多知网|标准化的“AI+教育”产品未来能否实现“任天堂”式的创新？( 五 )
一、内容的生产：
1.数据库&知识图谱：
数据库不用多说 ， 属于标准化基建 。 典型例子是各大公司积累的K12精品题库 ， 机器知道题目所对应的知识点标签 ， 其题干和答案内容 ， 却没有理解知识本身 。 当这些各知识点的简单关联被建立 ， 包括学习路径的先后等关系得到梳理 ， 初级的知识图谱就开始建立 。
所以 ， 知识图谱大概率会在K12教育领域最早成熟 ， 因为其处理对象为教学大纲组织下的有限知识点和应用方法 ， 相对容易实现 。
相较而言 ， 知识图谱如果进入开放类学科跨学科领域知识 ， 则立即变化为一类难度以指数形式上升的挑战 ， 构建图谱需花费大量人力物力 ， 却无法在短期带来足够的营收 。 因此 ， 知识图谱作为一种分析工具 ， 应在能够直接创造价值的领域（比如在金融领域内 ， 反欺诈、辅助投资决策等）率先成熟 ， 尔后才能期待迁移到教育领域 。
此外 ， 笔者也关注到一些公司的尝试性/非盈利类产品 ， 比如全历史 ， 搜罗泛历史领域的国家、事件、人物、古籍画作等 ， 并构建这些事物相互之间的关系 ， 虽然产品还很初级 ， 但应有助于我们去理解这样的图谱雏形 。
2.素材的生产和重构：
如果说知识图谱是架设知识网络 ， 勾稽关系 ， 那么这些网络节点上的知识 ， 都需要通过丰富的内容来展现 。 当前在各领域的教育线上化过程中 ， 还是以PGC的方式录制线上课程 ， 或者通过动画等形式制作课程为主 。 如果要实现内容制作效率的大幅提高 ， 有难度逐渐提升的三类手段：
i.类似于好莱坞做特效的逻辑 ， 通过成熟的素材包和工具库实现效率提升 。 教育科技公司可以预制动画、模型等素材 ， 并辅以TTS等技术 ， 实现快速的课程内容生成 ， 目前的轻课和AI课程逐渐进入了这一阶段；
ii.分析既有的文本、视频、音频等学习内容 ， 以关键词识别等方式推测其概念 ， 并切割、组织生成碎片化的学习材料 。 在国外的职业教育中得到应用 ， 诸如Volley等公司就采用了此类技术；
iii.对于教育课程的自动生成 。 和第二种方法类似 ， 素材还是既有的教育视频等素材 ， 但技术就不仅仅是自然语言识别等相对成熟的技术了 ， 需要进入认知科学的范畴 ， 在大量视频的学习基础上（视频分析、行为推理等） ， 建立认知架构 ， 并自动将课程内容分解、梳理为可理解的素材 。 以期生成按时间序列进行教学的脚本 ， 再调整脚本生成可互动的课程 ， 目前DMAI等公司有在研的产品雏形 。
二、教学交互：
教学交互需要以某些形式唤起AI系统 ， 然后识别问题并导向教学行为 。 当前的技术产品 ， 是从”有没有问题发生“和”遇到了什么知识点“这两个逻辑为起源 ， 设计解决方案：
当从问题发生侧出发时 ， 系统需要自行（依靠情绪、表情的识别 ， 学习行为的变化等）判断并确定特定时点上学生遇到了困难 。 之后 ， 再结合当前场景的教学内容做时间线比对 ， 分析疑问对应的知识是什么 ， 以此结合 ， 进行教学调整和补充 。 面部识别技术公司在教育领域的应用多属于这一条线 ， 好未来等领域巨头也在研发类似产品 。 如果后续再进一步 ， 随着脑机技术等能直接与人脑思维活动相关的技术发展 ， 则监测问题的难度将大幅降低 。
当从知识点侧出发时 ， 则重点在于让系统识别到使用者当前遇到什么样的知识 ， 并即时提供大量的可学习内容 。 至于个人是没有需求则可 ， 由个人主动自助点选的方式来进入教学 。 典型案例的是在企业培训领域近几年比较热的概念——learninginworkflow ， 即在工作流中学习 ， 通过将学习系统与企业的原本的办公系统（OA等）集成 ， 根据员工的工作任务和聊天中出现的关键字等因素 ， 即时推送碎片化的知识、内容 。 国外涉及企业学习的在线/技术类公司 ， 诸如Degreed、Edcast都在优化此类方案 。
推荐阅读
- 产业气象站|标准化是核心，亚布力论坛聚焦新基建与数字化转型
- 量子位|逆向工程、软件后门……原来美剧《硅谷》里藏着这么多知识点
- 产业气象站|【协会动态】山东省物联网协会、山东省新一代技术标准化研究院调研聊城中欧人工智能研究院
- 通天战队|制造品牌超感体验，5G技术叠加AI+VR/AR内容
- 格隆汇|创维“家庭新基建”：以“5G+AI+终端”领跑新赛道