一、教育系统的可计算

教育系统到底可不可以计算？教育系统中哪些领域可计算？哪些领域不可计算？计算的边界又在哪里？教育系统的可计算既是一个复杂的哲学问题，又是一个实践性的问题。如果教育系统是可计算的，那么其数理基础是什么？教育系统中包括两个非常重要的方面：一是研究对象——人，二是研究场景——开放复杂。从数理角度来看，教育的研究对象是多尺度的，同时由于研究对象在学习和认知建构过程中涉及很多内容，因此其研究场景是高维度的。从目前的实践我们可以得出，以深度学习为代表的方法，有助于我们理解高维空间，从而揭示复杂的系统机理。由此可以看出，数理基础是实现教育系统可计算的重要挑战之一。

二、学习主体的可建模

如何建模学习主体，是实现教育系统科学认知和“人工智能+教育”纵深发展最主要的挑战。实现学习主体的可建模，我们需要思考两个问题。一是认知黑箱。破解认知黑箱是实现学习主体建模的根本任务。智能教学环境下学习理论机理不明晰，难以洞察外显行为背后复杂的认知规律。因此，如何有效融合多源、多模态等多维信息，全面理解智能教学情境下的学习认知过程，是我们需要思考的问题。二是人际与人机。在传统教学中，人际交互已经有较多研究，有待进一步研究；而智能教学中，人机交互研究尚属空白，也比较缺乏可引用的证据。学习是一项社会活动，机器的介入给学习主体的可建模带来复杂性。有了机器的介入，那么人与人、人与机之间的介入该怎样去展开，是我们要面临的新问题。

三、教育场域的可感知

当前教育领域的研究手段是不足的，如何实现教育场域的可感知？我们需要思考两个问题。一是如何看得清。尽管视频、语音、脑电、核磁、心电、近红外等感知手段不断丰富，感知精度不断提高，但脑电、核磁、心电、近红外等手段是需要在实验室完成的，视频、语音等手段也有一定的场景要求。因此，面向真实、开放的教学场景，面对人这一动态的个体，我们如何实现无扰、全息的可感知教育场域，是我们面临的挑战之一。二是如何看得懂。当我们在教育场域获得了数据和信息，那么该如何处理呢？如何排除场景和背景的干扰，使单模态信息处理的精度进一步提高？如何将获得的全方位的信息整合、处理，实现多模态信息的深入融合？也是实现教育场域可感知的一大挑战。

四、学习过程的可理解

教育伦理是教育中很重要的一个问题。尽管我们在研究领域做了很多工作，但从目前的成果来看，我们还未触及教育问题的本质，要落地“人工智能+教育”在深度领域的应用还是远远不够的。

首先，构建学习过程的统一描述框架是实现学习过程可理解的基础。学习场景呈现碎片化、多样化、多元化的特点，如何对跨时空、多主体、形式多、交互杂的场景空间进行表征是一个很大的问题。其次，人工智能技术的赋能是实现学习过程可理解的关键。传统的教育技术学中采用的编码方式都限于定性和定量之间，不足以达到当前的应用水平。如果想要在表征的基础上获得对学习过程的因果解析，就需要发展新的方法和手段，借助人工智能技术提取关键行为，发现核心模式，从而帮助我们解决现代教育中的问题。

五、机器主体的可协同

人工智能介入教育场景当中，使得信息技术不仅具有工具属性，同时还具有主观能动性，影响人类的教育系统。2019年，由MIT媒体实验室领衔，哈佛、耶鲁、马克斯·普朗克研究所等院所和微软、谷歌、脸书等公司的多位研究者参与的课题组在Nature期刊发表了一篇以“Machine behaviour”为题的综述文章，宣告“机器行为学”这门跨越多个研究领域的新兴学科正式诞生。文章提供了一个有组织的框架来研究动物和人类的区别（如下表），同时指出，虽然机器和动物有着物理本质上的区别，但对智慧机器行为研究可以从动物行为的研究上得到帮助。机器有产生行为的内在机制，这些行为在和环境的互动中获得信息，得到发展，产生了功能，使特定的机器变得或多或少出现在它们所对应的环境中，并且它们贯穿过去环境的进化史和人类的决策正不断影响着机器的行为。然而，如何进行人机协同，还需要我们发展教育教学新理论，构建教育信息物理系统，开展教学新实践。我们应当将人类的智能和机器的智能充分结合，推动教育范式的变化以及教学质量的提升。这一过程既要有理论的研究，又要有实践的开展。只有在实践中不断地推进，才能够更好地总结、提炼，推进机器和人类的协同，进而满足人才培养的需要。

六、智能教育的新测试

首先，需要建立“人工智能+教育”的测试新基准。传统意义的评价不仅能赋能教育管理，还能作为评判人才的标准。智能教育的新测试是指“人工智能+教育”推进过程中需要发展新的测试标准。例如关于学习成效的研究中，美国当代著名心理学家、教育家本杰明·S.布鲁姆在“掌握式学习理论”中指出，1对1个性化辅导比传统课堂教学平均成绩提升2个标准差；范莱恩总结了不同辅导形式对于提升学业成就的影响效应，结果表明1对1人类教学以及智能导学系统能将教学平均成绩提升0.8个标准差。由此可以看出，学习成效能够回答“人工智能+教育”是否真实有效，也是发展新测试的基准。同时，人类学习无论是由教师指导还是机器指导，其教与学的效能如何体现、测试、表达出来，都需要建立更为科学的测试新基准。

在新的测试基准上，我们该建立怎样的测试方法呢？将人工智能领域著名的图灵测试应用到教育领域存在一个很大的问题：图灵测试只是一个结果性测试，并不关注人本身的其他功能，比如学生情感、价值观等。因此，在“人工智能+教育”领域一定要突破传统的图灵测试，来发展新的测试方法，服务“人工智能+教育”的发展。如果没有科学的测试基准和方法，我们在推进“人工智能+教育”的过程中，无论是研究层面还是实践层面都会面临很大的障碍。

七、教育研究的新范式

教育研究的范式经历了科学实验为主的实验型科研、模型归纳为主的理论型科研、模拟仿真为主的计算型科研，发展到目前数据分析为主的数据密集型科研。目前，从教育信息科学与技术领域很多专家学者研究申报和资助的情况来看，我们越来越关注数据密集型科研，不断地推动着科学研究，并越来越向我们所期待的方向发展，数据驱动正引领教育研究走向科学的康庄大道。

然而，仅仅依靠数据密集型范式还不足以解决“人工智能+教育”领域的一系列问题，我们需要更进一步发展新的范式服务“人工智能+教育”研究。比如，AI for Science（科学智能）这一新的研究范式，就是利用AI的技术和方法，去学习、模拟、预测和优化自然界和人类社会的各种现象和规律，从而推动科学发展和创新。AI for Science已经在多个科学领域取得了令人瞩目的成果。例如，在化学和生物学领域，谷歌旗下的DeepMind公司开发的AlphaFold2系统，利用深度学习对蛋白质折叠结构进行预测，成功地解决了困扰生物学界50多年的难题。在物理领域，鄂维南院士和他的团队利用机器学习与物理建模相结合的方法（DeePMD），成功地模拟了包含1亿个原子的量子分子动力学系统，并获得了2020年国际高性能计算应用领域的最高奖——戈登贝尔奖。在天文领域，NASA利用AI对太空望远镜拍摄的数千张星系图片进行分析，发现了一些新型的星系，并对宇宙演化提出了新的假说。在教育领域，AI for Science也为规律揭示、知识发现、内容生成等教育研究带来了全新的视角，开辟了全新的 领域，例如AI智能出题、个性化辅导等。