【网易智能讯 8月1日消息】不要怀疑：机器学习是当下的热点，而且会越来越热。
在过去的两年里，公众对构建复杂算法的兴趣不断增长，这些算法可以自动“学习”和改进自己的操作，或者是亲身体验（而不是直接编程）。我们可以称之为“人工智能”或（更好的）“机器学习”。事实上，这类工作已经进行了几十年。（例如，人工智能发展协会在1979年就成立了，一些人将这些想法追溯到古希腊，或者至少是在可编程数字计算机的早期阶段。）
最近，投资者Shivon Zilis和Bloomberg Beta一直在列举一个清单，来显示机器学习在其他行业领域中的应用。教育就是这个清单的内容之一。一些技术专家担心其风险。例如，正如 New Yorker所写的那样，Elon Musk对其的预测一直持悲观态度。他在过去的一周中与持乐观态度的Mark Zuckerberg进行了激烈的争论。
尽管如此，投资者仍在加速前进：本周，中国创业公司英语流利说利用机器学习算法向4500万名中国学生教授英语，并筹集了1亿美元的资金来加速其工作。
为了探究机器学习在教育中可能意味着什么，EdSurge在旧金山与Adam Blum（OpenEd的首席执行官）、Armen Pischdotchian（IBM Watson的一位技术导师）、Kathy Benemann（EruditeAI的首席执行官）和Kirill Kireyev（instaGrok 的创始人，TextGenome 和GYANT的技术主管）一起举行了一次会谈，EdSurge的Tony Wan主持了会议。
以下是谈话的几段摘录：
EdSurge：人工智能一直以来都承诺要改变下一代的教育方式。这种改变多久才能实现？现在有什么不同？
Benemann: 现在的数据比以往任何时候都多。对我们EruditeAI来说，数据比收入更宝贵。有了更好的数据，我们就能更好地训练算法。但要记住的重要一点是，人工智能的制造者最终是我们人类。
Pischdotchian:如果你回想一下你早年的教育模式，我们称之为“工厂模式”。老师对所有学生教授一样的内容。这不是我们今天要讨论的问题。像Chan Zuckerberg Initiative这样的公司组织正在寻求彻底改变这种模式。学习不能再按照工厂模式继续进行下去了。这种方法是不可持续的。对于如今的孩子来说，在我们称之为“New Collar”的工作中，产业需要什么？
Kireyev:我们看到教育内容出现了爆炸式增长——无论是关于学生的数据还是来自学生的数据。我们可以看到学生们在做什么，速度比过去要快得多。例如，当孩子们在Scratch上学习时，他们的学习是基于网络的：你可以看到他们开始看视频的时间，停止的时间和他们感到无聊的时候。你可以更多地了解他们的行为。透明的数据收集是非常宝贵的。而且，这种技术还有更大的实用性——你可以直接用这个数据盒子里的内容。所以越来越多的人尝试用人工智能和机器学习来做事情。
好吧，我们已经听说了数据爆炸和改变学校模式的必要性。还有什么要讨论的？
Blum: 有两大趋势正在发生——而我们才刚刚开始。我们与IMS全球学习联盟合作。某些技术标准，如卡尺和xAPI（或经验API）正在起步。其次，包括教育的很多领域，你都没有长期的数据。所以，如果你想为一个学生选出下一个最好的问题，你必须使用一种不同的方法，这种方法称作“强化学习”。所以，如果我没有一百万个数据记录，我可以一边工作一边探索。这就是谷歌解决阿尔法Go挑战的方式。
我们在教育中看到的人工智能应用是什么？我们已经在使用它了吗？
Pischdotchian:这是关于在学习经验中寻找模式的问题。我们可以注意到，如果一个人的数学能力更强，系统该如何识别挑战并向老师开放，从而更好地辅导学生？关于这一方面，IBM正在与芝麻街合作——这一合作将大学作为机器学习发展的试验田。这对老师们也有益：我们在麻省理工学院举办了一场黑客马拉松，所有的教室都装有摄像头（学生们都知道）。如果一位教授正在讲课，而他却不抬头看看是否有一半的学生睡着了，我们可以用面部识别系统来描述学生的情绪（比如无聊），然后给教授发一条信息。
Benemann: 无论你看向何处，人们都在问教育（或其他东西）什么方面可以为人工智能所改变。这在教室里是什么样子的？它能让学生的一天都自由吗？人工智能会取代教师吗？人工智能会帮助老师腾出时间，让他们成为学生的“导师”吗？适应性平台（如ALEKS或Knewton）能够帮助学生了解事实，并让老师们能够指导他们吗？
这是否意味着，如果没有人工智能，市场上的“适应性”技术其实不具备适应能力呢？
Benemann:这是一个光谱。有些工具是具备适应能力的，但它们说自己是“人工智能”，但我们还有很长的路要走。
Kireyev:Instagrok是一个视觉搜索引擎。我们用机器学习来识别重要的事实和概念，然后让学生去学习有关任何方向的内容。他们可以合成它并组织它。TextGeonome是另一个项目。我们正在建立基础设施，来进一步开发以人工智能为基础的词汇。我们的问题是：考虑到学生和年级的水平，他们接下来要学的单词是什么？
Blum: 在ACT（已经收购OpenEd），我们关注的问题是：如果你已经发现了学习差距，什么是帮助学生最好的教学材料？我们想提供给你的不仅仅是ACT的材料，还有我们能够找到的最好的教学资源。我们用机器学习来精确定位。
在某些领域，如果你不使用机器学习预测模型，你就会再次错过这些资源。以大学招生办公室为例。
当你从统计评估模型转换到深度机器学习[涉及神经网络]时，无法跟上发展速度的是“解释能力”。你可能有一个无法解释的神经网络。所以当预测算法变得更好时和当你进入多层神经网络时，一个关键的挑战是解释能力就会下降。在一些受到严格监管的市场——比如教育和医疗——需要研发更多的解释性工具。
假设你在一所很大的大学里：他们使用统计模型来挑选即将进入的班级。现在，假设你有一个神经网络或者一些机器学习程序，便能更好地预测学生的结果。当然，也有大学这样做。他们不会谈论此事，因为风险太大了。但你可以确定，他们是在用机器学习来挑选即将到来的课程。我们需要某种总结工具来解释这些选择。尽管深度学习是复杂的，为了让这一点得以讨论和接受，我们还是要提出一些重要的解释因素：他们是如何做到的？
人们担心“人工智能”这样的词汇是否会成为销售产品的标签。假设我是一名教师，一家教育科技公司说：“我的数学工具是由人工智能支持的。”我应该问什么？
Blum:这个问题与发现能力和解释能力有关。如果你要打上人工智能标签，那么我想知道更多的内容：你是在说受到监督的符号系统吗？还是自然语言处理？如果你只说“人工智能”，没有再提到其他的，那就降低了你的可信度。如果你使用了人工智能标签，它就会邀请你进行一次关于它背后的对话。
Benemann: 供应商应该谈谈学生的学习成果和教师实践。而不是谈论人工智能。这只是让学生学习和老师实践的另一种方式。你最好了解这个领域然后说：因为你用这个产品，我可以做一个案例研究，表明效率得到了提高，在课堂上浪费的时间也更少。
在保护敏感学生数据的隐私和安全的同时，如何平衡人工智能工具对数据的需求？
Blum:我们处在一个没有PII（个人身份信息）的时代。如果你有足够的知识，你就可以结构这个人。因此，我们需要制定行业标准。如果我们说，“这是允许你收集和分享的东西”，这将会改善教育研究开发人员的工作。我提出的一点是，有必要对隐私制定更好的标准，这样就没有人会因为遵守这些标准而被起诉。
Benemann:谁拥有这些数据？看看医疗保健。这是一个零散的市场，但有一种趋势是，患者拥有越来越多的数据。我想知道我们是否能接触学生们的数据，而这取决于他们（学生和他们的父母）的回答，“是的，你们可以通过学校接触。”
工作自动化是许多人所担心的一个威胁。这会对教师和其他职业产生怎样的影响？
Kireyev: 我看到老师的角色在发生奇妙的变化。领导能力，引导…我对这些从老师身上学到的东西感到兴奋。然后，越来越多的老师开始更深入地与孩子们一起学习，而不仅仅是解释怎样解开方程式。
Blum: 一直在努力为职业技术制定学习目标。但它没有得到充分利用。我们需要更进一步地思考。10年后成为卡车司机意味着什么？这将如何影响整个行业的供应链？我们要努力改善职业教育。
Pischdotchian: 因此我们要强调STEAM（科学、技术、工程、艺术和数学）的重要性，而不仅仅是STEM（科学，技术，工程和数学）的重要性。大脑的右侧思维能力——比如艺术、创造力、心理学，不再是分析能力和数学能力——将变得更加重要。心理学。历史。辩论课。幽默和戏剧。至少在我们的有生之年，这些方面（对人工智能来说是可以接受的）是很重要的。
人工智能擅长于让某些事情变得简单，但这也是令人担忧的。对事情认真思考对我们来说并不是自然而然的事。成长和舒适是不能共存的。
【英文来源：Edsurge 作者：Tony Wan 编译：网易见外智能编译平台 审校：Simone】