8月26日-28日，2024中国国际大数据产业博览会——“数据要素+人工智能大模型”×千行百业高质量发展论坛在贵州省贵阳市成功召开。本次论坛由中国国际大数据产业博览会组委会指导，同方知网数字出版技术股份有限公司、华为云计算技术有限公司主办，中国公共关系协会文化大数据产业委员会、贵阳大数据交易所、贵州同方知网科技发展有限公司协办。论坛以“数势而上  智赋千行”为主题，200余位来自政府、企业、科研机构的嘉宾及6000多名线上代表参加了会议，共话数据要素与人工智能大模型深度融合，赋能千行百业高质量发展。

贵阳市委常委、常务副市长范辉政，贵安新区党工委委员侯胜鹏，同方知网党委书记、董事长刘长欣出席会议并共同签署了三方战略合作协议。

范辉政在致辞中表示，贵阳市贵安新区将继续把数据作为关键资源要素，发挥“东数西算”国家枢纽节点和贵安数据中心集群的基础优势，聚焦“算力、赋能、产业”三个关键点，积极抢占智算、行业大模型培育、数据训练“三个制高点”。他提出三点建议:一是构建高效数据流通体系，为人工智能大模型提供丰富、高质量的数据资源;二是深化行业应用场景融合，推动人工智能大模型与实体经济深度融合;三是强化算力基础设施支撑，为人工智能大模型的广泛应用提供坚实支撑。

刘长欣表示，作为以数据与技术双轮驱动的知识服务企业，同方知网“深耕数据服务30年”，敏锐把握人工智能和数据要素两大发展机遇，积极落实“数据要素✕”三年行动计划，开展了通过数据要素加持人工智能大模型、赋能千行百业的有效实践，深度释放数据红利，加快发展新质生产力。近年来，同方知网在贵州省大数据局与贵阳市政府的大力支持下，成立了知网贵州公司，开展了智慧政务与数据要素产业发展等领域的深度合作。同方知网希望以今天的三方战略合作协议签署为新的契机，进一步助力贵州省大数据产业发展。

论坛上，同方知网还与中国公共关系协会文化大数据产业委员会、贵阳大数据交易所、中国标准出版社、东莞理工学院、云上鲲鹏、华为云、华为计算机等签署战略合作协议，共建华知大模型生态，共同探索新的市场机遇，推动产业升级。

在主旨报告环节，中国公共关系协会文化大数据产业委员会副主任高书生、同方知网副总经理柯春晓、华为中国云AI解决方案专家陈亮辉、北京市科学技术研究院科技情报研究所战略研究部主任类淑霞、中国邮政集团有限公司邮政研究中心邮政研究所副所长刘志勇、南方电网科学研究院《南方电网技术》杂志社副社长周育忠、同方知网人工智能产品事业部副总经理相生昌、联创大模型建设组副组长陶德钢、中国信息通信研究院人工智能研究所部门副主任李荪等专家做了精彩分享。

数据要素的持续激活与人工智能大模型的广泛应用，将成为推动千行百业高质量发展的强大引擎。未来，同方知网将继续深耕数据要素产业，积极融入人工智能产业变革，并持续探索数据要素与人工智能大模型的“数智融合”之道，为实现数字经济高质量发展加速赋能。

（摘自：“CNKI知网”公众号）

8月30日，首届中国新质生产力数据资产生态论坛暨深圳市南山区新质生产力产业协会数据资产专业委员会揭牌仪式，在英特尔大湾区科技创新中心隆重召开。此次活动由深圳市南山区新质生产力产业协会和深圳市虚拟现实产业联合会主办，香港大数据交易所、广州数据交易所、深圳数据交易所、英特尔大湾区科技创新中心、中山大学深圳研究院、国家重大科技基础设施未来网络北大创新中心、华商律师事务所联合主办。

论坛邀请了众多业界精英和专家学者，包括广东省政府参事、深圳市政协原主席张效民，以及北京大学教授、美国国家人工智能科学院院士李挥，广州有数数字科技有限公司总经理吴大有，腾讯云深圳客户总监孟凡圣，中山大学深圳研究院执行院长杨艾琳，中山大学软件工程学院院长郑子彬，深圳数据交易所副总经理赵阳等业界领袖。此外，还有来自中山大学、华商律师事务所、诺伊富盛多元策略基金、OCCLab（香港）、工信部信息通信研究院、百度、普华永道中国、香港大学、深圳市虚拟现实产业联合会、比亚迪、深圳赛西信息技术有限公司、深圳市科睿供应链有限公司等机构的200余名嘉宾出席。

本次论坛以“共筑数据资产新生态”为核心主题，旨在推动深圳数据资产生态的健康与繁荣发展。通过加强产业链上下游企业的沟通与协作，致力于提升数据资源的开发利用率和价值创造能力，进而促进数据资产管理的专业化和规范化。

开幕致辞

暨数据资产专业委员会揭牌仪式

活动特邀广东省政府参事、深圳市政协原副主席张效民，欧美中投资促进会张家豪主席，深圳市南山区新质生产力产业协会会长谭贻国以及英特尔大湾区科技创新中心运营方、深圳极市科技有限公司联合创始人兼高级副总裁刘若水发表致辞。

深圳极市科技有限公司联合创始人兼高级副总裁刘若水提到，英特尔大湾区科技创新中心已累计为南山区培养了5000名人工智能人才、吸引了数十家科创企业来南山落地，全面助力了近百家深圳人工智能初创企业加速发展，为南山新质生产力的发展注入强劲动力。

随后，在现场领导及参会嘉宾的共同见证下，数据资产专业委员会正式揭牌成立。

主题论坛

在第一场主题论坛上，北京大学教授、美国国家人工智能科学院院士、国家重大科技基础设施未来网络北大创新中心主任李挥带来了《网络空间命运共同体的技术方案MIN：保障数据资产与网络安全的安全》的主题演讲；中山大学软件工程学院院长、IEEE Fellow、IET Fellow、ACM杰出科学家、全球高被引科学家郑子彬发表《TrustedGPT：可信大模型赋能产业发展》的主题演讲；腾讯云深圳客户总监孟凡圣分享《腾讯大模型智变加速，产业升级》。

在第二场主旨论坛上，国际数据管理高级研究院的发起人之一、广州有数数字科技有限公司的总经理、深圳市南山区新质生产力产业协会数据资产专业委员会主席吴大有发表了题为《数据资产入表价值增值路径的意义和方法》的演讲；深圳数据交易所副总经理赵阳发表了《数据要素市场拓展与实践》的演讲；香港大数据交易所的执行董事、中国经济改革研究基金会数字经济专委会的专家卢向彤分享了关于《基于AI大模型和Web3技术的数据资产评级及融资和跨境流通》的见解；诺伊富盛多元策略基金开放型基金型公司的数字金融创新基金董事总经理陈凤娇阐述了《数字资产入表对企业财务管理和税务规划的意义》。

质上谈兵：圆桌论坛

在《关于深圳市南山区新质生产力产业协会战略新兴产业数据资产团体标准》主题圆桌论坛上，由深圳市南山区新质生产力产业协会会长谭贻国主持，华商律师事务所的首席合伙人兼主任高树、比亚迪人工智能负责人刘华芳、腾讯云深圳客户总监孟凡圣、南京维辰信息科技有限公司总经理赵家兴，以及AI创客岛创始人兼护航舰科技集团CEO赵传飞等行业专家，就数据资产团体标准的重要性、制定过程中的挑战与机遇，以及未来实施的前景等方面发表了自己的看法。

在《如何构建数据资产新生态》主题圆桌论坛上，由国际数据管理高级研究院的发起人之一、广州有数数字科技有限公司的总经理、深圳市南山区新质生产力产业协会数据资产专业委员会主席吴大有主持，中山大学大数据研究院的副院长、中山大学信息管理学院的教授兼院长助理彭国超，邓白氏的产品和解决方案专家、国际数据管理协会中国分会理事DAMA CHINA、工信部信息通信研究院的数据治理外部专家朱桢，百度AI香港赋能中心（筹）的智湾科技合伙人吴辉勇，OCC Lab（香港）的副总裁兼領沨資本管理有限公司的合伙人谭国锋，以及普华永道中国数字咨询业务总监杨通鹏等行业专家，围绕数据资产的重要性、关键要素、投资风向等维度展开了深入的论述。

在活动最后，主办方还对深圳市南山区新质生产力产业协会数据资产专业委员会首批专家，深圳市南山区新质生产力产业协会发起单位、首批会员企业代表以及首席大使举行了隆重的授牌仪式。至此，首届中国新质生产力数据资产生态论坛圆满落幕。

此次论坛作为深圳、粤港澳大湾区乃至全国数据资产行业的年度盛会，为行业同仁提供了宝贵的交流机会。英特尔大湾区科技创新中心将不断探索新质生产力数据资产价值生态，从应用创新到产业落地，从人才培育到国际化视野，加强资源整合能力和市场拓展力度，不断助力科技企业提升竞争力。

（摘自：“英特尔大湾区科技创新中心“公众号）

一、Transformer

Transformer 是大模型的底层模型。在深度学习的早期阶段，循环神经网络（RNN）是处理序列数据的常用方法。尽管RNN及其变体在某些任务上表现良好，但它们在处理长序列时容易遇到梯度消失和模型退化问题。为了解决这些问题，Transformer模型被提出。

而后2020年 OpenAI首次提出“规模定律”,指出模型的性能随着参数量、数据量、训练时长的指数级增加而呈现出线性提升,并且该提升对架构和优化超参数的依赖性非常弱[7]。从此研究人员逐步转移研究重心至大语言模型基座,并开展了大量相关研究。基于Transformer的GPT、Bert等大模型在各种自然语言处理任务上取得了突破性的成果,包括文本生成、机器翻译、问答等,并展现了在零样本和少样本情况下的泛化性。

模型原理：

Transformer模型精巧地结合了编码器和解码器两大部分，每一部分均由若干相同构造的“层”堆叠而成。这些层巧妙地将自注意力子层与线性前馈神经网络子层结合在一起。自注意力子层巧妙地运用点积注意力机制，为每个位置的输入序列编织独特的表示，而线性前馈神经网络子层则汲取自注意力层的智慧，产出富含信息的输出表示。值得一提的是，编码器和解码器各自装备了一个位置编码层，专门捕捉输入序列中的位置脉络。

模型训练：

Transformer模型的修炼之道依赖于反向传播算法和优化算法，如随机梯度下降。在修炼过程中，它细致地计算损失函数对权重的梯度，并运用优化算法微调这些权重，以追求损失函数的最小化。为了加速修炼进度和提高模型的通用能力，修炼者们还常常采纳正则化技术、集成学习等策略。

优点：

梯度消失与模型退化之困得以解决：Transformer模型凭借其独特的自注意力机制，能够游刃有余地捕捉序列中的长期依赖关系，从而摆脱了梯度消失和模型退化的桎梏。

并行计算能力卓越：Transformer模型的计算架构具备天然的并行性，使得在GPU上能够风驰电掣地进行训练和推断。

多任务表现出色：凭借强大的特征学习和表示能力，Transformer模型在机器翻译、文本分类、语音识别等多项任务中展现了卓越的性能。

缺点：

计算资源需求庞大：由于Transformer模型的计算可并行性，训练和推断过程需要庞大的计算资源支持。

对初始化权重敏感：Transformer模型对初始化权重的选择极为挑剔，不当的初始化可能导致训练过程不稳定或出现过拟合问题。

长期依赖关系处理受限：尽管Transformer模型已有效解决梯度消失和模型退化问题，但在处理超长序列时仍面临挑战。

应用场景：

Transformer模型在自然语言处理领域的应用可谓广泛，涵盖机器翻译、文本分类、文本生成等诸多方面。此外，Transformer模型还在图像识别、语音识别等领域大放异彩。

二、预训练技术

严格意义上讲，GPT 可能不算是一个模型，更像是一种预训练范式，它本身模型架构是基于Transformer，再通过海量的大数据下进行预训练 ，使模型能够学习到数据的通用特征。这种技术广泛应用于计算机视觉、自然语言处理等领域，并为后续的特定任务提供了强大的基础。

核心原理：

大模型预训练技术的核心原理在于通过大规模数据的预训练来提取丰富的语言知识和语义信息。在预训练阶段，模型利用自注意力机制捕捉文本中的上下文信息，并通过学习大量的文本数据，逐渐理解语言的规律和结构。这种学习方式是自监督的，模型能够自我优化和改进，从而提高其对文本的理解能力。

在微调阶段，模型会根据具体任务的需求进行有针对性的调整。通过有监督学习的方式，模型在特定数据集上进行训练，以优化其在该任务上的性能。这种微调过程使得模型能够更好地适应不同任务的需求，并提高其在实际应用中的效果。

训练过程：

大模型的预训练技术的训练过程主要分为以下几个步骤：

数据收集与预处理：首先，收集大量的无标签数据，这些数据可以来自互联网上的各种文本资源，如网页、新闻、博客、社交媒体等。随后，对这些数据进行预处理，包括分词、去除停用词、标准化等操作，以便于模型更好地理解和处理。

模型选择：根据具体任务和数据特点，选择合适的预训练模型。这些模型可以是基于Transformer的，如BERT、GPT等，也可以是基于RNN或CNN的模型。

预训练：使用无标签数据对模型进行预训练。在这一阶段，模型会学习语言的结构和语义信息，通过自监督学习或无监督学习的方式，从海量文本数据中提取出有用的特征表示。

微调：针对具体的下游任务，使用有标签的数据对预训练模型进行微调。通过调整模型的部分参数，使其能够更好地适应特定任务的文本数据，从而提高在任务上的性能。

预训练技术的作用：

提升性能：通过在大规模数据集上进行预训练，模型能够学习到更多的语言知识和语义信息，从而提高其在各种任务上的性能。这种性能提升不仅体现在准确率上，还体现在模型的泛化能力和鲁棒性上。

加速训练：预训练模型已经过大量的数据训练，因此可以提供相对准确的初始权重。这可以避免在训练新模型时出现梯度消失或爆炸的问题，从而加快模型的收敛速度。此外，采用预训练模型来训练新的模型还可以节省大量的时间和计算资源。

提高泛化能力：由于预训练模型已经过多种数据集的训练，因此具有更强的泛化能力。这意味着模型能够更好地适应不同的任务和领域，减少过拟合的风险。

三、RLHF

RLHF（Reinforcement Learning from Human Feedback，基于人类反馈的强化学习）RLHF是一种结合了强化学习和人类反馈的调优方法，旨在提高大模型在特定任务上的性能和可靠性。

RLHF的原理

RLHF的原理在于将强化学习与人类反馈相结合，通过人类的判断作为奖励信号来引导模型的行为。传统的强化学习依赖于环境提供的奖励信号来进行决策，而RLHF则利用人类对于模型输出的反馈作为奖励信号，使模型能够学习到更符合人类价值观的行为。

在RLHF中，人类反馈的作用至关重要。通过人类对模型输出的评价、标注或排序等方式，可以为模型提供关于其行为的直接反馈。这种反馈可以告诉模型哪些行为是受到人类认可的，哪些行为是需要改进的，从而帮助模型优化其决策过程。

RLHF的训练过程

RLHF的训练过程通常包括以下几个关键步骤：

预训练模型的选择与加载：首先，选择一个适合的预训练模型作为基础。这个预训练模型应该已经具备一定的通用能力，以便在后续的训练过程中进行微调。

监督微调（Supervised Fine-tuning，SFT）：在这一阶段，模型通过模仿人类标注的对话示例来学习通用的、类似人类的对话。这有助于模型理解人类的对话模式和习惯，为后续的人类反馈学习打下基础。

奖励模型（Reward Model，RM）训练：为了利用人类反馈，需要训练一个奖励模型。这个模型会根据人类对于模型输出的标注或排序来学习如何评估模型的行为。具体来说，对于模型对同一个prompt的多个回复，利用人类标注来进行排序以获取人类偏好。然后，单独使用另一个语言模型作为奖励模型，在这个奖励模型上使用标注的数据进行训练。

近端策略优化（Proximal Policy Optimization，PPO）：以训练得到的奖励模型作为奖励函数，继续对模型进行训练优化。通过不断迭代，模型会逐渐学会如何根据人类的反馈来改进其行为，使其输出更加符合人类的期望和标准。

RLHF的作用

RLHF在大模型技术中发挥着重要作用，具体体现在以下几个方面：

提高模型性能：通过结合强化学习和人类反馈，RLHF可以帮助模型更好地理解和适应特定任务的需求。通过人类的直接反馈，模型可以更加准确地把握任务的核心要点，从而提高其在任务上的性能表现。

增强模型可靠性：人类反馈的引入使得模型在决策过程中能够考虑到更多的因素，减少因环境噪声或数据偏差导致的错误决策。这有助于提高模型的稳定性和可靠性，使其在实际应用中更加可信。

促进模型道德和对齐：通过RLHF，我们可以确保模型的行为更加符合人类的道德和价值观。这对于一些涉及敏感信息或伦理问题的应用场景尤为重要，可以避免模型产生不当的输出或决策。

四、模型压缩

大模型的模型压缩技术通过去除冗余、降低精度和知识迁移等手段，实现了模型大小的减小和性能的优化。在实际应用中具有显著的作用：

降低存储和计算需求：通过减小模型大小，可以降低模型的存储需求，使其更容易部署在资源受限的设备上。同时，较小的模型也意味着更低的计算复杂度，可以提高推理速度。

提高部署效率：压缩后的模型更容易在各类设备上进行部署和集成，降低了部署难度和成本。这使得深度学习模型能够更广泛地应用于各种实际场景中。

保持模型性能：尽管模型被压缩，但通过精心设计的压缩算法和训练过程，可以确保压缩后的模型仍能保持较高的性能水平。这使得模型压缩成为一种有效的优化手段，能够在保持性能的同时降低模型的复杂度和资源需求。

模型压缩的主要目标是在保持模型性能的同时降低模型大小，以满足计算设备的限制和提高模型的部署速度。其核心技术包括权重裁剪、量化和知识蒸馏等。

权重裁剪：通过去除模型中不重要的权重来减小模型大小。这些不重要的权重对模型的性能贡献较小，通过裁剪可以降低模型的冗余度。

量化：将模型中的参数从浮点数转换为定点数或低精度浮点数，减小模型的体积。由于定点数和低精度浮点数占用的空间更小，因此可以有效降低模型的存储和计算需求。

知识蒸馏：通过训练一个小模型来模拟大模型的性能。大模型作为教师模型，提供软标签或输出分布给小模型（学生模型）学习，使学生模型能够在保持性能的同时，拥有更小的模型大小。

五、多模态融合

大模型的多模态融合技术通过结合不同模态的数据，增强了模型的感知和理解能力，提升了性能和应用范围。多模态融合技术在实际应用中发挥着重要作用：

提升模型性能：通过结合不同模态的信息，模型可以更全面地理解输入数据，从而提高性能。这在许多任务中都有体现，如图像分类、语音识别、情感分析等。

增强鲁棒性：不同模态的数据可能受到不同的噪声和干扰。通过多模态融合，模型可以从多个角度获取信息，从而增强对噪声和干扰的鲁棒性。

扩展应用范围：多模态融合技术使得模型能够处理更复杂的任务和数据类型。例如，在智能客服领域，模型可以同时处理文本和语音输入，提供更自然的交互体验。

多模态融合技术旨在结合来自不同模态（如文本、图像、音频等）的数据，以提供更全面、准确的信息。其原理在于，不同模态的数据往往包含互补的信息，通过将这些信息融合，可以增强模型的感知和理解能力。

在融合过程中，关键技术包括数据预处理、特征提取和融合算法。首先，需要对不同模态的数据进行预处理，包括清洗、标注和对齐等操作，以确保数据的质量和一致性。然后，利用特征提取技术，如卷积神经网络（CNN）用于图像特征提取，循环神经网络（RNN）用于文本特征提取等，从各个模态的数据中提取关键信息。最后，通过融合算法将这些特征进行融合，以生成更全面的表示。

六、Money is all you need！

说到底，“钞能力”才是大模型的核心！大模型需要很多资源，会耗费大量的算力、人力、电力。

首先，大模型的训练需要高性能计算机集群的支持，这些计算机集群需要配备大量的CPU、GPU或TPU等处理器，以进行大规模的并行计算。而这样的计算资源往往是非常昂贵的，需要大量的资金投入。同时，大模型的训练时间也非常长，可能需要数周甚至数月的时间，这也需要足够的算力支持。因此，没有足够的财力支持，很难承担这样大规模的算力需求。

其次，大模型的训练需要大量的数据科学家、工程师和研究人员，他们需要对算法、模型、数据等方面有深入的了解和熟练的技能。而这些专业人才往往也是高薪聘请的，需要大量的人力成本。同时，大模型的研发还需要团队之间的紧密合作和高效沟通，这也需要人力资源的支持。

最后，高性能计算机集群需要消耗大量的电力，而电力的成本也是不可忽视的。尤其是在大规模训练中，电力成本可能会占据相当一部分的训练成本。因此，没有足够的财力支持，也很难承担这样大规模的电力消耗。

总之，基于规模定律的Transformer等技术为我们开启的大模型时代，但同样重要的是，Money决定了大模型能走多远！没有足够的财力支持，很难承担大模型训练所需的算力、人力和电力等方面的资源需求。

（摘自：“AI大模型前沿”公众号）

人工智能+教育丨研究报告

核心摘要：

教无定法，AI育才

在人类文明的长河中，教育作为知识与智慧传承的基石，几千年来始终保持着人与人之间言传身教的形式。若把教育看作一个产业，不难发现其本质上是一个强烈依赖人力资本的人力密集型产业。也因此，人力因素成为限制教育规模化与个性化双向发展的核心因素，而AI技术正是能够突破这一局限的重要变量，其强大的数据处理与学习能力，不仅能够在精细化辅导、个性化学习路径规划等方面为学生提供前所未有的支持，还能够在教师日常工作中发挥重要作用，从多个维度促进教育质量与效率的提升。随着AI技术由弱转强，其在教育中的应用前景更加广阔，预示着未来AI技术能够在教育场景中发挥更大的作用及影响。

本报告旨在全面审视AI+教育的最新动态，分析行业发展背景、应用成熟度及商业模式，以期为行业内外提供有价值的参考与启示。

01 全球发展概览

研究范围

聚焦人工智能技术在教育“教学、学习、测评、管理”各环节的应用

随数字技术的发展，通过人工智能（AI）、大数据、ICT等技术加持教育教学以提升教育质量、促进教育公平已成为教育界的共识。本报告将主要聚焦AI技术对教育教学的赋能作用——这一主题，重点关注AI技术在 “教学、学习、测评、管理”等各教育环节中的应用。因此，本报告中 “人工智能+教育”（后文简称：AI+教育）指人工智能技术在教育教学中的应用。其中，人工智能技术包含但不限于机器学习、人工智能大模型、自然语言处理、计算机视觉、知识图谱、智能语音等技术。

全球AI+教育发展历程

AI技术变革推动全球AI+教育发展，个性化教与学逐步成为现实

纵观全球AI+教育产业的发展历程，不难发现其发展受AI技术变革影响明显。在AI+教育走过漫长的萌芽及摸索期时，深度学习技术的突破发展推动AI开启商业化之路，AI+教育也随之进入产业期。近两年间，随大数据、云计算等技术的提升，大规模语言模型急速发展，ChatGPT、Stable Diffusion、Gemini等通用大模型争相发布，MathGPT、子曰等教育垂类模型也相继问世。在大模型加持下的AI+教育产业再次迸发生机，帮助师生大幅提升教学效率，推动大规模的因材施教逐步落地。

全球前沿探索

AI技术发展拓展教育想象，多个教育领域积极引入AI拓展惠及人群

在全球政府、社会、资本的高度关注下，AI技术不断突破已有上限，并拓展教育应用想象空间，如Open AI，其于2024年5月推出GPT-4o，实现了响应速度、多模态交互等多维度的技术提升，并于同年6月推出专为高校场景设计的GPT-edu，灵活应用于科研等细分场景。同时，特殊教育、职业教育也积极引入AI功能，拓展AI惠及人群类型，如Classworks通过无开放式问答的方式推出特殊教育人工智能助手Wittly；zSpace也已通过引入人工智能学习助手，为实训学习加入实时交互功能与职业生涯指导等功能。

02 中国发展背景

为什么要关注AI+教育

我国教育仍面临“不可能三角”挑战，AI技术的赋能将有望打破这一挑战

当前，我国仍然面临着传统教育领域的“不可能三角”挑战：即在规模化、公平化与个性化之间寻求平衡的难度。现阶段我国教育体系在规模化与公平化上已取得显著成就，但在实现个性化教育的道路上仍有待提升。而AI技术作为模拟人类智能、辅助决策并具备部分替代人力、拓宽人力边界的数字化工具，为这一挑战带来了转机。通过深度融合AI技术于教育教学之中，赋能教学主体、教学载体、学习主体，从而提升普惠教育下的基本教学质量，并实现教育过程中对个性化的追求，逐步打破传统教育领域的“不可能三角”。再纵观我国教育体系与AI产业的发展，校内外教育体系均经历20余年的信息化变革之路，我国AI产业发展态势向好，国际竞争力稳居前列，教育与技术领域均已为AI+教育的发展奠定了基础。

B端市场规模

2023年AI+教育B端市场规模约为213亿，预计2027年将达到约476亿元

随着我国于2022年全面开始实施国家教育数字化战略行动，包含AI技术在内的数字技术在幼儿教育、小初高基础教育、高等教育、职业教育等各学段教育中发挥的价值持续放大，技术与教育各环节的融合也愈发紧密。截至2023年，我国AI+教育B端市场规模约为213亿元。未来3年内，随着AI大模型等技术的进一步成熟，学校、企业等B端用户的相关教育需求将得到进一步满足，市场规模的增长预计将保持超过20%的复合增长率，应用范围也逐渐从基础教育更多的拓展至幼儿教育、高等教育、职业教育、社会企业培训等领域。

C端市场空间及AI贡献率-智能硬件端

2023年教育智能硬件市场规模512亿，AI贡献率11%

2023年中国教育智能硬件市场规模约为512亿元，在头部厂商的AI技术布局应用下，预计2023年硬件端AI技术的贡献率约为11%。AI技术的嵌入带来教育智能硬件可观的销量增长，艾瑞判断，随着技术应用的继续深化，预计2027年教育智能硬件端的AI贡献率或将上升至37%。

C端市场空间及AI贡献率-内容服务端

2023年在线教育市场规模2628亿，AI贡献率7%，市场空间广阔

据艾瑞估算，2023年中国在线教育市场的规模达2628亿元，AI贡献率约在7%左右。AI技术对于在线教育市场的影响主要体现在学习软件的功能迭代及教师效率提升等方面。随着AI技术的不断突破与创新，行业内头部厂商为进一步降本增效，将更积极地推动AI相关应用的落地实施。预计到2027年，AI在在线教育市场中的贡献率将攀升至16%左右。

AI+教育产业图谱

AI+教育发展：各教育环节发展成熟度

AI+教育已在校内外多点应用，其中中小学教育应用已步入高成熟度阶段

在政策、资本、用户关注等多方推动下，AI+教育已在校内外多点落地应用。从学段维度来看，中小学阶段在校内外场景中均为应用成熟度最高的阶段。在校内场景中，考试测评应用成熟度最高，其次是教学应用；在校外场景中，居家学习已达到高成熟度阶段。此外，语言学习应用整体成熟度也较高，该场景对多模态数据要求相对较低，且学习标准较为统一。相对中小学阶段，成年人教育阶段、早幼教阶段的AI+教育应用成熟度则相对较低，这主要来源于成年人教育内容及目标多样化，高校学科知识图谱构建难度大、职教及兴趣培训知识点分散，模型构建难度大等原因。

03 中国产品应用实践

AI+教育发展：走在前列的产品应用

本章将从校内、校外两类场景出发，选取较为成熟应用进行分析

校内场景应用商业模式总览

软硬件一体装配、软件系统部署、单次服务购买为主要服务模式。典型玩家多数为原教育信息化厂商，科技厂商优先选择从新兴应用场景切入赛道

应用分析-自动评阅

产品买断与服务购买为主要商业模式，场景利害性决定AI评阅介入程度

自动评阅功能的应用场景可分为高利害与低利害场景，其中高利害场景主要指中高考场景，该场景中科大讯飞、海云天等企业为主要玩家；低利害场景主要指区域联考、校内日常考试等日常场景，科大讯飞、佳发教育等企业为主要玩家。产品买断与服务购买为典型商业模式，其中产品买断可应用于所有场景中，主要涵盖软硬件一体化打包售卖和软件单独售卖等方式；服务购买主要应用于中高考场景下，企业为考试院等服务需求方提供硬件搭建、阅卷需求匹配、试卷扫描等全流程服务。目前所有细分场景下均可实现客观题的完全自动评测，主观题的AI介入程度取决于应用场景的利害性与评阅要求的严谨性。

应用分析-听说考试

以考促学，收费模式以收取考务费及服务费为主，市场集中度较高

听说考试AI测评的市场远没有达到饱和的状态，未来市场仍有一定的发展空间，但新高考改革已进行多年，目前市场的增速已有所放缓。当前市场集中度较高，在正考场景下CR1达到90%的水平。由于学校模考、教学非常看重“中高考同源测评技术”，率先占领区域考试场景的厂商更易在校内教学场景中占据一席之地，并以此为基础影响学生购买练习产品。由听说考试需求延申出的自主练习场景，应用的采购者也因此从区域或学校端转变为学生端，形成了服务C端学生的市场。因此在C端服务中，CR2也已达到80%的水平。当前市场中，讯飞、听说科技已在这一领域深耕多年，佳发教育随后入局，此外希望进入市场的厂商类型丰富，C端也已有更多软硬件产品开始植入英语听说模考练习功能，在竞争之下，艾瑞预估未来校内、校外两端市场的集中度均将下降。

应用分析-理化生实验

教育装备厂商及AI技术厂商为AI测评领域的主要竞争者

理化生实验设备供应是个发展了几十年的传统行业，但智能测评产品是个刚刚起步的发展新方向。理化生实验考场建设的可规模化、实验环境的标准化、各地实验考纲的相似性，吸引了一批智能测评产品供应商入局。理化生AI测评解决方案的主流竞争者为传统教育装备厂商及AI技术厂商2类玩家。前者的智能教考产品可与实验室设备整合后打包进校，建设整体实验室及标准化考场。其服务优势也十分明显——了解教育客户，客户口碑占优。后者则基于自身的AI技术优势，所研发的产品智能化程度高、效果佳，多在原有实验室基础上独立部署进校，也可与教育装备厂商合作，整合实验器材整体打包进校。由于理化生AI教考设备的模式较重，同时AI技术进入正式考试需要较长的试点、验证的周期，目前AI解决方案多以试点形式落地区域考试或学校教学。

应用分析-体育测评

便携/一体机、智慧操场建设为AI体育测评的主要解决方案

体育AI测评领域目前最主要的解决方案是便携式/一体机式和智慧操场建设2类方案，前者通常资金投入较低，且设备使用灵活，商业模式以租赁和软硬件一体化购买为主；后者通常资金投入较大，但最符合传统体育活动的开展需求，商业模式以软件算法服务采购为主。目前行业内的玩家基于自身基因选择不同切入赛道方式，AI视觉科技厂商通过“AI+体育”的方式，借助技术优势从中考体育尝试延伸至日常教学场景；教育信息化厂商通过“AI+教育+体育”的方式，借助渠道优势从传统教学场景延伸至体育场景；传统体育服务厂商通过“体育+AI”的方式，尝试在传统测评方案中加入AI技术继续保持自身竞争力，但难度较大。

应用分析-精准教学

解决方案自由搭配，模式以硬件搭配软件进校、软件系统独立进校为主

精准教学解决方案并非是行业统一的标准化解决方案，不同厂商、不同客户的解决方案均可能有所差别。从客户角度，校方可基于自身课前、课中、课后的教研教学需求，自由组合不同软硬件方案。课前环节教学资源平台与学情数据平台共同支持教师教研；课中环节教师可借助智慧交互白板等硬件设施的加持，基于课堂智能互动系统等软件系统优化课堂互动；课后环节教师可借助智能扫描仪、智能手写笔等硬件设施的帮助，基于智能题库、智能阅卷系统等高效汇总分析课后作业情况，并进一步完善学情数据平台，实现课前-课中-课后的数据闭环。从厂商角度，当前主要有两类服务模式。第一类是以硬件为基础率先部署进校，后续对搭载或升级软件功能实现增值收费；第二类是以软件为基础进校，根据区域政府/校方需求，提供“教-学-管-评-测”或单环节解决方案，后续派驻技术员提供软件培训、实时响应技术问题等服务。

校外场景应用商业模式总览

AI+教育应用多嵌入学习工具APP及智能硬件中，并主要搭载在学习机上

在校外场景中，AI+教育应用主要载体为教育智能硬件和学习工具APP，用户群体目前以中小学生居多。面对日益激烈的市场竞争，硬件厂商纷纷开启智能化转型，以期获得更强的竞争优势，硬件产品主要通过整机销售获利，AI+教育功能通常作为产品亮点，不额外收费。与此相比，学习工具APP的盈利模式更为多样：1.将AI功能作为核心付费项目，提供月/季/年订阅；2.将AI功能纳入综合会员服务包，按月/季/年统一收费；3.提供免费AI功能，用以吸引用户并引导至其他付费服务或产品。尽管软件应用日益丰富，硬件产品，尤其是智能学习机，仍然是当前AI+教育校外场景应用的主要产品形态。

应用分析-精准学习

AI精准学类产品以学习机为主要产品形式，随学习机市场爆发火热

当前AI精准学类应用最为主流的产品服务模式是以软件功能的形式嵌入到学习机中。从学习机的产品服务模式出发还有两类收费模式，其一为单纯售卖整机产品的逻辑，其二为售卖整机+延申服务的逻辑。对于前者而言，AI技术占优的公司会将AI精准学打造为学习机的核心卖点；对于后者而言，学习机与AI自习室服务二者缺一不可，是学习机产品的外延增值服务，同时也有助于拓展学习机的线下销售渠道。这一类应用技术门槛并不算高，当前各类学习机厂商均已打出了AI精准学功能，竞争者类型丰富。

应用分析-口语学习

传统口语学习产品服务模式稳定，AI外教类应用快速吸引多类厂商入局

传统口语学习APP类产品已在国内发展多年，无论是自适应学习类APP还是英语配音类APP，其产品服务模式均已成熟稳定。但同时，这类产品的用户增长也已步入了平台期。在AIGC技术驱动下，各类传统口语学习软件厂商均开始布局自由对话式AI功能，以寻求更多的发展可能性。由于自由对话类应用模式较轻，技术难度不高，对教育内容积累要求不高，入局门槛低但变现周期短，从AIGC兴起的短短2年时间内，多类型公司挤入此类赛道。但也由于其发展时间较短，目前产品仍有对话模式僵化、识别或反馈内容不精确等问题，若未来希望达到优质真人外教的教学及练习效果，此类产品仍有较长的发展及迭代空间。

应用分析-作文评阅

搭载硬件和软件会员充值较为成熟，可尝试探索拓展服务流程与应用范围

作文自动评阅功能现有商业模式主要取决于产品载体，一方面可选择嵌入进学习平板、词典笔等教育智能硬件中，通过硬件的一次性购买实现盈利；另一方面可选择直接开发为APP端/网页端软件应用，通过免费使用实现为其他功能、课程引流，或通过会员充值模式解锁更多评阅维度。除此之外，不同类型企业也在探索新的商业模式发展方向。服务于传统中英作文评阅的企业尝试通过延伸服务流程增加盈利空间，从仅提供评测功能向前延伸至思维引导、课程提升，向后延伸至个性化文章优化建议。职业教育等领域的企业尝试将作文评阅类功能迁移至全新应用范围，如国考领域的申论AI测评。但整体而言，作文评阅类功能目前属于各企业相关产品的标配功能，短期内依旧难以实现单一功能的独自盈利。

应用分析-拍照搜题

当前拍照搜题APP尝试拓赛道、拓功能、拓市场以寻求新盈利出口

拍照搜题是中国AI+教育市场最早出现的一类应用，最初拍照搜题的核心用户群为中小学学生及其家长，其商业模式包含两类逻辑：其一为工具属性，以收取会员订阅费为主要盈利模式；其二为引流属性，将搜题软件的用户引流至同APP/同品牌课程中，最终收取课程费。而随2021年拍照搜题软件面临的管控与整改要求，其产品定位逐渐转向为辅助家长进行作业检查与辅导。此时，拍照搜题软件的核心商业模式其实并未转变，但为找寻新的盈利出口，厂商开始尝试在现有模式的基础上拓赛道、拓功能、拓市场——用户群拓展至成年人阶段，功能类型拓展了更多批改功能，产品服务模式拓展至嵌入到硬件之中，覆盖市场开始拓展至海外市场。同时，随着大模型的发展，如好未来等厂商开始尝试通过构建AI模型，通过大量学习，理解题目内容从而给出解析，降低成本的同时，脱离原有题库内容的桎梏。

04 行业发展思考

趋势一

挖掘深度：学科教育、素质教育、情绪智能多维一体陪伴孩子成长

教育领域除了需要关注知识学习本身，还需要进一步关注到思维培养、个性发展、心理健康等多维度，因此未来AI+教育有待继续挖掘在素质教育等方面的应用深度，增加教育灵活性的同时，进一步摆脱技术带来的冰冷感。首先在学科教育领域，人工智能不受思维惯性等限制，可以为学生提供更多元化的引导思路，但同时也应尝试通过小型语言模型等方式保障教育的公平性。其次在素质教育领域，人工智能一方面可以通过关注过程性数据拓展了AI技术在素质教育领域的应用想象空间，另一方面通过持续不断收集成长数据实现陪伴与监督的延续性。最后在情绪智能领域，人工智能还需要继续提升情绪理解能力，带来更多疗愈、陪伴等功能，真正做到多维一体的陪伴孩子成长。

趋势二

拓展宽度：职业教育、企业培训、出海探索，寻找下一增长点

在应用的广度上， AI+教育还应继续探索职业教育、企业培训、出海探索等机会点。首先，我国目前在职业教育领域的授课依旧以理论授课为主，缺乏实操训练，未来技术企业与行业或学科深度融合后，有望为每一位学生提供1V1实时虚拟师傅指导操作，并实时分析市场需求，即使调整教学内容。其次，在企业培训领域，人工智能技术可以进一步多维了解并挖掘员工或面试者的潜力，提高企业竞争力的同时，为员工提供更公平的竞争环境与更广阔的发展空间。最后在企业战略层面，企业可以从教育或技术两个层面寻找出海机会点，教育层面上企业可以尝试通过拍照搜题等标准化应用出海率先打出知名度，或基于当地教育需求进行定制化研发；技术层面上，以语言翻译为代表的技术企业可以尝试通过出海快速拓展数据量与应用场景范围，能力提升与出海增长一举两得。

趋势三

保障信息安全、谨防人工智能过度依赖、以人为本并坚持教育本质

在关注与挖掘人工智能技术在教育领域发展前景的同时，我们还需要关注以下三大问题。首先信息安全问题，人工智能助力教育的一大基础便是收集海量师生的教育数据，此类信息一旦被非法使用，极易引发隐私恶意泄露等问题，同时该类数据中如果存在未经检查的社会偏见等问题，可能会被人工智能系统进一步放大从而加强系统性不平等。其次要谨防师生对人工智能的过度依赖，教学资源的快速“精准”推送，可能导致学生与教师形成资源依赖，限制学生创新能力的培养与教师对教育独到见解的思考。最后还需要时刻谨记人工智能技术的介入不应该模糊教育的本质，一方面应坚守以人为本的基础，另一方面还应警惕企业对商业利益的过分追逐。

（摘自：“艾瑞数智”公众号）