人机共融智能的定义：利用人类智能和机器智能的差异性和互补性，通过智能融合群体、智能融合、智能共同演进等，实现人类和机器智能的共融共生，完成复杂的感知和计算任务［1］。

人机共融智能的关键特性包括以下几点。

1.教育个体智能融合

在教育个体智能融合中，我们并不是强调人的能力和计算机的能力的独立性，而是强调其相互渗透的优势。当今计算机为人的智能化和教育自动化提供了海量的信息和思想案例基础，在计算机高度运算的背景下，利用计算机快速地、低成本地对信息进行存储、比较、排序和检索优势，发挥人的潜能和创造力，进行联想、分析和归纳，针对复杂任务，巧妙地利用人的识别能力，人机协作增强感知与计算两者的互补优势；利用人工智能和虚拟现实技术进行教育思想形态的相互渗透，进行知识返璞归真的现象模拟联想，进行更高级别的自我建构。

2.群体智能融合和智能共同演进

未来的教育不希望由机器人去统治教育，人类教育的传播智慧出现倒退现象，这样的局面如果出现将意味着人类在消亡。群体智能融合和智能共同演进，人类智能和机器智能互相适应、互相支持、相互促进、智能的共同演化和优化将是教育领域的重要的目标。

在教育群体智能融合上，群体智能就显得尤为重要，它突破了个人的智慧或单个计算机的智慧的概念，形成群体智慧的联想、分析和归纳，群体性多维度的识别能力，人群和机群信息获取、协作增强感知、群体人体感知，对人们的整个教育行为进行群体性的行为挖掘，根据人们在教学答疑专家系统的问答，共同挖掘出教育问题的规律，在教育事件驱动的前提下，完成事件特征抽取，完成辅助决策的智能，借助所有可能对人有用的试听说设备，来提供计算机智能获取信息的敏感度，借助计算机的网络并行分布式的特性，完成思想案例、教学策略等方面的扩容，完成海量信息下的大数据联想，完成不同群体和不同计算机所贡献出来的智慧，在智能共享的前提下实现智能共同演进。

教育隐含智能是教育智能的重要依据内容。我们举一个例子来说明隐含智能问题，比如在显含知识和隐含知识的表述上，1＋1＝2是显含的表述，而1与2的和则是隐含的表述，实质上表述的是同一个问题，但是第二个问题就属于隐含的表述；这种隐含的表述是建立在人们对中文和语言理解的基础上才能够表述出来或者被人理解的。同样隐含智能也是在显含的基础上，再加上其他领域的知识内涵、更深层次的教育内涵产生出来的。

我们要在教育隐式智能的挖掘和开发的基础上，注意思想性的挖掘、教育形态内涵性的迁移，要在显示教育智能的基础上构建智能、挖掘教育的潜力，挖掘在智能环境下的隐含的创造力，挖掘不易发觉的智慧和思想。真正的教育智慧和人的创造力，大多数属于隐含的，甚至是无法用文字表述出来的，在教育智慧发展和人工智能发展的今天，随着数字化的提升，我们可以在人体感知、行为分析以及教育规律摸索上找出相应的智慧思想、智慧策略、思想传播、内容深度表现方法，完成更深刻的教育内容画像和教育大师深度画像。

教育是一个递进的过程，也是一个循环的过程。教师在获得知识后进行知识传播，学生在传播当中进行问题的理解，并将不明白的问题返还给教师，而教师针对学生的问题进一步学习再给出他所理解的答案，就这样周而复始。实际上是教师在教学的过程中将自己弄明白了，在明白的基础上教出了不同明白程度的学生，教师的知识的深度决定了学生学习的深度和学生构建知识问题的深度，这就形成了一个人与人之间的共进智能演进状态和共融状态。而在教育中计算机的智能化是为人服务的，它接收的信息和指令都是在完成人们需要的内容，所以计算机在不断地训练学习人们教育教学的工作过程、教师知识的传播过程、学生学习的学习过程后，通过交互式遗传等算法，使得其自身的智能通过不断迭代，更加智能和高效，就可以针对人们不同的需求环境进行辅助性的、差异性互补的帮助、辅助性决策等。教育工作者可以利用机器之间相互协作、借助机器提供的反馈，实现机器智能的自我演进，教师在这其中获得积极智能的提升，通过计算机和互联网的反馈而受到启发，丰富了自身的经验和知识、认知能力。通过深度人机智能演进，实现人类智能与机器智能共同学习，实现具备人机相互协作与促进特征的人机智能共同引进方法。形成人的智慧与计算机智能共荣、共融、共同演进、共同发展的状态。

3.人机混合智能

当前智能程度需要在认识中发展，对AI的要求和理解需要在实践中不断地感悟，对AI技术性能的利用也要随着AI的大趋势进行深入，而在发展的过程中始终是人类智能和机器智能相互补充的，教育中人们也在不断地寻找如何提升教学的质量，寻找如何让知识更加有效地传播，如何让学生理解得更加精准，如何在未来技术环境下提升这些问题的回馈速度，并进行教学上有效干预、影响和控制。实现在教育复杂问题和场景中的协作决策，形成教学控制闭环回路，进行相应的辅助决策建议。在教育职能的发展中同时关注显式智能和隐式智能，实现智能的共同演进。

教育系统本身就是一个知识传播理解和被传播的关系，这关系可能出现在教师和学生之间，可能出现在计算机和学生之间，也可能出现在教师、学生、计算机三者之间，有可能在虚拟现实环境下的体验中出现在体验者和环境之间，还有可能出现在影视与学习之间。所有这些都构成了知识传播、知识感染、知识接收和发送的关系。但是它们的目标没变，都是针对学生，都是围绕着学生接受效果、知识理解效果和自我建构效果而设计的。

在现有的互联网的基础教学环境下，在人体感知技术的支撑下，在VR教学体验空间下，教育工作者就自然想起了如何即时有效地测试学生的接受效果，如何量化学生对问题的理解程度等问题，自然会对传统性的考试和测试方法在未来技术环境和信息社会中是否适应提出了质疑，对传统的考试是否能及时地反映学生的状况产生怀疑，对反应的状况是否真实产生怀疑，对试卷的出卷的主观性是否影响试卷的公平性产生怀疑，总之对各种因素是否影响成绩的判定等外界问题产生怀疑。这些自然性疑问和质疑是教育工作者在现实技术感染的环境下产生的，是一个进步的表现。

另外，传统的测试方法产生的结果远远滞后于课堂，在在线教学的环境下无法再根据测试效果去即时地调整教学策略，致使反馈信息利用度大大衰减。在没有现代技术和未来技术的支持下，这样的问题属于正常的问题。但是在有新技术的今天，这些问题显然与高速信息社会是不匹配的。这就从智慧的角度对教育中计算机性能提出更新的要求，更新地提升人工智能的干预和学习效果的要求。(www.daowen.com)

张琳博士在论文中通过对大数据多源异构教学系统设计问题的研究，全面地论述了以上问题，其中心思想就是根据多种信息源的测试，在对各个环节的闭环控制系统设计的前提下，实现教学各环节的控制。多源异构其内涵汇聚来自不同设备、不同数据源以及不同感知实体的信息，通过处理这些多元的数据信息来更加全面地感知教学环境和周边事物，为教育提供精准和智能的服务。多源异构将人作为感知节点，通过融合人机智能来提升传统基于机器设备的感知能力，实现人机的优势互补，从而提高感知的效能。论文中阐述了不同场景的应用方法，比如：考试的效果来源于学生，如果是在线考试，可以根据学生的答案、学生的状况、学生人体的感知来判断学生真正的理解状况；我们根据判断的状况进行相应试卷的调整，其中包括布局的调整、出卷的策略调整、试卷给出的语言表达的调整，甚至是试卷的体力调整；而且可以是在在线的动态情况下进行精准的调整、问题的精准控制、问题的精准捕捉、教学策略精准的定位。

在教学效果控制过程中体现了在教学质量提升过程中AI的服务意识，AI的服务对象是教师和学生。而在服务学生的过程中，如何服务好学生、如何掌握学生真正的想法、如何指导学生是服务学生的关键。为此，我们可以通过抓取图像、理解表情符号、学生私下微信信息、回答问题的状况等建立一个测试反馈模型，及时告诉教师在哪一个知识点上大家的真实反应，并建议如何调整。这就构成了一个教学控制闭环回路，这是一个典型的人机混合智能实例，实质上一些网络学院已经在不同程度上进行人机混合控制了。

在智能环境下，教师起主导性的作用，人们会建议计算机为我做什么，在教师和教学的角度上都希望能够在闭环控制系统支撑下获得最及时的效果和最及时的反馈信息，并根据问题进行调整，这也是一个好教师的愿望。但是如果一个教师讲的是一门新课或者教师没有仔细备课，那么更有必要获得这些内容，尽管他对这个反馈比较恐惧，但是该反馈能直接反映出教师的教学效果，反映出教师对知识的理解程度；如果这种环境下不断地有学生发出各种不赞同的表情，或者具体到对讲课正确性表示质疑，那么应该引起教师高度关注，并及时调整教学策略和方法。

人和环境是人机共融智能的基础，用先进感知技术让机器了解周围的物理环境和环境中的人，为后续高级智能提供具有语义的数据输入。教育中人体的精准感知基于传统接触式感知技术和新型的对人的行为及其周围环境高度精准非接触式感知技术。例如人及环境实物的高精度（厘米级、毫米级）感知，高精度动作行为（手势、指型、唇形、力度等）感知，生理信号（呼吸、心跳、脉搏、血压等）感知，计算机精准感知。

在教学中的人体感知反应是一个非常直接的、毫无隐晦的本能反应，它是隐含智能中的表现，这种对人智力的反应的挖掘和评价是今后重要的研究方向，它回避了许多外界因素和不确定性的因素，比如身体不适，比如说师生关系恶劣，比如说教师考试出冷门问题等，人体感知是对问题的直接反应等。

笔者在其他的论文中给出了这方面研究成果和研究路线，而且在其中也做了部分的实验，虽然实验仪器精度不是非常高，但是绝对反映出了学生对教学的真实敏感度和当下技术环境下的接收状态，总之给出了知识问题的第一反应信号，如关注、冷漠、反感、受刺激等。我们知道一个人在获得并理解知识后，内心是愉悦的，是非常兴奋的，非常有发言的欲望，受外界的刺激后会有许多激发性的表现，而这些心理表现，应该作为我们对知识的第一感觉和回馈，然后再与其回答问题的答案进行同步比对，进一步做出科学的判断和实时的学生状况判断，也就是说，我们在判断这个维度时应该再增加一项人体感知维度，重新考虑知识理解的概念。

有了这样的手段和认识，有了技术的高度和人的智慧进一步的启发，人们会提出更高的对机器的AI要求，不断在认识的基础上提出具有前瞻性的计算机隐含智能功能，不断挖掘人的隐含智慧，如新的大数据提示给我们对VR体验环境改造的启发等，提示我们在某些知识点上新的认知环境的发现等，这样的相互弥补、相互渐进、相互补充，就形成人机混合智能共进态势。显含智能和隐含发展智能将以共进的态势出现。

4.教学形态下的智能智慧演进

未来智能技术在教育中最典型的应用会是VR化教学。虚拟现实体验与传统的考核不一样，体验的教学目标不是对一个知识进行体验，而是带有综合教学任务的体验，是知识返璞归真的体验，它需要准确地返回体验者的感知、体验者的体会。当然返回的形式是不一样的，有的是通过虚拟现实中的临镜交互来捕捉学习路线、动机以及其创新意念，有的需要对其行为进行跟踪，有的则需要对人体感知进行测试等。综合地对其问题的喜好进行捕捉，对其完成各项任务的兴趣度、冒险度、创新意识、挑战意识进行捕捉，多维度衡量该体验者并对其进行深度画像，并根据画像内容进行VR环境的推送和自适应环境的推送，给出他喜欢的资源，给出他喜欢的动作空间，给出他喜欢的联想创新空间，给出他具有启发性的、对知识有更深刻认识的元素，而这些任务都是在高度人机融合计算情况下、情景联动情况下进行的。

人机融合计算是指人与机器通过显式和隐式的融合范式，达到人机智能的协作与增强。显式人机融合计算中能按照任务要求意识的参与、识别、联想、推理能力融入计算机任务中，隐式人机融合计算仅靠行为习惯、无意识参与，将人群无意识表现出的行为规律，作为智能用于求解问题。人机融合计算的挑战在于如何对计算机任务进行分隔，然后给人和机器分配各自擅长的任务，并确定执行此任务的顺序，比如串行或并行，以及如何对计算结果进行融合。

5.群智感知计算

教育中的群智感知计算是扩大教育行为的一个非常好的方法，我们可以在群体感知环境下去扩大教育实验行为，扩大虚拟与现实技术学生体验行为，可以通过影视课件的方法感知学生获取知识的感知度，可以通过传感和图像分析获取学生社会实践行为、获取学生人才成长过程行为，通过建模找出人们发明创新的感知意识；其研究内容更加侧重于感知过程中人的参与，人机共融智能扩展为感知计算过程，强调智能的共同演进。

通过图像移动技术、传感器技术，实现感知任务分发与数据收集。进行人体建模，并将人体建模迁移到虚拟空间当中，进行互联网协作，完成知识获取、行业跨界等教育行为的捕捉，完成大规模的、复杂的社会与城市感知任务；通过教育群智感知计算突破教育围墙和学校围墙，真正做到“在做中学、学中做，从理论到实践、实践到理论”的教育过程，从传统的考核考量计算，转变为人体感知下的知识获取。