和处理的应用,集合了全球一众科技大咖的智慧和力量。

截至目前,第三届AIAED大会已确认参会的AI及教育领域教授专家70多位,部分确认嘉宾如下:

Tom Mitchell教授

机器学习教父、松鼠AI首席AI科学家、第三届AIAED大会主席

全球公认的机器学习教父,在全球人工智能实力排名第一的卡耐基梅隆大学创办了人类历史上的第一个机器学习系并担任系主任。美国《Machine Learning》杂志、国际机器学习年度会议(ICML)的创始人。他的经典著作《机器学习:一种人工智能方法》被认为是行业圣经,销量惊人。他的学术论文专著超过130篇,在包括《Science(科学)》、《Nature (自然)》等世界顶级学术期刊发表。

Daniela Rus

MIT人工智能实验室主任、第三届AIAED委员会成员

美国工程院院士,曾经一手创办了达特茅斯学院机器人实验室。Daniela Rus开创的可编程物质和分布式机器人的研究让其成为人工智能领域地位最高的女性。

John Couch

苹果公司负责教育的第一副总裁

John Couch是苹果公司负责教育的第一副总裁,也是《重塑教育》(Rewiring Education)一书的作者之一。他1969年在伯克利获得计算机科学学士学位。1970年,他获得了电气工程和计算机科学硕士学位。他离开了这个项目,去惠普做软件工程师。2000年,他被授予杰出校友称号;2010年,约翰被授予费城大学荣誉博士学位,以表彰他对教育的创新贡献。

Michael Moe

GSV Capital创始人&CEO,ASU-GSV教育大会联合创始人、第三届AIAED委员会成员

他是纳斯达克上市公司GSV Capital 的创始人和CEO。ASU-GSV教育峰会每年吸引超过4000名参会者和400家公司,入选《纽约时代周刊》“必须参加的会议”榜单。历届出席的名人有小布什、奥巴马总统、比尔盖茨、人工智能领域专家Andrew Ng教授、乔布斯遗孀Laurene Powell Jobs等。同时投资了AI教育公司Dreambox、Knewton、AltSchool等。担任Coursera、Course Hero、Class Dojo等多家知名教育公司的观察员。

Rose Luckin

AI教育学术大会AIED-2018会议主席、第三届AIAED委员会成员

她是伦敦大学学院教授,伦敦知识实验室负责人。著有《机器学习与人类智能》,国际顶尖AI教育学术大会AIED-2018会议主席,国际人工智能教育(AIED)协会执行委员会委员。

Xiangen Hu胡祥恩、第三届AIAED委员会成员

美国孟菲斯大学心理学、计算机工程、计算机科学系教授、华中师范大学心理学院院长

美国孟菲斯大学心理学智能系统研究所先进学习技术(ALT)实验室主任,担任美国国防部先进分布式学习(ADL)国家实验室分部主任,主要研究方向为认知数学模型、人工智能和智能教学、统筹数据分析统计模型等方面。他还组织了2017年AIED大会等大型活动。 胡教授是国家组织部第七批“千人计划”学者并兼任华中师范大学心理学院院长。

Avron Barr

IEEE学习技术标准委员会主席

Avron Barr是硅谷的资深人士,他认为人工智能将改变教育和培训。他和斯坦福大学的Pat Suppes和Dexter Fletcher一起对智能辅导系统进行了早期研究; 编辑了四卷的人工智能手册; 并于1980年共同创立了一家AI创业公司。近年来,他担任DARPA DARWARS沉浸式培训系统项目的顾问;并在斯坦福大学的互联网上教了10年的新生研讨会。他目前担任IEEE学习技术标准委员会主席,并与IDA和ADL合作开展全面学习架构研究项目。

Robby Robson博士

IEEE委员会成员、前IEEE学习技术标准委员会主席、第三届AIAED委员会成员

Robby在学术界和工业界有20多年领导研究和开发项目方面的成功领导经验。在2000至2008年期间,担任IEEE学习科学标准委员会主席。应用领域包括从因子算法和计算语言学到学习管理系统,数字图书馆和能力管理。自1995年以来,一直致力于新兴技术在学习、教育、培训和相关领域的应用。现为能力和技能系统项目的主要研究者(www.cassproject.org),并致力于智能辅导系统以及自然语言处理(NLP)和机器学习的商业应用。

Ken Koedinger博士(放到两个IEEE的后面)

美国卡耐基梅隆大学计算机、心理学系教授、 LearnLab研究室主任、第三届AIAED委员会成员

他领导开发的Cognitive Tutor软件已应用在数以千计的学校,帮助了大量学生提高成绩。他拥有多学科背景,将人类学习和创造教育技术以提高学生成绩的研究目标。他的研究为教育软件的设计提供了新的原则和技术,并产生了关于学生思考和学习本质的基础认知科学研究成果。 Koedinger指导LearnLab, 该计划始于美国国家科学基金会10年的资助,现在属于CMU Simon Initiative的科学部门。 LearnLab建立在认知导师过去的成功基础之上,这是一种在数千所学校中使用的在线个性化辅导方法,并且一再被证明可以提高学生的学习成绩。他是卡内基学习公司的联合创始人,该公司自1998年成立以来,已为数百万学生提供基于认知导师的课程。 Koedinger博士撰写了250多篇同行评审的出版物,并且是超过45项拨款的项目调查员。

Cynthia Breazeal 

麻省理工学院媒体艺术与科学的副教授、MIT媒体实验室(Media Lab)个人机器人小组负责人、第三届AIAED委员会成员

Cynthia Breazeal博士是麻省理工学院媒体艺术与科学的副教授,她在MIT媒体实验室(Media Lab)创立并指导个人机器人小组。 她还是Jibo公司的创始人兼首席科学家。她是社交机器人和人机交互的先驱。 她撰写了《设计社交机器人》一书,并在自主机器人,人工智能人机交互机器人学习等主题的期刊和会议上发表了100多篇同行评审文章。 她在自动机器人,情感计算,娱乐技术和多代理系统领域的多个编辑委员会任职。 她还是波士顿科学博物馆的监督员。

Dave Touretzky

卡内基梅隆大学计算机科学系和认知神经基础中心研究教授、AI4K12协会联合主席、AIAED2019青少年、AI4K12项目联合主席、AIAED2019大会委员会顾问

Touretzky教授的研究聚焦人工智能,计算神经科学和学习领域。 包括机器学习、空间神经表示等。他的多篇学术论文在世界著名顶尖大会发表和学术期刊发布。他的“Advances in Neural Information Processing Systems”学术论文被世界顶级AI大会NeurIPS(原NIPS)收录,并多次被世界学者引用。2006年,他被计算机协会评为为杰出科学家。Touretzky教授担任联合主席的AI4K12组织,由世界顶级AI学术组织——人工智能促进协会(AAAI)和计算机科学教师协会(CSTA)联合成立,用于制定美国国家教育指导方针,教授K-12学生人工智能

Paul Kim

斯坦福教育学院副院长兼CTO、第三届AIAED委员会成员

他本人在教育科技领域有18年经验,在联合国教科文组织等其他国家政府会议发言,2010-13年之间在WestEd任advisor、国际教育创新孵化器Seeds of Empowerment创始人,曾任美国国家科学基金会教育和人力资源管理局、美国国家科学院重大挑战与国际发展委员会顾问。担任多个国际教育科技项目的顾问,包括沙特阿拉伯的国家在线教育提议,乌拉圭的One Laptop Per Child项目,卢旺达的国家信息通信技术规划等,在多家教育科技公司、研究所、创新学校担任顾问和董事会成员领导全世界各地教育科技项目的设计、学校落地工作。

Alex Beard

Senior Director, Global Learning Lab of Teach for All

Alex 在教育领域有十年经验,在伦敦担任英语教师之后,他在教育学院完成了硕士学位,之后加入了Teach for ALl,这是一个不断发展的全球组织网络,致力于确保下一代发挥其潜力。他很幸运能够在世界各地旅行,寻找能够塑造学习未来的实践,并在“卫报”,“金融时报”,“标准晚报”,“独立报道”和“连线报道”等撰写经历。 他的着作“自然出生的学习者”(Natural Born Learners)是二十一世纪改变学习的用户指南,带领读者进入一个令人眼花缭乱的全球教育之旅,从硅谷到首尔,赫尔辛基再到豪恩斯洛。

Kang Lee博士

加拿大多伦多大学(University of Toronto)应用心理学和人类发展系教授、第三届AIAED委员会成员

他的研究领域包括:青少年道德观念的发展、面部处理专业知识的发展、儿童和成人面部加工的神经机制、儿童和成人说谎的神经机制。研究孩子如何掌握说谎的概念和道德含义,孩子是否容易上当或者能够发现别人的谎言,以及孩子是否可以在各种社交场合中说出令人信服的谎言。他还研究了影响说谎和说实话发展的认知 - 社会 - 文化因素。此外,通过神经科学方法(例如,EEG,fMRI,fNIRS)来检查儿童和成人的说谎和说话的神经生理相关性。他还使用心理物理学方法来研究儿童和成人如何处理稳定和动态的社交信息。关注儿童和成人如何感知,编码和识别不同类型的面部(例如,种族)。还使用了神经科学方法(例如,EEG,fMRI,fNIRS)来检查儿童和成人的面部处理的神经生理相关性。获得中国国家自然科学基金会颁发的国家杰出海外学者奖;加拿大创新基金会领导者机会基金奖等多项大奖。

Lin Zhou

The New School首席信息官、高级副总裁、前IBM Watson Education项目总监、第三届AIAED委员会成员

Lin Zhou博士是纽约市The New School的高级副总裁兼首席信息官,前IBM Watson Education项目总监。他领导整个大学的信息技术转型和服务。 Lin在三个行业担任过多个领导职位:认知教育技术,半导体和数据存储。 Lin是一名发明大师,入选IBM的行业学院。作为IBM Watson Education的项目总监,Lin在IBM的Watson Education中领导“认知教育初创公司”并管理IBM教育解决方案的整个生命周期方面发挥了关键作用。Lin是IMS全球学习联盟的Caliper标准指导委员会成员。他多年来一直参加多个国际会议组委会,审查科技期刊的出版物,并担任人工智能国际会议的论文审稿人。 Lin已被邀请发表主题演讲,参与论坛和出席圆桌会议。

茹立云 Liyun Ru

葡萄智学创始人、前搜狐COO

2005年,茹立云加入搜狗,先后担任搜索、输入法、商业广告研究部门的负责人、 搜索事业部总经理、搜狗公司副总裁、搜狗公司COO等。在搜狗任职期间,茹立云带领搜狗搜索在多个领域均取得不俗成绩,率先发布分类搜索,推出全新的知识库搜索引擎知立方、搜狗语音助手等产品。创办的葡萄智学致力于开启人工智能助力教育的新范式,凭借AI技术和优质教育资源,提供高质量、个性化的高效教育产品。2018年底完成由光速中国领投,NBT和葡萄控股共同投资的2100万美元首轮融资。

Steve Ritter博士

Carnegie Learning联合创始人、首席科学家

 Steven Ritter博士,于1998年共同创办了卡内基学习公司,并担任首席产品架构师。Ritter博士曾担任卡内基学习的首席科学家和高级认知科学家。 Ritter博士十多年来一直在开发和评估教育系统。 Ritter博士与美国教育部,亨氏捐赠基金会,兰德公司,国家科学基金会,卡内基梅隆大学,匹兹堡大学合作,领导了多个与理解和改进学生学习数学方式相关的研究项目。 Ritter博士担任软件与信息产业协会教育部主任。Ritter博士是Carnegie Learning代数I课程的合着者之一,这是美国教育部认可的两个数学课程之一,科学证明对学生的学习有显着的积极影响。他是众多关于教育技术设计,架构和评估的论文的作者,并担任IEEE学习技术标准委员会工具/代理通信工作组的主席。他是智能辅导系统(ITS)和数据挖掘领域公认的研究员和思想领袖。

Elizabeth Owen博士

Learning Data Discovery公司CEO、Age of Learning学习和数据科学总监

Owen博士是基于游戏的学习分析专家。 在Age of Learning,她专注于通过应用机器学习优化自适应学习系统。 此前,她曾在著名游戏公司Electronic Arts(EA)担任研究员和数据科学家。Owen博士的博士工作基于Games + Learning + Society(GLS)中心,该中心使用基于游戏的教育数据挖掘与EA,Zynga和PopCap Games展开合作。 欧文博士在K12教育界有十多年的丰富经验。

Josine Verhagen

Kidaptive公司数据科学高级主任

利用 (贝叶斯) 统计模型数据科学开发了自适应性学习平台, 旨在使数字教育内容更具信息性和适应性。她还是硅谷的女性编程组织的负责人, 目的是为女性创造一个有利的环境, 以提高她们的技术技能, 并致力于领导能力的发展。此前, 她曾在阿姆斯特丹大学与埃里克-简·瓦根教授合作研究贝叶斯方差分析的模型选择算法, 并在让·保罗·福克斯 (Bfox Fox)指导下在特温特大学研究过测量方差的贝叶斯IRT模型。

崔鹏

清华大学计算机系长聘副教授,博士生导师,2010年于清华大学获得博士学位。研究领域包括大数据环境下的因果推理与稳定预测、网络表征学习、社会动力学建模,及其在金融科技、智慧医疗及社交网络等场景中的应用。已在数据挖掘及多媒体领域顶级国际期刊和会议上发表论文百余篇,并先后获得7项国际会议及期刊最佳论文奖,包括中国入选数据挖掘领域顶级国际会议KDD最佳论文专刊的首篇论文。目前担任IEEE TKDE、IEEE TBD、ACM TOMM等三个Transactions期刊的编委。获得中国计算机学会青年科学家奖,国际计算机协会(ACM)中国新星奖,并入选中国科协首届青年人才托举计划。曾先后获得教育部自然科学一等奖、北京市科技进步一等奖、中国电子学会自然科学一等奖。

产业AIAED教育
相关数据
搜狗机构

搜狗成立于2003年,是中国搜索行业挑战者,AI领域的创新者。目前搜狗月活跃用户数仅次于BAT,是中国用户规模第四大互联网公司。2004年8月,搜狗推出搜狗搜索,现已成为中国第二大搜索引擎。2006年6月,推出搜狗输入法,重新定义了中文输入,目前搜狗输入法覆盖超5亿用户,是国内第一大中文输入法。2017年11月9日,搜狗在美国纽约证券交易所正式挂牌上市,股票交易代码为“SOGO”,开盘价为13.00美元,市值超50亿美元。

http://corp.sogou.com/
松鼠AI机构

乂学教育松鼠 AI 成立于 2014 年,是国内第一家将人工智能自适应学习技术应用在 K12 教育领域的人工智能公司,成功开发了国内第一个拥有完整自主知识产权、以高级算法为核心的人工智能自适应学习引擎「松鼠 AI」,松鼠 AI 采用「智适应系统」与真人教师结合的教育模式,以「智适应系统」为主,负责教学授课,真人教师进行辅助,负责答疑解惑和学生心理辅导等内容。通过人工智能系统模拟特级教师给孩子一对一量身定做教育方案,并且一对一实施教育过程,比传统教育效率提升 5-10 倍。 松鼠AI智适应教育三年时间已在全国20多个省300多个城市开设了1600多家线下学校。累计学生超过100万,付费学生近10万,二次续费率80%。 2017年10月,松鼠AI成功举办了AI领域亚太第一场教学人机大战,引起轰动,实现AI教学机器人比17年教龄的高级老师教学平均高出9分,被中央电视台、美国CNBC卫视、日本NHK电视台、福布斯、财富第一财经等100多家海内外媒体纷纷采访报道。此外,松鼠AI发表的学术论文得到了全球国际学术会议AIED、CSEDU、ACM举办的UMAP认可,并在纽约设计了人工智能实验室,与斯坦福国际研究院(SRI)在硅谷成立了人工智能联合实验室,与中科院自动化研究所成立平行AI智适应教育联合实验室。松鼠AI的核心科学家均是来自美国Knewton、Realizeit、ALEKS等全球独角兽人工智能教育巨头公司的博士后,全球机器学习教父Tom Mitchell,担任首席人工智能科学家。董事长栗浩洋被中国自动化学会人工智能专委会评为副主任。松鼠AI的技术实力在全球AI智适应领域排名前2位。

http://www.songshuai.com/
科大讯飞机构

科大讯飞股份有限公司(SZ.002230)成立于1999年,是一家专业从事智能语音及语言技术、人工智能技术研究,软件及芯片产品开发,语音信息服务及电子政务系统集成的国家级骨干软件企业。科大讯飞的语音合成、语音识别、口语评测、机器翻译等智能语音与人工智能核心技术代表了世界最高水平。

http://www.iflytek.com/
IBM机构

是美国一家跨国科技公司及咨询公司,总部位于纽约州阿蒙克市。IBM主要客户是政府和企业。IBM生产并销售计算机硬件及软件,并且为系统架构和网络托管提供咨询服务。截止2013年,IBM已在全球拥有12个研究实验室和大量的软件开发基地。IBM虽然是一家商业公司,但在材料、化学、物理等科学领域却也有很高的成就,利用这些学术研究为基础,发明很多产品。比较有名的IBM发明的产品包括硬盘、自动柜员机、通用产品代码、SQL、关系数据库管理系统、DRAM及沃森。

https://www.ibm.com/us-en/
相关技术
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

数据分析技术

数据分析是一类统计方法,其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系,并绘制出统计信息图,以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据,以便弄清哪些是同质的,从而更好地了解数据。 数据分析可以处理大量数据,并确定这些数据最有用的部分。

因果推理技术

基于因果关系的一类推理方法,是一种常见推理模式,涉及观察到的共同效应的原因的概率依赖性。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

感知技术

知觉或感知是外界刺激作用于感官时,脑对外界的整体的看法和理解,为我们对外界的感官信息进行组织和解释。在认知科学中,也可看作一组程序,包括获取信息、理解信息、筛选信息、组织信息。与感觉不同,知觉反映的是由对象的各样属性及关系构成的整体。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

神经科学技术

神经科学,又称神经生物学,是专门研究神经系统的结构、功能、发育、演化、遗传学、生物化学、生理学、药理学及病理学的一门科学。对行为及学习的研究都是神经科学的分支。 对人脑研究是个跨领域的范畴,当中涉及分子层面、细胞层面、神经小组、大型神经系统,如视觉神经系统、脑干、脑皮层。

数据科学技术

数据科学,又称资料科学,是一门利用数据学习知识的学科,其目标是通过从数据中提取出有价值的部分来生产数据产品。它结合了诸多领域中的理论和技术,包括应用数学、统计、模式识别、机器学习、数据可视化、数据仓库以及高性能计算。数据科学通过运用各种相关的数据来帮助非专业人士理解问题。

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

自适应学习技术

自适应学习也称为适应性教学(Adaptive Learning),是一种以计算机作为交互式教学手段的教学方法,根据每个学习者的特别需求,以协调人力资源和调解资源的分配。计算机根据学生的学习需求(如根据学生对问题、任务和经验的反馈)调整教育材料的表达方式。自适应学习技术已经涵盖了来自各个研究领域,包括计算机科学,教育,心理学和脑科学等等。

语义分析技术

语义分析是编译过程的一个逻辑阶段, 语义分析的任务是对结构上正确的源程序进行上下文有关性质的审查,进行类型审查。语义分析是审查源程序有无语义错误,为代码生成阶段收集类型信息。比如语义分析的一个工作是进行类型审查,审查每个算符是否具有语言规范允许的运算对象,当不符合语言规范时,编译程序应报告错误。如有的编译程序要对实数用作数组下标的情况报告错误。又比如某些程序规定运算对象可被强制,那么当二目运算施于一整型和一实型对象时,编译程序应将整型转换为实型而不能认为是源程序的错误。

统计模型技术

统计模型[stochasticmodel;statisticmodel;probabilitymodel]指以概率论为基础,采用数学统计方法建立的模型。有些过程无法用理论分析方法导出其模型,但可通过试验测定数据,经过数理统计法求得各变量之间的函数关系,称为统计模型。常用的数理统计分析方法有最大事后概率估算法、最大似然率辨识法等。常用的统计模型有一般线性模型、广义线性模型和混合模型。统计模型的意义在对大量随机事件的规律性做推断时仍然具有统计性,因而称为统计推断。常用的统计模型软件有SPSS、SAS、Stata、SPLM、Epi-Info、Statistica等。

表征学习技术

在机器学习领域,表征学习(或特征学习)是一种将原始数据转换成为能够被机器学习有效开发的一种技术的集合。在特征学习算法出现之前,机器学习研究人员需要利用手动特征工程(manual feature learning)等技术从原始数据的领域知识(domain knowledge)建立特征,然后再部署相关的机器学习算法。虽然手动特征工程对于应用机器学习很有效,但它同时也是很困难、很昂贵、很耗时、并依赖于强大专业知识。特征学习弥补了这一点,它使得机器不仅能学习到数据的特征,并能利用这些特征来完成一个具体的任务。

知识库技术

知识库是用于知识管理的一种特殊的数据库,以便于有关领域知识的采集、整理以及提取。知识库中的知识源于领域专家,它是求解问题所需领域知识的集合,包括基本事实、规则和其它有关信息。

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

知识图谱技术

知识图谱本质上是语义网络,是一种基于图的数据结构,由节点(Point)和边(Edge)组成。在知识图谱里,每个节点表示现实世界中存在的“实体”,每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。通俗地讲,知识图谱就是把所有不同种类的信息(Heterogeneous Information)连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。 知识图谱这个概念最早由Google提出,主要是用来优化现有的搜索引擎。不同于基于关键词搜索的传统搜索引擎,知识图谱可用来更好地查询复杂的关联信息,从语义层面理解用户意图,改进搜索质量。比如在Google的搜索框里输入Bill Gates的时候,搜索结果页面的右侧还会出现Bill Gates相关的信息比如出生年月,家庭情况等等。

机器人技术技术

机器人学(Robotics)研究的是「机器人的设计、制造、运作和应用,以及控制它们的计算机系统、传感反馈和信息处理」 [25] 。 机器人可以分成两大类:固定机器人和移动机器人。固定机器人通常被用于工业生产(比如用于装配线)。常见的移动机器人应用有货运机器人、空中机器人和自动载具。机器人需要不同部件和系统的协作才能实现最优的作业。其中在硬件上包含传感器、反应器和控制器;另外还有能够实现感知能力的软件,比如定位、地图测绘和目标识别。之前章节中提及的技术都可以在机器人上得到应用和集成,这也是人工智能领域最早的终极目标之一。

数据库技术

数据库,简而言之可视为电子化的文件柜——存储电子文件的处所,用户可以对文件中的数据运行新增、截取、更新、删除等操作。 所谓“数据库”系以一定方式储存在一起、能予多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。

数据挖掘技术

数据挖掘(英语:data mining)是一个跨学科的计算机科学分支 它是用人工智能、机器学习、统计学和数据库的交叉方法在相對較大型的数据集中发现模式的计算过程。 数据挖掘过程的总体目标是从一个数据集中提取信息,并将其转换成可理解的结构,以进一步使用。

情感计算技术

情感计算(也被称为人工情感智能或情感AI)是基于系统和设备的研究和开发来识别、理解、处理和模拟人的情感。它是一个跨学科领域,涉及计算机科学、心理学和认知科学(cognitive science)。在计算机领域,1995年Rosalind Picard 首次提出affective computing。研究的目的是使得情感能够模拟和计算。这个技术也可以让机器人能够理解人类的情绪状态,并且适应它们的行为,对这些情绪做出适当的反应。这是一个日渐兴起的兴欣领域

大数据技术技术

大数据,又称为巨量资料,指的是传统数据处理应用软件不足以处理它们的大或复杂的数据集的术语。

语音识别技术

自动语音识别是一种将口头语音转换为实时可读文本的技术。自动语音识别也称为语音识别(Speech Recognition)或计算机语音识别(Computer Speech Recognition)。自动语音识别是一个多学科交叉的领域,它与声学、语音学、语言学、数字信号处理理论、信息论、计算机科学等众多学科紧密相连。由于语音信号的多样性和复杂性,目前的语音识别系统只能在一定的限制条件下获得满意的性能,或者说只能应用于某些特定的场合。自动语音识别在人工智能领域占据着极其重要的位置。

自然语言处理技术

自然语言处理(英语:natural language processing,缩写作 NLP)是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言;自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

人机交互技术

人机交互,是一门研究系统与用户之间的交互关系的学问。系统可以是各种各样的机器,也可以是计算机化的系统和软件。人机交互界面通常是指用户可见的部分。用户通过人机交互界面与系统交流,并进行操作。小如收音机的播放按键,大至飞机上的仪表板、或是发电厂的控制室。

腾讯机构

腾讯科技股份有限公司(港交所:700)是中国规模最大的互联网公司,1998年11月由马化腾、张志东、陈一丹、许晨晔、曾李青5位创始人共同创立,总部位于深圳南山区腾讯大厦。腾讯由即时通讯软件起家,业务拓展至社交、娱乐、金融、资讯、工具和平台等不同领域。目前,腾讯拥有中国国内使用人数最多的社交软件腾讯QQ和微信,以及中国国内最大的网络游戏社区腾讯游戏。在电子书领域 ,旗下有阅文集团,运营有QQ读书和微信读书。

http://www.tencent.com/
暂无评论
暂无评论~