當機器能學習并模擬人都一部分思維，它能做的就不僅是打敗圍棋手，幫學生解題這件事現(xiàn)在也能通過人工智能來實現(xiàn)了。

說到解題軟件，這其實算不上是新概念，因為早在一年前 PingWest 品玩就報道過這類解題產(chǎn)品；但說到用人工智能的方式來解題，這個就還是挺新鮮的，也是阿凡題-X 這款解題產(chǎn)品正在做的事。相比之前的題庫匹配模式解題，用人工智能解題相當于讓機器獲得了人腦的一部分解題能力，這和讓 Alphago 獲得了下圍棋的能力相當類似。

為了讓你更顯而易見地看出匹配題庫解題模式和人工智能解題模式的區(qū)別，我們不妨先看看題庫模式和人工智能模式在面對一道數(shù)學題時會如何操作。

一款匹配題庫模式的解題產(chǎn)品在面對一道數(shù)學題時一般要經(jīng)過圖片識別、匹配題庫、給出答案這三大步。計算機需要先識別出照片上的字符，然后搜索已有的題庫并匹配結果，給出答案。

相比之下，阿凡題-X 在解答一道數(shù)學題時則需要識別、匹配、運算、解答這四個步驟。你用手機拍完照片后，軟件首先要識別字符；接著還需要把識別到的內容進行匹配，利用算式本身 的特征來定義它是什么算式，然后機器就能“看懂”這道題該怎么解答了。在運算這一環(huán)，機器要做的當然就是各種計算了，目前阿凡題-X 支持加減乘除、根式、有理數(shù)、一元一次方程、一元二次方程、二元一次方程組、分式方程及分式方程組等運算方式。最后解答這一步，軟件要做的則是把機器的運 算過程翻譯成人的數(shù)學語言與文字解釋，讓學生能夠看懂整個解題過程。

從上面這張圖中可以看到，阿凡題-X 不但計算出了題目的答案，還給出了詳細的解題步驟。和匹配題庫給答案相比，這就要求機器不但要學習人思維中的解題能力，還要能把這種能力按步驟呈現(xiàn)出現(xiàn)。 按照阿凡題工作人員的說法：“分步解答”功能就像無形的線，將現(xiàn)有知識點全部串聯(lián)成一張巨大的知識網(wǎng)絡，每一次運算的過程都是無數(shù)“神經(jīng)元”之間的高速信 息傳遞，這讓阿凡題-X 表現(xiàn)出了像人類一樣逐步思考、解題的能力。

在前兩周的人機圍棋對戰(zhàn)中，Google 旗下的人工智能圍棋程序 Alphago 通過不斷學習最終戰(zhàn)勝人類頂尖的圍棋手。類比之下，你或許也想知道阿凡題-X 何時能解答出現(xiàn)在尚不在它能力范圍內的數(shù)學題——比如試卷的最后一道大題。

對于這個問題，阿凡題創(chuàng)始人兼 CEO 陳李江認為：通過不斷學習與升級，試卷的最后一道大題最終應該是難不倒阿凡題-X 的，但就目前來說，阿凡題還需要克服一些困難才能實現(xiàn)這個目標。

事實上，要讓機器理解并答出試卷上最復雜的那道數(shù)學題至少需要三個方面的能力：解題能力、漢字識別能力和語義分析的能力。目前，前兩種能力阿凡題已經(jīng)積累了相關的技術，但讓阿凡題-X 正確理解語意這一步還沒能跨過去。

舉例來說，如果我問你：“北京到上海的高鐵票多少錢？飛機呢？”你幾乎不用想就明白我第二句問的是機票的價格，但解題軟件目前在理解語意方面尚未“聰明”到這個級別——雖然我們在使用語音搜索類產(chǎn)品時已經(jīng)可以問類似的問題，這也就成了解答最后一道題的絆腳石。

雖然現(xiàn)在還有尚未克服的難題，但人工智能技術在解題領域的應用還是給教育輔導產(chǎn)品的進化帶來的更多的可能性，畢竟有限的題庫模式永遠不可能覆蓋 無限的題海，而人工智能解題產(chǎn)品從誕生之時就沒有這樣的煩惱。等到人工智能解題應用能正確理解語意的時候，它答卷可要比學生快多了。