2017年4月11日,IBM公司(NYSE:IBM) 在其2017论坛上,宣布基于IBM人工智能(AI),为上海世外教育集团下属的上海、杭州、宁波等地的世界外国语中、小学(以下简称上海世外)打造“儿童英语口语辨识及评价系统”,助力上海世外为其未来几年内的英语教学模式转型开启智能化进程。作为业界著名的办学集团,英语口语教学是世外旗下学校的一大特色,上海世外致力于为学生交付优质的英语口语教育与服务产品,打造中小学生、教师、家长喜爱的线上线下教育平台。
IBM为上海世外打造的这一“儿童英语口语辨识及评价系统”将帮助6-15岁的学生更轻松地学习英语,它也是IBM人工智能在本地教育行业的首次落地。基于这一系统,学生可通过手机等移动终端输入朗读的声音文件。IBM 的语音分析、自然语言处理技术将精准地识别、分析声音文件,并反馈关于发音与韵律两个维度的评价;从音素、单词、句子各层级的发音,以及重音、停顿、流利程度和韵律等方面给予反馈,从而达到随时随地辅助学生学习英语口语的目的。
目前,这一系统的建设正处于第一阶段。预计系统建成后,通过这一系统给出的口语水平综合评价与有经验的老师的评价相差无几。未来,IBM与上海世外希望在评测学生口语发音及韵律的基础上,探讨引入IBM Watson在“理解、推理、学习、互动”等方面的完整能力,打造多模态、多层次的个性化英语教学模式。结合学生的历史数据及学习曲线,新技术将能在英语学习的“听”、“说”、“读”、“写”等各个方面,为上海世外的学生提供随时随地的精准指导;并辅助该校教师构建场景化的口语教育方式,打造趣味性的英语学习环境,通过AI助手提高学生的学习兴趣;同时,进一步解决传统教学模式下师资不足和教学质量良莠不齐的问题。
上海世外教育集团技术总监田野先生表示:“一直以来,上海世外以优质的英语口语教学质量著称,在教学资源及学习数据方面积累了一定优势。我们希望通过应用人工智能技术,进一步巩固、升级我们已有的教学品质优势。IBM的人工智能方案不仅在技术上能够很好的满足我们的需求,保障我们的教学质量始终如一,其丰富的行业应用经验还将在未来给予我们更多的教育模式创新的可能性及发展空间。”
IBM中国研究院认知交互技术总监秦勇先生表示:“此次IBM与上海世外的合作,不仅是IBM人工智能在本地教育行业的首次落地,也将成为IBM人工智能与行业应用相结合的又一次成功实践。IBM人工智能在‘理解、推理、学习、互动’等方面具有完整的能力。今后,我们将充分发挥这些能力,从语音、视频和图像等多模态领域全面推进AI技术应用;并结合我们长期积累的行业经验,与上海世外一起探索个性化教育创新之路。”
几十年以来,IBM持续聚焦创新技术解决方案,推进教育模式的转型。目前,在全球, IBM已在早期教育、中等教育和高等教育等各个阶段积累了成功的客户案例。在少儿早期教育领域,芝麻工作室(Sesame Workshop)是出产《芝麻街》(Sesame Street)的非营利性机构。IBM将Watson的自然语言处理、模式识别等认知计算技术与芝麻工作室的儿童早期教育专业知识相结合,以开发富有创意的节目,并提供个性化的学习体验;在高等教育领域,IBM与皮尔森集团(FTSE: PSON) 合作,将IBM Watson的认知能力及皮尔森的数字教学产品相结合,帮助大学生轻松简单的获取课程学习辅导,并辅助教师管理学生的学习情况,从而推进个性化、精准化的高等教育。不久前,IBM还为iOS应用推出了教育类APP ,MobileFirst方案―― “IBM Watson Element for Educators”,以期帮助K12的教师在课堂上为学生提供更好的个性化教育体验。目前,这一APP已经在美国德克萨斯Coppell独立学区试用,帮助其教师提升每一位学生的参与及互动。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。