第三是为解题准备的精准推理算法，主要是基于人工智能的专家系统。在该方面，学霸君的做法是利用资深老师和工程师在7000万题目之上构建了推理引擎和庞杂的知识元——还称这是机器在所有的解题路径中探索出的最简明的一种。

最终，直接展现上来说，就是要模仿人脑的感知、记忆、认知、分析、建立经验知识库、联想、判断、决策整个过程，可以挑战中学框架范围内的所有题目，就是找到数千万人类学霸的解体经验——如同AlphaGo在学习人类棋谱后成为围棋高手。

不过，这其中最大的挑战来自形式化语言是自动解题，这对于机器是挑战极大，关键在于“简明完备”。尤其是涉及到概率等应用题，挑战又上升了几个数量级，在知识图谱基础上，需要探索出一种兼容句法和语义转化的表示方法，能够支持代数、几何、概率题等。

微软亚洲研究院还非常具体地解释过机器在考数学方面会遭遇的挑战：

首先涉及自然语言理解。一方面，对于一道题目的文字描述，计算机需要知道并理解其中包含的概念，对于人类很简单的概念，对机器却需要自然语言理解方面的“造诣”。

举例来说，“一加一等于几”以及“小明有一个苹果和一个梨，问小明有几个水果”，同样本质是“1+1=？”的两道题，在题型概念上是一样的，表达方式却截然不同。计算机需要知道如何把以上两道问题都抽象成两个对象相加。

另一方面，机器抽取题目中各个概念变量的关系也十分具有难度。其次，在一定程度上理解文字之后，数学解题需要通过逻辑推理生成解题公式。最后，计算机需要具有一定有关现实世界的常识去理解自然语言里面一些隐式的指代。

他山之石：AI2

让人工智能考试这件事，并不只有中国人在研究。

位于美国西雅图的艾伦人工智能研究所（AI2）成立于2014年，创办者是微软的联合创始人保罗·艾伦，CEO是知名的人工智能专家Oren Etzioni博士。

目前AI2主要进行四个项目研究。

Aristo（亚里士多）：这是一个结合了机器阅读和NLP、文字蕴含和推论、不确定推理、大型语料库的统计技术、图表理解等多项人工智能技术，开发而成的第一个有关科学的“知识机器”。

Semantic Scholar（语义学者）：基于NLP、数据挖掘、计算机视觉等技术，构建而成的搜索引擎，能帮助科学家更有效的发现和回顾研究论文。

Plato（柏拉图）：聚焦于从图像和视频中提取视觉知识，用以丰富传统上基于文本资源形成的知识库。

Euclid（欧几里得）：这个系统试图在标准化测试（如SAT）中，回答数学、几何方面的问题。几何问题需要文本和图表能力的创新及组合。

这其中，Aristo和Euclid跟高考AI有点像，举例说明。

比方你问Aristo：一年的哪个季节，兔子的毛皮最厚？

A.秋季 B.春季 C.夏季 D.冬季

Aristo回答：D。如果你查看详情，Aristo会进一步解释说，回答的依据来自Barrons四年级学习指南，指南里提到熊的毛皮在冬天最为厚实。所以Aristo推断兔子也一样，这个回答的置信度是60.14%。

如果你问Euclid：如果从-5到x的连续整数和是13，那么x等于几？

Euclid回答：7。它对这个题目的拆解思考如下图所示。

之前独家采访图灵奖得主Raj Reddy时，这位人工智能先驱曾经对量子位谈起AI2的研究，因为Etzioni是他的学生之一。

Reddy说AI2用了生物学AP（美国大学预修课程）教材，构建了一套知识系统，准备让电脑通过AP考试。花了好多时间，还有好多钱，最后发现行不通。

“在我看来，这个方法根本就是错的。在搞AP生物知识之前，应该先搞明白高中生物；搞中学生物之前，应该先搞明白小学科学。Oren去了之后就是这么做的，他们先研究中学的生物课程，现在已经能回答60%的问题。”Reddy说。

关于Reddy这次采访，这里是传送门：《对话图灵奖得主Raj Reddy》。

争议：一场炒作？

不过，要做高考答题方面的AlphaGo，听起来简单做起来难，不少从业者觉得当前技术达不到。

同样在研发“高考机器人”的科大讯飞就表示，对于目前的展示方式的权威性有疑惑，因为就科大讯飞牵头的863课题来说，人工智能能力通过高考去实现，是有硬指标的。

按照科研的通常做法，以及科技部的要求，需要按照一种完全没有任何疑义和漏洞的测试方法进行，即这个测试要在完全断网的状态下进行。

其次，要确保在测试之前机器是没有办法获取任何题目相关内容，也就是说需要“同步”进行，而不是考试试题已然公开的情况下。

第三，在整个处理过程中，要有完全可监督的第三方，符合公正性。