1.2.3 为何自适应学习能够革命性地改进教育人工智能
如果说机器人助教是教育人工智能的完美表现，那么，自适应学习（Adaptive Learning）就是教育人工智能的内核与大脑。
Coursera的联合创始人吴恩达指出，当今的在线教育平台层出不穷，说明如今的在线教育业已做到了可提供较为优质的教育的资源库，可是在线教育却不是完全以学习者为中心，还未实现使每个学习者获得最优教育资源的目标。
吴恩达说，自适应学习对大量学生运用同一材料进行学习的状况最为有效，因为这样能够收集到大量的数据。根据每一个学生的状况各自调整课程，据此实现最轻松最高效的学习方法。“自适应学习”概念多年前就出现了，但新的人工智能技术，尤其是机器学习技术，可能最终有望帮助其真正实现这一目标。自适应学习能够实现每个学习者获得最优教育资源的目标，实现真正以学习者为主体的教育，在学习材料以及材料的呈现上实现实时个性化，为具备不同认知水平、认知风格的学习者提供与他们自身能力相适应的个性化学习，达到在特定的时刻为特定的学习者提供特定的知识的水平。
教师试图越来越多地了解每一个学生，以此在适当的时间提供正确的学习体验，满足每个学生不同的学习需求。有效的自适应软件可以强化这种努力，并且可以提供实现这一目标的现实途径。
美国2016国家教育技术计划——《未来学习准备：重塑技术在教育中的角色》中也指出：在技术增强的学习环境、学习数据分析、网络与移动终端的支持下，开展个性化学习有了更多现实发展潜力。可以看出，个性化学习将成为继移动学习、泛在学习之后的新型学习方式。而实现个性化学习的技术方式在于自适应学习，以自适应学习内容推荐、自适应学习路径生成为主要构成的自适应学习服务，将随着个性化学习方式的兴起逐步要求到位。
自适应学习的出现本来是为了解决传统的线性教育存在的问题。例如，传统线性教育都是统一规划的，如今通常认为，这类线性教育容易导致一部分学习者，在已掌握知识的状况下，仍然不得不与其他学习者一样按部就班地进行低效学习，不能跳跃，浪费了大量的时间与精力；另外，线性学习缺乏互动性，也使存在问题的学习者不能得到即时反馈与帮助；再者，学习材料即使被细分和拆解，但仍然不能适应学生需要自动关联至下一个知识点与阶段。
自适应学习这个概念强调的是一种自主学习，自主学习模式是符合人类学习的本质的。自适应学习其实是我们传统因材施教，一对一施教理念的人工智能变形版。传统K-12教学中由于师生比例的差距，使得师生一对一很难变为现实。因此，班级授课制就成了相对合理的常态。从理论上看，自适应学习很好地解决了这个问题，为班级中每个学生配备一名“教师”不再是难题。
因此，自适应学习成为一个非常有前途的领域，自适应学习系统的出现，就是希望通过技术手段，不断通过数据分析获得学习者目前的学习水平与状态，并且相应地调整学习活动与进程，帮助学习者实现差异化的学习。全球的教育工作者正在使用自适应工具来改变他们的教学，这类工具正在增加，并在教室中获得广泛接受。
当然，这些工具不是灵丹妙药。任何一个单一的工具都不可能接管一个学生全部的教育，指导他们正确完成每一件他们应该做的事情。
并且，我们也不可能想象，构建学生学习的动力，帮助学生拥有自己的学习能力，发展他们的元认知技能，这些教育追求全部由这些工具来实现。
但是，自适应学习是一个强大的推动力量，使这些追求更有效和高效。这项技术可以加速学生的知识学习、经验增长及有效工作，使教育工作者可以帮助所有的孩子找到激情和充分发挥潜力。
AlphaGo是只针对围棋这一垂直领域的人工智能，而教育领域的自适应学习可要复杂得多了。自适应学习与AlphaGo相比，二者背后的深度学习、机器学习的基本原理很相似。但是，自适应学习复杂度高得多。前者应对的是一个固定游戏规则的单一活动，而后者则是要面对人类最复杂的活动之一——教育，而且“游戏规则”会随着参与教育活动的三方——教师、学生和提供教育情境方的互动而改变，其复杂程度可想而知。
顾名思义，自适应学习系统会根据学生的不同状况“自动适应”，然后只给出学生需要的题目或知识点。自适应教学的本质是采集、维护和解析海量的学习行为和学习内容数据。
自适应学习引擎就像一个人工智能的大脑，它以前期积累的内容及学生大数据为基础，再通过机器学习与训练，理解学生学习所处的情境，为学生推荐最有价值的知识点和习题，最大限度地提升学习效率，真正做到因材施教。
“自适应”其实就是在强调某种“智能”，希望机器能聪明且自动化地为我们解决一些问题。从专业的角度来说，其实是希望在两种需要之间做平衡，即：“按需推送资源”和“按学习能力推送资源”，二者分别对应“按需教学”（学生自主选择学习内容和节奏）和“适应性教学”（软件或者教师为学生选择学习内容和节奏）。
在传统线性教育中，教师常常会让学生自己整理错题集。有经验的教师，则根据学生的错题来判断他掌握知识的程度。其实这些都是检测手段，最终希望达到的目的就是得知学生的知识掌握程度。
自适应教学通过以上这些方式最终能够取代教师70%的工作量，缩减学生50%的做题时间，节省线性教育中被大量浪费的学习时间。
若是我们拿自适应学习来跟这些年来备受推崇的在线教育模式相比，就会发现目前的在线教育模式有一个巨大的缺陷，那就是它的课程完成率很低。为何会产生这种状况？就是由于它没有解决课程的互动问题。然而，对于课程来说，教学互动是处于核心位置的。
自适应学习系统不是指简简单单界面上的交互，而是学生在学习过程中不断地实质性地在学习上获得交互与反馈。
一是教师和学生的交互，其最理想的状况是优秀的教师能够针对各个学生的情况，给予针对每个学生的个性化教学和辅导。但客观状况是，优秀的教师所供给的教育能力终究有限，不是各个学生都能获得这一机会。
二是指学生之间的交互，最理想的状态是优秀的学生能够跟其他学生深入交流。但这一点总体来说是不可行的。由于无论什么样的学生，在学习过程中都会自发组合，产生学生之间的交互，其质量和保障是难以控制的。
第三就是普遍最受重视的学生与软件系统的交互。这才是核心的解决办法，因为计算机软件的运算能力、准确性、信息量及供应力相当强大。所谓的自适应学习，就是在这个交互性的领域实现智能化。用最直观的方法描述，就是学生在学习过程中的任何任意环节，怎么学、学什么材料，都会有一个像好老师一样的智能学习机器人来对学生进行有针对性的一对一教导。
先假设一种状况：有一位学生做了10道一元二次方程的题目，结果他做对了6道题，做错了4道题；然后这个学生又去做了10道一元一次方程的题目，结果是对了两题，错了8道题。那么这个时候老师应当怎么办？
面对这种情况，不同的老师就会有不同的反应。没有经验的老师，可能会给学生再布置一批同样难度的一元二次方程的题，让学生多练，觉得这样学生自然就会熟能生巧；水平中等的老师呢？他会降低难度，让学生去做一些难度低一点的一元二次方程，看看学生的状况；而好的老师则会根据经验判断他的问题不在于一元二次方程，而是在于一元一次方程的基础没有打牢。因此会要求学生去复习和练习一元一次方程或求根的过程。
这就是自适应学习系统，模拟优秀教师的教学过程去给学生提出个性化的学习指导。
当然，现实状况可能更复杂。例如，学生甲是不会一元一次方程；学生乙是不会求根；学生丙可能是连方程的移位都不会……班上每个学生都有每人的薄弱点，每一个学生的状况不一样，综合起来的知识点数量如此庞大，出现的问题则是全部状况的乘积。所以，若是希望通过一一对应的编程方式去判断学生的状况，那么我们为了编程所需要预设的规则路径几乎是天文数字。所以，试图通过给出程序性的判断来解决问题的方法是不可行的，必须通过机器学习智能应对无数的可能。
而且在实际应用中，还有许多状况更为复杂，如英语，其知识点的关系是离散的，不一定先学习名词的单复数后才能够学不定冠词的用法，各个知识点呈现的只是相关性。这种教学过程只能通过优秀教师去以极为丰富的经验来进行综合判断和指导；对于计算机软件而言，这个过程基本没有可形式化的规则能够预设，所以几乎难以通过简单的编程手段来实现这一类的教师智能，只能选用类似AlphaGo的人工智能算法来进行运算模拟。
因此，学习的“交互性”复杂是我们通常能够看到的突出问题，许多机构对比在做着各类有益的尝试。但若是要彻底解决这一问题，计算机软件需要“学习优秀教师的教学过程”，这却非通过简单的形式化规则编程就能够实现，而是需要通过人工智能的技术手段进行深度的模拟，这就是自适应学习系统的目标和根本定义。
教育是一个人力智力密集型行业，对教师人力资源的过度依赖是教育行业问题根本所在。人人都希望在受教育过程中可以遇到良师，可以接受优质教育。但优秀的老师和教育资源终究有限，能否利用人工智能让更多的人享受到优质的教育资源？
这正是自适应学习在教育领域能大有所为之处。