0
| 本文作者：张莉 | 2018-11-19 10:30 | 专题：2018全球AI+智适应教育峰会 |
11月15日-16日，“全球AI+智适应教育峰会”在北京嘉里中心大酒店盛大开幕，峰会由雷锋网联合乂学教育松鼠AI，以及IEEE（美国电气电子工程师学会）教育工程和自适应教育标准工作组共同举办，汇聚国内外顶尖阵容。
AI智适应学习是目前产学研三界关注度最高的话题之一。此次峰会，主办方邀请了美国三院院士、机器学习泰斗Michael Jordan，全球公认机器学习之父Tom Mitchell，斯坦福国际研究院（SRI）副总裁Robert Pearlstein、美国大学入学考试机构ACT学习方案组高级研究科学家Michael Yudelson等顶尖学者。
15日的主论坛上，乂学教育-松鼠AI创始人栗浩洋发表了主题为“AI对教育的变革”的演讲，栗浩洋认为，任何行业未来都将被人工智能颠覆，AI将对教育产生颠覆性变革，并总结了AI的四个关键词：全知全能、见微知著、无穷算力、自我进化。
大家好，非常高兴能够跟这么多参加我们的人工智能智适应教育，我们松鼠AI是中国2014年最早开始做人工智能的，但那时候其实很孤独，因为没有一个人认为人工智能可能塑造一个特级教师，也没有人知道智适应学习到底是怎么回事。
所以那时候我们是孤独地往前走，直到2016年的时候人工智能开始在全中国开始火，我们的会议在今年4月份第一次召开的时候我们也没有想到有一两百人站在后面，而今天我们也没有想到今年一年之内开了第二次会议，而今天来了2000人左右，有七八百人只能在分会场，今天在场的都是非常幸运的，能够在我们的主场里面。
今天我想讲的是人工智能其实对所有的行业所可能带来的改变，以及为什么人工智能会带来这种改变，以及它是如何带来这些改变的。
任何一个行业我总结的一个逻辑都可以被人工智能所颠覆掉，人工智能很多人说会代替70%到80%的人类工作，我说它可能会代替90%的人类工作，孙正义说人的智商如果说100，爱因斯坦是200，人工智能可能是1万，我认为人工智能完全是一个新的物种，从植物到动物再到人，再往上一个物种就是人工智能，人工智能和人的差距正如人和动物的差距。万维网的创造者说，人工智能要自主创建和运营公司，我们这种创业者以后都消失了，成为整个宇宙新的主宰。
我给AI的总结的四个关键词：
第一，全知全能。
为什么AI会有高于人类的智商，为什么它会代替所有的工作，因为它是全知全能的。
我们知道IBM的Watson尽管最近遭受了很多的争议，遇到了很多的问题，实际上是因为它在医院的数据里不能获得完全干净的经过清洗高的足够的数据，如果不是这样的话，我们看它17秒的时间就可以阅读3000多本的著作，就可以阅读24万篇论文和600多次实验数据和10份病人的临床报告。
这是什么意思，也就是说它17秒钟就可以获得一个30多年经验的老医生一辈子所经历的所有的案例和知识。换句话说，如果2、3年的时间，IBM Watson就可以成为一个活过500年的吸血鬼医生一样，它了解所有的医生、医学常识核医学的病例，所以你到底是希望一个这样的医生给你看病，还是真的是一个人类医生给你去看病呢？
几个月前，更令人不可思议的是，IBM做了一个Project Datater，它在AI辩论赛中胜过了以色列人类的选手获得了辩论冠军，因为它可以用海量的世界上所有的信息和资料跟人辩论，人的知识和记忆都是有限记忆，但它可以引用所有的人类知识一个无限极，用各种的名人名言，各种权威的数据，随时信手拈来跟你辩论，你怎么可能有这样的一个对手呢？
我们乂学教育把所有的教学的知识都囊括进去，把所有老师的经验都吸收进来。
对于松鼠AI来说， 就像教育领域的上帝一样，知道所有事，没有什么是他不知道的，一个老师一辈子所能经历的学生，所能经历的题目在他这里面都不是问题。
因为我们把一个学科的知识点拆成所有的知识点，所有的知识点的掌握对任何一个老师来说是不可能的，就像一个老司机可能知道整个北京市或者是上海大的路标，但不可能把所有的每一条小街巷的每一个门牌号、每一个理发店，每一个久久鸭脖都了如指掌。
但人工智能都可以，它可以掌握所有细节的纳米级知识点，而且它知道这些知识点间海量的关联度，它有几千万道题目，知道这些知识点之间的关系，有上千万学生的用户画像。
所以我们想一个老师一辈子能教多少个学生，别说一对一地进行互动性的教学了，就是一对一千人这样的，一辈子能教的人都是有限的。但是人工智能老师所能教的学生是不限量的。
这张图是我的司机刘涛女儿的知识点扫描图，通过我们松鼠AI的系统，我们知道了哪些知识点是她掌握的，哪些知识点是她没有掌握的，而我们应该给她进行什么样的学习。
他的女儿在过去的学习上遇到了巨大的困难，从小学六年级一直到初中二年级考试从来没有超过45分，他太太经常跟他争吵说，“你整天跟着栗浩洋，凌晨两点才回来，你的孩子这么差，像你一样初中也不及格吗？难道还去当司机吗？以后司机这个行业已经没有了，她该怎么办？”
40多分根本不可能及格，而且她已经上了很多的培训班，去过新东方、好未来以及请私人家教补习，都没有取得成效，为什么？因为老师对所有的数据全部都是盲目的，他并不了解，自己大脑里面存储的数据不够，而老师对每一个学生的大脑里的数据也不足够了解，但是对松鼠AI来说，它把一切数据都透明化了。
我们给刘涛女儿这样一个系统的时候我们只在实验阶段，还没有推向市场，仅仅两个月的时间，她就已经考了50多分。
虽然这不是一个很大的进步，但这10分对她来说是扎扎实实的10分，因为当我们扫描她所有的知识点之后，她可能只掌握了40%的知识点，对这些知识点我们就不需要再进行学习了，我们给她非常简单的名词所有格、零冠词，我们发现她虽然考试成绩上不去，但其实掌握了一些较难的知识点，比如说副词比较级的构成和用法，并不是说学霸所有的知识点都知道，有些学苗可能也掌握了一些高难度的知识点，和我们老师的认知是相反的，这些必须通过数据才能检测到。
对剩下的她不了解的19个知识点，我们都进行教学吗？没有，我们放弃了39个知识点，因为我们觉得这个对她太难了，她上的是一个暑假班，而这个暑假扳要对100个知识点都进行无差别的学习。但我们不用学40多个她已经掌握的。我又放弃了39个认为对她来说太难的70分、80分、90分、100分的知识点，这些她不可能立刻掌握。
我们希望她坚定的从40多分长到50多分的知识，所以放弃了一些非常难的知识点，最后选择了20个知识点给她进行学习，传统的课堂需要学1003知识点，而在我们松鼠AI的系统里，通过对数据的信息化的扫描，我们只给她学习20个知识点，可想而知，她这20个知识点学得非常扎实。
在这次的学习之后，我们为她选择了与之关联度较高的知识点，也是考试出现概率最高的知识点，也是所有的知识地图中最重要的交通枢纽的知识点。通过这些知识点的学习她很快就可以考到50分。进入初三的期中考试里面，刘完影同学很快进入到70多分，到了期末考试的时候，她考了90多分（满分120分）。
这个分数已经是一个不得了的进步了，这个校长在年中的4000人校长大会里，除了表扬满分的学霸之外，还点名表扬了刘完影，而到初中期末结束的时候，在150分的考试里，刘完影3门课都考了110多分。
也就是说她从过去的40多分，一直到50分、70分、90分，110分，每一次的20分我们都给她跳过了她已经学会的知识点，又跳过了她不可能学会的最难的知识点，所以她一直在进步。当然，110多分并不是很高的分数，但她最后考进了上海最好的职高，就是波音飞机检修的职业高中。
当时刘涛想让女儿继续学我们的课程，我们高中还没有出来，今年年底本来要出，可能要延到明年初才出来，但我说你女儿因为她只有110多分，离150还差30多分，也就是说很多的知识点还有很多不扎实的，所以她学到高中的时候，下面的根基都在晃动，是不可能学好的。
经过初中继续扎实的深造，一年以后，刘完影在今年6月份班里的考试中，考到了班里前三名，被学校派送到西雅图继续深造，全班只有5个名额，这个女孩通过学习提升自己，未来可以在波音公司去工作一辈子了。
我们可以看到，一个人生原本失去希望的孩子，我们带给了她全新的希望。
通过把所有的数据都透明化，结合应用算法给学生最有效的推荐，这种方式比一个特级老师一对一的教学还能取得更好的效果，从而改变了孩子的一生。
在上个月杨澜对我的采访里，我提到了我的孩子虽然刚上小学二年级两个月，但是他已经把2、3年级的学习在松鼠AI的系统里全部完成了，而且已经进入了四年级的学习。当时杨澜不相信说“仅仅一年多的时间，这不会是开玩笑吧？这个太夸张了。”
我说：“这样，我把他们两个叫过来。后来，我们把他俩叫到拍摄的现场，让他们现场做我们松鼠AI的题目，四年级的题目里面他们大概正确率能达到70%-80%，而且我们看到即使是双胞胎，他们有一个特别有趣的现象，很多对和错的知识点是很相似的，但他们仍有区别，比如，在平行四边形和三角形底和高里面，他们两个只有一个掌握了，小宝掌握了，大宝没有掌握。
可以看到，通过真正的数据化我们才能发现人和人之间的相同和不同。
我们给AI的第二个概念，除了全知全能之外，因为它知道所有的数据和信息，第二个就是见微知著。
AI能看到我们以前看不到的东西，扎克伯格说，“AI已经能够发觉人类无法察觉的事情。”AI能够看到很多我们看不到的现象，这是过去没有的，我们知道Face++和商汤使得我们的过安检和海关的速度提升了很多，以前3个小时，现在变成了3分钟，它不是像人类一样，通过柳叶眉、瓜子脸来区分，而是把整张脸分成几百万个微小的像素，看到人脸和人脸之间的细微差距，所以它辨别人脸的时候要比我们每一个人清晰一百万倍。
我们发现AI还能用见微知著的方式改变农业。
用无人机掠过农田，用每秒钟5000张的高清照片，把每一个叶子做非常大的扫描，它就可以知道每一片叶子的成长发育的状态，也知道上面的害虫以及知道害虫是到了卵生还是到了破卵的程度，因此可以减少90%的农药释放量，可以定点精准地释放农药以及化肥，从而让我们的生活更加健康。
Netflix也是这样，1.17亿用户有1.17亿的Netflix。为什么它的片子非常好，它不是分类法，不是有人喜欢恐怖片，有人喜欢科幻片，有人喜欢搞笑片，它是从每一个画面上侦测观众对情景的认可和喜好，从细微的差别里发现如何打造和重塑一部片子，所以吸引人的程度是让人一夜看完的。Netflix发明了一种不是一周一次的播放，而是一夜看完的播放，当然你必须要付高额的会员费。
今日头条也是一样，它不是让喜欢财经的人看华尔街日报，喜欢八卦的人看娱乐周刊，它把人不再是分成军事、国际、政治几个类别，而是每从一篇文章，甚至是每一篇文章中的每一句话来判断这个读者的喜好，成为了一亿人就有一亿个今日头条。
当你对用户画像做了这么细致入微的区别的时候，整个对用户提供的一种体验也就完全不同了。
我们以前认为，学苗就一定不如学霸，其实在我们的松鼠AI过去3年的数据里面，我们发现，可能并不是这样子的，在有一些非常高难度的知识点里面，可能一个学霸只有两个知识点不会，所以只要学2个知识点就可以了。
但是实际对这个学苗来说，有一些高难度的知识点，可能学的要比学霸还要快，而对学霸来说一些简单的知识点对他来说却很难。
比如说我小的时候，语文诗词的背诵对我来说是非常崩溃的，我对人名的记忆也是非常崩溃的，我最痛苦的是我小时候，我的小姨每次从外地到我家里来看我的时候，总要抱着我问你还记得我是谁吗？千万不要问我这种话，我们全国的校长也不要问我，我真的不记得。
我记得小时候背英语字母的时候被老师叫上来，每个学生写5个字母，最后只有我写出了2个字母。但我对逻辑性的题目解答速度非常快，比如说议论文，比如说有逻辑的事情，我的思维应对是非常快的。
每一个人在我们的系统里没有学霸和学苗，只有对每一个纳米级知识点的掌握的概率。
比如说我喜欢看创业的文章，但所有有关AI的文章，我看的仔细的程度会比其他的领域更深10倍。所有的创业文章中如果融资3亿以下的我肯定是不看的，可是对天使投资人来说，主要看融资1亿以下的。每个人对每篇文章都有自己的喜好，所以我们对每一个用户画像会进行见微知著的细分，这样才能做出颠覆过去的完全不同的体验。
第三个特征叫做无穷算力。
在全知全能、见微知著之后，由于它有无尽的算力，它能做的事情跟我们是完全不同的。
埃隆·马斯克说过，计算机能以1兆比特每秒的速度进行运算，而人是10比特每秒，所以在这样的比较下，人的智能和智商跟AI处理信息的速度又没有办法相比了。
著名的认知心理学家平克说过，“大数据还是有限的数据，而宇宙的数据是无限的”。
每一天，都有无数的数据产生，都是我们不能想像的。数据爆炸的年代会进行无法估量的数据处理，而我们人脑能处理的信息永远是有限的，今天你来这里参会，你可能会丧失其他的人在另外一个会议上所获得的知识和信息。
在这样的一个情况下，如果没有一个系统，没有AI的算法，我们是不可能去做这样的处理的。我们知道，AI股神曾经跑赢巴菲特，最近又出了一个新的基金叫OIEQ，它又能发现所有的基金经理发现不了的潜力股的股票，它每条能处理100万则企业的公告，季度的财报以及关于企业的各种各样的正面和负面的新闻，从而拿到所有的参数来进行判断。到底应该去买哪个股票，每一天可能进行几百万笔交易，这些都是人类不可能企及的。
AI战胜了人类最顶级的棋手的时候，在下围棋的过程中，AI的判断速度为0.01秒，并且要在0.01秒中衡量百万种可能性。
AlphaGo其实也是这样的，斯坦福研究中心将要进行的一个人机大战会比AlphaGo震撼100倍，就是一个钢铁机器人去骑着摩托车和人类最强的赛车手意大利的罗奇进行比赛，我们知道骑摩托的时候每0.001秒这样的判断都是非同寻常的，只有计算机能够完成这样高速的运转的判断，我们人类的大脑已经是很发达了，但无法与其相匹敌。
AlphaGoZero在完全没有人类经验的过程中，仅靠自己和自己的对弈就把AlphaGo一代战胜李世石的那个打成100：0，对系统来说他们的学习速度是非凡的，这就孕育了为什么我们在教育中能实施传统的教育，传统的老师所不能做的事情，而这个事情是什么呢？我们称之为超纳米级的知识点分拆。
当我们把过去的初中数学的300个知识点像美国的同行一样拆成3000个之后，我们又进一步地拆成3万个知识点。
为什么我们要拆这么细？因为AI具备全知全能又具备了见微知著，当我们这么细腻的时候，就像相机的像素细腻了10倍，我们可以给学生进行更精准的用户画像，当然它提出的对算力的要求也是非凡的，也就是在零点几秒内，它必须要衡量大量的知识点之间的关联性，题目和知识点之间的关联性，以及不同的题目的用户的画像，给每一个学生推断他的下一步应该进行哪方面的学习。
所以我们跟竞争对手相比，我们的知识点做了超纳米级的知识分拆，这是我带领着我们的研发部做研发的时候发现的，很多人问我你为什么要做超纳米级分拆呢，这有什么意义呢？对学生来说到底是提高了他的学习效率甚至是降低了他的学习效率呢？
本来我有几百道题可以证明这个论坛，但在此我只举一个例子。
这道题是非常常见的中考题，它的知识点叫做一般现在时的用法，这个一般现在时的用法，再往下的纳米级知识点就是第三人称单数，我们知道，如果是复数形式，一波人做一件事，我们用动词是常态，但如果是一个人做一件事我们用动词会加上s或者是es，用第三人称单数。
但这道题很多学生用了read，而没有用reads，那是为什么？他不知道在英语中后面的东西都不算数的，后来我们的语法专家提出了一个“就远原则”，也就是说前面的主语是一个人就用第三人称单数，如果前面不是Tina而是一波人后面就用read。
在纳米级的知识点中，如果我们归结到了常规的第三人称单数的知识点，做这道题不会，传统的第三人称单数都是对的，但AI知识点不对，浪费的所有的时间，而对刘完影那样的学苗来说，不需要学这样高难度的超纳米级的知识点，只要学常规的第三人称单数，能把50、60分、七八十分能拿到就可以了，但对95分的学霸来说，他不但要学s、es，还要学各种的连词以及with、together with。
到底应该就近还是就远还是打包来算。所以不同的学生只有我们做到纳米级、超纳米级的知识点的时候，才能得到不同的结果的判断。
这是我们的另外一个小朋友，小傅同学，他是最知名的创投之一，300亿规模的达晨创投的主管合伙人傅忠宏的孩子，当时在学我们的系统的时候，从去年9月份一直学到今年3月份，发现怎么样呢？没有很明显的进步，他的考试成绩有高有低，原因是什么呢？他本来是一个学霸，但他的物理在90分里面，大概是考70分左右，也就是说还有20分左右的知识点他是不会的。
但他不仅是9年级的知识不会，其实九年级的上期、八年级下期的知识点还有一些漏洞，而我们一开始在给他做知识点的扫描之后，由于他是一个学霸，我们没有往前学而是往后弥补他的漏洞，所以在过去的他的半年的考试里，他有时候好有时候坏，就是考试正好考到他会的知识点，他就考的好，考的如果是他不会的知识点他就考的不好。
所以当时傅忠宏就觉得，松鼠AI这个公司到底值得投资吗，在今年3月份我们的A轮的融资中他就错过了，结果到6月份小傅考试的时候，突然发现他的物理在90分中考了86分，因为在整个知识点薄弱的地方，我们已经全部补齐了，而且在学每一个知识点的时候，时间和速度都是一样的，我们认为常规需要20分钟的知识点他需要40分钟、50分钟才能学会，而常规的学生需要30分钟的知识点他可能只要15分钟就已经掌握了，所以每个孩子我们应该给他不一样的学习时间和个性化定制的学习路径，学习效率才是最高的。
那个时候，我们给他做了测试，他已经会的89个知识点完全不用学习了，而我们给他节省了1000多分钟的学习时间，我们一点点地帮他去做未掌握的知识点，对每个知识点的错误我们不但是对知识点进行学习，而且对他的学习方法、学习思想和能力进行了学习，这是松鼠AI的实践路径，这在全球所有的AI教育里是从来没有过的。
其他的所有的AI教育都是知识点的学习，而我们在进行能力学习的时候发现，这道题小傅同学错了并不是知识点不会，而是因果关系导致的，他会少说电阻、电流、电压是有关系的，但实际上电阻是不会变的。
小傅同学经常认为，电阻跟电流在电压一定的情况下成反比，但其实不是的，他是犯了因果关系倒置的错因。
我们搜集了几万个孩子几百万的错因之后，我们发现除了解决知识点之外，每一个用户的知识画像是不一样的。所以我们必须要通过非常纳米级的见微知著的用户画像来描述每一个孩子，解决他的特有的错误原因，才能解决他未来学习的问题。如果没有AI的无穷算力我们是不可能解决这些点的。
我们可以看到小傅的知识点能力值在学习之后都有了大幅度的提升，这个是当时杨澜访谈的时候我家的双胞胎大小宝当场做题的状态，我们对他们整个学习方法的判断发现，我们大宝的反证法和逆向变换法用的比较多，相对来说比较擅长，而小宝对待定系数法、等面积法用的比较好。大宝比较像我，逻辑性比较强，但直观感受比较差，而小宝的直观感受比较强，逻辑相对来说比较弱。
所以我们不但进行知识点的分拆，我们还运用系统的无穷算力，运用我们给每一个题目的标签、标注，对学生进行能力和思想的拆分，到了这个境界已经不是任何一个人类老师所可能做到和可能想像的了，而这些判断对我的系统来说只需要一个小时的测试，我们就了如指掌了。
所以，这里面每一个学生，即使是一个80多分的学生和另外一个80多分的学生，他们不会的知识点也是不同的。80分和80分的孩子几乎没有一个是一样的。
第四个关键词叫做自我进化。
也就是说除了已经全知全能、见微知著和无穷算力以后，它还要具备更加令人恐怖的特征，也就是我们最害怕AI的地方。
如果我们用编程编一个微信，过了5年以后，我们发现微信还是那个微信，但是我们如果用AI做一个AlphaGo，在开头的时候它非常弱智，它到互联网棋类的网站上，化名Master跟大量的棋手进行对弈之后，它的智商和智能大幅度的提升，提升到我们不可思议的水平，所以AI是有变化的。
我前两天参加星空演讲，我跟傅盛两个前后，他说我这次考得很好，我说你做了一个AI翻译机，也就是我们出国的时候终于可以自由行了，不用懂英语也不用带翻译了，可以用AI翻译，可是这个AI翻译机一开始是追求翻译的准确度，从翻译的不准确到不断的自我进化，能改变和优化自己的翻译水平。
到了后来会发现，AI翻译机可能做的更多的事不一定是翻译，而是跟你聊天，或者是给你讲笑话，有的时候出去旅游的翻译不一定翻译得准，而是翻译的有趣，可能完全用另外一种套路来翻译了，因为什么？我们给到翻译机的KPI是使用率，是用户到底使用它多少和多久，而不并不一定是翻译的准确，所以当用户使用时长作为目标的时候，这个AI翻译机当它有了智慧和智能以后，会进化成一个人跟你在沟通，甚至在寂寞的夜晚跟你聊天。
所以我们知道，当我们用AI在做一个产品的时候过了3、5年，可能完全不是我们原来的产品了，而是另外一种产品，所以我们在《西部世界》里面看到AI机器人，当它自己发展了以后，就有了自己的想法，发展出了自己的直觉力开始用自己的直觉进行运动，而不再受人类的控制。
当我们认为AI只是在弱人工智能有所建树，强人工智能还做得不足够的时候，其实AlphaGo已经用AI识别了，也就是说它不仅仅是算法用来下棋，能够用Google在未来节省几亿甚至是十亿美金的电力。
我们认为人类最后的堡垒是什么？是想象力、创造力和艺术。
但实际上在美国的一个教授做出了AI机器的绘画，已经画出了当代知名的画家模仿它的画做出来的非常相似的绘画，放在美国当代艺术博物馆里面，85%的专业观众都看不出来到底哪个是大师画的，哪个是AI所做的画。
我们再往下看，德扑这样不是一个简单规则的游戏，而是牵扯着大量人的每一个用户的与众不同的心理的博弈、心理的判断，一个这一刻、这一秒里面随机选择的竞技中AI也战胜了人类。
小冰已经会吟诗和唱歌了，它的唱歌通过了图灵测试，这是当时小冰特别震撼是在《非你莫属》的舞台上，选手每次是被10几个老板质疑、批评、驳的体无完肤，它的这首诗已经仅次于顾城和北岛的水平，已经可以战胜90%多的人类的诗友了，“阳光汇聚，光明流入我的梦境，光影照在蔚蓝色的舞台上，照亮我们的无限星光”把每一个求职者的那种心境讲的淋漓尽致。
尽管不同的声音是因为不同的老板之间不同的角度，不同的角度给了不同的声音，像荆棘中的迷茫支撑了我，即使踏遍全世界的泥泞，也要找到我通向未来的道路。
当时我就被这个诗所震撼了，我觉得AI已经要接近无所不能了。所以那时候我就在想，我们的松鼠AI是不是可以培养孩子想象力和创造力，这是一件我跟所有的AI界的顶级的教授沟通的时候他们觉得不可能，AI怎么能培养孩子的创造力呢？
实际上我已经找到了方法，最近我非常欣喜地跟我们研发部的老师和教育专家们讲，3年我们就可以让松鼠AI培养小孩子的想象力和创造力，路径是怎样的？
我今天剧透一点，我小时候什么样的老师可以培养我们的想象力和创造力，可能只有那些最牛的老师，1%的老师，他们敢问学生任何富有想象力和创造力的事情，可是大量的老师不敢问，为什么？因为他的知识是有限的，当时回答的时候他没有办法面对，但对好老师来说，随便你讲什么他都能给你回复，即使是讲到了他根本不会的知识，敢于承认自己的知识不足和无知，但对大部分老师来说是不堪承认自己的无知的，因为他内心还不够强大，对AI来说它没有一个自负的负担，没有害怕，可以集合所有人类老师几百万、几千万的问题，可以问到所有的孩子各种形形色色的问题，而且可以集合几千万、上亿的孩子不同的回答，以及针对这些回答的回复。
所以我们看通过全知全能、通过见微知著，通过无穷算力，其实计算机可以知道想象力和创造里所需要的一切的根基，通过这些根基可以给孩子问各种各样的问题，无论孩子回答什么都可以应对，哪怕有的时候AI的应对有时候是文不对题，有时候它的应对是完全错的，但是没有关系，也许它从另一个角度上又启发了这个孩子新的思考。
所以当这个孩子的思维被打开，开始发散式的、跳跃式的进行思考的，而且能够面对AI给到他不同的回答，不同的角度的思路的时候，他的想象力和创造力气就要被激发了。我们正在做这样一家是让AI自我进化到一个我们不能想像的地步。
在央视的一档节目《机智过人》里面，很可惜这档节目由于各种原因没有被播出，我们发现了撒贝宁的优势和缺陷，他说“这么长时间来，没有我身边的人知道我的数感不好，好丢人，今天突然被你们的系统经过了18分钟的测试就已经检验出来了，确实我的逻辑性很差，我的数感非常差，而且我的逆推法比较差，我们考了一个小学四年级的数学题，池塘里的水草每天长一倍，那么请问这些水草长到池塘的1/4的时候是第几天？大家知道是第八天。”
但是当我们发现这个孩子逆推法不好的时候，因为撒贝宁是在北大学的法律，他们是偏英美法系的，英美法系讲究的是正规，如果我推定你这个人有罪，哪怕有任何一丁点的可能性证据链不完善的话我都可以推出来，不像以前的中国的法系是喜欢倒推，又是另一种思路了。
但当孩子不会逆向思路的时候，不仅在题目上有任何的问题，在人生也有各种的问题，我做企业的时候一直是一个优秀的企业家，一直走到上市的路，但那时候是没有继续。后来不断接触风投，不断碰壁的时候，不是说我看到一个方向就看到了一个事业，不是看到消费者的痛点就投身进去。而是看整个未来终极的市场有多大，做到5年、10年、15年以后是什么，如果我为了到达这里如何逆推过来我今天应该做什么。所以为什么AI能做到别人没有的东西，我做超纳米拆分，有想象力、创造力，就是用逆推法思维，也是我原来不擅长的。
最终我们松鼠AI希望做成什么？希望做成像苏格拉底+达芬奇+爱因斯坦的智慧来给学生授课，必须教给孩子举一返三，举一返百的能力，所以在这样的倒推下，整个事业的方向不一样了，我们的战略也不一样了。所以在我们的系统里，我们在不同的角度里，会给孩子不同的美好的未来。
就像这道数学题，求两个相交圆的圆心距离，两圆相交算出来就结束了吗？其实这道题需要一个分类讨论意识。因为有两种可能性，一个是外部相交还有一个是内部相交。如果漏到了其中一种可能性，可能在未来的事业中你就遗漏了很多危险没有想到。可能你能做的事情当中你走到了死路，没有想到另外一种方案。你不具备这种思维的时候，不仅仅是在数学、物理、英语的学习中，在你的人生中都是非常有价值的。
过去很多奥数题我都不会做了，但是没关系，通过这些题目我训练我的思维方式这才是最重要的。我们去拆分这些知识的时候，我们发现这个知识对你的一辈子，未来都有着巨大的价值。
所以我们当时在《我是未来》里给小白进行测试，还有池子进行测试，各有各的优势。你如何在大量的世界的噪音中找到有用的信号，很多人把眼光看到了未来AI，也有人关注到了AI教育。在座的各位是在所有的创业和科技的噪音中，看到了来自未来的信号，马化腾也说过，如果中国有超过BAT市值的公司，出自两个领域，一个是AI医疗，一个是AI教育。
我们的系统里能做到，是因为我们给每个知识点大量的传统没有的标签，而且机器可以自我进化的打出标签。
我们希望通过AI教育，能让每个孩子的眼睛里都有着自信、快乐的光芒，而重要的是几次人机大战里已经证明了我们的学习效果，我们会捐赠100个学校账号，给数百万贫困家庭的孩子，希望真正促进教育的公平化。
即使是收费的账号，几万块钱一年已经比800万、600万的学区房便宜百倍了。我内心中坚信，对于整个人类教育进化史来说松鼠AI都占有浓重的一笔。
我们反来看几百年前，中国学生学的是《四书》《五经》，现在我们初高中有二十个学科，到了大学有几百个学科，我们的人脑是无限的。
未来的孩子会比现在的家长聪明几倍，前期是采用的AI教育的方法。一个国家过去只有几十个精英，现在在不同的国家里，在科技、娱乐、新闻、金融，不同的领域里有几十万精英，如果未来，我们孩子都能被AI老师教育，大脑潜能能被激发的话，相信未来的世界上全部都是精英。
就像过去几十年，在全球几乎消灭了文盲一样，未来我们能把所有人类培养成精英。计算机未来一百年内能凭借AI超越人类，这是曾经有人说过的。过去200年，机器凭借体力已经全面代替了人类工作，未来我认为20年的时间，机器在脑力上全部代替人类的工作。很多人说人怎么办？这么一场恐惧的未来我们怎么面对？其实没有什么。
过去几百年两个机器，播种机、收割机就代替了人类大部分的工作，过去全是农民，而现在只需要5%的农民就可以养活我们，而且工作又不那么累。所以以后所有的老师、科技工作者，可能每星期只需要工作一天，我们只需要如何应对AI和驾驭AI就行了。
教育部网站上说，AI会代替老师吗？绝对不会。但是不会应用AI的老师一定将会被历史所淘汰，所以AI的世界已经到来了。
在座的你们准备好了吗？谢谢。（演讲全文完）
会后，栗浩洋接受了包括雷锋网在内的多家媒体采访，雷锋网对具体采访内容编辑整理如下：
1.我们现在讨论的AI智适应学习更多的是机遇学习方式还有方法路径的学习，但是在这种AI智能时代发展背景之下，对应人的教育我们更应该提升哪一方面的能力？在AI帮助的情况下，跟以往传统的教育方式相比，人类在哪些能力方面会更突出？
栗浩洋：现在AI最大的问题是常识和前后句子的结构，包括推理的问题。我们在这个领域里面通过一些教研的方法解决了人工智能的缺陷。
比如我们教语文尤其是阅读的时候，本身也很头痛，而我们现在把作文、阅读结构化。结构化以后，先让人工智能去理解，阅读的机能分解成100种技能（从最早需要认识单词，认识句型，认识复杂句之间的关联，了解布局模片时的结构）把每一个事情拆分称比较细的结构。分解之后，再变成0和1。
结构化以后再做整合（两两结合、三三结合等等），再让学生学会组合。现在我们解决语文相对比较难的东西已经比传统的教育教学效果要好很多，包括能力也是。原本在我们的竞争对手来说，他们只能教知识点，没有办法教“学习力”，我们现在也是把这个给拆分了，比如我小时候情商比较低，后来把情商拆分成观察能力、识别能力、忍耐力等等200多种。
当我们把能力拆分的时候其实也是一种结构化，可以让机器部分的理解这些东西。我们就可以做一些传授，这种传授效果会越来越好。我们拆分的100种能力和思维方式，对孩子都很重要。我们拆分以后，先教孩子一种分类讨论，再教第二个，再教第三个。当教孩子10个了以后，再综合给孩子讲整体的分类讨论应该怎么样，举一反三。这时孩子在分类讨论的意识上就会提升了。我们通过结构化来完成了素质教育，这样的素质教育特别好，孩子可以发展出终身学习和工作的能力。
2.你们以后会更多加入老师的元素在AI的领域吗？
栗浩洋：其实我们现在还是老师的元素，未来我们认为教书的部分全部由系统来完成，老师的介入有时候会污染流程和数据。但是，未来老师做的是教育的育人部分，老师现在没有做情感沟通，应该给孩子做情感沟通、性格塑造、三观的塑造。教学应该让机器从头到尾的完成，我们线上现在已经完成的非常好，我们线下也开了1300家。我们认为线下的场景永远不会消失，10年以后学校依然会存在。传统的线下也不应该是传统的方式了，传统线下的店铺会消亡，最后变成教育新零售的模式，通过数据帮助孩子。
3.教育AI的应用落地，容易遇到的问题有哪些？目前市场情况如何，需求如何？与其他领域的AI技术落地，有怎样的差别？怎样看待市场未来的走向？
栗浩洋：AI教育落地现在其实是本身不存在问题的，它的优点就在于产品其实已经很成熟了。
AI教育在海外已经有九千多万用户在使用，所以产品已经完全是可以达到落地的这样一个级别。不像有些AI产品，比如机器人，它在落地中本身产品就很不成熟。那么有一个问题是在于AI教育基本上落地是以2C的形式为主的，有一些AI落地，比如说像安防是2B的，而2B只要政府认可和合作机构认可就可以去进行大量的推广。
但是对我们来说，要让每一个消费者去认可，所以是AI教育落地最大的一个障碍。所以这也是我们为什么需要各位媒体朋友一起帮助我们去宣传AI教育的价值的所在，因为对比尔·盖茨基金会来说，他们已经花了五年时间深入研究AI智适应教育。他们认为智适应教育是我们现代教育领域里面最需要的东西，福布斯、经济学人在全球的各个文章里边，包括纽约时报、华盛顿邮报都谈过AI教育是教育的终极解决方案。
但是在对于中国来说，包括从媒体一直到消费者其实对AI教育真正的理念、原理、工作方法、特性、优势、取得震惊的效果，都是不了解的。所以这也是我们希望大家能够一起帮助我们去传播，一起花些时间深入的了解AI教育，能够让我们国内真正快速的跟上欧美的速度。
甚至我希望在跟上欧美的速度的同时，我们甚至能够快速的超越对欧美的市场覆盖比率的状态，因为我们公司现在在技术上其实已经超越了竞争对手，包括ALEKS、Knewton。那么在覆盖范围上和消费认知上，如果能够超越我们很可能像移动支付一样，成为又一个中国领先于全球人工智能的应用领域和创业公司的一个优势领域。
关于市场未来的走向，我认为就像过去的互联网+一样，未来的二十年教育一定是AI+，所以AI最后就像水和电一样，成为必需品。就是你不可能不使用AI测试在教育里边，所以教育部有一句话说，反正是不会使用AI教育的产品的老师一定都会被淘汰。未来的教育一定是智适应教育作为大的方向，我们从国外的案例也可以看出来，传统的可汗学院在去年七月份转型智适应教育，美国的华尔街英语在两年前转型智适应教育，美国所有的教育机构已经全部都变成智适应教育机构了。
人工智能风雨60年，与其说技术升级促成了今天的浪潮，不如说当前的人工智能，终于站在离商业最近的位置。
去年，首届「AI 最佳掘金案例年度评选」活动一经推出，便受到了AI方案输出方和AI技术需求方的极大关注。评选从商业维度出发，寻找用户/客户问题解决能力强的产品和解决方案。
现在，我们再次站在AI浪潮之巅，正式启动第二届「AI最佳掘金案例评选」。
在AI+教育领域我们一共设置了6个奖项，欢迎踊跃报名，报名地址：
https://www.leiphone.com/special/custom/AITopTen2018.html
相关文章：
机器学习教父 Tom Mitchell ：人工智能将成为自适应学习的驱动式技术 | 全球AI+智适应教育峰会
掌门1对1张翼：AI对教育最大的赋能是让学生获取打开知识宝库的“钥匙” | 全球AI+智适应教育峰会
印尼最大教育公司CEO：技术会让印尼落后的教育重燃希望 | 全球AI+智适应教育峰会
天图资本冯卫东：面对AI革命中小学教育何处去？| 全球AI+智适应教育峰会
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
专题
