11月28日，在GES2017未来教育大会上，好未来旗下学而思网校总经理陈宁昱、学霸君创始人兼首席执行官张凯磊、Wyzant联合创始人兼首席执行官Andrew （Drew） Geant围绕“大数据时代下的K12课外辅导市场新模式”主题展开了深入讨论。在科学技术的推动下，在线教育突破了时间、空间的限制，满足了学生的多元化学习需求。而大数据时代的来临，或将为在线教育带来更多可能。

（好未来学而思网校总经理陈宁昱发发表精彩讲话）

近年来，学而思网校在人工智能、大数据领域展开了大量探索。陈宁昱表示，“在学而思网校，AI和大数据大幅提升了老师的教学效率，让孩子的学习从校内课程延伸到课外辅导及家庭学习，形成完成的自循环体系，并通过大数据获得更多反馈，实现高品质、个性化的学习体验。”

张凯磊也表示，技术一定要为教育服务。“我们希望用人工智能赋能教育，让老师从繁复的作业批改中解放，回归传道、授业、解惑本质，并根据大数据反推孩子的个性化学习需求。”Andrew Drew Geant也希望利用大数据的力量，通过授课结束后家长和学生的反馈，更好的匹配学生的学习需求，从而形成完整的学习闭环。

以下为“大数据时代下的K12课外辅导市场新模式”分论坛精彩实录：

背景：GES未来教育大会

时间：17：00-17：50

主题：大数据时代下的K12课外辅导市场新模式

嘉宾：

主持嘉宾：John J-H Kim 哈佛大学商学院商业管理高级讲师

陈宁昱 好未来学而思网校总经理

张凯磊 学霸君创始人兼首席执行官

Andrew（Drew）Geant， Wyzant创始人兼首席执行官

主持人：

课外的辅导是很大的一个市场，大概有120亿市值，在中国和美国，学生如果在课堂上跟不上，会通过课外辅导的方法弥补，我们在这方面积累了大量的数据，帮助学生能够在学习上取得更好的成绩，充分发挥他们的潜能。

考虑到这个的重要性，有很多的公司在中国、印度，以及美国开始提供课外辅导服务了，它们收集了很多课外辅导的数据，最近用这些数据开始提供个性化的服务。所以，这是一个非常好的现象，在座就有一些很好的企业家。

下面我将邀请我们的嘉宾来简单的介绍自己。

陈宁昱：

我来自好未来学而思网校，学而思网校大概是2008年创立，2010年正式上线，最早我们做录播业务，会找到线下讲的特别好的老师，把他的视频录下来放在网上进行教学活动。

3年前我们正式转型成直播+辅导模式，我们的课程形式是一个直播大班，老师向几百个学生同时讲授，课后会有一个辅导老师来负责每一个学生的作业批改，以及答疑沟通。

张凯磊：

大家好，我是学霸君张凯磊，我们在中国市场提供这样几块服务。

第一块：PATI服务。

任何时间你在K12体系里面，你有一道题不会，一秒钟你拍给我们，我们在一秒钟自动反馈给你这道题目的答案和解析，现在这个产品在中国市场里有超过8000万的用户，2000万阅读活跃用户，可以说中国1.8亿中小学习，一半是学霸君的用户。

第二块：答疑服务（也可以理解为用滴滴打老师的服务）。

你可以在任何时间你呼叫一个老师，帮你来解决你在作业里疑惑的问题，老师是直线传播，以分钟进行计费，迅速解答完这个问题之后，立即关掉，同时我们提供直播一为一、一对三的服务。

同时，我们在今年这时候进入了一批公立的学校，支持公立学校来的教育系统，包括整个作业体系和考试体系，在理科主观题的自动批改上，我们现在能够给大量的学校提供整个理科体系的作业批改服务，并且采集大量的数据来指导教学。

Andrew（Drew）Geant：

大家好，我是WyZant联合创始人和CEO，我们是美国的一家公司，帮助所有年龄段的学生应对不同的学科和主题，很多的学生每天会上我们的网站，来具体寻求它们所需要解决的问题。

我们出发点是辅导，所以我们并不会提供一些具体的方法论或者课程，我们只是希望能够解决学生具体的问题，满足它们具体的需求。

下面我想问一个问题，从孔子的时代开始数千年以来一直都是单向的培训，就是老师对学生的培训，但我们现在开始谈论用大数据和人工智能。大家能不能帮我们解释一下？用大数据或者用人工智能和10年前单向的培训有什么不同？

陈宁昱：

在好未来学而思网校，我们利用大数据、AI，主要是以辅助老师为主，老师跟学生的关系还是教学和被教学的关系，但因为有AI和大数据的赋能，对老师的效率上会有非常大的提高。

但现在可能因为有科技的手段，包括AI和大数据，原来一个老师教十几个学生可能已经是极限了，但现在一个老师可以教成百上千个学生。

另外，学生得到的体验以及效果基本上跟以前差不多，甚至比以前更好。

这一块是我自己的一些理解，我们在AI、大数据的支持下能把老师的效率变得更高。

我举一个例子，我们的英语口语课现在已经采用语音识别技术，比如老师问一个英语的问题，让所有的学生来回答。在我们原来的情况下，我们只能做一对一或者一对几的反馈，因为老师听不过来这么多学员的反馈。但现在因为我们有语音的评测技术，就能判断哪个孩子讲的是对的，哪个孩子讲的是更好的，我们通过机器给它反馈。

虽然还是一个师生互动的过程，但因为有了机器的加入，一个老师的口语课可以同时给几百个学生同时上，但每个学生都会收到它自己个性化的反馈，这样它就提高了老师的效率。

Andrew（Drew）Geant：

你说的是技术能帮助我们更加的高效，提高我们的工作效率，扩大我们的规模，这个跟您的工作相似吗，或者您有没有一些例子呢？

陈宁昱：

我相信原理是完全一样的，任何技术都是为业务服务的，我们任何的技术开发都是为了让效率更高、成本更低。

举一个例子。我们一个晚上大概能收到十几万条来自于学生发起的学习问题，其中大概有7000-8000道是竞赛类的题目，竞赛类的题目可能会非常难，普通老师是没有足够的能力去很好的处理，但学生有这种需求。我们通过后台分发的数据，可以把一道题目是数学还是物理先分清楚，分清楚之后，是代数还是几何分清楚，分析出你是解析几何，需要求三角圆锥曲线特殊值的方法，这种方法只在高考少数情况里以及自主招生考试里面用到过。机器算出后，会分发给北师大附中晚上在那讲课的一个老师，它可以很轻易的把这道题目讲明白，我们瞬间可以把这个效率拉高到这样一个程度。

当我们能拉高到这种程度的时候，我们让知识获得变成了普及，滴滴的普及是让我们在交通资源上获得普及，但我们的技术是让教育的资源变成了更平等。

所以，它除了效率之外，更大的提升是你愿意付一点点的成本来获得更多的教育资源。

Andrew（Drew）Geant：

John你有什么分享吗？

John J-H Kim：

我们的工作都在降低成本和提高效率。

比如说，我们有一位家长的孩子不喜欢上学，尝试了很多办法都没效果，就开始用Wyzant倡导的方法来教育他的孩子。

它比如说孩子喜欢曲棍球，就可以在网上寻找曲棍球的老师。

我们可以根据学生和家长的需求来满足客户的需要，这个就是学生相关性的问题。

我们的数据来源是我们从家长和学生那得到的反馈，从反馈里我们可以了解这个导师是否有足够的耐心，是否有足够的能力来教授相关的课程。

最后，我们会把这些反馈收集起来，匹配家长和学生的具体需求。这样可以更好的了解到这些老师它具备什么样的能力，来确保它们有能力满足客户的需求。

张凯磊：

是的，它变轻松了。

举一个例子，中国有大概1400万中小学老师，其中900万人没有获得过大学本科以上的学历。我们给那些准备授课的初级老师做了一个测验，一张150分的卷子，绝大部分人很难考到90分以上，这就是我们在日常接受教育的实际情况。

但今天我可以让他一个晚上一直在答立体几何类的题目，让他在两个月的时间内见到比它20年教学经验里见到过的还要多的立体几何类的题目，包括学生各种不同的答案，可以在两个月的时间里迅速成为立体几何方面的专家。

所以，大数据它是在让分工变细，它它是在让人变得更专业、更垂直，所以你问我它是变难了，还是变简单了。我认为入门变简单了，但他要成为一个专家变得越来越难了，如果不是非常非常的努力，他很难成为一个顶尖的数学老师。

Andrew（Drew）Geant：

您是说更容易进入，但很难留下来对吗，还是说进入就很难呢？

张凯磊：

很容易进入，但他要成为一个绝对的专家很难，以前一个数学老师可以教数学里面的每一个点，但未来我们可能会出现一个只懂几何数学的老师。

Andrew（Drew）Geant：

我非常同意你说的，我觉得现在可能入门的要求变低了，但是有更多的细分，而且我们没有办法在每一方面都成为专家。所以，我们会减少对某一些领域的要求，希望某些老师能够成为具体某一个学科、或者某一个领域的专家。

那么，大数据也是助能了我们学习的能力，我们可以了解导师是否满足市场最基本的需求，他们是不是能够保持持续学习的能力。

您是怎么看待这个话题呢？

陈宁昱：

未来的教学肯定是分工越来越明确、越来越细。比如说一个老师是一个本科生，但是未来可能他在某一方面就是一个博士。

比如说在学而思网校，我们首先会把授课跟辅导做一个分工，有的老师它表现力特别好。所以，他就负责授课，负责单向的知识传递，有的老师比较耐心，或者他在某一方面它能做到因材施教，那他就来做这种个性化的辅导工作，个性化辅导我们可能还会再分工。比如说未来会有专门负责立体几何的个性化辅导，还有专门负责线性代数的。所以整体来看，因为专业的分工，就会出现在某一方面做的特别优秀的人出现。

John J-H Kim：

我们现在讨论的是使用大数据和人工智能来帮助导师提高他们的能力，我们把讨论的范围更细化一些，你觉得这些机器人能在高考中做到什么水平？

张凯磊：

到今天为止，我们看不到强人工智能的突破。我们今年做了一个机器人参加高考，在数学成绩134分，这基本上已经达到了一个顶尖的学生的水平。我们明年会让这个机器人再参加一次高考，它的整个理科分数都可以全线达到考清华北大水平。

但是，我们做机器人、做AI与老师并不矛盾，我们做教育的很清楚，老师是传道、授业、解惑的人，但其实这里面没写还要负责批卷找题目、备课。我们今天让机器来干这个事情就是希望老师回归到传道、授业、解惑的本职上。所以，机器人的出现，或者说数据的出现，是为了赋能老师，让老师成为超级老师。原来，我们的中医只有招，搭脉、望闻问切结束了，今天我们希望把现代技术引到传统的教学里面去，为今天的教育开发出来CT、核磁共振、MR等一系列工具，帮助老师更好地去观察学生、理解学生，而不是凭望闻问切来做任何的决定，望闻问切得机器能干的事情。

陈宁昱：

我认为老师不会轻易被AI替代

因为教育这个行业并不仅仅是说你能解题就行，或者说你能发现错误，这个东西都不是最核心的。好未来有一个教育理念：激发兴趣、培养习惯、塑造品格。它很多的时候并不是说你知识够了，就能解决老师的问题。孩子为什么有兴趣？很多时候是因为老师的关注，他需要一个真人的关注，而不是一个机器的关注。

因为我们之前也尝试过，最早学而思网校做录播课，当我们改成直播的时候，其实上的内容是没有特别大的变化，但是因为是真人，他能感受到老师的存在，他的参与度就会高得多。

所以，其实我也比较赞同这个观点，未来的很长一段时间内，我们可能解决的问题就是用像给医生提供验血结果、CT核磁共振结果的方式来帮助老师，让老师的效率越来越高，但是AI在很长的一段时间内，应该都不能解决这个问题。

John J-H Kim：

我觉得其实大家都已经说得非常全面了，比如说AI可以帮助我们来检查作业，我现在已经看到很多这方面的尝试，这还会继续垂直下去。但是谈到长期的以关系为基础的授课模式，或者在对一个学科的精通掌握程度上，这是无法被AI所取代的，机器人很难来替代老师，可能几百年之后会有不同的情况，但是至少现在是不可能的，在一些辅导学生或者和机器人对话来这一块儿，可能会有一些帮助，这些可能会给我们提供一些帮助，但是我们强调是：以关系为主导的辅导或者授课，AI肯定是无法替代的。

我总结一下刚才三位的观点，我们谈到了使用数据来进一步使项目或者使整个学习过程更加有效一些。我们也谈到了把不同的角色分离出来，比如说鼓励学生更好地学习，在数据使用、传授内容等方面可以进行有效的分工。

我的想法是，其实这是一个开放性的问题，这会进一步增加还是减少好的辅导老师的数量？未来辅导老师这个职业是否会有大量的需求？还是会有更多的不同的分工参与进来？这是一种未来的趋势，我们是应该更加区分化还是均衡化？

陈宁昱：

我觉得现阶段，老师的数量应该是不够的，即使说老师的效率越来越高，但是在二三线城市，甚至农村，其实我们优秀老师的整体数量是不够的，一个小学老师会同时教好几门课，所以在短期之内，我们肯定是要增加优秀老师的数量。

但是，未来会不会出现因为效率的提升，老师的数量开始减少？我觉得是有可能的，但是是特定的科目。我觉得未来的教学不会只是教语数外或者物理化学这些科目了，未来还会有一些像科学、理财之类学科。那这些学科可能就需要更多的老师，另外包括一些专业的方向，他可能也需要更多的老师。

所以，我觉得如果从单一学科来看，因为效率的提升，老师的数量可能会减少，但是从整体上来看，随着学科的增加，我们的老师数量还会增加。

John J-H Kim：

这个市场是很好的案例，我们的业务正在发展，学生数量也在进一步增长，现在人们都在利用线上资源而不是线下资源进行学习，所以整个教师的数量是减少的。整个教课的范围和规模还会进一步扩大，线上的老师会进一步覆盖更多的群体。

张凯磊：

教育是一个在马斯诺需求理论里面更高一层的需求，伴随经济的增长，教育整体需求是在不断地在往上伸展。我举一个例子，我们今年进了西藏的拉萨中学，做了一套东西，你可以理解为“双师”，人大附中的老师可以在人大附中直接教拉萨中学的学生，一个班，一个老师可以教两个班。

原因非常简单，因为拉萨地区的优秀老师极缺，他们的高考数学成绩平均可能只有几十分，这还是西藏最好的学校，但是也只有几十分，可以想象它们的整体情况有多差。当地的教育厅厅长看到了这个系统之后，希望用一代人的时间，彻底让拉萨地区的孩子接受到内陆的教育。

看起来老师在减少，但实际上不是减少，当地的老师在得到了人大附中老师的培训之后，有了更进一步的培训需求，并且开始往原来没有覆盖到的一些学生开始渗透，他们开始担任起了助教老师的工作，并且把很多原来没有办法教的一些科目在理科体系里面开起来了。

所以我们认为，今天任何一个技术的进步，都会激发更多的教育需求，所以我们不会看老师减少的可能性。在这个过程中，市场越成熟，就会有越多的人加入到教育这个行业。所以我们觉得老师的数量正在增加，这是一个整体在爆发的行业。

John J-H Kim：

我们也知道在台下有很多企业家和不同的公司，我比较好奇的是你怎样知道应该挑选什么样的数据，并且知道会有什么样的作用呢？我们都知道这个行业充满了各种各样的数据，但是获取有效信息的方法和渠道是非常匮乏的。这就是说，我们有很多的数据，但是很难了解哪个数据能够有得到有效的应用。

陈宁昱：

我原来是在互联网行业和广告行业工作，发现人工智能跟大数据在不同行业里头，使用起来是有非常大的差别的，比如在广告行业，它有一个非常明确的指标：我要优化点击率和转化效率，所以大数据的应用场景非常具体，因此在广告行业，大数据的应用基本可以替代人工，比如搜索引擎跟广告的分析和投放基本上完全是用大数据跟人工智能来实现的。

但是在教育行业，虽然我们也有大量的数据，但是我们根互联网行业最大的不同就是优化目标不是那么明确，什么叫优化目标不那么明确呢？

比如说，在互联网行业我们优化点击率，但是在教育行业，我们优化的是孩子的学习能力，可能是他的学习能力是否提升，是特别难评估的，我们能拿到有效的数据，比如孩子做了多少道题，对了多少题、错了多少题，他花了多少时间。但是它到底是进步了还是退步了，他到底是不是实际上掌握了这个能力呢？我们是很难掌握的。

所以整个教育行业，确实是像刚才Kim所说的那样，数据很多，但是抓取的有效信息很少。我们不能判断学生两次考试成绩不一样是因为考试题目的变化，还是说他现在状态的变化导致的，还是它真正学会了，所以我们只能从短期来确定这一个知识点他是不是彻底学会了。

我们做了一个实验，我们给孩子在课前跟课后做一个同类型题目的测试，根据他的成绩反推我们的讲授方法跟批改方式是不是正确的，进而逐步优化我们的讲授跟批改。

当然，这只是我们一个比较小的尝试。我想表达的是，在教育行业探索如何用数据来驱动整个教学场景还是比较难的一件事情。

张凯磊：

我来说一下我们做的几件事。第一个，在中学的理科方面，所以我们把手写识别做好了，再结合我们自己特质的硬件，可以有能力采集学生的所有书写轨迹。每秒钟采集120次，并且可以把它给全部复原回来。

整个教育行业现在还处在传统医学的阶段，还没有进入到现代医学。现代医学在发现了细胞，以及开始有了验血、核磁共振等一系列技术之后，才突飞猛进到今天的。我们今天先把一个技术先给做好，就是说我能复原学生的笔记，我能复原它做的这个题目，并且我能把它翻译为机器能理解的语言的时候，我们复原了主要场景。

但是我们现在还有很多进步的空间，比如说我们可以将考65分的孩子分为两类，虽然我们能明确知道他们是不一样的，并且告诉你不一样的点在哪，比如这一个孩子他考65分是因为耐力不够，他一个小时之后就开始出现大量的错误，不管什么题都错；另一个孩子考65分，是因为他阅读能力有问题，语言复杂一些他就会容易丢分；我知道这些不同，但是我不知道造成这些不同的原因。

我们有很多数据，但是信息不够，我们把这数据反推回给人，老师可以弄明白这件事情，大数据弄不明白，说明它的训练依然不够。

所以，这就是我印证了我刚才所说的，到今天为止，机器不能代替人，我们不知道孩子是从哪一刻开始，这个能力丢失了或者没有被培养起来，但是老师知道了这些信息之后是能够去改变学生的，这就是为什么说我们今天干的本质上就是CT及核磁共振，我们给医生、老师一个很好的报告，说，来，你来做决定，动手术还是吃药，这就是我们真正在干的事情。

John J-H Kim：

那你觉得这个数据应该如何收集使用？我们从6年前就开始专注于数据的收集，在有了很多数据之后，我们开始思考哪些是可以进一步优化的，哪些数据可以直接使用。我们最近出了一个机器人，它可以让人们追溯之前所做的笔记，看一下哪个环节出现问题，这其中其实是包含很多数据的。

我们可以通过利用数据来进一步优化，并且提供更好的建议，能够帮助学生实现更好的、更有效的学习。其实你每一次点击网页，产生的信息都可以被我们抓取，现在有很多公司都在捕捉这些数据里合适的信息，它的潜力是无穷的，我们可以更好地使用这一块儿的数据。

我们把这个数据还原到非常有用的信息需要有一个闭环，这些收集的数据，是要应用到教学中，教学也是需要能够改变学生的成绩，这些也是需要能够收到学生的反馈。我做一个论述，看看大家同不同意？你们觉得公司是不是能够用大数据和人工智能在收集这些数据以后，使用这些数据来教学？再用这些教学来收集更多的数据，这些公司会成功吗？但是这样对有些学校会不会不容易做到？因为有的学校只能是在早上和晚上收集，它们没有办法收集在家里的数据，那么像在座各位的公司，你们都有学术的数据，也有行为的数据，你们同意我这种说法吗？或者你们觉得这个还是一个开放性的话题吗？

陈宁昱：

你是说，有的公司可以收集到学习的数据，然后再反馈到教学，然后再收集到更多的数据，形成这样一个闭环？

John J-H Kim：

对，收集这个行为数据，以及收集学校内和学校外的数据。

陈宁昱：

目前相对来说是比较难的，我觉得这个产业其实是分成好几块的，比如说像学而思网校，我们主要负责课外辅导，包括线下班的辅导，但课内的学习，包括作业，比如说像学霸君，它可能会有一项搜题，包括像作业盒子，一起作业这种公司，它可能会进另外一个产业，比如说进公立校，包括学霸君现在也在进公立校，我认为目前在整个学生教学数据的收集上，不同的公司如果联合起来，它可能形成了一个闭环，但是目前为止，我觉得我们倒没有任何一个企业单独能形成一个完整的闭环。这是我们目前，我认为暂时还没有做到的，但是如果真的能做到这一点，它能把整个学生的学习流程从他课外辅导到校内，到在家的学习全部都能打通起来，那它肯定是一个非常有效的自循环体系，通过收集到更多的数据，能做到一个更好的反馈。

John J-H Kim：

那你觉得人们希望分享这些数据吗？如果这样，最终只会有个别的公司有足够的数据来使用这些数据，你觉得这些数据大家愿意分享吗？

陈宁昱：

只要对孩子的学习、成长有帮助，我们未来应该会有公司、个人愿意把这些分享出来，但是暂时还未形成这样一个生态。

张凯磊：

大家清楚的就是基础数据，如果有人拿到了海量学习数据，除了用MN的方式来完成这种数据的采集之外，我不太相信在商业的环境里面能发生，因为它本身很难进行度量，在一个会计层面，当它不可计量时，它就不可能发生。

John J-H Kim：

我想在AI和大数据只会有少数的赢家，只有少数的公司能够收集足够的数据来使用这些数据。所以，我们需要有足够的需求，你同意这一点吗？你觉得在以后几年，如果我们搜索越多，就越能够获得成功，你觉得在未来会发生吗？

陈宁昱：

其实，教育跟search还是有一个非常大的区别，教育看起来是一个市场，比如说我们认为教育是一个万亿的市场，但其实教育还是要细分的。

我们认为语文、数学、英语都是细分的，未来很有可能，包括成人教育、各种各样的学科都其实是一个细分的领域，如果我们仔细去研究，它可能不是一个通用的领域。如果这个数据在某一个特定的领域形成足够多的密度或浓度，它可能自己就能产生一个非常大的价值，当然它可能需要在单个领域产生巨大的数据量，这个数据量也是越大越好，应该是有价值、有标注、有目的性的数据，这种数据越多，肯定会越好。

但是在单个领域是很容易形成寡头的，比如说考研、4、6级考试，GRE托福考试。

张凯磊：

教育在中国有一句话是：一个一厘米宽、一公里深的赛道，都是沟，到处都是坑，都是一厘米宽、一公里深，你随便踩一下，你以为是踩的一个坑，但这是两个完全不同的坑。

我们现在看到的情况就是，你问我会不会出现最后大家上的是同一个培训班的？我会说永远不会发生。但你问我说，有没有可能最后你的所有的数据被少数几个公司真正掌握，我会说完全有可能。这是一个巨大的分发性的行业，所有的从业者都在使劲，或者有意无意地在做一件事情，就是尽量地使教学数据结构化，在过去的5年里面，有一堆人已经被落下了，剩下了一些人还在继续努力。

所以再过5年，教学数据的结构化可能会被少数的公司真正地所掌握。它可能是一个巨大的分发平台，你可能在A、B、C、D等7家培训机构里面上过课，但是背后的数据跟行为，是由一家进行存储跟分发，这是完全可能的，它比较像你在7个淘宝店买了东西，但是淘宝知道你所有的交易数据，或者是京东知道你所有的交易数据，你在多少家买东西不重要，重要的是它能够分析你。所以，这件事情是我认为一定会出现的。

John J-H Kim：

Andrew（Drew）Geant，我想听一下您的看法，我们说在商业领域“赢者得全”，Andrew你会怎么看？

Andrew（Drew）Geant：

如果我们讨论大数据和“赢者得全、赢者得多”这种说法，我认为在教育这个行业中我们有很多的互动，虽然也有人工智能和大数据的参与，这个市场还是会进一步的升级。

我们经常把医学和教育进行对比，医学会更快的运用大数据和人工智能，教育其实是有很多社交的。

John J-H Kim：

我想提一个相反的观点。如果我们在AI领域有真正创新，我们需要有少数的公司拥有大量的数据，但是现在数据非常的分散，数据太分散对每一个公司都没用。如果这个世界发展速度不够快，也会减缓我们AI发展的进程，这是我们未来需要努力的方向。

下面的时间，希望各位总结一下我们今天的讨论，并且并且就课外辅导这些行业的发展给出一些建议。

陈宁昱：

在大数据应用在上，我们都是刚刚开始，包括学而思网校、大部分的教育机构，但这是个非常有前景的行业。

虽然我们目前没有哪家机构做的很完美，更需要大家一起来探索。

张凯磊：

其实我想先回应一下你刚才说希望数据尽快聚集的事情，数据尽快聚集对普通的公众并不有利，这个游戏刚刚开始，更适合让它再发展一段时间。今天在教育上需要得到的开发数据还并没有被全面地开发出来，我们大概罗列过超过100项以上细分领域的各种各样的技术，我们知道它应该被做出来，但它没有。所以在这样的情况下，意味着对小公司保持宽容的态度是非常重要的一件事情。

我如果给任何建议的话，我会给教育一个非常传统的东西，技术在这里能改革的地方是极其有限的，技术一定要为业务所服务，或者为教育所服务，这件事情才是对的，所以总的来说，慢慢来比较合适。

Andrew（Drew）Geant：

我觉得我们有两种看法：

看法一：专业化。

每个人都有自己的需求，每个人都有自己的目标。那么，大数据和人工智能是可以帮助我们实现这些目标的，能够更好的实现个性化的发展。

看法二：课外辅导。

我也经常被问到课外辅导的问题，我们会夸大每个人之间的具体需求和差异，其实这里边也有一定的潜能，可以改变这个公式，能够更好的保证这个教育市场的公平性。

John J-H Kim：

现在，也是非常振奋人心的一个事情，因为我们用很多的数据，来提高教学、产品的效率和质量，以及提高学生的学习的效果，也让大家能够享受更多公平的学习机会。所以，我想再次感谢我们在座的嘉宾，你们都是很成功的创业家和创新者，感谢你们的分享。