历史悠久且秘闻深厚的教诲学如今却处于被边缘化的尴尬田地，通用人工智能的兴起为教诲学复兴带来契机。
总体而言，人工智能分为专用(弱)人工智能和通用(强)人工智能两大分支，二者技能路线完备不同。
专用人工智能侧重对“智能”行为外在的仿照，通用人工智能则致力实现机器内在的思维和情绪，认为智能是一个别系在知识和资源相对不敷情形下的适应能力，强调自身履历对个体塑造的决定性浸染。
在教诲领域中，通用人工智能不仅破除了羁绊专用人工智能的技能崇拜与人文关怀迷失落两大问题，更表现了与人类教诲活动极相似的特色：首先是“教”，人类学习理论对通用人工智能系统的学习过程同样有效；其次是“育”，通用人工智能系统在学习时也同样须要借助履历积累来实现育化的效果。
因此，在通用人工智能的启迪下，教诲学将冲破“人”的先天束缚，在人类教诲理论与实践的根本上吸纳和统合机器教诲，在更宽广的“人—机”二元主体视角下探究教诲与学习的一样平常性规律，向“大学科”和“大科学”的方向迈进。

关 键 词：通用人工智能 AGI 教诲 教诲学 变革 机器教诲

来 源：《开放教诲研究》2018年1期

一、弁言

教诲与人类历史一样悠长，这门亘古就有的学问如今面临“空心化”和“被盘踞”的尴尬(陈桂生，2009)。
学科自傲源于理论自傲。
与物理、化学、医学等自然科学乃至经济学、法学、管理学等社会科学比较，教诲研究知识构造破碎，缺少专属话语系统，态度不明确且研究质量不高(刘燕楠，2016)。
于是，为了向自然科学及社会科学靠拢，教诲学开始引入科学的范式与研究方法，建构学科术语和观点。
但事与愿违，教诲学科地位非但没有得到学术共同体的认可，连合法性也深受质疑(毛金德，2016)，面临“衰退乃至解体的危险”(沃尔夫冈·布列钦卡，2006)。

教诲学的科学化及其学科存续的现实威胁，直接来自于学术边界的模糊化。
长久以来，教诲学研究者被“学校”这一时空框架(项贤明，2017)及人类学习者(Bieger,et al.,2017)所束缚，不仅将教诲学与学校教诲等同起来，同时也将教诲工具与人等同起来。
教诲学走在充满荆棘的道路上顾盼新契机，打算机科学技能每每扮演了关键角色：千禧年后，网络技能冲破“学校”的围墙，将教诲学从物理空间的束缚中解脱出来，实现了教诲的网络化飞跃。
大数据和虚拟现实技能的发展，又将这种解脱推向极致，推进了教诲的个性化和虚拟化。
遗憾的是，这些技能不仅没能让教诲学从迷失落中找到自身定位，反而令其支离破碎之势愈甚。
究其缘故原由，在人类中央主义代价不雅观的绑架下，教诲学被牢牢扣锁在“人”的囚笼内，教诲广袤的覆盖范围与狭窄的人类教诲实践之间构成了深刻的抵牾。

人工智能时期的到来，特殊是随着通用人工智能技能的崛起，教诲学正从“人”的牢笼中解放出来。
在通用人工智能的影响下，教诲学将迎来真正属于自己的“春天”：人们对教诲实质的追寻和核阅将跃升至更高层次，从而在更抽象的视角下探究和揭示教诲和学习的一样平常规律。

二、从专用人工智能到通用人工智能

人工智能(Artificial Intelligence，简称AI)，最初旨在表达“利用电子打算机仿照人类智力能力”，然而其字面含义远大于实际所指的情形(钟义信，2014)，不可避免地产生许多问题(毛航天，2016)。
“强”与“弱”两种不同的内涵分解便是个中之一，并对应着人工智能发展进程中两条不同的技能研究路线。
“弱人工智能”侧重于智能的用场，以打算为核心，借助算法“智能”地办理现实问题。
因而，此类智能具有相对性，表现为这种“智能”一旦为人们所习以为常，那么它看上去便不再那么智能。
“强人工智能”关注智能的实质，致力于对思维机器的理论建构及实现，其智能具有绝对性。
依照常日用法，弱人工智能也被称为专用人工智能(Special-purpose AI或Narrow AI)，强人工智能则被称为通用人工智能(Artificial General Intelligence，简称AGI)。

当古人工智能内涵理解的混乱现状，根源于人们对智能实质理解的差异。
我们认为，“智能”不是办理详细问题的能力，而是习得这些能力的元能力，即是否智能不在于能做什么，而在于在何种条件下做到。
进而提出，“智能”实质上是一个别系在知识和资源相对不敷情形下的适应能力(Hammer,et al.,2016)。
这种“相对不敷”表现在三个方面：(1)有限性。
智能系统只能依赖于有限的信息加人为本，比如处理器数目和速率以及存储空间容量。
对付智能机器人而言，有限性也包括能量储备和直接感知运动能力。
(2)实时性。
智能系统必须实时事情，新任务可能在任意时候到来且有时限哀求，因此多个任务会竞相争夺系统资源。
(3)开放性。
智能系统必须对未来履历持开放态度，新知识可能和已有知识相冲突，新问题也亦可超出系统的知识范围，但均不应导致系统瘫痪。

为了实现上述哀求，非公理化推演系统(Non-Axiomatic Reasoning System，简称NARS)工程采取了与专用人工智能完备不同的技能路线。
总体而言，NARS基于推理系统框架，包括逻辑和掌握两个部分(Wang,Li,et al.,2017)。
与数理逻辑致力于刻画从公理推出定理的证明过程不同，NARS的逻辑采取更靠近人类思维特点的“非公理化逻辑”(Non-Axiomatic Logic)，基本功能是根据系统履历确定观点的意义和陈述的真值。
掌握部分则卖力有效分配系统资源，在大量推理任务竞争有限资源的情形下，系统的韶光和空间均按竞争者(观点、任务、知识等)的优先程度进行调节，同时综合竞争者自身特色、系统对其以往效用的评价、与当前系统目标干系性等成分。

有趣的是，智能并非全知全能，智能系统一定会犯错。
NARS须要通过大量学习达到某个领域内的实用水平，乃至在达到这一水平落后修也不会停滞，在环境不断变革的情形下更是如此。
这种学习不仅限于知识的积累，也包括技能的习得和动机的蜕变。
只管NARS的初始动机由外界(设计者或用户)设定，但系统会从中天生派生动机，并自行掩护全体动机体系的折衷性和有效性。

三、从专用人工智能的机器学习到通用人工智能的机器教诲

表面上看，人工智能彷佛和教诲学相距甚远，实则不然。
不论专用人工智能还是通用人工智能都与教诲学关系密切。
只管干系研究极为匮乏，但机器学习和机器教诲的分解却逐渐明晰。

机器学习(Machine Learning，简称ML)是当代专用人工智能的技能核心，聚焦于从数据中创造规律的算法，将学习定义为演习履历对任务实行时性能改进的度量(Jordan,et al.,2015)。
机器学习最初仅是打算机科学的子领域，但随着统计学习带动下人工智能的兴盛，机器学习已成为具有严谨体系和理论根本的学科。
机器学习除了以回归、决策树、SVM、贝叶斯等算法为主的经典符号主义外，还有以深度学习和强化学习为核心算法的贯串衔接主义和行为主义两个分支(冯锐等，2010)。
只管机器学习运用甚广，深度学习和强化学习更是成效斐然，但此类“学习”仍过于狭窄：实质乃是空间搜索及函数泛化，实则将学习过程等同于打算过程，仅仅是在预设算法根本上输入输出的重新投射，并无多少智能可言(Fabio Ciucci,2017)。

比机器学习更进一步的是，通用人工智能面向机器教诲(Machine Education，简称ME)问题。
以NARS系统为例，相同的传授教化内容(待输入知识集)，一次性“填鸭”贯注灌注与分批渐次录入比较，其学习效果完备不同，后者更胜一筹；分批渐次录入与录入过程中应时向NARS发问比较又有很大差异，后者效果最为空想。
对付不同的传授教化内容，知识组织办法对学习效果影响甚大，学习材料由浅至深比由深至浅效果好，知识的模块化输入又比分散输入效果好。
由此可见，通用人工智能系统的学习理论，不仅涉及传授教化内容，同样涉及传授教化办法和方法。
因此，其已冲破“机器学习”算法的藩篱，跨入更为广袤的“机器教诲”层次之中。

上述“教”的问题，同时存在于专用人工智能及通用人工智能领域之中。
不过，教诲不仅仅只是“教”。
真正的教诲，既要“教”又要“育”。
对专用人工智能而言，其算法具有专用性，特定问题的办理有赖于特定算法及相应参数。
一旦演习完毕，输入输出之间的对应关系便确定下来，打算时不会发生改变。
专用人工智能的特点是“算法即教法”，因此有“教”而无“育”。
通用人工智能却“教”与“育”都兼顾。
通用人工智能之以是冠以“通用”二字，便是由于其不预设办理详细问题的任何算法。
从最月朔窍欠亨的机器婴儿到具备外部天下的基本知识，从大略的人机对话到节制一定的实用技能，从被动接管外部信息到按自身兴趣“量体而寻”，每个成型的通用人工智能系统皆是造就出来的，全体过程和人类培养后代一样，只是速率和效率不同而已。
不过，正所谓“近朱者赤近墨者黑”，通用人工智能系统的教诲经历对其道德判断和终极行为具有决定性影响。
在其发展之路上，“年夜大好人”能够造就出“好的”系统，“坏人”能造就出“坏的”系统。
由此可见，“教”和“育”二者皆不可偏废。

四、从专用人工智能的教诲迷失落到通用人工智能的教诲回归

教诲学特殊是教诲技能学，在以“大数据”为标志性特色的专用人工智能技能影响下受益匪浅，在理论和实践层面上都取得了显著进步，却存在着两方面的迷失落：

首先，技能上的迷失落，即技能崇拜，认为“大数据”及其剖析技能可以从根本上办理适应性传授教化、教诲规律创造和精准教诲管理支持等问题(孙洪涛等，2016)。
事实上，“大数据”技能体系存在理论和实践的双重短板：在理论上，“大数据”技能的理论支撑是概率论，对认识教诲规律和教诲管理等中不雅观、宏不雅观问题确实有效，但对个性化的适应性传授教化却帮助不大。
究其缘故原由，概率统计过程对样本均值非常敏感，打算过程便是一个离散的平滑过程，所得结论反响的总体特色实际上是通过对个案特色剪枝而来，由此导致总体结论无法有效反向还原至个体的详细特色，而个性化教诲正好须要对个体特色的创造和关注，这也正是“大数据”局限性之所在。
在实践中，“大数据”并不等同于“大的”数据，数据质量和代表性而非数量才是数据采集的紧张标准。
我国教诲机构只管在数据采集上实现全样本并不困难，但教诲问题的研究除了获取个体人口统计学变量、学业、学习行为外，还有学习者内心、差错、家庭及社会等诸成分。
事实上，后者对人的塑造作用不可小觑，而这些成分却根本无法穷举。
也便是说，姑且不论可能涉及的道德和法律问题，全样本纵然做到了研究工具全覆盖，但个体统计特色的提取依旧无法涵盖所有方面，教诲实践中真正的“大数据”实在难以做到。

其次，人文关怀的迷失落，即教诲者逐渐疏离学习者。
前辈的技能既能够提升学习者的学习效率，也可以为西席自动支配练习、批改作业乃至代授部分课程内容。
这种看似双赢的“智能”实际上存在着巨大的人文隐患。
西席、家长的教诲实际参与程度和参与韶光会变得越来越少，由于他们相信“大数据”和其他信息技能比自己更理解学习者，能更及时地参与并有效干预，教诲方法也更有针对性，教诲策略也更科学合理。
在这一认识勾引下，教诲者的教诲任务和教诲行为会在新系统、新工具和新装备的引入中逐渐被侵蚀。
然而，教诲不即是分数，教诲育人的代价导向在二十一世纪面临严厉的寻衅。

与专用人工智能的两个迷失落相反，通用人工智能迎来两个回归。
一方面，通用人工智能类似人脑，可以有效利用小数据，且结果总是可剖析、可阐明和故意义的，这是履历导向的技能回归；另一方面，通用人工智能本身的教诲特点，令人文关怀得以保持和传承，其强调教诲过程中教诲者和学习者双向交互和建构的主要性，彰显了人文精神的回归。
伴随强人工智能的涌现，智能系统的教诲问题也成为其功能研发的现实过程(Wang,2017)。
通用人工智能的教诲包含“传授教化”与“育化”两方面，前者指通用人工智能系统的机器教诲该如何实施，即“教材”和“教法”；后者是如何培养及规范“机器学生”的品行而与人为善，即传授教化过程中的“德育”。

对付“教材”和“教法”，机器教诲可以参照人类的教诲过程。
以NARS为例，在最初的系统测试和运行中，我们一开始沿用机器学习“灌数据”套路，经无数次失落败和调优后惊奇地创造，所有提升NARS学习效果的做法实在同样适用于人类。
这意味着一定存在比当下内涵更大也更为一样平常和普适的教诲范畴，这为教诲研究事情者开启了一扇通向新知的大门。
直至今日，NARS系统习得“新知”、获取“信念”、通过操作节制“技能”中，“由浅入深”及“应时适度”的人类传授教化原则仍被恪守。
然而，须解释的是，与人类相仿，“知道”并不虞味着“懂得”。
通用人工智能系统不仅可以为自己设定目标，其背后所依据的信念也可以发生变革。
大略地输入并授予高信度的“爱护人类”“掩护地球和平”等知识只管大略易行，但这种缺少理解的知晓也只是教条而已，实效欠佳。
德行不是说教而是通过履历积累和塑造的，“育”乃是一个人类和通用人工智能系统共同存在的操作性难题。

五、通用人工智能引发教诲学改造与飞跃

实际上，专用人工智能和通用人工智能的学习活动，以及通用人工智能所独占的教诲活动，已经打破“人类教诲”的局限。
“机器教诲”所凸显的一系列崭新问题，在极大拓宽教诲学学科边界的同时也深化了其内涵和外延，令人们对教诲的核阅跃升至新的层面，在更广阔的视角下核阅教诲的根本问题。
通用人工智能在微不雅观与宏不雅观两个层面上对教诲学产生深远影响，引发传统教诲学的改造与飞跃。

从微不雅观层面看，教诲学的改造在于学科内部的充足与重构。
首先，教诲的主客体将发生重大变革，智能系统(为便于阐释，本节将其简称机器)的引入使教诲者和学习者从单一的人类延伸至机器，教诲的主客体成为了“人—机”的二元构成。
其次，教诲学的研究工具也将发生重大改变，即研究工具为智能主体(人和机器)的教诲活动及规律。
继而，教诲学的研究目标也将更为明晰。
由于教诲行为不但为人类所专属，因此其目标事实上是探究教诲和学习最为一样平常的规律。
末了，教诲学的基本理论亦须要重构，在学理层面上吸纳并统合人类学习理论和机器学习理论，在实践层面上则要建立“人教人、人教机器、机器教人、机器教机器”平分歧传授教化情境的适应性教诲实践理论(刘凯，2017)。
举例来说，新一代AlphaZero仅用不到一天的韶光练习(自我对弈)，便接连击败了国际象棋、围棋和将棋①三个天下冠军级的程序(Silver,et al.,2017)。
从依仗人类知识发展的AlphaGo到完备“白手起身”自学成才的AlphaZero，为何对人类精华知识的学习反而阻碍了机器对知识的节制和利用?个中影射出一个客不雅观存在却尚未得到足够关注的事实：机器自身确实具有独特的学习能力，不能完备照搬照抄人类的学习履历。
反过来，人类又如何才能解读、理解并向机器学习技艺呢?前者是人教机器，后者为机器教人，这些皆为未来必须面对和解决的教诲新课题。

从宏不雅观层面看，教诲学的飞跃来自对学科的重新认知及学科自傲的提升。
教诲能够、该当、也一定成为一门科学。
从学科内涵统辖性和外延扩展性上看，并非所有学科都拥有同样的竞争力。
从目前来看，真正能够成为“大科学”的只有生命科学、智能科学和教诲科学三者。
如果生命被算作是一种生存能力，那么不仅人类、动植物和微生物拥有生命，打算机病毒也具有这种能力。
智能是一种聪慧的适应能力，并非人类独占，通用人工智能系统同样拥有智能。
只管能力的表示须要依赖具身载体，但生命和智能实质却是抽象的。
与此类似，教诲的实质也是一种能力。
生命和智能反响的是个体能力，教诲反响的是联结个体的整体能力，这种能力最为刁悍，若没有教诲也就没有生命的演替和智能的演进。
事实上，教诲学才是社会科学中最广博、最深刻和影响最深远的学科。
从学科发展进程看，生命科学已然成熟，智能科学朝阳东升，教诲科学却是尚待开垦的一片沃土。
许多看似泾渭分明的学科界线可能会因教诲科学的涌现而被冲破，比如精神病学和宗传授教化：在精神病学中，烦闷症、精神分裂等重性精神疾病的病因迄今不明，如果从教诲科学视角出发，便可以将精神障碍的发病过程视为病患与自我和社会的教诲过程，其治疗过程实质也是一种再教诲过程，可以利用通用人工智能系统仿照病患精神非常的动态发展过程，从而极大地提高诊断和治疗的效率；在宗传授教化中，作为剖析精神天下的实证工具，通用人工智能系统乃至能够直接展示特定主体在没有充分证据佐证的条件下，因生理动力将某个信念升级为崇奉的内在教养过程。
更进一步来说，不同宗教教义有着若何不同的教养诉求和路径，外来宗教对(本国或本地区)已有宗教有何种影响，能否及如何在个体层面上借助教诲树立或改变人的崇奉，这些传统难题都可以在教诲科学的框架内加以定量探究。

六、结语

与主流的专用人工智能不同的是，通用人工智能的理性只能是一种“相对理性”，系统中所有来自过去履历的知识都可能被未来履历寻衅，问题办理时没有韶光充分顾及所有干系知识，也无法担保有效结论的绝对性。
因此，机器教诲已不再是个遥不可及的问题。
从一样平常意义上讲，智能系统的能力该当来自履历，而教诲正是通过掌握系统履历塑造系统知识、技能、动机构造最直接的手段，毕竟这种“社会性遗传”比“生物性遗传”更高效同时有更强的适应性。

从未有过任何学科，能够像教诲学一样，对人类文明的延续有如此重大的浸染；也从未有过任何学科，能够像教诲学一样，对人类的未来有如此之大的影响力。
在通用人工智能的推动下，教诲学必将完成从传统走向当代、从学科走向科学的华美跃升。
推陈出新，延循“大科学”之路，屈服“大视野”之势，教诲学大复兴和大兴盛的历史进程已经开启。

参考文献

[1]Bieger,J.,Thórisson,K.R.,& Steunebrink,B.R.(2017).The pedagogical pentagon:A conceptual framework for artificial pedagogy[A].International conference on artificial general intelligence[C].Springer,Cham:212-222.

[2]陈桂生(2009).教诲学的建构(增订版)[M].上海：华东师范大学出版社：29.

[3]Fabio Ciucci(2017).Deep learning is not the AI future[EB/OL].[2017-11-23].http://www.kdnuggets.com/2017/08/opinions-interviews.html.

[4]冯锐，张君瑞(2010).人工智能研究进路的范式转化[J].当代远程教诲研究，(1)：14-17.

[5]Hammer,P.,Lofthouse,T.,& Wang P.(2016).The open NARS implementation of the non-axiomatic reasoning system[A].International conference on artificial general intelligence[C].Springer International Publishing:160-170.

[6]Jordan,M.I.,& Mitchell,T.M.(2015).Machine learning:Trends,perspectives,and prospects[J].Science,349(6245):255-260.

[7]刘燕楠(2016).抵牾与困惑：当前教诲研究问题的哲学反思[J].教诲研究，37(9)：11-18、50.

[8]毛金德(2016).我们须要什么样的教诲学[J].教诲学报，12(1)：21-28.

[9]毛航天(2016).人工智能中智能观点的发展研究[D].华东师范大学：1-5.

[10]项贤明(2017).论教诲学的边界[J].教诲研究，38(6)：12-19、31.

[11]沃尔夫冈·布列钦卡(2006).教诲知识的哲学[M].杨明全等译，上海：华东师范大学出版社：1-2.

[12]刘凯(2017).教诲学在人工智能研究中的浸染[N].中国社会科学报，2017-10-10(5).

[13]孙洪涛，郑勤华(2016).教诲大数据的核心技能、运用现状与发展趋势[J].远程教诲杂志，34(5)：41-49.

[14]Wang,P.,Li,X.,& Hammer,P.(2017).Motivation and emotion in NARS[J].Journal of Artificial General Intelligence,8(1):1-30.

[15]Wang,P.(2017).Education and intelligence[EB/OL].[2017-11-28].https://cis.temple.edu/～pwang/GTI-book/GTI-CH5/GTI-5-5.html.

[16]Silver,D.,Hubert,T.,Schrittwieser,J.,Antonoglou,I.,Lai,M.,Guez,A.etc..Mastering chess and shogi by self-Play with a general reinforcement learning algorithm.arXiv:1712.01815[cs.AI].

胡祥恩

胡祥恩教授是美国孟菲斯大学生理学系、电子打算机工程系、打算机科学系教授，智能系统研究院高等研究员，美国前辈分布式学习孟菲斯实验室主任，华中师范大学生理学院院长、中国青少年网络生理与行为教诲部重点实验室高等研究员，研究领域包括数学生理学、实验设计与统计、生理学、人工智能和智能导学系统。