11月22-23日，第九届新浪中国教育盛典在北京隆重举行。本届盛典以“耀·升级”为主题，云集著名教育专家、当红教育自媒体人及教育机构等，聚焦改革与升级中的中国教育。
作为教育界最具影响力的年度盛事，新浪教育盛典重磅升级：首次推出连续两天的六大教育峰会+优秀教育产品展会+主会场颁奖礼模式，深度聚焦高考、在线教育、教育投资、留学、语言培训、教育+AI六大领域，共同探讨在移动互联飞速发展时期，中国教育的升级之路。
大数据，STEAM课堂，AR，VR……
2016年11月23日08：30-12：00，在北京望京昆泰酒店2层C厅，2016年新浪教育盛典之教育+人工智能论坛盛大召开，演讲嘉宾们的热情演讲，诚意十足的现场展示，以及内容丰富的圆桌论坛，以及会后所有到场嘉宾的自由讨论，都使这场盛会从内容，形式到互动上都别具一格。
2016年被称为AI元年，在大数据的浪潮中，教育行业也进入了一个新纪元。在2016年将要结束的时候，新浪2016中国教育盛典教育+人工智能论坛将全面为您揭秘进入AI元年后，教育行业与AI过去的相亲相爱，现在的如鱼得水以及未来有可能带来的开天辟地。在这次论坛中，人工智能大牛、名校科学家以及投资人齐聚一堂，既讨论技术革新的奥秘，也论述教育从业者的情怀，虽然在北京寒冷的早晨里举办，这却丝毫不影响论坛中的热烈气氛。
2016年新浪教育盛典之教育+人工智能论坛，是由新浪与正阳传播机构联合举办，现场请到了行走在人工智能尖端的十位行业大咖，畅谈大数据，STEAM课室以及AR，VR在教育行业的最新动态，更有干货满满的主题演讲，自由无疆的圆桌论坛，高端对话。这不仅是一次论坛，更是一道通往未来的大门。
智慧教育无限的可能：这里就是开始
这可不是一个简单的论坛，这里有科学家，有企业大佬，还有独具慧眼的教育投资人。到场的嘉宾包括未来工场CPO大壮，清华大学(分数线,专业设置)苏州汽车工程研究院大数据处理中心主任，林辉，以及朗播教育的CEO杜昶旭。另外，还有好好未来战略投资部高级投资经理郭晓乐先生，音乐笔记的CEO闫文闻先生，少年创学院的创始人张璐老师，鲨鱼公园的副总裁崔巍巍女士，万趣空间CEO宋卿和保利威视CEO白剑……等等。
高科技+教育如何落地：这里寻求答案
AI中的STEAM，AR，VR等技术，最初都应用于游戏环节，将其引入教育行业，在已经拥挤的教育行业引入AI这一更热门的概念，无疑会引起一些质疑之声。教育+AI，是真的能引起教育行业以至教育理念的革新，还是“换汤不换药”？此外，引入中小学校的STEAM课堂，如何能对学生的综合素质能力起到真正的提高效果，而不仅仅是“兴趣班”；在中国的应试环境中，STEAM又该如何“入乡随俗”？
这一系列的问题，都在STEAM圆桌对话中得到了充分的讨论，在资深投资人郭晓乐的主持下，来自国内最成熟的三件STEAM企业的领导人各自都给出了令人眼前一亮的回答。甚至，担任本次论坛主持人的极客营CEO耿赛猛，都忍不住加入了这场关于未来教育的头脑风暴之中。
AR/VR在教育领域的突围之路：这里找到方向
参与AR/VR高端对话的是保利威视CEO白剑和万趣科技CEO宋卿。保利威视是直播视频网站的大赢家，目前正在向AR/VR这个新兴领域布局，而万趣科技，则是在AR/VR领域颇有经验的朝阳公司。这样的组合本身就妙趣横生，而在主持人耿赛猛巧妙的引领下，三位参与者幽默的语言，让一些稍显生涩的技术类讨论也充满了乐趣。
亮点：
拥抱大数据——大数据和人工智能如何影响在线教育
把握尖端智能——EdAI： 2016年~2020年在线教育迈向智能时代
透视教育+人工智能本质——数据智能时代与中国教育
深度对话——STEAM圆桌论坛，AR/VR高端对话，三维剖析行业纵深
立体式解读——科学家、企业大牛、投资人三方会谈，全方位把握未来AI脉络
以下是现场文字实录：
主持人：各位领导、各位嘉宾，大家上午好！欢迎来到新浪教育盛典人工智能发展论坛，我们将会讨论人工智能和教育的结合。大家都知道，今年人工智能这个词非常非常的火，从今年年初Alpha-Go的世纪大战到前两天大家看到的一个新闻，说是机器人起义了，把人打伤了。这个东西是不是人工智能呢？后来有辟谣说只是机器人操作失误，这更说明我们整个市场所有的人对人工智能的期待。人工智能什么时候可以发展得更好一些？今天我们就重点来讨论这些问题。那么人工智能如何才能和教育更好地结合？尤其是大数据的机器学习和教育结合是不是能够有一些新的、和之前不一样的局面出来？再加上这几年科技的发展，比如机器人、VR和AR技术的出现也给我们的教育带来了一些新的局面。当年互联网的出现给教育带来了很大的变革，从在线教育、MOOC到现在的直播，是不是又会给教育带来新一轮的变革？人工智能到底发展到了什么阶段？哪些方面是现在已经在应用的？哪些方面是未来可以预期？这都是今天主要的话题，相信会给大家带来一些不一样的答案。
下面我们首先请未来工厂的王凯峰先生为我们发表演讲，主题是“教育智能：从Edtech到EdAI”。
王凯峰：很高兴能够和大家分享，我的主题是现在到未来的五到十年这个智能时代的到来。我们做的主要是教育+科技行业的天使投资，天使投资也是一个关于未来的职业，因为如果投资的方向在未来五到十年被社会淘汰的话就白投了，所以我们非常关心未来到底会怎样发展。
怎么才能知道未来呢？我们发现中国的教育行业是有一些特点的，它要比国外慢一点，而且比其它的科技行业、信息行业和娱乐行业也慢一点，我们可以看到其它国家会发展的一些不一样的东西。
我们认为AI教育是未来的一个趋势，可以看到在过去的五年当中整个人工智能年复合增长率是57%，全球的人工智能在未来五年会保持每年55%的增长速度。之前我们的技术总是落后于美国和其他全球先进国家，但我们的专利在2012年已经超过了美国成为全球第一，政府的政策也是很快地陆续出台。整个行业的资金在发生变化，现在基于深度学习的人工智能技术背后依赖于更多的数据、更好的性能和更优秀的算法，背后的原因来自计算能力的提高和成本的下降。现在我用一块钱能够买到的计算能力相当于2000年的时候一万块钱能够买到的计算能力，因为成本降低了一百倍而性能提高了一百倍。全球的数据也在不断上升，所以更多的数据、更低的成本和更快的性能会给我们带来更强的人工智能。
这是我从2000年到2025年对教育行业的总结。2000年是宽带还不够普及的时代，当时可以做到的只是简单的资讯上网，所以在2000年左右第一波的沪江网和中国教育在线这样的教育门户是把信息和资讯上网在线化了。2005年到2007年新东方在线和好未来相关的录播网校出现了，那个时代整个网络还没有办法完成一个很流畅的视频播放，所以当时大家常见的做法是从网上下单，然后把光盘邮寄到家里。那个时候只能通过在线购买，实际服务的交付是在家里。直到2012年我们的宽带进入了千家万户，我们的MOOC和微课才成为了主流。2010年直播的流视频成熟以后在线的直播课程才成为了主流，包括好未来、新东方和前两天融资比较多的VipKid和51Talk，很多人都开始用直播的技术进行教学。这是把信息资讯在线化，同时能够把服务在线化，这三个是依赖于整个宽带的变化。
这里有两个很强的推动元素：一个是移动化，一个是资本的注入。随着移动场景的接入，我们能够看到宝宝巴士有很多的移动场景能够和手机来做说话、GPS和基于LBS的O2O，能够让你找到附近的老师，然后你还能够和你的手机做更多的交流。资本的进入要求我们在商业化上面有更多的尝试，所以大家能够看到过去的五年整个在线教育的商业模式有很多的创新。
人工智能从2006年深度学习提出之后有了很大的变化，这里的一个标志的点是2012年深度学习的算法在图像和语音识别上的成功率可以达到95%-97%，而在2011年就开始做语义识别，2013年的猿题库、学霸君把拍照、图像识别和教育结合，变成了一个自适应的题库。2014年的英语流利说也可以通过语音的方式给学生和成人进行口语的校正。
整个科技教育的发展和背后的这些技术有很大的关系，很标志的事件就是2016年3月份Alpha-Go战胜了李世石，这是人工智能的里程碑事件，Google预测在2029年的时候人工智能的大脑会超越人类智能。未来会有越来越多的技术越来越快地进入教育行业，这些技术会怎样影响我们的行业呢？一定要找到正确的使用场景，我们能够看到目前一共有四个典型的使用场景：个性化学习当中又分为自适应学习，可能要把分次阅读单独再讲一下。另外就是虚拟助手，拍照、搜题、对话机器人，包括今天来的音乐笔记，某种程度上都是一个虚拟的助教，还有商业的智能化和专家系统，我认为这些是随着我们技术越来越进步的四大应用场景。
我扫描了全球几十家和智能相关的企业，可以看到左上角最大的是自适应学习，因为这是现在大家提起教育以后必然会谈的一个概念，就是让不同的学生按照自己的特点进行学习。专家系统分为留学咨
询、生涯规划和申请，智能批改也是一个比较多的场景应用，还有就是商业智能，可以看到原本在金融领域，包括一些电商领域和企业服务领域当中已经应用很广的商业智能也开始在教育行业当中有应用了。比如ED Log是帮助学校进行校车路线的规划，怎样能够让校车效率更高的把孩子接到，这是一个非常典型的应用场景。New Classrooms通过一个简单的程序能够让老师在学校里面很快地对学生进行线下分组，这次我们讲的可能就是这样的一个组，随着你们不同成绩的变化，我会把你们的分组打乱，让不同的学生按照自己的分组进行学习。商业智能能够做很多不同的事情，包括智能的LMS，这些都是B端两个领域的应用。虚拟助手当中有学霸君和小猿搜题，还有微软的小冰其实都是属于这个范畴，通过机器的方式，包括拍照、对话和运动的感知，然后在这个过程当中能够帮助我们的学习者不断地改善自己的学习过程，其实就在承担一个助手的角色。底层可以看到语音识别，包括自适应和情感计算的引擎都已经开始出现，还有一些引擎没有在教育行业做优化，我们认为这是一个很好的机会。
未来到底是一个什么样的时代呢？人工智能会和人类的这些老师有一个什么样的关系？我认为是一种协作的关系。机器是在简单环境下的标准化重复的劳动，智力劳动是人类更加擅长的，而且人类在情感能力、创造性、批判性的思维和复杂决策方面更有优势，我们通过人机结合的方式能够获得更好的收益。
自适应学习是一个老生常谈的概念，原来老师只能通过简单的感觉把人分为拔尖的、好学生、中等生和差生，我们希望把学生做一个更详细的分类。自适应包含了很多部分，比如自适应的内容、自适应的测评、自适应学习的进度和路径，可能你的路径和别人是不一样的，然后还有自适应的反馈和目标。大家都在说自适应，但实现的手段和侧重点都是不一样的。我们会从教学者和学习者进行建模，然后把整个相关的知识生成一个知识图谱，这就是我们整体的模型，中间通过我们的算法把合适的材料给到合适的学生，同时获取他的学习数据，不停地更换我们的适应性材料，最后我们会把整个学习过程的数据呈现给我们的、老师或者学生。
现在人工智能是非常依赖于数据的，未来可能会有符号化等其它对数据依赖更小的方式，目前限于我们的技术手段，我们从教学练测评五个教学环节当中最好的训练方式是在练习环节，因为题的数据是结构化的数据，而且又是高频的，因为频次会非常的高，反馈也会很快，能够通过跟答案的比较和不停的反馈马上地调整我的算法。现在市面上所有自适应的学习工具基本上都是从练习环节切入，这是一个非常好的切入点，但它的问题就是商业化2C的能力是比较弱的，只要大家做C端的工具最开始都不太好赚钱。最后的解决方案就是要么是往左端去做教学，要么是往右端去做评测和发证，或者干脆就不去2C，而是做2B的事情，就是把我的整个工具卖给机构或者学校，这是目前大家的切入方法。
语言方面就是通过个性化的教学加上自适应的学习，最后加上一个智能的语言测评，能够帮助我们的学生更快地掌握外语。当然，国内的流利说已经做得非常好了，他们下一个产品我们回头可以看一看到底有什么样的更好的进展。不过我们会觉得大的赛道来说语言学习是一个非常非常大的领域，就是从新东方开始到现在都是一个很大的商业领域会被人工智能改变。另一个大的方向是阅读，我们认为中国的很多孩子没有读到自己合适的书籍。我们需要有一个国家范围内应用比较广的分级体系，能够让我们对孩子和书籍进行分级测定。我们要与这些出版社和内容的提供商进行合作，然后让更多的内容进入我们的体系当中。我们要把整个分级的体系和阅读的材料让更多的孩子用起来，进入到公立学校当中，所以可以看到分级阅读实现的方法。国外现在已经进入到了课堂里面，老师可以通过他们的软件让班级的学生按照自己的节奏进行阅读。这是非常重要的，中国孩子的阅读率要比国外低很多，中国是七本左右，国外一年是三十多本，中间差了非常多的倍数。
我们觉得整个资讯引擎加上LMS是下一个时代的升级，由于传统的LMS学习管理系统包含了教学和整个的练习测评，但是基于大纲和章节，老师只能按照自己的节奏让学生一个章节一个章节地进行学习。下面我们可以看到国外的一些新的引擎出现，能够让学生在一个大纲的范围之内，但是按照自己的节奏进行学习。还有一些LMS已经在和实践类的学科进行结合，比如Smart Sparrow，这个公司做的事情是一个实践类课程的自适应引擎。这里会包含高成本、高危险的学科，比如工程类的、建筑类的和医疗类的。比如在一个虚拟的实验室里面可以给病人动手术，如果不小心把病人杀掉了，它会回过头来把你的数据一步一步地展示给你，并且告诉你哪一步做错了。如果我是一个学生，我可以在上面反复练习，而且根据练习情况的不同会给我推荐一些不同的阅读材料和其它的练习。它可以解决很多实践的问题，让我们这些实践的科目也能够变得自适应起来。这里很重要的一点是我们学情的数据会随着在线化变得越来越多，我们不仅能够去了解到学生的学习结果，还能够了解到学生的学习过程，更多的过程数据会给我们带来更多的Knowhow。现在我们的答案选择了一个A，这是我们看到的结果，但是这个选择A的过程可能所有的人不是这样，也有可能是先选择了一个B再选择了一个A，说明我刚开始是选择错了所以会有犹豫。另一个学生可能看到题目两秒钟之内就选择了A，说明要么是他看过要么是他蒙的。还有一个学生可能花了十五秒的时间直接选择了A，这说明他是自己通过思考和决策知道了这个答案，也是非常非常正向的一个反馈。还有一些学生选错了，可能刚开始选了A，过了一会儿又改成了B，这种和上来直接选择B的学生是不一样的。我们可以通过学生的数据知道学生对知识点掌握的概率，而不是一个简单粗暴的结果。
拿到更多的数据之后，我们需要把这些数据进行格式化，能够让老师和校长看到自己的教学成果到底是什么样子的。我看到过一个国外比较好的例子叫做Spot Light，可以做到的是我可以直接把我的数据库Excel表格导入进去，然后一份视频的数据解读报告就会出来。这个视频能够直接告诉我这个报告应该注意什么，外加一份可以打印的像报纸的报告，这会比我们原来看的Excel清楚很多。
另一个环节就是虚拟助手，什么叫做虚拟助手呢？刚才说过可能是偏陪练、答疑和客服咨询，这样的一些事情在比较近的阶段是可以被人工智能逐渐替代的。前两天我在跟一个电商公司的技术负责人聊，这个电商公司很大，两年前客服就有一万三千人，这个成本是很高的。他们通过机器人助手替代之后，客服的数量马上下降到了八千人，也就是说他们用人工智能的方式替代了六千人。而且对客户来说，整个服务质量的下降是难以察觉的，所以说我们能够看到这样的一些简单的号码多大，我该怎么退货，这个东西是不是正品，就是这样的一些简单的限定问答完全可以通过机器替代。成本很低、响应时间很快，知识是比较全面和标准化的，服务态度不会因为脾气好还是不好发生变化，这就是我们能够看到的在一些简单的智力领域当中机器可以做到的事情。
典型的使用逻辑是学习者会发起一个请求，然后我们的机器通过识别文本语音动作图像或者这样的信息，最后能够识别出来学习者的意图，到底是想要问什么问题。通过我们的知识图谱和基于算法的模型，我们会给他相关的答案，最后合成一个他能够理解的语音或者文本的信息反馈给我们的学习者，让我们的学习者能够得到我们助手的反馈。音乐笔记就是通过一个闭环捕捉到钢琴练习者的动作、指法和力度，然后通过它和国内的这些顶级的音乐大师已经录制好的演奏者的模型进行比较，最后告诉这个学生你练钢琴的指法是太快了还是太慢了，用力是太狠了还是太轻了，所以其实是一个陪练助手，可以通过这样的方式不停地给学生校正他练琴的姿势。
流利说也好，学霸君也好，都是通过这样的方式校正学生的英语或者解题能力，它就是一个虚拟助手，可以不停地帮助我们的学生进行学习。随着智能的演进，我们认为它能够做的事情也是越来越多的，目前还只能担任助教这样的角色，能够做的事情是在线答疑、进度督促和简单的客服。由于智能越来越强，下一步加入了更加复杂的专家系统，我们可以帮它完成学习规划，包括指导咨询和客户服务这样的更加复杂的顾问类的应用。目前我们可以看到申请方，我可以通过我自己背景情况的填写，它会告诉我该怎么进行国外学校的申请，而且他们的CEO王刚跟我讲不仅可以搞定留学申请，也可以用同样的技术搞定未来高考升学方向的判断，包括已经就业的人士未来的职业规划，通过同样的算法可以把路径的规划、生涯的规划全部搞定，这就是顾问的领域，我认为应该会在未来五年左右的时间被替代掉。更远的场景是老师，老师的录播课程和视频整个教学环节其实是不够好的，不能是一个替代，仅仅是视频的教材而已。随着技术的不断演进，我们认为老师有朝一日也有可能会被替代掉。
大家可能都会觉得为什么现在在线的留学生录播课程的完课率很低？很重要的一点是它和我们线下的沟通，我能够看到学生的眼神，我能够看到到底是在听讲还是在开小差，到底是疑惑还是恍然大悟，这些都是通过我们瞬间以秒为单位的反馈，加上我对你表情的识别才能完成的数据。现在我们线上的教学没有办法把这些数据用起来，只能通过上课之后的练习才能把这个反馈完成。为什么直播会更好？直播把这个事情变得有可能了，如果自己用过的话还是没有办法看到眼神是什么样子的，如果有一天我们可以通过表情识别能够反馈到我们的老师当中，这个时候线上的教学效果也有可能达到线下的效果，而且有可能同时对几百人进行线上直播，每个人都可以感觉到我讲的课都是对他定制的。一共是四个场景的应用，现在我们比较详细的版本只放出来了前两个，还有包括专家系统和商业智能，这两个和教育相关的典型应用我们会在一两天之内把报告放出来。
现在人工智能有这么好的前景，但仍然还有一些问题。大量的学习环境仍然在线下，就是通过我们课堂完成的，甚至我觉得还有一部分的数据是通过在线直播完成的，其实这些数据仍然没有Online，还是没有办法分析这些数据，仍然都是模拟的视频流。这里没有数据采集和处理，最简单能够被使用的就是练习环节和测评环节，每道题目的答案都是确定的，最先被科技化的其实是单选题，现在填空题也快被搞定了，作文也可以慢慢被批改了，通过我们这样教学环节的反馈现在仍然是依赖于人的，没有办法做到在线化。另外它的数据的层次也很多，假设对学生要去敲键盘，所以键盘的数据是一层，敲了键盘之后基于我的键盘会有一个回应，整个回应和回答又是一层。我们的在线教学完成之后这个学期数据的汇总也是不一样的，而对老师来说每个班级、每个课堂学生的学习数据汇总又是不一样的，学校的这些学区领导关心的数据也是不一样的。所以对一个决策不同的层次来说，整个数据的层次是非常丰富的，这里的难度其实也非常的高。再就是反馈的周期很慢，我们做人工智能以及任何和数据相关的事情期望的都是一个快速的反馈，我们告诉机器我选的是A它就告诉我选的是2，可以不断地进行校正和学习。现在我们要等到这个学期结束之后的期末考试成绩，甚至是整个高考结束之后来看高考成绩到底好还是不好，还有的说要做终身的追踪，高考结束进入学校，是不是在十年以后学生混得很好，到底哪些数据才是真正反馈的结果？如果没有办法衡量就没有办法改进我们的算法，这是另外一个问题，就是我们的反馈太慢，效果很模糊。最大的问题是教育行业科技人才的供给不足，现在我们需要的不是老师和移动工程师，而是具有原创性的老师，比如教研的人员和教学设计师，现在我们需要的是数据工程师和算法工程师，这样的人才是非常少的，所以我们认为这也是科技人才进入教育行业里面的一个非常好的机会，因为现在有很大的市场需求。
最后再说一下我们自己发展的情况，我们是专注于投资教育行业的基金，去年3月份开始成立，到现在已经投资了三十家教育科技的公司，包括刚才说的音乐笔记和基于人工智能的爱天英语。爱天英语原来是新东方的一个老师，结果很偶然地第一次考了托福的口语满分，又考了一次之后又拿到了托福的口语满分，好像能够抓到托福考试的精髓了，所以打算把自己的经验通过人工智能的方式沉淀到系统里面，让更多的人可以像他一样练习英语口语。
未来我们还会披露更多这样的项目，如果大家想在教育行业创业的话欢迎多和我们聊一聊。
主持人：刚才来自未来工场的王凯峰先生把人工智能+教育和大家做了一个比较全面的讲解，相信大家对人工智能和教育的结合已经有了一定的认识。在我小的时候每当有题不会我就在想要是有一个机器人帮我写作业有多好，现在的人工智能已经做到不仅可以帮我们写作业和解题，甚至能够做到跟人一样参加高考，这个就很黑科技了，我们人从小学到高中毕业需要十二年，人的十二年的学习和人工智能的学习相比会有什么样的不同？人工智能用什么样的方式能够参加高考的考试？因为我们每个人都是从应试教育走过来的，十二年的学习是一个知识的综合，我总感觉如果用机器人参加高考需要的人工智能的难度和强度甚至比Alpha-Go还要高。那么人工智能的机器人到底怎么参加高考？是不是能够考出来一个什么样的成绩？今天我们也请到了高考机器人背后的主研人员，让我们欢迎清华大学苏州研究院大数据中心主任林辉教授为大家带来“数据智能时代与中国教育”主题演讲！
林辉：在我的演讲正式开始之前，我想告诉大家几个问题。其实我们是做汽车的，后来跨到教育来了，说明跨界很重要。我和王总刚认识几天就看到了他关于人工智能的文章，看了以后我就立即在群里面转了一下。这篇文章是我五年做大数据与AI以来看到的第一个这么全面，对教育和人工智能理解这么深厚的人。我想用理论的高度证明王总的提案是符合发展规律的，也想用理论的高度看到我们落地能够落到什么样子，去年是什么样子、今年是什么样子。我们后台的数学高考机器人几乎七天一个版本，进展的速度一点不亚于我们刚刚知道Alpha-Go把业余段位的人杀到了三段、六段、七段，请相信它，我们预计三年之内高考一定满分。现在我就正式开始我的演讲，用的一个新词叫做“数据智能”，希望这个词汇能够通过这次会议传遍大江南北。
教育是一个人傻钱多刚需的地方，在我进来之前因为我的女儿往里面扔了大笔的钱，你说能提多少分我就给多少钱，后面再跟上一个万，就傻到这种程度。等到我进来的时候才发现在这个行业里面上万亿的市场，一个行业的龙头企业区区几十亿元人民币的产值就称之为龙头了，所以我觉得这里有问题。教育面临跨时代发展的重大压力和机遇，从我们现在人类文明来看，数据科学的高速发展是根本，是以互联网技术为代表的全球性新一轮科技驱动，核心就是数据科学的高速发展。数据科学的概念到今天也没有界定得很清楚，但是各个国家全都在努力，我们今天看到的所有日新月异的现象都是因为数据科学，特别是近来人工智能AI的重大爆发。数据智能=大数据+人工智能，如果人工智能没有大数据就没法智能。我希望这个口号由任正非和马云提出来，数据智能将升华工业文明时代，进入我们的数据文明时代。
无论是发展中国家还是发达国家，教育得的病都是一样的，就是低效、均衡、个性化。不光我们，欧美也苦，优秀的教师资源就是百分之五，所以不要觉得只有中国是这样，国外也是这样，麻省只有一个，剑桥只有一个，不能人人都上，所以都是要考试。现在群里面就在说我们已经被什么绑架了，喊得厉害，不是还得去学吗？人类文明就是这样发展的。学习是痛苦的，学习是违反人类娱乐天性的，不要把它看成不得了、了不得，为什么英国人、欧洲人又在用我们的数学教材放去学呢？为什么我们的孩子出去以后数学会那么厉害，但是创造性差了呢？所以各有各的优、各有各的劣，就是低效、均衡和个性化。低效就是就那么点老师没有办法，均衡是三四线城市没有办法，再就是个性化，放到一线城市我们也没有办法让一个孩子对一个老师。根本的原因就是缺乏优秀教师这个人力，三大资源要素当中自然资源和资本在教育当中不是关键要素，最最重要的是缺少了优秀教师。
这个病是一个千年之痛，那么重的病得了上千年，但是我们做教育的企业，人家病人得病的时候按理说我们把药做出来应该都很快乐，但是企业很痛苦，因为低端化同类化。现在我们看到所有做软件、视频和课件的都是同类化，或者是做云端和管理软件。最痛的地方是凡是脑力知识密集型的从业者都是超负荷工作，按理说一个老师带一个班都是累得要死，要是带两个班还想教好的话就快死了。美国很多州都有法律规定一个班不能超过二十人，但我们正常情况下都是一个老师两个班。我也讲过课，如果想教得那么细把我杀了扒皮也做不到，不是我责任和态度有问题。中国现在很偏远的地方，这类学校用户资源均衡也有问题。我们用互联网能够让他们见到更多的知识、看到更多的视野，但这属于一种非盈利性的服务，特别是进来《民办教育促进法》进一步明确了这是非盈利性的服务，但是这种服务传过去以后出不了半年治标不治本，因为孩子开了眼界，但是教学测评链的环节没有打通，没有优秀的教师领着他做，他依然会有新的需求，依然会转移到教育最根本，当时孔子就说因材施教，上下几千年来依然没有解决。
传统互联网基因与教育基因不匹配，没有办法形成规模化的发展，听起来很拗口，什么原因？互联网为什么能够迅速爆炸？微信微博为什么这么热？互联网的基因是你有兴趣、你有黏性、你快乐、你愿意分发，这是互联网的基因带来的，教育谁能做到愿意学或者愿意分发？互联网是符合人类好奇害死猫的天性，但教育是痛苦的，如果用互联网的基因迅速就能够像微信那样炸开打死谁都不信，就是基因不匹配，但是又不能不用它，所以要尽量地进行基因匹配才能做到规模化的发展。在线教育这么苦是从根上来说基因就没有匹配，但还是要去用它。传统互联网的概念就是解决了一个数据传输、信息对称的问题，我们的教育当中竟然出现了这样一种情况。用户该痛还痛，企业该苦还苦，熬不过资本寒冬的企业该哭就哭。慢工出不了细活，有的企业烧了很多钱大量的投入，上亿元圈用户，圈了以后资本的投入没有办法形成市场，因为没有给家长老师学生带来真正高效的产出，就是能够精准的学习，甚至是有的问题还出现了把答案给人家，让孩子成了一种抄袭就能完成作业的暗示，完全把诚信机制打破了。小的时候抄题，大写抄论文，出去抄成果，怎么才能成才？过去我们就熟视无睹了，这是非常危险的。基于内容的题库、白板、录播和直播依然是以人力为主体，本来人力就紧张，所以数据活性为零。录了一百天的课放在那里，想再找再翻重复使用的时候这个活性非常差。结果性数据偶尔采集，但是常态化、过程化。
一个行业有没有进入数据时代标准很简单，如果这个行业说晚上十二点系统崩溃了，明天人一来干不成活了，这个行业就进入到了数据时代，如果这个行业说第二天崩溃了就说我加个班继续干，这就不是数据时代，甚至连互联网时代都不是。我走了这么多领域，评了这么多项目，教育和农业几乎是互联网萌芽状态的领域，哪里已经数据化了呢？银行如果系统崩溃你们能干吗？银行第二天上午能不营业吗？高铁如果系统崩溃谁敢坐？电力如果系统崩溃我们敢坐在这里吗？军事如果系统崩溃行吗？我们的教育落后到了什么程度？几乎没有数据，数据是死的。传统的生产就是自然资源、人力和资本三个要素，至于科技含量都是从资源和人力当中衍生出来而已。必须添加数据要素为其核心，智力科技驱动创新，解决千年之困。一个老病根必须上新药，我们已经用三种要素研究了上千年，难道还不够吗？教育数据的要素落后和薄弱到了什么程度？我们正在面临着教育从一个初级的互联网业态向数据智能业态跨越，机遇与挑战并存。出路就是一定要用数据智能，我用的词叫做弥补而不是替代，不是那么智能，也别听他们说我们现在怎么着了，即使那样我也不能替代人，就是弥补人力的不足。怎么弥补呢？就像一个人长跑，大家都在用两条腿，这个时候你弄了一辆自行车，你肯定能胜出，先别指望上摩托，也别指望上汽车，弄个自行车就绰绰有余，和别人比谁能被老虎吃了，你别跟老虎比跑得快，把那个哥们当礼物送给老虎，这就是企业的发展之道。谁弥补得多谁就能胜出，谁弥补得少谁就危险，缓解高效、均衡和个性化的压力。
再讲一点技术性的东西。现在数据智能的核心板块是由于我们互联网传输技术和云技术越来越普及和深入，智能硬件技术由于这些芯片根据摩尔定律再往前走一块还应该有很大的空间。还有知识表现与获取技术，就是要用计算机的语言把知识形容出来。最后就是机器学习技术，由于机器学习的高速发展，我们做了很多突破，还有自然语言艺术，我们已经做到了一定的高度。当然还有很多同行做得比我们还好，我们是基于推理的，他们是基于语义的，但是这两方面要融合，包括机器识别，我们识别的是印刷体和手写体，自动推理技术是我们的长项，欧美也没有达到我们的水平，核心芯片技术是生物芯片和现在各种的PU。今天我们最底层的数学理论和算法基础上做了很大的突破，Alpha-Go也是，那个里面有几个重量级的数学家，还有一个围棋高手，要是没有数学家的话Deep Mind Network是出不来的。
为什么人工智能会是这样呢？个人认为我们是从有监督向半监督和无监督的机器学习跨了一大步，什么叫做有监督？就是遇到问题得编个程序，一道题一个程序，半监督就是没有全编，推他一下他就能过，今天我们正在全面进入无监督的状态，一旦这个系统出现问题就会自己学习，这道题卡在哪里了他会回来找到问题。我们现在介于半监督和无监督之间，半监督占了百分之八九十，彻底无监督的题大概是百分之二十左右，但是这个速度会越来越快，大概就是半年以后，现在我们一半以上已经彻底无监督了，这个速度就会非常快了。另一点就是观察式学习，前几个月我在深圳见了杨强教授，我们聊的意见是一致的，我是观察式学习，这个系统就像人一样会去看这道题是什么规律，没有观察的话系统会爆炸，就是二的八百次方恐惧路径数量，再就是连续性数据取得重大进展，连续性数据就是我们的语音和图片，现在看来很多学习性的技术用在这种场景非常好，而我们的连续性不是特别强，所以难度很大。
为什么AI会这么火？因为互联网让这个数据如此之大，那么数据就必须智能，不然人类就要灭亡了。再往下又因为机器学习的高速发展出现了深度学习的各种办法，机器已经基本具备了从一定领域内降维的半监督和无监督学习。结论是我们大家把这个声音一起传给马云吧，数据科技正在改变我们的生产和生活，也会对经济运行结构产生巨大影响，下一步会影响政治，再下一步会影响文明。按照这种进度，任何技术都是先影响经济再影响政治，进而影响文明。等到影响文明的时候，我们将正式进入一个数据文明时代。
我们当前的任务是替代重复枯燥的人脑脑力，而不是替代人本身，人是有情感和创造的，我们离那一步还远。我们的目标是用低的投入换来高的产出，智能技术百分之一的进步我们就能获得百分之百的行业进步甚至更多。现在的人给孩子批卷子怎么也得一个小时一百块钱，我的系统就是给我五块钱也会笑着说谢谢你。现在我们的用户已经两万多了，这是过完春节以后开始推的。请大家记住，以数据科学为基础的智能技术将在各个领域出现资产的一夜清零，资产是企业的资产负债表，智能技术往那个领域渗透大家就都要防范了，可能一个技术的突破会让你资产负债表上原来沉淀的房产、地产、生产线和人力各方面的专利一夜归零，这个词汇我喊了五年，终于在今年的科技驱动发展战略上面有了应用。柯达就是这么死的，回头还有很多，等离子电视也是一夜清零，这种现象将从个案变为普遍现象。
这是我们准星智能的六大智能平台和十项智能技术，智能助教、智能助学、互动管理、校外培训、大数据智能处理。自动识别印刷体、自动理解题义、自动解题和一题多解、自动逐行标注知识点、自动多维度归纳、自动识别混合手写，包括判明对错、寻找错误原因、自动推荐和自动问答。自动解题我们是全球第一，还有自动问答数学机器人，将来可能还会有交互问答，我们现在已经落地了，大概是在两万用户当中应用。打造AI×教学练评测的新链条，人工智能要在这五各环节全部用上。
这是我们按照数据理论往下走的，可以看到这个孩子用了一支笔，普通的本子上面写就行了，然后一键上传到我的系统，所有的老师等在那里就行。我们获得了国家“十二五”科技成就展的奖项，也给国家领导人和各个部长讲了一通，那个是不能拍照不能宣传的。5月13号中央电视台特意曝出来清华研发的考试机器人获得了重大突破，明年就会参加高考。能考多少分呢？现在是一百来分应该没问题，因为是盲测，里面没有题，就和人一样空手去。
我们原来有一个梦想，把教育机器人诞生在中国，现在我们基本上能够说诞生了，但是能不能活下来还需要各位大力的支持。别的不说，希望我们的教育越来越好。
主持人：感谢林教授把教育在考试测评方面的情况做了一个简单的介绍，我们也希望2017年的高考机器人能够有更好的成绩。刚才林教授说能够考到一百分，一百分已经很不容易了。下面我们看一看这几年素质教育当中比较火的一个概念STEAM，刚开始是STEM，就是科学技术工程和数学的结合，后来又加上了艺术。我们从小就说学好数理化走遍天下都不怕，如何把这些科学技术知识做一个融合？中国的STEAM到底发展到了什么程度？下面我们就一起参加这样一场论坛。
郭晓乐：之前我还有一点奇怪，为什么会把STEAM这个主题放在AI旗下？后来我仔细想了想STEAM和AI到底是什么关系，其实在我看来是两个层面的关系：一个是过程层面，一个是结果层面。按照过程层面来说，AI的发展会促进STEAM教学的形式和类型的多样化，结果层面在我来看是更重要的，其实我们在想STEAM到底是在做什么？其实是培养现在以及未来的AI人才，也是在培养大家面向未来AI社会全新的学习和生活的方式，今天放在同一个论坛的主题里面也是非常契合、非常合适的。大家都有各自侧重的不同领域，但是可能会面临一些非常共性和干货的问题。虽然四位嘉宾的企业和项目大家都已经熟悉了，但还是希望每个人依次介绍一下自己的业务。
耿赛猛：其实我们这个企业定位在做STEAM教育，要把一些新的科技的知识和内容在K12这个领域，尤其是在中小学的时候带给学生。现在学生提出好的东西很多，游戏是顶级的、设备是顶级的，如果我们的教育不能跟上的话其实是很难吸引学生。如何做一些让学生看起来比较高大上和科幻的知识，能够从这种知识学习当中达到他对STEAM整体的认识和理解。现在我们做的有机器人、无人机，包括今年做得比较火的卫星，就是如何让学生造一颗卫星，可以用这样比较新的知识和技术让学生达到整个STEAM的融合。
闫文闻：我们做的事情就是加入进去的艺术，主要做的其实是乐器学习和钢琴。我们做的功能其实很简单，就是告诉孩子在哪里弹的有问题和怎么解决这个问题。现在我们的判断精度和识别精度应该已经超过了很多相对比较专业的陪练老师，识别的精度能够达到百分之九十九以上，这是没有人能够持续达到的水平。我们主要就是用几类传感器放到孩子弹琴的应用场景，家长瞬间就能懂，老师能够提高管理效率，孩子也能够有一个更好的管理体验，所以我们做的就是STEAM里面的A。
郭晓乐：我记得产品里面有一个腕带？
闫文闻：我们在10月底的上海乐展也发布了一款摄像头的产品，就是基于视觉的判定，四天的展会里面有几万套的定单就签下来了。
崔巍巍：鲨鱼公园其实是专注于做三到十八岁，几天前可能还是三到十五岁，现在是专注于做STEAM科学教育。其实三到十八岁跨越了幼儿园、小学、初中和高中四个年龄段，也就是说在这四个年龄段的科学产品我们都在做，特别是K12幼儿园和小学这个阶段做的产品定位是三个阶段厅堂户。厅就是孩子在家里学习科学，堂是线下课堂，同时也会进入幼儿园、小学和线下社区这样的机构和场所，所以更多的是课程，户外其实是科学探索。初中和高中就是项目制的，无论是厅堂还是户所有的产品都会以一个盒子的形式，也就是说无论是产品课程还是内容都会以这种标准产品的方式，其实是为了快速地让STEAM科学更多的孩子受益。
郭晓乐：鲨鱼公园也是我们的已投资企业，所以欢迎大家支持和关注。最后请自身创客张路老师谈谈。
张路：我们其实就是想培养人工智能方面的人才，当时做的时候什么都没有，所以采取了比较传统的方法，然后自己采用一些硬件产品来做这个服务。我们自己把自己定位为创客教育服务的提供商，主要是提供老师授课的服务，采取小班教课的方式。现在我们的服务规模实际上已经达到了一个周末可以同时培训一千五百人，同时在北京有四个校区和这么多的老师，这就是我们能够提供的服务。进校的内容最核心的就是教孩子怎么编程，因为这在学校里面不是一个主科。
郭晓乐：刚才四位创始人都分别介绍了他们各自的领域，最开始耿老师也介绍了STEAM过往的历史首先是发源于美国，刚开始是STEM，后面又加上了艺术进来。这个A的加入对STEAM的升级和进一步渗透到各个领域的活力是非常有帮助的，所以我平时更喜欢叫STEAM，很少现在孤立出来看STEM。我们知道STEAM和STEM是起源于美国，但是去年开始在中国非常的火，其热度已经完全不亚于美国。这样的海外概念的提出到落地到中国，甚至目前还在做很多本地化的过渡和改造的过程，四位觉得美国的STEAM和现在中国的有什么相同点和不同点？相信这个话题也是关注STEAM的朋友会非常关注和非常想要理清楚的，很多时候大家搞不清楚中国的STEAM，悲观者觉得到中国来变味了，乐观者觉得在中国发展得比在美国更有前景。
崔巍巍：因为我们对这一块确实是有点关注和研究。鲨鱼公园在美国现在也有研究中心，我们会和那边的同事探讨，大家会发现一个问题。STEAM在美国和在中国面临的困境和问题是一样的，这个教育在往前推的时候大家都觉得这个理念是非常非常棒的，特别是对孩子的素质教育非常OK。但是再往下推的话就会发现产品的用户实际上是两方：一方是学生，另一方是老师。当我们很想把好的内容输出给学生的时候就会发现我们的老师是受了传统教育这么多年，并没有这种素养，包括美国的老师也是一样。大家在对教师的培训，特别是这个东西往外输出的时候遇到的困难还是挺像的。其实美国的环境比在中国更容易推动，如果是自上而下地立这个法来推动STEAM教育的话是一件非常轻松的事，但是在中国没有那么轻松，有一点像体制内和体制外。虽然我们想很努力地推动这件事，但如果大风不刮起来的话，只能说我们现在时刻准备好了，就做那头被风吹起来的猪。
耿赛猛：我觉得从相同点来讲，美国的STEAM最早是从公立学校推的，就是在学校通过立法教育的方式来推。今年开始中国也在上层推这个事情，对我们这些从业者来说是好事情，起码说明学校很重视，也会有一部分资源、资金和人力往这方面倾斜，这是一个相同点。另外中美两边做STEAM的创业公司基本上国外的一些做STEAM教育的创业公司都是to C，不管是做一个教育机器人还是做一个什么样的产品都是往社交去推。今年年初开始大部分国外的做STEAM的创业公司已经开始to B了，要是用to C来推的话它的覆盖面和影响力短时间没有这么高，收益和收入也不会很高，所以国外创业型的公司都已经往to B的方式去走了。前一段时间我们了解到国外的创业公司to B往往是通过投资人个人的人脉或者关系往学校里面来走，而中国今年也都有收入和盈利方面的考虑，所以现在看起来似乎是to B这条路走得还要比to C快一点，或者起码这个方面的现金流能够比to C做起来更好一些。我们觉得这个事情可能会殊途同归，我们公司可能会有自身的发展，慢慢地会由to B走向to C。学校也会有很多它的诉求，尤其是学校的领导在讲我做STEAM还要什么政绩和作用吗？未来两年中国可能会有一系列的比赛和竞赛出来，这是我们国内教育体系和制度跟国外的不同点。
郭晓乐：刚才您说的国外呈现出来的特色，这种to B也是指公立学校或者全日制学校吗？
闫文闻：我们了解的更多的，是音乐教育，不管是和美国比还是和欧洲比，全球的孩子学习过程和教学过程基本上都是极度缺乏优秀老师的状态，因为钢琴也好、乐器也好，很多的教育都是深度的一对一教育。无论是中央音乐学院(分数线,专业设置)还是海外的一些知名的音乐学院，如果从本科开始或者一直到博士生，你的简历上都会写师从某某某，所以还是一对一闭门的过程。还有现在有的整体的教研大纲或者评测体系，基本上是不能评测很多不同派别的演奏方式或者教育方法的。其实国内和海外面对的问题都很类似。中国现在消费升级，GDP上升，我们的音乐教育或者乐器教育的发展空间潜力非常大。非常直观的是两个数字，欧美或者日韩钢琴的渗透率是20%，中国这个数字是2.5%。
张路：美国的STEAM兴起应该是在金融危机以后，国家需要培养科技人才，所以造成了立法和这样的推进，国内的也是一样，就是对理工科人才的需求是一个很大的痛点，国家需要这样的科技人才。但是实现的路径可能不一样，美国和韩国STEAM可能会成为学校的主要科目，到了公立学校和私立学校肯定有这样一个课程。中国校内是一个很漫长的过程，课程缺乏服务也缺乏，这本来就是挺难的一件事。而在中国校外培训是一个很大的市场，可能校外反而会比国外发展得更好，实现的路径可能会不一样。这是一个企业不可能完成的，需要大家一起来做。
郭晓乐：刚才四位都提到了这样一个现象，STEAM不管是国内还是国外都是以国家政府长远的计划作为主导和起源，在我看来国内和国外还是稍微有点不一样，因为国内的起源是国外的国家意志迁移到了先市场化。之前可能还是偏企业化和偏项目化的，去年已经被南山区和深圳市政府升级到了一个城市的发展战略，甚至扩展到了国家的发展战略，去年开始很多公立学校开始疯狂地引进创客空间和布局STEAM课程，所以在中国还是经历了先是短暂的市场化，然后迅速地上升为国家城市战略这样的高度。其实STEAM这件事情到底应该是to B还是to C，我也听到了两位创业者不同的计划和说法，不少做STEAM教育的朋友跟我说进校可以低价或者免费，但是通过这个通道让更多的学校和家长了解到STEAM，最终的盈利模式和扩量还是to C。大家觉得最终的应用场景是体制内还是体制外？如果是某一个场景的话怎么解决能否成为用户和受众的刚需的问题？
崔巍巍：其实从产品定位来看就可以看出我们是先通过学校能够让更多的人了解这个概念，终极的其实是C，就是希望最终能够让每个家庭甚至每个孩子都能够接受，这个刚需不是通过销售就可以形成的，所以还是要大力地推，因为我们觉得这是我们的未来。
闫文闻：我们做的东西是属于这个领域的新品类，既不是赚卖琴的钱也不是赚培训费，主要的逻辑就是给整个行业一套带传感器的SaaS。我们买单的B也有C也有，对B来说就是提高管理效率，对C来说就是提升用户体验，让练琴和学琴的环节没有那么枯燥。我们是用数据给这个行业提升了用户体验，所以B和C都是用户，可能B的生态包括造琴的、卖琴的、做培训的，老师都可以用我们的产品提高自己的效率。至于刚需或者用户需求，我们接触的爸妈或者家长的反馈学琴或者学乐器直接说希望我们家孩子气质变得好一些，能够有艺术素养，喜欢的东西能够会弹，这种目标是很模糊的，甚至超过百分之七八十的钢琴老师也很难给家长非常明确的教育目标，比如什么曲子都能弹，怎么才叫艺术素养提升了。至少我们接触的用户前三年学习的东西都叫技能，最基础的就是看到这个谱子就能顺下来，主要是练习这种技能，可能每首曲子需要掌握艺术和技法。现在我们能够更明确地告诉他用这种特定的教育体系和方法，通过评测能够非常明确地知道学一年学两年学三年孩子是什么样的状态，和其他的小朋友相比是什么样的结果。以前能够评价家长一万两万的投资回报率的方式就是考级，要说你家孩子学琴第一句话就是考几级了。一些技术的进步能够让人或者家长随时地了解学习进度和学习状态，这个时候他们就可以更理性或者更好地评估孩子的时间就那么多，到底要不要在这里花更多的时间来学？解决刚需可能是通过实时的技术反馈，能够让家长或者老师更好地评估孩子。以前评测孩子唯一的方式就是考级，然后验证这个孩子的能力顶多就是一张证书，现在通过辅助化的手段或者评估的方式数据可以横向对比，演奏的这些东西在艺术这个领域当中除了教学练测评考还有一个非常重要的叫演，这是对孩子非常重要的出口。大家都说孩子练琴不勤劳、排斥，或者和爸妈有非常不好的僵持关系，但是我们说下个礼拜孩子要表演，孩子饭都不吃就去练了。最基础的技能是可以让孩子有一个明确的进步状态，什么是掌握十六分音符了八分音符，然后在这个基础之上引导他们把弹奏的内容分享出去，去演去玩，因为音乐本身就应该是一个快乐的过程，然后在这个过程当中掌握弹奏技巧，手和脑的练习过程可能会让他很长时间受益非常多。
郭晓乐：在您现在的用户里面，如果以用户量或者收入规模来说有百分之多少是B端的用户？有百分之多少是C端的用户？
闫文闻：我们对C端没有做过任何直接的推广，因为这个属于一个新品类，培训机构不讨厌我们，所以我们很多的客户现在都有接近十万，基本上都是来自于B端，他们通过这个工具去管理。因为我们做的是传感器和硬件，所以第一步肯定是to B，然后to C的分销。
耿赛猛：我作为一个家长其实是很想去用的，所以其实是产品的品类和内容有些不同。我们刚开始也在to Bto C之间做了很多摇摆，后来我们发现作为一个小的创业公司还是只能顾一头，两头都顾的话顾不过来。我们的竞争对手不是录播的企业，而是好未来和新东方，小孩要学英语、数学和钢琴，这个时候再学STEAM，我的孩子是不是能够有时间？我们基于这一点做了一个判断，短期不去做to C而是做to B。现在的学校有钱有政策，愿意支持科研教育，学校也在做教改和学生素质教育的提升，所以愿意去做这个事情。现在学校里面的路还比较漫长，现在to B进去之后占用学生的课时，其实是学校里面的劳动技术课、通用技术课的科学的课，我们占用的是这些课时，因为没有专门的一门课就叫STEAM或者创客。to B光提供设备不行，不可能像电子白板或者物理试验室一样给学校提供设备就OK了，你的设备和课程需要配合。课程和设备去配合，这里涉及到的环节就比较多，所以我们短期先选择一条to B的路，但是我们又发现如果to B做好了后面让家长来买单是成立的。今年上半年我们在几个学校里面做了我们的一些课程，也是由学校来付费，但是假期里面推了夏令营，发现这些已经接触过我们课程的学生家长特别容易接受我们的夏令营。从B到C的段换是有路径的，你的B解决的是学生信任的问题，到了B端需要先免费，小的公司到B端也要收费，未来我们也是期望在C端尝试有更多的收费方式和模式。
张路：刚开始肯定是to C，因为只有老师可以教孩子，但是这个过程比较慢，比如一次招十个人没有问题，再开一个班招二十个人有另外一个老师也可以，一个校区可能也就是几十个人。后来我们发现在北京的市场to B购买服务这个事情现在已经开始成立了，包括小学和初中阶段的开发时间课程，为什么突然一下子能够上这么大的量？因为开放时间的课程给我们带来了很大的用户量，今年整个北京市有十八万人等着服务，一个企业根本吃不下来，我们想通过这种购买服务的方式也是提供了to C的服务，然后让B端采购我们的服务，这样可以把基础规模做得很大。同时一个高端的市场必须得解决刚需，我们探索了很久，我们自己想的其实就有点像背景提升。国内孩子有一种志向培养他成为理工科的人才，从小就有这样一个目标，国内的出口也就是自主招生或者参加一些大赛获奖，由小升初或者中考阶段有些特长或者面试好的机会，在家长看来也是挺刚需的事情。国外其实就是STEAM出国的背景提升，特别是低龄阶段的留学，比如去国外读本科或者读高中，STEAM的背景提升是一个刚需，因为不光是看成绩。音乐如果没有作品集的话面试根本不会录取，就是把这个项目去国外录取率就会非常高，想在高端市场打开局面。
郭晓乐：如果STEAM和国际教育结合的话刚需的程度就会变得更高，其实STEAM也是一个很大的生态，看上去在教育产业里面是一个细分，因为里面串联了很多的环节。比如有软件和硬件，硬件就是这些非常优秀的国内企业做出的教具，也还有Scratch和拖拽式编程，以及少年创学院擅长的课程开发。整个生态当中都有各自擅长的基因和切入点，目前的STEAM教育在今年只是一个元年和起步，可以说是1.0的阶段，相信接下来的三到五年随着市场端的受众对STEAM进一步的认可和自身形态的不断演化和成熟，可能在中国成长速度会快于美国，某一年美国就开始学习我们STEAM教育的理念和模式，这些都是很有可能的。大家觉得下一步STEAM的发展走向和应该着重匹配的资源和精力的发力点会在什么上面？发展得更加完善的升级关键点会是什么？
崔巍巍：无论是针对刚才您提的这个问题还是我们自己的情况，现在已经到了必须提升服务，说白了就是培训这一块。课程研发和内容研发已经非常OK，无论是国内还是国外的结合都已经非常棒，但确实是在培训和服务这一块，是否有够格的人把这个内容输出给受众群体，这是目前特别大的一个问题。今年我们自己在STEAM培训方面是非常关键的一年，我也相信如果你想大规模去推，未来一定是一个需要突破的瓶颈。
张路：这个市场应该有三波钱可以赚：第一波是空间的钱，第二波是课程的钱，需要有课程培训老师，学校里面解决不了现有的老师，提供那么多老师进行培训，第三波是学校购买服务，由于有了场地和课程，包括有这个愿望购买服务，所以还是可以做的。这个产业链肯定是特别特别长，我们必须要有做硬件的公司提供硬件，也要有做软件的公司提供软件，我们能够做的就是课程，但课程不是直接可以甩出去的，甩出去也没有足够的时间上，最后完成的交易就是购买老师的时间，需要大量校外的老师存在，我们也有厂商和服务商的连接和国内国外的连接，我们也需要校内和校外的连接，因为校内校外没有连接的话这个事情是做不成的。
耿赛猛：其实现在STEAM是一个软件硬件课程相结合的体系，最主要的问题在于课程体系化。比如Scratch我们搞得不错，幼儿园、初中和高中怎样去做一个体系，其实这个还是蛮难的，可能也不是一家两家能够做好的，还是需要更多的配合。这个服务怎么提供？STEAM要动手，所以用录播直播的方式还不太容易解决这个问题。学生可能在动手的某个环节卡住了，如果老师在的话可能有几秒钟帮他解决这个问题，老师不在的情况下他自己解决可能花的时间比较长。如果我们说录播直播不容易解决这个问题，那么我们靠人去做的话是不是有这么大量合格的人才？这也是我们在考虑的问题。
闫文闻：人把技术和科技加到里面的话，之前就拜读过王总的另一篇报告，我们认为这个技术和教育结合就是两个关键词：一个是技术，一个是教研，所以对我们来说，现在我们做的是传感器工具和自动化的算法，包括识别和反馈，所以我们做着做着不经意之间相当于收了不少合作伙伴做内容的钱。比如一家培训机构基本上和所有培训或者K12学科教育的机构都一样，好的老师永远是缺的，扩展不同规模的时候要批量地去培训更好的老师，甚至让你最好的老师给其他刚招进来的老师上课做教研培训。未来我们这个方向肯定是技术+教研两块的东西，形成出来的东西其实是对B，最直观的收钱的方式就是提升内容制作的效率。如果以前是把内容对齐的话花的成本是大量的人力教育，现在机器介入进来之后效率就会有极大的提高。C的方面就是实时的反馈能够有更好的用户体验，换句话说就是练琴更好玩了，技术可以提升体验和改变体验，同时技术对B来说也是提升效率，所以这个是未来的技术和教研两个东西结合在一块。
郭晓乐：STEAM教育模式和以后的形态可以说已经非常成熟、火了很多年的K12教育互相借鉴。我突然想到这样的形态和模式的特点，包括基于项目制的学习和目标式的学习可能会引领以后K12教学形式的改变。今天我们聊得非常开心，抛出来的几个话题也是目前我作为投资人的角度和整个行业内关注的大家共同关心的话题和困惑，所以我相信STEAM之后的路还很长，但是有这样一群非常专注认真地为STEAM教育发展做出贡献的从业者们，我相信明天是可以期待的。
主持人：刚才我们讲了关于STEAM的情况。下面有请新东方讲段子第二好的杜昶旭博士为我们带来关于人工智能的分享。
杜昶旭：大家好，我本科是学计算机的，2009年拿到了计算机专业的博士，我的专业研究方向和人工智能以及算法学科会有很多的关系，但我们那个领域会相对比较特殊一些。碰巧的是，我在2002年到2013年教了十年的英语，大家会觉得这是超级跨界的一个人，但必须纠正一点，我不是讲段子讲得第二好的，我是第一好的。
这十年的时间让我对语言教学和怎样让学生有效地学习好英语有了更多的认识，你们可能会很奇怪，一个学计算机专业的人不务正业跑去教英语是为什么？其实我觉得这是大家的一个误解，就像过去我们经常看到一个教英语的人跑去做手机，我说你一个学计算机的人怎么跑去教英语？过去我教过数学、计算机和英语，英语是最简单的一门学科。很多人可能会给你讲梦想，我的目标很简单，就是赚钱，因为那个时候讲课非常赚钱，所以就干了这个事。2007年我们开始思考一个问题，传统的语言培训是不是能够继续走下去？语言学习是不是可以通过技术的手段有些变化？所以2007年开始我们就做了朗播网。这个事情其实是一个大坑，因为在2007年实际上是没有人关注在线教育的，2013年的时候大量的人涌入在线教育这个领域，就是觉得挺吓人的。这里有大量的人根本没有经历过教育，记得有一次我参加过一个行业会议，当时大家就在讨论教学互动，我说你们讨论的这么热烈，有多少人是真正在课堂上教过课的？结果我发现底下寥寥无几，我问有多少人是教过超过五十人以上的人数？基本上没有，我说你们在这里讨论吧，所有的这些需求都是幻觉，这就让我们觉得做教育的不懂教育，今天我想和大家分享的就是从我一个做教育的人怎么考虑AI这件事情影响到后续的学习。
现在我们生活在一个什么样的时代？其实今天我们这个年代和二十年前是完全不一样的，中国的互联网建设在全球都是领先的，所以这件事情直接影响到了在线学习模式变化的根本。2007年的时候互联网的速度还没有达到很理想的状态，其实很多事情是很难讲的，这是一个最重要的指标。前一段时间我去韩国和日本的时候发现以前韩国的互联网发展得很好，到了今天中国已经比韩国更好了，所以我觉得中国互联网的基础建设走到全世界各地都不怕，包括大家手机上面的4G速度都是非常快的。传统行业不管是教育、医疗，甚至包括当年金融危机的时候我和一些朋友聊天说有三个行业永远不受金融危机影响，叫做教育、医疗和殡葬，所以现在互联网还有殡葬这个行业。教育一定是不可能独善其身的，所以大家必须冷静地接受这一点。现在我发现了一个很有意思的问题，很多做在线教育的人骨子里是不相信在线教育的，天天都在说一定要线下才能解决问题，我就不会这么说。在线支付也变得越来越便捷，所以人们在支付这个环节可以用的手段也非常多，完全是可以Online解决这个问题。因为我们之前做最早的产品的时候由于支付不方便导致了很多用户的流失，其实这是一个很重要的话题，而且今天用户已经很习惯在手机非现金的状态下通过移动终端支付更大金额的钱，我们做教育产品的时候变现就有了一定的优势。现在有多少人敢说一天不碰手机还能活下去的？过一会儿就开始焦虑了，所以我们对屏幕的依赖已经变得越来越重，包括你们家的电视、手机、Pad和PC，走到任何一个地方都会发现我们对屏幕的依赖都到了令人发指的地步。这还会影响我们的小朋友，现在小朋友对手机和i-Pad的熟悉程度让你非常惊讶，但家长只会安慰自己，他想玩就玩吧，你也不能干什么。有的时候大家会想你为什么一定要看iPad？我觉得这个理念有问题，过去大家说为什么你不看书？我为什么要看书？知识传递的载体已经变得多元化了，可能再过二十年你会发现所有的小朋友成长成大人的时候他们对屏幕的依赖会比现在更严重。在这种情况下，技术改变传统才会变得可行，否则大家都要做一些很基础的、底层的准备。
中国的在线教育其实还是处在初级阶段，因为现在我们在做在线教育这件事情的时候，绝大多数的人在做的叫做服务的现象化。教育是一个非常典型的服务行业，以前我们是在一个实体的教室里面做教学，今天很多人做的事情是把教室虚拟化，然后把人的服务搬到线上。这个本质上是没有解决问题的，过去传统的教育资源分配的不公平，教育形式的落后和教育效率的低下一个都没有解决，过去我们是在一个实体教室里面去做，现在是在一个虚拟教室里面去做。我不认为这是在线教育的终极形态，甚至可以说是非常初级的状态。什么样的方式才会让在线教育做得更好呢？我认为应该是技术的介入把人力成本不断地降低，降低到令人发指的地步。
这个过程当中我们一直在探索技术到底应该扮演一个什么样的角色？未来的学习场景应该是什么样的？我们先倒着去想。
未来没有人会在意你的学习是线上还是线下，今天电商大家已经不讨论到底是线上买东西好还是线下买东西好了，只考虑一件事就是需求，需求在什么条件下能够得到最好的满足。可能很多人平时已经基本不去超市了，你会发现所有的东西都可以在网上买，不管是一号店、淘宝还是京东，但这并不妨碍你在突然有需求的时候会冲到楼下的便利店买一个什么东西。比如炒菜的时候发现没有盐了，晚上和姑娘在家里突然发现吃的没了，然后立刻冲到楼下的便利店去买。现在的大超市的生意会越来越差，小的社区便利店会变得越来越多，因为能满足需求。到了未来如果大家不再讨论学习在线上还是线下，而是想在哪个地方就在哪个地方，这个业态就是成熟的。但是要实现这个目标必须要有技术和内容标准化的介入，所以这是我们讨论人工智能过程当中的一个基础，如果内容没有标准化人工智能就做不到。计算机是很蠢的，只能做二进制加法，如果没有标准化和数字化的内容一定不可能实现。
没有人会在意你的学习行为是在哪一端，我一直觉得大家今天在谈的移动互联网不重要，它就是对屏幕的依赖，而且一定会走到终端融合的状态。今天你们用的手机屏幕越来越大、Pad屏幕越来越小，家里的电视屏幕越来越大，所以你会发现实际上在这个过程当中大家已经不太在意今天这个东西到底发生在哪里。今天你要看一个视频理论上应该是想在哪里看就在哪里看，最早的时候我们看视频不是这样，我们觉得一定要打开电脑，因为电脑的屏幕要大一点，手机的太小了。后来发现APP普及已经可以在Pad和手机上看，这个时候影响你选择的只有一个东西，就是需求。我在家里躺着的时候恨不得就在电视上面，因为有小米盒子，就是这么一个逻辑。你会发现没有人在意它的终端到底在哪里，未来大家是要通过内容占领所有的终端，哪个公司做的产品能够占领所有的终端它就获得了最大的成功，而在这个基础之上才是内容标准化的最终业态，我们才有各种智能化的技术解决内容传达的问题。
没有人会在意直播和录播哪个更好，今天大家在讨论我们到底是做直播还是做录播，我自己全部干过。事实上对我们的学院来说，你会发现我们给他直播还是录播无所谓，因为这个事情根本没关系，不影响他的行为，最终在于是不是能够把过程切清楚，这个过程当中直播和录播会不会对他的传递效果起到影响。如果说没有人在意直播和录播，各位可以思考一个问题，我可不可以拿一个机器人来播？如果用智能算法写好了，告诉你今天该看什么，我告诉你就好了，所以没有人会在意哪个更好。
没有人会在意内容的载体是什么，这个刚才已经提到过了。到底是书还是iPad？你的形态到底是Video还是语音或者是文字？我觉得这个已经不重要了，没有人会在意这件事情。通用学习当中大家已经开始意识到了这一点，换句话说，今天我们解决学习问题的时候不是我今天一定要看书，我看一段视频也是学习。刚才我提到的这些背后都有一个核心，这个核心是什么？我们是不是能够用一个标准化的模型来建立起一个标准化的内容体系？只有建立起了标准化的内容体系才有可能实现所有的学习过程的智能化，这是过去几年我们一直反复问自己的一些问题。
如果今天教育是一个不可以线上化或者不可以数据化的东西，这个东西做不到，只有当某些数据可以被系统处理的时候才有智能化的可能性。比如扫地机器人为什么可以把地扫干净？因为这个过程当中路径和整个图形，所有的这些参数是可以被数据化的，如果没法数据化只能靠人抄。这句话看起来挺吓人的，电商发展到这么多年很成熟，电商永远不可能百分之百线上化，所以你知道很多高校都是把电商这个专业和物流专业放到一个系下面。为什么？因为物流永远是电商脱不掉的一个线下的东西，你买任何东西都要通过物流给你送到你家里，不可能躺在家里靠幻觉旅游吧？一定要去到那个地方，还有医疗，即便是信息通达，找到了这个医生，今天要动那个刀子的时候是不是也得躺到医院手术台上面？不能自己在家里割吧？那叫割腕。换个角度来想，教育的本质是什么？不管是培训还是教育其实就干了两件事，培养人的素质也好、培养人的情感也好，培养人的格局也好，这些都是靠洗脑洗出来的。
世界上有两件事最难做，一个是把自己脑子里面的东西放到别人的脑子里面，一个是把别人口袋里的钱放到自己的口袋里面，最后一个做成了老师，一个做成了老婆。实际上教育的过程不管是基础教育还是其它的，这里做的就是一件事，就是信息传达。当然，这个信息传达的过程当中有些东西是需要实体的，这种实体可以随便买一个自己在家里玩，不需要有一个实体的Site和Classroom来做这个事情，比如闫总提到的钢琴，自己在家里弄一个也可以学，就是在线上的环境实现这个事情。所以我觉得所有的信息传达通过互联网的效率一定是最高的，无非是有什么样的道具辅助你实现这个过程而已，这个道具也可以虚拟化和实体化，本质上就是时间问题。最终到线下是为了实现线下的功能，不是为了实现情感传达。道理非常简单，教育在本质上可以线上化，基于这样的前提才可以做所谓的AI。
互联网、大数据和教育其实有四个点可以说：
首先是过程化，我们以前都是结果管理，我认为这也是智能化技术很长时间走不通的原因之一，大家一直在强调结果管理。实际上这个过程很有意思，比如图像识别、语音识别全是结果反馈的，如果我要判断语音说得对不对，或判断语音说得好不好，我一定是等你把它说完了，然后再对你说完的语调进行处理。最后你会发现图像识别能力还不错，因为人工智能神经网络的模型跟人的大脑识别图像的模型是完全一致的，这是我们后来研究发现的一个结果，所以你用神经网络做这个事情就比较OK。但是如果语音识别这么做就不好了，因为语音识别的路径、大脑的处理路径和神经网络的模型没有那么高，具体细节就不说了。如果你单纯地从结果反馈的角度来做就存在一个问题，理论基础不好，实践过程当中发现数据的处理难度会非常大。语言学习的过程当中怎么解决这个问题呢？比如我们要去评测他的口语好不好，如果不从结果的角度，是不是可以从过程的角度出发？换句话说，不要等到他杀人了才去拯救他，在他前端的时候就把能力拆出来，看一看前端的能力是不是有问题。如果你脑子什么都没有肯定说不出来，根本不知道这个中文和英文的对应关系肯定没有办法说成正确的英文，结果端要解决的无非就是语音问题，你在做适应性检测的时候模式就不一样了。今天我们应该考虑的是结果管理到过程管理的转变，如果不谈过程只谈结果，教育是要看结果的，我们要谈学生分数高不高，如果过程管控都是很差的话结果不可能好的，因为前端没有管住，到了后面已经把人弄死了才说前面是怎么变成一个杀人犯的，所以这是一个过程。
实际上今天我们看社会化大生产，专业的人做专业的事是非常典型的过程化。今天的展会有人做搭建，有人做会场组织，有人做公关，有人写稿子，这些都是过程化管理，不是结果管理。有效的过程管理可以降低管理成本，因为管理成本实际上是因为你在过程当中的损耗导致的，今天我们更多的是谈AI。这个过程当中由于你的过程切分了，所以就可以导致你的数据采集模型可以优化，采集的数据的可能性就多，因为每个过程都有，这样的话这些数据反馈的点就多了，我们再去做智能化处理的时候可能性就大了，如果只有最终结果一个点的话就是我设计一个模型，然后让最终结果不断Training我的引擎，这样模型是非常复杂的，而且准度会非常差，如果拆分之后对数据维度的要求和数据量的要求都降低了。
今天我们在线学习语言有一个最大的特点，就是可以拿到学生的行为数据。这个事情在过去线下是做不到的，比如我今天在给大家做这个演讲的时候你们每个人的状态我是拿不到的，不可能知道你们听懂了多少没听懂多少。但是我们在线的学习模式下可以拿到所有人的行为数据，真正的学习和训练，尤其是语言学习这个东西除了方法传达之外更多的是后面的训练过程，我们可以拿到很多行为数据。传统的教育培训结果是没有数据保证的，因为我不知道你的情况是什么样的，现在我们要做所谓的自适应学习就要知道每个人在当前的时候你的状态是什么样的，否则我怎么适应你呢？并不是所有的行为数据都有效，所以我们在做智能化和自适应处理的时候会有一个选择。比如视频，一个人看视频的数据有效度其实是很低的，为什么呢？比如我看这个视频的时候可能暂停了或者重放了，这个数据的价值高不高？我们实际统计下来的情况是这个数据的垃圾比非常高，暂停的时候并不知道它是什么原因暂停的，可能是没看懂，可能在做笔记，可能在上厕所，可能在接电话，我们怎么监控前端看视频或者上直播的过程当中有没有明白老师讲的东西？很简单，还是从后端的行为反过来推的，只要你听懂了我讲的方法，理论上后面的行为就是什么样的，后来我发现你的行为不是那个样子，所以前端没有听懂。
再就是实现标准化，只有标准化才有可能量化，实现学习量化的唯一途径就是要把内容做得标准化。需求标准化其实是标准化的最高境界，这个东西在教育还早，什么是标准化？比如你买机票这种东西就已经是需求标准化了，还有一个就是行为标准化，更多的时候是医疗行业是行为标准化，比如该做一个手术要怎么做，教育实际上就是内容标准化应该做的。怎么实现整个个性化的过程实际上是靠自适应的测量和动态的学习引擎来实现，所以我们在做这件事情的时候，过去传统的一对一不是个性化的，因为没有办法了解每个人的状态，我们是通过系统地去侦测用户在每个时间点上的状态来解决他的学习的问题。这个个性化实际上是把过程拆分，然后把数据模型搭建起来做标准化模型的结果，可以和大家分享我们自己的一个模式。
传统的模式下是一个诊所，现在我们可以按照某一个医院的模式来做这个事情。整个的学习过程当中我们给学生提供的东西是什么？首先会有一个方法课的东西，这个东西就是纯粹做知识传达，不管是单一的直播还是录播效果都是一样的，没有区别，而且可以一对多。另一个过程就是在线教学系统，我们做了差不多十年，而这套系统里面我们可以用一个能力模型和能力图谱描述每一个人的能力状况，通过这个对他做能力测评，基于测评的结果推送相应的训练内容。实际部分上是一个适应性的过程，听完这个课之后在做这个东西，如果有问题的话我们可以帮助他解决练习当中的问题，这样可以确保一点，就是所有的人选择这套产品的时候得到的服务品质都是稳定的，但是我们又都能够为他提供个性化的解决方案。这是一个Adapt Learning的过程，通过动态的学习引擎实现。这个过程当中我们可以不断Correct学生的行为数据，重点行为数据的采集其实是在中间这一端，在这一端采集数据以后又会反馈到下一次的能力测评当中，这样可以动态地不断侦测他的能力状况是什么样的。这里可能有一个周期，比如十天是一个周期。
这个能力图谱是怎么做的呢？这是一个很重要的模型，前面的老师上课就不说了，这个过程叫做经验型策划。因为我们在构建数据模型的时候一定是做经验型策划的处理，说白了人工智能做的是什么？就是把人干的事让机器来干，你就要问人到底是怎么干的，一个有经验的老师怎么判断学生的能力差异在什么地方？这个过程其实是它的核心，就是通过对他们的经验形式化形成一个模型，然后拿这个模型做所有的能力测评和能力训练的结果。而对这些助教来说就是做一个内容提供的作用，我们搭建起这样的一套结构之后可以说实际上可以实现的是什么？就是过程的分解是明确的，该是方法传达就是方法传达，该是数据采集训练就是数据采集训练，每个过程都是可以切开的。再就是数据的采集是有效的，因为中间的这个部分一定是可以不断地迭代它的数据。它的内容也是标准的，所有的人在学习的过程当中该一致的东西就是一致的，该有差异的部分是有差异的，并不是说在整个过程当中用一个一对一服务的模式解决这个问题，所以这个过程大家看到了以后它就可以实现真正的基于标准模型的个性化学习，所谓的适应性学习我们探索的结果是什么？就是用这样的模型打造一个就像麦当劳肯德基一样的系统，我们任何一个培训机构选择的时候都会发现一个问题，这个课到底是哪个老师教，今天我们这里所有的学员都没有这个问题，因为不用担心是哪个老师教，所有的品质都是一致的。我们去麦当劳吃汉堡的时候不会关心这个汉堡是哪个厨子做的，我们希望把这个东西作为一个标准化的输出模型和学员处理。
关于人工智能技术的尴尬，前几天我看了斯坦福李斯威教授的一个采访，过去的六十年当中人工智能一直在积累。这个话我读书的时候就看过，只是那个时候不是六十年，而是五十年。过去的几十年时间当中人工智能的理论发展受到了非常大的挑战，今天我们看到的人工智能整个技术的改变实际上更大程度上不是理论基础的改变，而是运算速度的改变。今天我们看到很多所谓的智能技术的革新其实是因为我们的硬件革新导致的，也是因为我们的运算速度快了以前算不了的现在可以算了。如果是按照这个逻辑走下去的话我觉得其实挺危险，事实上智能技术本身并没有得到本质的改进，更多的是我们去改进硬件就好了。这个过程是挺尴尬的，我觉得今天大家讨论AI的时候，不管是Alpha--Go做了什么，很大程度上都是一种运算能力的改变。原来我也做过并行计算，所以我知道这个过程当中运算能力的改善会带来多少。今天上午大家也提到过GPU，包括FPGA的定制化，这些东西是好的，个人的感觉就是我们的理论没有改善的时候实际上应该用另外一个数据模型解决这个问题，所以这也是我们核心的做法。通过互联网技术我们有大量数据可以处理的时候，它的效率就会更高。这个过程当中关键是要构建一个合理的数据模型，清理刚才提到的垃圾数据比例过高这样的一些问题。
主持人：那么进入最后一个论坛，再来讨论一个今年比较火的黑科技，就是关于AR和VR，所谓的增强现实和虚拟现实，我们有请保利微视的CEO白剑以及万趣空间的宋卿上台。我本人也再客串一下这一环节的主持。今年AR和VR的技术已经很火了，但是二位作为从业者来看，感觉现在这项技术的成熟度怎么样？设备的成熟度是什么情况？
白剑：我们对VR已经跟踪了两年的时间，从VR的拍摄一直到最终的播出都有相应的设备，也都有了成熟的VR直播点播的APP，实践当中也做了一些VR的直播，但是总体来讲我们认为这个产业其实还是在不断地发展当中，其中有几点是需要不断突破的。首先是适用性和易用性，现在更多的时候是戴着头盔来看，体验其实并不是特别的好。另外就是在做VR直播或者点播里面有两个技术的难题一直亟待突破，一个是运算，大家知道VR有非常多的需要去计算的能力，计算的能力必然会带来大量的能量消耗，移动端上电量是一个问题，包括计算的能力也是一个问题。我们用的HTC连的主机有一个非常好的GPU运算，所以运算是一个特别大的问题。目前至少需要五到八兆左右的带宽才能把效果做好，不管是成本还是网络容量都是需要做的。总体来讲，我们认为AR和VR整体的标准还没有成立，大家还都在路上。
宋卿：AR方面也是今年年初开始慢慢地热起来，概念的层面有一个标志性的事件，不管是B端还是C端概念上了解了这些东西。AR是一种技术，这个技术可以切分为两端，一种是感知，就是通过各种视觉识别的技术和各种传感器认识实体空间里面的东西，另一种是呈现，就是用一种呈现设备，现在呈现设备可以是多种多样的，现在真正更接地气的，或者已经逐渐用起来的是手机和Pad端的呈现方式，大家理解的AR形态就是在现实的实体空间和虚拟的图像去做叠加的方式，我们的预测是至少还有两到三年甚至更长的时间才能逐渐地应用和普及，通过感知来做深度的优化，我们可以快速地识别各种图像图形，然后呈现端用一种比较简洁的方式，比如Pad这样的形式来展现，这个已经走在路上了，甚至比VR走得还要快一些，就是行业应用里面已经看到了可以操作的形态，有些AR相关的内容虽然没有那么炫酷的东西出来，但是大家已经可以用起来了。
主持人：2014年的时候我拿到了一部Google Glass，这个头盔我戴上就比较头晕，一般玩三五分钟就比较晕了。htc会好一点，基本上不会晕，但是每次玩也就是十五到二十分钟。AR和VR在游戏娱乐这个领域还没有完全火起来的情况下，二位认为未来教育里面的应用点会有哪些？
白剑：教育领域或者泛娱乐领域VR现在感觉好像比AR要稍微火一点，主要还是要看应用，但是放到教育要看不同的领域，包括K12和各种各样的教育。AR/VR更多的机会应该出现在职业教育的范畴，或者是情景式的教学当中实现。我们现在在和学校做一些厨师的培训，以前大家可能是看一个二维的东西，放几许花椒几许酱油就行了，现在也做成了VR的模式，可以看出现场在那里炒菜，这样带来的体验可能也会提升，相应地带来教学质量的提升，AR方面更多的是教学互动上面。
宋卿：这个技术本身是一种交互方式的改变，我们定义AR和VR的时候会看在不同的年龄层次上交互方式更适合于哪些学习者。这种交互方式可能会带来一些变革，因为呈现方式不同通过VR可以看到立体的东西，进入很危险的场景比如火山爆发可能没有办法去现场看，或者是一些手术的体验没有办法动手去操作，需要一个头盔恩显示的设备，十三岁以下的话短期之内是不能普及的，因为会有很大的影响。AR如果不是眼镜类的形态，我们接触现在的移动终端设备，包括Pad和手机可以让它变得交互更丰富，做一个化学实验拼接的过程当中通过Pad和其它的方式体验这种实验的效果，让孩子有了一个很直观的感觉，这样会提升学习的效率和效果。基于不同的年龄段需要多板块来刺激，AR就有很大的优势，能够操作实体的东西，或者用虚拟的方式给它呈现，这样会对它有比较好的促进效果。
主持人：AR、VR和教育的结合，听起来会更早地用于职业教育，AR可能是在K12的场景应用更多一点。二位感觉AR和VR跟教育的结合除了在技术上之外，哪些方面大家会感觉有一些难点，或者发展到现在还不是很顺畅的地方？
宋卿：刚才听林教授讲了，在做跨界创新的时候很缺的是人才，以前技术类的人才很难理解教育，教育的人才跨到技术又很难理解这个衔接。
白剑：刚才宋总点出了一个特别关键的问题，就是谁加谁。我们一直在说到底是教育加VR和AR，还是VR和AR加教育，经过一段时间的摸索，主要还是教育去加，加的这一项怎么去做？到目前为止我们没有看到，很多教育机构还是说有，但是具体怎么做、做成什么样子大家没有想法，这个可能还是要等一些其它领域的应用起来了之后带着在线教育企业去用，这样才能出一些新的形态。
主持人：所以最主要的还是人才的问题，林教授和杜总都提到了教育行业当中还需要更多的科技人才加入到教育里面，同时和教育有一个更好的结合。大家都提到AR和VR现在的发展还是处于早期，二位在投资和资本的角度怎么看待这个事情？
白剑：如果从产业形态的变化来讲，以前互联网的发展就是不同载体的变化。未来会有机器人、AR和VR，所以这条线从产业的发展来讲是不可阻挡的，而且也是必然的趋势。而从资本的角度来讲，现在投这个方向也不能算早了，因为这必然是未来的趋势。这个时候去投应该更加注重的是产业的结合，不仅是AR和VR播放的技术，包括和上游厂商业态的合作，比如和计算的合作以及和拍摄的合作，怎么才能让场景不虚或者拍出来不晕，这些都是比较关键的。产业投资不仅要看技术，还要看产业，就是和产业的结合度、上下游的关系。
宋卿：如果从投资的角度来看其实是两个点，前期大部分的资金和资源更多的是平台性的，包括智能硬件，作为一个基础设施的平台，其它的内容都可以搭载上去。前两天我刚刚在义乌转了一圈，也有上百个品牌，高端一点的大概是一百块钱左右。我们知道暴风出了大量这样的眼镜，真正的VR体验其实是不够的。平台类现在是逐渐沉淀期，要想从硬件平台上切入做到非常好是一个很长周期的等待，投入技术就需要持续不断地进行资金投入，中国的资本环境现在的耐心还是有点欠缺。如果和教育结合的话，我非常同意白总刚才讲的是教育加上AR或者VR，更多的是教育怎么提升教学的效果，怎么解决老师和学习的问题，你的技术在里面是怎么应用的？学习的过程当中停留了二十秒我能够判断这个时间可能是在思考，以前我也用过一些在线的软件，有的时候会担心你睡觉，就会问一下你在哪里，要是用到真正计算机视觉的技术之后，这个过程是可以判断的，就是能够看到你在不在，甚至可以判断你的表情，我们也有更多的数据。基于对教育领域的理解，基于你的专业技术，基于和其它的AI结合，打造的这个整体的优势才能够完整地讲清楚你的商业逻辑，单纯一个技术的点应用上还是落不下去的，因为老师没有办法理解你这个到底是不是一个东西。
主持人：教育和AR/VR的结合肯定是未来的一个趋势，但还是需要更多的从业者摸索和探索，这样才能把这条路走得更好。谢谢各位的参与，本次论坛到此结束。
（全文结束）
