2018年中国人工智能自适应教育行业研究报告

2018 年 2 月 22 日 艾瑞咨询 艾瑞
2018年中国人工智能自适应教育行业研究报告

报告:电商、金融、营销、医疗、AI、泛娱乐等等

榜单:PC网站、APP、影视、移动设备、网络广告

行业数据、用户数据,你要的这里都有!


本文摘要:

1.自适应学习主张每个人都拥有自己独特的学习路径,是一种非常有前景的教育技术。国外起步早,应用广,并多次被实证研究证明有效。

2.自适应学习产品有智能程度之分,区分标准是看它的技术水平基于人工、基于计算机编程还是基于人工智能。人工智能自适应在教育的各个环节都可应用,其中教学环节的应用最核心、难度也最大。

3.人工智能自适应教育的本质是可规模化的个性化教育。

4.人工智能自适应教育行业处于发展早期的升温阶段,概念模糊,泡沫难免,目前至少40家公司已宣布入场。

5.K12辅导语言学习是2015-2017年业内融资事件最多的两个细分领域,融资数量占比分别为52.2%和34.8%。

6.目前国内产品总体处于初级阶段;人工智能自适应教育始于技术,胜于内容,终于效果,学习效果才是企业竞争力的最终评判要素。



国外的自适应学习产品


起步早,应用广


自适应学习早在20世纪90年代的美国就已存在,目前已得到较为广泛的应用。美国K-8(相当于中国的小学、初中)自适应学习公司DreamBox Learning曾在2010年后做过一项调查(调查样本超过480个,其中大部分人为K-8公立校教师), 结果表明49%的人正在自适应学习软件上教授补充课程,42%的人正将其作为核心课程平台使用。


自适应学习产品在国外各个学习阶段都有应用,包括早幼教、小学、初中、高中、大学、职业领域等,并已覆盖多个学科。


点击查看大图更清晰☝


自适应学习的概念


自适应促使学习方式发生深刻变革:每个人都有自己的路径


自适应(Adaptive),顾名思义是自我调节和匹配,具体含义是指根据数据的特征自动调整处理方法、顺序、参数和条件,以取得最佳处理效果。它不是指某项具体技术,而是多种知识和技术融合达成的一个结果。这个概念类似于“共享经济”,它不是指某个经济领域,而是新场景、商业模式、技术等因素融合而成的一种经济现象。


自适应学习(Adaptive Learning)在国内引起广泛关注是在2015年,彼时在线教育正野蛮生长,一小批人注意到在线教育完课率极低,这是因为在传统学习模式下1)不同学习内容之间的跳转逻辑是线性单一的,学生即使已经掌握了某一块内容,还是需要花费时间去学习;2)学生有问题也不能得到即时的反馈和帮助。对此,自适应学习致力于通过计算机手段检测学生当前的学习水平和状态,并相应地调整后面的学习内容和路径,帮助学生提升学习效率。然而,学习是一个复杂且隐性的过程,简单的计算机编程很难实现好的效果,运用人工智能技术来实现的人工智能自适应学习应运而生。这是对传统自适应学习的升级,也是对新型学习方式的探索,在教育领域意义重大。


点击查看大图更清晰☝


自适应学习产品有智能程度之分


基于人工、基于计算机编程还是基于人工智能?


当大多数人提起自适应学习时,他们对自适应学习产品的智能程度缺少一个清晰的定义。看一个自适应学习产品,需要判断它是基于人工的自适应,还是基于计算机编程的自适应,还是基于人工智能的自适应。目前人工智能总体上还处于初级阶段,人工智能+自适应学习又是一个新兴的领域,相关人才和经验总体上处于匮乏状态,因此市场上的人工智能自适应学习产品基本都属于弱人工智能的范畴。但即便是弱人工智能,相比于基于人工的自适应和基于简单计算机编程的自适应来说,也已经是一种进步。弱人工智能自适应学习进化到强人工智能自适应学习的突破口在于人工智能自适应技术的突破以及其在教育垂直领域的深度落地。


点击查看大图更清晰☝


人工智能自适应学习的原理


在大数据的基础上构建学习模型并输出学习建议


在现阶段,“搜集大数据——构建学习模型——输出学习建议”是实现人工智能自适应学习的基本步骤。学习模型的构建过程非常复杂,常人难以理解,通俗来说,它是在“借鉴”人类大脑的思考过程,通过成千上万个函数点互相传导信息,用穷举的方式从千丝万缕的函数嵌套关系中找出学习规则,并不断进化模型。它的输出由三部分要素有机结合而成:学习材料(如:一段教学视频、一道练习题),用来测评学生是否掌握学习材料的标准,学习材料的推送顺序。这三部分的内容和时长都由人工智能算法来决定。学生使用系统的时间越多,留下的行为数据越多,系统的效率就越高。



点击查看大图更清晰☝


人工智能自适应学习系统的运行流程


像优秀教师一样“思考”和“行动”


老师是以经验驱动教学的,整个过程虽然遵循一定的节奏,但每一步的“火候”非常依赖于教学经验的积累,因此刚毕业的老师往往适合于答疑,而在教学的体系化上有所欠缺,教龄长的老师往往擅长全盘把控,而在亲和力上稍显不足;不同老师对学生学习情况的判断是不一样的,从而导致他们所规划的学习路径不同;两个老师即使经验值相等,还会在性格脾气、教学风格、薪酬期待上有所差异,从而影响教学效果。人工智能自适应学习系统旨在聚集并量化优秀教师的宝贵经验,以数据和技术来驱动教学,最大化地减小老师水平的差异,提高整体教学效率和效果。


击查看大图更清晰☝


自适应与人工智能+教育的关系


自适应能够深入教学核心环节,而其他AI技术不一定能深入


人工智能在教育领域的落地应用是大势所趋。目前已有的智能产品包括拍照搜题、分层排课、口语测评、组卷阅卷、作文批改、作业布置等工具,这些工具应用了先进的人工智能技术,但应用场景只停留在学习过程的辅助环节上,而不会直接带来教学质量和效果的提升。人工智能自适应则能够把人工智能技术渗透到教学的核心环节中,既有助于从根本上改进学习的理念和方式,也有助于产品打通商业模式,直接面向C端用户销售变现。


击查看大图更清晰☝


人工智能自适应在教育过程中的应用


各个环节均有可为,教学环节最核心,全流程应用最高级


完整的教育流程可划分为内容开发——教学(学习)——练习——测评——管理五个环节,这些环节中都存在人工智能自适应学习可以应用的场景。其中,自适应内容开发是其他4个环节的基础,需要耗费巨大的工作量,目前国内少有公司专门以这项工作为主要业务,大多数公司往往只把它作为一项内部产品开发的前续工作;自适应管理指的是通过分析教学、作业、测评环节的学生数据,对用户进行智能预警、提醒和跟踪,是其他4个环节成功应用后的附加产物。人工智能自适应学习技术在教学、练习和测评三个环节的应用能够直接面对C端用户,市场广阔,是目前主要的三个应用环节,而其中教学环节的应用对学习效果的影响作用最大,也是整个教育流程中最核心、最复杂、最难的一环。随着用户对个性化和效果的需求越来越强烈,不同环节之间出现了一定的界限模糊,市场上也出现了能在五个环节同时应用的全流程自适应学习系统。


点击查看大图更清晰☝


深入应用到教学核心环节难度较大


需要先有教学环节的有效数据,不能仅有练测环节的数据


教学环节对学习效果的影响作用最大,也是整个教育流程中最核心、最复杂、最难的一环,而测评、练习环节相对外围、轻量、简单,因此自适应学习产品最先在测评和练题场景中得到应用。如果把不同的人工智能自适应学习产品分为“只应用到测评环节”(自适应测评)、“只应用到测评和练习环节”(自适应练习)、“同时应用到测评、练习和教学环节”(自适应教学)三类,那么自适应教学是其中数据获取难度和产品功能等级最高的一类。自适应教学产品的开发需要有教学环节的有效数据,而这些数据的获取难度高,具体体现在:1)自然状态下,教学过程数据是非结构化的;2)数据可挖掘的维度多,不限于测试成绩和作业情况,还包括学习路径、内容、速度、偏好、规律等深度数据;3)不同数据点之间的关系复杂。


点击查看大图更清晰☝


人工智能自适应教育的价值


核心价值是降本提效,促进行业升级


人工智能自适应教育是一次行业改革实验,对机构、对学生、对老师三方都具有降本提效的价值。其核心价值是把教育行业从劳动密集型的农业时代带向成本更低、效率更高的工业时代。农业化向工业化发展的趋势是不可阻挡的,即使不通过人工智能自适应教育来实现,也会通过其他渠道来实现。


点击查看大图更清晰☝


中国人工智能自适应教育行业发展阶段


行业处于发展早期的升温阶段,概念模糊,泡沫难免


不可否认的是,从行业发展阶段来看,目前人工智能自适应教育行业仍处在发展早期,并且由于“人工智能”概念过热,加上市场受到巨头进入、大额融资等事件的刺激,从而存在一定的炒作现象。但这是一项新兴事物发展的必经之路。人工智能本身受到的市场反应也呈现出“这是全能的——这是骗子——这是全能的——这是骗子”的反复性,人工智能在教育行业的落地应用不是一蹴而就的,必然也会因为初期效果的不甚理想而反复受到推崇和质疑。随着人工智能技术进入稳定期,质疑的声音才会渐渐消除,行业发展路径才会稳定上升。


点击查看大图更清晰☝


中国人工智能自适应教育行业玩家分布


教育科技+课程变现前景良好,至少40家公司宣布入场


不断有企业瞄准、涌入人工智能自适应教育赛道。一类是提供在线英语课程和工具的公司,英语领域本身具有一定的国外自适应学习经验,而且相关的学习材料、标准化测评和题库数据都足够多,开发环境相对较好。一类是以题库、作业平台为基础,或进入公立学校做考试数据采集和分析的公司,他们能够收集一部分学习数据,在大数据采集和用户认知经验上具有一定的先发优势。另一类是主打自适应教育的公司,他们以自适应学习系统为主攻产品。此外,其他在线教育机构、线下教育机构、甚至非教育行业的机构都在试图进入这一领域。


点击查看大图更清晰☝


中国人工智能自适应教育行业特点


边际明显:初期投入大,越往后数据的反哺能力越强


毫无疑问,随着越来越多的学生使用某个产品,产品所收集的数据量会越来越多。在一般的在线教育产品中,这些数据会被储存起来,经由人工挖掘和分析,用于优化产品;而在人工智能自适应学习产品中,这些数据会像“燃料”一样被输送进人工智能算法这个“大锅炉”中,由数据来训练算法,输出更接近真实情况的学习模型,赋予学习系统更好的性能和更高级的功能,从而吸引更多的学生使用。学生使用系统则产生更多的数据,继续上述流程,形成良性循环。另外,系统通过数据对学生产生的“了解”会随着时间递增,学生之后更换产品的转换成本会非常高。因此可以说,人工智能自适应教育行业比一般的在线教育行业具有更明显的边际效益。


点击查看大图更清晰☝


中国人工智能自适应教育行业产业链


产品开发吸纳大量资金,产业链头重脚轻,分工有待细化


人工智能自适应教育行业产业链的结构与在线教育行业类似,都包含了从产品开发(内容研发+技术支持)到教学服务再到分发推广的过程,两者差别在于,前者的产品开发环节由于涉及到新兴的人工智能技术,从而吸金能力更强、难度更高、耗时更长。产品开发需要教研经验、教育学、心理学、计算机、大数据、人工智能等多个领域的跨界协作和共同摸索,前期投入可达千万元人民币级别。目前K12辅导和语言学习是产品的两大重点应用场景。


点击查看大图更清晰☝


企业的商业模式


美国以To B为主,中国以To C为主,不能照搬


在美国,自适应教育企业的商业模式一般以To B为主,这主要是因为美国C端用户个人发展压力小,接受额外培训的意愿没有中国人那么强,因此To C培训空间小,另外与机器交互的自适应学习在机构内推广也容易快速形成规模,发挥边际效益。中国To C教育培训市场比美国广阔,并且高度分散,只要用心经营人人都可以分一杯羹,To B市场则更多地需要借助人脉关系,进入成本高。中美两国的国情和文化土壤差异较大,不能照搬商业模式,但美国的产品和技术值得关注、学习。


击查看大图更清晰☝


▌行业内投融资情况


K12辅导和语言学习领域最受关注


从2015年到2017年,中国人工智能自适应学习相关概念一直受到资本市场的关注,融资轮次逐渐呈现出从种子轮、天使轮的早期阶段向A轮、B轮的中期阶段发展的趋势。其中K12辅导和语言学习两个细分领域的融资事件最多,占比分别达52.2%和34.8%。K12辅导是中国教育培训行业中市场规模最大的一个子领域,吸引力大;语言学习则因为学习内容轻量化、国际化,天然适合与科技接轨。


点击查看大图更清晰☝


▌企业通常会面临的难点


新事物的发展之路上每一步都有“坑”


人工智能自适应学习产品与传统教育产品相比,改革跨度太大,因此不可避免地在团队招募、产品开发、市场推广等方面会面临较大阻力。由于行业发展仍处于早期阶段,所以目前最大的难点还是来自于产品开发。作为主要的使用者,老师群体也需要一定的适应时间,而且需要在心态上做一次转变。


点击查看大图更清晰☝


▌行业热度持续


教育科技大势所趋,入局企业持续增多


人工智能自适应教育领域的入局企业将持续增多。主要原因如下:1)人工智能火热,市场风向如此;2)人工智能算法开源、技术进步,人才增多;3)教育市场是一个需求非常多样、行业格局非常长尾的市场,人工智能+自适应学习几乎可以应用在每一个细分领域,行业集中度短期内也不会明显提升,因此各企业有空间做到差异化竞争、区域化竞争;4)在线教育狂奔三四年之后,各企业开始集体寻求变现,2017年是直播变现大年,而自适应学习系统有望成为直播平台的底层标配,用来提高直播课程的标准化水平、解决直播平台大规模扩张后师资不足的问题。


点击查看大图更清晰☝


▌人工智能是关键技术


短期内集中力量突破增强数据挖掘、认知专家顾问等技术


根据Gartner的报告,未来2-5年内增强数据挖掘、认知专家顾问、深度学习、边缘计算、机器学习、虚拟现实等技术将度过泡沫期,逐渐被主流所应用。未来2年内如果企业能率先在这些技术领域取得突破性进展,则可以抢占先机。人工智能自适应教育行业是一个技术驱动型行业,技术能力对企业至关重要,短期内内各企业之间技术能力的赛跑也将正式开始。但由于教育行业是一个典型的“慢”行业,因此这些技术在教育行业真正普及至少需要2-5年的时间。


点击查看大图更清晰☝


▌企业竞争力要素悄然改变


始于技术,胜于内容,终于结果


人工智能无疑是未来趋势,但它始终只是一种手段,如果在学习的某些环节,使用一些简单的信息化手段或人为手段能实现更好的学习效果,那么这一环节就不需要也不应该借助人工智能。真正创造价值的是创新的问题解决模式,而不是某一项技术。人工智能自适应教育最早发展出的功能是反映学生的能力水平(测试功能),后来逐渐加入找出知识点盲区(评价功能)、推送内容弥补盲区(学习功能)的功能,但目前所推送的学习内容的表现形式仍然是视频、题目等旧形式,其背后的学习方式仍然是传统的“听课”和“刷题”,这是由教学思路的固化导致的。随着人工智能技术的突破、社会对人才评价标准的更替,未来人工智能自适应教育领域将迎来内容体系的新革命,实践式教学、沉浸式教学等理念带来的新型学习方式将更多地融入自适应学习系统,正如目前在线教育领域教研岗人才稀缺一样,未来各人工智能自适应教育企业的技术差距将逐渐缩小,而能深刻理解教学教研、具备新技术条件下的创造能力的教研人才将受热捧。


点击查看大图更清晰☝

 点击文末 “阅读原文” 查看完整版报告。



精 彩 推 荐


中国在线导购行业研究报告

中国汽车电商营销价值洞察

艾瑞:探索互联网发展的边界




如果您对我们的业务感兴趣或想进一步合作,可以直接联系我们:

 咨询电话:400-026-2099

 咨询邮箱:ask@iresearch.com.cn


登录查看更多
3

相关内容

自适应学习,也被称为自适应教学,是使用计算机算法来协调与学习者的互动,并提供定制学习资源和学习活动来解决每个学习者的独特需求的教育方法。在专业的学习情境,个人可以“试验出”一些训练方式,以确保教学内容的更新。根据学生的学习需要,计算机生成适应其特点的教育材料,包括他们对问题的回答和完成的任务和经验。该技术涵盖了各个研究领域和它们的衍生,包括计算机科学、人工智能、心理测验、教育学、心理学和脑科学。

主题: 2019年人工智能的发展

摘要:

人工智能是一个很宽泛的概念,概括而言是对人的意识和思维过程的模拟,利用机器学习和数据分析方法赋予机器类人的能力。人工智能将提升社会劳动生产率,特别是在有效降低劳动成本、优化产品和服务、创造新市场和就业等方面为人类的生产和生活带来革命性的转变。据Sage预测,到2030年人工智能的出现将为全球GDP带来额外14%的提升,相当于15.7万亿美元的增长。全球范围内越来越多的政府和企业组织逐渐认识到人工智能在经济和战略上的重要性,并从国家战略和商业活动上涉足人工智能。全球人工智能市场将在未来几年经历现象级的增长。据中国产业信息网和中国信息通信研究院数据,世界人工智能市场将在2020年达到6800亿元人民币,复合增长率达26.2%,而中国人工智能市场也将在2020年达到710亿元人民币,复合增长率达44.5%。

我国发展人工智能具有多个方面的优势,比如开放的市场环境、海量的数据资源、强有力的战略引领和政策支持、丰富的应用场景等,但仍存在基础研究和原创算法薄弱、高端元器件缺乏、没有具备国际影响力的人工智能开放平台等短板。此份报告不但对人工智能关键技术(计算机视觉技术、自然语言处理技术、跨媒体分析推理技术、智适应学习技术、群体智能技术、自主无人系统技术、智能芯片技术、脑机接口技术等)、人工智能典型应用产业与场景(安防、金融、零售、交通、教育、医疗、制造、健康等)做出了梳理,而且同时强调人工智能开放平台的重要性,并列举百度Apollo开放平台、阿里云城市大脑、腾讯觅影AI辅诊开放平台、科大讯飞智能语音开放创新平台、商汤智能视觉开放创新平台、松鼠AI智适应教育开放平台、京东人工智能开放平台NeuHub、搜狗人工智能开放平台等典型案例呈现给读者。最后,列举国内外优秀的人工智能公司与读者共勉。随着技术的进步、应用场景的丰富、开放平台的涌现和人工智能公司的创新活动,我国整个人工智能行业的生态圈也会逐步完善,从而为智慧社会的建设贡献巨大力量。

成为VIP会员查看完整内容
2
98
小贴士
相关资讯
人工智能商业化研究报告(2019)
腾讯大讲堂
12+阅读 · 2019年7月9日
2019社交行业研究报告
行业研究报告
4+阅读 · 2019年5月30日
2018年游戏行业研究报告
行业研究报告
3+阅读 · 2019年4月20日
人工智能在教育领域的应用探析
MOOC
7+阅读 · 2019年3月16日
2018年中国供应链金融行业研究报告
艾瑞咨询
6+阅读 · 2018年11月20日
2018年中国人工智能行业研究报告
艾瑞咨询
3+阅读 · 2018年4月2日
艾瑞:自适应学习凭什么成为AI+教育的核心?
艾瑞咨询
4+阅读 · 2018年3月22日
2017年中国计算机视觉行业研究报告
艾瑞咨询
6+阅读 · 2017年12月7日
【人工智能】人工智能5大商业模式
产业智能官
9+阅读 · 2017年10月16日
相关论文
Filippo Maria Bianchi,Daniele Grattarola,Cesare Alippi
23+阅读 · 2020年6月3日
AdarGCN: Adaptive Aggregation GCN for Few-Shot Learning
Jianhong Zhang,Manli Zhang,Zhiwu Lu,Tao Xiang,Jirong Wen
4+阅读 · 2020年3月9日
Relation-Aware Graph Attention Network for Visual Question Answering
Linjie Li,Zhe Gan,Yu Cheng,Jingjing Liu
6+阅读 · 2019年10月9日
Liang Yao,Chengsheng Mao,Yuan Luo
15+阅读 · 2019年9月7日
Omni-directional Feature Learning for Person Re-identification
Di Wu,Hong-Wei Yang,De-Shuang Huang
3+阅读 · 2018年12月13日
Chenhui Chu,Rui Wang
13+阅读 · 2018年6月1日
Xing Niu,Michael Denkowski,Marine Carpuat
5+阅读 · 2018年5月29日
Shuohang Wang,Mo Yu,Jing Jiang,Wei Zhang,Xiaoxiao Guo,Shiyu Chang,Zhiguo Wang,Tim Klinger,Gerald Tesauro,Murray Campbell
8+阅读 · 2018年4月26日
Jian Xu,Chunheng Wang,Chengzuo Qi,Cunzhao Shi,Baihua Xiao
8+阅读 · 2018年4月3日
Top