最近，Bloomberg Beta的投资者Shivon Zilis一直在建立一个机器学习 应用 于其他行业的景观图，教育为其制定了列表。一些技术人员担心某些危险，比如埃隆·马斯克（Elon Musk），正如纽约客所写的那样，他对于结果已经有了糟糕的预测。他在上一周与一位更加乐观的人——马克·扎克伯格（Mark Zuckerberg）相遇。
但投资者仍在大步向前：本周，中国语言学习创业公司——流利说，利用人工智能机器学习算法向4500万中国学生教授英语，筹集了近1亿美元来加快工作。
EdSurge 在过去一周在旧金山与 Adam Blum（OpenEd首席执行官）、Armen Pischdotchian（IBM Watson的学术技术导师）、Kathy Benemann（EruditeAI的首CEO）还有 Kirill Kireyev（instaGrok的创始人，TextGenome和GYANT的技术负责人）进行了会谈。 EdSurge的Tony Wan主持了会议。以下是谈话中的几个摘录：
EdSurge：人工智能有望改变下一代人的教育方式。最接近的改变程度是多少呢？与现在的相比有什么不同？
Benemann：数据比以往任何时候都多。在EruditeAI，对于我们来说，数据比收入更珍贵。有了更好的数据，我们可以更好的训练我们的算法，但是有重要的一点一定要记住，AI的制造者最终是我们的人类。
Pischdotchian：如果你回想起早年的教育模式，我们称之为工厂模式。 教师广泛地教授所有学生同样的学科。 这不是我们今天所说的话。 诸如Chan Zuckerberg Initiative等组织正在寻求大修这个模式。 根据工厂模型将不能再完成学习， 因为这种方式是不可持续的。 工厂若要求当下的孩子们积极开展我们称之为“ 新领 ”的工作结果又将会如何？
Kireyev：教育内容数据的爆炸式增长，无论是针对学生还是来自学生反馈的数据， 我们想要看到学生在做什么，都要比过去快得多。 例如，当孩子们玩Scratch时，他们的工作是基于网络的；当他们无聊时，可以看到他们什么时候开始观看 视频 ，什么时候停止。 你能从他们的行为中洞察很多的东西。 透明的数据收集是非常有价值的， 而且技术的可用性更大，是可以从字面上使用的东西。 所以更多的人正在尝试用AI和机器学习来做事情。
好的，我们听说过数据的爆炸，还有关于改变学校模式的必要性。 那接下来会如何发展呢？
Blum：接下来有两个大的趋势 ，恰好我们处于刚开始的过程中。 我们与IMS全球学习合作。第一，在技术标准方面，如Caliper和xAPI（或Experience API）正在起飞。 第二，在这有很多的领域，教育只是其中之一，但是你没有长期的数据。 所以如果你想为学生挑选下一个最好的事情时，你必须使用一种不同的方法——强化学习法。 所以如果我没有百万个数据记录，我可以随时去探索。 这也是Google如何解决AlphaGo挑战的。
我们在教育中能看到哪些AI的应用程序？ 我们是否已经开始使用？
Pischdotchian：这是关于如何在学习经验中找到模式。 如果一个人在数学上非常强，系统该如何识别这个问题并把它反馈给老师，以至于为学生提供更好的导师工作服务？ IBM正在与芝麻街合作，他们正将大学作为机器学习开发的测试平台。我们在麻省理工学院进行了一黑客马拉松的测试，所有的教室都安装了相机（学生们都知道）， 如果一位教授正在讲课，他可能不会看出班上有没有人睡着，但我们可以使用面部识别来描绘情绪（如无聊），并发送给教授一个消息告知他。
Benemann：你看到的每一个地方，人们都在质疑AI教育和关于它的一切。 AI应用在教室里是什么样的？ 是否有一天会放开使用？ AI会替代老师吗？ AI会帮助老师放松自己的时间，让他们成为学生的“指导”吗？ 自适应平台（如ALEKS或Knewton）可以帮助学生学习事实并使老师能够指导吗？
（来自Shivon Zillis的机器情报状态3.0调查）
这是否表明，没有AI，市场上的“ 适应性 ”技术并不是真的具有适应性？
Benemann：一些工具是适应性的，但他们说他们是“ AI ”。
Kireyev：Instagrok是一个视觉搜索引擎。 我们正在使用机器学习来识别重要的事实、概念、然后让学生在任何方向上追求学习， 他们也可以合成它，组织它。 TextGeonome是另一个项目。 我们正在建立基础设施，以深入开展基于AI的词汇开发。 我们问：给定一个学生和年级，他们需要学习什么类型的单词？
Blum：在ACT（获得OpenEd），我们专注于以下问题：如果您确定了学习差距，帮助学生的最佳教学材料是什么？ 不仅仅是ACT材料， 我们想给你可以找到的最好的教学资源，在这个过程中，我们使用机器学习来定位那些更好的资源。
在某些地区，如果您不使用机器学习来预测模型，那么您将会失业。如，大学招生办公处。
当您从统计评估模型转移到深度机器学习（涉及神经网络）时，没有保持步调的是“ 可解释性 ”。您可能有一个神经网络，您无法解释。因此，预测算法变得更好，当您进入多层神经网络时，一个关键的挑战是可解释性下降。在一些严格监管的市场 ，例如教育和医学方面，必须开发更多的解释性工具。
假设你在一所大学：他们使用统计模型来挑选入学课程。现在，如果有一个神经网络或一些机器学习程序，就能更好地预测学生的成果。当然，有大学是这样做的，可他们不会说，因为赌注太高了。但是您可以确定他们正在使用机器学习来挑选入门课程，而我们需要一些总结工具来解释这些选择。即使深刻的学习很复杂，但为了让更多人接受，我们必须提出一些解释性的大要素：他们是如何到达的？
有人担心像“ AI ”这样的词会成为用来销售产品的标签。 假如说我是一个老师，edtech公司说“ 我的数学工具是AI支持的 ”，那我该向他询问哪些问题？
Blum：这个问题回溯到可发现性和可解释性。 如果你要拍AI标签，那我想知道更多：你在说监督的象征系统？ 自然语言处理？ 如果你只是说“AI”，没有任何进一步目标的话则会降低你的信誉。
Benemann：供应商应该谈谈学生成果和教师实践。不要说AI。这只是让学生学习和老师练习的另一种方法。你最好去说：因为你使用这个产品，我可以做个案研究，提高效率，减少教室浪费的时间。
在保护学生敏感性数据隐私和安全的同时，如何平衡AI工具的数据需求？
Blum：我们正处于一个没有PII（个人识别信息）的地步。 如果你有足够的知识，你可以解构任何人可能是谁。 所以需要有行业标准。 如果我们说“这是你可以收集和分享的东西”，“这是一个可以改善edtech开发人员工作的领域“。我提出的一些事情是需要更好的隐私标准，所以如果他们遵循了标准的话是没有人能够起诉他们的。
Benemann：谁拥有数据？ 看看健康保健。 这是一个零碎的市场，但是有一种趋势是患者越来越多的拥有自己的数据了。我想知道我们是否可以指出由学生自己（学生和他们的父母）所说而掌握的数据，“是的，学校可以访问”。
工作自动化是许多人担心的威胁，它将对教师和其他职业产生什么样的影响？
Kireyev：我看到教师的角色正在以美妙的方式转换。领导力，教学指导…这些都是我从老师那里听到的令人兴奋的事情。然后越来越多的教师将更深层次地转移到孩子中来，而不仅仅是解释方程如何工作。
Blum：为职业教育这一学习目标已经做了很多努力。但它还没有被充分利用。我们需要更多前瞻性的思考… 在10年里成为一名卡车司机的意味着是什么？跨行业的供应链是如何被影响的？我们需要努力使职业教育变得更好。
Pischdotchian：因此，以STEAM（ 科学，技术，工程，艺术和数学）替代STEM是非常重要的。因为人工智能以后，会更注重艺术，创造力，心理学，等右脑思维的发展，而不是分析和数学的左脑思维。心理学、历史、辩论班、幽默和戏剧，至少在我们的一生中，这些方面不是适合人工智能的。
AI能够很好地将某些事物变得非常容易，但还有一个大家关心的问题就是AI不能拥有和人类一样的思维方式和情感，在某些方面就会显得不自然，因此，也可以说技术的成长进步与舒适自然是不能共存的。
