虽然很多问题我们还没有理解，但我们也要继续往前走。这也是我们在教育技术方面比美国走得更快的原因。在中国，虽然教育技术怎么样变革、怎样能改变教育的结果等理论还没有完全弄清楚，但我们直观上认为它肯定是有极大好处的，因此国家层面，以及研究单位、公司等，都在理论建立之前大力地推进这方面的技术。
AI在教学当中的应用场景非常丰富。比如说AI算法去画这种看起来优美又极为复杂的科学图，再厉害的老师也画不出来。AI就可以制作出这样的教育工具。再如我们根据教学大数据，可以对学生的助学需求进行评估，这比原来让学生自行填写申请表要科学得多。此外，大学入学的择校预测也会花费人们特别大的精力，利用教育大数据可以节省很多时间。
阅卷同样占用了老师很多的时间，同时也没有太多的创造力，那么就可以利用AI技术进行机器阅卷。学习行为数据可以利用视觉传感器捕捉到学生学习的行为，通过这些行为来判断学习的心理状态。目前市场已经出现了很多教育机器人，但是现在的教育机器人多数是把教育局现有的课本上知识搬到上面来，还不能模仿老师来完成教学活动。
接下来讲讲教育云。据我所知，各个省甚至有些大的城市，有些学校都有自己的局部云、公用云早已开始使用。在云端有很多线上课程，特别是高校，像华中师范大学每一门课都要求上网，学生可以在上面自学。学习诊断可以通过学生的考试成绩、作业来判断学生知识点的掌握情况，为学生提供更精准的学习方案。
下面讲讲机器解答支撑的AI辅导模式。学生除了课堂学习以外，最大的学习就是做作业，所以我们选择机器解答领域进行研究。
我们在智能教育的研究大概分为教育人机交互、教育感知计算、教育认知计算、个性化学习、智能化学习设备、创新教学评价这6个方面。在这6个方面我们选择一种三脑结合的机器人服务系统。目前的算法还不能解决所有问题，因此还需要自然人，所以我们采用联合自动解答教学法，可以提供这样一个智能化课外学习辅导系统。
这里面最难的就是自动解答。自动解答这个问题跟人工智能的历史一样长，甚至比人工智能的概念更早。过去关于自动解答的研究都是沿用自然语言理解，通过语义理解的方式来理解题目，然后来解答题目。而这个方法尝试了几十年，没有实用的系统。我们在此基础上提出以关系变换的方法来进行解答。采用这种新的方法已经解决了几个问题。第一，在文本的理解方面比原来快了很多，同时适用范围也扩大了很多。第二，现在已经可以理解题目中的图形，这本是个比较难的问题。
我们已经发现了这样的事实：用原来的语义理解的方法来理解题目，哪怕是小学的文字题效率都很低下。而我们用了现在这个方法以后，理解速度非常快，平面几何题目基本上都能理解，与平面几何类似的物理电路题也能够解答。
我们下一步的目标是要实现与语言无关的解答。因为全世界有200多种语言，如果每一种语言都做一个解答，那是非常庞大的。因此我们只需要几种语言来解答，通过翻译来实现多语言的服务。
最后我想说的是，我们的智能教育技术的发展还只是处在开始阶段。目前，为了业务生存，很多公司只是把现有的技术用在教育上，当然这也是很好的。但是，我们同时也要知道，有一些专门用于教育的人工智能算法，需要我们静下心来思考、解决问题，才能使我们的智能教育技术发展得更好，让大家更满意。
谢谢大家！
