Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

李永华撰文

科大讯飞也推AI智能硬件,K12「知识图谱型」AI教育「真香」?

1.png

一次性推出5款新硬件产品,公众认知中一向ToB的“明星企业”科大讯飞前两天的发布会让人“意外”,ToC转型似乎说来就来。

不过,这也坐实了坊间的猜测:2018年To C业务营收/毛利快速增长、占比接近1/3后,科大讯飞消费者BG被搬到台前,试图集中兑现技术红利。

新版翻译机、智能录音笔、转写机、智能办公本(严格来说应该是个平板)与科大讯飞一贯的语言文字业务调性相关,而学习机X1 Pro作为AI教育硬件产品,则与科大讯飞的传统业务——ToB智慧教育相关联。

AI+教育概念有些“泛滥”的今天,科大讯飞却试图推出AI教育产品,玩差异化是少不了的,其打出的旗号是“二维知识图谱”,即围绕“考点”进行个性化智能推荐。

事实上,科大讯飞这种玩法,无非是近来兴起的“知识图谱型”AI教育玩法的一个新案例——产品不再以题目、视频资源为学习反馈的出发点,而转而盯住这些内容之下更底层的知识点。

只不过,科大讯飞凭借ToB的旧有积累有自己独特的优势,但也面临不小的挑战。

尝试告别“资源堆砌”,“知识图谱型”AI教育应运而生

知识图谱型”AI教育某种程度上是市场倒逼的结果。

1、大多数AI教育产品,都没有实现减负增效的既定目标

在中考、高考压力下,多数(相对优质升学比例)学生在传统学习方式下又苦又累,一听就懂、一做就错,反复刷题收效甚微;各种补习班只能说聊胜于无,开起夜车来不输996但难有太大效果,焦虑情绪甚至导致心理问题,极端行为偶尔见诸新闻报道。

家长们也好不到哪去。

K12教育后半段的中学教育家长能辅导的内容已经很少,看到孩子忙、累、成绩没法提升,想做点什么但又不知道从何下手,家教、辅导班砸钱硬是砸出一个新兴内需市场,浪费时间、金钱反过来又造成学生更大的心理压力,恶性循环形成。

这时候,AI教育跳了出来。

这些ToC的教育产品,包括APP、PC网页、硬件(学习机)等多种形式,无一例外都宣称可以通过智能推荐等功能实现所谓“个性化学习”。

然而,这些年来,热闹的AI教育始终没有在C端形成气候,各种产品不断推出,但“不好用”、“没效果”的评价四处都是,消费者痛点问题依旧。

究其原因,这些所谓AI教育产品,其核心逻辑都基于以题目、课程为代表的教学资源的堆砌,只是用信息化的方式把原来分散各处的内容汇总到产品中,成为一本“超级题海”。

所谓智能推荐,并不知道学生为什么错、如何才能逃脱一错再错、就是不会做的命运。

你错了我就推荐类似的题目,你总是错那我就更多地推荐类似的题目,不关心学生为什么错、相同原因下是否还有其他错题的可能。

这本厚厚的“书”,没有在根本上改善学生辛苦“刷”题的现实,低效的学校过程延续,负担未减轻效率也未提升。

这样的市场,C端产品不迎来爆发也在情理之中。

2、“知识图谱型”AI教育,用AI的“策略服务”价值解决痛点

知识图谱型”AI教育这时候跑了出来。

顾名思义,其产品逻辑不再以题目或课程为出发点,而把目光转移到知识点上,试图通过更底层的知识点掌握情况,来判断学生的个性化学习情况并给出更科学、高效的学习方案。

因为知识点更底层,学生攻克了知识点,就攻克了大量以其为基础的试题或课程,少量学习即可“打倒一片”,而有了脱离题海的可能(当然,适度的做题强化知识点认知仍然有必要)。

可以归入这类“知识图谱型”AI教育玩家,在科大讯飞之前已经有一些创业者参与,形式各异:

2.png

用一个更直观的案例来看“知识图谱型”AI教育的产品逻辑,这是科大讯飞学习机实机截屏:

3.png

可以看到,知识点被图谱化,而学生对知识点的掌握情况被不同颜色标记,知识点之间起承转合的矢量关联关系也被示意,可以知道薄弱知识点受谁影响、影响谁。

这些知识点之上,是各种与之对应的试题,薄弱点即被要求强化训练,一个所谓“超级错题本”形成。

很明显,不同的学生的知识点掌握情况各不一样,在复杂矢量关系下,每个人呈现出完全不一样的“知识图谱”图景,制定的学习计划也各不相同,这也是科大讯飞敢于大张旗鼓宣称自己的产品“千人千面”的原因。

事实上,底层知识点的提取,以及矢量关系的存在,在让AI回归“策略服务”,这也是AI应用的根本价值问题。

在地图类产品中,输入目的地后,怎么去、那些方式、需要多少时间、路况怎么样、预设偏好下选择哪个方式较好、终点停车场、吃喝玩乐……一系列内容就被构建好了推送给了用户。

在所有场景应用中,真正的AI都必须能够进行类似的策略服务,这是“智能”二字所决定的。

而在过去的AI教育产品当中,单纯针对试题设置AI,只关注试题推荐而没有完整的路线图和引导,无法形成引导学生完成阶段性学习目标的“策略”;现在,编制底层网络的“知识图谱”在矢量关系下具备了提供策略服务的能力(薄弱知识点按路线一个个突破),AI教育的价值也就更能成立。

回过头来看,从知识图谱中勾勒出学习重点,其实就是知识点的聚焦过程,也即教育家们都倡导的“书越读越薄”——不断缩小“未获得”的知识范围。

知识图谱型”AI教育,如何打造自己的产品护城河?

市场倒逼为“知识图谱型”AI教育产品赢得了差异化空间,但在横向竞争上,新兴模式如何构建护城河、不被复制和抄袭更为关键,毕竟,创业者一窝蜂、巨头野蛮插手的行为已经见怪不怪。

这种护城河的构建过程,又可以包含两个方面,由于科大讯飞的官宣内容较为详细,这里主要以科大讯飞的产品为案例进行分析。

1、在知识图谱这件事上,时间与积累最难以追赶

芯片、航空发动机等高精尖技术的追赶难以一蹴而就,因为它们是一代代数十年、上百年技术积累和沉淀的产物,即便砸钱也难以在短期内获得快速突破。

知识图谱型”的独特矢量关系,让它自带了类似的护城河——时间与积累,耕耘越长时间,后进者的机会越少,哪怕是巨头级平台。

以一个图直观感受下,在科大讯飞知识图谱中,数理化各取一章节某一小节的知识图谱合在一起成为下图:

4.png

不同学科、不同章节、不同小节……“知识图谱”的底图无疑将是庞大的,一个巨大的矢量网络需要知识点的梳理,也需要独特的知识点关系理解:箭头应该怎么画,哪些点和哪些有关系,是前置还是后置……这些都与教学实际紧密相关,是自带门槛的活动。

例如,比热容的计算,需要事先理解比热容的概念,而后又影响比热容比例计算、图像分析以及不同物质间热传递方向判断。

5.png

大量这类关系都是真实的工作量与知识成果转化,无法一蹴而就,巨头进场也得先完成漫长的积累,毕竟,不只是画出图谱,知识点与知识点的关系也需要足够科学,否则反而形成误导。

科大讯飞敢于推出这类AI教育产品,首要原因应当是它已经在B端教学实践的场景里做了很多年,有足够的底气。按官方数据,其AI+大数据教育产品或解决方案覆盖了全国1500万+师生、10000+学校,其中包68所全国百强校。

此外,科大讯飞的一些与教育相关的技术开发也某种程度上提供了支撑。

早在2016年,科大讯飞就在美国国家标准技术研究院组织的认知智能知识图谱比赛中取得全球第一名,构建了知识点和知识图谱

科大讯飞还牵头了国家863类人答题机器人项目(一个尝试让机器人“考上大学”的项目),在今年3月份的SQuAD自然语言理解比赛中首次超过了人类,这些让科大讯飞在触及C端产品时,对如何寻找到关键的学习点、理解学生各种作业和题目的“题意”有客观上的推动价值。

这些B端“老业务”,以及教学技术研发,最终在科大讯飞准备于C端市场兑现技术红利时帮了忙,为其“知识图谱型”AI教育产品的个性化精准学习打了底。

一句话,漫长的ToB积累,才整合成可以面向ToC市场的产品。

这里无法得到松鼠AI等创业型产品在拆分知识点后如何形成自己的“图谱”,但可肯定的是,图谱本身蕴含的教学实践积累厚度,一定决定其护城河的深度。

2、知识点不强的学习领域,则更看重“标准”

一些重要的学习内容与“知识点”关联不大,但又必须是AI教育ToC产品的重要组成部分,最典型的是英语学习。

这时候,“知识图谱型”AI教育产品需要寻找其他替代方案,使得这部分内容不要变成各个平台、产品都可以涉足的同质化内容,找到新的差异化能力,与数理化等学科进行“配套”,一条完整的护城河才能形成。

以英语口语为例,在不少“批评人士”的眼中,造成“哑巴英语”的罪魁祸首是缺乏语言环境和足够的训练,这听起来十分有道理。

但是,你不能强求所有学生都能在多学科的K12学习生涯中抽出大量时间、并找到频繁的语境进行练习,在现实背景下,如何利用有限的机会尽可能提升学习效率更为关键,与数理化等学科一样,减负增效更具备现实意义。

传统AI教育产品也试图解决让家长痛苦、学生焦虑的听不懂、说不准问题,配套有诸如跟读、评分等功能。

然而,由于英语听说的某种感性化属性(流畅度、发音、自然情感等),不同的产品对学生学习成果如何的评判标准是不同的。什么才是正确的“标准”?——解决了这个问题,有限的训练才能有的放矢。

尤为特殊的是,由于全国高考、中考的区域化,这种标准还在教育部统一要求下呈现出地域差别,不同地方对英语听说的考核要求并不完全一致,这对AI教育产品又提出了挑战:怎么样让不同地方的用户匹配到符合自己需求的“标准”?

值得一提的是,同样的问题在英语作文批改上也同时存在,不同地区潜在的批改要求、惯例都是不同的,找到契合的“标准”亦十分重要。

从这个意义上看,科大讯飞的技术优势使得与教育考试部门的官方合作又占了先机,其与教育部考试中心共建了联合实验室,共建了目前高考口语考试唯一使用的评测技术。此外,科大讯飞的“触角”还伸到地方教育部门,例如与广东省教育考试院的合作,这其中就有融汇本土化英语口语评价标准的便利。

在此基础上,科大讯飞也附带拥有了与各地中高考标准相同的英文作文批改引擎,一对一学习的纠错、改进过程,都在考核“标准”下进行,“跟着标准学、按照标准练”,书面表达的提升或更能符合最终考核要求。

事实上,科大讯飞在英语学习核心技术领域原本就有诸多前沿权威成果,例如在在第24届国际模式识别大会(ICPR 2018)举办的MTWI图文识别挑战赛中取得全部三项任务的冠军,此外,其纸笔作文(如英语作文)评分的效果实现了首次超越人工专家。

不过,仅回到ToC市场来看,更重要的是上述英语听说评价的“标准”被应用到AI智能教育产品当中后,竞争者很难跟随和复制。

知识图谱型AI教育的“补充内容”——英语学习上,谁掌握了评价与反馈的标准,谁才会有无法逾越的护城河,而不是别的什么可以复制的花哨功能。

一张知识图谱,还面临这三大挑战

然而,包括科大讯飞在内,虽然以知识图谱的方式切入教育ToC市场十分新颖,但其过程肯定不能一帆风顺,至少,从教育大趋势、教学实际以及平台开发运营等层面,它们还面临三大挑战。

1、如何与“素质教育”大潮合流

从知识点的角度出发,甚至像科大讯飞一样直接称之为“考点”,AI教育以快速的手段,更纯粹、更高效率地提高学生的分数(例如科大讯飞校园实测理科考点掌握时间减少50%),其应试教育的痕迹看起来更重,学习被赤条条地聚焦到考试上,毫无遮掩。

这符合减负增效的家长和学生需求,但似乎与“素质教育”大潮不符合。

不过,同一件事的解读可能有不同视角,让学习更快地、更聚焦地完成“考试”这件事,所谓素质教育最缺乏的时间分配也就划了出来,学生或有更多时间参与情商、运动等活动当中。

但无论如何,AI教育产品一边需要提升效率和成绩,一边还得考虑自己是否“太过了”,像某些教育培训机构那种“考试技巧”显然不太适宜纳入内容体系当中。

2、单个知识点的掌握,仍然无法摆脱“名师”的价值

知识图谱能给出学生的考点薄弱环节,并推断关联的考点的受影响情况,针对性制定学习策略,但名师的个性灵活授课,例如感性讲述方式、点拨方式、理解知识的技巧,是AI体系难以触及的知识点“内部”问题。

知识图谱做得再漂亮再有逻辑,每一个节点的掌握除了做题验证等方式,名师的价值也不言而喻(这本来就是教师的核心价值)。

所以,AI教育产品,不论是软件还是硬件,还是离不开那些传统AI教育产品都在鼓吹的名师资源。

即便科大讯飞这么强调技术和积累,也在其学习机产品内部搭载了诸如名师微课堂的内容板块。

可以料想的是,优质教师授课仍将是AI教育浪潮中玩家们争抢的核心资源,不管产品模式如何新颖。

3、选择了知识图谱,就是选择了“多产品”同时开发

从上文也可知,知识图谱的设计,是根据单个科目的知识结构而来,它无法像题库、课程那样一股脑堆积起来。这使得数理化、政史地等科目都必须要有属于自己的知识图谱,以及配套整个训练体系。

从而,产品设计的“单位”变成了“科目”,而非教育整体,“知识图谱型”AI教育本质变成一揽子产品的集合,每个科目都必须要有自己的“引擎”。

除了体系的建立,由于教学规定、考核规定的变动,知识图谱的实时更新也带来庞大的持续工作量,这不仅对创业者,即便对科大讯飞也是不小的挑战。

总而言之,不管是什么样的技术团队,一旦脱离教育规律,都将迅速与学习环境的实际应用脱节,“知识图谱型”AI教育产品的出现,在理论上改变了过去AI教育产品换汤不换药的问题。

更进一步,AI技术通过创新的方式切入市场、帮助企业实现盈利很容易,但在教育这件事特殊的事情上,始终让教育规律成为产品设计的底层语言、不断对产品进行调整和变革才是更重要也更困难的事。

*此内容为【智能相对论】原创,未经授权,任何人不得以任何方式使用,包括转载、摘编、复制或建立镜像。

智能相对论
智能相对论

深挖人工智能这口井,评出咸淡,讲出黑白,道出深浅。重点关注领域:AI+医疗、机器人、智能驾驶、AI+硬件、物联网、AI+金融、AI+安全、AR/VR、开发者以及芯片、算法、人机交互等。

专栏二维码
产业科大讯飞知识图谱教育
1
相关数据
科大讯飞机构

科大讯飞股份有限公司成立于1999年,是亚太地区知名的智能语音和人工智能上市企业。自成立以来,长期从事语音及语言、自然语言理解、机器学习推理及自主学习等核心技术研究并保持了国际前沿技术水平;积极推动人工智能产品研发和行业应用落地,致力让机器“能听会说,能理解会思考”,用人工智能建设美好世界。2008年,公司在深圳证券交易所挂牌上市。

http://www.iflytek.com
自然语言理解技术

自然语言理解是人工智能的核心课题之一,也被广泛认为是最困难和最具标志性的任务。最经典的两个人工智能思想实验——图灵测试和中文房间,都是围绕自然语言理解来构建的。自然语言理解在人工智能技术体系中的重要性不言而喻,它一方面承载着机器和人的交流,另一方面直达知识和逻辑。自然语言理解也是人工智能学者孜孜以求的圣杯,机器学习的巨擘 Michael I. Jordan 就曾经在 Reddit 上的 AMA(Ask Me Anything)栏目中畅想用十亿美元建立一个专门用于自然语言理解的实验室。

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)

模式识别技术

模式识别(英语:Pattern recognition),就是通过计算机用数学技术方法来研究模式的自动处理和判读。 我们把环境与客体统称为“模式”。 随着计算机技术的发展,人类有可能研究复杂的信息处理过程。 信息处理过程的一个重要形式是生命体对环境及客体的识别。其概念与数据挖掘、机器学习类似。

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。

逻辑技术

人工智能领域用逻辑来理解智能推理问题;它可以提供用于分析编程语言的技术,也可用作分析、表征知识或编程的工具。目前人们常用的逻辑分支有命题逻辑(Propositional Logic )以及一阶逻辑(FOL)等谓词逻辑。

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。

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。

物联网技术技术

物联网(英语:Internet of Things,缩写IoT)是互联网、传统电信网等信息承载体,让所有能行使独立功能的普通物体实现互联互通的网络。物联网一般为无线网,而由于每个人周围的设备可以达到一千至五千个,所以物联网可能要包含500兆至一千兆个物体。在物联网上,每个人都可以应用电子标签将真实的物体上网联结,在物联网上都可以查出它们的具体位置。通过物联网可以用中心计算机对机器、设备、人员进行集中管理、控制,也可以对家庭设备、汽车进行遥控,以及搜索位置、防止物品被盗等,类似自动化操控系统,同时通过收集这些小事的数据,最后可以聚集成大数据,包含重新设计道路以减少车祸、都市更新、灾害预测与犯罪防治、流行病控制等等社会的重大改变,实现物和物相联。

推荐文章
暂无评论
暂无评论~