声明:本文来自于微信公众号 新智元，作者:新智元，授权Soraor转载发布。
【新智元导读】AI时代下，智适应教育成为全新的范式。在刚刚结束的KDD2024大会上，国内一家前沿教育企业登上这个国际舞台，向所有人分享了真正个性化学习应该有的样子。
进入开学季，一个词儿也跟着爆火——「无痛学习」。
如今，AI已经以前所未见的速度，迅速融入大学生的学习和生活，越来越多人开始体会到，从「有痛学习」变成「无痛学习」是什么感受。
AI改变的，仅仅是高校生吗?当然不是。
最近一个新闻曝出，眼看着要开学，成都的一位小孩哥，用AI量产手抄报，疯狂赶暑假作业。
无论你的态度是拥抱还是迟疑，无可否认的是，如今AI已经在深刻影响着教育领域。从小学生到大学生，无一能逃过这场大潮。
AI的特性，为何能跟教育融合得如此恰当呢?
原因就在于，教育应该是千人千面的，但老师却不可能无时无刻地关注到每一个学生，而AI，则完全打破了现实中的桎梏。
而且，得益于LLM、AIGC等前沿技术实现，传统的自适应教育已经逐渐进化为更加智能化的「智适应」学习。
在国外，一些代表性教育机构看准契机，纷纷在智适应教育中布局。
比如，Duolingo Max采用了角色扮演技术，让学生可以通过模拟情景与AI进行对话。
Khanmigo利用个性化LLM对话的形式平台，通过不断提问的方式，帮助学生构建知识，提供个性化教学，最终答疑解惑。
不会直接告诉学生答案，而是一步步引导
吴恩达的Coursera以开放式在线课程为基础，提供的是在线智适应学习课程和混合学习的模式。
显而易见，智适应教育方式，正在成为AI教育领域界的共识。
恰巧，在刚刚结束不久的ACM KDD2024上，闭幕式的重磅圆桌讨论环节，聚焦的正是GenAI+教育。
席间，圣母大学教授、AAAS/AAAI/ACM/IEEE Fellow Nitesh Chawla，明尼苏达大学教授、IEEE Fellow George Karypis、松鼠Ai联合创始人梁静博士，美国东北大学教授、ACM/IEEE Fellow Ricardo Baeza-Yates四人，一起在台上探讨了生成式AI的未来方向，以及潜在的创新应用。
不仅如此，松鼠Ai研发团队在KDD主会上，发表了一篇关于LLM，尤其是教育大模型，在时间序列分析中应用的论文。
他们还组织了Workshop，并在GenAI Day上发表了主题演讲。
众所周知，作为全球数据挖掘领域历史最悠久、规模最大的国际顶会，也是国内评级的A类学术会议，KDD每年都会吸引数千名来自世界各地的顶尖学者、企业代表参会。
而在这样的国际顶会上，鲜有企业能够参与到学术论坛的讨论当中。可见，这次被大会邀请前来做客同时还在会上发布论文的松鼠Ai，在AI教育领域是有真才实学的。
那么问题来了，这些大佬，对当前AI发展是怎么看的?
真正AI个性化学习，是什么样子
很多年前，AI还没有像现在这么流行，当时公司经受了许多怀疑——为什么要在教育中使用AI?能用它做什么?
答案是，学生提供真正个性化的学习平台和内容。
如今，所有人都在思考，如何用生成式AI来帮助我们。
如果只是想利用这些工具快速赚钱，在短时间内迅速成立公司的话，这种心态其实是非常危险的。
但如果我们能以智慧的方式利用这项技术，比如用它进行数据分析，帮助学生更好地学习，而非快速生成内容，则是一个很有意义的机会。
目前来说，我们正处于从一个阶段向另一个阶段的过渡中，走向了人与机器互动。
当我们开始通过语言和多模态能力进行互动，就已经开始进入机器人工业革命。
与之对比鲜明的是，我们才刚刚从传统教育中走出来。
即使我们已经拥有了AI技术，有了MOOC，有了在线教育和远程学习，有了语音或语义识别，它仍然是传统的学习方式。
因为，它不是真正个性化的。
什么是真正的个性化学习?很多人以为在ChatGPT上输入一个问题、得到答案就是个性化学习，其实并不然。
对此梁静表示，关于个性化学习，大部分使用者甚至很多公司还都不真正了解，所以我们还需要很长的时间来展示什么是真正的人性化学习、智适应教育技术，让人们理解、体验、犯错、再体验...。
而下一步，就将是AI、个性化学习与智适应、多模态、大模型能力的结合。
基于AI的「智适应教育」，不仅可以让学生获得更高的分数，还可以让学生在相同的教学时间里培养更多能力。
想象一下，在同样空间中，不同年龄的学生们围坐一周，而桌子中心没有老师。
有时，需要共同完成小组作业;有时，需要合力开脑洞攻克难题。学生们仅通过互联的设备，自主学习。
老师，变身成为了助教、数据分析师、情感鼓励及引导的育人的导师。
这，就是智适应大模型未来应该有的样子，也是教育行业的未来。
生成式AI，在教育领域大放异彩
如今的K12教育中，存在着不少弊端，这已经成为大多数人的共识。
而当我们进入技术大爆炸的新时代，学校和家长希望孩子接受的，无疑是更智能化、个性化的教育。
生成式AI，是否有可能在教育领域探索出更多创新的应用场景?
如果能做到这一点，未来的教育方式将彻底改变，给广大学生和教育工作者带来前所未有的价值。
恰巧，生成式AI的特点，和K12教育领域的应用场景是天然契合的。
那么，在GenAI（生成式人工智能）赋能教育中，是否有个通用的衡量标准?而这个标准应该是什么?
2022年，谷歌曾发布的一份报告中，提到了未来教育的三大趋势，其中之一便是「个性化学习」智适应。
报告地址:https://edu.google.com/future-of-education/
个性化学习，就是学生自主干预学习，不能有外力干扰，这对于能力培养至关重要。
在这个过程中，他们会与同伴合作，也会向老师请教问题。
另一份来自2021年EY报告中，如同自动驾驶一样，根据智能化程度高低，将教育分划分为L0-L5六个等级。
L0很好理解，是指传统真人教学，完全没有使用自动化工具。
L1典型代表是，直播课、录播课。拍照搜题等辅助工具，代表着L2。
L3-L5，AI完全切入教学环节，将教学全流程数据打通，提供千人千面的教学体验。
L5完全是由AI教学，意味着学生仅使用AI系统就能学习，不需要任何外部资源，其中典型代表是松鼠Ai。
来源:安永中国智适应学习行业白皮书
如何实现L5「完全智适应教育」
具体在K12领域，已经深耕了十年之久的松鼠Ai发现，生成式AI能够通过分析学生的学习数据，动态地调整学习内容和难度。
这样，就可以为每个学生提供最合适的学习路径。
因为这种教学方式是基于数据驱动的，它不仅能提高学习效率，还能有效填补学生的知识空白，促进学生的全面发展。
那么，生成式AI是如何增强学生的学习效果的?
以下例子，为我们精准展示了它的强大。
-知识点分解
真正的掌握学习技能，必然是能吃透体系中的每个知识点，做到融会贯通。
松鼠Ai恰恰能通过苏格拉底式的引导性提问，激发学生主动思考，深化理解，打造出更为高效、人性化的学习环境。
如何做到的?
这是因为，基于松鼠Ai独有的、所积累的2400万学生的100亿学习行为全流程数据，大模型被「喂养」后，在推荐算法、深度知识追踪等技术上都实现了突破式迭代。
由此，模型能更好地捕捉数据中的复杂关系和模式，更快速发现知识点和知识点之间，知识点和题目之间，题目和孩子能力之间的关系。
这样，它就能更高效地绘制学生的学习画像，提供针对性的个性化服务。
-错误分析
松鼠Ai的新版多模态智适应大模型，引入了草稿纸内容智能分析功能。
通过这个功能，它能深度解析学生解题过程的每一步，精准定位题目理解、逻辑推理、计算及手写誊抄等各类错误。
这样，就能确保学生和教师迅速、精准地把握问题所在，从而针对性地补足自己的弱点。
这背后，得益于新版本多模态大模型在常规测评效率与准确性上的飞跃，尤其是在主观题评分上。
比如这个案例中，它精准地给出了分数，详细解析了扣分点，实现了对学生学习成效的全面洞察。
-人机交互
在智能人机交互上，全新的多模态智适应大模型也达到了全新高度。
它支持文字与语音的互动模式，覆盖了100+互动对话场景。
更贴心的是，它具备高精度的情绪识别能力。
因此，如果学生在这个过程中出现困惑、开心、注意力分散等情绪变化，模型都能准确捕捉到，用时即时地给予个性化反馈与鼓励。
而且，为了营造更全面且沉浸式的视听学习体验，松鼠Ai还对智能扫读笔与耳机进行了升级革新，致力于构建一个完善的智适应学习生态系统。
其中颠覆传统的旗舰之作——智能老师S211白鹭，采用了独特的数字纸张技术，提供原彩、彩墨、水墨三种显示模式，配合高清摄像头，可实时捕捉学习细节。
在用户体验和健康关怀上，都在行业内设立了全新标杆。
那么，松鼠Ai提出的这个智适应多模态大模型——LAM，其背后的运作机制是怎样的?
具体来说，模型架构一共包含了三大关键组件:知识图谱、推荐系统，和检索增强生成（RAG）。
推荐系统中有不同的规划和智能体，包括短期路径规划、长期路径规划。
其他组件还有，情感解析、路径追溯（不同的学生都有自己的学习路径）、大模型反馈和总结。
此外，AI系统还包含了家长目标、学生画像两个重要的部分。
在智能体架构中，整个智能体被称为「智适应智能体」。
该体系下面包含了不同的智能体，比如数据分析智能体、自动教学智能体（teaching autonomous driving agent）、教学问答智能体、推理智能体、阅读综合理解智能体等等。
不仅如此，针对不同学科，还有不同学科的智能体，比如物理、英语、科学等。
这么多智能体，并得是独立的存在，而是通过协作，与学生互动，为其提供个性化学习内容的推荐。
为了让多智能体有效协作，研究团队还为此提供了环境支持。
他们将智适应引擎，设置为三层。
第一层是目标、学习地图、内容地图、错因分析本体。
当AI系统为不同学生设定目标后，并非是一个「死目标」。
它会根据们的学习速度、进度，以及数据分析，动态调整目标，为其做出更合理的推荐。
此外，错误分析本体，针对学生犯错，能够提供有针对性的分析。
第二层是学习记录。
这里，AI系统会记录下所有学生的学习资料，并对其进行评估。
第三层，是通过交互来实现的。
学生与AI交互过程中，实时数据便会反馈到智适应引擎中，然后交由AI计算分析。
最后，AI系统根据学生下一步学习内容，给出新的推荐，可能是知识，也可能是能力MCM，还有可能是一些实践。
除了以上提到的架构，松鼠Ai的引擎中，还融入了其他一些非常重要的技术。
第一个，便是世界首个「全学科微颗粒知识图谱」。
全世界的国家中，每个年级每个学科都有不同的学习目标。
松鼠Ai研究团队所做的，便是将这些学习目标，分解成更加细致精确的层面，以便算法构建。
举个例子，一个关于「分数加法和减法」的目标，可以被分解为第二层（分数的加法、分数的减法、简单分数计算、多步分数计算等的学习目标）。
从第二层，还可以分解出第三层更加精细的学习目标，如下图所示。
最终，一个学习目标，能够到达的最底层是「第九层」。
同时，松鼠Ai智适应大模型还有一个预测引擎。
它可能会根据学生在10个小时学习内容，预测将要完成100个学习目标。
而且，随着学习进度的变化，预测也会改变。
另外，还有一个推荐引擎，如上所述，在智能体第一层中，目标会动态改变。
如下图所示中，是一张根源问题追溯系统。
以最高十年级，最低七年级为例，由下而上，绿色线是指学生已掌握的学习目标、知识、能力。
假设一个学生正在上十年级，遇到了一些无法理解的知识。
这时，AI系统就会根据题目追根溯源，建议学生重新温习七年级学习课程。
在确保他掌握绊住脚的学习目标后，AI才会继续推进学习进程。
再来看一个例子，有三个学生对于学习目标的掌握情况，均是80%。
可以看到，每个同学掌握程度虽相同，但另外20%粉红色知识点掌握分布有所不同。
这说明了，尽管他们达到了相似的掌握水平，却有着各自的优点和弱点。
这也是，为什么需要打造一个问题追溯系统的原因。
左右滑动查看
此外，智适应大模型还包含了MCM系统，它代表了思考方式、能力、方法论。
为什么学生需要接受MCM训练?这是因为，不同的行业、不同的职业，需要不同的MCM。
可以从不同学科来看，语言、物理、数学等，它们对学生所具备的能力素养，有着不同的要求。
经过详细的剖解，可以看出，松鼠Ai的多模态智适应大模型LAM与LLM有着很大的不同。
当我们使用ChatGPT等模型时，通过提问得到回答，还有历史纪录。
而当你下一次进入这个平台时，它不会给出推荐，并且不会理解个人之前的学习行为，以及整体掌握知识的程度。
这也是，智适应大模型为什么存在的原因。
它不仅有学习者的历史记录，不同的学习行为，还能为学生推荐下一步应该学习的内容。
并且，它还会提供非常详细的成绩单和数据，为未来学习规划提供建议。
在多模态智适应大模型中，松鼠Ai研发团队在这次KDD大会上，提出了全新算法——时间序列分析。
在题为《Foundation Models for Time Series Analysis: A Tutorial and Survey》论文中，他们系统性地探讨了大模型在时间序列分析中的应用。
论文地址:https://arxiv.org/pdf/2403.14735
具体来说，论文分析了大模型在教育的应用，包括在教育时序数据分析中的应用。时间序列分析在教育场景中的应用日益广泛，例如，通过分析学生的行为数据、测试成绩和学习习惯，可以预测学生的学习进度，优化教学策略。
时序Generative AI通过在大规模教育数据集上进行预训练，能够更好地捕捉复杂的时间依赖性和非线性关系，从而在多个教育场景中实现最优的预测和分类效果。
文章也提供了多种未来可能的研究方向，例如结合多模态数据（如文本、图像、语音）进一步提升模型的泛化能力，以及如何通过自监督学习技术减少对标注数据的依赖。
这些研究不仅有助于提升时间序列分析的准确性和效率，还为个性化教育和智适应教育提供了坚实的技术基础。
松鼠Ai能在本次KDD大会上与世界各地的顶尖学者你来我往，可以体现出松鼠Ai在商业之外所拥有的包括学术、科研等综合硬实力。
同时，我们也期待在AI时代全面来临的当下，可以看到更多中国企业出现在这样的顶级峰会上。
AI，接近最理想的教育场景
著名教育家苏霍姆林斯基说过——
「从我手里经过的学生成千上万，奇怪的是，留给我印象最深的并不是无可挑剔的模范生，而是别具特点、与众不同的孩子。」
在AI落地教育的种种场景里，我们可以惊喜地发现，「每个孩子人手一个导师」的理想设定，已经无比接近现实。
或许，这就是现阶段AI对于人类最深远的意义之一。
AI老师给予孩子们的，不是一些零碎知识，而是几把钥匙。
到那时，每个学生在毕业时，带走的不仅仅我一些知识和技能，而是带走渴求知识的火花，并使它终生不熄地燃烧下去。