全球机器学习“教父”Tom Mitchell：未来十年，AI将发挥重要作用( 二 ) _全球机器学习

试想一下，一位学生和计算机系统讲师进行对话，机器使用Amazon Echo系统中的远场语音识别技术，而计算机会解决（处理）一些数学问题来帮助学生。这将是当今技术发展的一次重要会面，使用机器处理一些人类难以解决的问题。
除此之外，在未来几年中，我们可能会看到更复杂的对话系统。您可以想象为，人机交互是在学生与老师之间打开了全新的渠道，通过大数据建立有趣的统计模型，让会话帮助学生摆脱难题和困境，从而发挥最大的作用。

文章插图
另一方面，计算机视觉是我们看到AI进步的第二个领域。对比今天的计算机视觉系统，十年前它的能力并不强大。如今利用该技术可以很好的识别物体和照片，以帧速率实时跟踪面部。如果对方正在讲话，还应该分析他们的音频，根据面部表情来绘制人类情绪状态的实时地图。因此，这类系统开始为我们提供了一种区分人是否无聊、愤怒、快乐的技术。
同时，这类系统将为我们提供构建教育工具的机会。例如当学生在计算机上工作时，教师可以确定学生是否参与其中，通过屏幕上的动作进行交互，机器对学生和周围环境进行感知，甚至教师会关注屏幕的一举一动。因此，教师不再使用自身的语音和视觉观察学生，这超出了他们的工作范围，而机器将取代这一想法。
结合使用计算机视觉、语音识别以及通过文字理解观看学生正在做的实验，聆听他们的对话过程，从而展示AI技术将使之成为现实。
尽管愿景和其他技术仍存在一定的局限性，但随着时代发展，技术变革，时机成熟，这类学习技术环境将变得越来越可行。
实际上，文字理解是过去十年中我们看到AI取得巨大进步的另一个领域。早在2018年，谷歌AI团队就发布了一个名为BERT的模型系统，该系统是开源的，经过预先训练的神经网络，目前已经对超过20亿个单词的文本进行了训练。BERT所做的是，可以通过任何文本段落来喂它，将以高效的方式预处理文本。这在语音识别领域是最为先进的技术，并对语言建模等方面进行了改进。这意味着，机器可以轻松提取下一个句子中的单词，并从句子中提取不同类型的信息。
因此，这确实是文本理解领域的一个重要里程碑。BERT模型的发现，导致AI的发展进入了一个新高度。举例来说，位于西雅图的著名实验室艾伦人工智能研究所，曾利用该模型推出了一个Aristo系统，进行科学的AI技术挑战，在八年级科学测试中获得90分。
准确来说，他们仅将问题限制为文本问题。省略了图解问题，但即使在文字占90%的问题上，AI通过了八年级科学考试，这是一项了不起的成就。这显示了当前AI文本理解系统从来源中提取信息的能力，以及理解问题本身和适当推理的能力。
再强调一次，这是一项技术。在过去的十年中，我们已经看到了非常多、非常重要技术进步。就像所以大型互联网公司一样，他们在改进测试分析算法方面进行了大量投资，这是所有人看到AI的发展。与对话系统结合使用，让更广泛的技术资源以及AI教育环境，能够有效地识别学生的问题，将学生编入适当的段落或说明中，以符合当前的需求。
最后，我们聊聊机器学习。
如今，我们看到有越来越多的AI模型深入到学生当中进行测试，并且实现了超过1000万名学生的培训数据。这给我们提供了更多经验，使计算机可以观察学生，以及学生对机器所使用的不同教学步骤进行反馈。在一百年的职业生涯中，人类比机器拥有更多的经验，而机器可以帮助人类进行学习。
如果有了数据，那么该如何处理呢？过去十年中，取得巨大进展之一的是强化学习。例如，利用这一学习方法让AlphaGo击败人类围棋大师，得到冠军；让自动驾驶汽车有序训练，获得新的响应模式。在我看来，这种机器学习方式特别适合在教学当中使用。

文章插图
在围棋游戏中，AlphaGo接受了数以百万计的动作和训练，利用数据密集型的算法赢得比赛。如今，它在强化学习方法上，也取得了越来越多的进步。除了可以观察到的训练实例外，还可以引入人们的建议。
因此，如果我们考虑利用AI，在教育领域更好的解决教学问题，可能会再次使用到强化学习方法。我们可以定义一个奖励函数，例如，我们可能会说，您在解决实践问题时所获得的奖励很少，或者取决于孩子对问题是否回答正确。但是，当涉及测验时，也许会获得更大的回报。我们可以做包括奖励成分等技术功能，例如动机和保留，让孩子下周重返课堂时获得新的成就。