ai 共创计划|共推AI，共创教育的未来

　　【#教育# 导语】“中国政府近日宣布，将斥资138亿元人民币，在北京市门头沟建设一个人工智能（AI）工业园区，这是中国政府计划在2030年前成为该领域世界的首笔重大投资。

　　教育会成为人工智能应用的先行者吗？

　　近日，教育部副部长杜占元指出，把办好网络教育写入党的十九大报告，意味着我国教育信息化开始了一个新时代。以“基础建设+设备配套+应用探索”为特征的教育信息化1.0时代即将被2.0时代所替换。从1.0时代走向2.0时代绝非仅仅是一个提法上的改变，而是面对新时代教育发展的新要求，教育信息化在发展理念、建设方式上的一次跃升。

　　教育会成为第一个“品尝”AI+教育成果的市场吗？华东师范大学教授，教育部教育信息化专家组秘书长任友群指出，教育信息化2.0将更以“体验”为依归。以往的教育信息化建设更为注重的是业务、行为和流程，注重的是物与事，但教育的基础和根本是“人”，教育信息化只有以人为本、从人出发、归结于人才能真正发挥出效能。

　　教育领域当前最迫切需要解决的问题是传统教学与个性化因材施教之间的矛盾，而因材施教的基础是基于人工智能的学习者数据采集和分析模型构建。“基于浪潮在HPC、云计算、大数据、人工智能等领域的IaaS能力，和北京康邦科技智慧教育整体解决方案，双方将围绕教育行业应用场景，主动创新研究，形成软硬一体化的方案型产品，加快实现AI+教育在教学、科研及管理实践中的应用落地。”浪潮集团副总裁彭震说，“当前，教育应用云化的趋势非常明显，基于更精细化的场景应用以及围绕云计算、大数据、人工智能的学校信息化发展快速起步，教育对IT的需求，不再只是服务器的处理速度、存储空间这么简单，教育信息化正在从‘深’向‘宽’发展。浪潮合作伙伴生态2.0是浪潮在云计算、大数据时代的伙伴体系建设新模式，浪潮与合作伙伴之间将从原有的基于商务和销售的供应链模式，转变为基于研发和产品层面合作的价值链模式，从而实现横向扩展生态圈、垂直整合生态链。浪潮生态2.0模式已建成行业解决方案、云计算业务、主机系统和分销业务四大生态体系，未来浪潮面向教育行业客户可能不是提供产品，我们会从具体的场景中切入，与康邦这样深耕教育行业，且愿景一致的合作伙伴深度*，推出更加规模化、标准化、一体化的平台和服务。”

　　AI是撬动教育信息化2.0的杠杆

　　“教育行业信息化之路已经走了二十多年，虽不是尽善尽美，但事实上极大的促进了中国教育的发展，学校的信息化基础环境日臻完善，以人为本的端对端服务也相对普及，下一步教育的应用需求将不再局限于教室之内，而会不断向纵深寻找杀手级应用。”康邦科技总裁王邦文强调，面向“教育信息化2.0”升级，AI很可能是重要的推手之一。AI+教育通过解决数据采集问题，实现从数字化到智能化，不仅减少教师简单重复工作的时间，让教师更加专注对学生的个性化分析，真正提升学习的效率与质量，还能够为教学管理提供大数据辅助决策与建议，为教学及学校的科学治理提供支撑。总体来说，AI+教育让“因材施教”进一步落实，真正提升教育的质量、效率与公平问题。王邦文告诉记者：“康邦有大量教育用户的真实场景，我们双方可以基于这些真实场景形成算法，然后通过浪潮的基础设施和优化辅助平台，在比较短的时间内形成相应的方案，打造从端到端的AI+教育解决方案，提供贴近不同教育应用场景、更成熟可行地的定制化解决方案；同时，双方还将联合优质高校资源建立联合创新实验室，围绕云计算、大数据、AI等前沿技术进行联合创新，共同推进融合架构、智慧校园、人工智能等领域的方案应用；此外，浪潮和康邦还将将联合开拓教育行业市场，共同打造智慧教育灯塔客户，提升双方在业界的市场和品牌知名度。

　　人工智能与教育应用的深度融合，将打造智慧教育的生态圈和命运共同体，推动面向教育行业场景化解决方案创新能力的构建。AI+教育，我们不预测未来，我们创造未来。

　　深度学习是个“筐”有人看半满，有人看半空

　　细读马库斯后来发的这篇万字长文，可以发现，不少人对他的质疑是：你忽略了深度学习取得的成绩、你没有说深度学习有哪些好处。言外之意，你对深度学习不是“真爱”，对它的好视而不见。

　　而以杨立昆为代表的一派，对深度学习绝对是“真爱”。从维基百科的介绍中可以看到，正是杨立昆提出了卷积神经网络（Convolutionalneuralnetworks，简称CNNs）理论，并成为CNNs得以实现的奠基人，这一网络正是实现深度学习的机器学习模型之一。

　　尽管由CNNs、RNNs（循环神经网络）、DNNs（深度神经网络）等构成的深度学习模式日渐成熟，据说网络层数已经能达到100多层，但马库斯认为，它仍有目前无法规避的十大问题，例如，极度依赖数据、学习过程是个“黑箱”、还不能自适应规则变化等等。

　　“深度学习存在不少问题，例如深度学习是固执己见的。”清华大学教授马少平的观点与马库斯相一致。

　　他举例说，一辆AI驱动的无人车可能在模拟环境中撞树5万次才知道这是错误行为，而悬崖上的山羊却不需要多少试错机会，改变深度学习的输出很难，它缺乏“可调试性”。

　　另外，深度学习的过程如果是黑箱，会影响它的应用领域，例如诊断病症。“AI运算像在一个黑箱子里运行，创造者也无法说清其中的套路。”马少平说，AI虽然可能给出一个结论，但是人类如果无法知道它究竟是怎么推算出来的，就不敢采信。

　　在制造“噪音”的情况下，AI很容易判断错误。“它无法自动排除噪音，人眼看着是熊猫，AI却会误认为是长臂猿。”马少平认为，AI仍处于初级阶段，还有很多问题等待解决。

　　在马库斯列出的十大问题中，最要命的是最后一条，深度学习很难稳健地实现工程化。这相当于给深度学习引领AI走向强智能的可能性亮了红灯。

　　北京语言大学教授荀恩东解释，工程化意味着有“通行”的规则。例如对某一个问题的解决方法确定了，可以固定化，哪里需要往哪里搬。而深度学习进行问题处理时，采取类似于完成项目的方式，一个一个地解题，然而世界上有无数问题，如果很难保证机器学习系统换个新环境还能有效工作，那深度学习这项技术可能并不合适帮助AI获得通行的能力，引导和人类智能相当的强人工智能的实现。

　　这种对深度学习的尖锐批评，自然会让深度学习的拥趸们很不满意。他们的理由也很充分：这些问题只是现阶段的，未来不一定得不到解决。批评者看到的是深度学习这个筐半空，而支持者看到的则是半满。

本文来源：https://www.wddqw.com/SVjX.html