最近最新最好看的中文字幕,最近最新最好看的中文字幕,国外性生活黄色一级大片,亚洲午夜福利视频在线,鸡吧鸡吧鸡吧操逼逼使劲操,中文字幕成人在线观看,伊人av诱惑久久久,大屁股人妻中文字幕在线,亚洲精品综合亚洲精品综合

大量事實顯示，人類即將步入嶄新的人工智能時代。那么，在這一新的時代，教育將如何變革？教育要不要變革？會出現(xiàn)什么變革？教育如何迎接人工智能的來臨？如何在教育教學(xué)實踐中應(yīng)用這一新興技術(shù)？這些都是值得深入思考的重大理論和實踐課題。本刊本期先行刊發(fā)了劉凱和余勝泉兩篇文章。華中師范大學(xué)博士后劉凱一文指出，在人工智能時代，教育學(xué)的研究對象將超越了人，把機器的教育和學(xué)習(xí)也囊括在內(nèi)，由此教育學(xué)需要革新。北京師范大學(xué)余勝泉教授一文認(rèn)為，人工智能教師將承擔(dān)種種新的角色。這些研究都是嶄新的、前沿的，也是探索性、嘗試性的，也許還存在這樣或那樣的缺憾，但無疑展示了學(xué)人們?yōu)橥七M人工智能在教育中的成功應(yīng)用做出了種種努力。本刊還將繼續(xù)刊登相關(guān)稿件，就這一論題持續(xù)展開深入研討和爭鳴，籍此誠摯邀請教育界內(nèi)外更多的專家學(xué)者踴躍參與。

 

　　一、引言

　　教育與人類歷史一樣悠長，這門亙古就有的學(xué)問如今面臨“空心化”和“被占領(lǐng)”的尷尬（陳桂生，2009）。學(xué)科自信源于理論自信。與物理、化學(xué)、醫(yī)學(xué)等自然科學(xué)乃至經(jīng)濟學(xué)、法學(xué)、管理學(xué)等社會科學(xué)相比，教育研究知識結(jié)構(gòu)破碎，缺乏專屬話語系統(tǒng)，立場不明確且研究質(zhì)量不高（劉燕楠，2016）。于是，為了向自然科學(xué)及社會科學(xué)靠攏，教育學(xué)開始引入科學(xué)的范式與研究方法，建構(gòu)學(xué)科術(shù)語和概念。但事與愿違，教育學(xué)科地位非但沒有得到學(xué)術(shù)共同體的認(rèn)可，連合法性也深受質(zhì)疑（毛金德，2016），面臨“衰退乃至解體的危險”（沃爾夫?qū)?布列欽卡，2006）。

　　教育學(xué)的科學(xué)化及其學(xué)科存續(xù)的現(xiàn)實威脅，直接來自于學(xué)術(shù)邊界的模糊化。長久以來，教育學(xué)研究者被“學(xué)校”這一時空框架（項賢明，2017）及人類學(xué)習(xí)者（Bieger et al.，2017）所束縛，不僅將教育學(xué)與學(xué)校教育等同起來，同時也將教育對象與人等同起來。教育學(xué)走在充滿荊棘的道路上顧盼新契機，計算機科學(xué)技術(shù)每每扮演了關(guān)鍵角色：千禧年后，網(wǎng)絡(luò)技術(shù)打破“學(xué)校”的圍墻，將教育學(xué)從物理空間的束縛中解脫出來，實現(xiàn)了教育的網(wǎng)絡(luò)化飛躍。大數(shù)據(jù)和虛擬現(xiàn)實技術(shù)的發(fā)展，又將這種解脫推向極致，推進了教育的個性化和虛擬化。遺憾的是，這些技術(shù)不僅沒能讓教育學(xué)從迷失中找到自身定位，反而令其支離破碎之勢更甚。究其原因，在人類中心主義價值觀的綁架下，教育學(xué)被牢牢扣鎖在“人”的囚籠內(nèi)，教育廣袤的覆蓋范圍與狹窄的人類教育實踐之間構(gòu)成了深刻的矛盾。

　　人工智能時代的到來，特別是隨著通用人工智能技術(shù)的崛起，教育學(xué)正從“人”的牢籠中解放出來。在通用人工智能的影響下，教育學(xué)將迎來真正屬于自己的“春天”：人們對教育本質(zhì)的追尋和審視將躍升至更高層次，從而在更抽象的視角下探究和揭示教育和學(xué)習(xí)的一般規(guī)律。

　　二、從專用人工智能到通用人工智能

　　人工智能（Artificial Intelligence，簡稱AI），最初旨在表達“利用電子計算機模擬人類智力能力”，然而其字面含義遠(yuǎn)大于實際所指的情況（鐘義信，2014），不可避免地產(chǎn)生許多問題（毛航天，2016）。“強”與“弱”兩種不同的內(nèi)涵分化便是其中之一，并對應(yīng)著人工智能發(fā)展歷程中兩條不同的技術(shù)研究路線。“弱人工智能”側(cè)重于智能的用途，以計算為核心，借助算法“智能”地解決現(xiàn)實問題。因而，此類智能具有相對性，表現(xiàn)為這種“智能”一旦為人們所習(xí)以為常，那么它看上去便不再那么智能；“強人工智能”關(guān)注智能的本質(zhì)，致力于對思維機器的理論建構(gòu)及實現(xiàn)，其智能具有絕對性。依照通常用法，弱人工智能也被稱為專用人工智能（Special-purpose AI或Narrow AI），強人工智能則被稱為通用人工智會旨（Artificial General Intelligence，簡稱AGI）。

　　當(dāng)前人工智能內(nèi)涵理解的混亂現(xiàn)狀，根源于人們對智能本質(zhì)理解的差異。我們認(rèn)為，“智能”不是解決具體問題的能力，而是習(xí)得這些能力的元能力，即是否智能不在于能做什么，而在于在何種條件下做到。進而提出，“智能”本質(zhì)上是一個系統(tǒng)在知識和資源相對不足情況下的適應(yīng)能力（Hammer et al.，2016）。這種“相對不足”表現(xiàn)在三個方面：1）有限性。智能系統(tǒng)只能依賴于有限的信息加工資源，比如處理器數(shù)目和速度以及存儲空間容量。對于智能機器人而言，有限性也包括能量儲備和直接感知運動能力；2）實時性。智能系統(tǒng)必須實時工作，新任務(wù)可能在任意時刻到來且有時限要求，因此多個任務(wù)會競相爭奪系統(tǒng)資源；3）開放性。智能系統(tǒng)必須對未來經(jīng)驗持開放態(tài)度，新知識可能和已有知識相沖突，新問題也亦可超出系統(tǒng)的知識范圍，但均不應(yīng)導(dǎo)致系統(tǒng)癱瘓。

　　為了實現(xiàn)上述要求，非公理化推演系統(tǒng)（Non-Axiomatic Reasoning System，簡稱NARS）工程米用了與專用人工智能完全不同的技術(shù)路線?？傮w而言，NARS基于推理系統(tǒng)框架，包括邏輯和控制兩個部分（Wang，Li，et al.，2017）。與數(shù)理邏輯致力于刻畫從公理推出定理的證明過程不同，NARS的邏輯采用更接近人類思維特點的“非公理化邏輯”（Non-Axiomatic Logic），基本功能是根據(jù)系統(tǒng)經(jīng)驗確定概念的意義和陳述的真值?？刂撇糠謩t負(fù)責(zé)有效分配系統(tǒng)資源，在大量推理任務(wù)競爭有限資源的情況下，系統(tǒng)的時間和空間均按競爭者（概念、任務(wù)、知識等）的優(yōu)先程度進行調(diào)節(jié)，同時綜合競爭者自身特征、系統(tǒng)對其以往效用的評價、與當(dāng)前系統(tǒng)目標(biāo)相關(guān)性等因素。

　　有趣的是，智能并非全知全能，智能系統(tǒng)必然會犯錯。NARS需要通過大量學(xué)習(xí)達到某個領(lǐng)域內(nèi)的實用水平，甚至在達到這一水平后學(xué)習(xí)也不會停止，在環(huán)境不斷變化的情況下更是如此。這種學(xué)習(xí)不僅限于知識的積累，也包括技能的習(xí)得和動機的演化。盡管NARS的初始動機由外界（設(shè)計者或用戶）設(shè)定，但系統(tǒng)會從中生成派生動機，并自行維護整個動機體系的協(xié)調(diào)性和有效性。

　　二、從專用人工智能的機器學(xué)習(xí)到通用人工智能的機器教育

　　表面上看，人工智能似乎和教育學(xué)相距甚遠(yuǎn)，實則不然。不論專用人工智能還是通用人工智能都與教育學(xué)關(guān)系密切。盡管相關(guān)研究極為匱乏，但機器學(xué)習(xí)和機器教育的分化卻逐漸明晰。

　　機器學(xué)習(xí)（Machine Learning，簡稱ML）是當(dāng)代專用人工智能的技術(shù)核心，聚焦于從數(shù)據(jù)中發(fā)現(xiàn)規(guī)律的算法，將學(xué)習(xí)定義為訓(xùn)練經(jīng)驗對任務(wù)執(zhí)行時性能改善的度量（Jordan et al.，2015）。機器學(xué)習(xí)最初僅是計算機科學(xué)的子領(lǐng)域，但隨著統(tǒng)計學(xué)習(xí)帶動下人工智能的興盛，機器學(xué)習(xí)已成為具有嚴(yán)謹(jǐn)體系和理論基礎(chǔ)的學(xué)科。機器學(xué)習(xí)除了以回歸、決策樹、SVM、貝葉斯等算法為主的經(jīng)典符號主義外，還有以深度學(xué)習(xí)和強化學(xué)習(xí)為核心算法的連結(jié)主義和行為主義兩個分支（馮銳等，2010）。盡管機器學(xué)習(xí)應(yīng)用甚廣，深度學(xué)習(xí)和強化學(xué)習(xí)更是成效斐然，但此類“學(xué)習(xí)”仍過于狹窄：本質(zhì)乃是空間搜索及函數(shù)泛化，實則將學(xué)習(xí)過程等同于計算過程，僅僅是在預(yù)設(shè)算法基礎(chǔ)上輸入輸出的重新投射，并無多少智能可言（Fabio Ciucci，2017）。

　　比機器學(xué)習(xí)更進一步的是，通用人工智能面向機器教育（Machine Education，簡稱ME）問題。以NARS系統(tǒng)為例，相同的教學(xué)內(nèi)容（待輸入知識集），一次性“填鴨”灌輸與分批漸次錄入相比，其學(xué)習(xí)效果完全不同，后者更勝一籌；分批漸次錄入與錄入過程中適時向NARS發(fā)問相比又有很大差異，后者效果最為理想。對于不同的教學(xué)內(nèi)容，知識組織方式對學(xué)習(xí)效果影響甚大，學(xué)習(xí)材料由淺至深比由深至淺效果好，知識的模塊化輸入又比分散輸入效果好。由此可見，通用人工智能系統(tǒng)的學(xué)習(xí)理論，不僅涉及教學(xué)內(nèi)容，同樣涉及教學(xué)方式和方法。因此，其已沖破“機器學(xué)習(xí)”算法的藩籬，跨入更為廣袤的“機器教育”層次之中。

　　上述“教”的問題，同時存在于專用人工智能及通用人工智能領(lǐng)域之中。不過，教育不僅僅只是“教”。真正的教育，既要“教”又要“育”。對專用人工智能而言，其算法具有專用性，特定問題的解決有賴于特定算法及相應(yīng)參數(shù)。一旦訓(xùn)練完畢，輸入輸出之間的對應(yīng)關(guān)系便確定下來，計算時不會發(fā)生改變。專用人工智能的特點是“算法即教法”，因此有“教”而無“育”。通用人工智能卻“教”與“育”都兼顧。通用人工智能之所以冠以“通用”二字，就是因為其不預(yù)設(shè)解決具體問題的任何算法。從最初一無所知的機器嬰兒到具備外部世界的基本常識，從簡單的人機對話到掌握一定的實用技能，從被動接受外部信息到按自身興趣“量體而尋”，每個成型的通用人工智能系統(tǒng)皆是培育出來的，整個過程和人類培養(yǎng)后代一樣，只是速度和效率不同而已。不過，正所謂“近朱者赤近墨者黑”，通用人工智能系統(tǒng)的教育經(jīng)歷對其道德判斷和最終行為具有決定性影響。在其成長之路上，“好人”能夠培育出“好的”系統(tǒng)，“壞人”能培育出“壞的”系統(tǒng)。由此可見，“教”和“育”二者皆不可偏廢。

　　三、從專用人工智能的教育迷失到通用人工智能的教育回歸

　　教育學(xué)特別是教育技術(shù)學(xué)，在以“大數(shù)據(jù)”為標(biāo)志性特征的專用人工智能技術(shù)影響下受益匪淺，在理論和實踐層面上都取得了顯著進步，卻存在著兩方面的迷失：

　　首先，技術(shù)上的迷失，即技術(shù)崇拜，認(rèn)為“大數(shù)據(jù)”及其分析技術(shù)可以從根本上解決適應(yīng)性教學(xué)、教育規(guī)律發(fā)現(xiàn)和精準(zhǔn)教育管理支持等問題（孫洪濤等，2016）。事實上，“大數(shù)據(jù)”技術(shù)體系存在理論和實踐的雙重短板：在理論上，“大數(shù)據(jù)”技術(shù)的理論支撐是概率論，對認(rèn)識教育規(guī)律和教育管理等中觀、宏觀問題確實有效，但對個性化的適應(yīng)性教學(xué)卻幫助不大。究其原因，概率統(tǒng)計過程對樣本均值非常敏感，計算過程就是一個離散的平滑過程，所得結(jié)論反映的總體特征實際上是通過對個案特征剪枝而來，由此導(dǎo)致總體結(jié)論無法有效反向還原至個體的具體特征，而個性化教育恰恰需要對個體特征的發(fā)現(xiàn)和關(guān)注，這也正是“大數(shù)據(jù)”局限性之所在；在實踐中，“大數(shù)據(jù)”并不等同于“大的”數(shù)據(jù)，數(shù)據(jù)質(zhì)量和代表性而非數(shù)量才是數(shù)據(jù)采集的首要標(biāo)準(zhǔn)。我國教育機構(gòu)盡管在數(shù)據(jù)采集上實現(xiàn)全樣本并不困難，但教育問題的研究除了獲取個體人口統(tǒng)計學(xué)變量、學(xué)業(yè)、學(xué)習(xí)行為外，還有學(xué)習(xí)者內(nèi)心、同伴、家庭及社會等諸因素。事實上，后者對人的塑造作用不可小覷，而這些因素卻根本無法窮舉。也就是說，姑且不論可能涉及的道德和法律問題，全樣本即使做到了研究對象全覆蓋，但個體統(tǒng)計特征的提取依舊無法涵蓋所有方面，教育實踐中真正的“大數(shù)據(jù)”其實難以做到。

　　其次，人文關(guān)懷的迷失，即教育者逐漸疏離學(xué)習(xí)者。先進的技術(shù)既能夠提升學(xué)習(xí)者的學(xué)習(xí)效率，也可以為教師自動布置練習(xí)、批改作業(yè)乃至代授部分課程內(nèi)容。這種看似雙贏的“智能”實際上存在著巨大的人文隱患。教師、家長的教育實際參與程度和參與時間會變得越來越少，因為他們相信“大數(shù)據(jù)”和其它信息技術(shù)比自己更了解學(xué)習(xí)者，能更及時地介入并有效干預(yù)，教育方法也更有針對性，教育策略也更科學(xué)合理。在這一認(rèn)識引導(dǎo)下，教育者的教育責(zé)任和教育行為會在新系統(tǒng)、新工具和新裝備的引入中逐漸被侵蝕。然而，教育不等于分?jǐn)?shù)，教育育人的價值導(dǎo)向在二十一世紀(jì)面臨嚴(yán)峻的挑戰(zhàn)。

　　與專用人工智能的兩個迷失相反，通用人工智能迎來兩個回歸。一方面，通用人工智能類似人腦，可以有效利用小數(shù)據(jù)，且結(jié)果總是可分析、可解釋和有意義的，這是經(jīng)驗導(dǎo)向的技術(shù)回歸；另一方面，通用人工智能本身的教育特點，令人文關(guān)懷得以保持和傳承，其強調(diào)教育過程中教育者和學(xué)習(xí)者雙向交互和建構(gòu)的重要性，彰顯了人文精神的回歸。伴隨強人工智能的出現(xiàn)，智能系統(tǒng)的教育問題也成為其功能研發(fā)的現(xiàn)實過程（Wang，2016）。通用人工智能的教育包含“教學(xué)”與“育化”兩方面，前者指通用人工智能系統(tǒng)的機器教育該如何實行，即“教材”和“教法”；后者是如何培養(yǎng)及規(guī)范“機器學(xué)生”的品行而與人為善，即教學(xué)過程中的“德育”。

　　對于“教材”和“教法”，機器教育可以參照人類的教育過程。以NARS為例，在最初的系統(tǒng)測試和運行中，我們一開始沿用機器學(xué)習(xí)“灌數(shù)據(jù)”套路，經(jīng)無數(shù)次失敗和調(diào)優(yōu)后驚奇地發(fā)現(xiàn)，所有提升NARS學(xué)習(xí)效果的做法其實同樣適用于人類。這意味著一定存在比當(dāng)下內(nèi)涵更大也更為一般和普適的教育范疇，這為教育研究工作者開啟了一扇通向新知的大門。直至今日，NARS系統(tǒng)習(xí)得“新知”、獲取“信念”、通過操作掌握“技能”中，“由淺入深”及“適時適度”的人類教學(xué)原則仍被恪守。然而，須說明的是，與人類相仿，“知道”并不意味著“懂得”。通用人工智能系統(tǒng)不僅可以為自己設(shè)定目標(biāo)，其背后所依據(jù)的信念也可以發(fā)生變化。簡單地輸入并賦予高信度的“愛護人類”“維護地球和平”等知識盡管簡單易行，但這種缺乏理解的知曉也只是教條而已，實效欠佳。德行不是說教而是通過經(jīng)驗積累和塑造的，“育”乃是一個人類和通用人工智能系統(tǒng)共同存在的操作性難題。

　　四、通用人工智能引發(fā)教育學(xué)革新與飛躍

　　實際上，專用人工智能和通用人工智能的學(xué)習(xí)活動，以及通用人工智能所獨有的教育活動，已經(jīng)突破“人類教育”的局限。“機器教育”所凸顯的一系列嶄新問題，在極大拓寬教育學(xué)學(xué)科邊界的同時也深化了其內(nèi)涵和外延，令人們對教育的審視躍升至新的層面，在更廣闊的視角下審視教育的根本問題。通用人工智能在微觀與宏觀兩個層面上對教育學(xué)產(chǎn)生深遠(yuǎn)影響，引發(fā)傳統(tǒng)教育學(xué)的革新與飛躍。

　　從微觀層面看，教育學(xué)的革新在于學(xué)科內(nèi)部的充實與重構(gòu)。首先，教育的主客體將發(fā)生重大變化，智能系統(tǒng)（為便于闡釋，本節(jié)將其簡稱機器）的引入使教育者和學(xué)習(xí)者從單一的人類延伸至機器，教育的主客體成為了“人一機”的二元構(gòu)成。其次，教育學(xué)的研究對象也將發(fā)生重大改變，即研究對象為智能主體（人和機器）的教育活動及規(guī)律。繼而，教育學(xué)的研究目標(biāo)也將更為明晰。由于教育行為不只為人類所專屬，因此其目標(biāo)事實上是探究教育和學(xué)習(xí)最為一般的規(guī)律。最后，教育學(xué)的基本理論亦需要重構(gòu)，在學(xué)理層面上吸納并統(tǒng)合人類學(xué)習(xí)理論和機器學(xué)習(xí)理論，在實踐層面上則要建立“人教人、人教機器、機器教人、機器教機器”等不同教學(xué)情境的適應(yīng)性教育實踐理論（劉凱，2017）。舉例來說，新一代AlphaZero僅用不到一天的時間練習(xí)（自我對弈），便接連擊敗了國際象棋、圍棋和將棋?三個世界冠軍級的程序（Silver et al.，2017）。從依仗人類知識成長的AlphaGo。到完全“白手起家”自學(xué)成才的AlphaZero，為何對人類精華知識的學(xué)習(xí)反而阻礙了機器對知識的掌握和運用？其中影射出一個客觀存在卻尚未得到足夠關(guān)注的事實：機器自身確實具有獨特的學(xué)習(xí)能力，不能完全照搬照抄人類的學(xué)習(xí)經(jīng)驗。反過來，人類又如何才能解讀、理解并向機器學(xué)習(xí)技藝呢？前者是人教機器，后者為機器教人，這些皆為未來必須面對和解決的教育新課題。

　　從宏觀層面看，教育學(xué)的飛躍來自對學(xué)科的重新認(rèn)知及學(xué)科自信的提升。教育能夠、應(yīng)該、也必然成為一門科學(xué)。從學(xué)科內(nèi)涵統(tǒng)轄性和外延擴展性上看，并非所有學(xué)科都擁有同樣的競爭力。從目前來看，真正能夠成為“大科學(xué)”的只有生命科學(xué)、智能科學(xué)和教育科學(xué)三者。如果生命被看成是一種生存能力，那么不僅人類、動植物和微生物擁有生命，計算機病毒也具有這種能力。智能是一種智慧的適應(yīng)能力，并非人類獨有，通用人工智能系統(tǒng)同樣擁有智能。盡管能力的體現(xiàn)需要依靠具身載體，但生命和智能本質(zhì)卻是抽象的。與此類似，教育的本質(zhì)也是一種能力。生命和智能反映的是個體能力，教育反映的是聯(lián)結(jié)個體的整體能力，這種能力最為強悍，若沒有教育也就沒有生命的演替和智能的演進。事實上，教育學(xué)才是社會科學(xué)中最廣博、最深刻和影響最深遠(yuǎn)的學(xué)科。從學(xué)科發(fā)展歷程看，生命科學(xué)已然成熟，智能科學(xué)方興未艾，教育科學(xué)卻是尚待開墾的一片沃土。許多看似涇渭分明的學(xué)科界限可能會因教育科學(xué)的出現(xiàn)而被打破，比如精神病學(xué)和宗教學(xué)：在精神病學(xué)中，抑郁癥、精神分裂等重性精神疾病的病因迄今不明，如果從教育科學(xué)視角出發(fā)，便可以將精神障礙的發(fā)病過程視為病患與自我和社會的教育過程，其治療過程本質(zhì)也是一種再教育過程，可以使用通用人工智能系統(tǒng)模擬病患精神異常的動態(tài)發(fā)展過程，從而極大地提高診斷和治療的效率；在宗教學(xué)中，作為分析精神世界的實證工具，通用人工智能系統(tǒng)甚至能夠直接展示特定主體在沒有充分證據(jù)佐證的條件下，因心理動力將某個信念升級為信仰的內(nèi)在教化過程。更進一步來說，不同宗教教義有著怎樣不同的教化訴求和路徑，外來宗教對（本國或本地區(qū)）已有宗教有何種影響，能否及如何在個體層面上借助教育樹立或改變?nèi)说男叛觯@些傳統(tǒng)難題都可以在教育科學(xué)的框架內(nèi)加以定量探究。

　　五、結(jié)語

　　與主流的專用人工智能不同的是，通用人工智能的理性只能是一種“相對理性”，系統(tǒng)中所有來自過去經(jīng)驗的知識都可能被未來經(jīng)驗挑戰(zhàn)，問題解決時沒有時間充分顧及所有相關(guān)知識，也無法保證有效結(jié)論的絕對性。因此，機器教育已不再是個遙不可及的問題。從一般意義上講，智能系統(tǒng)的能力應(yīng)該來自經(jīng)驗，而教育正是通過控制系統(tǒng)經(jīng)驗塑造系統(tǒng)知識、技能、動機結(jié)構(gòu)最直接的手段，畢竟這種“社會性遺傳”比“生物性遺傳”更高效同時有更強的適應(yīng)性。

　　從未有過任何學(xué)科，能夠像教育學(xué)一樣，對人類文明的延續(xù)有如此重大的作用；也從未有過任何學(xué)科，能夠像教育學(xué)一樣，對人類的未來有如此之大的影響力。在通用人工智能的推動下，教育學(xué)必將完成從傳統(tǒng)走向現(xiàn)代、從學(xué)科走向科學(xué)的華麗躍升。革故鼎新，延循“大科學(xué)”之路，遵從“大視野”之勢，教育學(xué)大復(fù)興和大興盛的歷史進程已經(jīng)開啟。