人工智能教育的含义界定与原理挖掘
以下文章来源于《中国电化教育》杂志社
人工智能教育的含义界定与原理挖掘∗
彭绍东1， 2
（1.湖南师范大学认知与人类行为湖南省重点实验室，湖南长沙410081；
2.湖南师范大学 基础教育大数据研究与应用重点实验室，湖南长沙410081)）
【摘要】人工智能教育包括利用人工智能赋能的教育和以人工智能为学习内容的教育。前者又称为智能化教育。智能化教育是指基于智能感知、教学算法与数据决策等技术，利用智能工具对学习者、教师、教学内容、教学媒体及教育环境进行自动分析，实施精准干预，支持个性化学习与规模化教学，形成教育的智能生态，培养学习者智能素养和实现教育高绩效的理论与实践。人工智能教育原理是指人工智能教育中具有普遍意义的内在的基本规律。基于理论推演与实践探讨，挖掘出人工智能教育的17条原理。其中，教育层面的原理有8条，教学层面的原理有5条，要素运行层面的原理有4条。该文界定了人工智能教育的含义，分析了原理纲要，对于促进人工智能教育事业发展和建立人工智能教育原理学科知识体系具有积极作用。
【关键词】人工智能教育；人工智能教育原理；智慧教育；定义；挖掘；赋能
为了迎接智能时代的到来，各地在大力推行人工智能(AI)教育(简称智能教育)和致力实现教育智能化。但亟待解答两个关键问题：什么是人工智能教育？人工智能教育有何基本规律？本文拟对此进行探讨，以期抛砖引玉。
一、人工智能教育的含义界定
（一）人工智能教育的定义
1.相关定义
随着智能技术的更新和教育的发展，人工智能教育的基础、目标、方式在不断变化。不同时代的学者从不同视角、不同层次探讨人工智能教育的内涵，并加以界定，从而出现了林林总总的多种定义。
其中，近年来出现的有一定参考价值的定义有：“人工智能教育就是通过将人工智能应用于教育领域，以提升教育的质量，最后可以实现大规模的独特化教育内容及精确性的服务，帮助教师完成一系列机械的工作，提升教学效率”[1]。“智能教育是基于人工智能、大数据等智能技术，以学习者为中心，构建情境感知、泛在互联、数据融通、业务协同的智能教育环境，打造智能型教师队伍，实现差异化教学、个性化学习、精细化管理和适切性服务，以推动人才培养模式及教学方法变革，促进学习者核心素养提升和创新型人才培养的新型教育模式”[2]。“智能教育是依据大数据，利用人工智能技术，精准计算学生的知识基础、学科倾向、思维类型、情感偏好和能力潜质，按照认知规律和教育规律，科学实施因材施教，实现个性化培养和人才素质的全面提升”[3]。
这三个定义在不同程度上揭示了人工智能教育的一些特征，但第一、第三个定义没有表达出概念的“类属”；第二个定义认为人工智能教育是一种“新型教育模式”，其内涵边界过窄。
2.人工智能教育的新界定
2004年，笔者曾将人工智能教育界定为“是指学习、利用人工智能，改善师生活动方式，优化教育效果的理论与实践”[4]。该定义虽然简练，但限于当时的条件，对如何利用人工智能改善师生活动方式和优化教育效果，没有进一步揭示。2020年，经过长期实践与综合分析，笔者提炼出如下新界定：人工智能教育包括利用人工智能赋能的教育和以人工智能为学习内容的教育。前者又称为智能化教育。智能化教育是指基于智能感知、教学算法与数据决策等技术，利用智能工具对学习者、教师、教学内容、教学媒体及教育环境进行自动分析，实施精准干预，支持个性化学习与规模化教学，形成教育的智能生态，培养学习者智能素养和实现教育高绩效的理论与实践。后者属于智能科技教育，包括人工智能知识教育、人工智能应用能力教育、人工智能情感教育。该定义可用图1简要表示。
（二）人工智能教育的新界定阐释
1.人工智能教育有两大组成部分：智能化教育和以人工智能为学习内容的教育。其中，智能化教育强调人工智能与教育的融合，强调利用人工智能赋能教育变革，需要进行智能化教育环境与生态建设、模式探讨、制度建设，不断提高教学绩效。以人工智能为学习内容的教育属于面向智能社会公民的智能素养教育，包括不同层次的人工智能科学、人工智能技术、人工智能应用方法等方面的知识、能力与情感教育。在普通学校通常以人工智能必修课的形式开设，在其他培训中可用专题教学形式。
2.智能感知、教学算法、数据决策是智能化教育的三大关键技术。其中，智能感知旨在利用智能教学系统了解教学环境的物理状态信息、学习者的生理与心理状态信息、教学媒体的特征信息、教师的教学状态信息，以便积累教育大数据。教学算法包括面向学习过程优化的认知计算、面向教学过程优化的教学行为计算、面向教学环境优化的环境支持计算的多种算法。数据决策是指利用智能系统根据教学目标、教学规律和教学状态中的数据自动决策，以规划出后续行动方案。这三大关键技术背后所依赖的是物联网技术、大数据技术、高性能计算技术、高速通信技术以及相应软硬件的支持。
3.智能化教育的实施，需要运用四大基本策略：利用智能工具进行自动分析，实施精准干预，支持个性化学习与规模化教学，形成教育的智能生态。其中，利用智能工具对学习者、教师、教学内容、教学媒体、教学环境等要素的特征与变化趋势进行自动分析是基础。对各要素偏离预定发展轨迹的状况予以及时干预，对干预的时机、次数、强度、方式要精心设计。强调支持规模化教学中的个性化学习，这得益于智能技术的支持——对大规模群体同时运行多种个性化教学方案。教育的智能生态是人工智能教育良性运行和持续推进的前提，其中强调协作、平衡、发展等理念。
4.智能化教育的最终目标是培养学习者的智能素养和实现教育的高绩效。学习者智能素养的培养，既是智能社会对学习者生存的素养要求，也是开展智能化学习所必须具备的学习素养要求。AI知识教育、AI应用能力教育、AI情意(含情感、意识、伦理等)[5]教育有利于培养智能素养。智能素养具有相对稳定性和发展变化性、自然生物性与社会文化性等特性。其中，计算思维是智能素养的核心要素。教育的高绩效包括效率、效果、效益三个方面。
5.智能化教育的本质是利用人工智能赋能教育。即利用人工智能具有的大数据分析、自学习、自动决策等能力使教育的各方面发生积极改变，使教育具有更强大的功能。从媒体的本质是人体的延伸、组织的授权增能，到利用人工智能促进教育变革与提高绩效，强调的都是“赋能”作用。
6.智能化教育有理论与实践两大领域。其理论领域指智能化教育是现代教育的一个新分支，包括概念体系、理论框架、原理、命题、方法论等研究内容。其实践领域指智能化教育是一种新的教育活动、一种工作实践、一项教育现代化事业，具体包括智能教育的软硬件建设、课程教材开发、师资培训，以及各种教育智能技术的综合运用等。
二、人工智能教育原理的挖掘途径与体系框架
(一)人工智能教育原理的概念界定与特征分析
1.人工智能教育原理：从本质层面看是人工智能教育中具有普遍意义的内在的基本规律；从学科层面看是以人工智能教育的本质、范畴、演变、研究范式、内在算法、实践模式等为研究对象，从理论高度阐明人工智能教育的基本规律而形成的知识体系(含事理和学理)；是教育技术学科和人工智能学科的新分支。
2.人工智能教育原理的特征：(1)基础性。表达的是人工智能教育中具有普遍意义的、可用作其它规律基础的规律，但区别于教育的或人工智能的一般规律。(2)兼具事理与学理。一方面表达了对人工智能教育实践活动的理性说明(事理)，以帮助人们理解和操作。另一方面，通过对事理的理性分析，从整体价值上和逻辑严谨上阐明人工智能教育学科的道理(学理)。因此，包括人工智能教育实践原理和人工智能教育学科原理。(3)多种类。按适用范围分，有全局性原理与局域性原理；按结构表现分，有内在结构原理与外在关系原理；按抽象程度分，有抽象的理论原理和具体的操作原理。(4)源于实践归纳与理论推演。人工智能教育原理的来源主要有两个：一是对大量的教学实践进行分析归纳、抽象概括，发现其隐含的普遍规律；二是利用逻辑推演并借鉴相关理论建构出原理体系。(5)对实践具有指导价值，其正确性最终被实践所检。原理不是空洞的言语文字，应对人工智能教育的设计、实施、测评与治理等的有效开展具有指导作用。所有原理，无论是理论原理还是实践原理，其正确性最终必须通过实践检验。(6)采用命题形式加以表述。人工智能教育原理是对人工智能教育活动有解释、指导作用的道理，是规律性的认识。它通常是用命题表达某种运行机制的判断，而不仅限于对概念的解释。
(二)人工智能教育原理的挖掘途径
1.理论推演。与人工智能教育原理相关的学科理论主要有：教育原理、教育学、教学论、心理学、教育技术学、信息技术教育学、人工智能理论、哲学、系统科学、逻辑学等。利用人工智能教育理论及相关学科理论中的关键概念及已有原理，可以进行有限推演，推导出有参考价值的原理，然后进行实践验证。
2.实践归纳。在人工智能科技教学和智能化教学中，在未来学校、智慧教育示范区的建设中，人们会遇到并解决许多实际问题。通过对实践的分析归纳，可挖掘出隐含的人工智能教育原理或原则。
(三)人工智能教育原理的检验策略
本文采用的是如图2所示的“4向2维”原理检验策略。其中的“4向”是指从四个方向分别对原理的科学性、实用性、创新性、可推广性进行检验；“2维”指的是学理与事理检验属内在主检维度，专业刊物发文评审与广大教师推广评议属外在辅检维度。通过“4向2维”检验，确保原理价值。
(四)人工智能教育原理的体系框架
人工智能教育原理是关于人工智能教育基本规律的理性表达。在人工智能教育原理新学科研究中，可综合采用教育技术研究方法体系中的多种方法[6]。通过运用上述理论推演与实践归纳挖掘途径、“4向2维”检验策略及有关研究方法，笔者构建了图3所示的人工智能教育原理体系框架。
上页图3中显示，通过挖掘，已提炼出17条原理。其中，从教育层面探讨的宏观层次类有8条：赋能原理、人本原理、与社会互促原理、两大组成部分原理、双重目标原理、四大“基本策略”原理、三大“关键技术”原理、与智慧教育相互支持原理。从教学层面探讨的中观层次类有5条：计算思维是智能素养的核心要素原理、智能化教学设计的分层分类原理、智能化教学实施的“一融三境”原理、个性化学习与规模化教学相结合原理、基于实时测评的动态调控原理。从要素运行层面探讨的微观层次类有4条：基于协同开放理念的人工智能教育生态系统建设原理、用教学算法恰当表达教学策略原理、以学习绩效最优化为基准的精准干预原理、数据决策与人的决策相结合原理。
限于篇幅，下文仅对这三个层面原理的基本内容、参考依据、作用价值、应用注意事项做一简要分析。
三、教育层面类人工智能教育原理分析
(一)赋能原理
1.原理内容。利用人工智能对教育赋权增能是人工智能教育的本质。通过人工智能的广泛应用，使教育的工具、媒体、资源、环境等智能化，进而促进教育的方法、模式、测评、治理等智能化，实现智能化教育。
2.参考依据。麦克卢汉(Mcluhan)在《媒体通讯，人体的延伸》一书中揭示了传播媒体的本质是人体的延伸[7]。人工智能同样延伸了教育参与者的机能。技术化教育观认为，高新技术的恰当使用能带来教育的变革，如扩大教育规模，提高教学效率，提高教育质量，促进教育改革[8]。人工智能赋能教育，使学习环境生态化、由人际协同作用扩展到人机协同作用、使学习的个性化与教学的规模化统一、使教学评估“全息化”[9]。
3.作用价值。阐明了人工智能教育的本质，指明了人工智能在教育中应用的目标与方向，有助于推进教育的智能化变革，有助于从人类教育发展与革命的历史长河中把握教育智能化的总趋势。
4.注意事项。(1)要恰当把握人工智能赋能教育的时机、方式、深度，坚持人的主体性，不能因人工智能之“赋”而使人变“傻”或变“废”。(2)充分挖掘人工智能的功能，不断提高“赋能”的质量。
(二)人本原理
1.原理内容。在处理人工智能与人的智能、智能机器与人的关系中，强调以人(包括学生、教师和学习支持者)为本，尊重人的本性、尊严及成长规律，以人的积极性和潜能的发挥为工作重点，以学生的智能素养培养为主要目标。
2.参考依据。教育是有目的、有计划地培养人的活动，人工智能教育遵循这一主旨。在信息技术教育人本论[10]中，论述了其人本主义、建构主义、人性论、潜能发展说、素质教育等方面的理论支持。人工智能教育是信息技术教育的新发展。这些人本理论的支持同样适用于人工智能教育人本原理。
3.作用价值。奠定了人工智能教育的伦理基础，有助于指导“AI老师”“智能学伴”“教育智能系统”的设计、开发与应用。有助于建立科学的人工智能教育伦理体系，形成健康的人工智能教育生态。有助于处理与教师助理及学习助理关系，建立人机协同机制。
4.注意事项。既要尊重人的主体性，也要看到AI的巨大发展潜力。强调人机共生，但在人机冲突中强调以人为本。
(三)与社会互促原理
1.原理内容。AI教育与AI社会、AI经济、AI科技、AI文化密切相关，AI社会、AI经济、AI科技、AI文化的发展为AI教育的发展提供驱动力，AI教育的实施能促进AI社会、AI经济、AI科技、AI文化的发展。
2.参考依据。这是由教育的社会属性、经济功能、科技作用与文化价值所决定的。同时，AI社会需要AI教育培养大量具有智能素养的人，AI经济的发展需要AI教育提高生产力，AI科技的进步需要AI教育促进研发，AI文化的传承更需要AI教育承载。因此，国家层面往往高度重视加强AI教育这一关键举措。
3.作用价值。阐明了AI教育的社会功能和外在影响因素，对加强AI教育的设计、实施、管理具有重要作用。适用于处理AI教育与AI社会、AI科技、AI文化的关系，有助于分析AI教育的发展原因和建立AI教育生态。
4.注意事项。(1)在AI教育的发展谋划中，既要依据当前的客观条件，也要着眼未来和发挥人的主观能动作用；(2)AI文化是智能社会文化的组成部分，也是AI教育的重要内容。要重视包括学校AI教材与社会AI信息资源在内的文化建设；(3)加强AI教育体制与AI政治制度建设，促进协同发展。
(四)两大组成部分原理
1.原理内容。AI教育包括智能化教育和以AI为学习内容的教育(简称AI科技教育)两大组成部分。二者都需要掌握一些AI知识和培养AI应用能力，但侧重点不同。
2.参考依据。智能时代，AI科技教育是面向所有公民的基本素养教育，旨在掌握智能化生存所需的基本AI知识和AI应用能力。同时，所有在智能化环境中进行的教育活动都应尽可能实施智能化教学，以提高教学绩效。
3.作用价值。阐明AI教育有两大组成部分，同时避免了二者的割裂，对于AI教育的开展与未来走向具有指导作用。适用于所有教育组织开展的人工智能教育。
4.注意事项。(1)AI内容教育强调循序渐进、螺旋推进、与时俱进，其实施要注重理论与实践结合和尽量采用智能化教学模式。(2)智能化教学中要适度传播AI知识和培养学习者的智能素养。
(五)双重目标原理
1.原理内容。AI教育有培养学习者智能素养和实现教育高绩效双重目标。其中，智能素养的培养是从智能社会的大需求和学习者终身受用的长远视角来看的，需要多种层次多个专题的AI课程体系来承载。智能教育的高绩效是智能时代高技术投入对高质量教育的要求，强调教育的高效果、高效率和高效益。
2.参考依据。《中国学生发展核心素养》[11]以培养“全面发展的人”为核心，由自主发展(含学会学习、健康生活)、社会参与(含责任担当、实践创新)、文化基础(含人文底蕴、科学精神)三个维度的六项核心素养指标组成。据《普通高中信息技术课程标准(2017版)》，“高中信息技术学科核心素养由信息意识、计算思维、数字化学习与创新、社会责任四个核心要素组成”。国务院颁发的《新一代人工智能发展规划》[12]的“指导思想”强调“以提升新一代人工智能科技创新能力为主攻方向”。
3.作用价值。对人工智能教育具有定向、激励、评价等作用，可避免单一的AI文化教育观和片面的AI“整合”观。
4.注意事项。(1)不同学科、不同层次的人工智能教育，其教育目标要区别对待。AI文化教育强调智能素养的培养，智能化教育强调教育的高绩效。(2)要处理好总目标与分目标、阶段目标与长远目标、低级目标与高级目标的关系。(3)AI文化教育中，要注重“问题求解”“机器学习”“决策规划”“推理机制”等基本算法的学习和计算思维能力的培养。在智能化教育中，要注重设计型学习、深度学习、项目化学习等学习策略的应用，要注重发挥AI在全纳教育(InclusiveEducation)[13][14]中的作用。
(六)四大“基本策略”原理
1.原理内容。智能化教育的开展，需运用四大“基本策略”：(1)利用智能工具对学习者、教师、教学内容、教学媒体、教育环境进行自动分析；(2)实施精准干预；(3)支持个性化学习与规模化教学；(4)形成教育的智能生态。
2.参考依据。(1)动态教学和大规模个性化学习的设计、实施、测评与治理，必须依靠AI技术进行自动分析及精准干预。(2)AI支持下的个性化学习与规模化教学的结合，有助于破解群体教学的“一刀切”与个性化发展的冲突。(3)人工智能与人的智能的共用，AI企业、教育机构与师生的协同，众多个性化学习者的相融与发展，都有必要建立教育的智能生态。
3.作用价值。上述策略(1)有助于对人工智能教育系统的数据进行挖掘，提取状态特征，研判发展趋势，以利因材施教。策略(2)可确保人工智能教育系统按预定最佳方案运行。策略(3)有助于利用AI充分发挥个性化学习与规模化教学的优势，弥补其不足。策略(4)有助于使人工智能教育系统结构-功能优化。
4.注意事项。策略(1)、策略(4)是策略(2)和策略(3)的基础，策略(2)又是策略(3)的基础。四大策略可以选择与组合运用。
(七)三大“关键技术”原理
1.原理内容。智能感知、教学算法、数据决策是智能化教育的三大“关键技术”。可用于解决教学系统与环境信息的采集与理解、教与学策略的生成、系统自动决策与自主运行中的关键问题。
2.参考依据。从智能教学系统的运行看，以上三大“关键技术”有助于解决信息采集(输入)、加工(处理)、输出(行动)中的三个关键问题。从智能化教育实施所依赖的技术支持看，智能感知是前提，教学算法运用是根本，数据决策是保证。
3.作用价值。(1)在“智能感知”中，利用多种信息采集器，可以感知环境状态，了解教学系统要素特征和教学过程动态。(2)利用“教学算法”，可以对学与教的过程、策略、效果等进行计算分析，以利调控。(3)利用“数据决策”，可以使智能教学系统及时对规模化学习群体的每个个体提供个性化的学习方案、针对性的学习指导及干预。
4.注意事项。(1)这里的“关键技术”是从宏观应用层面看的，包括许多具体技术。(2)每种技术可以有多种备选方案，并可不断改进。如“教学算法”中的自适应学习算法包括测量类与机器学习类，前者有基于项目反应理论的算法、基于认知诊断理论的算法、基于知识空间理论的算法等等。后者有贝叶斯知识跟踪算法、深度知识跟踪算法、概率图模型算法、协同过滤算法、遗传算法等多种[15]。(3)“智能感知”不限于对环境信息的感知，也包括对学习材料语义的感知、学习者状态的感知、以及对教与学系统其他要素的感知。(4)教学算法的表达形式有概念(流程)模型、数学公式、程序代码等。(5)要注意将数据决策与人的决策有机结合。(6)随着这些技术的逐渐成熟，其将被用到智能教学系统的模块中并“透明”化。
(八)与智慧教育相互支持原理
1.原理内容。智慧教育是指利用智能技术赋能，融合数据智慧、教学智慧与文化智慧，实现教育的精准、个性化、创造与优化，培养学习者智慧素养的教育形态与教学方式①。人工智能教育与智慧教育含义不同，但二者相互支持。一方面，人工智能教育的发展，必然加强AI的教育应用，推进智能技术对教育的“赋能”。这有助于促进“三智”(数据智慧、教学智慧、文化智慧)的融合，有助于实现教育的“精准、个性化、创造与优化”，有助于培养学习者的“智慧素养”，进而促进智慧教育的实现。另一方面，智能时代开展智慧教育，必然引领和推进“利用人工智能赋能”的智能化教育。人工智能教育与智慧教育的比较，如表1所示。
2.参考依据。基于笔者对人工智能教育、智慧教育的含义界定与实践探讨，参考国内外关于人工智能教育、智慧教育的相关研究[16-18]。
3.作用价值。(1)有助于理解人工智能教育与智慧教育的异同，明确工作重点，推进人工智能教育、智慧教育。(2)人工智能教育是智慧教育的实现途径，人工智能教育需要智慧教育引领。
4.注意事项。(1)理清人工智能教育与智慧教育的异同，有利于集中力量，突出重点。应优先推进教育智能化，实现智能化教育。(2)开智启慧的教育自古就有，利用AI赋能的智慧教育，能融合数据智慧、教学智慧、文化智慧，使智慧教育迈上新高度。
四、教学层面类人工智能教育原理分析
(一)计算思维是智能素养的核心要素原理
1.原理内容。人工智能素养是指人所具有的认识、利用、创造、管理人工智能以适应智能社会发展需要的知识、能力、情意等各方面基本品质的总和，简称智能素养。智能素养是智能时代人才所必须具备的核心素养(必备品格和关键能力)，包括人工智能知识、人工智能能力、人工智能情意三大组成部分。计算思维是指人运用计算机科学领域的思想方法，在形成问题解决方案的过程中产生的一系列思维活动与能力表现。具备计算思维的人，能够采用计算机可以处理的方式界定问题、抽取特征、建立模型、组织数据、选用算法、形成问题解决方案，并将总结的问题解决过程与方法进行迁移推广。计算思维是人工智能能力的重要组成部分，是智能素养的核心要素。
2.参考依据。(1)依据上述“核心素养框架”和教育部制定的《普通高中信息技术课程标准(2017年版)》中关于计算思维的界定，借鉴《基于核心素养的学生智能素养构建及其培育》[19]，《从信息素养到智能素养：中小学信息技术课程培养目标转向》[20]中的有关探讨。拓展了笔者2001年关于信息素质的探讨[21]。(2)计算思维是认识、利用、创造、管理人工智能的能力基础，对智能素养的形成有直接支持作用。
3.作用价值。(1)有助于把计算思维培养作为人工智能教育的重要目标。(2)有助于把握“信息素养”向“智能素养”演化中的“变”与“不变”。
4.注意事项。(1)计算思维是一种人机结合的工程化思维，具有形式化、模型化、自动化、系统化等特征[22]。智能素养中的计算思维是强调支持“智能计算”的思维，包括形式化表达要便于智能处理，采用智能处理数学模型，建构智能化的问题解决方案，开发问题求解的智能化系统等。(2)人工智能教育中，要注意对AI知识、AI能力、AI情意、AI伦理等各方面智能素养的综合培养。
(二)智能化教学设计的分层分类原理
1.原理内容。智能化教学设计要根据人工智能水平分层和学习者、教学模式等的分类进行。其中，AI水平通常分为弱AI与强AI两个层级；弱AI只能在特定领域自动推理与问题求解，如图像识别、语音识别等；强AI像人那样进行学习、推理与执行“通用任务”(GeneralizedMission)。目前的AI总体处于弱AI水平。学习者的知识基础、学习能力等在很大程度上是智能化教学设计时首先要分析的因素。不同类型的智能化教学模式，往往需要不同类型的教学设计。
2.参考依据。(1)弱AI层级的智能化教学设计是信息化教学设计的拓展，强AI层级的智能化教学设计中强调人机协同设计。(2)不同教学模式下AI的应用方式与作用不同。(3)教学设计包括宏观层面的教学系统设计、中观层面的教学过程设计、微观层面的教学产品设计。
3.作用价值。(1)有助于立足现状、瞄准未来，促进弱智能教学设计向强智能教学设计的演变。(2)无论何种智能化教学设计，都强调自适应机制的设计，注重个性化学习设计、动态教学设计与精准干预设计。
4.注意事项。(1)要充分领会智能化教育的内涵。在智能化教学设计中，要注重利用智能工具对学习者、教师、教学内容、教学媒体及教育环境进行自动分析，实施精准干预，支持个性学习与规模化教学，形成教育的智能生态。(2)要根据实践总结与理论分析，不断探讨新的智能化教学设计模式。(3)要区分不同层级的智能化教学设计。(4)智能化教学设计的根本任务是为了使学习绩效最优化而对教学要素和活动安排进行系统计划。
(三)智能化教学实施的“一融三境”原理
1.原理内容。智能化教学的实施从深度和广度看有三层境界：一是营造智能教学环境，并使教学系统的要素与结构智能化；二是提炼与应用智能化教学模式；三是使智能化教学制度化、普及化。低层境界是高层境界的基础，“AI与教学的融合”是“三层境界”的共同内核。如图4所示。
2.参考依据。基于国内外技术化教育的大量实践与探索[23]，借鉴《智慧教育的三重境界：从环境、模式到体制》[24]中的相近观点，参考《教育信息化2.0行动计划》中的有关思想。
3.作用价值。(1)强调AI与教学的融合有不同的层次表现。(2)在第一层境界中，智能化教学环境是指智能教学系统边界之外的所有因素及其关系之和，包括物理环境、心理环境等。智能化教学系统的要素包括教师+教学助理、学生+学习助理、教学内容、教学媒体，要素间的结构关系不是简单的线性关系，可以是动态的算法关系。(3)在第二层境界中，智能化教学模式是指为完成教学任务而采用的、相对稳定的，用以设计、组织、实施、评估、优化智能化教学的策略、方法与结构的简化形式。智能化教学模式的提炼，有理论推演和实践归纳两个来源，智能化教学模式的应用有指导实践和建立理论两个目的，从而形成如图5所示的智能化教学模式方法论模型。智能化教学模式可以从学科、目的、组织形式、学习场所、AI与人的关系、价值观、认识论等视角加以分类。(4)第三层境界强调把AI在教学中的应用纳入到教学组织与管理机构的运作机制中，使智能化教学能长期、持续进行；强调通过研讨、示范、激励，使模式与经验得到推广应用。
4.注意事项。(1)“融合”是AI在教学中有效应用的基础。同时，AI与教学的深度融合将引起教学结构与体制的变革。(2)在智能化教学系统与环境的创设中，要注重生态优化与遵循伦理。(3)智能化教学模式，按组织形式分有智能化课堂教学模式、智能化远程教学模式、智能化自主学习模式；按学习场所分，有学校智能化教学模式、家庭智能化教学模式、社会智能化教学模式。各种教学模式又包括一系列具体教学形式与方法。(4)形成智能化教学应用体制，不是一蹴而就的，需要师资培养、设施建设、教学研讨、经费投入等配套支持。
(四)个性化学习与规模化教学相结合的原理
1.原理内容。在智能化教学中可利用AI大规模培养个性化创造性人才以取得最优教学绩效。其中，个性是个人带有倾向性的、本质的、比较稳定的心理特征的总和[25]。个性的结构包括个性倾向(如需要、动机、兴趣、信念)和个性心理特征(如能力、气质、性格等)两大组成部分。个性化学习是指以学生个性差异为基础，以促进学生个性发展为目标的学习范式[26]。规模化教学是指学习者数量达到一定规模的教学(如小组学习、班级教学、大规模网上教学等)。
2.参考依据。依据中共中央、国务院印发的《中国教育现代化2035》[27]中提出的“战略任务”：“利用现代技术加快推动人才培养模式的改革，实现规模化教育与个性化培养的有机结合”。王珠珠认为该战略任务也是中国教育信息化2035年的重要目标[28]。袁振国认为，“让教育从大规模的标准化教育发展到大规模的个性化教育成为人类的共同理想”，而“线上线下融合”有助于实现“大规模个性化的未来教育”[29]。一些学者已就如何利用AI促进个性化学习进行了探讨[30][31]。
3.作用价值。(1)有助于利用AI解决“面向全体”与“因材施教”的矛盾、“社会化教育”与“个性化培养”的矛盾、“班级批量化教学”与“个性化教学”的矛盾。(2)有助于利用AI推进全纳教育与全民教育，提高教育绩效，促进中国教育现代化“2035目标”的实现。
4.注意事项。(1)本原理的应用，有三种基本模式：面向班级课堂的大规模教学+面向每个学习者个性化智能助学；面向所有在线学习者的大规模开放教学+面向每个学习者的个性化智能助学；面向每个学习者的智能化自主学习。(2)在大规模个性化学习中，要建立学习者数字画像和学习档案，要利用知识图谱和信息资源库，要进行自动测评分析和适时调整学习策略。(3)原理中的“结合”点包括学习者、学习内容、学习目标、学习策略、学习环境、学习资源等。
(五)基于实时测评的动态调控原理
1.原理内容。在人工智能技术与工具的支持下，对教学系统的要素及其关系的状态进行实时测量、评价，以便按照系统优化要求进行动态调整、控制。其中，实时测评是前提，动态调控是手段，系统过程与绩效的优化是目的。
2.参考依据。依据智能化教学的特征与需要；依据教育系统论、教育控制论、教育管理学的有关原理。
3.作用价值。有助于指导智能化教学系统的设计与运行；有助于将智能化教学中的测评与调控恰当关联：实时→动态；有助于精准干预策略的实施。
4.注意事项。(1)注意测评、调控的多维度与实时性。其中环境感知测评通常采用传感器和智能芯片处理，其调控常采用数字化机械设备实施。其测评与调控通常是连续的，以确保教学环境的舒适、安全、稳定。而学习者的学习状态测评，通常要把握三个关键时段：学习开始前的诊断性测评、学习中的过程性测评、学习后的总结性测评，其对应的调控分别为形成学案、调整学习路径、学习水平总体评价。学习内容深度测评是通过语义分析、知识图谱追索、问卷调查等途径对学习内容和作品水平的难度、深度、质量等进行的测评，主要用于形成性评价、帮助提高教师(代理)的教学能力、帮助学习者进行高质量学习。(2)调控的方式多样，应尽量使干预精准。其中，对人的活动干预要容许有一个适度的区间，以免过频繁干预使学习者无所适从。
五、要素运行层面类人工智能教育原理分析
(一)基于协同、开放理念的人工智能教育生态系统建设原理
1.原理内容。人工智能教育生态建设中，要遵循协同、开放理念，致力形成教育的智能生态。其中，人工智能教育生态是指人工智能教育系统的形成、发展状态与特性。人工智能教育生态理论研究人工智能教育生态的特征与运行规律，重点探讨人工智能教育系统与环境的相互作用规律及机理。其中，“协同”理念强调，学校、教育管理部门、企业、家庭各方要积极协作，共同为智能教育事业发展献策献力；教师、学生、智能助理、支持服务人员要积极沟通，共同为学生的学习创设良好条件。“开放”理念强调，人工智能教育系统只有开放且偏离平衡态，才有可能使系统的结构、功能由低级向高级、由无序向有序发展。教育的“智能生态”强调，要以具有智能调控和自治优化能力的教育新生态为人工智能教育生态建设目标。
2.参考依据。依据教育生态学、人工智能教育的含义界定和大量相关研究[32-34]。
3.作用价值。能用于指导人工智能教育生态的设计、建设、评价及环境开发；有助于人工智能教育系统的结构功能优化与升级改造。
4.注意事项。(1)适当把握协同、开放的“度”。强调在各尽其责基础上的“协同”和坚持本体特征基础上的“开放”。(2)只是从生态建设角度强调了“协同、开放”。其实人工智能教育生态系统还应遵循生态学的十条共同原理：优胜劣汰原理；拓资适环(成功的发展必须拓展资源和适应环境)；相生相克原理；正负反馈原理；消变补稳原理(功能失调会引起系统改变，通过补偿机制可使系统稳定)；S型突破原理(呈S型发展)；循环再生原理；多样主导原理(多样多元结构可分散风险，以优势产品主导形成发展实力)；趋利避害原理；开放有序原理。
(二)用教学算法恰当表达智能教学策略原理
1.原理内容。在智能化教学系统设计中，要善于用教学算法表达各种智能教学策略，以便根据教学对象、教学环境、教学任务的特征，灵活选择教学活动的程序、方法、形式与调控对策，进而高效地实现智能教学目标。
2.参考依据。(1)梅瑞尔(Merrill.M.D.)在教学处理理论(InstructionalTransactionTheory，简称ITT)[35]中提出“教学处理”就是“教学算法”，即解决教学问题的步骤；认为不同类型的知识教学需要不同类型的“教学处理”；一种“教学处理”设计完成并形式化后，可重复用于同类知识的教学。(2)国内外一些学者在智能教学系统、个性化学习系统研究中对学习者特征提取算法[36]、基于多目标改进的教学优化算法[37]等领域进行了有益探讨。(3)智能化教学策略的实现，有赖于教学算法的支持。
3.作用价值。(1)有助于教学算法的系列化、模块化、标准化研究。(2)有助于指导教学系统的设计、开发与应用。(3)有助于在智能教学中综合处理教学活动的程序、方法、形式、调控等因素。
4.注意事项。(1)智能教学策略是指人类教师或智能教师针对教学对象、教学环境、教学任务的特征，在一定的教学思想指导下，综合考虑教与学活动的程序、方法、形式等因素，为高绩效的实现教学目标，而提出的智能教学方案与调控对策。包括教的策略与学的策略。因此，用教学算法来表达的工作量比较大，通常需要学科教师与智能技术开发人员协同进行。(2)在本原理的实际运用中，通常是先从某个教学活动因素的算法设计入手，再拓展到整个教学策略的算法表达。其较高形式是智能教师主持教学的算法系统表达。(3)为了降低对一般教师和学生的技术要求，在智能教学系统开发中应尽量将教学算法的设置透明化(只需简单选择便可调用，无需普通教师去编代码)。(4)应尽量提高教学算法的可读性、准确性、健壮性、有效性。
(三)以学习绩效最优化为基准的精准干预原理
1.原理内容。在智能化精准教学中应以学习绩效(包括效果、效率、效益)最优化为干预基准，对偏离优化目标的学习状态与学习行为实施个性化精准干预。
2.参考依据。依据奥格登·林斯利(OgdenLindsley)的精准教学理念[38]及其在信息化教学中的拓展应用[39][40]；依据巴班斯基的教学过程最优化理论[41]；依据智能化教育的含义界定。
3.作用价值。指导智能化教学的设计、组织与调控。有助于弥补奥格登·林斯利基于斯金纳行为主义学习理论所提出的精准教学理论的不足，使智能化精准教学理念能适用于认知主义学习、建构主义学习等各种类型的学习。如班级差异化教学、小组合作研创型学习、个人自主适应性学习、群体互动生成性学习[42]。
4.注意事项。(1)在基于行为主义的知识教学和特殊教育中，以学习的流畅度(Fluency)(指学习表现的“精准度”+“速度”)[43]指标作为干预依据是比较有效的，但对于建构性学习、创新性学习就不一定有效。建议以学习绩效的最优化为基准针对具体情况拟定具体干预指标。(2)注意人机协同干预和干预的时间、场景、数量、强度与学习者特征相符。(3)倡导正面引导性干预和预防性干预，避免乱干预和无效干预。
(四)数据决策与人的决策相结合原理
1.原理内容。在智能化教学的设计、实施、管理、研究中，要善于将基于数据和智能系统的自动决策与基于人的经验的自我决策结合，以提高决策效能。
2.参考依据。(1)源于数据决策和人的决策互补。数据决策是指通过数据分析和决策模型所进行的判断与提出策略或方案的过程。人的决策与数据决策的比较，如下页表2所示。从中可见，在决策者、决策依据、决策机制、决策变量、决策时机、决策作用等方面具有互补性。(2)参考已有研究。如管珏琪等人开展的“数据启发的教学决策研究”[44]，雷云鹤等人开展的“基于预学习数据分析的精准教学决策”探讨[45]，冯仰存的“数据驱动的教师教学决策研究综述”[46]、钟婉娟等人的大数据支持的教学决策改进[47]等。
3.作用价值。(1)避免教学决策的极端化、片面化，使教学决策全面、科学、有效。(2)指导智能化教学的精准设计、精准实施与精准干预。
4.注意事项。(1)在智能化教学的设计、实施、评价反思等阶段，数据决策与人的决策作用比重有所不同。数据决策因其实时性、个性化特点，在教学互动中往往发挥较大作用。而教师决策在教学设计、教学评价阶段因其概括性、总体性特点而发挥较大作用。
(2)注重数据决策与人的决策的相互交融，强调基于证据的决策和建立决策失误的纠错机制。
参考文献：
[1]吴永和,刘博文等.构筑“人工智能+教育”的生态系统[J].远程教育杂志,2017,(9):27-39.
[2]讯飞教育技术研究院.智能教育发展蓝皮书(简版)[DB/OL].https://www.sohu.com/a/335425234_559434,2019-08-02.
[3]冯华.人工智能助力教育均衡发展(专家视角)[N].人民日报,2020-11-16(19).
[4]彭绍东.信息技术教育学[M].长沙:湖南师范大学出版社,2002.399+402-417.
[5]彭绍东.信息技术教育：21世纪中国远程教育发展的战略重点[J].中国远程教育,2000,(11):7-10.
[6]彭绍东.现代化教育技术应用[M].北京：高等教育出版社,2013.12-14.
[7]何克抗.教育技术学(第2版)[M].北京：北京师范大学出版社,2008.81.
[8]李祺,李春鹏.教育新技术化与新技术化教育[J].电化教育研究,2007,(1):8-11+16.
[9]祝智庭,彭红超.技术赋能智慧教育之实践路径[J].中国教育学刊,2020,(10):1-8.
[10]彭绍东.信息技术教育人本论[J].电化教育研究,2003,(8):12-16.
[11]核心素养研究课题组.中国学生发展核心素养[J].中国教育学刊,2016,(10):1-3.
[12]中国政府网.国务院印发《新一代人工智能发展规划》[EB/OL].http://www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm,2017-07-20.
[13]MohammedP.S.,‘Nell’WatsonE.TowardsInclusiveEducationinthe AgeofArtificialIntelligence:Perspectives,Challenges,andOpportunities.In:KnoxJ.,WangY.,GallagherM.(eds).ArtificialIntelligenceandInclusiveEducation[M].Singapore:Springer,2019.17-37.
[14]周满生.全纳教育:概念及主要议题.教育研究[J].教育研究,2008,(7):16-20.
[15]汪存友,赵燕飞等.自适应学习算法的应用研究进展[J].开放学习研究,2020,(4):40-46.
[16]祝智庭,魏非.教育信息化2.0：智能教育启程，智慧教育领航[J].电化教育研究,2018,(9):5-16.
[17]陈琳,杨英等.智慧教育的三个核心问题探讨[J].现代教育技术,2017,(7):47-53.
[18]刘邦奇.智能教育的发展形态与实践路径——兼谈智能教育与智慧教育的关系[J].现代教育技术,2019,(10):20-27.
[19]汪明.基于核心素养的学生智能素养构建及其培育[J].当代教育科学,2018,(2):83-85.
[20]王毅,王乾花.从信息素养到智能素养：中小学信息技术课程培养目标转向[J].教育导刊,2020,(9):65-70.
[21]彭绍东.信息技术教育学论纲[J].电化教育研究,2001,(10):10-16+26.
[22]解月光,杨鑫等.高中学生信息技术学科核心素养的描述与等级[J].中国电化教育,2017,(5):8-13.
[23]何克抗.信息技术与课程深层次整合的理论与方法[J].电化教育研究,2005,(1):7-15.
[24]黄荣怀.智能教育的三创新：从环境、模式到体系[J].现代远程教育研究,2015,(6):3-11.
[25]八所综合性大学《心理学词典》编写组.心理学词典[M].南宁：广西人民出版社,1984.11.
[26]刘学智,范立双.日本中小学教育中的个性化学习:经验、问题与启示[J].比较教育研究,2006,(2):13-17.
[27]中共中央国务院.《中国教育现代化2035》[DB/OL].http://www.gov.cn/xinwen/2019-02/23/content_5367987.htm,2019-02-23.
[28]王珠珠.以信息化推动规模化教育与个性化培养有机结合[J].中小学数字化教学,2020,(2):1.
[29]袁振国.线上线下融合：实现大规模个性化的未来教育[J].中小学数字化教学,2020,(11):1.
[30]樊雅琴,王志辉.人工智能促进个性化学习的路径设计[J].天津市教科院学报,2020,(1):36-41.
[31]牟智佳.“人工智能+”时代的个性化学习理论重思与开解[J].远程教育杂志,2017,(3):22-30.
[32]杨宗凯,吴砥等.新兴技术助力教育生态重构[J].中国电化教育,2019,(2):1-5.
[33]金慧,邵钰等.智能化教育生态系统的构建与创新——《地平线报告》(2018高等教育版)启示[J].远程教育杂志,2018,(5):3-14.
[34]吴永和,刘博文等.构筑“人工智能+教育”的生态系统[J].远程教育杂志,2017,35(5):27-39.
[35]Merrill,M.D.&ID2_Research_Group.Instructionaltransaction theory:instructiondesignbasedonknowledgeobjects[J].Educational Technology,1996,36(3):30-37.
[36]杨卉,王陆.基于网络的个性化学习系统中学习者个性特征的提取算法[J].计算机工程与应用,2003,(25):179-181+201.
[37]R.VenkataRao,VivekPatel.Amulti-objectiveimprovedteachinglearningbasedoptimizationalgorithmforunconstrainedand constrainedoptimizationproblems[J].InternationalJournalof
IndustrialEngineeringComputations,2014,5(1):1-22.
[38]LisaPotts,JohnW.Eshleman,JohnO.Cooper.OgdenR.Lindsleyand theHistoricalDevelopmentofPrecisionTeaching[J].TheBehavioranalyst,1993,16(2):177-189.
[39]祝智庭,彭红超.信息技术支持的高效知识教学:激发精准教学的活力[J].中国电化教育,2016,(1):18-25.
[40]姬晓灿,成积春等.技术时代精准教学探究[J].电化教育研究,2020,41(9):102-107.
[41]王春华.巴班斯基教学过程最优化理论评析[J].山东社会科学,2012,(10):188-192.
[42]彭红超,祝智庭.面向智慧学习的精准教学活动生成性设计[J].电化教育研究,2016,(8):53-62.
[43]Binder,C.Precisionteaching:Measuringandattainingexemplary academicachievement[J].YouthPolicy,1998,10(7):12-15.
[44]管珏琪,孙一冰等.智慧教室环境下数据启发的教学决策研究[J].中国电化教育,2019,(2):22-28+42.
[45]雷云鹤,祝智庭.基于预学习数据分析的精准教学决策[J].中国电化教育,2016,(6):27-35.
[46]冯仰存.数据驱动的教师教学决策研究综述[J].中国远程教育,2020,41(4):65-75.
[47]钟婉娟,侯浩翔.教育大数据支持的教师教学决策改进与实现路径[J].湖南师范大学教育科学学报,2017,(5):69-74.
【热点聚焦】人工智能教育应用的现状分析、典型特征与发展趋势
一、人工智能的发展历程与核心驱动力
(一)人工智能的三次浪潮
人工智能起源于1956年美国达特茅斯学院举办的夏季学术研讨会。在这次会议上，达特茅斯学院助理教授JohnMcCarthy提出的“人工智能(ArtificialIntelligence,AI)”这一术语首次正式使用。之后，人工智能的先驱艾伦·图灵提出了著名的“图灵测试”：在人机分隔的情况下进行测试，如果有超过30%的测试者不能确定被试是人还是机器，那么这台机器就通过了测试，并被认为具有人工智能。图灵测试掀起了人工智能的第一轮浪潮。在人工智能研究方法上，以抽象符号为基础，基于逻辑推理的符号主义方法盛行，其突出表现为：在人机交互过程中数学证明、知识推理和专家系统等形式化方法的应用。但在电子计算机诞生的早期，有限的运算速度严重制约了人工智能的发展。
20世纪80年代，人工智能再次兴起。传统的符号主义学派发展缓慢，有研究者大胆尝试基于概率统计模型的新方法，语音识别、机器翻译取得了明显进展，人工神经网络在模式识别等领域初露端倪。但这一时期的人工智能受限于数据量与测试环境，尚处于学术研究和实验室中，不具备普遍意义上的实用价值。
人工智能的第三次浪潮缘起于2006年Hinton等人提出的深度学习技术。ImageNet竞赛代表了计算机智能图像识别领域最前沿的发展水平，2015年基于深度学习的人工智能算法在图像识别准确率方面第一次超越了人类肉眼[7]，人工智能实现了飞跃性的发展。随着机器视觉研究的突破，深度学习在语音识别、数据挖掘、自然语言处理等不同研究领域相继取得突破性进展。2016年，微软将英语语音识别词错率降低至5.9%，可与人类相媲美。如今，人工智能已由实验室走向市场，无人驾驶、智能助理、新闻推荐与撰稿、搜索引擎、机器人等应用已经走进社会生活[8]。因此，2017年也被称为人工智能产业化元年。
(二)人工智能的三大要素与核心驱动力
回顾人工智能的发展历程，在三次浪潮的浮浮沉沉中，人工智能不断突破并接近自身的目标：能够根据对环境的感知，做出合理的行动，从而获得最大收益。从人工智能的发展历程来看，不难看出，运算力、数据量和算法模型是人工智能的三大要素。如图1所示，人工智能具体应用的实现，如语音识别和图像识别等，需要先赋予机器一定的推理能力，然后它才能做出合理的行动。而这种推理能力，源自于大量的应用场景数据集。通过使用大量的数据对算法模型进行一定的训练，机器才能够根据算法做出具有类人智能的判断、决策和行为。奠定了的坚实基础。
人工智能在逐步发展完善自身理论与方法，以及寻求外部动力的过程中螺旋式上升发展。从图灵测试理论的提出到无人驾驶汽车自动上路行驶，从实验室的“封闭世界”到外部“开放世界”的安全过渡，大数据、云计算和深度学习这三大核心驱动力，共同促成了人工智能的突破性进展。
1.大数据
人工智能建立于海量优质的应用场景数据基础之上。训练数据的数量、规模和质量尤为重要，丰富的海量数据集是算法模型训练的前提。甚至有观点认为，拥有更海量的数据比拥有更好的算法更重要。受益于移动互联网的发展和多样化智能终端的普及，以及物联网的发展和传感器的大量应用，源自各种设备及互联网应用的数据急剧增加，大数据迅速发展。大数据处理技术能在很大程度上提高人工智能训练数据集的质量，并能优化存储和管理标注后的数据。因此，可以说，海量数据是机器智能的源泉，大数据有力地助推了机器学习等技术的进步，在智能服务的应用中释放出无限潜力。
2.并行计算
人工智能发展过程中，有限的运算能力曾是制约人工智能发展的主要瓶颈。从电子计算机出现的早期至今，机器的运算处理能力不断提升，为人工智能的发展提供了极大的动力支持。云计算在虚拟化、动态易扩展的资源管理方面的优势，GPU等人工智能专用芯片的出现，奠定了人工智能在大规模、高性能并行运算的软硬件基础，推动数据处理规模和运算速度的指数级增长，极大地提高了算法执行效率和识别准确率。
3.深度学习
数据和硬件是人工智能的基础，而算法是人工智能的核心。人工智能发展史上，两个转折点尤其值得关注。一个是研究方法由符号主义转向统计模型，自此开辟了人工智能发展的新路径；另一个是深度学习凭借绝对优势，颠覆了其他算法设计思路，突破了人工智能的算法瓶颈。深度学习即深度网络学习，它受人类大脑神经结构的启发，由一组单元组成，每个单元借由一组输入值而产生输出值，该输出值又继续被传递到下游神经元。深度学习网络通常使用许多层次，且在每层使用大量单元，以便识别海量数据中极其复杂和精确的模式。深度学习将人类程序员从构建模型的复杂活动中解放了出来，并提供一种更优化、更智能的算法，能够自动从海量数据库中进行自我学习，自动调整规则参数并优化规则和模型，识别准确率极高。自学习状态已成为机器学习的主流方法。
二、人工智能教育应用的现状分析
逻辑推理、知识表示、规划和导航、自然语言处理和感知是人工智能的主要问题空间[9]。在教育问题解决与应用中，人工智能主要有四大应用形态：智能导师系统、自动化测评系统、教育游戏与教育机器人。
(一)智能导师系统
智能导师系统(IntelligentTutoringSystem，ITS)由早期的计算机辅助教学发展而来，它模拟人类教师实现一对一的智能化教学，是人工智能技术在教育领域中的典型应用。典型的智能导师系统主要由领域模型、导师模型和学习者模型三部分组成，即经典的“三角模型”。领域模型又称为专家知识，它包含了学习领域的基本概念、规则和问题解决策略，通常由层次结构、语义网络、框架、本体和产生式规则的形式表示，其关键作用是完成知识计算和推理。导师模型决定适合学习者的学习活动和教学策略，学习者模型动态地描述了学生在学习过程中的认知风格、能力水平和情感状态。事实上，ITS的导师模型、学习者模型和领域模型正是教学三要素——教师、学生、教学内容的计算机程序化实现，其互相关系如图2所示。其中，领域模型是智能化实现的基础，教学模型则是领域模型和学生模型之间的桥梁，其实质是做出适应性决策和提供个性化学习服务。教学模型根据领域知识及其推理，依据学习者模型反映的学习者当前的知识技能水平和情感状态，做出适应性决策，向学习者提供个性化推荐服务，如图3所示。
ITS尊重学习者的个性特征，如学习风格、兴趣、特长等，满足学习者的个性化需求。ITS根据学习者模型所刻画的个性特征，向其提供个性化的学习路径[10]、学习资源[11]和学习同伴等资源。美国国防高级研究计划署赞助开发的一种使用人工智能来模拟专家和新手之间的互动的数字导师系统，能够帮助学习者获得所需的技能，将海军新兵训练成为技术技能专家所需的时间从几年减少到几个月。
近年来，情感、元认知和动机等研究越来越受重视，神经科学、认知科学、心理学和教育学的研究表明，情感状态在一定程度上影响了学生的学习效率和态度[12]，消极的情感状态会阻碍学生的思考过程，而积极的情感为学生的问题解决和创新进步提供有利的条件。然而，情感缺失一直是ITS中存在的突出问题。ITS通过与学生的交互实现情感的感知、识别、调节与预测。根据学生情感的来源，如面部表情[13]、声音等可察因素，及可测量的行为等，采用传感器等技术获取数据，根据相关科学模型，应用人工智能的方法与技术，综合运用心理学和认知科学等知识进行情感推理，也称之为情感识别或情感计算[14]。研究表明，系统通过对话的方式对学生进行的情感调节具有积极效果[15]。
ITS中教学模型模拟人类教师实现一对一个性化教学的过程即是适应性教学策略选取和个性化资源推荐算法的实现过程，适应性教学策略选择是资源个性化推荐的前提。在适应性教学策略的选择方面，这种适应性表现为多个层次：从适应性应答学生的表现，适应学生的知识水平，帮助学生取得具体目标，到对学生的情感状态做出适应性干预调节，提供适应学生元认知能力的帮助。事实上，ITS要模拟人类教师凭借经验进行决策的复杂过程，具有一定难度。而人工智能引发了教育领域的数据革命和智能化革命，数据驱动的智慧教学与智能决策正在成为教育教学的新范式。
(二)自动化测评系统
评价是教学活动的重要组成部分。自动化测评技术的应用引发了评价方法和形式的深刻变革。自动化测评系统能够实现客观、一致、高效和高可用的测评结果，提供即时反馈，极大地减轻教师负担，并为教学决策提供真实可靠的依据。
1.ICT技能与程序作业的自动化测评系统
ICT技能培训与程序设计是计算机教育领域中的重要内容。ICT技能是信息时代的基本素养。文字编辑、电子表格数据处理、收发邮件、制作演示文稿和网页等技能的学习和培训过程中，ICT自动化测评系统所构建的信息模型通过信息获取、知识推理和综合评价三个步骤，动态跟踪用户的操作行为，并对操作过程进行诊断、评价和反馈，极大地提高了学习效率[16]。
计算机程序设计是培养计算思维的有效途径，程序作业通常由学生上机完成。程序设计语言有其自身的语法规则。动态程序测评能够获取程序的编译和运行时信息，分析程序的行为和功能，从程序的功能和执行效率出发，展开综合评价。而静态程序测评，如图4所示，首先对程序代码进行信息提取，然后将程序进行中间形式表示，预测程序所有可能的执行路径与结果，利用知识发现技术实现对程序的评价。目前，国内外已经实现自动化测评的程序设计语言包括Java、C/C++、Python和Pascal，以及汇编语言、脚本语言和数据库查询语言等。
2.自动化短文评价系统
短文写作是当前很多标准化测试的基本要求。随着人工智能技术的发展，自动化短文评价(AutomatedAssessmentofEssaysandShortAnswers)运用自然语言处理技术和机器学习等技术实现对短文本的计算分析和语义理解。美国教育考试服务中心(EducationalTestingService,ETS)设计和举办多项大型标准化考试，如TOEFL、SAT、GRE等。ETS始终致力于测评理论、方法和技术的研究，尤其在自动化测评领域一直处于前沿。目前，ETS已经实现了语音、短文、数学等领域的自动化评价与反馈。在其产品中，TextEvaluator[17]是一种全自动化的基于Web的技术工具，旨在辅助教师、教材出版商和考试开发人员选取用于学习和测试的文本段落。TextEvaluator超越了传统的句法复杂性和词汇难度的可读性维度，解决了由于内聚性、具体性、学术导向、论证水平、叙述程度和交互式对话风格的差异而导致的复杂性变化。另外，E-rater[18]引擎用于学生作文的自动化评分和反馈。在设定了评价标准之后，学生可以使用E-rater的反馈来评估他们的写作技巧，并确定需要改进的地方。教师可用来帮助学生独立发展自己的写作技巧，并自动获得建设性的反馈意见。除了提供短文的整体得分，E-rater还提供关于语法、写作风格和组织结构等的实时诊断和反馈。
3.自动化口语测评系统
自动化口语评价运用语音识别等技术实现了多种语言口语语音的自动化测试与评价，图5展示了基于移动智能终端和测评云服务的口语学习系统架构，其中声学模型和语言学模型是语音识别的关键。ETS的SpeechRater引擎是英语口语测评方面应用最广泛的测评引擎之一。其测评任务并不限定范围和对象，开放性是其最大特点。该引擎可以用于提高发音可靠性、语法熟练度和交际的流利程度。SpeechRater引擎使用自动语音识别系统处理每个响应，该系统特别适用于母语非英语的学习者。基于该系统的输出，使用自然语言处理和语音处理算法来计算在许多语言维度上定义语音的一组特征，包括流利性、发音、词汇使用、语法复杂性和韵律。然后将这些功能的模型应用于英语口语测评，最终得出分数并提供反馈建议。
对于我国的英语教学来说，言语环境匮乏是当前制约学生英语口语学习的最大障碍，口语评价难度较大且时效性差更加加剧了英语口语教与学的难度。科大讯飞依托语音技术的强劲优势，所开发的听说智能测试系统、英语听说智能考试与教学系统和大学英语四六级口语考试系统可以用于促进英语听说训练和自动化测试与反馈。另外，普通话模拟测试与学习系统和国家普通话智能测试系统在推广普通话及相关考试方面发挥着重要作用。
(三)教育游戏
游戏智能是人工智能研究内容的一部分。运用深度学习技术的AlphaGo大胜人类职业围棋选手，标志着人工智能技术的又一次飞跃。在教育应用领域中，计算机和视频游戏不仅仅提供一种娱乐方式，更能推动玩家在游戏中获得新的知识和技能。教育游戏具有明确、有意义的目标，多个目标结构，评分系统，可调节的难度级别，随机的惊喜元素，以及吸引人的幻想隐喻。教育游戏通过构建充分开放的游戏框架和环境，提供一种观察和认识世界的新视角。益智游戏玩家不仅使用游戏工具解决问题，而且还使用自己的知识和技能。在角色扮演中，玩家必须在恶劣的环境中生存和获得新的知识。在所有这些情况下，对周围空间的详细研究等活动都是对玩家的注意力、耐心、专业知识和逻辑思维的考验与锻炼。例如，芝加哥科学与工业博物馆的网站允许游客玩“生存模式”的游戏[19]。该游戏专为青少年设计，专注于研究在极端情况下发生在人体内的主要身体系统的变化过程。游戏玩家不仅克服了许多障碍，还了解了人体的结构。另外，青少年学会使用鼠标和手写笔学习撰写简单的生存搜索等机器人程序。
(四)教育机器人
教育机器人在教学中的应用越来越普遍。一方面，教育机器人可以培养和发展学生的计算思维能力。越来越多的学校正在引进教育机器人作为创新的学习环境，用于提高和建立学生的高层思维能力，作为提高学生学习动机和抽象概念理解的补充工具，帮助学生解决复杂的问题。另一方面，教育机器人具有多学科性质，提供建设性的学习环境，有助于学生更好地理解科学知识，在科学、技术、工程和数学(STEM)教育方面发挥着重要作用。在STEM教学方面，机器人可以协助教师实现工程和技术概念的真实应用，将现实世界中的科学和数学概念进行具体化，有助于消除科学和数学的抽象性。事实上，各种教育机器人的应用推动了科学、技术、工程和数学在教学的改进，机器人固有的灵活性使其在STEM不同教育场景中的应用取得了成功[20]。此外，使用机器人教学有助于增强批参与者的判性思维，促进团队合作，提高沟通交流能力和创新能力。
三、人工智能教育应用的典型特征与发展趋势
人工智能通过知识表示、计算与理解，可以模拟人类教师实现个性化教学；依托于问题空间理论，实现知识和技能的自动化测量与评价；借助于自然语言处理与语音识别技术，解决文本和口语语音的词法分析、语法判别和语义理解；通过教育游戏和教育机器人，以智能增强的方式赋予“寓教于乐”以新的内涵。进一步深入分析人工智能教育应用的典型特征，并把握其未来发展趋势是推动人工智能教育应用的必要条件。
(一)五大典型特征
人工智能在教育应用中的典型特征突出体现在以下五个方面：
1.智能化
智能化是教育信息化的发展趋势之一。海量数据蕴藏着丰富的价值，在知识表示与推理的基础上，构建算法模型，借助于高性能并行运算可以释放这种价值与能量。未来，在教育领域将会有越来越多支持教与学的智能工具，智慧教学将给学习者带来新的学习体验。在线学习环境将与生活场景无缝融合，人机交互更加便捷智能，泛在学习、终身学习将成为一种新常态。
2.自动化
与人相比，人工智能更擅长记忆、基于规则的推理、逻辑运算等程序化的工作，擅长处理目标确定的事务。而对于主观的东西，如果目标不够明确，则较为困难。如数学、物理、计算机等理工科作业，评价标准客观且容易量化，自动化测评程度较高。随着自然语言处理、文本挖掘等技术的进步，短文本类主观题的自动化测评技术将日益成熟并应用于大规模考试中。教师将从繁重的评价活动中解放出来，从而有精力专注于教学。
3.个性化
基于学习者的个人信息、认知特征、学习记录、位置信息、媒体社交信息等数据库，人工智能程序可以自学习并构建学习者模型，并从不断扩大更新的数据集中调整优化模型参数。针对学习者的个性化需求，实现个性化资源、学习路径、学习服务的推送。这种个性化将越来越呈现出客观、量化等特征。
4.多元化
人工智能涉及多个学科领域，未来的教学内容需要适应其发展需要，如美国已经高度重视STEM学科的学习，我国政府高度重视并鼓励高校扩展和加强人工智能专业教育，形成“人工智能+X”创新专业培养模式。从人才培养的角度分析，学校教育应更强调学生多元能力的综合性发展，以人工智能相关基础学科理论为基础，提供基于真实问题情境的项目实践，侧重激发、培养和提高学生的计算思维、创新思维、元认知等能力。
5.协同化
短期来看，人机协同发展是人工智能推动教育智能化发展的一种趋势。从学习科学的角度分析，学习是学习者根据自己已有的知识去主动构建和理解新知识的过程。对于人工智能来说，新知识是它们所无法理解的，所以这种时候学习者就需要教师的协同、协助和协调。因此在智能学习环境中，教师的参与必不可少，人机协同将是人工智能辅助教学的突出特征。
(二)发展趋势
人工智能在教育中的应用特征为推动人工智能与教育的融合创新发展指明了方向。在当前国家大力发展人工智能的政策引领下，不仅要从本质上认识人工智能的核心要素与驱动力，把握其典型应用特征，还要能够顺应其发展趋势。以数据驱动引领教育信息化发展方向，以深化应用推动教育教学模式变革，以融合创新优化教育服务供给方式，将是人工智能教育应用的未来发展趋势，也是人工智能时代教育发展的鲜明任务和重要机遇。
1.以数据驱动引领教育信息化发展方向
人工智能技术在教育领域的深入应用，推动着信息技术与教育的融合创新发展。纵观人工智能在教育领域的应用发展历程，从早期基于规则的知识表示与推理，到今天基于深度学习的自然语言处理、语音识别与图像识别，“智能”的习得已经由早期的专家赋予演变为机器主动学习获取。除了算法模型的显著改进，作为模型的训练数据集，大数据为人工智能添加了十足的动力燃料。大数据智能以数据驱动和认知计算为核心方法，从大数据中发现知识，进而根据知识做出智能决策。数据已经成为产业界争夺的焦点，数据驱动的智能决策与服务已经成为学术界研究的热点。在教育领域，数据可以解释教育现象，也可以揭示教育规律，并能够预测未来趋势。数据驱动的方法推动着教育研究从经验主义走向数据主义和实证主义。因此，教育数据革命已经到来。数据驱动的人工智能将引领教育信息化发展的新方向。
2.以深化应用推动教育教学模式变革
人工智能在教育领域取得如此大的成就，技术引领是关键。同时，不难看出，人工智能在教育领域的应用具有较强的场景性，也就是说，这种应用是针对教育实践活动中的具体问题而展开的，具有明确的问题空间和目标导向。也因此，这种由应用驱动的技术与教育的融合发展，是技术在教育领域中的一种深入应用。如自动化口语测评中，针对具体的语言语音对象，在语音识别技术的基础上，应用语音测评技术实现对学生口语的自动化评价。人工智能技术在教育领域的深化应用，创设了强感知、高交互、泛在的学习环境，为学生的知识建构活动提供了良好条件，为创新型教学模式的发现和运用提供了空间。
3.以融合创新优化教育服务供给方式
人工智能在教育领域中的应用实现了跨学科、跨领域和跨媒体的融合创新。人工智能与神经科学、认知科学、心理学、数学等相关基础学科的交叉融合，联合推动了教育人工智能技术的发展和应用。同时，人工智能本身的发展，离不开人工智能教育和培训。而这种教育更需要建立于STEM学科融合的基础之上。人工智能与教育两者相辅相成，互相促进。跨领域推理融合了多个领域的数据与知识，奠定了强大的智能基础。跨媒体感知计算以智能感知、场景感知、视听觉感知、多媒体自主学习等理论方法为依托，旨在实现超人感知和高动态、高纬度、多模式分布式大场景感知[21]。人工智能技术与教学内容、教学媒体和知识传播路径的多层次融合，突破了传统教育方式的限制，提供跨学科、跨媒体、跨时空的智能教育服务供给，是建设“人人皆学、处处能学、时时可学”学习型社会的有效途径。
基于上述人工智能在教育中的主要应用与典型特征分析，本文提出如图6所示的人工智能与教育融合发展体系。在大数据和深度学习等技术的重要支撑下，人工智能关键技术的突破，推动了人工智能在教育领域中的多样化应用形态，并提供了更智能的学习服务与体验，呈现出智能化、自动化、个性化、多元化和协同化的特征与趋势。在服务监控与治理的保障下，以政策为引领，牢牢把握“应用驱动”的基本原则，进而展开理论和技术研究，是推动人工智能与教育融合创新发展的重要路径。
四、结束语
本文回顾了人工智能的发展历程，揭示了人工智能的三大内部要素与外部驱动力。结合人工智能技术在教育中的四大具体应用形态，深入分析了人工智能教育应用的五大典型特征，并据此指出其未来的发展趋势，最终将上述内容进行归纳总结，构建了人工智能与教育融合创新发展体系，旨在为我国人工智能与教育的融合发展提供理论指导。
人工智能技术正在推动教育信息化的快速发展。然而，在推进人工智能教育应用的过程中，还有很多具体问题值得探讨，亟待解决。如训练人工智能算法模型需要开放教育大数据，但会涉及到个人隐私暴露等信息安全问题；相关技术在教学与考试中的应用，可能需要政策和制度的同步完善；人工智能在提高教学效率和推动教育公平的同时，是否也会造成数字鸿沟的增大；未来的教师和学生、教育研究、教育管理和规划等该如何适应人工智能带来的诸多变革等。面对全球智能化发展趋势及其挑战，教育必须积极主动地调整自身发展，借助现有技术的优势与潜能，实现服务社会经济发展的功能。
参考文献：
[1]贾积有.国外人工智能教育应用最新热点问题探讨[J].中国电化教育,2010,(7):113-118.
[2]闫志明,唐夏夏,秦旋等.教育人工智能(EAI)的内涵、关键技术与应用趋势——美国《为人工智能的未来做好准备》和《国家人工智能研发战略规划》报告解析[J].远程教育杂志,2017,35(1):26-35.
[3]余明华,冯翔,祝智庭.人工智能视域下机器学习的教育应用与创新探索[J].远程教育杂志,2017,35(3):11-21.
[4]唐烨伟,郭丽婷,解月光,钟绍春.基于教育人工智能支持下的STEM跨学科融合模式研究[J].中国电化教育,2017,(8):46-52.
[5]张剑平,张家华.我国人工智能课程实施的问题与对策[J].中国电化教育,2008,(10):95-98.
[6]吴永和,刘博文,马晓玲.构筑“人工智能+教育”的生态系统[J].远程教育杂志,2017,35(5):27-39.
[7]TheElectronicFrontierFoundation.MeasuringtheProgressofAIResearch[DB/OL].https://www.eff.org/files/AI-progress-metrics.html#Vision,2017-10-15.
[8]李开复,王咏刚.人工智能[M].北京:文化发展出版社,2017.5-25.
[9]FrankChen.AI,DeepLearningandMachineLearning:APrimer[DB/OL].http://a16z.com/2016/06/10/ai-deep-learning-machines,2017-10-15.
[10]HwangGJ,KuoFR,YinPY,etal.AHeuristicAlgorithmforplanningpersonalizedlearningpathsforcontext-awareubiquitouslearning[J].Computers&Education,2010,54(2):404-415.
[11]梁迎丽,梁英豪.基于语音评测的英语口语智能导师系统研究[J].现代教育技术,2012,22(11):82-85.
[12]NkambouR,MizoguchiR,BourdeauJ.AdvancesinIntelligentTutoringSystems[M].Berlin:SpringerHeidelberg,2010.
[13]BoumizaS,BekiarskiA,SouilemD,etal.Developmentofmodelforautomatictutorine-learningenvironmentbasedonstudentreactionsextractionusingfacialrecognition[A].201715thInternationalConferenceonElectricalMachines,DrivesandPowerSystems(ELMA)[C].Sofia:IEEE,2017.488-492.
[14]PetrovicaS,Anohina-NaumecaA,EkenelHK.EmotionRecognitioninAffectiveTutoringSystems:CollectionofGround-truthData[J].ProcediaComputerScience,2017,(104):437-444.
[15]GraesserAC.ConversationswithAutoTutorhelpstudentslearn[J].InternationalJournalofArtificialIntelligenceinEducation,2016,26(1):124-132.
[16]许骏,柳泉波.IT技能测评自动化技术[J].小型微型计算机系统,2001,22(12):1489-1493.
[17]EducationalTestingService.TextEvaluatorCapability[DB/OL].http://www.ets.org/research/topics/as_nlp/educational_applications/,2017-10-15.
[18]BursteinJ.TheE-raterscoringengine:Automatedessayscoringwithnaturallanguageprocessing[A].Mahwah.M.d.shermis&J.c.burstein[C].NJ:LawrenceErlbaumAssociates,2003.113-121.
[19]Chicagomuseumofscience+industry.CodeFred:SurvivalMode[DB/OL].http://www.msichicago.org/experiment/games/code-fred-survival-mode/,2017-10-16.
[20]BenittiFBV,SpolavrN.HowHaveRobotsSupportedSTEMTeaching?[DB/OL].https://www.kukakore.com/robotic-stem-education/,2017-10-15.
[21]PengYX,ZhuWW,ZhaoY,etal.Cross-mediaanalysisandreasoning:advancesanddirections[J].FrontiersofInformationTechnology&ElectronicEngineering,2017,18(1):44-57.
文章来源|文章转自“中国电化教育”微信公众平台，作者系梁迎丽，刘陈，版权归原作者及发布单位所有。
返回搜狐，查看更多
人工智能运用于国防领域是大势所趋
美军无人潜航器
俄罗斯“阿尔戈”战斗机器人
美军无人机蜂群作战示意图
作为新一轮科技革命的重要代表之一，人工智能是当今科技领域最前沿的课题。AlphaGoZero通过自我学习碾压“AI前辈”AlphaGo、百度无人汽车上路、苹果手机开启新的刷脸认证方式……近年来，人工智能的实际应用显示其技术巨大的驱动力。
在人工智能技术不断进步的背景下，人工智能在国防领域目前发展如何？人工智能在国防领域能发挥什么作用？未来应如何发展人工智能使其更好服务国防领域？围绕这些问题，记者采访了国防科技大学研究员朱启超。
人工智能成为国际竞争新焦点――
军事强国纷纷抢滩部署
“从世界局势来看，世界各国尤其是军事强国都在抢先布局人工智能，美、俄等国家政府部门均发布了人工智能相关战略或规划，彰显国家层面对人工智能的高度重视。”朱启超表示。
资料显示，俄罗斯始于2008年的“新面貌改革”将人工智能作为重点投资领域。此外，俄罗斯还发布《2025年前发展军事科学综合体构想》，强调人工智能系统将成为决定未来战争成败的关键要素。欧盟在2013年提出为期10年的“人脑计划”，拟斥资12亿欧元进行人类大脑研究。2016年10月，美国白宫发布《国家人工智能研究和发展战略规划》，构建美国人工智能发展的实施框架。
在朱启超看来，不少国家都在推进人工智能在国防领域的发展运用，从最初的无人机到智能化信息处理系统、仿生机器人等，人工智能逐步渗透到国防和军队各个领域。
近年来，美国曾在阿富汗战争、伊拉克战争中大量运用无人机和后勤作业机器人。2014年以来，美军已将智能化无人系统作为“第三次抵消战略”的颠覆性技术领域给予重点投资。去年4月，美国国防部宣布成立算法战跨职能小组，旨在将人工智能用于国防情报搜集和分析领域。据报道，日前美国国防部正式下令建立一个新的人工智能研究中心，整合国防部所有的人工智能相关工作。
其他国家也在这个领域加快步伐，推动军队智能化建设。俄罗斯军事工业委员会计划在2025年之前实现俄军装备30%的机器人化，其军队轮式和履带式地面作战机器人已经投入叙利亚战场。韩国和以色列开发和使用具有自动监视和自主决定开火能力的边境巡逻机器，以色列已在其境内部署自主性很高的“哈比”无人机，韩国国防部也在近期表示将在2020年之前投入75亿韩元用于推动人工智能在情报侦察、指挥控制等领域的运用。
“可以预见，各类智能化无人系统与作战平台将在地面、空中、水面、水下、太空、网络空间以及人的认知空间获得越来越多的应用，深刻改变着未来战争人工智能的技术比重。”朱启超说。
人工智能运用于国防领域是大势所趋――
国防运用需求前景广阔
从历史发展趋势和未来战争需求看，人工智能越来越成为推动新一轮军事革命的核心驱动力，未来战争需求也越来越呼唤人工智能的军事应用。新美国安全中心研究员格雷戈里・艾伦在其主笔的一份题为《人工智能与国家安全》的报告中强调：“人工智能对国家安全领域带来的影响将是革命性的，而不仅仅是与众不同的。世界各国政府将会考虑制定非凡的政策，可能会像核武器刚出现时一样彻底。”
纵观历史，世界历次军事变革经历了从冷兵器时代、热兵器时代、机械化时代到信息化时代的发展历程，从冶炼技术到火药技术、机械化技术、原子能技术，再到信息技术，四次军事革命的发生都贯穿着技术革命的核心作用。“人工智能逐步走向战场，势必会引起武器装备、作战样式、部队体制编制和战斗力生成模式显著更新，进而引发一场深刻的军事革命。”面对人工智能在国防领域的发展态势，朱启超表示。
在朱启超看来，人工智能的国防运用需求非常广阔。当下，战争形态由机械化、信息化向智能化转型的趋势愈发明显，夺取未来战争的胜利越来越取决于军队的信息优势、智力资源和决策速度。而人工智能在减少战场人员数量、获取和分析情报信息、快速决策和反应等方面具有巨大的潜力。2016年，美国辛辛那提大学研发的人工智能程序“阿尔法”在模拟空战中击败了美军资深飞行员，人工智能技术对于军事革命的颠覆性意义已初步显现。
“人工智能越来越成为推进国防和军队信息化建设的重要驱动力，不断提升国防领域的信息处理能力、指挥控制效率、精确打击能力和精准管理保障能力。”朱启超对人工智能提升国防领域智能化运用非常期待，他表示，随着军民融合发展战略的实施推进，人工智能技术、大数据技术、云计算技术等新一代信息技术将在国防领域发挥越来越重要的作用，推动国防和军事智能化水平不断提升。
警惕人工智能成为“战争毒药”――
人类是人机关系主导者
近年来，随着人工智能技术的发展，军事领域涌现出各种人工智能相关作战概念和装备技术项目，但朱启超认为，目前人工智能相关技术与应用还处于快速发展的初级阶段，不应忽视人工智能军事应用的局限性。
“首先，人工智能并不能取代人类智能。人工智能在解决可编程范围外的战争问题时，需要人类的理性分析能力、灵活应变能力、道德分辨能力等，因此，要在遵循战争制胜机理的前提下进行人工智能研究。”他分析道。
朱启超进一步说明，长期来看，还需要警惕人工智能可能带来的安全、法律、伦理等诸多问题。
安全方面，军事对抗环境下，人工智能系统或武器装备一旦被对手通过恶意代码、病毒植入、指令篡改等手段攻击，将带来战术失利甚至灾难性后果；人为错误、机器故障、环境扰动等因素也可能使得系统失去战斗效力。
法律方面，国际武装冲突法中的核心原则――必要性、区别性、相称性和人道性都将面临如何适用和调整的问题。比如，战场机器人无法区分军人与平民而造成滥杀无辜给区别性原则构成挑战。
伦理方面，由于智能化评估决策技术、无人机、机器人等的应用，人类奉为最高价值的生命和尊严可能受到漠视甚至践踏，而战争的指挥者却远离战场享受战争胜利的果实，战争或将成为搬上战场的“电子游戏”，这将冲击人类的道德底线。是否应该将人类的道德标准嵌入日益智能化的机器、嵌入什么样的道德标准以及如何嵌入？这些问题需要世界各国的广泛研究和探讨。
针对人工智能在国防领域运用过程中可能出现的安全、法律、伦理等问题，朱启超建议，应加强社会安全监督管控，形成适应人工智能时代的社会治理模式；积极参与人工智能国际军备控制讨论与谈判，为应对人工智能带来的安全、法律与伦理问题贡献中国智慧和中国方案；牢固确立人类是人机关系主导者的思想，实现对人工智能的安全有效控制，让其为人类的和平福祉服务，而不是使人工智能成为“恶魔的帮凶”。（潘娣）
相关链接
无人潜航器
无人潜航器，也可称为无人水下航行器和无人水下运载器等，是没有人驾驶、靠遥控或自动控制在水下航行的器具。随着无人潜航器及相关技术的发展，无人潜航器已经被用于执行扫雷、侦察、情报搜集及海洋探测等任务，在未来海战中还可作为水下武器平台、后勤支持平台等装备使用。
优势：与潜艇相比，无人潜航器是无人作战平台，因此可以大大降低战争的伤亡；体形小，加上其他隐身高科技的应用使其隐身性能高于潜艇；多功能，多用途。
局限：续航性差限制无人潜航器使用范围；所用锂电池存在易着火等技术缺陷；目前导航功能尚需完善。
可以预见，在不久的将来，水下无人潜航器必将在未来战争中发挥巨大作用，并将改变未来海洋作战的具体模式。
战斗机器人
军用战斗机器人作为战场上的一支新兴力量，是配合人类士兵作战的角色。按照军用机器人作战领域不同主要分为水下军用机器人、地面军用机器人、空中军用机器人和空间军用机器人等。
优势：战斗机器人在执行低烈度作战和危险任务时可以大大减轻人类士兵的负担和伤亡。此外，其还具有较高智能、全方位作战能力、较强战场生存能力、绝对服从命令等优势。
局限：战斗机器人不具备复杂条件下的作战能力；如今战斗机器人的智能化和环境适应能力还未达到单独作战程度，很大程度依赖于人类士兵的操作和指挥。
从长远来看，随着智能化牵引机械化和信息化向更高水平、更高层次发展，战斗机器人发展潜力巨大，其智能化程度将更高、武器平台将更复杂、环境适应和生存能力也将更强，能够参与的战争模式也将多种多样。
无人机蜂群
无人机蜂群由若干配备多种任务载荷的低成本小型无人机组成，它们参照蜜蜂等昆虫的集体行动模式，在人类指挥或监管下共同完成特定作战任务。
优势：作战时无人机蜂群可专业化分工，因此能执行多种任务；每架无人机功能相对单一，可大幅降低研发和采购成本；无人机蜂群可增加战场传感器和攻击武器数量，使军队在局部战场拥有空中装备数量优势；大量无人机可瘫痪敌人防空雷达，消耗敌人有限数量的高成本防空弹药。
局限：由于无人机蜂群对协同和自主的要求更高，需要建立管理大规模蜂群的全新指挥控制模式，因此面临攻克协同作战算法、集群个体间通信、远程指挥控制等关键技术的挑战。
未来，无人机蜂群将牵引未来空中作战装备呈现出机体廉价化、平台自主化、载荷小型化等特点，可能对未来航空装备体系的发展思路产生变革性影响。
(责编：芈金、黄子娟)分享让更多人看到