图片来源：unsplash

自适应学习/智能化教学（Adaptive Learning/Adaptive Teaching）概念，伴随上世纪70年人工智能概念而兴起。在当时人们相信计算机终将获得人类的自适应能力。一个基本前提假设是，自适应学习可以调整学生/用户的学习方法/路径，以帮助学生达到更有效的学习效果、获得更好的体验。

拆解自适应学习系统，一般包括四部分/四个模型：

• 专家模型。该模型存储了要授予学生的信息/知识。

• 学生模型。该模型可以追踪、学习学生行为数据。

• 指导/教学模型。该模型用以传输信息。

• 指导/教学环境。系统支持互动的用户界面。

最初的自适应学习是基于相对简单的逻辑树/规则进行，现在商业化落地的自适应学习应用了更为复杂的AI算法（如无特别说明，文下均指后者）。

来源：鲸准研究报告

在70年代，自适应学习无法普遍落地的主要障碍有两个，一是计算机成本高昂、体积庞大，并不适合落地，二是当时的用户交互界面不利于学习过程。到现在，两个障碍已经不存在，且其实现需要的算法、计算能力与数据基础越加成熟，自适应学习逐渐在教育领域实现商业化落地——国内外都出现了颇有意思的初创公司，做教育的大公司也逐渐在自适应学习上投入技术资源（文末会引用并呈现国内外对应公司的版图）。

一、自适应学习实现的基本逻辑

• 自适应学习与其他AI技术在教育的落地区分

自适应学习是基于AI相关算法技术实现的，在呈现自适应学习基本原理之前，先了解AI在教育中的全版图落地，会有助于相对全面地判断自适应学习实现的意义：它所处的位置在哪里，角色的重要性如何。

借用艾瑞研究报告的整理，一图看清自适应学习与AI其他技术落地在教育中的角色区分：

来源：艾瑞研究报告

自适应学习与其他AI技术落地教育的场景有较明显的区分，自适应学习更多解决教学的问题，在学生学习路径、内容、能力探测与预测方面，更重在“内核”的影响，其他的更多在于“外在形式”或者工具辅助上，比如图像识别下的搜题、语音交互上的对话等。

• 自适应学习落地基本流程
  

对自适应学习落地与其他AI技术落地教育角色区别有一个大致区分后，再回到自适应学习系统的实现原理。AI算法执行的一个基本流程是：数据输入-计算分析-方案输出。

自适应学习算法执行的基本流程同理，第一步是获得训练样本（即训练的数据，然后输入）。然后对样本进行特定模型训练（即计算分析过程），在这一步，涉及的模型包括学科要素、教学方法/策略、学生认知特征等要素。

训练模型的用处在于与每个学生在学习时产生的数据（比如答题正确率、偏好、缺漏等等）对比，使学生的数据更接近理想模型。简单点理解，就是让学生进阶至理想（比如高分）模型状态，而实现这一点，就要基于学习数据推荐匹配的教学信息、方案帮助优化学生学习效率。

第三步是输出方案，即推荐给学生学习的素材和路径，或者是测评方案以及个性化分析判断。

• 拆解教育产品环节，自适应学习的应用

教育环节可以分为：教学内容、教学、学习、练习、辅助测评、其他。应用环节如下图：

来源：艾瑞研究院

教育环节对应的自适应需求，分别需要：

• 内容研发方面，需要比如认知科学、学习心理学、学科教研、教育测量学的配合。

• 教、学、练环节，需要数据与技术开发。数据供应端包括教学平台、教学工具等；技术开发不仅是将目标学习人群的数据输入，还要基于AI的多种技术算法实现自适应教、学、测等需求。

值得一提的是，现在自适应学习初创公司，分别在面向自适应管理、自适应测评、自适应练习环节切入，相对而言是较轻的。而在自适应学习教学、内容开发是难度较大，出现的明星公司有寥寥几个，且集中在k12领域，教育行业其他赛道有待更多参与者探索。

• 自适应学习落地的两个类型

了解完自适应学习的基本原理，来看看其落地教育的基本模式/类型。

基于教育环节的拆解，不难将练习、测评环节归类为题库类，这一类对应的是题库、测评与作业类自适应公司。测、练、学、教的全过程要基于算法执行，以采集学生数据并实现优化效率的学习方案推荐等，这一类对应的是自适应系统服务商，比如为学校、企业提供自适应学习系统的公司等。

二、自适应学习在教育领域落地的价值

传统的学习路径相对而言，是单一的。比如教科书每一章节顺序是固定的、每个年级的方案是固定区分的。所有学生统一路径。但在自适应学习的应用下，新的学习、教学方案是立体多维的，智能算法可以基于每个学生的学习行为数据，形成个性化学习路径。

对于学生而言，自适应可以提供个性化的学习方案，其好处在于：相对精准发现缺漏知识、并获得补充方案；相对匹配水平的学习节奏。借用一家自适应教育公司的图片，以作面向学生端的效果：

来源：乂学教育

对于教师而言，作业的推送和批改可以获得相对解放，且多个学生数据相对清晰、成体系地获得并了解。对于教学机构，相对减轻了对教师的重依赖——自适应系统可以帮助提高教学方案推荐/指导学生的质量，降低师资成本。

三、自适应学习的迭代方向

在上文提及自适应学习落地流程的三个环节。其对应的迭代方向，基于三个环节分别对应：

• 数据输入环节。在样本数据获得/输入后，需要更细粒度的维度拆解，进而对人群画像更细粒度区分，进而为之后更精准的推荐方案提供基础

• 计算处理环节。训练模型在模型构建上需要更接近真实人学生人群特征、学科要素、学科方法论等。在训练算法上需要更高效。

• 输出方案。需要在学习内容丰富度、测评效果准确度、学习方案调整智能水平上进行不断优化。

以上迭代思路来自：

从自适应落地难度来看，上面也提及测评、练习，即题库类的自适应学习应用落地是相对容易的。而更难的在于自适应内容的构建——需要颗粒度更细、内容品质更高（使其具备面向千人、乃至万人级别学生的质量要求）的内容研发与构建。

四、一些实例

自适应学习头部公司最受关注之一Knewton，其为高校、公司等提供教学自适应产品，目前融资额达1.82亿美元。去年在中国布道过自适应学习在课外作业辅导的高效性。其实现流程，主要为：一、拆解学习内容、形成关联的知识图谱（这一部分的难度较高，前文已提及）。二、搜集、分析学生学习数据。三、基于学生行为数据，推荐个性化学习方案、设置任务与目标。

如下图：

来源：鲸准

国外其他自适应教育公司版图可参考下图，从图中不难看出，自适应学习方案在k12、高教的应用相对高。另外值得一提的是，语言培训公司Duolingo在2016年转型自适应教学技术公司后，获得8000万美元融资，是一个典型的传统培训教育公司转型新技术教育公司的案例。

国内也有松鼠AI面向K12的自适应学习解决方案，目前累计融资近10亿元，已经在全国30多个省市自治区、直辖市签署了1800家合作学校。另外一个案例是：智课网，其教学系统在学、练、改、测上引入了自适应学习技术，是一个典型传统教育公司从主打名师、到主打服务，升级主打智能自适应系统的教育（国际留学等业务类）的案例。

其他国内自适应公司暂不展开，值得继续关注一个维度在于在不同教育领域的落地：现在主要在k12和语言培训，上文已提及。那在其他领域相对亮眼的公司可能性如何？比如Knewton（K12+高教）等，国内的对标可能在哪？其他如早幼教、企培、职教又如何？

本文转载自“36氪”，作者何沛宽。文章为作者独立观点，不代表芥末堆立场，转载请联系原作者