Robert：普通话有两三个老师去做这个评判，这些老师可能有些是北方的，有些南方的，有西方的，但他们都会有自己的评判标准。机器人改卷如何应对这些主观性的因素？

吴总：机器学习，如果让他学的是一个水平很差的（样本），他肯定最后就是有问题。为什么呢？机器学习要有一个学习的对象和标准。我们希望人工智能学习顶级专家，学习结果能达到一流专家的水平，能超过大部分的一般人，这个事就是对很多领域里面我们机器学习提出的一个方法论，所以对于刚才你讲的这个问题也是这样的。

人说普通话不标准，可能因为是南方人不标准，带南方口音，也有可能是我们西北人，带西北的口音，但是实际上这个测试专家来说要达到一定的水准才能测试。他受过很多的训练，然后才能对这个人进行普通话的打分，所以机器要去学习这些训练有素的顶级专家。

我们在高考评阅作文的时候，我们看到这个评卷的过程也是比较严谨的，一般的来说，首先要一些比较厉害的，就是专家对一组样本进行打分，打完分以后，所有要参加打分的老师对这组也要去打分，打完分以后他们要在一起讨论打分的一些原则，有哪些原则，然后每个老师打分的尺度，如果和这一组专家的打分尺度存在一些偏差的话要调整，它有点像最后测试的专家，要有个校准的过程，就是机器学习。其实学的就是这些训练有素的专家评分的过程，应该说是学习的对象，有保障性。

当然我们今天在讲高考，我们讲也要大家相信这些高考的评分老师，他们的评分应该还是受很严格训练的，我们说一下作文的阅卷，技术方面是什么差别？实际上作文评分还是离不开学习的问题，我们一篇作文题目，写了作文以后了，机器给他评分之前，一般的来说我们需要同样的这一篇作文就随机的去抽取有高分的、低分的，不同代表性的，大概要抽取出来500份，这个500份也是高水平的专家去打分。打完分以后机器去学习，学习比如说篇章结构、里面的词汇、词句之间的逻辑性，然后不同的段落时间和语义的关联度，他要学习这些维度和最终给的分数之间的关系，当然我说的只是维度中的一小部分，它能有非常多的维度机器要去学习，通过这些维度和分数的关系，建立一个模型，从中间把这些维度抽取出来，输入到模型里面去用，通过这个模型得到一个最终的分数，这就是机器学习。

但实际上在作文评分里面，机器里面是有一些文章是不能评的，大概是什么呢？就是我刚才讲500篇作文，他不是在学习吗？这500篇作文它其实是代表了很多类别作文的范式。（处于这种范式的文章）机器就能够去打分，不是处于这些范式的文章，机器它其实是有一种技术指标，它会把它抽取出来，抽取出来的部分会交给我们专家去打分。所以这个地方其实大概百分之七八十的工作量交给机器了，机器也很清楚地知道，atv，比如说有一些特别有创意的500篇，里面的范式不能覆盖的，比如说还有一些可能写得非常离奇，乱七八糟的，这些东西机器能够把它找出来，找出来的部分要让人去把关。所以就现在整个在作文评分上的应用来说，一个是机器可以处理一部分，和人形成一个补充，可以降低人的工作量，然后把人的优势和机器的优势很好地发挥出来。

Robert：那你觉得在教育行业里面，AI会对教育这个行业会有什么影响？

吴晓如：实际上我觉得从现在我们整个实际的一些应用情况来看，整个人工智能在教育里面会发挥非常大的作用。其中最重要的作用，尤其是在中国，因为中国的教育资源尤其是高端的教育资源其实是比较缺乏的，中国在很多中学、小学教育里面，它是大班子，一个班有40个、50个学生，这么多学生的情况下，老师很难能够去关注每个学生的学习的情况。但实际上我们未来的人才的培养，其实一定意义上我们又希望去培养具备有个性化的人才。这就有矛盾了，中国的教育行业尤其是中小学的老师非常辛苦的，他的工作量已经非常大了，这时候怎么办？这时候人工智能技术就正好可以发挥作用了。