学而思CTO田密：用大模型重构教育，我们做对了什么？

7月4日，2024世界人工智能大会暨人工智能全球治理高级别会议（简称“WAIC 2024”）在上海启幕。本届大会备受关注的热点领域之一是“人工智能+教育”，“教育与人才”被列为大会行业论坛的十大重点议题之一。

7月6日，在“AI 产业创新与投资发展主题会”上，学而思CTO田密以《教育大模型，构建未来个性化学习蓝图》为题发表了主题演讲，首次分享了九章大模型在产业化层面的未来愿景和规划。

芥末堆：我们先从一个老话题开始，“人工智能+教育”发展到今天，能在多大程度上替代老师？

田密：很多人认为大模型的进步会对教育行业产生颠覆性影响。Sora刚出来时，很多人问我，将来还需要辅导班老师吗？今天的大模型发展非常迅速，但还没有达到彻底替代老师的地步。

教育行业有一个“不可能三角理论”，即个性化、高质量和大规模很难同时实现。以学而思为例，最早推出了学而思小班，可以做到高质量和个性化，但是无法实现大规模；后来推出了学而思大班，实现了大规模和高质量，但没有做到个性化；再后来我们推出了各种AI课程，勉强实现了个性化和大规模，但其质量和真人老师相比仍有很大差距。AI技术的发展使“不可能三角”成为可能，而大模型技术的出现是一缕曙光。

教育行业面临的最大问题是师资的匹配，优质资源不足，但事实上学习阶段的孩子们随时需要向老师提问。AI老师就弥补了这样的空白，能够非常耐心地进行陪伴式讲解，孩子们不用担心被说笨或者担心老师会不耐烦，就像医生接诊一样，AI老师能够回答很多学生的问题。

芥末堆：能不能用最浅显的语言，向我们众多的教育创业者讲清楚，人工智能对于教育而言，意味着什么？

田密：在大模型技术出现之前，AI技术已经在教育的各个环节中发挥了作用，包括备课、教学、练习、评估和管理。例如，备课时可以用AI技术帮助老师自动生成讲义和试卷；授课环节中，AI可以充当教学助手，提供智能答题器，帮助老师做智能提醒和个性化的TTS。在练习阶段，AI可以实现自适应练习、中文作业批改和整页批改；在评估环节，AI可以进行口语评测等。

随着大模型时代的到来，所有的教育AI科技都可以通过大模型技术重新实现一遍。这意味着AI不仅可以优化现有的教育环节，还可以在个性化和规模化方面实现更大的突破，更好地满足不同学生的需求。

芥末堆：大模型和传统的深度学习技术有什么本质差异呢？

田密：第一，大模型更加通用。过去需要上百个大大小小的模型来提供AI服务，工作量非常大。现在，一个大模型可以处理所有任务，极大地降低了训练成本，提高了训练效率，并且通用性得到了保障。

第二，大模型有了通用大模型作为基座。过去，教育大模型只能学习教育相关的语料。如今，通过通用大模型，教育大模型可以融合更多的世界知识和教育知识，从而变得更加聪明，情商更高。

第三，大模型支持多轮交互。这使得人机交互或师生交互更加容易、便捷和自然。大模型生成的多轮交互方式让互动变得更加流畅，提升了用户体验。

芥末堆：教育大模型是怎么训练出来的？训练模型的方式和通用大模型有差别吗？

田密：没有本质上的差别，通常会分成几个阶段。以九章大模型为例，你会发现，大模型学习知识的方式、手段和人类很相似。我们把训练过程分为三个阶段。

阶段一，预训练。就像一个孩子要看大量的书去学习，通过自学获取基本知识和理论框架。

阶段二，有监督微调。相当于请了一名老师给孩子讲解标准的解题套路，孩子向老师学习解题步骤，比如一二三步骤分别怎么做。

阶段三，强化学习。相当于孩子不断地进行多轮练习，每次练习后进行批改和反馈，不断进阶提升。

这个过程让大模型像孩子一样学习一门学科，比如数学。其中，最关键的是数据。训练什么样的模型需要什么样的数据。在不同的训练阶段，比如预训练阶段，需要海量的题库、讲义和教辅书；微调阶段需要大量的步骤清晰的解决方案数据；强化阶段需要用奖励模型对结果进行反馈。

在这一点上，学而思具备优势。我们一直在投入教育科技研发，从2003年成立起就在积累题库数据，这些都是训练大模型宝贵的原材料。

芥末堆：此前有网友让九章大模型和ChatGPT分别去答高考数学卷，引来热议。在开发团队内部有没有做过类似的对比实验，结果如何？

田密：大模型和人类一样，有文科生和理科生的区别。我们发现，很难在一个大模型里同时学好数学、语文和英语。九章采用了多专家模型方式，有专门的数学专家模型、语文专家模型和英语专家模型，最终以MoE方式组合起来提供全科服务。

九章作为以数学领域的解题和讲题算法为核心的大模型，在高考数学题目上比GPT-4o得分更高。“点睛”分析也是九章的特色，它在解题的同时拆解了题目的考点，更适合学习者参考。

大模型应用最大的阻碍在于“幻觉问题”。通过搜索召回增强技术，可以比较有效地缓解这一问题。这个技术很简单，在大模型生成之前，先搜索并召回相关的内容，拼装到程序中作为提示词工程的一部分，这样输出就会有约束，不会胡乱生成答案。例如，将学生的学习画像放进去，就可以生成个性化的回答，这是大模型落地应用的关键点。

芥末堆：今天现场有一些观众尝试用手机拍摄一道四年级数学题，大模型并没有直接给出答案，而是分析了题目考察的知识点和形式，再引导用户一步步思考。这和一些拍题软件的讲解方式区别很大，让大家感受到了人工智能在个性化引导学习方面的潜力。

田密：我们认为，所有教育场景都值得用大模型重新做一遍。到今天，学而思已经在解题、对话、批改、讲题和推荐这五大场景中重构了教育科技。

解题很好理解，就是实时解答一个题目；对话是指具有常见的对话能力；批改方面，AI可以批改中文和英文作业，甚至细致到数学题的步骤级别，识别出答案的对错和错误的具体步骤；讲题则是AI一对一地讲解题目；推荐则是在大模型的基础上做到步骤级的个性化推荐，使得标签更加精准，推荐效果更好。

具体来看，这些过程如下：

1.自动解题：九章大模型在数学评测网站Matheval上排名第一。在我们官网上也有展示，一道高中的函数题，大模型会先分析题目，识别出考察的知识点，然后进行步骤详解，最终完成解题并提供考点分析，这样可以让学生更清楚地了解题目的考察重点。

2.口语对话练习：在我们的APP中，有口语评测功能，让孩子通过游戏化的过程进行学习。我们会对学生的口语回答进行评测，包括流利度和发音。

3.作业批改：中文作文批改涉及字词判断、错别字、段落批改、内容建议和润色方法。英文作文批改分为三个步骤：批改、建议和润色。数学题的批改更为复杂，特别是主观题，需要对步骤进行批改，识别错误步骤并提供个性化讲解。

4.讲题：我们推出了“九章随时问”小程序，它是一个数学AI老师，不是直接给出答案，而是一步步讲解，任何不懂的地方可以随时追问。这个功能的目的是让孩子学会主动提问，培养批判性思维。

5.推荐：个性化学习的核心在于题目推荐。过去的诊断只能精确到题目级别，而现在可以拆解成多个步骤，每个步骤考察的知识点不同，对题目错因的判断更加精准，从而推荐的效果也更好。

总的来说，AI时代的教育需要孩子主动提问，因为AI几乎无所不知。提问的能力在很多情况下不被鼓励，但AI让这一过程变得自然，孩子们可以更加放松地提出问题。AI老师会尽可能激发孩子的主动提问，通过不断的反问和设问，引导孩子学会主动学习。这是AI给教育带来的一个变化。

芥末堆：有人担心AI会让教育变得更惰性，认为是拍照抄答案。对此你怎么看？

田密：并不是这样的。拍照讲解之后会有追问，这才是真正的方向。我们的AI老师会尽可能去激发孩子主动问问题。我们会把问题拆成很多个小步骤，每一步都问孩子“你怎么看这一步？”、“你觉得这么做是对的吗？”或者“你认为有什么重要的方法吗？”通过不断地反问和设问，让孩子自己学会主动提问。

这种方法不仅帮助孩子理解题目，更培养了他们的批判性思维和主动学习的能力。AI在教育中的作用不仅是提供答案，更是引导学生思考，鼓励他们独立解决问题。这样，AI不仅不会让教育变得更惰性，反而会推动教育质量的提升，使学习变得更加积极和主动。

芥末堆：国内外大模型在教育领域的应用，目前还遇到什么样的难题？解决方向会是在哪里？

田密：坦率地讲，虽然目前大模型很热，但从全球来看，真正落地用的产品并不多。大家看到比较成熟的应用主要有两个，一个是搜索，另一个是聊天（chat）。

目前，大模型的应用还处于早期阶段，教育领域也是如此。简而言之，教育上的大模型未来要成为AI老师。AI老师需要具备多种能力，比如解题、讲题、口语练习和批改答疑。然而，目前还没有哪一个产品能够将这些功能完美地结合在一起。

我们都希望有一个全能的AI老师，但实现这一目标非常困难。现在的实际做法是将这些能力分解并逐步落地。例如，我们的“随时问”专注于讲解和答疑，口语练习则集成在一些应用程序中。这些能力逐步落地，最终有一天可能会形成一个完整的产品。

目前，AI老师还远未成熟。这与自动驾驶有些类似。现在智能座驾很火，但真正意义上的全自动驾驶（L4以上）尚未实现。然而，这并不妨碍一些具体功能的落地，比如自动泊车、智能变道和高速巡航。AI老师也是如此，它会逐步替代老师的许多工作，最终成为一个比较全能的AI老师。

今天，整个AI大模型对教育行业的影响和赋能还处于非常早期的阶段。学而思将把三项最重要的核心AI能力——解题、讲题和批改，向全行业开放。我们希望将核心能力开放给行业中的所有参与者，包括各类硬件厂商，如AIPC、手机、iPad和汽车制造商，以及一些公立学校的2B2C应用。我们希望通过大模型的应用能力，真正推动教育行业的发展，为整个教育的数字化转型贡献一份力量。

芥末堆：人们看到五月刚刚经历新一轮升级的“小思”也来到了今天的舞台。“小思对话”上新了记忆式系统，新增了情绪识别，可以根据提问者的声音、状态识别他当下的情绪，并以对应语气进行回应。还会通过对话记录，在家长端提供成长报告和养育建议。看上去越来越像真人老师了。

田密：是的，“小思对话”的升级使其越来越像真人老师。然而，反过来说，有些人担心AI大模型会不会颠覆教育行业，让AI老师完全代替真人老师。对此，我的答案是否定的。我们认为大模型会给每名老师配备一个AI助教，每个孩子配备一个AI学伴。

老师有很多固定的工作，比如备课和作业批改，这些重复性的工作可以由AI大模型替代。这样一来，老师就可以把精力集中在对孩子的关爱、唤醒和激发上。对于孩子来说，AI学伴可以24小时在线陪伴他们学习和成长，孩子可以随时向AI学伴提问，没有任何压力，不用担心问题是否愚蠢，也不用担心需要重复讲解几遍才能听明白。

AI可以帮助孩子保持对学习的乐趣和自信，这才是教育行业大模型赋能的终极意义所在。通过这种方式，AI不会替代老师，而是增强老师的能力，让教育变得更加人性化和个性化。

芥末堆：从整个教育产业结构来看，大模型的融入将会引发怎样的变化？未来三年内，教育产业在整合大模型时面临的主要挑战是什么？

田密：人们都看到大模型的潜力，也都在积极地拥抱这个事情，但目前来看，无论是公立学校、培训机构还是从业者，对于未来的变化尚不是特别清晰。大家都意识到变革将会发生，但具体的变化何时到来，以及线上与线下的关系是否会被颠覆，人人都在探索。

大模型在教育产业的应用不会是一蹴而就的，而是一个渐进的过程。类似于自动驾驶技术从L1到L5的逐步演进，大模型的应用也需要逐步落地。因此，首先需要明确教育行业中可以应用大模型的场景，并逐一实施落地，同时不断提升模型的性能。数据的收集和积累是关键中的关键。只有通过收集大量真实用户数据，并建立完整的数据闭环，才能实现全面的AI教师服务。

我们的孩子几乎都是移动互联网的原住民，从小就在各种电子产品中成长。未来的孩子将会成为AI的原住民，他们从出生起就接触到带有AI功能的产品。

教育是一个非常敏感的领域，人们对教育的容错率很低。就像自动驾驶技术如果应用不当可能导致事故一样，教育中如果传授的知识有误，家长和社会都会产生极大的不满。这就要求在大模型演进过程中要极为谨慎，特别是在进入公立学校领域时，对教学内容的准确性要求更加严格。

因此，大模型在教育中的融合过程将是缓慢而长期的。在此过程中，需要克服的主要挑战包括技术性能的提升、数据隐私与安全的保护、教育内容的准确性保障以及社会接受度的提升。这些挑战的解决将决定大模型在教育产业中的成败。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】