图谱|科大讯飞认知智能，从场景中来，到行业中去( 三 )

或许它更指向一个数千年前就萌生的美好理想：“因材施教，有教无类”。我们追寻了千年，而现在盛志超和团队正在一步步靠近它。
一个结合学习者的知识水平，为其提供定制化的动态教学策略的个性化方案开始了“减负增效”的使命。
以题目推荐为例，广大师生都非常推崇的“题海战术”，就此可以找到“有效刷题”的解法。这背后涉及到了认知诊断、深度学习、知识图谱等一系列的技术集合。
参照著名心理学家维果茨基提出的“最近发展区理论”，个性化推题激发学生“潜能”的逻辑理解起来就很简单：在现有水平上为学生推荐的学习题型，既不会太难，产生畏难情绪，也不会太简单，浪费过多的时间，用盛志超的话来说就是“跳一跳就能够得着”的学习资源。
但是想要精准定位到每个学生“跳一跳就能够得着”的学习资源并非易事，这需要通过知识图谱对学生的认知方式进行建模。
科大讯飞早有知识图谱技术积淀。从2013年开始投入研发，2016年获得国际知识图谱构建大赛NIST TAC (KBP2016) 第一名，如今讯飞的知识图谱技术已经积累了7年。
这张图展示了一个学生的认知建模案例，其中红色是掌握较差的知识点，黄色是掌握一般的知识点，绿色是掌握较好的知识点。

文章插图

学生立足于绿色知识点，然后先学黄色知识点、再学红色知识点，这就构成了每个学生独特的学习路径。这种循序渐进的方式，不仅提高了学习效率，也可以真正做到因人而异、因材施教。
深入场景和行业的方法论在教育领域得到了最佳验证，可以预见，人工智能对生产生活的改变也将不断涌现，甚至那些不曾找到破题思路的重大历史命题，或许也会在人工智能领域找到新解。

3、重大历史命题的破题新解
文章插图

但是，由于教育、医疗、司法这些关联民生刚需的重大历史命题本身就是多个复杂问题的集合，所以人工智能即便能够给出解法，那也一定不再依赖于单一技术，必须是复杂系统的合力。
“就拿教育的AI学习机来说，这个里面就涉及到了语音交互和评测、图文识别、认知理解、知识图谱、多维度学情画像等一系列的相关技术。” 盛志超说的不假，除了上文中我们已经提到的个性化学习环节中的认知诊断、知识图谱，一个普通学习链路的完成，远比想象中复杂：
一个学生通过AI学习机把做完的作业进行拍照上传，图文识别技术把照片进行曲面矫正、画面降噪等处理后即可对布满印刷体和手写体甚至是公式的作业进行识别；此后NLP等技术开始针对问题以及文本中提到的信息去自行推断答案和批改；而对于做错的题目，基于知识图谱的技术可以针对其所涵盖的知识点去进行最近发展区相关练习题型的推荐。
创新链条上各个关键技术深度融合，串联打通了一个体系化的学习链路。
倘若我们向前追溯，会发现关键技术深度融合也需要至关重要的底层基建——单点核心技术突破并跨越应用鸿沟。
我们或许可以从多语种交互的实践中印证这个结论。
当前，语音已成为万物互联时代人机交互的关键入口，语音输入、语音搜索、语音交互等技术已经成为手机、车载、玩具等智能产品的标配。另一方面，“一带一路”国家战略的建设依赖语言互通，多语种翻译技术价值凸显。但是要将多语种的智能语音语言技术做到实用水平，并没有那么容易。
不同语言独特的语言现象十分复杂、小语种语言分析研究的积累和投入不足、训练数据稀缺……这些客观存在的难题就摆在眼前。