Google旗下的DeepMind研發(fā)的AlphaGo4:1戰(zhàn)勝了圍棋九段李世石，引起了全世界范圍的轟動。2016年底，AlphaGo又以Master的身份復(fù)出，與中日韓數(shù)十位高手進(jìn)行快棋對決，連續(xù)60局AI大獲全勝。這回柯潔也無話可說了。

緊接著，卡內(nèi)基梅隆大學(xué)研發(fā)的Libratus又在德州撲克戰(zhàn)勝了4位全球頂級職業(yè)玩家。與圍棋不同，德州撲克屬于不對稱信息游戲，玩家要猜測對方手牌，還要猜測對方的心思。輸?shù)腻X最少的金東（Dong Kim）賽后表示，比賽之前完全沒有想到AI這么強大，跟開掛了一樣似乎能夠看到自己的手牌。

雖然像Google，F(xiàn)acebook，Microsoft，Apple這些頂尖互聯(lián)網(wǎng)公司都在大力布局AI和深度學(xué)習(xí)，但是在現(xiàn)實生活中并沒有出現(xiàn)AI的大規(guī)模應(yīng)用。我們每天接觸的AI，也不過是無聊的時候調(diào)戲一下Siri。

AI之所以未能在日常生主要活中普及，很大程度上是因為絕大多數(shù)互聯(lián)網(wǎng)公司都在脫離產(chǎn)業(yè)去研發(fā)底層算法。

換句話說，懂AI和深度學(xué)習(xí)技術(shù)的科學(xué)家，不了解產(chǎn)業(yè)內(nèi)的實際問題，而產(chǎn)業(yè)內(nèi)的企業(yè)，對AI這類技術(shù)也是不敢觸及?！?/p>

深度學(xué)習(xí)到底是什么？

AlphaGo，Libratus還有各種自動駕駛技術(shù)有什么共性呢？那就是運用最新的深度學(xué)習(xí)（Deep Learning）算法。深度學(xué)習(xí)涉及到的較深的數(shù)學(xué)知識，同時考慮到讀者未必有深厚的理工科背景，我盡可能以一種最通俗易懂的方式來介紹一下深度學(xué)習(xí)。

傳統(tǒng)的機器學(xué)習(xí)（Machine Learning）一般用于處理那些具有簡單規(guī)律的數(shù)字。例如，已知這幾年的全球變暖，預(yù)測未來的趨勢，或者是那些喜歡周杰倫歌的用戶還會喜歡誰的歌曲。而對于許多復(fù)雜的數(shù)據(jù)，就很難用簡單的數(shù)學(xué)公式來回答了。例如我們?nèi)绻麨樨埖臉幼诱乙粋€數(shù)學(xué)公式，那一定是非常復(fù)雜的，因為可能存在黑貓、白貓、花貓，坐著的、躺著的和正在捕老鼠的——然而深度學(xué)習(xí)就可以做到對圖像、聲音、文字等復(fù)雜對象的識別和分析。

深度學(xué)習(xí)這個技術(shù)，我們記住以下幾點就行了。

1、深度學(xué)習(xí)能夠把兩種不同的復(fù)雜的數(shù)據(jù)關(guān)聯(lián)起來

只要有足夠多的圖片標(biāo)注好其對應(yīng)的文字，通過深度學(xué)習(xí)就可以預(yù)測類似圖片所對應(yīng)的文字了。

把圖片替換成聲音，深度學(xué)習(xí)就由圖片識別變?yōu)槁曇糇R別。如果標(biāo)注的是聲音對應(yīng)的正文，就可以做語音識別，如果標(biāo)注的是講話的人，就可以做聲紋識別。把對應(yīng)的過程顛倒過來，就可以做語音合成。

不僅圖像可以和文字對應(yīng)，圖像還可以和圖像自己對應(yīng)，例如可以把素描的圖像與真實照片對應(yīng)，或者是把真實照片與藝術(shù)照對應(yīng)。

文字也可以與文字進(jìn)行對應(yīng)。中文對應(yīng)成英文，就可以做翻譯。把長的新聞報道與其總結(jié)做對應(yīng)就可以自動生成新聞標(biāo)題。把說話與其潛在的回應(yīng)對應(yīng)，就可以做聊天機器人。排列組合的情況非常多，例如自動駕駛技術(shù)的基本原理就是圖片與方向盤/油門/剎車的對應(yīng)。當(dāng)然實踐中，并不是簡單這么一下就對應(yīng)出來的，需要用到不同類型的深度學(xué)習(xí)網(wǎng)絡(luò)例如CNN/RNN/LSTM/GAN等等，在這里就不展開了，有興趣了解的可以去網(wǎng)上搜一下。

2、相比于人的學(xué)習(xí)，深度學(xué)習(xí)需要非常多倍的數(shù)據(jù)量

目前深度學(xué)習(xí)的一大瓶頸就是想要準(zhǔn)確率高，就得有大量的人工標(biāo)注數(shù)據(jù)（supervised learning）。舉一個例子，一個從未見過袋鼠的人，只需要看一只袋鼠的一兩張照片就能識別出接下來看到的照片是不是袋鼠。而在imagenet里，每一個標(biāo)注的類別（例如袋鼠、卡車）都需要出現(xiàn)上千遍，電腦才能學(xué)會。同樣，DeepMind訓(xùn)練電腦玩游戲，都是幾千盤后電腦才能學(xué)會，而一般人十幾盤就已經(jīng)上手了。就算是Alphago，Libratus能下得過頂尖人類高手，可是他們跟自己下的盤數(shù)遠(yuǎn)遠(yuǎn)超過頂尖高手這輩子下的棋盤個數(shù)。

從這個角度來講，深度學(xué)習(xí)是比人要更“笨”的，在同樣數(shù)據(jù)量的情況下，深度學(xué)習(xí)算法的總結(jié)歸納能力是更弱的——未來的算法（所謂One-shot Learning）應(yīng)該會在這個方向上有所突破。

3、不僅深度學(xué)習(xí)工具是開源免費的，絕大多數(shù)深度學(xué)習(xí)算法甚至模型都是開源的

深度學(xué)習(xí)領(lǐng)域這幾年的發(fā)展速度迅猛，絕大多數(shù)科研從業(yè)者已經(jīng)摒棄了傳統(tǒng)發(fā)論文、審論文幾個月的周期，而是第一時間會把自己的論文公開上傳到國外的Arxiv網(wǎng)站。這大幅度加快了傳統(tǒng)科研的速度，往往剛一出來新的結(jié)果，不到幾周的時間，就有更新的結(jié)果超越了原有的算法。不僅如此，大量的代碼被開源放在Github上（之前的所有示例都可以在Github上找到開源項目），于是企業(yè)運用AI的時候，絕大多數(shù)不需要去做算法上的基礎(chǔ)研究，而只需要去調(diào)研并使用國際上最新的科研結(jié)構(gòu)即可。企業(yè)完全可以把底層的深度學(xué)習(xí)工具當(dāng)做一個黑盒直接去使用，真正做的工作不過是建立足夠多的人工標(biāo)注數(shù)據(jù)以及對于深度學(xué)習(xí)原始結(jié)果的簡單加工和封裝。

4、深度學(xué)習(xí)距離真正的通用AI還很遙遠(yuǎn)

深度學(xué)習(xí)目前就像一個把3-4歲的小孩，能夠汽車的圖片，汽車這個單詞，還有汽車的聲音建立聯(lián)系。本質(zhì)上它能夠把復(fù)雜數(shù)據(jù)對應(yīng)起來，但是還有許多是做不到的，例如：與人進(jìn)行有意義的對話；寫出具有邏輯性的文章；在即將發(fā)生車禍時，做出道德判斷；編寫計算機程序。

但這并不妨礙我們在這個階段里在產(chǎn)業(yè)中使用深度學(xué)習(xí)。

第二，AI怎么和教育進(jìn)行結(jié)合？

在前一部分我們解釋了基于深度學(xué)習(xí)的AI有哪些潛力。這部分我們從圖像、聲音、文字、自適應(yīng)學(xué)習(xí)幾個不同的角度來看深度學(xué)習(xí)與教育產(chǎn)業(yè)的結(jié)合點有哪些。

2.1圖像篇

目前使用圖像識別最主流的應(yīng)用就是拍照搜題，典型代表是作業(yè)幫、學(xué)霸君、小猿搜題、阿凡題……

傳統(tǒng)的K12應(yīng)用更多是停留在學(xué)生需要主動上來去看視頻和做題，這本身對于學(xué)生來講是很難有學(xué)習(xí)場景的。而拍照搜題則是學(xué)生帶著問題和困惑來學(xué)習(xí)的，所以我們也看到拍照搜題App是所有K12應(yīng)用里活躍度最高的。拍照搜題的核心技術(shù)就是把圖片與文字做對應(yīng)在，然后再去做文字與已有題庫的匹配，上文中我們也提到由于開源技術(shù)的普及，圖像識別已經(jīng)不再有之前的門檻了，現(xiàn)在最大的門檻反倒是品牌和題庫的大小。

當(dāng)然拍照搜題本身是非常具有爭議性的。如果學(xué)生是在遇到困難并且思考后，通過手機獲得答案，這是一個很好的自主學(xué)習(xí)過程。但如果是無腦地把所有答案抄到練習(xí)冊上，就沒有任何學(xué)習(xí)意義了。不輪爭議的結(jié)果如何，有一件事情是值得肯定得，那就是拍照搜題打破了只有老師才有標(biāo)準(zhǔn)答案的壟斷，老師在布置作業(yè)時，面臨的思考是，當(dāng)所有學(xué)生都有正確答案時，怎么讓學(xué)生認(rèn)真去練習(xí)。

除了拍題識別以外，手寫識別準(zhǔn)確率也逐漸在提高，有一些專門的企業(yè)還會做針對公式、科學(xué)符號的識別，這里也就不展開了。

未來可以預(yù)見到的圖像識別與教育結(jié)合的三點：

2.1.1打通紙質(zhì)書籍與在線教育

幾千年來，傳統(tǒng)紙質(zhì)書籍承載了幾乎全部的人類知識。然而這些紙上的圖文知識與互動性強/展現(xiàn)形式豐富的在線教育形成了明顯的反差。雖然現(xiàn)在的AR書籍都是以AR作為噱頭。但圖像識別和增強現(xiàn)實有潛力讓過去的紙質(zhì)書籍再次迎來新生，讓他們在徹底消失之前，成為作者與讀者、讀者與讀者之間一個全新的學(xué)習(xí)交流渠道。有了足夠強大的圖像識別技術(shù)，書無需嵌入二維碼，書的內(nèi)容本身就是“二維碼”。《丑小鴨》變成了3D的游戲，《新概念》可以直接評判自己朗讀的水平，《紅樓夢》的經(jīng)典段落有著上萬名讀者的批閱，《三體》則直接可以和大劉線上交流。

2.1.2打通真實可見的世界與在線教育

微軟之前推出一個App《微軟識花》，雖然交互體驗和識別率都不夠理想，但是它代表了一種新的學(xué)習(xí)方式，所見即所學(xué)，或者即時學(xué)習(xí)（Just-in-time learning）。未來一定會有底層的技術(shù)提供商以較高的準(zhǔn)確率和較低的延遲識別畫面里的物體——學(xué)習(xí)語言和科學(xué)，不再是圍繞著“單詞”或“概念”，而是更加圍繞用戶所在的真實“場景”。

2.1.3動作捕捉與在線教育

大量的體育、樂器、武術(shù)、舞蹈、繪畫難以做在線教育的根本原因是因為缺乏教學(xué)者對學(xué)習(xí)者的姿態(tài)給出及時有效的反饋。隨著視覺動作捕捉技術(shù)的成熟，成本逐漸下降（當(dāng)然也不排除基于可穿戴設(shè)備的方案），每一個學(xué)習(xí)者都能享受頂尖AI教練一對一的個性化指導(dǎo)。

對于教育機構(gòu)來講，動作捕捉，尤其是人臉捕捉是保護自己IP的全新方式。機構(gòu)對名師那是又愛又恨——名師可以帶來大量優(yōu)質(zhì)生源，也可以隨時把優(yōu)質(zhì)生源帶走。可是如果展現(xiàn)在學(xué)生面前的不是一個真實面孔，而是一個例如“初音未來”的虛擬IP形象，那么最終學(xué)生認(rèn)同的是這個形象而非具體的老師。

2.2聲音篇

講完圖片接下來我們講講聲音與ai的結(jié)合點。目前使用聲音最主流的應(yīng)用就是語音評測，也就是學(xué)生說一句話，機器給打分，典型代表是訊飛、流利說、一起作業(yè)、盒子魚……

主要的契機是不論是學(xué)生還是家長，還是學(xué)校和教委都逐漸對于英語口語這件事情重視起來了。雖然高考表面上是“弱化英語”了，但實際上如果要上名校，英語，尤其英語口語所占的比重是要比過去更大。而目前絕大多數(shù)市面上的口語學(xué)習(xí)App的口語評測的水平就是評判規(guī)定的一句話的發(fā)音準(zhǔn)確度，或者是半開放式的交流。而真正的難點是評估開放性的對話的好壞——其實這部分更多還是下一部分要講的文字識別。訊飛已經(jīng)在這個方向上與國家多個省簽約合作，嘗試做高考開放式口語題目的自動批改，這也與接下來要介紹的NLP有直接關(guān)聯(lián)。

聲音最大的未來應(yīng)用一個是做出人耳分辨不出來的語音合成。目前Google的Wavenet已經(jīng)接近這個水平只不過運算起來非常慢，百度近期也對這個結(jié)果的性能進(jìn)行了優(yōu)化。另一個則是把語音識別率再提升一個新的檔次。這兩項工作都是在可預(yù)見的兩三年內(nèi)會實現(xiàn)并且普及起來的。到時候，配合上虛擬的IP形象，許多一線教師就會逐漸意識到自己可能會從“臺前”轉(zhuǎn)向“幕后”，甚至面臨著失業(yè)的風(fēng)險。

另外，聲音識別在音樂教學(xué)這個細(xì)分領(lǐng)域也會有一些應(yīng)用，這塊就不展開了。

2.3文字篇（NLP）

文字處理，也就是所謂自然語言處理（簡稱NLP），在傳統(tǒng)教育的最大應(yīng)用就是作文的自動批改，由于市場較小，所以在這里也就不展開了。

我們來思考一件事情，人類99%的知識都是以文字的形勢記錄下來的。

老師講課，最重要不是他的面孔和他的音色，而是他所說的話。同理，真正的在線教育與AI的最重要的結(jié)合點既不是聲音，也不是圖像，而是文字。在我們之前的論述里，只要文字確定好了，我們就可以合成出最磁性的聲音配合最帥氣的虛擬臉蛋，所有在線教育并不需要“固定的視頻”。如果講課內(nèi)容，也就是文字是變化的，那就相當(dāng)于每一個學(xué)生會有一個針對性的一對一老師。

AI對于在線教育要解決的大問題是，如何把課本上死的知識，變成老師給學(xué)生的對話。這里的技術(shù)挑戰(zhàn)就非常多了，包括：

1、自動解題能力——能夠根據(jù)題目自動得出詳細(xì)解析；

2、作業(yè)智能批改能力——這里說的不只是批改選擇判斷題，而是能夠?qū)W(xué)生的做題過程進(jìn)行批改；

3、智能答疑能力——能夠回答學(xué)科相關(guān)問題；

4、自適應(yīng)對話能力——感知到學(xué)生的學(xué)習(xí)狀態(tài)并且不斷地給出相應(yīng)的互動。

目前這四個問題的所有解決方案都是基于人工編寫的規(guī)則，而不是利用AI。但是這方面科技發(fā)展也非?？欤瑖庖呀?jīng)有Geosolver在試圖解決第一道題，國內(nèi)也有團隊在試圖做“高考機器人”。

2.4自適應(yīng)篇

目前市面上的自適應(yīng)產(chǎn)品，都是基于人工梳理的教學(xué)模型+簡單的數(shù)學(xué)建模——產(chǎn)品形態(tài)也比較簡單，根據(jù)學(xué)生做題的對錯，評估其知識點的掌握程度。其中的典型就是Knewton、可汗學(xué)院和猿題庫，他們所采用的IRT算法早已開源。實踐中，真正耗時耗力的是教研，而且這還是在做得非常粗糙的情況下。畢竟絕大多數(shù)自適應(yīng)學(xué)習(xí)產(chǎn)品只關(guān)心一道題的對錯，而無法判別具體“為什么”錯了——同一道填空題，不同的學(xué)生答案老師一眼就能看出是哪一個知識點掌握不到家，而系統(tǒng)一遍就只能歸結(jié)于固定的一個知識點。至于證明題，解答題更是現(xiàn)有自適應(yīng)產(chǎn)品無法解決的。

所以真正的自適應(yīng)的依賴條件依然是之前所提到的NLP/文字處理能力。只有當(dāng)算法能夠看到題目知道正確答案，看到題目知道出題人的意思，看到錯誤的答案就知道哪個知識點掌握不到家時，在線教育就會出現(xiàn)全新的洗牌，自適應(yīng)也會成為所有學(xué)習(xí)的主流方式。
? ? ? 責(zé)任編輯：tzh