【教学前沿】教育智能化的发展方向与战略场景
以下文章来源于中国教育学刊，作者祝智庭胡姣
中国教育学刊
学术研究权威，教育政策把握准确，教育变革信息前瞻，一线教育动态真实，原创教育思想集中，是校园长、教师、学生、家长、教育行政管理部门、教育科研人员、全社会爱教育人士最快捷的学习平台。
人工智能的发展与应用推动了教育智能化的进程。2017年7月，《国务院关于印发新一代人工智能发展规划的通知》发布，指明了人工智能发展的战略态势以及战略部署，关注智能教育，强调推动人工智能在教学、管理、资源建设等方面的全流程应用。实际上，近十年来，移动互联网、虚拟现实、新一代人工智能等新技术正向教育的各个领域渗透，已经对传统的课堂教学结构、教学模式、教育评价产生了深远的影响，教育信息化从数字化到智能化的阶梯式发展趋势日益明显。以人工智能为核心驱动力的“智能+教育”渐成趋势，教育智能化已经成为传统教育改革的关注点和方向标。人工智能是引领教育智能化发展的战略性技术，超越技术范式去理解人工智能的理念变化和即将发生的革命性影响，有助于把握教育智能化的新方向和新场景，促进人工智能的教育应用。因此，有必要在分析人工智能最新技术范式和理念的基础上，明确教育智能化的发展方向，系统审视教育智能化的战略场景，以抢抓人工智能发展的重大战略机遇，助力我国教育智能化建设。
01
教育智能化的发展方向
教育智能化的发展离不开人工智能的支持，人工智能的研究范式转变，延伸了其发展中的一些应用图景和发展趋势，推动着人工智能和教育智能化向着人机协同的方向发展。
（一）现状问题：
纯人工智能在教育应用中的局限性
当前，人工智能在教育领域的应用正不断增加，对提高评估的效率、缩短反馈时间、提供个性化的学习支持方面具有积极作用。越来越多的机器被广泛应用于解决复杂、烦琐或人力无法解决的问题，在此类应用领域中，机器具有更高的优越性，即使是在不确定情况下做预测，机器也优于人类专家。然而，纯人工智能在教育应用中也具有一定的局限性。
1.功能局限性
有关人工智能的研究方面大致可分为两种范式：符号范式和连接主义范式。一种是通过构建更抽象的机器模型，直接模拟人类的语言符号、意识与推理，赋予机器以智能。另一种是直接尝试模仿人脑的某些神经系统过程，基于人工神经网络构成各个神经元的功能和神经元的连接。因此，机器的智能程度主要取决于问题领域的定义及其清晰程度，或者算法聚类的精准性，问题定义得越清楚、界限越明确、聚类精准性越高，则机器解决该问题就越容易。然而，要让电脑如成人般地下棋是相对容易的，但是要让电脑具有如一岁小孩般的感知和行动能力却是相当困难甚至是不可能的。这个和人类常识相悖的现象被称为“莫拉维克悖论”，人工智能通常表现出“有知识、没常识”的尴尬。机器更是无法形成人具备的社交技能和情感智力，表现出“有精度，没温度（缺情感）”“有个性，没人性（缺文化）”的现象。人类的学习是一种大脑功能，具有复杂、混沌、生物性等特点，通常难以精准定义与聚类，以至于无法实现完全自动化、智能化，更难以实现体验、情感与文化上的教学交互。
2.信任问题
机器模拟人类认知方式的过程复杂性和算法维度，阻碍了人类对其决策过程的理解。这种过程类似于人依靠直觉来作出决定，而对直觉的来源并没有清晰的了解，这被称为人工智能的“黑匣子”问题。“黑匣子”问题使机器变得不透明，机器结合各种计算智能的方法，例如模糊逻辑、遗传算法和基于案例的推理，将能够快速执行复杂的任务，并通过自动学习以提高智能化水平。然而，机器进步的背后隐含的还有人们对机器甚至可能取代人类的担忧。伴随着技术对于解决“黑匣子”问题的局限性，衍生出关于人工智能中算法决策的透明度、可预测性、可解释性和责任性的问题，并由此引发了人们对人工智能在教育应用过程中控制权、数据隐私、决策安全等方面的信任问题，进一步限制了纯人工智能在教育中的应用。
（二）研究范式：
人本人工智能（HCAI）在兴起
1.第二波“哥白尼革命”：从以算法为中心到以人为中心
人工智能的实现基础是计算机程序和基本数据结构，这种以算法为中心的思想，更多地关注人工智能发展的手段，而忽视人工智能发展的目的是“为人服务”。此外，人工智能在与人合作解决问题的过程中大多以性能为中心，以性能为中心的应用方式还需要解决机器缺乏监督、应用安全以及集体决策冲突等问题。这些问题都与既往智能技术研究范式与“人本性”背离有关，现在到了考虑转变研究范式的时候，要充分注重人文性和人性化发展，尊重人权、隐私和注重数据保护、社会伦理等。因此，克服和转变以算法为中心的人工智能的狭隘性，抑制和突破以性能为中心的应用的片面性，需要遵循人本主义理念，这促成了一种以人为中心的人工智能——人本人工智能（HumanCenteredArtificialIntelligence，简称HCAI或HAI）。HCAI的发展核心不再是物的发展、算法的突破，而是人本身的发展，将“人”这一要素置于中心位置，旨在增强人类的能力，增强公众对人工智能技术的信任和信心，以充分发挥人工智能技术的潜力。
古代天文学家将地球视为太阳系的中心，太阳和行星围绕其旋转。在16世纪，哥白尼提出了以太阳为中心的模型构架，证明了天文学的正确性，从而使人们可以进行更好的预测和进一步的发现。HCAI可以理解为人工智能在围绕着人类活动的“循环中”，将人类置于人工智能设计、开发、制造、应用与发展的中心，以人为中心的方法代替了传统以算法为中心的机器智能，可将之称为第二波哥白尼革命。HCAI的研究范式重视人的体验、需求和控制，应用的思路从专注于策略方案和任务解决，到将人重新置于人机协同的综合控制范式的中心位置。
2.HCAI的治理结构
近年来，有关人工智能的监管治理的讨论成为热点话题。美国、欧盟、英国、日本等发达国家和区域组织先后发布了有关人工智能治理的战略规划。我国发布了《新一代人工智能治理原则——发展负责任的人工智能》，要求人工智能发展应以增进人类共同福祉为目标，应符合人类的价值观和伦理，促进人机和谐。在G20会议中，2019年的人工智能对话明确强调了发展以人为本的人工智能方法，增强公众对人工智能技术的信任和信心，以充分发挥其潜力；2020年的人工智能对话强调发展教育、医疗和公共服务中可信赖的人工智能。美国斯坦福大学人工智能实验室与视觉实验室负责人李飞飞启动HCAI计划，强调了将人的价值观和意识引入人工智能技术的开发和使用中，包括三个指导原则：以对其人类影响的关注为指导；努力扩展和加强人类，而不是取代人类；更多地受到人类智能的启发。由此可见，发展HCAI与人工智能治理的核心议题相一致，强调了融入以人为本的价值观，假设了人类应该始终在任务执行中扮演主要角色，这个假设强调了HCAI应遵循伦理、法律和安全等一系列的道德原则。
HCAI在兴起，如何弥合HCAI的道德原则与实现这些原则所需的实际步骤之间的鸿沟，还需要形成一个能够不断适应情况变化的制度化结构。在设计方面，需要关注可靠的系统设计，因此需要在HCAI的整个组织构架中融入一套制度设计，以消除人们对人工智能技术失控的担忧。例如，通过偏差测试以增强公平性，减少输入和输出数据中的偏见。在应用方面，需要建立相应组织内的业务管理策略，在HCAI道德原则下对管理和执行HCAI进行规范，形成HCAI应用的安全文化，以消除人们对人工智能技术应用及其重塑领域结构的担忧。例如，管理者对应用安全的承诺。此外，为了确保HCAI设计与应用是可靠且安全的，还需要建立起对应的监督和认证机制，通过独立监督以获得可信赖的认证，如政府干预和监管、专业组织和研究机构的外部评估和认证。综合来看，HCAI治理结构由内向外可分为设计可靠、管理安全和认证可信三个嵌套层次。
（三）应用图景：eAI是一种HCAI应用范式
人工智能是未来教育创新发展的重要推动力，遵循人本主义理念并形成人本人工智能教育新应用，将有力促成一种新型应用范式——教育人工智能（educationalArtificialIntelligence，简称eAI）的形成。基于数据的精准决策是人工智能的技术优势，eAI作为一种HCAI应用范式，其决策突出了以人为中心的综合范式，并在与人的交互中逐渐呈现出人机联合决策的趋势。整体来看，基于eAI的决策过程是在具体应用情境中对决策意义和权力的分配与重构，可分为三种决策类型：
1.数据驱动的决策
数据驱动的决策以数据作为一种直接的决策依据。这种决策方式在对数据形式化、结构化和可视化的过程中有明确的教育目标和问题。eAI根据数据分析的反馈，可直接对既定的目标或问题进行回应。eAI凭借既定的计算逻辑和算法规则，通过数据采集、数据建模、数据分析和数据决策四个链路，自动生成符合自身逻辑和教育主体需要的决策信息。例如，eAI学习系统通过分析学生的学习情况，直接推荐与之相适配的学习材料。
2.数据启发的决策
数据启发指基于数据进行推理，在数据分析结论基础上再进行的决策法则。在教学活动中，教师基于数据作出不同推断和决策以引导教学实践活动,人和机器在教学分析和教学设计之间形成协同。其中，eAI的数据分析、建模、解释是探索性的，旨在提供广泛的信息、结果预测或发展趋势，以帮助教育主体进行推断。此时的eAI是人机协同决策的伙伴，数据是一种辅助决策的信息输入，目的是启发教育主体进行思考与决策。例如，eAI系统分析并呈现出学生的学习情况，教师决定下阶段采取什么教学策略或措施。
3.设计驱动的决策
设计驱动的决策指的是一种基于设计思维集成的决策方式，以预设价值目标为导向，强调对整个决策系统的认识和把握，策略性更强。设计驱动的决策内涵是以学习者为中心，人进行综合控制和选择，在不断质疑中优化eAI的教学应用。从设计的阶段便开始布局数据，制订优化策略，为决策中不确定性、风险和冲突安排优先级，使机器能够更快地感应和处理信息，并对过于复杂的教学情况采取行动，生成教育主体所需的信息。同时，管理人员、教师和学生知道eAI决策系统的原理、布局、构建、特点以及所需的数据类型，可以很好地解释、理解和信任决策信息。例如，采用eAI系统分析学生学习情况，教育主体需要在设计阶段考虑有哪些学习数据类型、对应于解决什么问题、有什么解决方法等，然后在此基础上进行综合控制和决策。
（四）发展趋势：
人机协同智能发展的新模式
机器主要擅长于界定清晰和结构合理的问题。相反，人类善于直觉思维、抽象和概念化，通常擅长解决界限不清晰、结构合理的问题。人和机器的智能具有各自的独特性，难以比较二者的“智力水平”，它们也不会擅长相同的事物。因此，突破纯人工智能在教育应用中的局限性，最理想的方法是形成人和机器的有效协调，人类擅长的事让人类做，机器擅长的事让机器做，达到人机优势互补的新生态。
eAI的“以人为中心的”思维方式，通过人与机器的协作进程，促进教育智能化向着人机协同的方向发展。人和eAI的协同应用，最常见的形式是建立人和机器之间进行调制和共享控制权的协作系统，人和机器都可以通过学习共同发展，其背后的基本原理是重塑一种互补的异构智能——人机协同智能，通常有三种人机协同的模式：智能增强、过程整合和知识聚合。
1.智能增强
人机协同智能的智能增强模式一般包括三种。第一种是人增强机器，人类智能处于机器循环中，经常用于训练机器学习模型的形式。例如，通过人工建模来扩充机器以解决他们尚无法单独解决的任务。第二种是机器增强人，机器智能处于人类的循环中，通过提供预测来改善人类决策。例如，将机器作为外部的辅助设备。第三种是混合增强，人和机器具有互补的功能，这些功能组合起来彼此增强。例如，机器通过与人的交互不断地学习人类技能，不断提高机器的智能等级，同时增强人类个体的感知与意识。
2.过程整合
人机协同智能的过程整合模式是将机器智能和人类智能集成到解决任务的流程中，重点在于人和机器进行有计划的任务分配来解决问题。其中，人机协同体现为任务流程中物理级别的结构融合，人和机器分别以自己的方式工作，在工作过程中协调配合以消除各种冗余和低效度的子过程，从而优化整体的流程效率和任务效果。在解决任务的过程中，人机协同首先需要确定可用策略的集合，然后需要评估策略，以确定最佳的人机协调配合方式。一般而言，包含人和机器异步进行的顺序集成、同步工作的并行集成，以及多个并行程序或顺序程序组成的混合集成三种方式。
3.知识聚合
人机协同的知识聚合模式指将机器智能和人类智能聚合为一个整体，作为人机协同系统模块的输入。在这种模式下，人类行为和机器功能可以通过以下两种方式之一合并。一种是将人和机器映射到同一维度或者相同的特征空间，并一起用作知识发现（分类、预测等）的学习模型。例如，智能答疑系统中，学生的问题首先会由智能机器回答，如果智能机器无法回答则启用真实导师，并且整个系统会在动态的发展中生成更高层次的知识映射，生成更加精准的学习模型。另一种是将人和机器作为相同算法或功能的参数，构建共生的人机认知架构。例如，将检测到的人的行为与情绪、机器的表现与决策逻辑，以及人与机器的交互数据作为输入共享到人机协同系统的控制模型中。
02
eAI赋能教育数字化新基建
国家政策和会议中多次强调推动并加快新型基础设施建设，教育作为新基建的重要应用领域，教育数字化新基建无疑是务实教育智能化底座支持的发展愿景与战略性场景。
（一）国家新基建高潮兴起
2018年，中央经济工作会议正式提出了“新基建”的概念，强调推动5G、人工智能、工业互联网、物联网等新型基础设施建设；2019年的政府工作报告中再次提出“加强新一代信息基础设施建设”；国务院于2020年1月3日常务会议提出，出台信息网络等新型基础设施投资支持政策。以“数字基建”为内核的新基建已成为社会共识和国家战略，国家新基建高潮兴起。
对于新基建的内涵，国家发改委对新型基础设施的范围作出了解读，指出新基础设施主要包括信息基础设施、融合基础设施和创新基础设施三方面内容。教育数字化新基建可以看作国家新基建在教育领域的细分基础设施建设。当然，教育数字化新基建作为国家新基建下的细分领域，具备其独特的领域特性。一是进行联结与交互的教育新基建，包括以5G和互联网为代表的通信网络和以教育资源平台和智能分析系统为代表的系统平台新基建。二是进行数据处理的教育新基建，通过算力、算法去赋能教育智能化变革，包括以人工智能、云计算、区块链等为代表的新技术和以数据中心、智能计算中心为代表的算力支持等新基建。三是上述两种新基建与教育融合产生的新型驱动方式。整体来看，教育数字化新基建强调算法作为教育数字化的底层支持、数据作为智能化的驱动要素、计算方法作为生产力，包括支持教、管、学、测、评、考以及促进技术与这一系列活动进行融合的基础设施建设。
（二）eAI在技术赋能教育数字化新基建中的作用点分析
教育数字化新基建是教育教学实践与创新的基础支撑。eAI不仅仅是教育数字化新基建的一个领域，也是技术赋能教育数字化新基建的核心驱动力。从战略层面上看，eAI将以人为本的理念融入教育数字化新基建，为教育智能化的发展提供支持与动力；从技术操作层面上看，eAI通过底层布局以构建技术支撑体系；从实际应用场景上看，教育数字化新基建包括操作系统、智能学具、智慧学伴、智慧环境、智慧教法和智慧评估六种类型的创新构造。因此，基于战略层面的宏观计划和技术操作层面的底层逻辑，立足于创新构造层面，分析eAI在技术赋能教育数字化新基建的实际应用场景，如图1所示。
▲图1eAI在技术赋能教育数字化新基建中的作用点
eAI为操作系统类构造开辟了新路径，依托eAI技术的数据处理能力和自动化决策能力，支持其他功能模块数据传输，形成一个提供智能化服务的有机操作系统，并通过高层推理和可视化模块将交互引导至低层位置来实现有效的信息获取，进一步强化操作系统的语音识别、机器视觉、执行系统和认知行为系统等服务。eAI赋能智能学具类构造在塑造智能学具及其运用方式上起积极作用，eAI的基本框架、算法模型以及通用技术决定了智能学具的功能。eAI应用于智慧学伴研发和应用过程，更强调以人为中心的底层设计与界面交互设计，将eAI的智能语音识别、自然语言处理和计算机视觉等技术嵌入智慧学伴的内部程序或系统中，为学习者提供学习支持或教学服务；此外，eAI还赋能智慧学伴从人机交互中获取信息以实现机器的自学习与自适应。eAI赋能智能环境系统类构造，通过嵌入多个传感器和执行器，融合智能语音、位置跟踪和触敏显示设备等功能程序与物理设施，赋予环境以自动感知、数据处理、事件解释、生成模型的能力，从而构建起高度智能化的智慧环境，例如智慧终端、智慧教室、智慧校园。eAI通过与人协作的方式构建智慧教法类支撑结构，赋能学习的个性化、服务的自动化以及策略的智能化；在“以人为本”eAI设计和“以人为中心”的教学中，eAI赋能智慧教法类构造无疑会增强学习者的主人翁责任感，从而增加eAI和学习活动的接受度和信任度。eAI赋能智慧评估类构造，整合多种信息技术形成系统化的评估技术链，然后基于操作系统、智能学具、智慧学伴、智慧环境、智慧教法类构造，建立智慧评估支撑体系。
03
eAI赋能OMO教学模式新常态
大规模疫情加速了教育领域对线上线下融合（OMO）教学模式的探索。同时国家政策支持构建OMO教学模式的常态化发展机制，为教育智能化的深化发展创造了契机。从外部环境和现实需求考量，OMO教学模式新常态已成为教育智能化的战略性场景。
（一）国家支持构建OMO教学模式的常态化发展机制
从早期的多媒体、局域网、单片机的引入，到云计算、互联网、多终端的发展，技术与教育的融合促进了教育的发展与变革。如何在此基础上推动进一步的融合和创新，将对教育在未来能否实现智能化、最大化发挥技术的教育应用效能提出更大的挑战。2020年7月，国家发改委、中央网信办、工业和信息化部、教育部等13部门公布《关于支持新业态新模式健康发展激活消费市场带动扩大就业的意见》，明确指出：“大力发展融合化在线教育。构建线上线下教育常态化融合发展机制，形成良性互动格局。”显然，国家高度重视OMO教学模式的实践与推广。积极探索并推进OMO教学模式，成为教学改革的关注热点和传统教育迫切转型的方向标。
（二）eAI在OMO教学模式中的作用点分析
OMO教学模式是以学生为中心，通过技术手段打通线上和线下、虚拟和现实学习场景中各种结构、层次、类型的数据，形成线上线下融合场景生态，以实现个性化教学与服务的教学新样态，兼容混合学习和混成学习模式，体验无缝学习，并促进智慧学习发展。eAI的感知、认知、情感、价值、审美和文化计算能力，能促进OMO教学模式的“个性化”，为OMO教学模式的“无缝融合”提供牵引。
从个性化角度看，eAI赋能OMO教学模式，通过对线上线下、同步异步的全过程进行“观察”，挖掘学习活动网络所蕴含的数据信息，以优化OMO教学模式中的教学过程与服务体验。具体来看，一是通过传感器和算法模型技术对学习过程进行收集与跟踪，在对教学活动进行网络关联分析和深度挖掘的基础上建立学习者模型、教学模型、知识领域模型等，并通过分析推理来确定学习者的个性化需求，及时进行响应和反馈。二是依靠eAI提升OMO教学模式的智能化程度，由机器替代人来自动执行某些教学任务，提升服务效率与水平。例如，eAI支持同步异步的智能测评与反馈、智能助教。
从无缝融合角度看，eAI融合其他技术支持多场景、多设备、多资源下的学习转换与跟踪，可支持数据和技术的集成应用，推动线上和线下信息流通以及不同地区之间同步和异步的资源共享，从而打破OMO教学模式中信息流通和资源共享障碍。此外，eAI作用于各类技术间的连接，有助于克服连接不确定性、调解连接冲突并在复杂系统中实现自调节和自适应，真正做到打通线上线下、实现同步异步互联。其中，eAI与云计算技术和5G移动通信技术融合，使成本低廉的大规模并行计算得以实现，支撑线上线下资源、程序和工具的访问与应用，支持线上线下教学灵活切换与整合。eAI与XR扩展现实技术、互联网技术、云计算和触觉反馈技术融合，在OMO教学模式的教育场景中应用，可以完成现实课堂与虚拟场景中的智能化交互。
04
eAI赋能教育评价创变新战役
教育评价是教育与学习的“指挥棒”，调适教育教学的指挥棒，对引导教育改革具有重要意义。显然，教育评价创变已成为引导教育改革、促进教育智能化深化发展的战略性场景。
（一）国家政策吹起教育评价改革进军号
习近平总书记在全国教育大会上强调，要扭转不科学的教育评价导向，坚决克服唯分数、唯升学、唯文凭、唯论文、唯帽子的顽瘴痼疾，从根本上解决教育评价指挥棒问题。2020年9月，中共中央、国务院印发《深化新时代教育评价改革总体方案》（以下简称《总体方案》）对新时代教育评价改革作出了全面部署，指出：“坚持科学有效，改进结果评价，强化过程评价，探索增值评价，健全综合评价，充分利用信息技术，提高教育评价的科学性、专业性、客观性。”国家高度重视深化教育评价体制改革，掀起了改革评价模式及评价范式的序幕。
1.传统教育评价标准与内容的升级与转型
能力建构导向的培养理念颠覆传统单一、离散技能积累思维，正推动未来教育和学习的内源性变革。如果教育的目标是能力建构，那么评价也应该能够提供个体的整体发展信息，而不仅仅是单一的结果信息。然而，传统评价内容几乎不涉及学习者“高级形式”的认知能力和动态发展特性，单一化、外在化、一刀切的结果呈现方式仅要求学习者回忆或识别零散且孤立的信息。源自能力构建的新要求和新目标，推动教育评价的标准和内容从宏观到微观、从甄别到选拔、从量化到质性、从单一评价到综合评价的升级与转型。
2.教育数字化评价方式
传统的考试类评价方式提供了知识积累的“快照”，尽管这种抽样有一定的用途，但记录学习效果和报告学习结果的方法存在时效、偏差和效度的问题，无法进行全面评价。教育数字化评价方式，通过对全过程学习数据进行系统挖掘和分析，做到了宏观与微观、量化与质性、综合评价的全面兼顾，以形成富有生命力的教育评价系统，使评价过程更加科学、结果更加准确、手段更加丰富，且能够提供更加多元的过程性评价和增值性评价新方式，即教育数字化评价方式将有力促进教育评价的精准、多元和公平。
（二）eAI在教育评价创变中的作用点分析
《总体方案》明确指出要创新评价方式，强调“利用人工智能、大数据等现代信息技术，探索开展学生各年级学习情况全过程纵向评价、德智体美劳全要素横向评价”。eAI作为创新教育评价的核心技术，为赋能教育数字化评价方式，推动传统评价标准与内容的升级与转型开辟了新途径，构建起纵横交错、立体全息的教育评价体系，如图2所示。
▲图2eAI在教育评价创变中的作用点
eAI作用于教育评价标准与内容的升级与转型，尝试全方位地评价学生，具备反映学习者的学习状况并适应教育教学需要的能力。首先，eAI支持评价人格的完整性和发展的差异性，从德智体美劳全面评估学生的人格品质。通过自然环境智能感知技术，自动感知并以智能信息处理的方式进行认知计算，特别是对学生情感、情怀的识别与理解，在对学习者个体差异的识别和认证的基础上，生成个性、定制的教学方案。其次，eAI还支持评价反馈的故事性。教育决策依赖于可解释性的因果知识，eAI为可视化的评价反馈提供了可能，通过挖掘和关联具有前后逻辑关系的信息片段，生成可解释的因果知识。然后根据可解释的因果知识，向教育工作者以及政府、学校、家庭等相关涉益者提供具有故事性的实时反馈，或按需出具教育评价报告。
eAI作用于教育数字化评价方式，通过嵌入的方式为监测静默性、表现日常性、成长动态性的评价提供了可能。eAI结合穿戴智能设备终端、智能环境感知系统、无线通信技术等多种技术形成自动感应系统或程序，对学习者的心理、生理、行为进行静默动态监测；在教学活动和日常生活中，eAI自动将监测数据实时传输到分析端，不会影响学习者的学习过程，以实现日常性的表现追踪与分析；通过不断的实时、自动、智能的评价，eAI能够提供形成性和详尽的学习者能力与品质的动态发展评估报告。
05
eAI赋能教育智能化的
其他战略性场景
除了上述国家政策大方向指引下的战略性场景，从教育智能化发展的多样性和我国教育领域的现实情况看，教育智能化还包括一些持续化价值进取型战略性场景。eAI将在这些场景中发挥作用，涉及教师队伍能力建设、学科研创平台建设和教育知识库建设等方面。
（一）eAI赋能教师队伍能力建设
1.教师队伍建设是教育智能化的基础工作
教师队伍建设不仅是教育智能化发展过程中消纳外部冲击、适应系统变化、促进发展变革的教育韧性建设重要因素，也是数字化、智能化时代促进教育与信息技术融合，推进教育智能化建设的基础工作。国家为推动教师队伍建设作出了一系列重大决策部署，2018年1月中共中央、国务院发布了《关于全面深化新时代教师队伍建设改革的意见》，强调教师要适应新技术变革；2019年2月中共中央、国务院颁布了《中国教育现代化2035》，提出要“全面加强教师队伍建设”，凸显了教师队伍建设在国家战略中的“极端重要性”。
2.eAI支持教师队伍的团队化和教师角色的精细化
在教育环境中，eAI助力教师队伍能力建设。一方面，以“eAI+教师”的方式融合人和机器的集体智慧，构建群智协同的人机教师队伍，即eAI赋能教师队伍的团队化。eAI作为智能本体与人类教师形成团队化的队伍，扩展教师群体的智能，增强教师队伍能力。其中，eAI充当教师或者教师伙伴；同时，eAI整合海量数据信息使教师的决策变得更为准确，分析学生的表现并为教师提供实时反馈，以支持教师进行规模化的教学计划制订。另一方面，以“eAI+教学”的方式增强教学服务，推动教师发展理念从“短板理论”（补足短板）向“长板理论”（发挥个体优势）转变，机器与人类教师合作共赢，促进教师将自己的个体优势发挥到极致，即eAI赋能精细化教师角色。eAI教师可以接管教师的日常工作，代替教师进行日常的管理工作，使人类教师能够专注于对学生的个性化指导和情感交流。
（二）eAI赋能学科研创平台建设
1.我国当前学科研创平台的现实困境
学科研创平台是增强学生创新活力、提高学校创新培养能力与国家创新发展水平的重要基础。时代呼吁创新发展，学科研创平台建设对推动学科研创水平和培养高水平人才具有重要意义。然而，我国在学科研创平台上仍面临诸多现实的困境。首先，生物分子、量子力学、化学反应等学科的研发流程很大程度上依托于各种研创类软件，许多用于模拟、设计、开发和实验的关键技术集成在研创类软件中，一旦发生意外将面临禁用、技术外泄和研发无法继续的局面，如美国禁止哈尔滨工业大学等高校使用美国的工业软件MATLAB的现象。其次，我国的研发设计类软件，如产品研发类软件CAD、CAE、CAM等研发占比仅为8.5%；用于学科仿真、模拟的科研软件，基本上是国外的商用软件，而商用软件将内部计算过程进行了封装，弱化了对应学科在理论、算法、程序设计等研发方面的能力。最后，我国学科研创平台建设任重道远，与学科研创相关的建设不足。例如，很多学校以计算机教室作为学科研创实验室。因此，还需进一步发展和强化我国的学科研创平台建设。
2.eAI与学科研创平台建设前沿融合
学科研创平台本质是将特定学科场景下的经验知识，以数字化模型或专业化软件工具的形式积累沉淀、复用和重构，通过结构化、可视化、虚拟验证设计等方式支持相应领域的研究。学科研创平台建设中，基于eAI的学科知识和经验的抽象及逻辑梳理，有利于学科研创平台建设中知识封装，促进学科研创平台模块化、模型化、软件化、自动化和智能化。eAI的计算能力、感知能力、模拟能力和自动化能力与学科研创平台结果分析、生成评估融合，可以对研创过程进行迭代优化，提高研创平台活力、敏捷性和精准度。eAI的连接能力与学科研创平台的知识联合生产和知识共建共享融合，具有的赋能学科研创平台中硬件、网络、计算等多种技术和相应的领域技术融合的能力，可以促进学科研创平台的内外部沟通与实验模拟。
（三）eAI赋能教育知识库建设
1.教育知识库建设的现实意义
教育知识库是指支撑教学和服务的一个知识集合型数据库平台。教育知识库建设旨在通过知识抽取、管理与联合、应用与再创造的方式，形成知识的沉淀和积累。不同知识度量和应用程序不同，衡量知识储备的方法可能完全不同。随着技术与教育的融合，精准、定制、个性化的教育和学习将逐步建立，随之而来的是对加速知识的高效查询及其与学习者之间有效交互的更高需求。因此，教育知识库的建设对推动知识利用和传播，适应未来教育模式和学习范式的转变具有重大的现实意义。
2.eAI赋能教育知识库建设
个性化、敏捷化和知识生态化成为未来教育知识库建设的关键。eAI赋能教育知识库的个性化，通过各种应用程序和智能指令设计，对教育知识库的资源数据进行适配，使教育知识库能够以人类理解的方式呈现知识、回答问题，自动推送学习者需求的信息与知识，引导学习者进行知识建构。eAI赋能教育知识库的敏捷化，能够对知识名称、类型、关键字等进行快速定位、分析与表示，通过学科知识图谱建立起知识联结，将知识及其关系存储到节点和边，优化知识检索和查询逻辑与速度。eAI赋能教育知识库的知识生态化，构建具备海量知识的资源库，形成教育知识库的知识动态生成系统与机制，基于底层算法对教育知识库的内外部知识进行数据分类、信息提取、对象检测，并通过自动更新和更正教育知识库，促进教育知识库的动态发展。
（来源：《中国教育学刊》2021年第五期，图片来源于网络，仅作分享交流用。作者/祝智庭/华东师范大学终身教授，博士生导师；胡姣/华东师范大学教育信息技术学系博士研究生。著作权归原作者所有，若转载请注明出处。）
中国青少年科技辅导员协会
提醒广大科技辅导员
戴口罩勤洗手少集会
不给病毒可乘之机！
原标题：《【教学前沿】教育智能化的发展方向与战略场景》
阅读原文
智能化测绘的基本问题与发展方向
众所周知，测绘的基本任务是测定和表达各类自然要素、人文现象和人工设施的多维空间分布、多重属性及其随时间的动态变化[1-3]。为此，需要借助于各种先进技术手段和仪器装备，开展数据采集、处理、分析、表达、管理及成果服务等活动。这使得测绘成为一个技术密集型行业，技术进步在提升其生产效率与服务水平方面发挥着至关重要的作用。我国测绘经历了从模拟测绘技术到数字化测绘技术的重要变革，逐步实现了全行业的数字化转型，推动了数字化产品生产与服务体系的全面建立，促进了地理信息产业的蓬勃发展。但近年来这种数字化测绘技术的“红利”已基本用完，测绘生产与服务面临着数据获取实时化、信息处理自动化、服务应用知识化等诸多新难题。从数字化测绘走向智能化测绘，成为必然选择。
20世纪90年代之前，人们主要是使用光学-机械型测量仪器测制各种比例尺地形图和专题图，作业周期长、更新速度慢，1∶5万地形图覆盖全部陆地国土不足80%，且大部分现势性在10—30年以上，十分陈旧，严重滞后于经济建设和社会发展的需要[4-5]。为改变这种不利局面，国家测绘主管部门成功地组织完成了数字化测绘技术体系的科技攻关，实现了地理空间数据的数字化采集、处理与服务，向各行各业提供模拟和数字两类产品，奠定了测绘行业在全社会数字化转型大潮中的重要地位，较好地满足了国民经济建设和社会发展的需要[6-16]。
近年来测绘行业的内外部环境发生了较大变化，面临着技术转型升级的巨大挑战。首先，国家大力推进高质量发展、促进国土空间格局优化，要求全面摸清自然资源家底，科学认知人地关系，实施数据赋能的国土空间规划与管控。但现有数字化测绘技术在智能化、动态性、精准度等方面尚存在着不足或局限性，难以完全满足“查得准”“认得透”“管得好”的应用需求。其次，以4D产品为核心的多尺度、多类型地理空间数据已渗透到数字经济、数字治理和数字生活的方方面面，发挥着越来越重要的“时空基底”和关键生产要素作用，但国土空间规划、生态环境保护、防灾减灾、自动驾驶、疫情防控等新兴应用领域对时空信息的精细程度、更新周期、服务方式等提出了诸多新需求，迫切需要研发和提供更多的多维、动态、高精时空数据产品，构建新型时空信息基础设施，从数据信息服务走向时空知识服务等[17-19]。
面对全社会数字化、智能化转型的时代浪潮以及“第四次工业革命”的影响，如何审时度势，把握机遇，推动行业技术进步和事业转型升级，已成为测绘业界关心的热门话题[18,20]。近几年，有关“测绘科技转型升级——从数字化走向智能化”这一问题多次召开学术研讨会，测绘学者的普遍共识是，数字化测绘技术的“红利”已基本用完，应不失时机地开展创新研究，从数字化测绘走向智能化测绘。国际测量师联合会(InternationalFederationofSurveyors，FIG)也专门讨论了smartsurveyors主题，提出要发展智能化测绘，实现测绘科技的转型和升级[22]。
应该指出的是，从数字化测绘走向智能化测绘，是一项极为复杂的系统工程，既涉及理论创新、技术突破、体系构建等科技难题，也牵涉观念更新、学科协同、政策保障等非技术因素。为了切实有效地推动智能化测绘的研发与应用，首先要厘清基本概念和科学问题，研判国内外发展动态，找准重点、难点和着力点，进而明确发展方向与任务。笔者从数字化测绘的技术特征分析出发，讨论了智能化测绘的基本概念与思路，分析了智能化测绘的基本问题，提出了今后的发展方向。
1智能化测绘的概念与内涵从技术的角度看，数字化测绘是使用专门的仪器或装备，测定自然要素、人工设施和人文现象的空间分布、专题属性、相互关系及时空变化，并进行数字化建模、空间化处理和可视化表达，产出数字化的地理空间数据产品，并提供相应的数据信息服务。其本质特征是对各种数字化的观测资料，采用定量算法或解析模型，在矢量或栅格等度量空间中进行计算解析，实现几何处理、物理反演及误差分析。多年来，人们以计算几何、离散数学、数理统计等为基础，依据坐标体系、投影变换、成像机理、共线方程、测量平差等测绘原理，对时空基准、遥感影像、数字地图等进行几何特征与物理参数研究，提出了包括坐标变换、几何校正、辐射融合、分类提取、多维建模、空间分析、可视化表达等在内的一系列处理算法与模型，奠定了数字化测绘的模型与算法基础[9,23-40]。
现实世界是由纷繁多样的自然要素、人文现象及人工设施组成的，既呈现出千姿百态的几何特征，多维动态的时空分布，又具有错综复杂的相互关系，往往无法用一组简洁通用的数学模型或算法加以完整描述。例如，数字化地形要素的图形、属性之间存在着错综复杂的关系，虽可以利用计算几何、空间关系等模型、算法加以计算分析，但要对其内容完整性和逻辑一致性等进行合理性判定，则需借助于专家的认知经验。实际上，根据地形图上相邻等高线的邻接关系和相差的等高距数，有经验的测绘工作者能快速地识别出山包、谷地、鞍部等地形要素，判断其高程赋值是否存在异常，但却难以将之表达成解析型算法或模型。在全国1∶5万基础地理信息建库与更新工程设计与实施过程中，有关专家曾通过研究4D数据应满足的内容完整性和逻辑一致性，凝练了5类20余种约束条件与规则，将其与等高线邻接关系、复杂线-线关系等系列算法相结合，形成了基于“规则-算法”的数据质量检查、评价方法，实现了等高线高程异常、DEM粗差等近百种数据质量元素的自动检查与错误信息定位，在基础地理信息数据库更新工程中发挥了重要作用[41-46]。
究其本质，主要是以往的测绘算法适合解决低维空间(3维以下)的线性问题，难以有效进行全局认知和不确定性判断，无法满足高维、非线性空间的问题求解需求。而利用人所具备的测绘感知、认知能力，可以凝练出形式化的领域知识与判断规则，用以引导算法的选择组合、数据的处理分析、成果的质量控制等，能够在一定程度上改变单纯依赖算法的不利局面。借助人工智能等新技术、新手段，可以归纳提炼环境感知、空间认知等自然智能及先验知识，将其融入测绘数据获取、信息处理、分析服务的过程中去，即将数字化测绘提升为智能化测绘。
例如，图1给出了知识与算法相结合的“问题地图”智能化诊断过程。首先，地图专家们对长期审图过程中积累的丰富经验进行总结，凝练成有关“问题地图”的认知规则；继而据此选取正负样本集，采用多尺度融合算法，对深度学习模型进行训练，获取“问题地图”的多尺度和多维度特征知识；然后结合空间关系约束规则和计算模型，对地图问题区域进行判断和标定。这种“问题地图”检测是以审图专家的先验知识为引导，以样本增强、多尺度融合等算法为基础，以深度学习模型为核心的混合智能计算模式，识别正确率可达80%以上[47]。
图1“问题地图”的智能化诊断Fig.1Intelligentdetectionof"problematicmap"图选项进一步分析可知，智能化测绘是以知识和算法为核心要素，构建以知识为引导、算法为基础的混合型智能计算范式，实现测绘感知、认知、表达及行为计算，如图2所示。针对传统测绘算法、模型难以解决的高维、非线性空间求解问题，在知识工程、深度学习、逻辑推理、群体智能、知识图谱等技术的支持下，对人类测绘活动中形成的自然智能进行挖掘提取、描述与表达，并与数字化的算法、模型相融合，构建混合型智能计算范式，实现测绘的感知、认知、表达及行为计算，产出数据、信息及知识产品。
图2智能化测绘的基本思路Fig.2Thebasicideaofsmartsurveyingandmapping图选项2基本问题就总体而言，以往人们主要关注测绘新算法、新模型及其在数字化测绘生产中的应用研究，对智能化测绘缺乏系统深入的研究，于是，需要厘清其基本问题，开展模型算法及关键技术研究。其基本问题主要有测绘自然智能的解析与建模、混合型测绘智能计算算法构建与实现、赋能测绘生产的机制与路径等。
2.1测绘自然智能的解析与建模自然智能一般是指人类对环境、物体、动物或植物等元素进行识别和分类的能力[48]。测绘自然智能则是指人类在测绘活动中形成的感知、认知和行为能力，如遥感影像判读解译、地图读图与分析、行进中的导航定位等。这往往可以抽象成特定的自然信息处理机制和支撑的先验知识。例如，人们根据遥感影像中地物光谱特征及相互关系，能够方便地推断出被部分遮挡的地物边界、辨别出云团的阴影等。借鉴自然计算等人工智能的研究思路，可以对其中的信息处理机制进行解析与建模，抽象形成基于数学或逻辑符号的混合型计算模式[49-52]。实际上，这是一个自底向上分层抽象和自顶向下知识迁移的信息处理机制，可用多粒度认知计算模型加以描述与表达，去实现知识与数据双向驱动的影像智能计算[53-54]。再如，有学者对人眼观察物体时存在“远粗近细”的现象进行抽象，发现了能揭示地图空间尺度变换机理的“自然法则”(naturalprinciple)，即“对任意给定尺度，均对应着一个最小可视范围(SVS)，凡落入这一范围的任何空间变化均不可见、可被忽略”[55]，提出了尺度驱动、空间优先的地图空间认知方法，为地形地物多尺度客观表达和地图客观综合范式构建奠定了科学基础[56-57]。
测绘自然智能解析与建模的另一项基本任务是凝练和整理人们在数据获取、信息处理、服务应用等测绘活动中积累的经验或认识，包括一些自然要素和人文现象的地域分布、时空变化、关联关系等规律，形成可用于辅助测定空间分布的、判定多重属性及分析动态变化的先验知识[58-59]。例如，人们针对航空航天遥感影像的丰富光谱、纹理及时相特征，研制了众多的地表覆盖自动分类、变化检测的算法，但在大范围应用时往往受制于“同物异谱/异物同谱”现象，难以满足单期高精度、多期一致性的工程化要求。为解决这一问题，人们在研发新算法、新模型的同时，一直致力于收集和整理反映或描述地表覆盖地带分布、区域过渡、空间约束、时间连续等规律的参考数据、样本及其他资料，用于辅助判断地类属性、识别问题区域，提高分类提取及变化检测的精度[60-62]。
2.2混合计算模式的构建与实现早期测绘专家主要是利用以符号主义为核心的逻辑推理(logicalreasoning)，将生产服务过程中的有关约束条件、判断规则等专家知识和先验知识形式化，与计算几何、空间关系等算法相结合，形成问题求解的计算模式[42-43]。近几年迅速发展的深度学习、群体智能、知识图谱等人工智能技术，为自然测绘智能的挖掘提取和描述、表达提供了新手段[63-65]。例如，利用深度学习提供的多层非线性变换，可以挖掘隐含在遥感影像数据内部的统计性特征，包括基于几何特征的边界识别、基于光谱特征的参数反演，进而利用构筑物和自然景观地物构成、时空分布等领域知识，将这些低层特征组合成高层特征或属性类别，提取复杂的全局特征和上下文信息，识别出复杂地理场景[53]。这实际上是利用深度学习技术，将自底向上分层抽象和自顶向下知识迁移的自然信息处理机制转换成机器智能，形成一种遥感影像解译的混合型智能计算模式。
群体智能(swarmintelligence)是模仿生物系统内竞争和合作方式，通过群体计算、社群感知等方式，从少数的精英专家行为走向众包、众创，实现由下而上、跨层级的协同问题求解，为测绘样本采集、检核验证、公众参与、决策支持等提供了新思路[18,65-66]。例如，针对大范围地表覆盖遥感制图与变化监测的需要，可利用众包技术和众源信息手段，研发“众包+深度学习”的混合增强方法，由各地的志愿者采集图像样本资料或提供文本线索，采用图卷积等技术从影像中提取类型或变化，实现地表覆盖的在线协同更新[67-68]。同理，可综合利用无人机、移动感知和各种视频传感器，构建起无线智能传感网络，对违法用地和违法建筑、人们的时空行为特征等进行动态监测[69-70]。
此外，知识图谱(knowledgegraph)、大数据等技术也为构建新型的混合智能计算模式提供了可能。其中，知识图谱是采用结构化方式，实现多级网状知识节点(包括概念、实体等)及相互关系的链接与管理，支持语义搜索、知识推理等服务，可用于构建空间型知识服务系统，提供描述型、诊断型、预测型和方案型的知识服务，将传统的测绘数据信息服务提升为知识服务[19]。而借助于大数据技术，可以将基础地理信息、地理国情监测成果等地理空间数据与手机信令等行为感知数据融合起来，进行人地关系的“相关分析”，寻找出其中的相关关系和因果关系，从而实现人类活动的时空感知、人地关系的解析模拟，以及国土空间格局的优化管控[71-74]。
2.3赋能测绘生产的机制与路径智能化测绘旨在将越来越多的简单性、重复性甚至危险性的测绘任务交由机器完成，而让人类更好地发挥知识创造、空间思维等方面的能力，达到赋能测绘生产、提高效率与水平的目的。基于此，需要在测绘自然智能解析建模和混合型智能计算模式构建的基础上，研究设计赋能机制与实现路径。例如，目前全国大范围基础地理信息更新采用的是影像信息提取、互联网地理信息获取及地图制图综合等主体技术，由于难以全面地建立严格精确的算法模型、清晰全面的计算规则，自动化程度难以进一步提高，停留在以年为周期的批次化版本式更新阶段[75]。要做到以地理要素为对象、以月为周期的应需动态更新，必须综合利用深度学习、群体智能、物联网等最新技术，破解自动化提取、智能化处理、协同化生产等方面的技术难点，研发基于影像的地物信息自动提取、基于时空大数据的属性信息挖掘、新型远程式增强型调绘、众源检核等为核心的动态更新技术，提高信息提取与产品制作的智能化程度[75]。
因此，需要重点研究推进智能化测绘的机制，包括研究相关的政策法规，建立配套的知识创造、更新、共享与激励机制、人机协同工作机制及智能化测绘系列标准规范、业务流程与管理模式等，为实现从数字化测绘向智能化测绘的转型升级提供政策和制度保障。在实现途径上，则要针对不同的应用需求、应用场景，组织开展智能化测绘的实现方法与关键技术研究，形成业务化运行的装备、软件、标准和服务模式，并开展典型应用示范，以点带面，进行全面推广应用，逐步形成生产能力，赋能测绘生产。
3发展方向智能化测绘体系的建立，将推动测绘数据获取、处理与服务的技术升级，从基于传统测量仪器的几何信息获取拓展到泛在智能传感器支撑的动态感知，从模型、算法为主的数据处理转变为以知识为引导、算法为基础的混合型智能计算范式，从平台式数据信息服务上升为在线智能知识服务。为了切实推动智能化测绘的创新发展，应努力地构建智能化测绘的知识体系，加大智能化测绘技术方法的研究力度，研制智能化测绘的应用系统与仪器装备。
3.1构建智能化测绘的知识体系最近一段时间，人工智能对测绘学科的影响[76-77]，引起了测绘界广泛关注[21]，先后提出了对地观测大脑[17]、泛在测绘[18,78]、顾及三元空间的智慧城市GIS框架[79]等新概念，为智能测绘的研讨奠定了基础。但是，如果要构建智能测绘体系，则还必须聚集智能化测绘的基本问题，开展前沿性的研究探索，构建具有内在逻辑和结构的智能化测绘知识体系，促进知识和应用的融通。
为此，需要加大对智能化测绘的智能机理、计算模式、赋能机制等研究，并在生产实践的基础上，抽象出科学的概念、术语、命题、陈述、定律、定理，凝练出拟研究解决的基础理论与关键技术问题，积极争取国家科技研发专项、自然科学基金等资助，研究形成具有系统性和逻辑性的知识体系[80]与成套理论方法,为智能时代的人类测绘活动提供新思路、新方法和新工具。
3.2研究智能化测绘的技术方法面向特定测绘目标或任务，需要利用智能原理与知识，研究发展适宜的技术方法，解决“怎样做”和“怎样做得好”的问题。例如，针对大范围地表遥感调查的要求，根据多光谱、多时相、高分辨率、多传感器，以及全天候遥感影像的特点,构建反映地理相关性、空间异质性和地物位置约束等内容的时空知识图谱，并将其与机器学习算法相结合，研发知识引导和数据学习双向驱动的智能化信息提取方法，提高地物目标、属性及场景的精细化提取水平[53,81]；再如,将已有地表覆盖矢量分类数据蕴含的丰富语义信息(如空间位置、形状和地物类别)作为先验知识，提取单期影像上纹理特征的空间异质性，实现基于先验知识和纹理异常的单期影像变化监测，以克服两期遥感影像变化检测存在的困难[82]。
对于众多算法、模型、方法来说，其各自有着适用范围和局限性，需要根据给定的应用场景进行选择和组合。例如，目前有数以百计的遥感影像变化检测算法，分别适用于不同的影像条件、地域特点或应用对象。在开展大范围变化监测业务时，需要根据算法与算法、算法与数据、数据与数据之间的竞争、协作、约束关系等，进行算法优选和处理流程构建。但其水平高低往往受制于专家的个人经验与能力，难以满足高质量、自动化监测的需要[83-84]。当前的一个发展趋势是，将知识工程和机器学习相结合，系统地梳理变化检测算法与影像之间的多级关系，归纳凝练出相应的领域知识，转换为Web服务，形成基于领域知识的在线变化检测工具，减少对专家个人经验与知识的依赖[85-87]。
3.3研制智能化测绘的应用系统从应用的角度看，设计和研制能够支持数据采集、处理、分析、管理的新一代智能化业务系统，提升产品生产与服务的水平与效率,是智能化测绘的一个重要发展方向。这需要针对每一个特定的单一或综合应用场景，厘清其产品生产与服务过程中所蕴含的信息处理机制，梳理所使用的先验知识，构建混合型的智能计算模式，研制专门或专用的具有一定智能水平的业务系统或平台，并制定出相应的技术规范、工艺流程、质量控制办法等。这一过程将打破大地测量、摄影测量与遥感、地图制图、地理信息工程等传统专业界限，从业务信息流的角度进行整体谋划与优化设计。
目前的研究热点包括：时空数据按需搜索与协作服务系统[88-89]、综合PNT服务系统[90]、卫星在轨数据处理系统[91]、天空地综合智能摄影测量系统[92]、云端遥感影像智能解译系统[93]、智能地理信息系统[94]、空间型知识服务系统[19]等，而诸如此类的众多单项智能化业务系统的有效集成，将可望形成面向全行业的智能化测绘技术体系。
3.4研制智能化测绘的仪器装备测绘仪器装备是指那些用于数据获取、信息处理、成果表达等方面的专用工具，对于提高人们测绘活动中的感知、认知、表达、行为能力至关重要。全站仪、摄影测量工作站、数码航空相机、高速绘图仪等是传统测绘仪器装备的代表。目前，以云计算、物联网、智能芯片、人工智能为代表的新兴技术，为智能化测绘仪器装备的研制提供了新思路[95-96]。今后应该进一步发展智能化的测绘仪器装备[95-97]，如智能全站仪[98]、智能化GIS软件系统[99]、智能化的单波束测深系统[97]、测绘无人机、测量机器人、全组合智能导航系统、识图机器人，以及利用智能设备和其所带的智能传感器(如iPad的激光传感器)开发的数据采集系统等[100]。
3.5推动跨学科协同创新与合作智能化测绘的研究与应用涉及测绘、地理、人工智能、大数据等诸多学科，是一项复杂的系统工程，亟须进行跨学科的交叉与融合，在学科结合中寻找增长点，取得新突破，培养创新型人才。因此，应充分发挥政府、学术界、高校和科研机构、事业单位、企业的积极性，建立优势互补的良性协作机制。自然资源部作为测绘主管部门，应在全国智能化测绘的顶层设计、项目推动、试点示范、标准规范制定等方面发挥领导作用；以中国测绘学会为代表的学术团体则应发挥联系全国广大科技工作者的优势，在组织学术研讨、交流争鸣、培训推广等中发挥学术引领作用。
4结语回顾数字化测绘技术的发展历程与重要贡献，可知其是以确定性的“规则-算法-模型”为本质，对现实地理世界进行数字化采集、表达、处理与分析，但往往难以满足多维动态的地理场景建模和复杂空间问题求解的需求。面对全社会数字化发展、智能化转型的时代浪潮，应通过人类自然智能、机器智能与测绘知识、算法的有机结合，构建以知识为引导、算法为基础的智能化测绘体系，实现对真实世界的智能感知、认知、表达及行为计算，提供更加丰富、更为精准的地理空间数据、信息及知识产品。为此，须聚焦测绘自然智能的解析与建模、混合型测绘智能计算的构建与实现、智能赋能测绘生产的机制与路径等基本问题，大力开展智能化测绘知识体系的构建、技术方法研究、应用系统和仪器装备研发。
从数字化测绘走向智能化测绘，是测绘行业积极应对全社会数字化发展、智能化转型的一项重要行动举措。为切实地推动这一方面的研究与应用，应充分发挥政府的引领作用，加强顶层设计，营造良好发展环境；同时，要促进学术界、事业单位和企业积极地更新观念，加强协同创新，通过立项实施、试点示范、标准规范制定等，促进和推动智能化测绘体系的早日建成并发挥成效。
致谢:张继贤研究员、李荣兴教授等为本文提出了宝贵意见，在此一并感谢。