教育的形态总是伴随着技术的发展和生产关系的变迁而发生变革，教与学智能识别技术、学习者学习分析技术以及基于个性化学习等人工智能技术，正促使教与学发生着变迁。作为基于网络的开放大学，也正在受到这种变迁的影响。近年来，随着新一代人工智能的快速发展以及“人工智能+”教育的研究与应用的不断深入，开放大学将迎来2.0时代。开放大学2.0的教与学，具有学习体验个性化、 学习过程可视化、学习评价全程化、线下交互社交化等多元特征。进入人工智能时代，开放大学应该充分制定好“人工智能+教育”的顶层设计；构建好“国开大脑”+“开源平台”+”国开大数据”等的技术支持与教育大数据分析；重点打造技术研发、教学设计和心理咨询三种教师团队；有序开展智能学习平台开发、教学应用和教学研究，从而扎实推进与保障开放大学2.0建设。
关键词：人工智能；人工智能+教育；开放大学2.0；人机协作；精准教学；个性化教学；学习分析；教育大数据
一、问题的提出
近年来，国内外人工智能（AI）技术的快速发展，我们正从信息时代迈向智能时代，从智能机器人、智能家居、智能医疗、智能汽车，到智能移动终端里的各种智能应用APP，我们的工作、生活越来越受到人工智能的渗透与影响。教育领域自然也不例外，与AI相关的技术，正与“大数据+学习分析+人机交互+计算机视觉”等相互融合，综合影响着教与学的方方面面。换言之，AI时代的教与学正在发生着一系列的变迁，从知识的生成与流动，学习的形式与交互方式，学习资源的形式与构建，教学内容的组织与实施到教学绩效的评价与管理，等等。
开放大学作为基于网络、主要面向成人学习者的新型大学，它的特质就是与技术的高度融合，并通过这种融合来推动自身办学理念和办学模式的践行与革新。基于网络的成人学习者与全日制在校青年学习者的不同特点，使得开放大学与普通高校相比，更容易受到这种教与学变迁的影响。所以，更需要主动研究并应对这种影响与变化。即我们需要具有前瞻性的视野，来研究AI时代的开放大学所需要面对的诸多挑战与问题，需要不断提升内涵，打造符合AI时代学习者需求的全新大学。换言之，我们需要把从原先基于广播电视大学转型的开放大学1.0，转向并构建符合AI时代需要的新开放大学——开放大学2.0。
目前，国内对开放大学的研究，主要还停留于信息时代的思维框架中，是基于传统电大的功能升级、拓展等，还很少直面人工智能技术渗透对教与学带来的巨大影响——我们所需要研究与思考的问题。根据“中国知网”的文献统计研究，2012年1月-2018年3月，以陈丽、刘永泉等293名学者，在核心期刊（CSSCI）发表了以“开放大学”为关键词的学术文献共422篇，对开放大学的办学体系建设、功能定位、运行机制、课程建设、教学模式、学习环境、学习需求等方面进行了深入研究。而进一步以“开放大学”+“人工智能”（AI）作为关键词搜索，发现目前还没有关于AI与开放大学建设与发展方面的研究文献。
因此，基于人工智能发展的视角来研究开放大学，具有一定的前瞻性与创新性。随着国家对人工智能发展的高度重视，以及教育部最近出台的《高等学校人工智能创新行动计划》，都已把新一代人工智能作为推进高校创新发展与人才培养的重要内容。就此而言，对同样作为高校系统的开放大学来说，无疑是一个新的重要发展契机。我们有必要充分研究AI时代的开放大学所具有的新内涵、新特点与新应对，即应该如何构建开放大学2.0？基此，本文将就以上问题作些研究与探讨，并提出一些思考与应对之策，旨在为开放大学2.0建设提供借鉴与参考。
二、影响远程开放教育的人工智能关键技术
从教育发展的历史看，教育的形态总是随着技术的发展和生产关系的变迁而不断发生变革。在古代，低下的生产力水平和简单的生产关系，决定了私塾教育的特征是小规模、个性化；近代工业革命兴起，特别是进入18世纪60年代后，蒸汽机技术推动了生产力的快速发展，以批量式、标准化、集中化为特征的班级授课制走上了历史舞台，这种教育形态很好地适应并促进了社会、经济的发展；到了20世纪末，随着计算机、网络信息技术等的发展，以大规模、标准化、多元化为主要特征的现代远程教育应运而生并在全球迅速展开。当前，新一代人工智能技术正在迅猛发展，它必将推动生产力和生产关系的进一步变革，并深刻改变远程教育的教与学形态。我们可以预计，随着人工智能各种关键技术的不断影响与有效应用，将进一步推动现代远程教育朝着人性化、个性化、精细化的方向发展。
（一）助力教与学的智能技术
在信息时代的网络教与学中，谁在学？学什么？如何学？学得怎样？诸如此类基本问题，我们并不能很好回答和掌控。但随着AI技术发展与应用，一些教与学的智能识别等技术，已经能够帮助我们回答、分析网络学习中谁在学、学什么、怎样学等问题。
1.网络学习交互或讨论的语音识别
语音识别就是让机器自动识别和理解人类口述的语言，把语音信号转变为相应的文本或命令的技术。近年来，随着大数据、深度学习等技术的快速发展，国内外许多知名企业，如微软、苹果、谷歌、科大讯飞等，都在研发以深度神经网络（DNN）及卷积神经网络（CNN）为技术的语音识别算法，取得了比人类更高的语音识别能力。
目前，语音识别技术在网络教与学中的典型应用包括：（1）在教学过程中，帮助学习者、教师在移动终端利用语音输入，提高文本输入效率，方便师生在移动终端开展人机交互；（2）在智能学习系统中，对学习者的学习情况进行实时监测、自动化评估；（3）在智能学习系统中通过声纹记录学习者特征，初步构建学习者的数字化模型，以区分不同的学习者。
2.对学习者或内容组织的图像识别
图像识别技术是计算机对图像进行处理分析、识别、理解的过程，主要包括人脸识别和文本识别。自2012年以来，随着四个优秀的卷积神经网络（CNN）AlexNet（8层）、VGG（19层）、GoogleNet（22层）、ResNet（152层）用于模型训练机器学习图像识别，计算机图像识别能力取得了突破性进展。最具标志性意义的是在2015年ImageNet计算机识别挑战赛中，微软亚洲研究院凭借应用152层卷积神经网络ResNet，以错误率低至3.57％获得第一，使计算机的识图能力首次超越了人类。图1所示便是近年来图像识别模型的发展情况。
目前，图像识别技术在网络教与学中的应用主要在三个方面：（1）通过图像识别，精准识别不同的学习者；（2）通过图像识别，识别所需要的学习内容；（3）通过图像识别，有效组织学习内容。
3.学习行为过程的智能视频追踪与分析
