0
| 本文作者： 張莉 | 2018-11-19 10:30 | 專題：2018全球AI+智適應教育峰會 |
11月15日-16日，“全球AI+智適應教育峰會”在北京嘉里中心大酒店盛大開幕，峰會由雷鋒網聯合乂學教育松鼠AI，以及IEEE（美國電氣電子工程師學會）教育工程和自適應教育標準工作組共同舉辦，匯聚國內外頂尖陣容。
AI智適應學習是目前產學研三界關注度最高的話題之一。此次峰會，主辦方邀請了美國三院院士、機器學習泰斗Michael Jordan，全球公認機器學習之父Tom Mitchell，斯坦福國際研究院（SRI）副總裁Robert Pearlstein、美國大學入學考試機構ACT學習方案組高級研究科學家Michael Yudelson等頂尖學者。
15日的主論壇上，乂學教育-松鼠AI創始人栗浩洋發表了主題為“AI對教育的變革”的演講，栗浩洋認為，任何行業未來都將被人工智能顛覆，AI將對教育產生顛覆性變革，并總結了AI的四個關鍵詞：全知全能、見微知著、無窮算力、自我進化。
大家好，非常高興能夠跟這么多參加我們的人工智能智適應教育，我們松鼠AI是中國2014年最早開始做人工智能的，但那時候其實很孤獨，因為沒有一個人認為人工智能可能塑造一個特級教師，也沒有人知道智適應學習到底是怎么回事。
所以那時候我們是孤獨地往前走，直到2016年的時候人工智能開始在全中國開始火，我們的會議在今年4月份第一次召開的時候我們也沒有想到有一兩百人站在后面，而今天我們也沒有想到今年一年之內開了第二次會議，而今天來了2000人左右，有七八百人只能在分會場，今天在場的都是非常幸運的，能夠在我們的主場里面。
今天我想講的是人工智能其實對所有的行業所可能帶來的改變，以及為什么人工智能會帶來這種改變，以及它是如何帶來這些改變的。
任何一個行業我總結的一個邏輯都可以被人工智能所顛覆掉，人工智能很多人說會代替70%到80%的人類工作，我說它可能會代替90%的人類工作，孫正義說人的智商如果說100，愛因斯坦是200，人工智能可能是1萬，我認為人工智能完全是一個新的物種，從植物到動物再到人，再往上一個物種就是人工智能，人工智能和人的差距正如人和動物的差距。萬維網的創造者說，人工智能要自主創建和運營公司，我們這種創業者以后都消失了，成為整個宇宙新的主宰。
我給AI的總結的四個關鍵詞：
第一，全知全能。
為什么AI會有高于人類的智商，為什么它會代替所有的工作，因為它是全知全能的。
我們知道IBM的Watson盡管最近遭受了很多的爭議，遇到了很多的問題，實際上是因為它在醫院的數據里不能獲得完全干凈的經過清洗高的足夠的數據，如果不是這樣的話，我們看它17秒的時間就可以閱讀3000多本的著作，就可以閱讀24萬篇論文和600多次實驗數據和10份病人的臨床報告。
這是什么意思，也就是說它17秒鐘就可以獲得一個30多年經驗的老醫生一輩子所經歷的所有的案例和知識。換句話說，如果2、3年的時間，IBM Watson就可以成為一個活過500年的吸血鬼醫生一樣，它了解所有的醫生、醫學常識核醫學的病例，所以你到底是希望一個這樣的醫生給你看病，還是真的是一個人類醫生給你去看病呢？
幾個月前，更令人不可思議的是，IBM做了一個Project Datater，它在AI辯論賽中勝過了以色列人類的選手獲得了辯論冠軍，因為它可以用海量的世界上所有的信息和資料跟人辯論，人的知識和記憶都是有限記憶，但它可以引用所有的人類知識一個無限極，用各種的名人名言，各種權威的數據，隨時信手拈來跟你辯論，你怎么可能有這樣的一個對手呢？
我們乂學教育把所有的教學的知識都囊括進去，把所有老師的經驗都吸收進來。
對于松鼠AI來說， 就像教育領域的上帝一樣，知道所有事，沒有什么是他不知道的，一個老師一輩子所能經歷的學生，所能經歷的題目在他這里面都不是問題。
因為我們把一個學科的知識點拆成所有的知識點，所有的知識點的掌握對任何一個老師來說是不可能的，就像一個老司機可能知道整個北京市或者是上海大的路標，但不可能把所有的每一條小街巷的每一個門牌號、每一個理發店，每一個久久鴨脖都了如指掌。
但人工智能都可以，它可以掌握所有細節的納米級知識點，而且它知道這些知識點間海量的關聯度，它有幾千萬道題目，知道這些知識點之間的關系，有上千萬學生的用戶畫像。
所以我們想一個老師一輩子能教多少個學生，別說一對一地進行互動性的教學了，就是一對一千人這樣的，一輩子能教的人都是有限的。但是人工智能老師所能教的學生是不限量的。
這張圖是我的司機劉濤女兒的知識點掃描圖，通過我們松鼠AI的系統，我們知道了哪些知識點是她掌握的，哪些知識點是她沒有掌握的，而我們應該給她進行什么樣的學習。
他的女兒在過去的學習上遇到了巨大的困難，從小學六年級一直到初中二年級考試從來沒有超過45分，他太太經常跟他爭吵說，“你整天跟著栗浩洋，凌晨兩點才回來，你的孩子這么差，像你一樣初中也不及格嗎？難道還去當司機嗎？以后司機這個行業已經沒有了，她該怎么辦？”
40多分根本不可能及格，而且她已經上了很多的培訓班，去過新東方、好未來以及請私人家教補習，都沒有取得成效，為什么？因為老師對所有的數據全部都是盲目的，他并不了解，自己大腦里面存儲的數據不夠，而老師對每一個學生的大腦里的數據也不足夠了解，但是對松鼠AI來說，它把一切數據都透明化了。
我們給劉濤女兒這樣一個系統的時候我們只在實驗階段，還沒有推向市場，僅僅兩個月的時間，她就已經考了50多分。
雖然這不是一個很大的進步，但這10分對她來說是扎扎實實的10分，因為當我們掃描她所有的知識點之后，她可能只掌握了40%的知識點，對這些知識點我們就不需要再進行學習了，我們給她非常簡單的名詞所有格、零冠詞，我們發現她雖然考試成績上不去，但其實掌握了一些較難的知識點，比如說副詞比較級的構成和用法，并不是說學霸所有的知識點都知道，有些學苗可能也掌握了一些高難度的知識點，和我們老師的認知是相反的，這些必須通過數據才能檢測到。
對剩下的她不了解的19個知識點，我們都進行教學嗎？沒有，我們放棄了39個知識點，因為我們覺得這個對她太難了，她上的是一個暑假班，而這個暑假扳要對100個知識點都進行無差別的學習。但我們不用學40多個她已經掌握的。我又放棄了39個認為對她來說太難的70分、80分、90分、100分的知識點，這些她不可能立刻掌握。
我們希望她堅定的從40多分長到50多分的知識，所以放棄了一些非常難的知識點，最后選擇了20個知識點給她進行學習，傳統的課堂需要學1003知識點，而在我們松鼠AI的系統里，通過對數據的信息化的掃描，我們只給她學習20個知識點，可想而知，她這20個知識點學得非常扎實。
在這次的學習之后，我們為她選擇了與之關聯度較高的知識點，也是考試出現概率最高的知識點，也是所有的知識地圖中最重要的交通樞紐的知識點。通過這些知識點的學習她很快就可以考到50分。進入初三的期中考試里面，劉完影同學很快進入到70多分，到了期末考試的時候，她考了90多分（滿分120分）。
這個分數已經是一個不得了的進步了，這個校長在年中的4000人校長大會里，除了表揚滿分的學霸之外，還點名表揚了劉完影，而到初中期末結束的時候，在150分的考試里，劉完影3門課都考了110多分。
也就是說她從過去的40多分，一直到50分、70分、90分，110分，每一次的20分我們都給她跳過了她已經學會的知識點，又跳過了她不可能學會的最難的知識點，所以她一直在進步。當然，110多分并不是很高的分數，但她最后考進了上海最好的職高，就是波音飛機檢修的職業高中。
當時劉濤想讓女兒繼續學我們的課程，我們高中還沒有出來，今年年底本來要出，可能要延到明年初才出來，但我說你女兒因為她只有110多分，離150還差30多分，也就是說很多的知識點還有很多不扎實的，所以她學到高中的時候，下面的根基都在晃動，是不可能學好的。
經過初中繼續扎實的深造，一年以后，劉完影在今年6月份班里的考試中，考到了班里前三名，被學校派送到西雅圖繼續深造，全班只有5個名額，這個女孩通過學習提升自己，未來可以在波音公司去工作一輩子了。
我們可以看到，一個人生原本失去希望的孩子，我們帶給了她全新的希望。
通過把所有的數據都透明化，結合應用算法給學生最有效的推薦，這種方式比一個特級老師一對一的教學還能取得更好的效果，從而改變了孩子的一生。
在上個月楊瀾對我的采訪里，我提到了我的孩子雖然剛上小學二年級兩個月，但是他已經把2、3年級的學習在松鼠AI的系統里全部完成了，而且已經進入了四年級的學習。當時楊瀾不相信說“僅僅一年多的時間，這不會是開玩笑吧？這個太夸張了。”
我說：“這樣，我把他們兩個叫過來。后來，我們把他倆叫到拍攝的現場，讓他們現場做我們松鼠AI的題目，四年級的題目里面他們大概正確率能達到70%-80%，而且我們看到即使是雙胞胎，他們有一個特別有趣的現象，很多對和錯的知識點是很相似的，但他們仍有區別，比如，在平行四邊形和三角形底和高里面，他們兩個只有一個掌握了，小寶掌握了，大寶沒有掌握。
可以看到，通過真正的數據化我們才能發現人和人之間的相同和不同。
我們給AI的第二個概念，除了全知全能之外，因為它知道所有的數據和信息，第二個就是見微知著。
AI能看到我們以前看不到的東西，扎克伯格說，“AI已經能夠發覺人類無法察覺的事情。”AI能夠看到很多我們看不到的現象，這是過去沒有的，我們知道Face++和商湯使得我們的過安檢和海關的速度提升了很多，以前3個小時，現在變成了3分鐘，它不是像人類一樣，通過柳葉眉、瓜子臉來區分，而是把整張臉分成幾百萬個微小的像素，看到人臉和人臉之間的細微差距，所以它辨別人臉的時候要比我們每一個人清晰一百萬倍。
我們發現AI還能用見微知著的方式改變農業。
用無人機掠過農田，用每秒鐘5000張的高清照片，把每一個葉子做非常大的掃描，它就可以知道每一片葉子的成長發育的狀態，也知道上面的害蟲以及知道害蟲是到了卵生還是到了破卵的程度，因此可以減少90%的農藥釋放量，可以定點精準地釋放農藥以及化肥，從而讓我們的生活更加健康。
Netflix也是這樣，1.17億用戶有1.17億的Netflix。為什么它的片子非常好，它不是分類法，不是有人喜歡恐怖片，有人喜歡科幻片，有人喜歡搞笑片，它是從每一個畫面上偵測觀眾對情景的認可和喜好，從細微的差別里發現如何打造和重塑一部片子，所以吸引人的程度是讓人一夜看完的。Netflix發明了一種不是一周一次的播放，而是一夜看完的播放，當然你必須要付高額的會員費。
今日頭條也是一樣，它不是讓喜歡財經的人看華爾街日報，喜歡八卦的人看娛樂周刊，它把人不再是分成軍事、國際、政治幾個類別，而是每從一篇文章，甚至是每一篇文章中的每一句話來判斷這個讀者的喜好，成為了一億人就有一億個今日頭條。
當你對用戶畫像做了這么細致入微的區別的時候，整個對用戶提供的一種體驗也就完全不同了。
我們以前認為，學苗就一定不如學霸，其實在我們的松鼠AI過去3年的數據里面，我們發現，可能并不是這樣子的，在有一些非常高難度的知識點里面，可能一個學霸只有兩個知識點不會，所以只要學2個知識點就可以了。
但是實際對這個學苗來說，有一些高難度的知識點，可能學的要比學霸還要快，而對學霸來說一些簡單的知識點對他來說卻很難。
比如說我小的時候，語文詩詞的背誦對我來說是非常崩潰的，我對人名的記憶也是非常崩潰的，我最痛苦的是我小時候，我的小姨每次從外地到我家里來看我的時候，總要抱著我問你還記得我是誰嗎？千萬不要問我這種話，我們全國的校長也不要問我，我真的不記得。
我記得小時候背英語字母的時候被老師叫上來，每個學生寫5個字母，最后只有我寫出了2個字母。但我對邏輯性的題目解答速度非常快，比如說議論文，比如說有邏輯的事情，我的思維應對是非常快的。
每一個人在我們的系統里沒有學霸和學苗，只有對每一個納米級知識點的掌握的概率。
比如說我喜歡看創業的文章，但所有有關AI的文章，我看的仔細的程度會比其他的領域更深10倍。所有的創業文章中如果融資3億以下的我肯定是不看的，可是對天使投資人來說，主要看融資1億以下的。每個人對每篇文章都有自己的喜好，所以我們對每一個用戶畫像會進行見微知著的細分，這樣才能做出顛覆過去的完全不同的體驗。
第三個特征叫做無窮算力。
在全知全能、見微知著之后，由于它有無盡的算力，它能做的事情跟我們是完全不同的。
埃隆·馬斯克說過，計算機能以1兆比特每秒的速度進行運算，而人是10比特每秒，所以在這樣的比較下，人的智能和智商跟AI處理信息的速度又沒有辦法相比了。
著名的認知心理學家平克說過，“大數據還是有限的數據，而宇宙的數據是無限的”。
每一天，都有無數的數據產生，都是我們不能想像的。數據爆炸的年代會進行無法估量的數據處理，而我們人腦能處理的信息永遠是有限的，今天你來這里參會，你可能會喪失其他的人在另外一個會議上所獲得的知識和信息。
在這樣的一個情況下，如果沒有一個系統，沒有AI的算法，我們是不可能去做這樣的處理的。我們知道，AI股神曾經跑贏巴菲特，最近又出了一個新的基金叫OIEQ，它又能發現所有的基金經理發現不了的潛力股的股票，它每條能處理100萬則企業的公告，季度的財報以及關于企業的各種各樣的正面和負面的新聞，從而拿到所有的參數來進行判斷。到底應該去買哪個股票，每一天可能進行幾百萬筆交易，這些都是人類不可能企及的。
AI戰勝了人類最頂級的棋手的時候，在下圍棋的過程中，AI的判斷速度為0.01秒，并且要在0.01秒中衡量百萬種可能性。
AlphaGo其實也是這樣的，斯坦福研究中心將要進行的一個人機大戰會比AlphaGo震撼100倍，就是一個鋼鐵機器人去騎著摩托車和人類最強的賽車手意大利的羅奇進行比賽，我們知道騎摩托的時候每0.001秒這樣的判斷都是非同尋常的，只有計算機能夠完成這樣高速的運轉的判斷，我們人類的大腦已經是很發達了，但無法與其相匹敵。
AlphaGoZero在完全沒有人類經驗的過程中，僅靠自己和自己的對弈就把AlphaGo一代戰勝李世石的那個打成100：0，對系統來說他們的學習速度是非凡的，這就孕育了為什么我們在教育中能實施傳統的教育，傳統的老師所不能做的事情，而這個事情是什么呢？我們稱之為超納米級的知識點分拆。
當我們把過去的初中數學的300個知識點像美國的同行一樣拆成3000個之后，我們又進一步地拆成3萬個知識點。
為什么我們要拆這么細？因為AI具備全知全能又具備了見微知著，當我們這么細膩的時候，就像相機的像素細膩了10倍，我們可以給學生進行更精準的用戶畫像，當然它提出的對算力的要求也是非凡的，也就是在零點幾秒內，它必須要衡量大量的知識點之間的關聯性，題目和知識點之間的關聯性，以及不同的題目的用戶的畫像，給每一個學生推斷他的下一步應該進行哪方面的學習。
所以我們跟競爭對手相比，我們的知識點做了超納米級的知識分拆，這是我帶領著我們的研發部做研發的時候發現的，很多人問我你為什么要做超納米級分拆呢，這有什么意義呢？對學生來說到底是提高了他的學習效率甚至是降低了他的學習效率呢？
本來我有幾百道題可以證明這個論壇，但在此我只舉一個例子。
這道題是非常常見的中考題，它的知識點叫做一般現在時的用法，這個一般現在時的用法，再往下的納米級知識點就是第三人稱單數，我們知道，如果是復數形式，一波人做一件事，我們用動詞是常態，但如果是一個人做一件事我們用動詞會加上s或者是es，用第三人稱單數。
但這道題很多學生用了read，而沒有用reads，那是為什么？他不知道在英語中后面的東西都不算數的，后來我們的語法專家提出了一個“就遠原則”，也就是說前面的主語是一個人就用第三人稱單數，如果前面不是Tina而是一波人后面就用read。
在納米級的知識點中，如果我們歸結到了常規的第三人稱單數的知識點，做這道題不會，傳統的第三人稱單數都是對的，但AI知識點不對，浪費的所有的時間，而對劉完影那樣的學苗來說，不需要學這樣高難度的超納米級的知識點，只要學常規的第三人稱單數，能把50、60分、七八十分能拿到就可以了，但對95分的學霸來說，他不但要學s、es，還要學各種的連詞以及with、together with。
到底應該就近還是就遠還是打包來算。所以不同的學生只有我們做到納米級、超納米級的知識點的時候，才能得到不同的結果的判斷。
這是我們的另外一個小朋友，小傅同學，他是最知名的創投之一，300億規模的達晨創投的主管合伙人傅忠宏的孩子，當時在學我們的系統的時候，從去年9月份一直學到今年3月份，發現怎么樣呢？沒有很明顯的進步，他的考試成績有高有低，原因是什么呢？他本來是一個學霸，但他的物理在90分里面，大概是考70分左右，也就是說還有20分左右的知識點他是不會的。
但他不僅是9年級的知識不會，其實九年級的上期、八年級下期的知識點還有一些漏洞，而我們一開始在給他做知識點的掃描之后，由于他是一個學霸，我們沒有往前學而是往后彌補他的漏洞，所以在過去的他的半年的考試里，他有時候好有時候壞，就是考試正好考到他會的知識點，他就考的好，考的如果是他不會的知識點他就考的不好。
所以當時傅忠宏就覺得，松鼠AI這個公司到底值得投資嗎，在今年3月份我們的A輪的融資中他就錯過了，結果到6月份小傅考試的時候，突然發現他的物理在90分中考了86分，因為在整個知識點薄弱的地方，我們已經全部補齊了，而且在學每一個知識點的時候，時間和速度都是一樣的，我們認為常規需要20分鐘的知識點他需要40分鐘、50分鐘才能學會，而常規的學生需要30分鐘的知識點他可能只要15分鐘就已經掌握了，所以每個孩子我們應該給他不一樣的學習時間和個性化定制的學習路徑，學習效率才是最高的。
那個時候，我們給他做了測試，他已經會的89個知識點完全不用學習了，而我們給他節省了1000多分鐘的學習時間，我們一點點地幫他去做未掌握的知識點，對每個知識點的錯誤我們不但是對知識點進行學習，而且對他的學習方法、學習思想和能力進行了學習，這是松鼠AI的實踐路徑，這在全球所有的AI教育里是從來沒有過的。
其他的所有的AI教育都是知識點的學習，而我們在進行能力學習的時候發現，這道題小傅同學錯了并不是知識點不會，而是因果關系導致的，他會少說電阻、電流、電壓是有關系的，但實際上電阻是不會變的。
小傅同學經常認為，電阻跟電流在電壓一定的情況下成反比，但其實不是的，他是犯了因果關系倒置的錯因。
我們搜集了幾萬個孩子幾百萬的錯因之后，我們發現除了解決知識點之外，每一個用戶的知識畫像是不一樣的。所以我們必須要通過非常納米級的見微知著的用戶畫像來描述每一個孩子，解決他的特有的錯誤原因，才能解決他未來學習的問題。如果沒有AI的無窮算力我們是不可能解決這些點的。
我們可以看到小傅的知識點能力值在學習之后都有了大幅度的提升，這個是當時楊瀾訪談的時候我家的雙胞胎大小寶當場做題的狀態，我們對他們整個學習方法的判斷發現，我們大寶的反證法和逆向變換法用的比較多，相對來說比較擅長，而小寶對待定系數法、等面積法用的比較好。大寶比較像我，邏輯性比較強，但直觀感受比較差，而小寶的直觀感受比較強，邏輯相對來說比較弱。
所以我們不但進行知識點的分拆，我們還運用系統的無窮算力，運用我們給每一個題目的標簽、標注，對學生進行能力和思想的拆分，到了這個境界已經不是任何一個人類老師所可能做到和可能想像的了，而這些判斷對我的系統來說只需要一個小時的測試，我們就了如指掌了。
所以，這里面每一個學生，即使是一個80多分的學生和另外一個80多分的學生，他們不會的知識點也是不同的。80分和80分的孩子幾乎沒有一個是一樣的。
第四個關鍵詞叫做自我進化。
也就是說除了已經全知全能、見微知著和無窮算力以后，它還要具備更加令人恐怖的特征，也就是我們最害怕AI的地方。
如果我們用編程編一個微信，過了5年以后，我們發現微信還是那個微信，但是我們如果用AI做一個AlphaGo，在開頭的時候它非常弱智，它到互聯網棋類的網站上，化名Master跟大量的棋手進行對弈之后，它的智商和智能大幅度的提升，提升到我們不可思議的水平，所以AI是有變化的。
我前兩天參加星空演講，我跟傅盛兩個前后，他說我這次考得很好，我說你做了一個AI翻譯機，也就是我們出國的時候終于可以自由行了，不用懂英語也不用帶翻譯了，可以用AI翻譯，可是這個AI翻譯機一開始是追求翻譯的準確度，從翻譯的不準確到不斷的自我進化，能改變和優化自己的翻譯水平。
到了后來會發現，AI翻譯機可能做的更多的事不一定是翻譯，而是跟你聊天，或者是給你講笑話，有的時候出去旅游的翻譯不一定翻譯得準，而是翻譯的有趣，可能完全用另外一種套路來翻譯了，因為什么？我們給到翻譯機的KPI是使用率，是用戶到底使用它多少和多久，而不并不一定是翻譯的準確，所以當用戶使用時長作為目標的時候，這個AI翻譯機當它有了智慧和智能以后，會進化成一個人跟你在溝通，甚至在寂寞的夜晚跟你聊天。
所以我們知道，當我們用AI在做一個產品的時候過了3、5年，可能完全不是我們原來的產品了，而是另外一種產品，所以我們在《西部世界》里面看到AI機器人，當它自己發展了以后，就有了自己的想法，發展出了自己的直覺力開始用自己的直覺進行運動，而不再受人類的控制。
當我們認為AI只是在弱人工智能有所建樹，強人工智能還做得不足夠的時候，其實AlphaGo已經用AI識別了，也就是說它不僅僅是算法用來下棋，能夠用Google在未來節省幾億甚至是十億美金的電力。
我們認為人類最后的堡壘是什么？是想象力、創造力和藝術。
但實際上在美國的一個教授做出了AI機器的繪畫，已經畫出了當代知名的畫家模仿它的畫做出來的非常相似的繪畫，放在美國當代藝術博物館里面，85%的專業觀眾都看不出來到底哪個是大師畫的，哪個是AI所做的畫。
我們再往下看，德撲這樣不是一個簡單規則的游戲，而是牽扯著大量人的每一個用戶的與眾不同的心理的博弈、心理的判斷，一個這一刻、這一秒里面隨機選擇的競技中AI也戰勝了人類。
小冰已經會吟詩和唱歌了，它的唱歌通過了圖靈測試，這是當時小冰特別震撼是在《非你莫屬》的舞臺上，選手每次是被10幾個老板質疑、批評、駁的體無完膚，它的這首詩已經僅次于顧城和北島的水平，已經可以戰勝90%多的人類的詩友了，“陽光匯聚，光明流入我的夢境，光影照在蔚藍色的舞臺上，照亮我們的無限星光”把每一個求職者的那種心境講的淋漓盡致。
盡管不同的聲音是因為不同的老板之間不同的角度，不同的角度給了不同的聲音，像荊棘中的迷茫支撐了我，即使踏遍全世界的泥濘，也要找到我通向未來的道路。
當時我就被這個詩所震撼了，我覺得AI已經要接近無所不能了。所以那時候我就在想，我們的松鼠AI是不是可以培養孩子想象力和創造力，這是一件我跟所有的AI界的頂級的教授溝通的時候他們覺得不可能，AI怎么能培養孩子的創造力呢？
實際上我已經找到了方法，最近我非常欣喜地跟我們研發部的老師和教育專家們講，3年我們就可以讓松鼠AI培養小孩子的想象力和創造力，路徑是怎樣的？
我今天劇透一點，我小時候什么樣的老師可以培養我們的想象力和創造力，可能只有那些最牛的老師，1%的老師，他們敢問學生任何富有想象力和創造力的事情，可是大量的老師不敢問，為什么？因為他的知識是有限的，當時回答的時候他沒有辦法面對，但對好老師來說，隨便你講什么他都能給你回復，即使是講到了他根本不會的知識，敢于承認自己的知識不足和無知，但對大部分老師來說是不堪承認自己的無知的，因為他內心還不夠強大，對AI來說它沒有一個自負的負擔，沒有害怕，可以集合所有人類老師幾百萬、幾千萬的問題，可以問到所有的孩子各種形形色色的問題，而且可以集合幾千萬、上億的孩子不同的回答，以及針對這些回答的回復。
所以我們看通過全知全能、通過見微知著，通過無窮算力，其實計算機可以知道想象力和創造里所需要的一切的根基，通過這些根基可以給孩子問各種各樣的問題，無論孩子回答什么都可以應對，哪怕有的時候AI的應對有時候是文不對題，有時候它的應對是完全錯的，但是沒有關系，也許它從另一個角度上又啟發了這個孩子新的思考。
所以當這個孩子的思維被打開，開始發散式的、跳躍式的進行思考的，而且能夠面對AI給到他不同的回答，不同的角度的思路的時候，他的想象力和創造力氣就要被激發了。我們正在做這樣一家是讓AI自我進化到一個我們不能想像的地步。
在央視的一檔節目《機智過人》里面，很可惜這檔節目由于各種原因沒有被播出，我們發現了撒貝寧的優勢和缺陷，他說“這么長時間來，沒有我身邊的人知道我的數感不好，好丟人，今天突然被你們的系統經過了18分鐘的測試就已經檢驗出來了，確實我的邏輯性很差，我的數感非常差，而且我的逆推法比較差，我們考了一個小學四年級的數學題，池塘里的水草每天長一倍，那么請問這些水草長到池塘的1/4的時候是第幾天？大家知道是第八天。”
但是當我們發現這個孩子逆推法不好的時候，因為撒貝寧是在北大學的法律，他們是偏英美法系的，英美法系講究的是正規，如果我推定你這個人有罪，哪怕有任何一丁點的可能性證據鏈不完善的話我都可以推出來，不像以前的中國的法系是喜歡倒推，又是另一種思路了。
但當孩子不會逆向思路的時候，不僅在題目上有任何的問題，在人生也有各種的問題，我做企業的時候一直是一個優秀的企業家，一直走到上市的路，但那時候是沒有繼續。后來不斷接觸風投，不斷碰壁的時候，不是說我看到一個方向就看到了一個事業，不是看到消費者的痛點就投身進去。而是看整個未來終極的市場有多大，做到5年、10年、15年以后是什么，如果我為了到達這里如何逆推過來我今天應該做什么。所以為什么AI能做到別人沒有的東西，我做超納米拆分，有想象力、創造力，就是用逆推法思維，也是我原來不擅長的。
最終我們松鼠AI希望做成什么？希望做成像蘇格拉底+達芬奇+愛因斯坦的智慧來給學生授課，必須教給孩子舉一返三，舉一返百的能力，所以在這樣的倒推下，整個事業的方向不一樣了，我們的戰略也不一樣了。所以在我們的系統里，我們在不同的角度里，會給孩子不同的美好的未來。
就像這道數學題，求兩個相交圓的圓心距離，兩圓相交算出來就結束了嗎？其實這道題需要一個分類討論意識。因為有兩種可能性，一個是外部相交還有一個是內部相交。如果漏到了其中一種可能性，可能在未來的事業中你就遺漏了很多危險沒有想到。可能你能做的事情當中你走到了死路，沒有想到另外一種方案。你不具備這種思維的時候，不僅僅是在數學、物理、英語的學習中，在你的人生中都是非常有價值的。
過去很多奧數題我都不會做了，但是沒關系，通過這些題目我訓練我的思維方式這才是最重要的。我們去拆分這些知識的時候，我們發現這個知識對你的一輩子，未來都有著巨大的價值。
所以我們當時在《我是未來》里給小白進行測試，還有池子進行測試，各有各的優勢。你如何在大量的世界的噪音中找到有用的信號，很多人把眼光看到了未來AI，也有人關注到了AI教育。在座的各位是在所有的創業和科技的噪音中，看到了來自未來的信號，馬化騰也說過，如果中國有超過BAT市值的公司，出自兩個領域，一個是AI醫療，一個是AI教育。
我們的系統里能做到，是因為我們給每個知識點大量的傳統沒有的標簽，而且機器可以自我進化的打出標簽。
我們希望通過AI教育，能讓每個孩子的眼睛里都有著自信、快樂的光芒，而重要的是幾次人機大戰里已經證明了我們的學習效果，我們會捐贈100個學校賬號，給數百萬貧困家庭的孩子，希望真正促進教育的公平化。
即使是收費的賬號，幾萬塊錢一年已經比800萬、600萬的學區房便宜百倍了。我內心中堅信，對于整個人類教育進化史來說松鼠AI都占有濃重的一筆。
我們反來看幾百年前，中國學生學的是《四書》《五經》，現在我們初高中有二十個學科，到了大學有幾百個學科，我們的人腦是無限的。
未來的孩子會比現在的家長聰明幾倍，前期是采用的AI教育的方法。一個國家過去只有幾十個精英，現在在不同的國家里，在科技、娛樂、新聞、金融，不同的領域里有幾十萬精英，如果未來，我們孩子都能被AI老師教育，大腦潛能能被激發的話，相信未來的世界上全部都是精英。
就像過去幾十年，在全球幾乎消滅了文盲一樣，未來我們能把所有人類培養成精英。計算機未來一百年內能憑借AI超越人類，這是曾經有人說過的。過去200年，機器憑借體力已經全面代替了人類工作，未來我認為20年的時間，機器在腦力上全部代替人類的工作。很多人說人怎么辦？這么一場恐懼的未來我們怎么面對？其實沒有什么。
過去幾百年兩個機器，播種機、收割機就代替了人類大部分的工作，過去全是農民，而現在只需要5%的農民就可以養活我們，而且工作又不那么累。所以以后所有的老師、科技工作者，可能每星期只需要工作一天，我們只需要如何應對AI和駕馭AI就行了。
教育部網站上說，AI會代替老師嗎？絕對不會。但是不會應用AI的老師一定將會被歷史所淘汰，所以AI的世界已經到來了。
在座的你們準備好了嗎？謝謝。（演講全文完）
會后，栗浩洋接受了包括雷鋒網在內的多家媒體采訪，雷鋒網對具體采訪內容編輯整理如下：
1.我們現在討論的AI智適應學習更多的是機遇學習方式還有方法路徑的學習，但是在這種AI智能時代發展背景之下，對應人的教育我們更應該提升哪一方面的能力？在AI幫助的情況下，跟以往傳統的教育方式相比，人類在哪些能力方面會更突出？
栗浩洋：現在AI最大的問題是常識和前后句子的結構，包括推理的問題。我們在這個領域里面通過一些教研的方法解決了人工智能的缺陷。
比如我們教語文尤其是閱讀的時候，本身也很頭痛，而我們現在把作文、閱讀結構化。結構化以后，先讓人工智能去理解，閱讀的機能分解成100種技能（從最早需要認識單詞，認識句型，認識復雜句之間的關聯，了解布局模片時的結構）把每一個事情拆分稱比較細的結構。分解之后，再變成0和1。
結構化以后再做整合（兩兩結合、三三結合等等），再讓學生學會組合。現在我們解決語文相對比較難的東西已經比傳統的教育教學效果要好很多，包括能力也是。原本在我們的競爭對手來說，他們只能教知識點，沒有辦法教“學習力”，我們現在也是把這個給拆分了，比如我小時候情商比較低，后來把情商拆分成觀察能力、識別能力、忍耐力等等200多種。
當我們把能力拆分的時候其實也是一種結構化，可以讓機器部分的理解這些東西。我們就可以做一些傳授，這種傳授效果會越來越好。我們拆分的100種能力和思維方式，對孩子都很重要。我們拆分以后，先教孩子一種分類討論，再教第二個，再教第三個。當教孩子10個了以后，再綜合給孩子講整體的分類討論應該怎么樣，舉一反三。這時孩子在分類討論的意識上就會提升了。我們通過結構化來完成了素質教育，這樣的素質教育特別好，孩子可以發展出終身學習和工作的能力。
2.你們以后會更多加入老師的元素在AI的領域嗎？
栗浩洋：其實我們現在還是老師的元素，未來我們認為教書的部分全部由系統來完成，老師的介入有時候會污染流程和數據。但是，未來老師做的是教育的育人部分，老師現在沒有做情感溝通，應該給孩子做情感溝通、性格塑造、三觀的塑造。教學應該讓機器從頭到尾的完成，我們線上現在已經完成的非常好，我們線下也開了1300家。我們認為線下的場景永遠不會消失，10年以后學校依然會存在。傳統的線下也不應該是傳統的方式了，傳統線下的店鋪會消亡，最后變成教育新零售的模式，通過數據幫助孩子。
3.教育AI的應用落地，容易遇到的問題有哪些？目前市場情況如何，需求如何？與其他領域的AI技術落地，有怎樣的差別？怎樣看待市場未來的走向？
栗浩洋：AI教育落地現在其實是本身不存在問題的，它的優點就在于產品其實已經很成熟了。
AI教育在海外已經有九千多萬用戶在使用，所以產品已經完全是可以達到落地的這樣一個級別。不像有些AI產品，比如機器人，它在落地中本身產品就很不成熟。那么有一個問題是在于AI教育基本上落地是以2C的形式為主的，有一些AI落地，比如說像安防是2B的，而2B只要政府認可和合作機構認可就可以去進行大量的推廣。
但是對我們來說，要讓每一個消費者去認可，所以是AI教育落地最大的一個障礙。所以這也是我們為什么需要各位媒體朋友一起幫助我們去宣傳AI教育的價值的所在，因為對比爾·蓋茨基金會來說，他們已經花了五年時間深入研究AI智適應教育。他們認為智適應教育是我們現代教育領域里面最需要的東西，福布斯、經濟學人在全球的各個文章里邊，包括紐約時報、華盛頓郵報都談過AI教育是教育的終極解決方案。
但是在對于中國來說，包括從媒體一直到消費者其實對AI教育真正的理念、原理、工作方法、特性、優勢、取得震驚的效果，都是不了解的。所以這也是我們希望大家能夠一起幫助我們去傳播，一起花些時間深入的了解AI教育，能夠讓我們國內真正快速的跟上歐美的速度。
甚至我希望在跟上歐美的速度的同時，我們甚至能夠快速的超越對歐美的市場覆蓋比率的狀態，因為我們公司現在在技術上其實已經超越了競爭對手，包括ALEKS、Knewton。那么在覆蓋范圍上和消費認知上，如果能夠超越我們很可能像移動支付一樣，成為又一個中國領先于全球人工智能的應用領域和創業公司的一個優勢領域。
關于市場未來的走向，我認為就像過去的互聯網+一樣，未來的二十年教育一定是AI+，所以AI最后就像水和電一樣，成為必需品。就是你不可能不使用AI測試在教育里邊，所以教育部有一句話說，反正是不會使用AI教育的產品的老師一定都會被淘汰。未來的教育一定是智適應教育作為大的方向，我們從國外的案例也可以看出來，傳統的可汗學院在去年七月份轉型智適應教育，美國的華爾街英語在兩年前轉型智適應教育，美國所有的教育機構已經全部都變成智適應教育機構了。
人工智能風雨60年，與其說技術升級促成了今天的浪潮，不如說當前的人工智能，終于站在離商業最近的位置。
去年，首屆「AI 最佳掘金案例年度評選」活動一經推出，便受到了AI方案輸出方和AI技術需求方的極大關注。評選從商業維度出發，尋找用戶/客戶問題解決能力強的產品和解決方案。
現在，我們再次站在AI浪潮之巔，正式啟動第二屆「AI最佳掘金案例評選」。
在AI+教育領域我們一共設置了6個獎項，歡迎踴躍報名，報名地址：
http://www.specdd.com.cn/special/custom/AITopTen2018.html
相關文章：
機器學習教父 Tom Mitchell ：人工智能將成為自適應學習的驅動式技術 | 全球AI+智適應教育峰會
掌門1對1張翼：AI對教育最大的賦能是讓學生獲取打開知識寶庫的“鑰匙” | 全球AI+智適應教育峰會
印尼最大教育公司CEO：技術會讓印尼落后的教育重燃希望 | 全球AI+智適應教育峰會
天圖資本馮衛東：面對AI革命中小學教育何處去？| 全球AI+智適應教育峰會
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
