新火種
2024-01-11 
教育大模型迎來新玩家：十年深耕劍指智適應，25道題能測1000個知識點
新的一年，教育領域大模型，迎來新玩家。
來自松鼠Ai，十年教育領域躬身者，剛剛發布首個智適應教育大模型。
據介紹，它可以實現純文本外的更多任務支持，在知識獲取、信息輸入及傳達信息等方面都具備更好的性能，同傳統的大語言模型有著本質的不同。按計劃，這一大模型將搭載在松鼠Ai已有學習機產品中。
與此同時，還有松鼠Ai牽頭的IEEE AI教育大模型標準組（P3428）成立。第一批專家工作組包括北京師范大學黃榮懷教授、清華大學許斌教授、華東師范大學顧小清教授。
并且是松鼠Ai創始人兼董事長栗浩洋任該工作組主席，足以見其在行業的代表性。我們知道，行業標準一旦設立，大模型在教育領域的應用進一步得到規范，行業發展水平將提升到全新的水平。
過去一年，可以看到大模型在教育領域落地百花齊放。如今隨著落地的深入，松鼠Ai的進展或許值得關注。
松鼠Ai智適應教育大模型據介紹，整個松鼠Ai智適應教育大模型主要分為三層：底層的數據層、模型層、應用層，并由此體現了它的三大特點。
首先是數據層面。
松鼠Ai在教育場景的多年積累，構成了豐富的底層數據層。包括全學科納米級知識圖譜、海量學習資料、視頻講解以及測評和題庫，以及學生學習歷史數據。
值得一提的是，此處學生學習歷史數據是松鼠Ai過去積累的2400萬學生100億學習行為全流程，比如學習進度、學習效果、學習路徑，甚至學習過程中發呆的時間都有記錄。
有了個人學習數據，一方面可以對每個學生用戶畫像精準把握，另一方面了解了同齡學生學習的情況，也有助于對學科整體知識點的規劃和安排。
這也就決定了松鼠Ai大模型同其他傳統大語言模型，比如GPT系列，有著本質的不同，他們將更加個性化，針對學生學習情況對癥下藥。
然后在模型層，以往談到大模型，無非有多模態、LLM、Agent這些技術和應用，但松鼠Ai此處結合大模型的知識圖譜（KG）&檢索增強生成 (RAG)，卻值得說道說道。
簡單來說，結合大模型的KG和RAG增強技術能快速找到知識點和知識點之間，知識點和題目之間，題目和孩子能力之間的關系。
若給孩子練習的題目，其與知識點的關聯更高，孩子學習效率也會更高。而不同的學生對知識點的掌握也有所不同，那么具體到哪一個知識點，就需要推送與該知識點強關聯的題目。
栗浩洋給出了一個具象化的形容，目前他們能實現25道題測1000個知識點，而市面上最高也只能實現25道題100個知識點，并且還能具體拆解到每個解題步驟當中去進行逐步講解。
此外，栗浩洋還強調，但松鼠Ai的LAM（Large Adaptive Model）智適應大模型應用了MoE（Mixture of Experts）混合專家系統，通過將多個模型結合在一起，以獲得更好的預測性能，同時降低模型的推理成本。
而在應用層，覆蓋學習推薦、學習興趣啟發、習慣培養、情感干預、學習路徑規劃等多個場景。
比如在給學生提供輔導時，能夠覆蓋預習、復習、備考、作業輔導等多場景，并給予學生更多準確的回應與激勵。
此外，還可以根據孩子在學習過程中反應，給予其正面的反饋與激勵改善學生的情緒，幫助解決孩子的一些心理問題
可以說，其他大模型產品有的它有，沒有的它也有。
如何評價？總結來看，從數據到應用層，其實都圍繞一個共同點：個性化。
再看產品功能上，松鼠Ai智適應教育大模型該有的功能都有，并且相較于大語言大模型，技術實現更為復雜。在應用場景上面，也更能把握學生個人的學習情況實現個性化應用。
至于為何能實現這樣的效果，松鼠Ai的三大布局和選擇值得關注：
納米級知識拆分、MCM系統、大模型吞吐數據類型。
首先是納米級知識點拆分。比如在數學場景中，單獨針對「求加減法中的未知項」這一大知識點，就能拆分出「同分母分數兩步方程-未知數為減數」、「異分母分數兩步方程-未知數為加數」這種程度的知識點。
這就相當于在整個學習系統構建一個龐大的知識網絡，這樣能更精準地幫助學生定位學習情況，更精細的規劃學習路經。
第二是MCM系統。第一個M是Model of thinking，就是思維模式，第二個C是Capacity，是學習能力，第三個M是Methodology，是學習方法論。MCM系統針對學習思維、能力、方法構建模型，這樣能更科學地實時評價學生的學習狀態和能力水平。
而負載了大模型能力之后，就能預測學生在未學過知識點上的能力水平、所花時間等，以推出個性化解決方案。
第三則是大模型吞吐數據類型不同。正如前文所述，數據類型更為復雜，大模型所能提供的能力更為多樣。
說了那么多，其實不論是技術融合還是數據的選擇，背后還有更為底層原因。
那就是智適應教育的選擇，這也是整場發布會談及最多的關鍵詞。
什么是智適應教育？簡單來說就是基于AI、大數據、物聯網等技術，結合大量用戶數據，針對個體學習過程差異提供適合的教育形式，以此實現個性化教育，做到因材施教。
當前包括培生教育、麥格勞希爾、Wiley、HMH這樣的傳統巨頭也都在布局。
作為國內較早推行這一概念的企業，松鼠Ai早已開發出核心的智適應學習引擎架構。
據此前松鼠Ai聯合創始人兼CEO周偉介紹，松鼠Ai智適應教育是用了三層式的架構，去構建知識地圖、學習策略架構、內容地圖、教學流程，進行數據的分析、推薦、算法，到最后形成完整的教學閉環。
隨著大模型到來，實現個性化教育本身就是難得的契機，那么同智適應技術的融合也就成了應時之義。
按照松鼠Ai的理解，智適應技術全自動標準能按照自動駕駛那一套評價體系進行拆分。
△智適應教育按智能化水平L1-L5分級圖
栗浩洋認為，目前業內大多數主流玩家仍處于L2發展階段。即根據學生學習情況，實現題目數據量智適應、題目難度智適應，也就是輔助駕駛。而他們在L5即完全自動駕駛階段，已經實現40%的水平。
在談及AI變革教育最終形態，他們最終目標是實現虛擬老師，有助于生成更多視頻講解，助力社會需求的創新人才培養。這樣一來，在個性化教育追求的同時，真正實現了教育普惠。
至少現在來看，也并非那么遙不可及。
發布會上松鼠Ai介紹，2023年松鼠Ai已經完成2000家線下智能學習機門店業務布局，是全國零售店規模最大的AI學習機品牌之一。
而隨著大模型進一步部署，上線在他們的學習機產品上，就能快速帶來產業價值。
大模型給教育帶來怎樣的變革？過去一年，大模型技術快速迭代，AI應用可能性不斷拓寬。尤其教育領域，被認為是大模型最應該落地的場景之一。
不少企業圍繞著該場景進行布局，代表的有「可汗學院」推出的人工智能助教Khanmigo；多鄰國推出的內嵌GPT-4的Duolingo Max。
總結來看，大模型落地教育主要有這樣幾條路徑。
一種是類ChatGPT，在網頁端/APP側解決學生或老師的問題。大模型通過自然語言交互充當學習助手的角色。這在語言學習場景中最為常見，比如Duolingo、以及最近備受關注初創公司Speak。
另一種則是大模型部署在原有學習硬件之上。這種自帶天然交互場景，也有用戶和數據基礎，應用迭代速度可能更快，但對技術要求更高，已有形態包括學習機、教育機器人、詞典筆等。
百花齊放的發展現狀之下，不難看出，硬件形態和軟件功能容易千篇一律，并逐漸趨于同質化。
企業的創新本質還是得在于AI的賦能。這也是新一波技術浪潮企業保持競爭力的核心所在。一旦完成大模型部署，可以實現更多創新應用，用戶數據帶來的迭代速度更快，邊際成本會逐漸降低。
不過在用戶側，除了對話這種顯性功能外，大模型更多核心能力內嵌于產品中，比如根據用戶習慣、學習進度制定學習計劃等等，但用戶往往在短時間內感知不到。
這也是當前教育場景一個主要挑戰。
這就需要企業，一方面進行消費者教育，另一方面則是堅持長期且持續的技術投入，構筑企業壁壘，才能抵擋外界風云詭譎。等新技術來時結合已有場景快速利用，服務于用戶。
有著近十年技術部署的松鼠Ai，就是一個范例。
不過最后不管大模型在教育怎么應用，總的方向已經確定。
那就是個性化教育、因材施教。
事實上這本身也是教育行業被廣泛接受且一直以來想要實現的目標，早在上世紀八十年代，著名教育心理學家Benjamin Bloom在其教育實驗中提出”two sigma”理論證明了其正確性——
接受一對一輔導的教學組平均表現要明顯優于傳統的1:30教學方式。
如今大模型本身個性化的技術特性，也就給教育行業變革帶來了全新的可能性。
毫無疑問的是，隨著大模型布局的深入，更多細分標準的確立，教育行業發展已經來到了關鍵的歷史節點。
相關推薦
- 免責聲明
- 本文所包含的觀點僅代表作者個人看法，不代表新火種的觀點。在新火種上獲取的所有信息均不應被視為投資建議。新火種對本文可能提及或鏈接的任何項目不表示認可。 交易和投資涉及高風險，讀者在采取與本文內容相關的任何行動之前，請務必進行充分的盡職調查。最終的決策應該基于您自己的獨立判斷。新火種不對因依賴本文觀點而產生的任何金錢損失負任何責任。
