2023年中国人工智能市场现状与应用趋势分析 人工智能带动产业规模达到5千亿、应用产业广泛
当前位置：前瞻产业研究院»经济学人»研究员专栏2021年中国人工智能市场现状与应用趋势分析人工智能带动产业规模达到5千亿、应用产业广泛UVc分享到：王蕤•2021-10-1117:40:34来源：前瞻产业研究院E63924G02023-2028年中国人工智能行业发展前景预测与投资战略规划分析报告2023-2028年全球人工智能芯片（AI芯片）行业市场调研与发展前景研究报告2023-2028年中国大数据产业发展前景与投资战略规划分析报告2023-2028年中国云计算产业发展前景预测与投资战略规划分析报告2023-2028年中国生物识别技术行业市场调研与投资预测分析报告人工智能行业主要上市公司：目前国内人工智能行业的上市公司主要有百度百度(BAIDU)、腾讯(TCTZF)、阿里巴巴(BABA)、科大讯飞(002230)等。
本文核心数据：中国人工智能产业核心产业规模,人工智能产业核心产业规模,人工智能产业链应用层,中国人工智能市场应用份额,人工智能在各行业中的应用情况
1、核心产业和带动产业双双高速增长
相比于互联网产业，我国人工智能发展期与成熟期迎来的较晚，但是在资本和社会期望的驱动下，我国人工智能发展的速度也是非常快的。初步估计2020年我国的人工智能核心产业规模达到1512.5亿元，增长率为38.94%。
除了核心产业的增长外，人工智能带动产业而规模也呈现出快速增长区趋势。2019年我国人工智能带动产业从而规模为38521.5亿元，初步估计2020年达到5725.7亿元，同比增长高达49.83%。
2、人工智能发展快速主要由于应用产业广泛
人工智能发展快速主要由于应用产业广泛。从产业链的结构来看，在人工智能应用层设计的行业非常的多。软件方面的涉及主要有客服、金融、教育;硬件类主要包含无人机，仓储物流、智能机器人等;还有软硬件均为核心技术的无人驾驶和医疗健康产业。
从客户来看，中国人工智能市场主要客户来自政府城市治理和运营(公安、交警、司法、城市运营、政务、交运管理、国土资源、监所、环保等)，应用占比达到49%，互联网与金融行业紧随其后，占比分别为18%和12%。
企业和政府对人工智能的应用逐渐升温。在决定企业产生经济效益的各个环节，都已能够看到人工智能的身影：AI核身帮助人们安全生活、远程交易、便捷通行;深度学习和知识图谱帮助企业在生产过程中分析预测、科学决策;人机对话提升了拜访登记、服务响应中的用户体验。人工智能将催生新技术、新产品、新产业、新业态、新模式，实现社会生产力的整体跃升，推动社会进入智能经济时代。
前瞻估算，目前中国大型企业基本都已在持续规划投入实施人工智能项目，而全部规上企业中约有超过10%的企业已将人工智能与其主营业务结合，实现产业地位提高或经营效益优化。
以上数据参考前瞻产业研究院《中国人工智能行业市场前瞻与投资战略规划分析报告》，同时前瞻产业研究院还提供产业大数据、产业研究、产业链咨询、产业图谱、产业规划、园区规划、产业招商引资、IPO募投可研、招股说明书撰写等解决方案。
更多深度行业分析尽在【前瞻经济学人AIPP】，还可以与500+经济学家/资深行业研究员交流互动。
前瞻产业研究院-深度报告REPORTS2023-2028年中国人工智能行业发展前景预测与投资战略规划分析报告本报告前瞻性、适时性地对人工智能行业的发展背景、供需情况、市场规模、竞争格局等行业现状进行分析，并结合多年来人工智能行业发展轨迹及实践经验，对人工智能行业未来...
查看详情
本文来源前瞻产业研究院，内容仅代表作者个人观点，本站只提供参考并不构成任何投资及应用建议。（若存在内容、版权或其它问题，请联系：service@qianzhan.com）品牌合作与广告投放请联系：0755-33015062或hezuo@qianzhan.com在招股说明书、公司年度报告等任何公开信息披露中引用本篇文章内容，需要获取前瞻产业研究院的正规授权。如有IPO业务合作需求请直接联系前瞻产业研究院IPO团队，联系方式：400-068-7188。
p17q0我要投稿
UVc分享：标签：人工智能市场现状应用趋势核心产业规模人工智能行业品牌、内容合作请点这里：寻求合作››
产业规划
园区规划
产业招商
可行性研究
碳中和
市场调研
IPO咨询
前瞻经济学人专注于中国各行业市场分析、未来发展趋势等。扫一扫立即关注。前瞻产业研究院中国产业咨询领导者，专业提供产业规划、产业申报、产业升级转型、产业园区规划、可行性报告等领域解决方案，扫一扫关注。相关阅读RELEVANT2021年中国人工智能应用市场现状与发展趋势分析计算机视觉为主要应用技术【组图】
十张图了解2021年中国LED照明行业应用现状、市场规模与发展趋势
2023年中国再生医学行业市场现状与发展趋势分析产品技术融合和商业化应用加深【组图】
2022年中国AI医学影像行业市场现状与发展趋势分析未来应用前景广阔
2023年中国人工智能芯片行业市场现状及发展前景分析AI芯驱动引领未来【组图】
2023年全球智慧水务行业市场现状及发展前景分析人工智能技术加速与水务行业融合【组图】
人工智能发展现状和未来趋势分析
人工智能在竞技体育领域的应用，最有代表性的是阿尔法围棋，也就是我们熟知的AlphaGo。它是由谷歌旗下DeepMind公司戴密斯·哈萨比斯领衔的团队开发的人工智能机器人，主要工作原理是“深入学习”。2016-2017年，AlphaGo先后战胜了李世石、柯洁等世界围棋冠军，并在中国棋类网站上以“大师”为注册账号，在与中日韩数十名围棋高手的快棋对决中连赢60盘无一败绩。2017年5月27日，在战胜柯洁之后，AlphaGo团队宣布AlphaGo不再参加围棋比赛。2017年10月18日，DeepMind团队公布了最强版阿尔法围棋，代号AlphaGoZero。
据AlphaGo的开发团队介绍，最初的AlphaGo系统主要由四个部分组成：一是策略网络，给定当前局面，预测并采样下一步的走棋；二是快速走子，目标和策略网络一样，但在适当牺牲走棋质量的条件下，速度要比策略网络快1000倍；三是价值网络，给定当前局面，估计是白胜概率大还是黑胜概率大；四是蒙特卡洛树搜索，把以上这四个部分连起来，形成一个完整的系统。而AlphaGoZero则是在原版的基础上进一步提升，已不需要人类的数据，只让其自由地在棋盘上下棋，进行自我对弈。据团队负责人大卫·席尔瓦介绍，AlphaGoZero一开始甚至并不知道什么是围棋，只是从单一神经网络开始，通过神经网络强大的搜索算法，进行自我对弈。随着自我对弈次数增加，其神经网络逐渐调整，提升预测下一步的能力，最终赢得比赛。更为厉害的是，随着训练逐渐深入，AlphaGo团队发现它还能独立发现游戏规则，并走出新策略，为围棋这项古老游戏带来新的见解。
三、我国人工智能产业的发展现状
我国人工智能产业真正开始成长是在2013年，近年来更是突飞猛进。据统计，2018年我国人工智能赋能实体经济市场规模为251亿元，预计未来将快速增长，有望在2021年突破1000亿元，2023年突破2000亿元。按产业领域来分，2019年我国AI+安防占人工智能赋能实体经济比重达53.8%，其次是AI+金融，占比15.8%，AI+营销占比11.6%。
我国在人工智能相关论文发布数量、企业数量、融资总额、产业规模、专利申请数量等方面均居世界头部阵营，具有充分的市场竞争力。截至2019年，我国AI论文占全球AI论文比重为28%；活跃企业数1189家，占全球总数的22.08%；融资总额166亿美元，占全球比重达44.39%；相关产业规模达570亿元人民币；2008-2019年相关专利累计66508项，占全球总数的14.82%。
但与此同时，我国也存在缺乏人才储备的短板。截至2019年，我国人工智能领域相关的博士有413名，占全球总数比重仅1.88%；专家120名，仅占全球总数的2.22%。虽然我国人才储备不足，但已在全力补足，截至2020年，全国已有35所高等院校开设了Al专业，国际交流和国际人才引进也在不断加深，未来5年内将有大量从业者涌入市场。
重应用轻基础研发也是我国人工智能行业发展存在的另一大问题。2020年，我国应用层人工智能企业数占人工智能行业主导地位，占人工智能相关企业总数比重达到84.05%；其次是技术层，占比13.65%；基础层最低，仅占2.30%。近年来，中美两国在高科技方面的竞争，特别是美国对中国的打压，使得研发型企业远少于应用型企业的隐患显现。因此，政府开始重视人工智能基础层企业的培养，资本方逐渐重视AI芯片、机器学习算法、数据处理等产业链上游企业的发展，科技巨头企业更是提前进行了Al生态布局，建立了产业联盟。在各方的努力下，中国人工智能市场处于从局部向整体发展的上升期，行业前景良好。
总的来说，我国人工智能发展既有优势，也存在不足，目前我国正尽全力弥补短板，使人工智能产业更加健康、稳步发展，未来发展趋势定将逐渐向好。
总结
目前全球主要经济体在人工智能领域发展迅速，且竞争激烈。当前的国际环境对于我国发展人工智能来说既是一大挑战，也是难得的机遇。我国只有抓住这个机遇，在支持和鼓励应用层和技术层发展的同时，重视基础研发，培养人工智能领域相关人才，保持经济高速发展，才能在国际竞争中处于有利地位。返回搜狐，查看更多
深度丨人工智能前沿技术应用趋势与发展展望
基础数据集建设已经成为基本共识
自从李飞飞等在2009年成功创建ImageNet数据集以来，该数据集就已经成为了业界图形图像深度学习算法的基础数据集，通过举办比赛等方式极大地促进了算法的进步，使得算法分类精度已经达到了95%以上。这也使得一些大型研究机构和企业逐渐认识到了数据的价值，纷纷开始建立自己的数据集，以便进行数据挖掘和提升深度学习模型的准确率。如美国国家标准研究院的Mugshot、谷歌的SVHN、微软的MSCOCO等图像基础数据集，斯坦福大学的SQuAD、卡耐基梅隆大学的Q/ADataset、Salesforce的WikiText等自然语言数据集以及2000HUB5English、CHiME、TED-LIUM等语音数据集。
新型计算基础设施陆续成为产业界发展目标
由于深度学习对算力有较高的需求，因此相继出现了一些专门的计算框架和平台，如伯克利大学的Caffe、微软的CNTK、Facebook的Torch、亚马逊的MXNet、百度的PaddlePaddle等，尤其是谷歌的TensorFlow能够支持异构设备的分布式计算，其平台API能力已经覆盖了CNN、RNN、LSTM等当前最流行的深度神经网络模型。除了从计算框架软件平台进行研发之外，产业界同时也从硬件方面探索计算能力的提升方法。最为直接的方法就是采用计算能力更强的GPU替代原有的CPU等。此外，谷歌、IBM等一些大型企业在大量采用GPU的同时，也在探索进行符合自身计算环境的芯片研发，从而进一步降低成本、提高效率，因此产生了TPU等性能更加卓越的新型芯片。
人工智能技术发展面临的挑战虽然人工智能技术发展已经取得了前所未有的成绩，但随着深度学习技术应用的不断深化和产业化步伐的逐步加快，人工智能技术发展也面临着不少挑战。
主流技术深度学习还具有较大局限性
一是在有限样本和计算单元的情况下，对复杂函数的表示能力有限，其针对复杂分类问题的泛化能力受限。二是通过深度学习是一种基于概率统计的算法，机器系统学习到的是大概率内容，不是知识，无法像人类一样进行举一反三的应用。三是深度学习存在黑箱问题，不能解释其自身做出决策的原因。
基础数据积累还远远不能满足模型训练需要
由于大数据技术的出现和使用时间还不长，各类基础数据不论从数量上还是从质量上来看，都尚需要较长时间的积累。一方面，某些关键领域和学术数据集还严重不足。另一方面，已有规模化的基础数据集不仅数据质量良莠不齐，而且基本上由少数几家巨头或政府所掌握，鉴于监管和竞争等因素，无法实现有效流动。基础数据的缺乏，使得深度学习模型训练也造成了样本基础缺失。
计算框架和通用智能芯片尚未形成定局
虽然已经出现了TensorFlow、Caffe、CNTK、Torch、MXNet、PaddlePaddle等深度学习计算框架，但由于深度学习应用场景众多，相关应用呈现碎片化特点，无论从功能还是性能角度来讲，用于实现最后应用落地的开源计算框架与实际需求之间都还存在着相当的距离，满足产业发展需求且具有绝对统治地位的开源计算框架也还没有出现。同时，深度学习芯片还只是刚刚起步，而且还基本上属于专有领域的芯片，通用智能芯片的产业化还需要较长时间的探索。
人机和谐共处的有效途径开始艰难探索
由于黑箱问题及其基于概率统计的特点，基于深度学习的智能系统存在产生不可控结果的隐患。我们已经看到，使用了人工智能技术的智能驾驶汽车出现了多次的事故，甚至造成了人员的伤亡。另外，使用了智能算法的自动驾驶飞机也出现了多次坠机事故。这些事故不仅造成了人们的生命和财产损失，也严重打击了人们对人工智能的信心。实际上，这些事故的发生除了有技术方面的原因之外，还涉及到AI伦理的问题，也就是如何保证人类与智能系统之间的和谐共处、协同合作等问题。目前来看，AI的伦理问题还需要较长的探索过程。
人工智能技术发展趋势短期来看，人工智能技术的发展将围绕对上述问题的解决进行。下面从算法理论、数据集基础、基础设施、人机协同等以下几个方面进行探讨。
算法理论
在算法理论层面，将继续按照深度学习完善和新算法的两条主线发展。首先，深度学习在提升可靠性、可解释性等方面的研究以及零数据学习、无监督学习、迁移学习等模型的研究将成为热点方向，这不仅仅是深度学习算法本身发展的需要，也是产业发展的需要。其次，学术界将继续开展新型算法的探索，包括对传统机器学习算法的改进、传统机器学习算法与深度学习的结合以及与深度学习迥异的新型算法等。
数据集基础
在数据集基础方面，学术界与产业界将共同合作构建语音、图像、视频等通用数据集以及各行业的专业数据集，使得各类数据集能够快速满足相关需求。一方面，随着对人工智能认识的不断加深，将会有越来越多的企业和政府机构开展数据自建和数据标注等工作。另一方面，随着深度学习的发展，将会出现智能化的数据标注系统来帮助和替代人类进行数据标注等工作。再有，在政府引导和支持下，一些开放的标准化数据集将会陆续出现，为整个行业提供标准化训练数据集。
计算平台与芯片
在计算平台与芯片方面，大型企业自研计算框架、自建计算平台，甚至是自研芯片等，仍将是普遍现象。这主要是由于以下两个方面的原因。一是企业出于自身数据和业务安全的考虑，对使用其他机构提供的训练平台仍然持有不信任的态度；二是每个企业的数据中心和相关平台都有其自身的特点，自研计算框架、自建计算平台和自研芯片能够更好地满足自身的业务发展需要。
人机协同机制
在人机协同机制方面，“人在回路”将成为智能系统设计的必备能力。目前，机器智能并没有实现人们所希望的“以人为中心”，仍然还是以机器为中心，这也是人类屡受智能系统伤害的主要原因之一。因此，将人类认知模型引入到机器智能中，使之能够在推理、决策、记忆等方面达到类人智能水平，将成为学术界和产业界共同追求的目标，并可能在一定的时间内取得较好的阶段性成果。
人工智能技术发展展望长期来看，人工智能技术将分别沿着算法和算力两条主线向前发展，并逐步带领人类进入到人机协同的新时代。
高度关注类脑智能算法
深度学习是基于冯·诺依曼体系结构发展起来的。由于受到内存墙等相关方面的制约，难以达到较高的计算效率。为此，近些年来IBM等已经开始进行颠覆冯·诺依曼体系结构的类脑智能算法与技术的探索。类脑智能借鉴大脑中“内存与计算单元合一”等信息处理的基本规律，在硬件实现与软件算法等多个层面，对于现有的计算体系与系统做出本质的变革，并实现在计算能耗、计算能力与计算效率等诸多方面的大幅改进。目前，随机兴奋神经元、扩散型忆阻器等已经在IBM、马萨诸塞州阿姆赫斯特大学、清华大学等机构研制成功，IBM已经研制成功TrueNorth芯片，清华大学团队也成功研制出了基于忆阻器的PUF芯片。
智能部署从中心向边缘和终端扩散
随着智能装备和智能机器人等智能终端的逐渐增多，智能终端的快速反应以及相互之间的协同行动需求将会越来越迫切，对智能服务的实时性将会越来越强烈。这就要求智能服务从云端向网络边缘甚至终端扩散，智能模型与算法需要部署在网络边缘或终端之上，就近提供网络、计算、存储、应用等核心能力，从而满足通信、业务、安全等各方面的关键需求。
目前，英伟达、高通等都已经陆续开展了用于边缘网络或终端的AI专用芯片。而随着5G网络的普遍部署，边缘智能将会获得快速的发展。
深度学习通用平台和通用AI芯片将会出现
随着人工智能应用在生产生活中的不断深入融合，智能终端的互联互通将会成为必然。由于跨框架体系开发及部署需要投入大量资源，因此尽管每个终端的智能模型可能不同，但深度学习计算框架的模型底层表示将会逐渐趋同，形成深度学习通用计算框架和平台。随着计算框架的整合，GPU和TPU等芯片将可能会被通用AI芯片所替代。
量子计算推动形成新一轮计算革命
不论现在还是将来，人工智能无疑都将是最为消耗计算资源的业务和应用之一，计算效率也将是智能体永恒的追求目标。量子计算具有强大的计算能力和效率，已经成为全球公认的下一代计算技术。IBM已经在近期推出了世界上第一个商用的通用近似量子计算系统里程碑产品IBMQSystemOne，客户可以通过互联网使用这台量子计算机进行大规模的数据计算，为人工智能计算展示了良好的前景。
人工智能已经逐渐向工业、农业、交通、医疗、金融等各个领域渗透，并开始形成新的业态，成为了新一轮技术革命的制高点。因此，必须积极主动把握人工智能技术和产业发展机遇，认清技术发展趋势，在类脑智能、边缘智能、通用平台与芯片、量子计算等前沿技术领域加快布局，勇闯人工智能科技前沿的“无人区”，才能抓住人工智能时代发展的主动权。返回搜狐，查看更多
【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
人工智能时代学校教育的现状及发展趋势
（二）积极开展教师人工智能教育培训
教师作为学生培养者、人工智能教育实践者，提升自身人工智能素养是实现教育现代化的重要保障。针对当前教师对人工智能教育认识分化，人工智能教育利用不合理情况，学校与教育主管部门应定期对教师进行相关教育培训。第一，深入调查研究了解当前教师关于人工智能教育认识程度、使用熟练度、存在具体问题及相关建议，由此制定具有针对性的培训内容。第二，针对调查结果结合不同地区实际教育发展需要，制定人工智能专项教育培训计划，达到教师正确认识并熟练运用目的。第三，邀请人工智能专家、教育专家、资深教师进行培训课程研发。使培训课程贴近生活、贴近课堂、贴近学生，做到为教育服务。第四，为保证培训效果，将人工智能教学技能作为教师综合考核标准之一，督促、激励教师向数字化教师转型，带动教育事业走向现代化。
（三）合理为学生制定个性化学习方案
人工智能教育使教师对学生学习过程具有深入了解，可以针对不同层次学生制定个性化学习方案。传统课堂教师无法兼顾学生学习差异，授课内容只能以班级大多数学生水平为参照，导致优等生得不到突破，后进生理解困难，难以真正达到因材施教。在人工智能教育帮助下，通过自适应学习程序、游戏和软件等系统响应学生的需求，全过程搜集学生的学习数据，通过分析数据，最后向学生推荐个性化的学习方案。课前，教师通过数据反馈结合学生学习需要制定本节课教学计划。课中，依据学生课堂表现，教师可以有针对性的对学生薄弱环节，进行深入讲解加深学生印象。课后，分层次布置作业，在确保夯实基础知识前提下，适当拔高作业难度，既能巩固知识，又能减少学生学习挫败感调动学习积极性。人工智能教育把传统课堂的优势与数字化教学的便利相结合，实现线上教育与线下教育的混合式教学，达到个性化教学目的。
（四）考核体系实现素质评价精准化
当前以知识为核心的考试制度，虽然提高了升学率，但是制约了教育创新发展，不利于学生综合素质提升。随着人工智能数据采集方式的不断完善，充分利用大数据智能分析对学生的学习过程、学习行为、学习水平等进行分析，基于学生的个性特点精准建立学习者的动机、能力、爱好、水平、体能、心智水平等要素构成的学习方案，具备大数据智能过程性评价的新制度将从根本上优化当前的以知识为核心的考试制度，以学习者动态发展学业水平为基础的适应性双向匹配与选择制度将被建立，从而实现素质评价精准化，提升学生学习的积极性与主动性。
三、人工智能对未来教育影响
（一）促进学生深度学习
理想的学习效果是让学生认识到学习意义，从而全身心投入到未知领域的学习中，达到深度学习目的，人工智能教育利用技术优势实现学生深度学习。首先，真实地学。真实是深度学习发生的基础，在课堂中减少虚假学习行为，聚焦学生内心世界，了解学生学习困境，进行针对性教学，从而促进学生深度学习。其次，充分使用工具。人工智能为教育提供丰富多样的学习工具，学生结合自身学习特点，合理选择学习工具，提高学习效率促进深度学习。最后，整体地学。关于深度学习，我们应走出碎片化学习误区，利用人工智能辅助学习工具，把知识与生活相联系与学生学习过程体验相结合形成整体教学。人工智能时代深度学习不仅是大脑参与的思维层面的学习，更是人机协同的系统化学习。
（二）促进学生跨学科学习
单科学习让学生有完整系统的学科知识，但其局限性无法满足新时代对学生综合能力提出的要求，新时代跨学科学习是未来创造者的必修课。这种学习方式打破不同学科、领域之间的知识隔阂，在帮助学生解决复杂问题的同时拓宽认识边界，培育学生的发散思维和创新能力。人工智能时代跨学科学习，不再局限于学校学科之间的跨越学习，而是提倡学生学习社会各个学科领域的重要知识，并用此指导实践。进行跨学科学习应使用交流合作的学习方式，在学习过程中取长补短，融百家之所长，实现知识的流动、转换和创新，在理性的学术争论中，帮助学生完善知识，提升学生创新水平。
（三）促进学生思维方式转变
人工智能教育颠覆了不同个体的学习过程和学习方式，促进学生思维方式转变。在应试教育背景下，学生常用死记硬背的学习方式，不考虑知识的来源、用处与其他知识的关联，缺乏在实际生活中运用。针对这一问题，人工智能用庞大数据库和丰富实践案例，来引导学生思维方式从零维上升到一维。线性思维强调不同事物之间彼此关联和相互连接，利于学生用所学知识连接现实解决困境。建立不同知识点的因果联系，有助于提高学生创造力、展现个性。人工智能作为人类学习辅助工具，极大地优化了学生的思维方式，加速素质教育实现。
四、结语
人工智能技术发展使学校教育得到优化，为人类社会发展带来动力和创新契机，我们应从理性的角度出发，合理利用技术推动教育进步，提升教育质量，真正发挥教育立德树人作用。在进行教育体系建设时，始终坚持教育的初心和使命，坚持科学精神、创新精神、实践精神，发展具有中国特色的新时代智能教育。
参考文献：
［1］梁迎丽，刘陈．人工智能教育应用的现状分析、典型特征与发展趋势［J］．中国电化教育，201（8 03）：24-30．
［2］吴晓如，王政．人工智能教育应用的发展趋势与实践案例［J］．现代教育技，201（8 02）：5-11．
［3］余胜泉．人工智能教师的未来角色［J］．开放教育研究，201（8 01）：16-28．
［4］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，200（8 10）：95-98．