5月11日，上海哈佛大学校友在上海浦东国金中心汇丰银行举办了主题为“大数据、人工智能、AR/VR面前的教育行业”的夜话论坛，参加活动的嘉宾有：精锐教育创始人张熙、EdX中国区总经理王雷、央数文化创始人熊剑明、昂立教育联合创始人，朋友印象、乂学教育创始人栗浩洋。
活动上，乂学教育创始人栗浩洋就“从AlphaGo看乂学教育-智适应对网络教育的颠覆”进行了分享。以下是演讲内容的整理（有删改）：
演讲人：乂学教育（智适应教育）创始人 栗浩洋
大家好，我之前是昂立教育的联合创始人之一，之前负责昂立上海以外全国一千多个城市、两千多个学校的加盟和直营拓展。去年我从昂立里面出来，再次创业。今天很高兴，都是一些老朋友，今天的话题有可能得罪几位领导，不过，学术交流就是百家争鸣，每一家的论点不一定对或者错，我就按照我的方式去讲了。
智适应教育系统和AlphaGo复杂度数量级相似
这里讲的主要是我们现在做的一家公司叫乂学教育（智适应教育为乂学教育旗下教育品牌），乂学教育去年7月份拿了一个号称创业史上最大的一个种子轮融资。公司尚未成立，只有两个人的时候，我们就拿到了三千多万人民币的融资，好未来领投，俞敏洪也是我们的股东，青松基金和正和磁系，也都是我们的投资者。我们做的事情跟AlphaGo有些相似，它是通过模拟人的大脑，跟人一对一的下棋，我们就是用系统模拟一个中国最顶级的特级教师，然后对K12的学生进行一对一的辅导，对比过去传统教育形式是有一个颠覆。人工智能在很多领域里面还不成熟，但是在教育领域里面，我们现在也还没有达到最高的级别，但是可以适当的代替，用系统代替真人的老师，达到一个可能比真人的老师教学还要优的效果。
我们是如何做的呢？我们的做法和AlphaGo有很多相似之处，一年前，2015年初，整个人工智能行业学界都认为，机器智能如果想在围棋上战胜人类大概需要30年的时间，这是一年前的时候大家的判断，但是一年后，AlphaGo就已经赢了李世石，这个是如何做到的，不是说这个过程中技术有一个巨大的进步，只是他们做了一些，我称之为投机取巧的方法，但是这个方法确实非常实用，我们在教育方面也是利用了其中一些比较类似的方法。
为什么我们说围棋比较难以攻克，其实国际象棋在20年前，深蓝就已经做到了，而围棋是因为它的possibility的数量级太大了，每一个落子都有三种可能性，黑子、白子、落子，这三种可能性如果是361次方的话，就有1.7×10^172种可能性，这种数量级的可能性通过现代计算机的速度也难以完成。
其实在教育中我们也发现是这样一个情况，在初中英语中，有大概600多个知识点，这些知识点学生都有会和不会的这两种情况的分布，因为你得知道学生知识的状态，才能够去来测算出到底采用什么样的学习策略，和推什么样的教育资源给到这个学生，一对一来进行教学。这个2的600次方的可能性是围棋棋盘可能性一亿倍以上，或者说是一个类似于等量级的状态。在这种状态下，如果我们要采用暴力穷举的话，所需要的时间和精力几乎是不可能达成的，这也是人工智能在某种情况下比较难去做到的原因。但是，我们比较幸运的是初高中的知识点，第一相对来说是有限的，另外我们也采用了一些类似的策略，来去解决这个问题。我们最新的产品这个月刚上线，我们可以达到普通的老师的教学效率大概3-4倍的水平。
智适应教育和AlphaGo如何剪枝去复杂度？
这个图代表了AlphaGo自我学习的速度的效率，后面我也会讲到，就是虽然我们现在还没有真正的实践性的大规模的去测试，但是我们的机器学习和演绎的速度已经开始去纠正一些特级教师的认知和判断和我们原来对教育的学习过程的一些设定，也就是说，先期已经放了一些规则在里面，特级教师智慧的规则等，但是现在我们的机器已经开始通过自我学习，改变甚至是颠覆和超越我们现在一部分人的智慧和判断。
Google只公布了三幅图，这三幅图里面，有一个特点，在每一步走下去的时候，AlphaGo都会判断一个胜率，能够战胜的胜率，这一点我们智适应教育的智能自适应系统也有一个特点，学生在我们这里大概能够学到一个月左右的时间，我们就能判断三四个月后的期末考试能考多少分，基本上我们的判断80%是准确的，现在我们只有几千个学生的使用，如果是十万级以上的学生使用的话，我们可以达到92%以上的精确度。
智适应教育如何精准定位知识分布？
我们智适应教育是怎么样利用知识图谱，利用算法，利用类似接近人工智能这样一些方式来去让机器模拟学习呢?
其实我们用的最初级的方法就是先和AlphaGo一样，把特级教师的智慧，先形成很清晰的规则，设置在我们的体系里面，然后再通过一些大量的数据和学生使用，来去反复校正数据，在这个过程中，第一个事情是知识分布，我们先是用知识图谱，我们拆的知识图谱相对来说比较细，现在市场上的一些知识图谱，这道题测出来这个小孩子冠词不会，就要这个冠词就行了。而我们把冠词拆成了定冠词和不定冠词和不用冠词，也就是说我们这个机器测出来，你只是不定冠词不会，你只要学习其中的1/3就行了，那现在我们已经把定冠词拆到了13种用法，不定冠词拆到了11种用法，不用冠词6种用法，这30多种用法里面，很多这个学生只是一个知识点不会，只要进行一个知识点的学习就行了，这样的话，大幅度的提高学习效率，但是我们知道，知识点拆得越细，possibility就越多，你怎么样用最短的时间来测出possibility，这个事情就变得很重要，过去（AlphaGo）用一个非常简单的方法解决这个问题。
当然，我们其实用了更智能的一些方式，让我们的一些特级教师，来去用他的规则进一步减少运算量，比如说数学的知识点的知识空间分布是比较有逻辑性的，会了一个知识点，肯定其中，在它之前的determinknowledge大概有20个知识点都不用测了，但是英语之间关联度是并不高的，但是我们还是设置了一些关联度。我们建立了大量的知识相关性，然后通过这种相关性来去减少运算量，提升最后对你学生的知识分布的判断精准度。这个事情，其实最后所产生的一个效果非常好，后来我们这个计算运行的时候发现一些问题，比如懂了corebear的孩子可能绝大部分还是不懂giraffe,就是说它们之间关联性可能不是30%，可能是12%，当然我们还是进行机器后期自我学习的调整，最终要通过大数据来去解决中间所有的标签和关联性。在这个过程中，我们最重要是对学生的学习的推送。
智适应教育个性化匹配和课程推送
现在，在不是那么强大的智能的情况下，我们通过对你知识分布检测，我们至少可以做到一个可能五倍十倍，相对传统学习的提高，比如在昂立，新东方，还有好未来，基本上我们的一个setcourse就是初二数学或者初三物理，中国补习市场是最大的嘛，但其实，因为我们是补习学校，不是中小学，这个学生想要一百个知识点全部都学完，对于这个学生来说，尤其学霸级的学生来说很困难。像我自己那个时候，初二就把高中所有知识全部学完了，但是我考试也总是90多分，从来没得过一百分，这说明，这一百个知识点，有90个我掌握得非常精准，但总有8-10个知识点我掌握得不精准，但是我自己也不知道是哪几个，因为每次卷子测出来的知识点是不一样的，如果能有一个把知识点拆得特别细的系统，同时用最短的时间测出来我到底是可能哪四个知识点不会，其实我只要学习这四个知识点就行了，也就是说，我过去在初高中非常痛苦，做一万道题的题海，（在中国不做题海，高考仍然难以取胜，不管你有多聪明，你的能力有多强，素质教育有多好，最后还是不行的，如果你要在中国存活，还是要做题海），但是通过这个系统，90%的题海都不用做了，因为你已经确定会的知识，反复在做意义不大，除非你不熟练，你只需要花10%的时间，就可以取得一个非常好的学习效果。
很多人也说，有一些学霸是这样的，学渣怎么办，对于学渣来说，我们推的是与众不同的模式，对于一个50分的孩子来说，他已经连续几年考得不及格，让他把一百个知识点全部都学其实没有价值，他已经会的，甚至掌握非常熟练的三四十个，再怎么学也是会的，1+1=2，你学一万遍还是等于2，不会等于别的东西，它不是一个发散性的题目。另外，80分、90分和100分的知识点，说实在，对这个对孩子来说，暂时还没有用，这个学期任务就是把两年没及格的事儿先考及格了，当然我不知道其他的学校有没有这个能力，让50分的孩子一下子跳到70分，在我们看来先考及格了，下学期再往70分，再下个学期再往80分走，这才是比较靠谱，也就是说我们需要给这个孩子定制。
现在很多哈佛大学老师的课都能让所有人都听到了，是一件非常幸福的事情，对于学霸来说，听得进去，但是对大部分的人来说，完成率非常低。对于中小学的教学里面，我们昂立的当时的行业的续班率在56%的平均值的情况下，我们当时做到92%的续班率，这个是完全通过自主研发和教学法的改进，这个谈的是续班率，如果完成率只有5%的话，你的续班率可能只有3%，甚至2%，甚至更低了，所以这个对教育来说是一个非常大的困难点。
在智适应教育智能自适应系统里面，根据特级教师的模式，我们会让每一个孩子在我们这里面所有的考试都是90分，如果这个孩子是50分的孩子，我们会给他跟他相匹配的知识点做到了90分会非常高兴，然后他继续下一个知识点的学习，小孩到底爱学，和爱学习，最重要的东西就是你是否擅长。其实孩子不是厌学，是因为怎么学，也没有办法提升成绩，是老师的问题，如果你给到他一个，他觉得最开心的状态，他在这种迷幻的状态下，会跟着你一直学下去，因为你总给他到正好刚刚能掌握，最适合他的知识点，这就是我们做的事情。我们先分享到这里。谢谢大家！
