4个方面，AI+教育将完全颠覆传统教育
1.给学生减负<br>
减少学生题海战术的时间，通过AI技术的支持，通过10道题测出学生100个知识点掌握的水平，<br>减少了重复劳动带来的时间和精力<br>
2.学生评价体系化<br>
在AI系统中，学生的学习轨迹全部留存在系统中，希望能改变、辅助评价体系，<br>对学生的评价是一个长期的评估过程。改变一考定终生的体系<br>
3.教育变得透明
4.让学生对学习上瘾
让学生掌握真正的学习能力、方法，学生每次学习都能清晰知道自己的进步轨迹，自信和成就感就会建立起来
个性化方案匹配与调整
个性化匹配<br>
利用知识图谱理论和贝叶斯推断，通过算法对每个学生进行一对一的用户画像的侦测，再通过AI系统给他推送适合他的内容
通过学生的用户画像和内容测写，通过继续学习和概率模型，给每个学生定制与众不同的教学方案和教学情况<br>
方案调整
给每个学生定制方案后，也需不断调整。
因为：对于同一个知识点，不同学生学习时间不一样，有的学生7min就学完，有的孩子90min才能学完
通过算法，不断侦测每个孩子知识点的掌握程度，和他们的认知阀值，<br>给每个孩子采用动态调整、实时调整的学习方案和路径。从而保证每个孩子用最短的时间掌握应该掌握的知识<br>
追根溯源
除了提供个性化的方案，以及实时调整学习内容外，还有“追根溯源”<br>
通过AI算法，可以追根溯源到每个孩子知识漏洞的根源
4大特征<br>
1.针对性
针对性学习、针对性练习、针对性找出孩子未掌握的知识点，便于为孩子安排针对性的学习内容<br>
2.透明性
学习过程和学习结果的透明性；孩子所有没有掌握的知识点，都会很清词、透明的体现<br>在接下来的学习路径中，不因为学生畏难而被系统忽略<br>
3.预判性
预判学生哪些知识点掌握了，哪些没有掌握；预判学生接下来学习的知识点<br>
4.延续性
系统本身具有延续性，学生每次上课都会沿着上节课的学习路径继续学习
3层学习引擎架构
1.基础数据的知识图谱
A.静态的知识体系图谱
B.学生大脑中的知识体系图谱
C.错因重构知识图谱
2.引擎层
评估学生的状态和尝试给学生推荐学习行为
根据学生当前的情况推送学习计划，算法、策略、数据收集逻辑
3.信息收集和反馈层
采集学生学习过程的情绪信息，对系统的操作信息，当前状态的学习过程、学习结果等若干信息。
这些信息都会成为上面引擎层的养料
5大技术首创<br>
1.超纳米级的知识点拆分
什么叫知识点拆分？
比如我们学分数的加减法，以前是被混合成一个知识点，现在我们把它拆成了 100 个知识点。<br>从而，我们可以像从中医把脉进步到 X 光，再进步到核磁共振一样，对学生有更清晰的认识。<br>
2.对学习能力和学习方法的拆分
AI 侦测知识点，让孩子快速取得高分，希望给孩子心中点燃一把火，激发他的求知和潜能。
通过可测量、可传授的能力，教学生举一反三和举一反百
分析出概念理解、物理规律应用能力、猜想观察能力、数据处理能力等，通过能力拆分，给孩子获得终身受益的机会
3.非关联性知识的关联概率
知识地图是知识点拆成纳米级之后，把知识点之间建立关联性<br>
然后通过信息论来最高效地对学生进行测试和教学，追根溯源也是基于知识地图理论来做的
对非关联性的知识，建立了关联概率，从而让测试效率和学习效率可以比Aleks 的知识地图理论模型提高 3-10 倍
4.用错因重构知识地图
题目错误，可能并不是知识点没掌握。可能是概念辨析不清、不能提取题干重要信息、畏难心理等原因
把原来标注3、4个知识点，变成标注25个错因，进一步重构知识地图<br>
5.对抗模型
利用贝叶斯生成对抗网络，基于主体的仿真，以及AI智适应的技术和教育心理学的模型
创造一个机器和机器之间，模拟学生和老师之间的学习和对战
通过这个模型，就像 AlphaGo Zero 一样进行左右互搏，从而使我们能够快速、高效、大幅度地优化算法，减少对实际场景下数据量的需求
