图源：Pixabay

2023 年，ChatGPT引爆了全球对AIGC的广泛关注，科技界、知识界、教育界也围绕其正在引发的一系列深刻的连锁反应激烈争论。

芥末堆持续关注教育前沿与最新的科技动态，对于“大模型＋教育”的诸多可能性，乃至大模型与人类文明的关系，我们充满好奇。而这些问题，我们渴望行业领袖、科技大咖的专业解答。

面对同一问题，各位教育界、科技界的前辈大咖是英雄所见略同还是会碰撞出不同观点的火花？芥末堆全新推出[大模型＋教育]系列专题访谈，每期邀请一位业界翘楚，无保留分享他们的专业观点。

今年，中国科技界、教育界掀起了“百模大战”，但不管是大厂、大模型创业公司还是教育头部企业，都还处于探索阶段，多数教育公司是基于开源的大模型做出了一些有意思的产品，并没有太多让人眼前一亮的突破。根据网络分析公司Similarweb公布的数据，ChatGPT的访问量首次出现负增长，6月份的访问量环比下滑了9.7%。从毋庸置疑的话题C位到热度稍减，中国大模型真正落地产业并产生价值了吗？这是“大模型十讲”栏目的第二期，我们邀请到声网教育业务负责人钱奋，谈谈他对大模型在教育行业应用的感受以及声网教育业务最新的动态。

芥末堆：可以谈谈“大模型”当前在教育行业的应用吗？或者您预测该技术还将应用于教育的哪些领域？

钱奋：我个人认为大模型在教育行业的应用还处于比较早期的阶段，当然在其他行业目前也没有看到非常出色的大模型应用场景。就教育行业来看的话，我觉得大模型的应用有以下方向：首先，大模型擅长自然语言处理和智能问答，它可以理解和生成人类的语言，应用在教育中的话，适合开发应用于智能辅导系统。例如海外公司Chegg推出的CheggMate，利用GPT-4，支持学生输入任何格式的内容，学生也可以获得不同格式的智能回答。

另外的应用就是智能反馈和智能评估，教学的过程很需要反馈，但单纯依赖教师反馈非常消耗人力。其实AI可以更好地分析和反馈，通过学生的学习数据给出一个相对客观准确的评估结果。像海外的Gradescope，就是通过AI来给学生的作业考试，乃至整个学期的表现做一个评估，所以我觉得这一部分也为大模型在教育行业的应用留有空间。从更高维度来看大模型的话，未来可能会应用于各省各市乃至全国的教育数据分析，有利于教育决策者去制定更有效的学习模式或教育策略。

芥末堆：目前国内大模型创业赛道上还有一种专做应用的公司，从现有大模型调用接口做产品和运营，您是怎么看待这种商业模式的？

钱奋：我觉得这种模式在早期还是非常不错的，特别是对一些创业公司来讲，利用比较成熟的大模型去搭建应用，比从零开始更现实，会节约非常多的开发成本，风险也会低很多。如果自己去搭建，要找研发、要融资，不一定能成功，但利用现有模型的话可以比较快地验证市场，方便决策者快速做出决策。再有就是大模型在自然语言处理、图像识别等各方面已经做得非常不错了，所以调用完全没问题。

当然这种商业模式也具备一定的风险和挑战，太过依赖于外部公共模型的话，如果它的系统发生不稳定或者有任何突发情况，都会影响产品的正常运行。另外要考虑的就是市场竞争的问题，因为你可以调用别人也可以用，如果大家推出的都是同质化的产品，你就要思考自己的核心竞争力在哪里。

再就是调用公共模型难以满足一些特定场景和特定需求，对一些垂类的场景也很难做到定制化，所以整体上来讲的话，我觉得这种模式早期可以作为创业的idea去做，但是后期还是需要根据市场竞争环境、技术的演化去调整产品的设计和运营策略，可能这样的话商业模式会比较健康一点。

芥末堆：大模型爆红后，贵公司有在进行相关尝试吗？其中在教育业务板块做了哪些努力？

钱奋：声网作为技术企业进行了很多的尝试和探索，但就像我前面提到的，整体上大家都在一个摸索的过程中，虽然有一些应用出来，但这些应用还是基于一个通用的模型在做，并没有更新的突破。声网更倾向于和我们的客户一起来研究、探讨大模型的玩法和实践，由我们提供技术。比如在娱乐版块，声网提供了AI版的“谁是卧底”这些娱乐游戏的新玩法。在教育版块，声网也有很多与AIGC结合的实际应用，包括智能辅导、智能反馈和智能评估等，我们利用自研的语音识别技术，把音频转化成文字输入给AIGC，再生成实际的反馈，包括一些个性化的指导，可以帮助学生更好地理解和学习。

芥末堆：长期来看，大模型会带来教育赛道集中化的趋势和竞争的进一步加大吗？

钱奋：竞争方面大公司优势还是比较明显，算力、算法、数据、人才都会更厉害，根据自身的优势去把这个东西给创建好并投入应用，由此就拥有了技术壁垒，也可以提供更高质量的服务和产品。

具体点看，当好的产品和服务建立起品牌心智后，就会产生一连串的效应。客户用得多了，公司根据客户的粘性提供更多个性化学习体验，然后进一步增加客户粘性。越做大客户越多，数据积累也就越多。再加上大厂的资金优势，实际上大公司就又拥有了更多资源投入大模型研发并有了更多训练数据，所以竞争差距还是客观存在的。

但我其实不是非常认同集中化的趋势，因为教育本身还是有各种属地化的问题，比如存在教材版本的差异、教育资源的分配差距并受当地政策等因素的影响，所以集中化趋势我不太认同。

芥末堆：有人提出构想，将来每个城市都会有一个底层的城市级别的大模型，在此基上，大家都可以定制各种垂直领域或者行业应用的模型。您怎么看？

钱奋：从技术角度完全是可行的，它有点类似我们在做的分布式部署，包括分布式部署后的一些定制化模型，这种也具备一定的优势。

比如说我在某个城市搭建了一套独立模型，首先它是本地化运营，所以可以根据当地的文化、教育需求或特点来进行定制，也会更贴近于当地学生和老师的实际需求。从技术角度来讲的话，它减轻了一个集中的大模型的计算压力和存储压力，其实是有利于资源分配的，但也有局限性，每个城市都有一个模型的话，其实你的数据是比较边缘化的。虽然可以满足各个城市自身的本地化服务，但对于特定行业领域还存在数据上的局限性，集中化的模型可能训练得更好，所以对于某个行业领域来说，它可能会存在一些弊端，训练不够快速不够集中。

另外在你说的协同方面，各个城市之间大模型如果协同的话，可以更好地去做跨区域的教育资源共享，包括数据交换，综合来说要根据未来的发展来看来定义这种模型。

芥末堆：借助AIGC可生成许多以假乱真的内容，您觉得将来会基于“辨别真伪”衍生出新的生意吗？

钱奋：我觉得随着人工智能的发展，未来一些基于AIGC的辨识工具和服务也会慢慢出来，AIGC可以生成虚伪的信息，但是我们也可以利用AIGC去辨别真伪。

芥末堆：您如何看待大模型的“涌现能力”？您猜想未来教育领域大模型可能会产生什么样的“涌现行为”？

钱奋：首先我认为“涌现能力”不太好判断，但一定是会出现的，就像我们在一些科幻电影里看到的—— AI到后面会产生自主意识，或者说它会有一些超乎预测的行为。如果是这样的话，恰好教育的过程是需要一些情感交流的，会不会将来AI也能理解学生考试失败之后沮丧的情感并给予他一些情感上支撑？这就意味着AI在学生的情感或者心理健康方面可以提供支持。

芥末堆：对于尚处在学习与发展阶段的孩子，AIGC的广泛应用是否会压缩用户深度思考所需的空间？会如何改变用户的学习习惯？

钱奋：客观来讲，一定会的。工具辅助我们快速获取信息，学习者会过度依赖这个技术，但当AIGC生成海量的信息，我们有没有判断力去筛选这些信息呢？另外，如果学生自主学习时长期输入自己感兴趣的某一个话题或某一个领域，AIGC就会一直反馈这些信息，长此以往学生可能会“偏科”，或者忽视其他领域的探索。

所以技术只是一方面，技术的功效终究取决于整个教育系统的设计和教育者的设计、应用。比如我举个例子，在教学设计中，教育者可以设计一些学习关卡，鼓励学习者先进行深度思考和探索，而不是直接使用技术给出答案。所以在未来，构思如何进行学习系统设计、如何培养孩子独立思考的能力而不是堆砌知识很重要。