自适应题库NO、情感NO what

不看好自适应题库

刘瞻告诉亿欧起初团队想直接做个自适应题库，实践过后放弃了这个想法，他讲了自己的亲身经历：“我在自适应题库做GMAT，第一次轻松拿到600多分，复习了一个半月后再次做题的过程很痛苦。”他告诉亿欧自适应题库会沿着一个人的能力边界推荐题目，以最少的资源、时间获取最高执行度的测评结果，特点是能高效、精准地测出做题者的水平，但是它并不是一个很好的训练和学习方式，“因为自适应题库不把做题者当人看，它是基于做题者是高情商、高智商，并且能老老实实坐在那里做题，但是基于这种假设的学习产品是没有意义的”，所以他意识到开发一款自适应题库产品对学生的帮助很小，家长也不会特别认可。

刘瞻认为目前市场上开展自适应学习业务的主要有三类公司：

第一类是从线下培训发展自适应学习方向的企业，如学而思、新东方，有教育培训的基因。但是，首先会在AI和大数据技术实力上遇到瓶颈；其次，培训班采集的数据在数据量、连续性、全面性上有显著局限性；

第二类是工具型进校产品往自适应学习方向发展，具有用户量的优势，但不等于数据优势，因为往往工具型产品最初的底层数据结构是没有考虑未来要加入融入算法分析，采集数据的维度往往也有局限；

第三类是自己这类具有AI基因的创业公司，那么他眼中的自适应学习之路应该怎么走？

人工智能应该智能成什么样

他认为在教学中，传授知识是一方面，另一方面，鼓励和关心学生的心理也是必不可少。对于12-15岁的初中学生，需要不断积累小的成就感建立自信心，自信心倍增才会产生学习时间延长，学习节奏正常化的效果。

有想法就有行动，去年开始，刘瞻团队对其AITutor产品进行升级改造，将学习心理作为很重要的部分纳入进来，例如学生做题后系统会给出正反馈、会考虑人的遗忘规律把握推送复习内容的节奏等等。

另外，刘瞻还提出了他对于人工智能教学系统的期待，首先他认为AITutor可以像真人老师一样不断积累自己的教学经验，不拘泥于课本顺序，可以根据自己的经验和认知规律、过去教学经验的总结决定知识点的优先顺序。据介绍，目前产品已经积累了超10万学生的行为数据，刘瞻告诉亿欧按照该速度，再过1个月时间系统就相当于具备一名老师20、30年的教学经验。

其次，至于智能化的程度，刘瞻表示不论是建立知识图谱、知识点关联还是大数据结构化等，他表示AITutor对存在的已有数据有自我质疑的能力，虽然还不能达到自我矫正的智能程度，但是在知识点关联错了的时候能出现异常作为提醒，然后再由人再来重新筛选、更正。

再者，通常真人老师会用成绩来评估学生的能力、知识体系的掌握程度等，但除了成绩还有很多因素需要考虑，包括选项设置的顺序、做题时间长度、人的情绪因素等，刘瞻要求AITutor可以进行多维度的评判。

最后，AITutor需要的是“日常学习数据”，周期性考试、偶尔周末补习中采集的数据是不够的。从数据维度上，为了更精准地评估学生的知识掌握水平，只采集做题结果（正确率）远远不够，而还有大量的学习行为数据暴露了学生的知识掌握水平，比如做题时间、样本时效、选项上的犹豫、典型错误等。

以数学学科站稳脚跟

目前国内的自适应学习产品尚处在起步阶段，对于技能学习、成人教育等这类超级个性化的领域没有条件做到，大多数应用在k12领域。

目前高木产品定位在初中数学，刘瞻想专注专业化定位，以数学站稳脚跟。2016年，高木学习完成长达9个月的四期封闭式试点，在10所学校选取65个实验班，跟踪3000名学生的数据:坚持使用45-90天，“中等生”在各自年级平均进步95个名次，“后进生”平均进步135个名次。

有别于其他在线教育平台，高木选择从B端入手，通过和学校、教育培训机构、政府部门合作，去年十月份，从10所学校拓展到180多所学校，覆盖湖南、江西、海南、河南、陕西等，截至今年5月份，共覆盖11.8万名学生，今年预计共进入400所学校、覆盖50万学生。刘瞻表示数据采集是个大问题，没有相应的数字环境，影响数据采集，比如学生没有硬件条件或者家长不让用、小孩不自觉很难提供连续的个性化的服务，高木直接从B端切入、嵌入日常教学环节为此提供了解决途径。

其实，作为一个初创公司，与之前提到的两类公司做自适应学习的成熟企业相比，拼资金和行业资源不占优势。刘瞻认为出路只有一个：在深刻理解教育的基础上，充分利用AI优势，死磕产品效果。

但是教育产品的实际效果需要大量样本并且较长时间的验证周期。刘瞻认为市场这么大总有生存的空间，很多对手死掉不是被市场或者对手搞垮而是会被自己搞垮。“人工智能不是喊口号、说大话，实证效果是需要摆出来的”，刘瞻说道。

一直以来，技术都是推动商业环境进化的重要因素，而目前最热的技术升级趋势，无疑是人工智能。当下，尽管人工智能行业本身已经进入了一个平稳的发展期，但它对于各行各业的赋能却正在以更热烈的姿态进行。