人工智慧教師的未來角色

本文由《開放教育研究》雜誌授權發布

作者：余勝泉

摘要

近幾年，隨著微電子學及互聯網的跨越式發展，運算、存儲能力大幅度的提升助力了人工智慧的騰飛；大數據技術的突破與廣泛應用驅動了人工智慧的實質進步。人工智慧在教育中的應用已成為熱議話題。本文介紹了人工智慧的三大學派及其典型案例，論述了人類該以何種態度應對人工智慧發展勢態，並具體闡述了人工智慧教師在未來可能承擔的十二個角色：可自動出題和自動批閱作業的助教、學習障礙自動診斷與反饋的分析師、問題解決能力測評的素質提升教練、學生心理素質測評與改進的輔導員、體質健康監測與提升的保健醫生、反饋綜合素質評價報告的班主任、個性化智能教學的指導顧問、學生個性化問題解決的智能導師、學生成長發展的生涯規劃師、精準教研中的互助同伴、個性化學習內容生成與匯聚的智能代理、數據驅動的教育決策助手。人工智慧教師將在未來學校佔有一席之地，未來教育將是教師與人工智慧教師協同共存的時代。

關鍵詞：人工智慧；人工智慧教育應用；人工智慧教師；協同共存；未來教育

近年來，人工智慧成為人們關注的焦點，而實際上人工智慧並不是新生事物，它最初是在1956年達特茅斯會議上提出的，後來歷經三次高潮三次低谷發展，在知識工程、機器人、機器視覺、語音識別、語言翻譯等領域取得了實質性發展。當前，互聯網的快速發展帶來了海量數據的匯聚，再加上獲得了以前無法擁有的強大計算能力，從而使得近年來人工智慧取得了實質性突破，這一突破不僅體現在研究層面，更體現在各種實踐領域的產品與服務上。可以說，人工智慧正在變革我們的社會生產與生活，第三波人工智慧的浪潮已經來臨。

回望歷史，2006年，加拿大的欣頓（Hinton）教授在計算機視覺比賽上將深度神經網路運用到計算機識別圖像中，計算機識別圖像能力一下提高了十幾個百分點。後來欣頓教授在《科學》雜誌上發文正式提出基於人工神經網路的「深度學習」概念（Hinton & Salakhutdinov，2006），由此揭開人工智慧發展的第三波浪潮，而近年這一浪潮也取得系列成果。比如，2011年GoogleBrain通過非監督學習，自主識別出貓臉圖像；2012年微軟語音識別及實時語音翻譯技術取得巨大進展。這些都是基於欣頓教授人工神經網路進行深度學習的啟發而取得的實質性進展。當前，人工智慧不斷發展，2015年斯坦福人工智慧實驗室組織的ImageNet圖像識別比賽中，計算機識別圖像的正確度超過了人眼；2016年AlphaGo戰勝李世石。這些成果使得人工智慧迅速躍入大眾視野，成為街頭巷尾熱議的話題。

一、三大學派及其代表性案例

人工智慧主要研究用人工的方法和技術，模仿、延伸和擴展人的智能，實現機器智能。人工智慧的符號主義（以基於知識工程的專家系統研究為代表）、聯結主義（以人工神經網路研究為代表）、行為主義（以行為動作的感知與控制研究為代表）是人工智慧領域中具有代表性的三種方法，分別從對人的邏輯思維模擬、大腦結構模擬和人類智能行為模擬三個側面對智能進行研究。

（一）符號主義學派，代表性案例：Watson

符號主義認為人工智慧源於數理邏輯，主要思想是應用邏輯推理法則模擬人類的智能活動，從而實現對大腦功能的模擬。符號主義認為，人類認知的基元是符號，認知過程是符號表示的一種運算，智能的核心是知識，而知識可以用符號表示，以利用知識推理進行問題求解。其代表性成果包括機器證明、專家系統、知識工程等。

基於符號主義邏輯推理的人工智慧發展的標誌性事件有IBM公司的「深藍」（Deep Blue）戰勝國際象棋冠軍卡斯帕羅夫，這是人工智慧的里程碑事件，也是符號主義人工智慧的巨大成就之一。後來，IBM公司推出認知系統「Watson」，以紀念IBM公司創始人托馬斯·沃森（Thomas J.Watson）。Watson不僅知識面寬廣，還能理解分析包括俗語、俚語在內的複雜的人類語言，並以高置信度快速回答各種問題。

2011年Watson參加美國真人答題電視節目，戰勝了人類最強的選手，獲得100萬美元獎金。這是很不容易的，因為真人答題比賽需要理解人類語言，分析人類語言細微的差別、諷刺的口吻、謎語等，不僅要求計算機有足夠的速度、精確度和置信度，還能用人類的自然語言回答問題。

如今，Watson已經成為IBM公司的核心技術。IBM正在進行新的轉型，目標是提供以Watson為核心深入到各行各業的人工智慧解決方案。如醫療行業中，普通醫生在Watson系統輸入病患的信息，短短十幾秒後，它就可以生成一份長達70-100頁的治療報告，內容包括推薦治療方案、遵循的指南和治療思想、幫助尋找患者的臨床醫學證據、用藥建議以及藥物副作用提醒等。Watson為什麼能夠實現上述行為呢？因為歷經多年的技術迭代，海量醫學數據的「餵養」後，Watson醫療系統目前已經可以實現17秒內閱讀3649本醫學著作、24.8萬篇論文、69種治療方案、61540次實驗數據以及10.6萬份臨床報告，並最終提出三個最佳治療方案（梁辰，2016）。Watson是以知識工程為原理的人工智慧的典型成就，也是深入實用層面的典範。

（二）連接主義學派，代表性案例：計算機視覺

連接主義學派認為人工智慧源於神經網路的連接，智能活動的基元是神經細胞，過程是神經網路的動態演化，神經網路的結構與智能行為密切相關，不同的結構表現出不同的功能和行為，人工智慧應對人的生理神經網路結構的模擬。連接主義的核心方法是構建人工神經網路（Artificial Neural Networks，簡稱ANN）及人工神經網路間連接機制的學習演算法，實現對大腦功能的模擬。其代表性成果包括神經元MP模型、Rosenblatt感知機模型、BP神經網路、深度神經網路等。

近年來深度神經網路的發展與應用，又掀起了連接主義人工智慧的研究熱潮，代表性案例是計算機視覺。深度學習神經網路模型有兩個典型代表：卷積神經網路（CNN）和循環神經網路（RNN）。CNN是一個多層的神經網路，其本質是每個卷積層包含一定數量的特徵面或卷積核（Chu & Krzyzak，2014），用來識別位移、縮放及其他形式的扭曲不變性的二維圖形，如圖像識別、手寫識別等。CNN的最大優勢在於特徵提取，具體表現為局部連接、權值共享和池化操作，比傳統模型有更少的連接和訓練參數，從而更易於訓練，適應性更強（李彥冬等，2016）。RNN是隱藏層之間的節點相互連接且輸入不僅包括輸入層的輸出，還包括上一時刻隱藏層輸出的神經網路（Britz，2015）。也就是說，RNN中一個序列當前的輸出與前面的輸出有關，這也是RNN被稱為循環神經網路的原因。其主要用於處理序列數據（即一個序列的當前輸出與前面的輸出有關）。目前，RNN機器翻譯（Liu et al.，2014）、語言識別（Graves & Jaitly，2014）等均有廣泛應用。

在深度學習神經網路的推動下，人工智慧在計算機視覺及自然語言處理方面的實用性大大推前了一步。其推進過程有幾個關鍵事件。首先，斯坦福大學人工智慧實驗室李飛飛教授設立了計算機視覺比賽，建立了海量圖像資料庫Image Net，以期基於此提升人工智慧計算機視覺的識別能力（Deng et al.，2009），實質性地推動了計算機視覺的發展。此外，谷歌原科學家吳恩達用1.6萬塊電腦處理晶元構建了全球最大的電子模擬神經網路，並通過向該網路展示來自YouTube上隨機選取的1000萬段視頻，考察其能夠學到什麼。研究表明，在無外界指令的自發條件下，該人工智慧神經網路自主學會了識別貓臉（Le et al.，2011）。這是非常了不起的成就，也是計算機視覺領域的里程碑事件。最近，谷歌發布了一款名為dps相機，可以裝在嬰兒童車上，外觀非常普通，其獨特之處在於，主動拍照，可以主動識別兒童打滾兒、微笑、傻笑、眨眼等有趣的表情，或者特別有紀念意義的時刻，並主動拍照和錄製視頻。其中的根本就得益於深度學習和海量數據，得益於谷歌在YouTube上採集的海量的具有紀念意義的兒童視頻表情。

（三）行為主義學派，代表性案例：谷歌機器狗

行為主義認為人工智慧源於行為動作的感知與控制，主要思想是應用控制論，採用進化的方式模擬人類行為活動中表現的智能。行為主義認為功能、結構和智能行為是不可分的，不同行為表現出不同的功能和不同的控制結構，智能是對外界複雜環境的適應，而這種適應取決於感知和行動。人工智慧可以像人類智能那樣逐步進化。其代表性成果包括「感知-動作」模型、強化學習、類腦計算、生物智能演算法等。

行為主義代表性案例是谷歌的機器狗，其目標是實現人或動物能去的地方機器都能去。它能夠完成惡劣環境中的特定運輸任務；在未知的惡劣環境如叢林、雪地、冰面、河床等中行走時，能夠識別並避開或越過樹木、亂石堆等障礙；在遇到外界環境的突發性衝擊時，能夠迅速調整自身姿態，保持站立並繼續前進。

日常生活中看到的掃地機器人是行為主義人工智慧的典型代表，它基於感知和行動控制模式來適應千差萬別的空間，並能與環境的交互中，實現像人類智能一樣的進化。

隨著研究和應用的深入，人們逐漸認識到，三個學派各有所長，各有所短，應相互結合、取長補短，綜合集成。

二、面對人工智慧的應有之態：不尚估，也不低看

人工智慧發展的迅猛之勢，引發了人們的熱議。人工智慧能否取代現代人成為人們關注的焦點。有人憂慮:人類會不會被取代？有人擔心AI是個危險的潘多拉魔盒。早在1993年，計算機科學家弗農·維格（Vemon Vinge）就提出了奇點概念，即人工智慧驅動的計算機或機器人能夠重新設計和改進自身，或者設計出比自己更先進的人工智慧。不可避免的是，這將導致人工智慧的發展遠超出人類的智力、理解力和控制力，這也是溫格所說的人類時代的終結。最近，史蒂芬·霍金和斯圖爾特·羅素、馬斯克、泰格馬克（Tegmark）和弗蘭克·威爾齊克（Frank Wilczek）等科學家也警告，AI的潛在缺點是太聰明了。2001年開始的「60年代的太空漫遊」，80年代的「終結者」系列，到最近的「超越」等影片，都描繪了一個由異常人工智慧控制的反烏托邦世界（Luck-in et al.，2016）。

美國雜誌《紐約客》（The New Yorker）2017年10月封面刊登了一組機器人圖，引起人們的討論。該圖名為《黑暗工廠》（Dark Factory），描述的是工廠里一群機器人在上班，而人在路邊乞討，暗示機器人統治了人的世界。

最近，BBC基於牛津大學卡爾·佛雷和米歇爾-奧斯本（Frey & Osborne，2016）的數據系統分析了365種職業在未來的「被淘汰率」，結果顯示，電話推銷員為99.0%，打字員為98.5%，會計為97.6%，保險業務員為97.0%，銀行職員為96.8%等，這些職業被替代率均在百分之九十以上。其他職業，如藝術家為3.8%，音樂家為4.5%，科學家為6.2%，律師、法官為3.5%，牙醫、理療師為2.1%，建築師為1.8%等，這些職業被取代率很低，尤其是教師職業的被取代率只有0.4%。據此研究，如果從事的工作包含以下三類技能，被機器人取代的可能性會非常小：1）社交能力、協商能力以及人情練達的藝術；2）同情心，以及對他人真心實意的扶助和關切；3）創意和審美。但是如果所從事的工作具有如下特徵：1）無需天賦，經由簡單訓練即可掌握技能；2）大量的重複性勞動，上班無需動腦，只需熟練而已；3）工作空間狹小，坐在格子間里，不聞天下事等，被機器人取代的可能性會非常大。

教育領域也有人工智慧挑戰教師的鮮活案例。比如，美國喬治亞州理工大學計算機科學教授艾休克·戈爾（Ashock Goel）用人工智慧回答MOOC課程問題。他將名為吉爾·沃特森（Jill Watson）的機器人（一款基於IBM沃森技術的聊天機器人）安排做助教，為學生授課5個月，期間沒有任何學生髮現問題（Graaf，2016）。這一聊天機器人回答問題能力非常強，學生甚至沒有注意到課程助教是個機器人。雖然BBC預測老師被取代的概率是0.4%，但實際上教師的很多工作會被人工智慧所取代。

當然，對於人工智慧，我們不要過分高估也不要過分低看，就像雷·克種福德（Ray Clifford）所言，「科技不能取代教師，但是使用科技的教師卻能取代不使用科技的教師。」同理，人工智慧不會取代教師，但是使用人工智慧的教師會取代不使用人工智慧的教師。

綜上所述，人工智慧對教育的影響，我們既不要高估——短期它不會對教育產生實質性影響，又不要低看人工智慧疊加其它技術，如疊加大數據、互聯網、增強現實後的影響，這些技術經過長時間的進化後，會實質性地改變教育體系。所以，我們要秉承理性態度看待人工智慧的教育影響。

三、人工智慧教師的未來角色

北京師範大學未來教育高精尖創新中心在人工智慧教育應用領域做了系列前瞻性研究，啟動了「AITeacher」的國際合作研究項目——人工智慧教師。我們建立了教育大數據平台，採集全學習過程數據，對青少年兒童的知識、情感、認知、社會網路等進行全面模擬，通過數據精確了解青少年發展的一般規律及個體特徵，實現自然語言交互形態的「人工智慧教師」服務。

圖1是研究的功能框架。我們希望基於全學習過程數據的教育智能平台，為每個教師提供基於雲的智能助理，希望它能達到相當於人類特級教師的水平，甚至能完成一些優秀教師甚至特級教師都不能完成的任務，為減輕教師壓力和工作量提供支持。下圖12個方面的研究，初顯了人工智慧教師未來的目前這些研究部分在實踐中得到了應用，產生了良好的效果，部分還在關鍵技術探索階段，仍處於原型狀態。

（一）角色一：可自動出題和自動批閱作業的助教

人工智慧教師的第一個角色，是成為可自動出題和作業自動批閱的助教，幫助教師對不同能力的學生自動生成不同的試題，並對作業、試卷等實現自動化批改。我們有個團隊在做基於海量數據和知識本體的自動出題和作業自動批閱研究。該研究通過建立某個特定領域完備的知識圖譜，實現計算機基於知識庫的規則，基於各種情景模板和情景素材，自動生成各類試題。基於知識規則生成的試題，可以遍歷各種知識組合與應用情境，更好地診斷學生對核心知識的掌握程度（見圖2）。

另外，我們還根據人工神經網路主觀題自動判別研究，包括簡答、翻譯、判斷、問答、閱讀理解等開放性試題，希望能夠把教師從日常批改作業等重複性工作中解脫出來。但對簡答題、計算題、證明題等短文本的開放性試題的判定，非常具有挑戰性，目前人工智慧還不能實現完全的自然理解，我們的核心思路是利用人工神經網路深度學習的方式，通過人工神經網路學習學生作答數據的核心特徵，來對答案進行分類，從而提取核心特徵並將其歸到預定的分類框架，進而得出它的評測模型，再利用評測模型評測其他學生的作答。通過這種思路，把自然語言理解的問題轉化為數據訓練問題。

今後測評工作遲早會被人工智慧所接管。人工智慧能夠實現自動問題生成、自動診斷、自動評分、學習路徑優化、自動題目生成、自適應試卷生成、自適應考試、自動任務建模等，今後測評領域必將實現過程的全自動化。

（二）角色二：學習障礙自動診斷與反饋分析師

人工智慧教師的第二個角色，應成為學習障礙自動診斷與及時反饋分析師，幫助教師、家長發現學生學習中隱含的問題，並及時給予反饋與解決。我們開展了學習障礙自動診斷與及時反饋研究，通過對中小學的學科建立知識圖譜，在知識圖譜中標記學生的學科能力，即對每個核心概念上學生應達到哪一個學科能力都進行了標記，建立了學生學科能力的標記模型。然後，通過對學生的試題作答數據進行分析，就可以通過數據模擬出學生對該知識的掌握程度（見圖3），並以此，進行個性化推薦。

除個性化推薦外，我們還可以基於學生的知識圖譜進行預測性分析和診斷性分析，找到學生學習的障礙點，並根據歷史數據預測其未來可能取得的學業成就。

比如，我們有項研究基於個人知識地圖探討學生學習障礙的診斷。學生不會計算梯形面積，其關鍵障礙可能是不懂平行線的性質。所以，我們要發現關鍵障礙點，才能對症下藥。通過計算機人工智慧汲取海量歷史數據隱含的規則，我們就能發現學生最易出錯關鍵障礙點，並對其進行破解。

另外，我們還與上海Find鋼琴公司合作開展學習鋼琴的大數據分析。這些鋼琴可以自動採集彈奏過程中的方向、力度、速度等參數，並將其數字化。據此，研究人員可以建立鋼琴數據分析模型，實現自動評測。當學生彈奏和測驗時，鋼琴會自動判斷是否正確。同時，系統通過大數據統計分析，得出學生的成績，發現關鍵障礙點，並推薦練習及在線彈奏演示。經過一段時間積累後，系統會針對學生的學習狀況出具詳盡的總結報告，實現因人而異的專家指導。

（三）角色三：問題解決能力測評的素質提升教練

人工智慧教師的第三個角色，是成為問題解決能力測評的素質提升教練，協助教師評估學生問題解決能力的發展，並通過綜合性項目學習提升學生素質。我們在評價學生時，除了所學的知識外，還要考察學生的問題解決能力。也就是說，需要判斷學生在解決問題時的分析能力、策略形成能力、高級認知能力等。我們開展了數據驅動的模擬模擬引擎研究，主要是把知識嵌人真實情景問題中，通過老師提供的問題情景素材，建立真實問題解決的開放式模擬環境，形成問題模擬引擎。在學生進行問題解決時，電腦通過關鍵環節決策中留下的路徑數據、點擊數據、交互數據等，再通過對交互數據的時序分析、模式分析、行為模式聚類等，模擬並計算出學生的認知能力、計劃執行能力、實踐操作能力、結果整合能力、知識遷移能力等問題解決能力，從而對學生的綜合素質、綜合問題解決能力做出評價，生成報告。圖4是測評結果給出的綜合報告樣例，通過這份報告，學生可以做出針對性策略調整。

該模擬引擎的目標是通過建立多種不同問題情境，檢測學生能否主動獲取和辨別相關資料，並應用其中的信息解決實際問題。通過計算機技術手段觀測記錄分析學生解題的過程性行為，從而給出能有效提高學生實際問題解決能力的方式方法。其中，角色實現所包含的內容如表一所示。

如此，通過採集學生的交互數據，提取他在模擬引擎交互上的次序特徵（知識點或者解題關鍵過程的訪問次序）、時間特徵（單個步驟的用時、在某個點上的整體用時、間斷時間、用時比例等）、模式特徵（為了完成某個步驟，使用了哪些工具？活動結果果是否正確），然後利用神經網路和統計學習方法，如隱馬爾科夫模型，分析學生表徵行為，從而推測出該學生高階、深層、不可見的能力。目前，我們已經開發好平台，並取得了較好的應用效果。

圖4 問題解決能力測評報告樣例

（四）角色四：學生心理素質測評與改進輔導員

人工智慧教師的第四個角色，是成為學生心理素質測評與改進的輔導員，協助教師及早發現學生的心理問題並及時給予干預。我們不僅要了解學生的知識、能力，還要了解他的認知能力與心理狀態，即綜合心理素質。我們聯合北京師範大學心理學部建立了八個維度的綜合心理素質評估模型，包括心理健康、人格發展、基本認知能力、高級認知能力、學習品質與能力、發展潛力、教育環境、漢語閱讀能力；從青少年發展潛力、心理健康、人格特徵、學習品質、認知能力，家庭環境、學校環境、教育環境等方面編製了40多個項目的心理測評量表。

依據心理測評量表及量表診斷的數據，我們可以了解學生的心理狀態及專業綜合素質測評結果，包括成長潛力、網路成癮、學習感受等，從而形成詳細的分析報告（見圖5），幫助教師了解真實的學生。

這些心理素質測評分析報告對於教師育人，對於家長正確認識孩子，促進兒童積極、健康、全面發展，都將起重要作用。

圖5心理測評報告中的學習品質報告

（五）角色五:體質健康監測與提升的保健醫生

人工智慧教師的第五個角色，是成為體質健康監測與提升的保健醫生，幫助教師基於數據，精確了解學生體質發展及健康狀況，並給出促進發展的訓練方案。圖6為郭俊奇團隊關於青少年體質健康實時監測系統結構。我們正在研製採集學生運動行為數據的智能儀器和智能設備，如智能手環、智能肺活量測評工具、智能跳繩工具等。藉助這些智能運動器具，我們採集學生體質健康的行為數據，以此為基礎，轉化成心率、血氧、力量、耐力、運動、加速度等體質健康數據，然後與青少年體質健康的靜態常模數據進行匹配，發現學生在體質、運動技能、健康知識等方面的問題，並積極干預。

例如，我們研製了可以採集學生心率血氧等參數的智能手環。它通過在實時採集學生運動參數，實現對學生運動能力進行健康監測和數據分析（見圖7）。

圖7 智能手環及其監測狀況

此外，我們還可以通過數據分析形成面向學生健康素養的體制監測報告（見圖8），憑此可以分析學生在體質健康、身體素質、身體動作功能、運動學習能力以及健康生活方式等指標，發現學生體質的優勢與問題，並基於中學生運動處方內容庫、中學生身體功能訓練方法庫、學校體育優質教學資源庫、中學健康教育知識庫，自動生成建議性的訓練方案，促進學生身體素質的優勢增強或者問題改進。未來人工智慧教練可以協助教師傳授健康及運動知識、教授運動技能、指導體育鍛煉、引導學生科學健康的生活方式，讓學生學會自主鍛煉、自主監控、自主評價、自主反饋。

（六）角色六:反饋綜合素質評價報告的班主任

人工智慧教師的第六個角色，是成為反饋綜合素質評價報告的班主任，在期末或其它關鍵時間為學生、家長提供全面、客觀、有科學數據支撐的綜合素質評價報告。我們建立了一個「智慧學伴」學習平台，集成了心理、體質、學科知識、學科素養等模型，然後通過採集海量的學生學習過程數據，得出包括知識、能力、非智力因素等的學生綜合素質評價報告（見圖9）。也就是說，學生評價不再是簡單的分數，也不是簡單的ABCD等級，而是一份含有300個參數的報表，將學生的學科素養水平、學科能力層級、行為狀態等可視化地展現出來。

該評價報告從體質健康、通用心理和認知能力、學科核心素養、學科領域核心知識四個層面，包括人格特徵、心理健康、認知能力、學習品質、學科素養、學科知識、體質健康、教育環境、發展傾向等九個方面，規划了共300多項指標，形成了發現學生個性的數據框架（余勝泉，2017）。

基於這一數據框架，以及採集學生的課堂表現、作業做答、習題測驗、在線學習、體質健康、情感狀態等數據，然後匯總建模，分析學生的認知能力、學習風格、注意力、情緒情感、學習軌跡、知識狀態、知識誤區、學科素養等，生成學生的綜合素質評價報告。

這些綜合評價數據，如果與區塊鏈技術相融合，可以大幅提升綜合素質評價可信度，對未來中、高考等考試評價會產生深遠影響。

（七）角色七：個性化智能教學的指導顧問

人工智慧教師第七個角色，是成為個性化智能教學的指導顧問，實現因人而異、因情境而異的個性化智能教學。我們建立了基於泛在學習環境的學習資源模型——學習元（余勝泉，2009），形成了個性化的泛在學習模型。該模型根據學生學習的歷史數據建立認知模型、推理引擎後，不僅能給學生推薦相應的知識，更能推薦相應的服務以及知識背後的人際網路，實現因人而異的個性化學習方案，進而實現精準診斷、智能推薦。圖10展示了學習元的個性化學習整體架構（余勝泉，2017）。

圖10 基於學習元的個性化學習

從以前統一的教學，到因人而異的個性化教學，我們把學生數據進行可視化後，形成知識地圖，以此個性化推薦學生所需的學習內容、背後的雙師服務、匹配的學伴，並結合綜合素質評價報告提供綜合實踐指導、興趣發展指導。

在學科知識本體及資源的語義關聯部分，其背後的核心是建立中小學學科領域的知識本體，並以此對資源進行描述，基於知識圖譜生成學習者的認知地圖，據此實現智能推薦。

在核心知識圖譜的基礎上融人認知狀態數據可以生成個性化的知識地圖，從而針對性地推薦學生所需的內容、所需內容的路徑。在這個過程中，除了採集學生的學習數據外，我們更需要採集學生認知過程的投人數據。對於學習者來說，認知過程的投人數據比行為數據更重要，是起決定作用的。如果只對行為數據進行分析，是不準確的，一定要有認知數據的投人，所以，我們結合行為數據和認知數據來形成知識地圖，實現精準的個性化的推薦。

（八）角色八：學生個性化問題解決的智能導師

人工智慧教師的第八個角色，是成為學生個性化問題解決的智能導師，以自然交互的方式對學生個性化問題進行解答與指導。IBM的Watson助教系統實際上是典型的智能導師系統，它通過建立教育領域的專家知識庫，實現類似教師功能的智能指導。借鑒智能導師系統，我們希望把老師教學過程中隱性的知識顯性化、工程化，內置到智能系統中，通過自然語言交互的人機對話系統，為學生提供個性化的幫助、個性化的問答。

我們結合「智慧學伴」平台在廠家提供的機器人硬體框架上，打造了人機對話的智能導師系統。學生可以和機器人對話，機器人通過對話理解學生需求，並基於「智慧學伴」的後台知識庫給予及時的響應和反饋。它可以了解學生的知識狀態，並據此提供因人而異的個性化教學方案、個性化教學計劃和個性化陪伴，還能主動提示學生的學習進度。將來，通過採集它與兒童的對話內容，可以發現兒童在情感、情緒、認知方面的問題，進而提供相應的支持，實現類似於人類教師的智能輔導。

我們還規劃實施「AI好老師」項目，計劃建立兒童0-18歲成長問題庫，建立相應的知識圖譜與知識庫，結構化處理後內置到機器人中，由此人工智慧就可以實現對各種育人問題自動解答。

（九）角色九：學生成長發展的生涯規劃師

人工智慧教師的第九個角色，是擔當學生生涯發展顧問或規劃師，幫助學生認識自己、發現自己的特長、興趣，協助完成學生成長發展的智能推薦，適應中考、高考改革中給予學生越來越大的選擇權。我們通過採集學生各階段的學業成就和心理、能力發展特徵、測評學生整體特徵和能力、識別學生個體、特長和優勢，給出關鍵期的學科選擇和專業選擇及未來發展建議。學生的成長發展推薦不僅基於分數，還涉及能力特徵、心理狀態、學習行為、感測數據以及國家招生與錄取政策、學科專業特點。在這些基礎上我們建立了數學模型，以此推薦最適合學生個性特徵及能力和分數段的報考專業和方向，及其個人職業生涯發展規劃。

系統的實現路徑如圖11所示，它通過採集學生的個人特徵、學科能力，建立學生模型，再通過專業網路關係，形成科學的專業發展推薦。該研究設計比較周全，不光考慮了分數，還考慮專業能力、各專業對能力的需求及學生的學科素養要求。

圖11 學生成長發展智能推薦系統實現路徑

當前國家正在推進新一輪高考改革，旨在通過優化招生制度，為學生成長成才提供更多的機會和舞台；「為每個學生提供更多的選擇機會，促進學生髮展學科興趣與個性特長」是其核心。教會學生學會根據興趣、能力、個性選擇適合的學科與專業，讓學生體驗各行各業實際的工作與生活以及了解各行各業的能力要求，並引導學生正確認識自己，發現自己，學會如何平衡人生歷程中各種社會角色關係等，在這些方面人工智慧教師可以發揮重要作用。

（十）角色十：精準教研中的互助同伴

人工智慧教師的第十個角色，是作為精準教研中的互動同伴，協助教師實現同伴間的教學問題發現與互助改進。我們開展了精準教研研究，希望老師能在教研中了解自己的知識結構、教學法、學科知識存在的問題，實現精準導向的教研（見圖12）。首先，我們採集教師在備課、聽課、評課、課例分析、班級知識圖譜、學生成績數據，然後將它們匯聚到多維度數據分析平台中，分析教師在教學法、學科知識、技術方面存在的問題，最後匯總形成教師的TPACK知識模型，以期通過該模型精準診斷教學過程中存在的問題，如情景創設、提問設計等，然後基於問題，精準提供改進培訓課程及參考案例。我們希望教研由形式單一、經驗主導、小範圍協調的方式向大規模協同、數據及時分享並深度挖掘的精準教研轉變。

這一系統的核心有兩個:一是建立面向學科教學的問題知識庫並不斷完善；二是採集各種過程數據，比如教師間的聽課記錄、教師的教學設計、教學課例、學生學科成績等。

（十一）角色十一：個性化學習內容的生成與匯聚的智能代理

人工智慧教師的第十一個角色，是成為個性化學習內容的自動生成與匯聚代理，能根據學生個性化特徵自動尋找、關聯、生成與匯聚適合的學習資源，實現從人找資源到資源找人的轉變。如果我們要實現對學生的個性化教學，就需要提供不同類型的內容。比如，按照布魯姆提出的六種認知層次，再加上四種學習風格，就有24種要求，若再整合媒體學習終端、手機平板電腦等因素，就需要再乘以3，如果再加上學習策略等個性化要素，就更多。也就是說，在一個知識點上實現完全的個性化，就需要做成百上千的海量內容，而所有這些知識內容都靠人工開發是不現實的。因此，我們設想用人工智慧技術自動生成個性化學習內容，實現個性化學習內容的自動匯聚。具體的設想路線如圖13所示。

目前，我們在基於學習元的資源模型中，建立了特定領域的知識庫、目標庫、能力庫、策略庫、工具庫、資源庫以及動態的資源模板，可以動態組合出符合學習者特定風格、特定能力結構、特定學習終端、特定學習場景、特定學習策略的個性化學習內容。由於個性化學習內容是深層的、組合的，很難由教師事先準備好，所以用人工智慧技術和方法個性化地生成與匯聚學習內容、學習資源是教育領域前沿課題。我們團隊正在基於學習元平台開展這方面的研究。

（十二）角色十二：數據驅動的教育決策助手

人工智慧教師的第十二個角色，是扮演數據驅動的教育決策助手，為現代教育治理提供決策輔助。我們希望通過人機協同思維、協同思考的方式實現教育宏觀決策和宏觀政策研究。面對複雜的教育現實，單靠經驗很難平衡好多主體相互作用的複雜關係，制定的政策往往好心辦壞事。有了大數據系統，我們可以建立對現實社會、現實教育系統的模擬模擬，進行各種參數的演化，把關鍵參數從極小值演進到極大值，觀察這個系統演化的結果，以此發現關鍵癥結點，或找出各方價值最大化的解，從而做出科學的決策，再加上管理者的知識和經驗，就可能使得教育決策更科學。藉助模擬實現人機結合、數據驅動的教育決策，是目前教育領域非常前沿、也極受關注的研究熱點，是未來教育管理、教育政策研究的新範式。

利用決策模擬，我們嘗試做了北京市教育地圖，把北京市的各種教育數據疊加到地圖上，通過地圖數據做擇校政策模擬分析。

在此模擬中，我們建立了學校間的關係、學校教學質量與周邊人口間的關係，最後把各種政策內置人系統，實現擇校政策出台後的推演，包括分析有可能出現的漏洞、哪些學校是擇校熱點、家長可能擇校的範圍多大以及過程中的演化和博弈後的結果等，這就可以把隱含在文本中的政策變成可視化的地圖呈現出來。

四、邁向教師與人工智慧協作的未來教育時代

未來的教育將進人教師與人工智慧協作共存的時代，教師與人工智慧將發揮各自的優勢，協同實現個性化教育、包容的教育、公平的教育與終身的教育，促進人的全面發展。

一方面，教育中的人工智慧能夠讓教育知識、心理知識和社會知識等以精確的方式呈現（Self，1998）。那些看不見的隱性學習過程，可以通過人工智慧加以顯現。在基於人工智慧精確了解學生數據的前提下，未來教育將由教師和人工智慧共同為學生提供權威的學習支撐、精準的學習內容和學習活動，實現多元的教育服務供給。在此基礎上，學生將得到全面和有針對性的發展，個性化教育將從理想變成現實，煥發出強大的生命力。

另一方面，人工智慧教師能夠連接正式學習與非正式學習環境，教育將更開放，泛在學習會逐漸成為基本形態。學習不僅發生在課堂上，也發生在日常生活中；知識不僅來源於學校老師，也來源於無處不在的人工智慧教師。人們通過無處不在的終端連接智能化的知識網路和人際網路，實現人人、時時、處處可學的終身學習。

人工智慧支持下的未來教師角色將發生極大變化，教師知識性的教學角色，將會被人工智慧所取代，教師的育人角色將越來越重要，我們將邁向教師與人工智慧協作的未來教育時代。

（一）協作共存：實現人機協作的高效教學

人工智慧於教師有特殊意義，可以將教師從繁瑣、機械、重複的腦力工作中解脫出來，成為教師有價值的工具和夥伴:一方面，人工智慧可以取代教師某項單一的技能，完成批改作業等日常工作中繁瑣、機械性的工作，把老師從重複性、機械性的事務中解放出來；另一方面，人工智慧會成為未來教師工作的組成部分，由人機協作完成智慧性工作。面向學生個體發展的教育服務體系，單靠教師個人很難支持。尤其是在我國，一個教師常需面對幾十個學生，沒有技術的支撐，想要精確了解學生的特徵是很困難的，沒有人工智慧的支持，要想實施因人而異的個性化教學也不可能。進入人工智慧時代，在全面採集、分析學生學習過程數據的基礎上，人機協同既可以實現群體班級的規模化支持，也可以實現適應每個個體發展的個性化教學。

工業時代的教育是整齊劃一的規模化加工，就像培育人工林一樣。未來的教育是關注個體個性的發展，就像是構建生態圈，其中有參天大樹，有小草，有各種各樣的動植物，各得其所、相互支撐。流水線式的應試教育，最終把學生變成同質的人，即變成應試能力強的人。我們要拋棄這種單一性的教育，因為學生是多元的。未來教育要從培育人工林到培育生態系統。構建生態系統，要求教師關注每個個體之間相互競爭、相互依賴的關係，關注生態圈裡每個個體的需求，關注學生的個性、培養學生個性、促進學生髮展個性。要實現這些目標，如果沒有人工智慧代表的外部智力支撐，單靠教師是很難實現的。

因此，未來教師是人類教師與人工智慧教師共同協作承擔教學任務。兩者各自發揮優勢，在教學中承擔角色。

（二）獨特價值：核心素養導向的人才培養

未來教育需要轉變學生獲取知識的方式，教師知識性講授功能會被人工智慧所取代，教師的主要工作是培育學生能力。教師需要精心設計問題、設計學習資源、設計學習工具、設計學習活動、設計學習評價。學生在教師的陪伴下，通過解決問題進行學習、獲得知識、學會自主學習、獨立思考、協作協同、知識遷移和運用，從而發展綜合素質與綜合能力。教師的陪伴、組織、督促、檢查，對學生自主學習非常重要。今後的學習形態一定是學生線上學習，實踐領域問題解決導向的項目學習，教師線下的督促、管理、陪伴三位一體的形態，而不是以課堂講授為主的單一形態。

然而，人工智慧仍無法取代人類。人與機器之間有幾大差異：一，人發現問題，機器解決問題。所以教育在培養學生解決問題能力外，應重點培養學生髮現問題的能力。二，機器不具備社會屬性。計算機與人交流大都是提前準備虛擬答案，沒有主動的社會交往能力。三，機器不具備心理屬性。不會開心，也不會鬱悶。所以同機器相比，教師更應看重自身作為人的獨特價值，提高學生的社會價值、心理價值和利用全球化資源的能力，承擔起培養學生創造未來，而不是進入未來的社會責任（趙勇，2017）。

趙勇教授認為，教育有兩種思維方式：一種是看學生缺什麼，另外一種是看學生有什麼。看學生缺什麼的思維方式，指的是按照外部標準，決定每個人應該掌握多少知識，即學生缺什麼就給他補什麼。比如，缺數學知識，教師就教數學知識，這是一種缺陷式的教育模式。這也是現在的教育模式。而看學生有什麼的思維方式，首先承認學生是一個人，看學生現在有什麼特質，然後教師幫忙發掘。這是兩種不同的教學方式。傳統教育壓抑學生個性，在智能機器時代，我們要轉變教育方式，解放學生個性，讓每個人都可以發揮潛力（趙勇，2017）。

未來的教育，要從面向知識體系的傳授，轉向面向核心素養的培養，學生的創造能力、審美能力、協作能力、知識的情境化/社會化運用能力是人類教師所應關注的核心和重點。

人工智慧時代的教育，需要培養學生的核心素養，教師的責任不是灌輸知識，而是幫助學生成長，成為人生導師或者心理諮詢師，幫助學生髮現優點，實現人生價值。今後教師的工作形態一定不以教書為重（趙勇，2017）。人工智慧時代教師的核心價值，不是專業知識、學科知識和專業技能的發展，而是教師的人文底蘊、責任擔當、國家認同、跨文化交往、審美等核心素養的培養。教師不再是傳統意義上的信息和知識的灌輸者，不再是傳授技藝的教練，也不是只為生存或作為養家糊口的職業教書匠，而是學生的人生精神導師，是培養學生智慧、幫助學生成才、啟迪學生心智的智者。

（三）專業分工：教師職能向兩個方向分化

未來個性化教育體系強調促進學生的全面發展，對教師提出了更高要求。未來教師隊伍會向兩個方向分化:一是人工智慧支持下的全能型教師，即教師既要為每個個體提供個性化支持，又要為帶有生態性質的群體提供支持，這就要求他們既要掌握學科知識，又要掌握教學法知識、技術知識，掌握認知、腦科學發展、兒童身心健康相關知識，還要了解各種社會屬性，具有領導力和社會協作能力，這是一般教師難以勝任。但有了人工智慧的支持，能夠對兒童的身心健康和全面發展負責的全能性教師是可能存在的。二是專業型教師。未來教師會出現精細的、個性化分工。讓每位老師成為全能大師不太可能，但部分教師可以在某一方面做到極致。未來將會有專門做練習輔導的老師、做項目設計的老師、疏解學生心理問題的老師、授課老師、做教學設計的老師等。教師角色分工越來越細，就像拍電影一樣，有編劇、演員、導演、攝像、後期製作。所以，教師需要善於基於大規模的社會化協同開展教育服務（余勝泉，2017）。

隨著未來教師角色和職能的轉變，未來課程也將發生改變。跨多個領域的綜合性課程，期望老師獨自完成是不切實際的，必須輔以教師間協同、教師與人工智慧協同環境結構的支持。今後，一門課可能由多位教師負責，其中有學科專家、教學設計師、知識傳遞者、活動設計者，人工智慧助教或其它角色。

不妨預測一下，未來課程的設計和教授是由人工智慧教師和其他學科教師共同完成的，甚至高校、企業等人工智慧相關的優質資源也可能進入課堂。學科、班級和學校的邊界將逐漸被打破，互聯網的萬物互聯改變了社會組織機構及大規模的社會化系統，未來課程要基於跨學校邊界的社會化協同分工完成教育服務。

（四）未來之路：人機結合的制度體系與思維體系

人工智慧變革教育，首先體現的是各種智能化的教育裝備和智慧化的教育環境，其次是嵌入人工智慧服務的教育業務流程與制度，最後是人機結合的思維模式的轉型。

人工智慧可以快速迭代發展，但教育制度、教師的知識結構、教師教學習慣、教師觀念的轉變是漫長的、痛苦的過程。新的教育體系的構建，必然需要經歷艱辛的過程。要充分發揮人工智慧的作用，就要突破原來的制度，將人工智慧服務嵌入業務流程中，創造新的範式、新的流程、新的結構、新的業務形態，來服務於我們的教育，產生新的教育。

人工智慧時代，還要善於運用人機結合的思維方式。當前，數據、信息和知識正加速膨脹，與每個人的學習時間、認知能力的落差越來越大。大數據時代下複雜社會的生存，呼喚著人機結合的教育智能，我們藉助智能設備而生存的時代已經到來。運用人機結合的思維方式，教育才能既實現大規模覆蓋，又實現與個人能力相匹配的個性化發展。我們要利用外部工具或者智能設備發展自己的智慧，認知外包將成為常態。人機結合的思維體系是我們未來思維方式重要的轉變方向。人的智力是有限的，加上手機、電腦、人工智慧後，我們能處理信息和數據的總量，應對突發事件的能力將會大幅度提高。人與電腦的結合可以突破人類個體認知的極限，使得我們能夠駕馭超越個體認知極限的複雜情境，能夠處理超越個人認知能力的海量信息，能夠應對超越個體認知能力極限快速的變化。

基金項目：教育部哲學社會科學研究重大課題「"互聯網+"教育體系研究」（16JZD043）。

作者簡介：余勝泉，博士，教授，北京師範大學未來教育高精尖創新中心，北京師範大學教育學部教育技術學院，研究方向：移動教育與泛在學習、信息技術與課程整合、網路學習平台關鍵技術、區域性教育信息化等。