人工智能教育應用的現狀分析、典型特征與發展趨勢

梁迎麗 劉陳

摘要：新技術浪潮洶涌而至。大數據、并行計算和深度學習驅動人工智能技術飛速發展，并重塑教育新形態。人工智能教育應用現狀與發展趨勢研究有助于推動技術與教育的深度融合發展。該文從技術發展的角度回顧了人工智能的發展歷程，概述了人工智能發展史上的三次浪潮，揭示了人工智能的三大要素與驅動力，闡述了人工智能在教育領域中的四大具體應用形態，分析了人工智能教育應用的五大典型特征，并指出其未來的發展趨勢，最后歸納并構建了人工智能與教育的融合創新發展體系，旨在為我國人工智能與教育的融合發展提供理論指導。

關鍵詞：人工智能；深度學習；ITS；自動化測評；教育應用

中圖分類號：G434 文獻標識碼：A

大數據應用方興未艾，人工智能已悄然而至。人工智能已逐漸滲透到社會的各個領域，引起經濟結構、社會生活和工作方式的深刻變革，并重塑世界經濟發展的新格局。人工智能在全球發展中的重要作用已引起國際范圍內的廣泛關注和高度重視，多個國家已將人工智能提升為國家戰略，出臺了相關政策和規劃，力爭搶占科技的制高點。美國先后頒布了《為人工智能的未來做好準備》和《國家人工智能研發戰略規劃》，歐盟委員會制定了SPARC機器人創新計劃，英國和德國政府分別制定了“現代工業戰略”和“工業4.0”計劃，日本政府規劃了人工智能產業化路線并部署了超智能社會。我國政府于2017年7月8日發布了《新一代人工智能發展規劃》，指明了我國發展人工智能的重點任務，并對發展規劃進行了全面部署，這是我國“搶占信息化制高點，增加國際話語權”的重要戰略舉措。

在人工智能浪潮的沖擊和影響下，教育領域正在經歷一場深層次變革，技術正在重塑教育的新形態。在此背景下，研究如何應用新技術推動教育事業的發展具有重要意義。教育技術領域已經涌現出一批相關研究，集中表現為人工智能內涵、技術與應用等內容的概述，如探討了人工智能教育應用的熱點問題；側重對美國政府兩個人工智能報告的解讀，分析了教育人工智能的內涵、關鍵技術與應用趨勢；探索了機器學習在教育中的應用；分析了人工智能與STEM等課程的融合；構筑了人工智能+教育的生態系統。已有研究揭開了人工智能的神秘面紗，為后續研究奠定了基礎。然而，技術在其產生、發展與應用中存在一定的客觀規律。人工智能發展到今天，其原因何在？教育領域中的人工智能有何不同？這些問題驅動著對人工智能的進一步深入研究。因此，有必要回顧人工智能的產生與發展歷程，立足于人工智能技術在教育領域中的應用現狀，剖析其在教育應用中的典型特征，并把握其未來發展趨勢，為推動我國人工智能與教育的融合創新發展提供理論指導。

一、人工智能的發展歷程與核心驅動力

（一）人工智能的三次浪潮

人工智能起源于1956年美國達特茅斯學院舉辦的夏季學術研討會。在這次會議上，達特茅斯學院助理教授John McCarthy提出的“人工智能（Artificial Intelligence，AI）”這一術語首次正式使用。之后，人工智能的先驅艾倫·圖靈提出了著名的“圖靈測試”：在人機分隔的情況下進行測試，如果有超過30%的測試者不能確定被試是人還是機器，那么這臺機器就通過了測試，并被認為具有人工智能。圖靈測試掀起了人工智能的第一輪浪潮。在人工智能研究方法上，以抽象符號為基礎，基于邏輯推理的符號主義方法盛行，其突出表現為：在人機交互過程中數學證明、知識推理和專家系統等形式化方法的應用。但在電子計算機誕生的早期，有限的運算速度嚴重制約了人工智能的發展。

20世紀80年代，人工智能再次興起。傳統的符號主義學派發展緩慢，有研究者大膽嘗試基于概率統計模型的新方法，語音識別、機器翻譯取得了明顯進展，人工神經網絡在模式識別等領域初露端倪。但這一時期的人工智能受限于數據量與測試環境，尚處于學術研究和實驗室中，不具備普遍意義上的實用價值。

人工智能的第三次浪潮緣起于2006年Hinton等人提出的深度學習技術。ImageNet競賽代表了計算機智能圖像識別領域最前沿的發展水平，2015年基于深度學習的人工智能算法在圖像識別準確率方面第一次超越了人類肉眼，人工智能實現了飛躍性的發展。隨著機器視覺研究的突破，深度學習在語音識別、數據挖掘、自然語言處理等不同研究領域相繼取得突破性進展。2016年，微軟將英語語音識別詞錯率降低至5.9%，可與人類相媲美。如今，人工智能已由實驗室走向市場，無人駕駛、智能助理、新聞推薦與撰稿、搜索引擎、機器人等應用已經走進社會生活。因此，2017年也被稱為人工智能產業化元年。

（二）人工智能的三大要素與核心驅動力

回顧人工智能的發展歷程，在三次浪潮的浮浮沉沉中，人工智能不斷突破并接近自身的目標：能夠根據對環境的感知，做出合理的行動，從而獲得最大收益。從人工智能的發展歷程來看，不難看出，運算力、數據量和算法模型是人工智能的三大要素。如圖1所示，人工智能具體應用的實現，如語音識別和圖像識別等，需要先賦予機器一定的推理能力，然后它才能做出合理的行動。而這種推理能力，源自于大量的應用場景數據集。通過使用大量的數據對算法模型進行一定的訓練，機器才能夠根據算法做出具有類人智能的判斷、決策和行為。奠定了的堅實基礎。

人工智能在逐步發展完善自身理論與方法，以及尋求外部動力的過程中螺旋式上升發展。從圖靈測試理論的提出到無人駕駛汽車自動上路行駛，從實驗室的“封閉世界”到外部“開放世界”的安全過渡，大數據、云計算和深度學習這三大核心驅動力，共同促成了人工智能的突破性進展。

1.大數據

人工智能建立于海量優質的應用場景數據基礎之上。訓練數據的數量、規模和質量尤為重要，豐富的海量數據集是算法模型訓練的前提。甚至有觀點認為，擁有更海量的數據比擁有更好的算法更重要。受益于移動互聯網的發展和多樣化智能終端的普及，以及物聯網的發展和傳感器的大量應用，源自各種設備及互聯網應用的數據急劇增加，大數據迅速發展。大數據處理技術能在很大程度上提高人工智能訓練數據集的質量，并能優化存儲和管理標注后的數據。因此，可以說，海量數據是機器智能的源泉，大數據有力地助推了機器學習等技術的進步，在智能服務的應用中釋放出無限潛力。

2.并行計算

人工智能發展過程中，有限的運算能力曾是制約人工智能發展的主要瓶頸。從電子計算機出現的早期至今，機器的運算處理能力不斷提升，為人工智能的發展提供了極大的動力支持。云計算在虛擬化、動態易擴展的資源管理方面的優勢，GPU等人工智能專用芯片的出現，奠定了人工智能在大規模、高性能并行運算的軟硬件基礎，推動數據處理規模和運算速度的指數級增長，極大地提高了算法執行效率和識別準確率。

3.深度學習

數據和硬件是人工智能的基礎，而算法是人工智能的核心。人工智能發展史上，兩個轉折點尤其值得關注。一個是研究方法由符號主義轉向統計模型，自此開辟了人工智能發展的新路徑；另一個是深度學習憑借絕對優勢，顛覆了其他算法設計思路，突破了人工智能的算法瓶頸。深度學習即深度網絡學習，它受人類大腦神經結構的啟發，由一組單元組成，每個單元借由一組輸入值而產生輸出值，該輸出值又繼續被傳遞到下游神經元。深度學習網絡通常使用許多層次，且在每層使用大量單元，以便識別海量數據中極其復雜和精確的模式。深度學習將人類程序員從構建模型的復雜活動中解放了出來，并提供一種更優化、更智能的算法，能夠自動從海量數據庫中進行自我學習，自動調整規則參數并優化規則和模型，識別準確率極高。自學習狀態已成為機器學習的主流方法。

二、人工智能教育應用的現狀分析

邏輯推理、知識表示、規劃和導航、自然語言處理和感知是人工智能的主要問題空間。在教育問題解決與應用中，人工智能主要有四大應用形態：智能導師系統、自動化測評系統、教育游戲與教育機器人。

（一）智能導師系統

智能導師系統（Intelligent Tutoring System，ITS）由早期的計算機輔助教學發展而來，它模擬人類教師實現一對一的智能化教學，是人工智能技術在教育領域中的典型應用。典型的智能導師系統主要由領域模型、導師模型和學習者模型三部分組成，即經典的“三角模型”。領域模型又稱為專家知識，它包含了學習領域的基本概念、規則和問題解決策略，通常由層次結構、語義網絡、框架、本體和產生式規則的形式表示，其關鍵作用是完成知識計算和推理。導師模型決定適合學習者的學習活動和教學策略，學習者模型動態地描述了學生在學習過程中的認知風格、能力水平和情感狀態。事實上，ITS的導師模型、學習者模型和領域模型正是教學三要素——教師、學生、教學內容的計算機程序化實現，其互相關系如圖2所示。其中，領域模型是智能化實現的基礎，教學模型則是領域模型和學生模型之間的橋梁，其實質是做出適應性決策和提供個性化學習服務。教學模型根據領域知識及其推理，依據學習者模型反映的學習者當前的知識技能水平和情感狀態，做出適應性決策，向學習者提供個性化推薦服務，如圖3所示。

ITS尊重學習者的個性特征，如學習風格、興趣、特長等，滿足學習者的個性化需求。ITS根據學習者模型所刻畫的個性特征，向其提供個性化的學習路徑、學習資源和學習同伴等資源。美國國防高級研究計劃署贊助開發的一種使用人工智能來模擬專家和新手之間的互動的數字導師系統，能夠幫助學習者獲得所需的技能，將海軍新兵訓練成為技術技能專家所需的時間從幾年減少到幾個月。

近年來，情感、元認知和動機等研究越來越受重視，神經科學、認知科學、心理學和教育學的研究表明，情感狀態在一定程度上影響了學生的學習效率和態度，消極的情感狀態會阻礙學生的思考過程，而積極的情感為學生的問題解決和創新進步提供有利的條件。然而，情感缺失一直是ITS中存在的突出問題。ITS通過與學生的交互實現情感的感知、識別、調節與預測。根據學生情感的來源，如面部表情、聲音等可察因素，及可測量的行為等，采用傳感器等技術獲取數據，根據相關科學模型，應用人工智能的方法與技術，綜合運用心理學和認知科學等知識進行情感推理，也稱之為情感識別或情感計算。研究表明，系統通過對話的方式對學生進行的情感調節具有積極效果。

ITS中教學模型模擬人類教師實現一對一個性化教學的過程即是適應性教學策略選取和個性化資源推薦算法的實現過程，適應性教學策略選擇是資源個性化推薦的前提。在適應性教學策略的選擇方面，這種適應性表現為多個層次：從適應性應答學生的表現，適應學生的知識水平，幫助學生取得具體目標，到對學生的情感狀態做出適應性干預調節，提供適應學生元認知能力的幫助。事實上，ITS要模擬人類教師憑借經驗進行決策的復雜過程，具有一定難度。而人工智能引發了教育領域的數據革命和智能化革命，數據驅動的智慧教學與智能決策正在成為教育教學的新范式。

（二）自動化測評系統

評價是教學活動的重要組成部分。自動化測評技術的應用引發了評價方法和形式的深刻變革。自動化測評系統能夠實現客觀、一致、高效和高可用的測評結果，提供即時反饋，極大地減輕教師負擔，并為教學決策提供真實可靠的依據。

1.ICT技能與程序作業的自動化測評系統

ICT技能培訓與程序設計是計算機教育領域中的重要內容。ICT技能是信息時代的基本素養。文字編輯、電子表格數據處理、收發郵件、制作演示文稿和網頁等技能的學習和培訓過程中，ICT自動化測評系統所構建的信息模型通過信息獲取、知識推理和綜合評價三個步驟，動態跟蹤用戶的操作行為，并對操作過程進行診斷、評價和反饋，極大地提高了學習效率。

計算機程序設計是培養計算思維的有效途徑，程序作業通常由學生上機完成。程序設計語言有其自身的語法規則。動態程序測評能夠獲取程序的編譯和運行時信息，分析程序的行為和功能，從程序的功能和執行效率出發，展開綜合評價。而靜態程序測評，如圖4所示，首先對程序代碼進行信息提取，然后將程序進行中間形式表示，預測程序所有可能的執行路徑與結果，利用知識發現技術實現對程序的評價。目前，國內外已經實現自動化測評的程序設計語言包括Java、C/C++、Python和Pascal，以及匯編語言、腳本語言和數據庫查詢語言等。

中間形式表示

2.自動化短文評價系統

短文寫作是當前很多標準化測試的基本要求。隨著人工智能技術的發展，自動化短文評價（Automated Assessment nf Essays and Short Answers）運用自然語言處理技術和機器學習等技術實現對短文本的計算分析和語義理解。美國教育考試服務中心（Educational Testing Service，ETS）設計和舉辦多項大型標準化考試，如TOEFL、SAT、GRE等。ETS始終致力于測評理論、方法和技術的研究，尤其在自動化測評領域一直處于前沿。目前，ETS已經實現了語音、短文、數學等領域的自動化評價與反饋。在其產品中，TextEvaluator是一種全自動化的基于Web的技術工具，旨在輔助教師、教材出版商和考試開發人員選取用于學習和測試的文本段落。TextEvaluator超越了傳統的句法復雜性和詞匯難度的可讀性維度，解決了由于內聚性、具體性、學術導向、論證水平、敘述程度和交互式對話風格的差異而導致的復雜性變化。另外，E-rater引擎用于學生作文的自動化評分和反饋。在設定了評價標準之后，學生可以使用E-rater的反饋來評估他們的寫作技巧，并確定需要改進的地方。教師可用來幫助學生獨立發展自己的寫作技巧，并自動獲得建設性的反饋意見。除了提供短文的整體得分，E-rater還提供關于語法、寫作風格和組織結構等的實時診斷和反饋。

3.自動化口語測評系統

自動化口語評價運用語音識別等技術實現了多種語言口語語音的自動化測試與評價，圖5展示了基于移動智能終端和測評云服務的口語學習系統架構，其中聲學模型和語言學模型是語音識別的關鍵。ETS的SpeechRater引擎是英語口語測評方面應用最廣泛的測評引擎之一。其測評任務并不限定范圍和對象，開放性是其最大特點。該引擎可以用于提高發音可靠性、語法熟練度和交際的流利程度。SpeechRater引擎使用自動語音識別系統處理每個響應，該系統特別適用于母語非英語的學習者。基于該系統的輸出，使用自然語言處理和語音處理算法來計算在許多語言維度上定義語音的一組特征，包括流利性、發音、詞匯使用、語法復雜性和韻律。然后將這些功能的模型應用于英語口語測評，最終得出分數并提供反饋建議。

對于我國的英語教學來說，言語環境匱乏是當前制約學生英語口語學習的最大障礙，口語評價難度較大且時效性差更加加劇了英語口語教與學的難度。科大訊飛依托語音技術的強勁優勢，所開發的聽說智能測試系統、英語聽說智能考試與教學系統和大學英語四六級口語考試系統可以用于促進英語聽說訓練和自動化測試與反饋。另外，普通話模擬測試與學習系統和國家普通話智能測試系統在推廣普通話及相關考試方面發揮著重要作用。

（三）教育游戲

游戲智能是人工智能研究內容的一部分。運用深度學習技術的AlphaGo大勝人類職業圍棋選手，標志著人工智能技術的又一次飛躍。在教育應用領域中，計算機和視頻游戲不僅僅提供一種娛樂方式，更能推動玩家在游戲中獲得新的知識和技能。教育游戲具有明確、有意義的目標，多個目標結構，評分系統，可調節的難度級別，隨機的驚喜元素，以及吸引人的幻想隱喻。教育游戲通過構建充分開放的游戲框架和環境，提供一種觀察和認識世界的新視角。益智游戲玩家不僅使用游戲工具解決問題，而且還使用自己的知識和技能。在角色扮演中，玩家必須在惡劣的環境中生存和獲得新的知識。在所有這些情況下，對周圍空間的詳細研究等活動都是對玩家的注意力、耐心、專業知識和邏輯思維的考驗與鍛煉。例如，芝加哥科學與工業博物館的網站允許游客玩“生存模式”的游戲。該游戲專為青少年設計，專注于研究在極端情況下發生在人體內的主要身體系統的變化過程。游戲玩家不僅克服了許多障礙，還了解了人體的結構。另外，青少年學會使用鼠標和手寫筆學習撰寫簡單的生存搜索等機器人程序。

（四）教育機器人

教育機器人在教學中的應用越來越普遍。一方面，教育機器人可以培養和發展學生的計算思維能力。越來越多的學校正在引進教育機器人作為創新的學習環境，用于提高和建立學生的高層思維能力，作為提高學生學習動機和抽象概念理解的補充工具，幫助學生解決復雜的問題。另一方面，教育機器人具有多學科性質，提供建設性的學習環境，有助于學生更好地理解科學知識，在科學、技術、工程和數學（STEM）教育方面發揮著重要作用。在STEM教學方面，機器人可以協助教師實現工程和技術概念的真實應用，將現實世界中的科學和數學概念進行具體化，有助于消除科學和數學的抽象性。事實上，各種教育機器人的應用推動了科學、技術、工程和數學在教學的改進，機器人固有的靈活性使其在STEM不同教育場景中的應用取得了成功。此外，使用機器人教學有助于增強批參與者的判性思維，促進團隊合作，提高溝通交流能力和創新能力。

三、人工智能教育應用的典型特征與發展趨勢

人工智能通過知識表示、計算與理解，可以模擬人類教師實現個性化教學；依托于問題空間理論，實現知識和技能的自動化測量與評價；借助于自然語言處理與語音識別技術，解決文本和口語語音的詞法分析、語法判別和語義理解；通過教育游戲和教育機器人，以智能增強的方式賦予“寓教于樂”以新的內涵。進一步深入分析人工智能教育應用的典型特征，并把握其未來發展趨勢是推動人工智能教育應用的必要條件。

（一）五大典型特征

人工智能在教育應用中的典型特征突出體現在以下五個方面：

1.智能化

智能化是教育信息化的發展趨勢之一。海量數據蘊藏著豐富的價值，在知識表示與推理的基礎上，構建算法模型，借助于高性能并行運算可以釋放這種價值與能量。未來，在教育領域將會有越來越多支持教與學的智能工具，智慧教學將給學習者帶來新的學習體驗。在線學習環境將與生活場景無縫融合，人機交互更加便捷智能，泛在學習、終身學習將成為一種新常態。

2.自動化

與人相比，人工智能更擅長記憶、基于規則的推理、邏輯運算等程序化的工作，擅長處理目標確定的事務。而對于主觀的東西，如果目標不夠明確，則較為困難。如數學、物理、計算機等理工科作業，評價標準客觀且容易量化，自動化測評程度較高。隨著自然語言處理、文本挖掘等技術的進步，短文本類主觀題的自動化測評技術將日益成熟并應用于大規模考試中。教師將從繁重的評價活動中解放出來，從而有精力專注于教學。

3.個性化

基于學習者的個人信息、認知特征、學習記錄、位置信息、媒體社交信息等數據庫，人工智能程序可以自學習并構建學習者模型，并從不斷擴大更新的數據集中調整優化模型參數。針對學習者的個性化需求，實現個性化資源、學習路徑、學習服務的推送。這種個性化將越來越呈現出客觀、量化等特征。

4.多元化

人工智能涉及多個學科領域，未來的教學內容需要適應其發展需要，如美國已經高度重視STEM學科的學習，我國政府高度重視并鼓勵高校擴展和加強人工智能專業教育，形成“人工智能+X”創新專業培養模式。從人才培養的角度分析，學校教育應更強調學生多元能力的綜合性發展，以人工智能相關基礎學科理論為基礎，提供基于真實問題情境的項目實踐，側重激發、培養和提高學生的計算思維、創新思維、元認知等能力。

5.協同化

短期來看，人機協同發展是人工智能推動教育智能化發展的一種趨勢。從學習科學的角度分析，學習是學習者根據自己已有的知識去主動構建和理解新知識的過程。對于人工智能來說，新知識是它們所無法理解的，所以這種時候學習者就需要教師的協同、協助和協調。因此在智能學習環境中，教師的參與必不可少，人機協同將是人工智能輔助教學的突出特征。

（二）發展趨勢

人工智能在教育中的應用特征為推動人工智能與教育的融合創新發展指明了方向。在當前國家大力發展人工智能的政策引領下，不僅要從本質上認識人工智能的核心要素與驅動力，把握其典型應用特征，還要能夠順應其發展趨勢。以數據驅動引領教育信息化發展方向，以深化應用推動教育教學模式變革，以融合創新優化教育服務供給方式，將是人工智能教育應用的未來發展趨勢，也是人工智能時代教育發展的鮮明任務和重要機遇。

1.以數據驅動引領教育信息化發展方向

人工智能技術在教育領域的深入應用，推動著信息技術與教育的融合創新發展。縱觀人工智能在教育領域的應用發展歷程，從早期基于規則的知識表示與推理，到今天基于深度學習的自然語言處理、語音識別與圖像識別，“智能”的習得已經由早期的專家賦予演變為機器主動學習獲取。除了算法模型的顯著改進，作為模型的訓練數據集，大數據為人工智能添加了十足的動力燃料。大數據智能以數據驅動和認知計算為核心方法，從大數據中發現知識，進而根據知識做出智能決策。數據已經成為產業界爭奪的焦點，數據驅動的智能決策與服務已經成為學術界研究的熱點。在教育領域，數據可以解釋教育現象，也可以揭示教育規律，并能夠預測未來趨勢。數據驅動的方法推動著教育研究從經驗主義走向數據主義和實證主義。因此，教育數據革命已經到來。數據驅動的人工智能將引領教育信息化發展的新方向。

2.以深化應用推動教育教學模式變革

人工智能在教育領域取得如此大的成就，技術引領是關鍵。同時，不難看出，人工智能在教育領域的應用具有較強的場景性，也就是說，這種應用是針對教育實踐活動中的具體問題而展開的，具有明確的問題空間和目標導向。也因此，這種由應用驅動的技術與教育的融合發展，是技術在教育領域中的一種深入應用。如自動化口語測評中，針對具體的語言語音對象，在語音識別技術的基礎上，應用語音測評技術實現對學生口語的自動化評價。人工智能技術在教育領域的深化應用，創設了強感知、高交互、泛在的學習環境，為學生的知識建構活動提供了良好條件，為創新型教學模式的發現和運用提供了空間。

3.以融合創新優化教育服務供給方式

人工智能在教育領域中的應用實現了跨學科、跨領域和跨媒體的融合創新。人工智能與神經科學、認知科學、心理學、數學等相關基礎學科的交叉融合，聯合推動了教育人工智能技術的發展和應用。同時，人工智能本身的發展，離不開人工智能教育和培訓。而這種教育更需要建立于STEM學科融合的基礎之上。人工智能與教育兩者相輔相成，互相促進。跨領域推理融合了多個領域的數據與知識，奠定了強大的智能基礎。跨媒體感知計算以智能感知、場景感知、視聽覺感知、多媒體自主學習等理論方法為依托，旨在實現超人感知和高動態、高緯度、多模式分布式大場景感知。人工智能技術與教學內容、教學媒體和知識傳播路徑的多層次融合，突破了傳統教育方式的限制，提供跨學科、跨媒體、跨時空的智能教育服務供給，是建設“人人皆學、處處能學、時時可學”學習型社會的有效途徑。

基于上述人工智能在教育中的主要應用與典型特征分析，本文提出如圖6所示的人工智能與教育融合發展體系。在大數據和深度學習等技術的重要支撐下，人工智能關鍵技術的突破，推動了人工智能在教育領域中的多樣化應用形態，并提供了更智能的學習服務與體驗，呈現出智能化、自動化、個性化、多元化和協同化的特征與趨勢。在服務監控與治理的保障下，以政策為引領，牢牢把握“應用驅動”的基本原則，進而展開理論和技術研究，是推動人工智能與教育融合創新發展的重要路徑。

四、結束語

本文回顧了人工智能的發展歷程，揭示了人工智能的三大內部要素與外部驅動力。結合人工智能技術在教育中的四大具體應用形態，深入分析了人工智能教育應用的五大典型特征，并據此指出其未來的發展趨勢，最終將上述內容進行歸納總結，構建了人工智能與教育融合創新發展體系，旨在為我國人工智能與教育的融合發展提供理論指導。

人工智能技術正在推動教育信息化的快速發展。然而，在推進人工智能教育應用的過程中，還有很多具體問題值得探討，亟待解決。如訓練人工智能算法模型需要開放教育大數據，但會涉及到個人隱私暴露等信息安全問題；相關技術在教學與考試中的應用，可能需要政策和制度的同步完善；人工智能在提高教學效率和推動教育公平的同時，是否也會造成數字鴻溝的增大；未來的教師和學生、教育研究、教育管理和規劃等該如何適應人工智能帶來的諸多變革等。面對全球智能化發展趨勢及其挑戰，教育必須積極主動地調整自身發展，借助現有技術的優勢與潛能，實現服務社會經濟發展的功能。