人工智能的专家系统和机器训练是有一定区别的，机器学习系统擅长学习数据中的经验关联，但是当任务需要依赖计算机未知的常识或背景知识来进行推理长链或复杂规划时，机器学习系统的效率很低。围棋和象棋这类游戏例外，欧美这些非物理游戏可以被快速地精确模拟，自动收集数百万个完全自我标记的训练样本。

出卷考试非常类似围棋和象棋这类游戏，对于像出卷考试这样可以进行量化的工作和具有经验性的工作，我们可以在完成试题库的基础上，建立专家系统，对考试效果较好的试卷和案例进行整体方案的存储，形成专家库。在答疑答辩过程中，对专家回答的答案和学生提问的经典问题进行存储和标记，而好与坏的判定和知识库是否吸收可以由专家来判定，由题库人员进行干预存储，这种智能方案的建立相应比较容易，而且非常直观。但是我们用机器去训练这些问题就不适合，因为它需要相应的考试知识和其他的教育思想进行支持、判定、存储，而这些都是机器学习的弱项，是不能训练出来的，也不适合于这方面的训练。在具体领域中我们缺乏这样完美的模拟。

1.不需要对决策进行解释的问题

大型神经网络通过巧妙调整以亿计的权重来学习做出决策，这就是权重互联的人造神经元。人类难以理解这一过程，因为DNN通常不会使用与人类相同的中间抽象。教育的问题有许多是无法解释的，它可以识别，但是我们不知道它的神经网络是如何构造的，所以训练效果的好与坏，正确与否都无法进行解释，出了问题判断有误都不知道错在何处，这是目前机器学习的一个弊病。但是作为教育来说这倒不是一个致命性的错误，不至于有生命危险，教育只知道它的结果和利用这个结果去做相应的应用，就足以完成教育的需求了。许多问题并不需要进行解释，比如，我们是怎么训练出并识别字体的，我们是怎么将文字转换成语音的，或者说我们是如何将语音转换成文字的，我们是怎么进行图像和图形的识别的，是怎么抓出物体特征的，内部是怎样解决的，我们可以不去讨论，但是经过训练以后的神经网络可以让我们完成相应的识别，建立函数就达到教的目的。我们只要能够训练出函数，能够完成问题、事件、物体等问题的识别，做出识别的判定就不需要解释了。

2.容错的处理

教育智能化是一个逼近人类智慧的过程，是模仿人类教育的过程，而在教育问题的解决上将会有不同的解决方法，在不同时间地点人们对同一个问题的看法不一样，我们追求的是智能的大同小异，追求的是相对目标。比如说，教育质量提升的问题不是对绝对高度进行评价，而是对相对高度进行评价，可以有一定范围的界定。教育系统相对是一个非常宽容的和非常有容错能力的系统，而容错也将成为教育智能化应用的重要指标。在教学中，我们不可能要求所有的教师上课都采用一种标准和一种表达问题的方式，不可能要求机器能够完全不差地与学生和教师的思想同步，也不可能要求相应的语音图像识别感知设备100%的正确率，我们应该原谅智慧和智能系统的合理性的偏差，这才与人的思维接近，反倒更让人们接受教育智能和机器的智慧。容错能力是限制系统应用的重要指标。几乎所有的机器学习算法都是根据统计和概率推导出解决方案，是很难将其训练到具有100%的准确率。

但是对容错的程度可能要进行限定，比如：对很多关键问题的容错，是否能够采用一些安全的算法进行保证呢？比如：对一个非常重大的问题，产生几种完全不同的结果是否要进行预警呢？这都是值得讨论的问题。

3.时间函数变化问题的处理(www.daowen.com)

教育系统相对来说大部分过程是比较稳定的，至少是带有相对阶段性的稳定，而且其稳定的现象会按照教育的周期重复出现，具有一定程度的稳定的训练数据集，而这种训练数据集对机器学习将起到一个至关重要的作用。首先，它的训练数据集训练出的函数是有意义的，可以在今后的应用中对问题进行耦合、发现和定位。所以在教育过程的训练中，用机器训练大部分问题是可行的。但是不排除不稳定的问题，比如说，经常不间断的、无规律的教学改革所带来的教学现象将是一个不稳定的训练数据集，是一个无规律的训练数据集，是一个随机的训练数据集，这种数据的训练是没有作用的，因为它重复出现的现象非常少。除非我们将其进行其他教学领域的迁移，去拿这个特殊事件的数据去寻找历史上或者其他教学领域中的事件，这才会有意义。但是往往这种偶然的、样本过少的训练是不可靠的。所以我们提倡训练数据集要相对稳定，训练是一个很有代价的工作，可以要求这种训练后的函数有应用价值性的体现。一般来说，只有当未来测试样例的分布类似于训练样例时，学习算法才能起到有效作用，如果这些分布随着时间而改变，则需要重新训练，即成功与否取决于新的训练数据的变化程度。

4.灵活机动性问题处理方法

在教育当中对临时处理的问题，对决策者临时做出的决定，不适合在机器学习中应用。因为它不构成规律性，更没有任何可以学习的过程数据集进行训练。

在教育智能化非结构化处理环境和任务物理操作当中，机器训练明显不如人类。比如在VR等人体行为捕捉上，在人体传感器传感后的人体建模上，如果是一个常规性的物理动作发生在结构型的空间里，不断做一些重复性动作，就非常适合用图像或者传感器进行动作捕捉完成机器学习训练，建立行为模型函数。但是如果在一个非结构化环境中，动作又非常没有规则，甚至是随机的并有很强的机动灵活性，这样的动作捕捉后是无法建模的，是无法通过机器训练完成的。在处理非结构化环境和任务中的物理操作时，机器与人类相比还是相当笨拙的，这不是机器学习的缺点，而是现有机械技术的缺陷。

5.发生频繁的、多信源事件的方法

很多经常发生的事件是来自多信源、多媒体、多平台的综合事件，如果进行同步处理较为适合于综合机器学习训练，通过训练找到常规事件的规律和特征，并在今后的应用中自动识别该事件。比如：对考试完出现作弊，我们要捕捉学生在微信的内容，要捕捉在考场的图像内容，要捕捉事件判定的成绩内容，进行综合模型的建立。在今后考试再出现作弊事件时就可以通过多个渠道抓捕相应的特征，这种问题我们就可以交给机器学习训练和拟人学习训练完成。