AI老师替代人类，还有1光年那么远

AI老师 3个月前 lida

12 0 0

AI老师替代人类，还有1光年那么远

ChatGPT在全球掀起AI狂潮，中国企业顺势蜂拥开启百模大战。随着技术的深入发展，AIGC开始涌向垂直领域的大模型，教育行业成为理想的落地场景之一。

不论是传统教育类硬件厂商，还是互联网企业，抑或是转型后的教培机构，均热衷于借势宣传产品和服务搭载AI功能。现阶段市场上主流的卖点涵盖AI搜索、AI翻译、AI批改作业、及AI虚拟教师等，承载着企业实现“因材施教”的愿景。

其中的AI虚拟教师领域最具复杂性，依托OCR（字符识别）、NLP（语义理解）、LLM（大模型），涉及语音、文字、图像、视频等多模态，强调互动和自适应教育和互动等。

此前多家企业已经有所布局，如今再次受到教育类企业的关注，究竟是抢占AIGC的风口还是新瓶装旧酒的营销噱头？

主笔/ 麦子

文章架构师/ 木阳

出品/ 桃李财经

AI教育“军备”竞赛

总体方向是被各方视角看好的

谁也不愿错过这场AI盛宴。今年以来，国内的教育类厂商加速内卷，进一步探索AI口语学习工具，这也为英语口语的练习和提升提供了更多可能性。与此前不同的是，部分企业使用了虚拟教师形象。

5月，科大讯飞发布了讯飞星火认知大模型，在AI学习机中植入口语对话功能，6月初发布了“AI口语陪练老师”讯飞语伴APP。目前大模型已经迭代到3.0版本，首次发布启发互动式英语AI答疑辅学功能，升级百科问答助手功能。

同样在5月，百度推出小度青禾学习手机，搭载“小度灵机大模型”，可用于AI口语练习。2个月后，网易有道发布了国内首个教育领域垂直大模型“子曰”，其中包括虚拟人口语教练。

国际市场上，多邻国(Duolingo)早在今年3月推出Duolingo Max订阅服务，带有角色扮演（Roleplay）功能；Speak在语言学习应用程序中为用户提供AI口语伴侣服务；Chegg上线了AI会话学习伴侣CheggMate。

方正证券研报指出，教育或将成为“多模态”重要应用场景。“多模态”的出现应对了以往大语言模型没有“眼”“耳”“口”的问题，将AI的应用范围扩展到了一些难以用文字语言交流的场景。

在近日的YC Alumni Reunion 2023上，OpenAI CEO奥特曼直言看好AI在教育上的赋能，其认为AI个性化一对一辅导的社会价值十分巨大。方正证券判断，未来将在课本内容辅导、日常生活问答、实践教学指导、口语训练等方面实现突破。

初有成效但尚处于雏形阶段

Echo等应用刚刚起步

在众多产品中，网易有道对虚拟教师显得最为重视，除了应用于学习机等硬件之外，日前还专门上线了Hi Echo小程序和APP。

网易有道宣称Hi Echo垂直聚焦学习领域。为了提高仿真效果，网易有道将虚拟人设计为24岁的中国女性形象。据介绍，Hi Echo内置8种对话场景，涵盖了考试、职场、美食、旅行等68个话题。对话完成后，用户可以收到发音、语法评分，以及AI润色、AI建议和发音建议三方面的反馈报告。连续包月费用68元/月，年度会员费用为698元。

桃李财经体验发现，Hi Echo的互动体验有所提升，支持进行多轮对话，并擅长通过问句来推进对话。此外，Hi Echo的每一句话都附有中文翻译，有助于中国学生理解语境。

当问及兴趣爱好时，Hi Echo能够侃侃而谈，将自身定位于一名英语老师，谈论个人喜好。当询问旅游攻略时，Hi Echo则会追加个人偏好等问题，推荐个性化的景点和餐馆。

在结果报告中，“AI建议”部分指出对话中用户出现的错误类型，并在“AI润色”中进行针对性地修正，提供准确的表述。

教育大模型的语义理解能力、生成能力和逻辑推理能力增强，但在实际应用中仍有不足之处。Hi Echo需要5-15秒钟反应时间，语音识别不够精准，教育垂类优势不够明显，未来还需在语料库、连续会话能力、学习建议和针对性练习等诸多方面继续打磨。

“千人千面”的难题

至少面临六个层面的具象挑战

虚拟教师替代真人教师，教育大模型需要适配不同的学生和场景。但研发大模型并非易事，需要强大的数据、算法和算力支撑，不断通过深度学习和反馈强化学习等算法，优化大模型。在高度复杂的教育场景中，AI虚拟教师面临诸多挑战：

高质量的大数据需求

在大模型中，大数据是基础要素，需要喂养海量的数据资源。预训练和学习的模型参数的丰富度和数据颗粒度，直接影响虚拟教师对于学生表述的理解程度和输出质量。

例如，GPT-3模型规模和数据规模达到千亿量级。在猿辅导的大数据库中，积累了7亿+道全题型覆盖的题库、100万+个知识关系链路、300亿量级的学习大数据、50万+套真题数据、1.4亿+个原题及相似题精讲视频和1万+个细分知识点。

在英语口语练习场景中，大模型需要海量的语音交互素材训练，掌握用户画像和需求。但多数企业过去积累的数据多为图文类，在提升多模态能力方面挑战更大，投入成本更高。

算法、算力掣肘

大模型的训练需要大量的计算资源，包括CPU、GPU、TPU等，用于优化AI训练和推理，应用到自然语言处理（NLP）、计算机视觉（CV）、音视频、多模态等算法技术，生成各类交互模式。

算力资源有多重要？一个可供参考的数据是，满足GPT-3算力需求至少要上万颗英伟达GPU A100，一次模型训练总算力消耗约3,640PF-days（即每秒一千万亿次计算，运行3640天）。当下地缘政治风险提升，继2022年限芯令后，英伟达产品新禁售令已于10月23日生效，加剧了中国企业的算力紧缺问题。

如果算法、算力等底层计算资源的短板，无疑将影响AI虚拟教师的反应速度、深度理解和教育能力，以及改进其学习建议的质量。

核心在于拆解知识图谱和内容研发能力

虚拟人外形之下，内核在于拆解学科知识图谱和内容研发的能力。通过测验来评估学生学习情况，结合关联考点、易错点、难点及各类教学资源，分析背后成因，进行针对性练习，从而协助学生掌握知识点。

更高阶的是细化颗粒度，洞察学生的个体差异，运用多学科交叉知识，涉及到神经科学、认知科学、计算机科学、教育学等学科知识，来综合规划学习路径，真正实现因材施教。

受众之惑

虚拟口语教师在教育场景落地，面向的受众究竟是哪一类群体？成人、高低学龄段学生的关注内容和训练方式显然不同。

如今的AI虚拟教师应用仍然处于粗放式发展阶段，还没有看到清晰的目标用户画像和用户需求，内容研发和产品特色有待明确。毕竟，平台想要让用户“氪金”，必须提供专业化、系统化的服务来满足受众需求。

个性化学习的挑战

大模型在大数据中，对不同场景、语句进行分析，归纳总结出解决方案，目前AI教育的发展阶段其实是在找寻“千人一面”的体验。

如果要进入个性化自适应学习阶段，大模型需要采集的不只是获得的语音内容，还需要收集大量的外在行为、内在生理信号等多模态的学习数据，丰富可智能感知的特征，了解学生学情、学习能力、个性化需求和学习风格。

投入成本不菲

大模型无异于大型“吞金兽”，大规模的机器学习和训练推高了资金需求。国盛证券研报显示，GPT-3训练一次的成本约为140万美元，对于一些更大的LLM模型，训练成本介于200万美元至1200万美元之间。耗费巨资打造大模型后并非一劳永逸，还需要雄厚的财力维护、更新。