2023年人工智能领域发展七大趋势
2022年人工智能领域发展七大趋势
有望在网络安全和智能驾驶等领域“大显身手”
人工智能已成为人类有史以来最具革命性的技术之一。“人工智能是我们作为人类正在研究的最重要的技术之一。它对人类文明的影响将比火或电更深刻”。2020年1月，谷歌公司首席执行官桑达尔·皮查伊在瑞士达沃斯世界经济论坛上接受采访时如是说。
美国《福布斯》网站在近日的报道中指出，尽管目前很难想象机器自主决策所产生的影响，但可以肯定的是，当时光的车轮到达2022年时，人工智能领域新的突破和发展将继续拓宽我们的想象边界，其将在7大领域“大显身手”。
增强人类的劳动技能
人们一直担心机器或机器人将取代人工，甚至可能使某些工种变得多余。但人们也将越来越多地发现，人类可借助机器来提升自身技能。
比如，营销部门已习惯使用工具来帮助确定哪些潜在客户更值得关注；在工程领域，人工智能工具通过提供维护预测，让人们提前知道机器何时需要维修；法律等知识型行业将越来越多地使用人工智能工具，帮助人们对不断增长的可用数据中进行分类，以找到完成特定任务所需的信息。
总而言之，在几乎每个职业领域，各种智能工具和服务正在涌现，以帮助人们更有效地完成工作。2022年人工智能与人们日常生活的联系将会变得更加紧密。
更大更好的语言建模
语言建模允许机器以人类理解的语言与人类互动，甚至可将人类自然语言转化为可运行的程序及计算机代码。
2020年中，人工智能公司OpenAI发布了第三代语言预测模型GPT—3，这是科学家们迄今创建的最先进也是最大的语言模型，由大约1750亿个“参数”组成，这些“参数”是机器用来处理语言的变量和数据点。
众所周知，OpenAI正在开发一个更强大的继任者GPT—4。尽管细节尚未得到证实，但一些人估计，它可能包含多达100万亿个参数（与人脑的突触一样多）。从理论上讲，它离创造语言以及进行人类无法区分的对话更近了一大步。而且，它在创建计算机代码方面也会变得更好。
网络安全领域的人工智能
今年1月，世界经济论坛发布《2021年全球风险格局报告》，认为网络安全风险是全世界今后将面临的一项重大风险。
随着机器越来越多地占据人们的生活，黑客和网络犯罪不可避免地成为一个更大的问题，这正是人工智能可“大展拳脚”的地方。
人工智能正在改变网络安全的游戏规则。通过分析网络流量、识别恶意应用，智能算法将在保护人类免受网络安全威胁方面发挥越来越大的作用。2022年，人工智能的最重要应用可能会出现在这一领域。人工智能或能通过从数百万份研究报告、博客和新闻报道中分析整理出威胁情报，即时洞察信息，从而大幅加快响应速度。
人工智能与元宇宙
元宇宙是一个虚拟世界，就像互联网一样，重点在于实现沉浸式体验，自从马克·扎克伯格将脸书改名为“Meta”（元宇宙的英文前缀）以来，元宇宙话题更为火热。
人工智能无疑将是元宇宙的关键。人工智能将有助于创造在线环境，让人们在元宇宙中体会宾至如归的感觉，培养他们的创作冲动。人们或许很快就会习惯与人工智能生物共享元宇宙环境，比如想要放松时，就可与人工智能打网球或玩国际象棋游戏。
低代码和无代码人工智能
2020年，低代码/无代码人工智能工具异军突起并风靡全球，从构建应用程序到面向企业的垂直人工智能解决方案等应用不一而足。这股新鲜势力有望在2022年持续发力。数据显示，低代码/无代码工具将成为科技巨头们的下一个战斗前线，这是一个总值达132亿美元的市场，预计到2025年其总值将进一步提升至455亿美元。
美国亚马逊公司2020年6月发布的Honeycode平台就是最好的证明，该平台是一种类似于电子表格界面的无代码开发环境，被称为产品经理们的“福音”。
自动驾驶交通工具
数据显示，每年有130万人死于交通事故，其中90%是人为失误造成的。人工智能将成为自动驾驶汽车、船舶和飞机的“大脑”，正在改变这些行业。
特斯拉公司表示，到2022年，其生产的汽车将拥有完全的自动驾驶能力。谷歌、苹果、通用和福特等公司也有可能在2022年宣布在自动驾驶领域的重大飞跃。
此外，由非营利的海洋研究组织ProMare及IBM共同打造的“五月花”号自动驾驶船舶（MAS）已于2020年正式起航。IBM表示，人工智能船长让MAS具备侦测、思考与决策的能力，能够扫描地平线以发觉潜在危险，并根据各种即时数据来变更路线。2022年，自动驾驶船舶技术也将更上一层楼。
创造性人工智能
在GPT—4谷歌“大脑”等新模型的加持下，人们可以期待人工智能提供更加精致、看似“自然”的创意输出。谷歌“大脑”是GoogleX实验室的一个主要研究项目，是谷歌在人工智能领域开发出的一款模拟人脑具备自我学习功能的软件。
2022年，这些创意性输出通常不是为了展示人工智能的潜力，而是为了应用于日常创作任务，如为文章和时事通讯撰写标题、设计徽标和信息图表等。创造力通常被视为一种非常人性化的技能，但人们将越来越多地看到这些能力出现在机器上。（记者刘霞）
【纠错】【责任编辑:吴咏玲】新一代人工智能的发展与展望
随着大数据、云计算等技术的飞速发展，人们生产生活的数据基础和信息环境得到了大幅提升，人工智能（AI）正在从专用智能迈向通用智能，进入了全新的发展阶段。国务院印发的《新一代人工智能发展规划》指出新一代人工智能相关学科发展、理论建模、技术创新、软硬件升级等整体推进，正在引发链式突破，推动经济社会各领域从数字化、网络化向智能化加速跃升。在4月10日“吴文俊人工智能科学技术奖”十周年颁奖盛典中，作为我国不确定性人工智能领域的主要开拓者、中国人工智能学会名誉理事长李德毅院士荣获“吴文俊人工智能最高成就奖”，并在大会上作题为《探索什么叫新一代人工智能》的报告，探讨了新一代人工智能的内涵和路径，引领着新一代人工智能的发展与展望。
人工智能这一概念诞生于1956年在美国达特茅斯学院举行的“人工智能夏季研讨会”，随后在20世纪50年代末和80年代初先后两次步入发展高峰，但因为技术瓶颈、应用成本等局限性而均掉入低谷。在信息技术的引领下，数据信息快速积累，运算能力大幅提升，人工智能发展环境发生了巨大变化，跨媒体智能、群体智能成为新的发展方向，以2006年深度学习模型的提出为标志，人工智能第三次站在了科技发展的浪潮之巅。
当前，随着移动互联网、物联网、大数据、云计算和人工智能等新一代信息技术的加速迭代演进，人类社会与物理世界的二元结构正在进阶到人类社会、信息空间和物理世界的三元结构，人与人、机器与机器、人与机器的交流互动愈加频繁。在多源数据、多元应用和超算能力、算法模型的共同驱动下，传统以计算机智能为基础的、依赖于算力算法和数据的人工智能，强调通用学习和大规模训练集的机器学习，正逐渐朝着以开放性智能为基础、依赖于交互学习和记忆、基于推理和知识驱动的以混合认知模型为中心的新一代人工智能方向迈进。应该说，新一代人工智能的内核是“会学习”，相较于当下只是代码的重复简单执行，新一代人工智能则需要能够在学习过程中解决新的问题。其中，学习的条件是认知，学习的客体是知识，学习的形态是交互，学习的核心是理解，学习的结果是记忆……因此，学习是新一代人工智能解释解决现实问题的基础，记忆智能是新一代人工智能中多领域、多情景可计算智能的边界和约束。进而当人类进入和智能机器互动的时代，新一代人工智能需要与时俱进地持续学习，不断检视解决新的问题，帮助人机加深、加快从对态势的全息感知递进到对世界的多维认知。
事实上，基于数据驱动型的传统人工智能，大多建立在“数据中立、算法公正和程序正义”三要素基础之上，而新一代人工智能更关注于交互能力，旨在通过设计“记忆”模块来模仿人脑，解决更灵活多变的实际问题，真正成为“不断学习、与时俱进”的人工智能。特别是人机交互支撑实现人机交叉融合与协同互动，目前已在多个领域取得了卓越成果，形成了多方面、多种类、多层次的应用。例如，在线客服可以实现全天候不间断服务，轻松解决用户咨询等问题，也可将棘手问题转交人工客服处理，降低了企业的管理成本；在智慧医疗领域，人工智能可以通过神经影像实现辅助智能诊断，帮助医生阅片，目前准确率已达95%以上，节省了大量的人力；2020年，在抗击疫情的过程中，新一代人工智能技术加速与交通、医疗、教育、应急等事务协作联动，在科技战“疫”中大显身手，助力疫情防控取得显著成效。
未来已来，随着人工智能逐渐融入居民生活的方方面面，将继续在智慧医疗、自动驾驶、工业制造智能化等领域崭露头角。一是基于新一代人工智能的智慧医疗，将助力医院更好记录、存储和分析患者的健康信息，提供更加精准化和个性化的健康服务，显著提升医院的临床诊断精确度。二是通过将新一代人工智能运用于自动驾驶系统的感知、预测和决策等方面，重点解决车道协同、多车调度、传感器定位等问题，重新定义城市生活中人们的出行方式。三是由于我国工业向大型化、高速化、精细化、自主化发展，对高端大规模可编程自动化系统提出迫切需求，新一代人工智能将推动基于工业4.0发展纲领，以高度自动化的智能感知为核心，主动排除生产障碍，发展具备有适应性、资源效率、人机协同工程的智能工厂应运而生。总之，如何展望人工智能通过交互学习和记忆理解实现自编程和自成长，提升自主学习和人机交互的效率，将是未来研究着力发展的硬核领域，并加速新一代信息技术与智能制造深度融合，推动数字化转型走深走实，有信心、有能力去迎接下一场深刻产业变革的到来。
艾瑞：回归基础，整合资源，人工智能的升级探索
导语：人工智能产业整体正处于从发展期向成熟期过渡的阶段，其作为关键性的新型信息基础设施与技术，为数字经济时代注入新动能，且在行业的辐射广度不断扩大，渗透深度不断加强，逐步蔓延至各行业场景与业务环节。
导语：人工智能产业整体正处于从发展期向成熟期过渡的阶段，其作为关键性的新型信息基础设施与技术，为数字经济时代注入新动能，且在行业的辐射广度不断扩大，渗透深度不断加强，逐步蔓延至各行业场景与业务环节。此外，预训练大模型这一通用人工智能解决方案被广为热议，对应的大小模型云-边-端协同发展模式也被提出。以上的主要趋势演变都对人工智能三要素――算力、算法、数据，提出了新的发展要求，相应领域的应对方案与整合式的人工智能基础设施也随之出现。
一、人工智能的宏观现状及趋势演变
1、人工智能正处于向成熟期跨越的发展阶段
随着2016年AlphaGo战胜人类棋手，开启了新一波人工智能浪潮，人工智能技术及产业进入加速发展期；2021年DeepMind团队开源AlphaFold2数据集，其利用人工智能技术解决蛋白质结构预测问题，供全世界科研人员使用。AI技术应用于生物领域取得的前瞻性进展有力推动了生命科学发展，也代表随着AI算力提升及算法的不断突破创新，AI技术在各行业领域的增量式技术改进、系统性前瞻性研发等重要产业改造环节提供价值。作为智能化转型工具，人工智能在各产业中的参与度逐渐加深，推动各产业的AI模型生产向效率化、工业化的生产阶段演进，而在这一特殊的跨越期内，产业大环境的蜕变对人工智能提出了更高的要求，这就需要人工智能三要素即算力、算法、数据迭代进化。
2、人工智能为数字经济时代注入新动能
数字经济是以数据为关键生产要素、以现代信息网络为重要载体、以数字技术应用为主要特征的经济形态。发展数字经济，微观上可能重塑传统的企业经营模式和经营理念；宏观上，数据作为生产要素的重要性不断提升，将对现有基于要素比较优势而形成的国际分工格局带来影响。发展数字经济，将打通供应链上下游、产业链的不同环节与服务链的各个节点，通过产业的数字化升级，实现效率变革、动力变革、质量变革，助力新发展格局的形成与发展。
在此背景下，加快推动数字产业化、推进产业数字化转型成为了企业顺应时代发展、打造数字化优势的主动选择，而人工智能作为数字产业化的商业应用与产业数字化的技术工具，迎来了难得的发展机遇，促使机器学习、NLP、知识图谱等数据治理相关的算法、计算海量大数据所需的算力以及数据数量与质量做出升级与改变。例如，算力需要算法开发平台，AIDC等资源，而数据需要数据基础服务、持续的数据治理能力等资源，以促进多环节提效与AI技术价值的释放，解决需求方人工智能生产力稀缺问题。
3、人工智能正在横纵渗透各行业场景与业务环节
近年来，人工智能技术及产品在企业设计、生产、管理、营销、销售多个环节中均有渗透且成熟度不断提升。同时，随着新技术模型出现、各行业应用场景价值打磨与海量数据积累下的产品效果提升，人工智能应用已从消费、互联网等泛C端领域，向制造、能源、电力等传统行业辐射，这意味着各行业碎片化、多样化的场景将衍生出更多的模型，而跨行业的模型难以复用、模型训练需求增大的情况也会进一步加剧，跨行业通用算法、大型计算中心、差异化开发等针对人工智能三要素的产品与解决方案也就随之产生。
4、大小模型云-边-端协同发展
大模型，即超大规模预训练模型，其对运算速度与算法的要求极高，因而需要充足的芯片资源支持与复杂的机器学习算法支撑。自2020年6月OpenAI发布GPT-3以来，各大学术机构与科技企业争先参与到大模型竞赛中，大模型于2021年迎来了大爆发。尽管大模型的研发取得了较大进展，其发展却面临诸多卡点：1）数据方面，国内可用的中文数据集有限，这意味着开发者使用的数据集可能会重复，进而导致各家的大模型能力相近。2）算法方面，参数越多、模型越复杂，模型越难以解释，复杂的大模型成为了“黑箱”，让业务使用者甚至是研发者都无法获知模型的结果与特征之间的关系。3）投入产出方面，成本与回报难匹配，训练所需的芯片成本过高、训练时间过长、碳排放量过高，而训练出的模型可能局限于某些行业业务、普适性差，让大模型沦为一次性的模型，浪费大量资源。4）应用使用方面，客户更注重模型的实用性，很多中小企业研发的小模型即可满足客户的业务需求，且成本更低，性价比更高。然而，宏观经济运行与监管、航空航天量子计算、医药研发、细胞分类等社会与自然科学领域的重大分析任务，以及跨行业的通用模型研究又恰恰需要大模型这一先进工具。对此，大小模型云-边-端协同发展的模式被提出：云端提供充足的算力与数据存储空间，容纳大模型的训练与演变，云端大模型为边、端小模型输送通用知识与能力；而在边与端侧，小模型快速执行推理任务，专注于特定场景的极致化，并向云端大模型反馈数据、成效，解决大模型数据集单一的问题，最终实现功能独立的大模型的全社会共享。这一发展模式，实际上是对算力与算法结构进行了新的构思与畅想。
5、可信人工智能将推动行业规范化与技术商业化
新一代人工智能技术迅猛发展，并向社会各个领域加速渗透，这给经济和社会发展带来了新的变革性机遇，也给人类生产生活带来了深刻的变化，与此同时，科技伦理也成为了当前AI产业技术发展与产业应用中的“必答题”。可信人工智能的核心原则是让AI应用满足可靠、安全、可解释、隐私保护、责任明确等条件，是落实AI治理的重要实践，其所遵循的可信特征与AI伦理和相关法律法规等要求一脉相承，均将以人为本作为其本质要求。可信AI使用系统稳定技术、可解释增强技术、隐私保护技术、公平性技术等，促成AI的可靠可控、透明可释、数据保护、明确责任、多元包容，期望解决算法安全应用风险、“黑箱”风险、数据歧视风险、责任主体界定风险、隐私泄露风险等问题。
AI企业作为人工智能技术产品化的主体，在可信人工智能的发展实践中正发挥着日益积极的作用，谷歌、微软、百度、京东、旷视等一批国内外企业纷纷投身其中。科技巨头们在可信人工智能上的投入除承担社会公益和行业引领的责任外，在AI商业化上面临越来越多的限制和挑战也是关键驱动因素。以可信人工智能所包含的隐私保护为例，部分AI企业在接受监管机构上市问询时，被重点要求说明其技术、业务及产品中涉及到数据应用的具体环节，相关数据来源与合规性，以及保证数据合规的具体措施等。这种自上而下的监管推动也将与企业内驱形成合力，共同推动可信人工智能的发展与实践，可信人工智能也将成为AI产业下一阶段发展的重点。
二、迭代发展的人工智能三要素
1、算力：产业新篇章的驱动力
算力资源以芯片作为物理硬件载体，并嵌入运算逻辑与规则，完成训练与推理过程。芯片与服务器进行组装组合，组成数据中心或超算中心，为企业、政府、个人用户提供计算能力与存储空间，驱动各类设备端的AI运算程序。AI芯片与超算中心是应对跨行业碎片化模型、预训练大模型等发展趋势算力解决方案。
以GPU、ASIC、FPGA为代表的AI芯片被广泛应用于云计算、安防、自动驾驶、移动终端等领域，高效支撑AI技术落地应用，成为了算力突破的新增长点。AI应用的算法模型的复杂度不断提升，模型包含的数据密度与量级也在变大，对传统芯片构成了较大的挑战，而AI芯片可针对大规模的数据量、特殊场景模型等情况进行优化设计，满足日渐增长的算力需求，解决算力资源稀缺问题。当前，我国的AI芯片行业仍处于起步期，市场空间有待探索与开拓。据预测，2021年我国AI芯片市场规模为297亿元，到2026年，我国AI芯片市场规模将达到1917亿元，2021-2026年的相关CAGR=45.2%，市场保持快速增长态势。（数据来源：2021年中国人工智能产业研究报告（Ⅳ））
超算中心是解决算力资源稀缺问题的又一解决方案，其以“多”与“大”为特征。“多”指中心内部的服务器与芯片的数量多、可同时承载的模型数量多；“大”指中心的占地面积大、单位算力大、建设运维耗资大。超算中心可分为两类：第一类以国家或地方为建设单位的G端超算中心，服务对象主要为国家牵头的重点科研单位、高校研究院等，此类超算中心是解决国家安全、科学进步、经济发展与国防建设等重大挑战性问题的重要手段，近两年受国家与地方的高度重视与扶持，建设与升级超算中心的趋势愈加明朗。第二类以人工智能厂商、智能云厂商、IDC服务商为建设供应主体的B端超算中心，为企业、事业单位、政府等提供主机托管、计算或存储资源的出租、增值或应用服务。目前，超算中心的建设尚处于起步阶段，其规模空间有待开拓，社会价值也将随着建设的落地而进一步凸显。
2、算法：模型运行的规则指令
算法资源让模型遵循指定的规则指令，让输入的数据按照拟定好的步骤转化为结果输出。一方面，AI技术不断横纵渗透进入传统业务与环节，导致长尾需求不断产生，原有的算法需持续更新；另一方面，企业、政府受限于成本投入、人才培养等因素，在算法开发领域的专业度有限，仅依靠其自身难以推动算法的开发与升级。因此，AI技术开放平台、AI应用模型效率化生产平台等便捷式的算法开发工具产生。依靠AI技术开放平台，企业或个人开发者可直接调用AI技术领先企业的先进算法能力与资源，且开放者可利用开发者的创新应用所编制的算法来反哺开放平台；依靠AI应用模型效率化生产平台，企业或算法工程师可借助专业的AI企业开发能力，针对不同行业的具体业务专门研发算法，并融合低代码开发工具，实现经济合理、高效简易的敏捷开发操作。
3、数据：模型跑动的生产资料
数据资源作为AI模型跑动的生产资料，贯穿AI模型诞生、发展、调整、废弃这一完整生命周期的始终。然而，在挖掘模型数据时，往往面临数据数量与数据质量两大方面的问题。在数据数量上，吻合AI模型的数据数量在成熟应用领域呈现出数据过剩的状态，在新兴应用领域则呈现出数据稀缺的状态，如人脸识别领域所需的图像数据获取难度与标注难度低，人脸数据积累多，而在公安知识图谱领域，数据保密性强且标准不一，数据的获取与处理难度增大，数据积累不足。在数据质量上，数据质量参差不齐，进而导致模型与数据往往无法拉齐，如原有基础数据不达标导致大量脏数据存在，暗数据挖掘不足，按照传统数仓方法论治理后的数据与AI模型要求的数据有差异等，种种质量问题指向丞待展开的数据治理工作。对此，围绕于AI模型的数据治理工程这一概念产生，即面向AI的数据治理。
面向AI的数据治理是指，以具体业务产生的AI模型开发与训练为目的，使用各个数据组件与人工智能技术，对数据进行针对性与持续性的诊治与管理。面向人工智能的数据治理的先后使用NLP――知识图谱――机器学习三项认知智能技术，这三项技术作用于数据治理的多数组件，影响着数据处理能力的强弱，进而影响着AI应用系统智能化程度的高低。读时模式数据完成接入与汇聚后，NLP便开始一系列提高数据可读性、可用性与准确率的工作，将数据转化为人类可理解的文本。知识图谱是紧随其后的一项技术，主要负责构建具备逻辑推理关系的框架、模型，进行知识挖掘与符号推理，但当前NLP大数据处理的准确率有待提升，所以知识图谱的应用还比较受限。机器学习比较特殊，其作为一种底层算法，运用于除数据接入与汇聚外的所有组件，发挥自动化处理的效果，提高数据处理效率。此外，其也是技术环节的最后一环，首先提取知识图谱网络中的特征，然后不断调优算法、训练模型，完成决策与行为动作。至此，面向人工智能的数据治理的类脑信息系统建设基本告一段落。
三、人工智能三要素的一体化解决方案架构呈现：商汤科技
为满足人工智能三要素即算力、算法、数据三方面迭代发展的需求，商汤构建了新型人工智能基础设施――SenseCore商汤AI大装置。其通过整合强大的算力基础和领先的算法能力，致力于拆解与碰撞海量数据、深入挖掘数据的潜在价值、打破认知和应用的边界。
1、SenseCore推动实现高效率、低成本、规模化AI创新与赋能
伴随着AI技术的日臻成熟，AI逐渐加快进入产业化落地阶段，但在AI赋能企业数字化转型中，场景碎片化、AI模型开发效率低导致无法满足市场的大量长尾需求、以及工业级应用所需的高性能AI模型生产成本高昂都是不可绕开的痛点。在此背景下，商汤科技打造了新型人工智能基础设施――SenseCore商汤AI大装置，以满足深度学习网络模型不断攀升的算力需求、多行业长尾细分的应用需求以及摆脱人力密集型的开发模式。SenseCore商汤AI大装置通过整合强大的算力基础和领先的算法能力，致力于拆解与碰撞海量数据、深入挖掘数据的潜在价值、打破认知和应用的边界。作为三位一体的业务智能化发动机，其构建了一整套端到端的架构体系，打通算力、平台和算法之间的连接与协同，大幅降低人工智能生产要素的成本，从而实现高效率、低成本、规模化的AI创新和赋能，推动人工智能进入工业化发展阶段。
2、SenseCore商汤AI大装置为各行业提供精准服务
AI作为新兴数字产业是“打造数字经济新优势”的重要抓手，对推动产业数字化进程具有不可替代的价值，但在AI赋能企业数字化转型中，场景碎片化问题是不可绕开的痛点。如果这些长尾的需求没有一个统一的AI方法来解决，那么必然要面临大量的人力支出来收集巨量样本。而从技术本身来看，如果技术仍停留在聚焦单一问题以及大量数据的单一训练，将无法实现更好的泛化。因此，AI如何赋能实体经济数字化转型仍存在不少的实施问题。商汤以通用底层基础设施，以工业化AI生产助力覆盖海量长尾场景，成为产业转型、拥抱数字经济的新思路。以商汤服务京沪高铁接触网巡检这一长尾场景为例，基于SenseCore合作推出智能分析系统“星空”，实现了京沪高铁全线智能化检测，助力高铁实施预测性维修。“星空”在设计中，考虑了高铁接触网超过上百类零部件的安装和紧固方法，梳理出高达上千种需要识别的缺陷项点，并融合传统视觉算法和深度学习算法以适配高铁接触网的复杂场景，最终极大提高了检出效率与效果。
（本文为艾瑞网独家原创稿件转载请注明出处）人工智能促进教育变革创新
通过云平台布置电子作业，利用数据分析课堂上学生学习行为，推进学校管理流程迈向数字化……前不久，2022国际人工智能与教育会议在线上举行，来自全球数十个国家的政府官员、专家学者、一线教师、企业代表等相聚“云端”，畅叙人工智能时代教育发展图景。
作为引领新一轮科技革命和产业变革的重要驱动力，人工智能催生了大批新产品、新技术、新业态和新模式，也为教育现代化带来更多可能性。习近平总书记强调，“中国高度重视人工智能对教育的深刻影响，积极推动人工智能和教育深度融合，促进教育变革创新”。国务院印发的《新一代人工智能发展规划》，明确利用智能技术加快推动人才培养模式、教学方法改革；教育部出台《高等学校人工智能创新行动计划》，并先后启动两批人工智能助推教师队伍建设试点工作；中央网信办等八部门联合认定一批国家智能社会治理实验基地，包括19个教育领域特色基地，研究智能时代各种教育场景下智能治理机制；科技部等六部门联合印发通知，将智能教育纳入首批人工智能示范应用场景，探索形成可复制、可推广经验……“人工智能+教育”不断碰撞出新的火花，为教育变革创新注入强劲动能。
“人工智能+教育”，应用就在身边。音乐课上，虚拟数字人“元老师”跨越时空限制，带领多所学校学生同唱一首歌；体育课上，学生开始跳绳项目测试，智能终端上实时显示心率变化、跳绳次数、平均速度等数据。技术改变课堂，潜力无限。比如，借助虚拟现实技术，学生能够模拟穿上太空服行走在宇宙，感受浩瀚星河的魅力；通过增强现实技术体验川剧变脸，平面的课本知识变得可感可知。现实中，越来越多的学校已经开设或准备筹备人工智能教育教学活动。
“人工智能+教育”，变革教育生态。教、练、考、评、管各环节均有人工智能辅助，让教师教得更好；虚实融合多场景教学、协同育人，让学生学得更好；海量线上数据和逐渐强大的算力，让学校管理更加精准。此外，在人工智能支撑下，优质数字教育资源跨越山海，推动教育更加公平、开放。在西藏墨脱县，得益于多媒体器材配备到雅鲁藏布大峡谷深处、“智慧课堂”全覆盖，门巴族孩子小学入学率实现100%。
我国发展“人工智能+教育”具备良好基础和独特优势。比如，语音识别、视觉识别等技术世界领先；国家智慧教育平台汇集了海量的数据资源，2.91亿在校学生和1844.37万专任教师展现出丰富的应用需求；教育领域数字化基础条件全面提档升级，全国中小学（含教学点）互联网接入率达到100%，99.5%的学校拥有多媒体教室，学校配备的师生终端数量超过2800万台。也应看到，人工智能技术在教育领域的应用仍处于起步阶段。“数字鸿沟”可能将部分学生排除在智能教育之外，数据收集、使用、分析等环节存在安全隐患，相关公共政策制定较为滞后……以人工智能赋能教育现代化，这些都是需要回答好的课题。
着眼未来，应携手打造高质量、有温度的人工智能教育生态。人机协作如何更聪明，人机对话如何更友好，是“人工智能+教育”的长期课题。一方面，技术应服务育人，在让其“授业”“解惑”的同时，必须坚持教师“传道”的主体地位。另一方面，人也要理解、善用技术，努力提升信息应用能力，让人工智能更好辅助教学。教育是动态的、发展的，理性思考人与技术的关系，把握教育规律、用好技术手段、凝聚各方力量，进一步推动人工智能与教育深度融合、创新发展，才能更好赋能教育现代化，培养顺应时代发展要求的创新人才。（吴丹）