每經記者 姚亞楠    每經編輯 葉峰    

下一波超越BAT千億美金市值的公司將來自哪里？早在2017年財富全球論壇上，馬化騰就做出預測：AI+教育或AI+醫療。

近年來，AI在教育行業加速落地，從直播課程中的AI老師，到比爾蓋茨、扎克伯格盛贊的自適應教育，再到近日引發巨大爭議、無處不在的課堂監控，AI與教育的碰撞從不缺故事，但熱鬧之下，諸多創業者與投資人卻認為，AI對教育改造更似"文火慢燉"，注定是一場持久戰。

輔助類應用未觸及教育核心

2019年8月，科技部新一代人工智能發展研究中心聯合羅蘭貝格管理咨詢公司發布了《智能教育創新應用發展報告》（下稱《報告》），數據顯示，2014年至2016年是智能教育行業熱度最高的三年，三年間新成立43家智能教育公司，占2011~2018年期間智能教育公司成立數量總和的56%。教育類公司、互聯網公司、人工智能技術提供商與計算平臺提供商等不同背景企業紛紛入局，在產品形態方面，智能批改、拍照搜題、智能測評、智能題庫、分級閱讀和自適應學習為目前六大主流產品，從更細分的賽道分布來看，K12賽道的公司最多，聚集了60%的智能教育公司。在商業模式方面，各企業在2B、 2C領域分布均勻，B端產品形態以智能批改、分級閱讀和自適應學習為主，C端產品以自適應學習、分級閱讀和智能題庫為主。

作為典型的抗周期行業，資本對智能教育青睞有加，出手也相當闊綽，《報告》顯示，智能教育市場于2014年爆發，這一年發生14筆融資事件，同比增長180%，此后市場持續升溫，2018年全年融資次數達24次。

盡管入局的創業者眾多，產品不斷推陳出新，但在諸多業內人士看來，AI在教育行業的落地應用仍處于早期的階段，"目前的大多數產品為輔助類應用，可以承擔助教的角色，像拍照搜題、智能測評等，能夠針對某一特定流程實現減負增效的目標，但要觸及到教育的核心還需要更多的時間。"拼圖資本創始合伙人、董事長王磊認為。

在藍象資本執行合伙人周爽看來，長期以來，教育一直屬于人力密集但集成度很低的行業，未來想要更大程度釋放教育產能，達到因材施教的美好愿景，AI被寄予厚望，但這其中有兩步最為關鍵，一是要有數據，大量的、高質量、事先設計并有效標簽的數據，二是教育科學的成熟，教育是一個非常復雜和專業的領域，需求又很多元，什么樣的教育是好的教育，如何教才能達到最好效果，這一點要有共識，但放眼全球，目前這兩個關鍵問題都需要進一步探索。

"雖然現在關于AI的投資很火熱，市面上的多數教育公司也都宣稱自己正在用AI賦能教育，但目前AI在教育行業落地的確還處于收集數據、不斷改進數據的契合度和有用性這樣一個比較早期的階段"周爽表示。

底層技術平臺的坑太多

李斌2016年回國加入龍之門教育集團負責技術研發工作，帶領團隊開發自適應學習相關應用，在他看來，一款AI教育產品的成功取決于底層技術、智能算法以及對教育深入洞察等多方因素的良好配合，是一個非常復雜的過程，但現階段，底層技術的不完善是他在從業過程中最先感觸到的困難。

"作為教育行業的從業者，我們希望國內的人工智能技術領軍者能夠把底層技術做扎實、做細致，確保技術真正是能用和好用的，這是最基礎的"，李斌表示，AI在教育領域的所有應用都基于底層技術，然而國內大部分底層技術目前不盡成熟，與谷歌等全球科技巨頭仍有很大差距。"像亞馬遜，不僅能提供云計算平臺、各類大數據優化的托管服務，而且每年上線的工具也高達上千個，能夠為從業者數據分析、架構及機器學習提供很好的支持，還能充分利用共享資源的方式為企業節省成本。但反觀國內一些云計算平臺，保證不了計算量、運行速度特別慢，甚至里邊還有很多坑需要從業者花大量的時間精力自己去填，這實在有點本末倒置，如果底層不是特別完善，我們談上面的應用都是空中樓閣"。

在中外的行業交流中，李斌也發現國際型的AI教育大會中90%左右的參會者依然在談架構，討論如何創造一個好的平臺承載海量的數據、哪些數據是有用的、如何去處理這些數據等基礎問題。但在國內，行業交流關注的重點已經到了產品與解決方案的應用層面，"我覺得第一步還是要發展我們的技術，國內的底層技術還有很大的進步空間，包括技術的使用成本也要降下來，這個條件具備了才能帶動垂直領域更好地去應用，做出好的產品"。

數據量小且質量低

除了底層技術這一基石，現階段數據數量少、數據質量低也正制約著AI在教育行業實現更多的可能。

"大數據是人工智能的信息來源與發展動力，要實現對學生的個性化關注，AI需要從大量的教學與學習數據中進行多維度的取樣、分析，未來誰擁有更多的優質教學數據，誰就擁有主動權"，樂樂課堂CEO毛穎告訴記者，"但現在沒有企業敢說自己擁有大數據，即使像好未來、新東方這樣有一二十年積累的企業，以每年400萬人次的學生、十余年的數據采集量來看，比起人工智能真正需要的海量數據還是比較小的，缺乏數據和內容的前提下AI很難解決效果問題"。

據了解，目前企業獲取教育數據的方式主要有兩種：一是從數字化的教學環境中實時收集數據；二是從現有教學過程中收集教育信息，然后將其轉化為數據，數據量積累越大、類型越豐富，訓練出的模型也就越精準，同時數據的反哺能力也會越強，從而形成良性循環。

李斌認為，在數據收集過程中的一大忌是盲目貪量，全部收集過來再說，如何采集數據、哪些是有用的提前都要設計梳理清楚，這樣才能確保收集的數據是真實有效的，否則得來的都是一些零散的、非結構化的數據，意義并不大。"比如對學生能力的衡量標準不僅僅在于答案的對錯，他做題時的一些行為數據可能比答案本身更為重要，當他在做題時花費的時間過長，屏幕可能暗下去了，學生就得再點一下，我們會提前對這些行為進行設計、標注，這些都是很有價值的數據"。他表示，目前來看，行業中數據來源單一、重要環節數據缺失等問題還比較突出的。

"我國在教育信息化方面國家支持的力度非常大，自身的數據量也很大，這是我們的優勢"，周爽認為，"創業企業在收集數據過程中為了活下去必須要有符合市場需求的產品和清晰的商業模式，這也是為什么應試教育領域聚集了最多的AI創業公司的原因所在，因為這一領域學校和家長的訴求最為明確也易于量化，就是提分，所以AI的價值也被釋放得最快"。在她看來，雖然這些應用目前看來不盡成熟，處于個性化教育非常初級階段，與真正的"千人千面"距離尚遠，但都是前進過程中有益的探索和嘗試。

教育科學需要更加成熟

拋開技術、數據這些硬核因素，采訪中多位從業者向記者表示，教研與教育科學的成熟對于AI在教育行業的生根落地至關重要。

"教研尤其是本地化教研是教育的根本，沒有教研的教育公司一定做不好，不做好教研沒有好的內容學生就不會來學，企業也就無從獲得學生的數據，這是一個惡性循環。"毛穎認為，目前我國K12階段教材版本眾多，這意味著全國各地的教學要求、學生學習的進度和重點都不盡相同，因此教研必須本地化。

在毛穎團隊深入到地市、縣甚至鄉鎮進行本地化教研過程中，他們也有新的發現，"現在教育公司都說用AI實現教育千人千面的美好愿景，每個學生都能有個性化的輔導方案，這是理想狀態。當我們真正深入到一些地市、縣甚至鄉鎮時發現，由于教育條件和師資水平的限制，那里80%左右學生遇到的恰恰都是共性的問題，所以我們從業者還是要深入到行業中，踏踏實實先把教研做好，把這些學生在學習中遇到的共性的問題解決了再談更高階的個性化的問題"。

在李斌看來，充分了解教育規律、了解人的學習過程是做出一款好產品的重要前提，"在參加一些國際會議時我發現，國外同行對如何教育好一個孩子、在哪一步給什么樣的提示能夠達到最好的教學結果等問題上有濃厚的興趣和細致鉆研，這些基礎研究是我們非常欠缺和值得學習的"，李斌告訴記者，一個良好的教育模式的探索需要大量的理論研究和積累，在這些研究結果和理論的指導下再去做產品的研發，這是一個合理的路徑，"下一步我們從業者可能需要花更多的時間和精力去探索教與學之間的這種邏輯關系，而不是盲目地跟風上線新奇產品"。

在這一點，周爽也有同樣的看法，她認為，不論是幼兒教育、K12教育還是成人教育都是要遵循教學理論或者規律的，如建構主義、結構化語言認知理論等，教育是一門綜合性很強的科學，涉及心理學、生理學、統計學、管理學等多學科，無論是具體的學術理論突破還是教育教學數據的積累都不是簡單砸錢能快速解決的。

"AI求快，但在教育行業必須慢下來、沉進去，作為投資人，在AI落地教育這場持久戰中，未來我們看好對教育有敬畏之心，尊重教育規律、善用技術的團隊"周爽說。

封面圖片來源：攝圖網