前段时间由于疫情的关系，老师和学生们都在家里上网课。除了视频授课，老师也会通过文字或语音进行教学指导工作。你可曾想过那个对你语重心长讲解知识点，在你快走神时突然来个段子，以及拿着小鞭子催你做作业的老师可能是个机器人？
这个场景已不再天马行空，人工智能正变得越来越真假难辨。截止目前为止，已有多个聊天机器人被判定成功通过了图灵测试，而虚拟教师这个概念也早在几十年前就已被提出。
教育界早有共识，由经验丰富的老师进行一对一个性化辅导是最佳的教育方式，然而这种方式受限于高成本和高人力，很难大规模推广（如图）。
教学质量和商业效率是个悖论，好老师就那么多，老师精力也有限，所以仅有少数家庭可以负担的起一对一的辅导，这也涉及到了教育公平性的问题。
虚拟教师（以教育聊天机器人为代表）的出现恰恰可以解决这个问题：Ta可以同时教授成千上万名的学生，可以随时随地回答学生的问题，还可以因材施教提供个性化辅导。除此之外，学生学习数据的积累，还可以反过来对教学本身提供建议与帮助。
今天，硅谷洞察将详解虚拟教师背后的技术，介绍全球4个顶尖的虚拟教师解决方案案例，以及分析整个行业在用户体验、商业模式方面的现状和挑战。
虚拟教师背后的技术是什么？
第一个虚拟教师系统诞生于1960年，可以展示教学材料，问学生问题并即时反馈，但是因为程序是编死的，而且当时计算机也并不普遍，各方面成本都太高，所以仅仅是作为研发机构的项目。七八十年代，基于规则模型（rule-based）的对话和认知理论开始被应用于虚拟教师系统中，机器人已可以通过给学生提示，引导学生逐步解决问题。
规则模型指的是对话经过预定义的规则处理，根据规则生成文本来进行回复。打个比方，机器人问学生昨天学的什么（0），学生说行星（0=行星），而机器人已经有了这个方面的规则，则会接下来展开针对性的对话：“那你可以告诉我0的定义吗？”
基于这种模式，对话越复杂所要求的规则就越多，而且机器人并非真正理解学生的意图，而是抓取学生对话中的关键词，所以无法生成有意义的自然语言对话。在对话的走向上，大多数虚拟教师系统基于决策树，所有的教学路径都是被预设好，然后根据学生的学习表现走向不同的可能性。
随后，检索模型（Retrieval based）开始被应用于学生答疑和学生服务中。这个模型有点像搜索匹配：学生提问后，机器人在知识库里搜寻并选出最匹配的答案回答学生。
打个比方，学生说 “海水怎么是咸的呢”，机器人则会在库里检索到最相似的问题“海水为什么是咸的”，从而给出该问题的答案。相似度分数的计算是技术重点，可以通过词汇权重（同一个词出现的频率）、编辑距离（两句话相差的字数）、分类与实体（判断每句话的主题和关键词）等方面来评定。
除了上述两种模型，近些年比较热门的生成模型（Generation-based）更为智能，它像一个翻译机，但不是把一种语言翻译成另一种语言，而是把学生说的话逐词解码，再逐词翻译成机器人的答复（如图）。然而因为过于灵活，输出结果难以把控，有时会生成过于宽泛甚至无意义的答复，所以在教育领域中的实际应用较少，仅仅是作为规则模型和检索模型的补充。
相较于规则模型更多依赖于手工，检索模型和生成模式可以利用机器学习和深度学习技术来降低人力成本。教育工作者写好的回答集、真实场景下老师和学生的教学对话、人类和机器人之前的对话都是比较好的训练数据。
另外，相较于使用手工的决策树来引导对话的走向，机器学习中的强化学习（Reinforcement learning）和奖赏系统（ Rewarding system）可以通过计算学生达到目标的可能性的分数，自动引导学生走向那条最匹配的路径，从而最有效地完成学习目标。
打个比方，当机器人问学生达芬奇的代表作是什么？学生回答：岩间圣母。决策树往往是预先设计好了分叉：正确的答案走向对话路径A，错误的答案走向对话路径B，不知道走向对话路径C。而在奖赏系统里，因为本次课程的教学目标是分析蒙娜丽莎的构图，所以机器人会把可能的答复进行打分排序，比如可能的答复有“完全正确！你知道岩间圣母有两副吗？”，“完全正确！你还知道达芬奇其它的代表作吗？”，“完全正确！不过达芬奇最最著名的画还要属蒙娜丽莎。”“答错了，再试试看？给你个提示，是四个字。”最终根据分数，“完全正确！不过达芬奇最最著名的画还要属蒙娜丽莎。”因为可以引导学生到今日的主题-蒙娜丽莎的构图，从而最好的实现教学目标，所以排名最高，对话管理器最终选择了这个作为答复。
活跃在全球虚拟教师赛道上的，有科技巨头，也有新生的初创公司。下面就让笔者以IBM的Watson Tutor，硅谷人工智能教育科技公司Cognii，挪威的教育公司EdTech Foundry的产品Differ，以及美国人工智能教育初创公司DMAI的产品MAIA为例，来一展这个赛道上的领跑者所处的状态。
虚拟教师Watson Tutor由IBM和教育机构Pearson强强联手，通过认知技术打造。它可以以口语化的方式随时随地为学生提供帮助与建议，同时为老师提供一些数据分析，比如学生对每个知识点的掌握情况，有哪些兴趣点、疑难点以及长短板，方便老师更好的管理和改进课程。
研究数据显示，40%的美国公立学校的学生无法按时完成课业，而Watson Tutor为学生要么顺利完成课业，要么放弃课业提供了一个中间选项。相较于以前学生可能因为不好意思或是太麻烦而未能向老师寻求帮助，Watson Tutor因为私密和方便的特点，可以最大化学生寻求帮助的可能。大学老师不会24小时全天候呆在每个学生身边进行指导，而对于Watson Tutor，学生在阅读学习资料时只需简单地问一句：“Watson，你可以帮我解释下这段话吗？”
Watson Tutor主要有三个功能环节。诊断环节：机器人根据学生的回复，以提示、反馈、解释、和确认为普遍的概念错误这几种方式来引导学生完成学习部分。答疑环节：机器人通过检索模型（retrieval based）搜索相关信息和延展资料，来建立新知识和学生已掌握知识之间的关联。最后的测试环节：通过向学生提问来评估学生对知识点的理解程度。
技术上，Watson Tutor基于DBT（virtual dialog-based tutor）系统，该系统有几个核心因素：通过自然语言处理（NLP ）技术来解释学生的意图并作出合适的反馈；使用一种对话策略来保证学生的参与度和推动学习进展：通过对话状态对学习者的能力进行建模，并决定如何开展对话可以更好地激发其学习兴趣；最后是机器人的性格设计。
在对话策略的设计上，每组对话都有一个主要学习目标。每个学习目标由一个主要问题和几个相关问题组成，主要问题包含多个提示。学生首先会接触到学习目标中的主要问题，学生回答完毕后，虚拟教师会和相关答案进行比对，并根据不同的情况相应作出反应：如果学生部分没答对，会提供一些提示；如果学生对该目标完全摸不着头脑，则会引导学生去完成更低一级的学习目标；如果学生在更低一级目标的表现良好，可以重新返回到之前的目标。
在这个过程中，通过对学生情况的动态调整，Watson Tutor可以帮助学生更顺利地掌握知识。一般一组对话是4-15轮（学生和机器人对话的一个来回算作一轮），有些情况下可能高达30-40轮。
Watson Tutor还向人类老师学习了一些软技能，比如如何引发一场讨论，如何促进学生思考，以及如何提供情感支持。除了知识点本身的传授，这些软技能让学生感受到了更多的支持与关怀，从而更能愿意表达，也更能接受虚拟老师的批评和指正。
下面，笔者将介绍来自3个顶尖初创公司的虚拟教师解决方案。以及分析整个行业在用户体验、商业模式方面的现状和挑战，同时从技术角度分析虚拟教师进一步发展的人才需求和挑战。