作为国家级项目， “ 高考机器人 ” 仍在开发和完善之中，要 2019 年才会正式参加考试。但今年参与考试的 “ 考生 ” 之一准星云学 AI-Maths ，与该项目有着密切关系。资料显示，准星云学的核心团队于2015年参与了 “ 基于大数据的类人智能关键技术与系统 ” ，并主导子课题 “ 初等数学问题求解关键技术及系统 ” 。后者正是 AI-Maths 技术的重要来源。除此之外，AI-Maths 还综合了清华大学大数据及自然语言识别等前沿技术，是“一款以自动解题技术为核心的人工智能系统”。

而另一个 “ 考生 ” Aidam，则来源于学霸君。此前，学霸君接受36氪采访时曾经描述教育中，清楚地分析知识点，做到知识框架全局可细分就需要用数据来驱动学习效果，而数据则来源于学生使用学霸君时的各种行为记录。

在讲解 Aidam 的背后逻辑的时候，学霸君的首席科学家陈锐锋使用了围棋作为比喻。类似于围棋棋盘可以被分为无数横轴和纵轴。人的思维模式和解题模式也可以被具象为棋子，棋子的纵轴与横轴分别代表起始的状态和下一步的状态，这样，每一次题目的可能解法，就相当于在一个庞大思维矩阵里下棋的过程。而学霸君此前积累的庞大的题库与数据记录，恰恰类似于无数张围棋棋谱，为人工智能自主学习提供了可能性。“我发现，原来在我们的题库里面我们记录了大量的关于状态之间可跳转、可推演、可演算、可关联的信息。”

不同的背景决定了二者的不同的解题思路，甚至在一定程度上截然相反：准星云学的 AI-Maths 与 863 计划的高考机器人的思路一致，强调 “ 不联网、不连接题库、无人工参与 ”，在只有少量训练样本的情况（只有约500套试卷、1万道题的训练量）以机器建立类似人类的复杂逻辑推理能力与联想能力。试图让机器在较少样本和较少资源耗费的情况下，拥有“举一反三”能力。而学霸君的思路则强调大题库（已经有超过7000万的巨大题库），通过海量的题库，用户行为数据，以及 Ai 自我博弈，从海量题目中找到适合共通的知识元件和解题模式。从某种角度说，这两种模式的区别类似于Alphago 早期版本的学习过程，计算机可以通过规则自己对弈，也可以学习棋谱。从此前的测试中看，Aidam 的成绩要好于 AI-Maths，但如果以纯粹人工智能的难度和多行业的延展性，AI-Maths 要略高一筹。

陈锐锋为观众讲解AI原理

不过，尽管距离人类只有“1分之隔”，但无论是 AI-Maths 还是 Aidam ，仍然有很长的路要走。

在四个月前的那次首次亮相中，AI-Maths 仅得了 93 分。事后，准星云学 CEO 林辉在接受记者采访时，认为它失分的重要原因来源于“无法理解题意”，它们缺乏人类生活的常识，它们无法理解“投资”、“理财”这些概念。

在现场，AI-Maths 的研究人员举了一个例子：它可能能够解决复杂的数学问题，因为1-9的数字对它理解起来非常很容易。但是人工智能要理解“苹果是什么”却很难，因为一个具象苹果，需要非常多的描述。人类可以从小从生活经验里习得，而 AI 则不能。这也导致了，在语言相对更复杂，概念更多的应用题领域，AI 的难度要比人类解题大得多。

这一问题同样困扰着 Aidam 的开发者。陈锐锋简要介绍了 AI 的答题过程必须经过三步： 第一步，从自然语言转为形式语言，需要将复杂的数学题分析其中的语法结构，抽出其中的主谓宾，形成能够让AI理解的语句。第二步，从形式语言进行自我映射、自我推理，并完成最终解题过程。第三步，将解题完成后的机器语言翻译回人类的语言。仅在解决“如何将几何语言转化为机器语言”这一难题上，开发者就花费了整整一年的时间。此次的题目也是由人手工输入，在一定程度上降低了 AI 解读的难度。

但从整个 AI 行业而看， AI 对语言的理解，乃至对于主观题的判断，又比人们设想的更加迅速。据吴晓如在访谈中介绍，目前科大讯飞的智能阅卷产品，已经可以实现对主观题，甚至对语文、英文的这样一个作文题都可以实现自动的评分，包括给出详细批语，甚至可以对学生们用的好的一些优秀的排比句，和名人名言给予针对性的鼓励和评点。另一方面，微软小冰在2017年5月19日出版的诗集《阳光失了玻璃窗》获得好评，被认为比起去年的高考作文有了很大的进步。