学习空间中的陈设主要是指课桌椅、移动讲桌等家具。为了适应更加多样化的学生群体，不同高度、色彩的桌椅，可以根据实际情况有层次地部署。除此之外，人工智能技术与家具的结合在为学习者提供更佳用户体验的同时，也可以用于感知学习者的学习状态，提供智能化服务。

　　Robotbase开发了一款号称世界上最聪明的办公桌——Autonomous Desk，使用者不仅可以利用APP来调节办公桌的高低、桌面和框架的颜色，更有意思的是，它能够在人使用桌子几天后，通过对使用行为和使用习惯的“学习”，为使用者在某个时段自动调节桌子的属性，从而帮助使用者更舒适、更轻松地完成工作。例如，它可以通过机器学习来预测用户可能会在某个时刻站起来工作一会，并喜欢将桌面颜色改为绿色，那么，桌子会自动调节成上述模式。

　　除了可以提升用户体验，人工智能技术与传统家具的结合，还可以通过感知学习者的生命体征来判断学习者的学习状态，进而提供个性化学习帮助和建议。当前，这方面的产品应用于教学的案例还较少，但在健康领域已经有了一些相对成熟的产品，如，LUMOback、UpRight、长颈鹿朋友等。

　　尽管上述关于智能陈设的例子都是非教学领域的应用，但我们可以发现，人工智能技术嵌入陈设为教育带来了新的生机。诸如，智能调节桌椅满足不同学习者的个性化需求、通过调整姿势来提升学习效果、智能感知学习者的生命体征信息并给予建议等类似的开发和产品，将不断出现，智能化的陈设部署在学习空间中也为时不远。

　　(四)智能技术的整合

　　通过以上关于物理环境与服务以及陈设的案例描述，我们已经认识到人工智能时代的学习空间将嵌入大量的智能元素。但由于这些智能陈设、环境控制和智能设备的提供者不同，如何通过统一接口整合这些智能元素，来提供更加流畅的服务，是必须要考虑的问题。如图2所示，为了实现该目标，在技术生态中将会是云计算负责存储、统筹和计算，大数据技术负责数据采集、处理与分析，人工智能负责感知和认知、提供智能化的学习服务。

图2 智能学习空间一般技术架构

　　从当前人工智能的发展模式来看，大数据、高计算能力、机器学习都是不可或缺的，无论哪一条都绝非一所学校能单独提供的。因此，区域联合构建人工智能教育生态将成为主流途径，而拥有超大规模数据运算能力和人工智能技术的少数大企业，也将在其中发挥重要作用。类似于“百度大脑”和阿里ET大脑之“教育大脑”，将替代当前的学习支持系统，成为教育智能服务的整合者与提供者。

　　为了便于分析，我们以一节典型的人工智能课堂为例，从课前、课中、课后三个环节来阐释人工智能技术在学习空间中的整合应用情景。

　　1.课前环节

　　在课前环节，教师将课中环节要学习的内容告知人工智能，人工智能获取内容后，结合知识图谱，给每个学生定制个性化学习路径，自动生成个性化课前学案，并通过自然语言处理、图像识别技术、语音识别技术，对学生的完成情况进行自动识别和批改，当发现学生预备知识中的薄弱点时，提供个性化反馈与强化，为课中环节的学习奠定知识基础。例如，学生在学习英语口语时，人工智能利用语音识别技术识别学生口语发音，纠正不准确的发音。在学生开展课前预习的过程中，人工智能还可以准确预测学生在课中环节可能遇到的困难与问题，及时地给教师提供教学策略方面的建议。

　　2.课中环节

　　(1)个性化环境构建。人工智能技术能够通过对学生在课前环节的学习表现进行分析，智能判定学生的层次，将学生分成不同的群组，开展混班分层次教学。“教育大脑”会记录每名学生和教师的行为习惯，通过人脸识别、语音识别等方式，自动识别学生和教师，并向空间中的智能陈设、智能环境发出指令，完成对学习空间环境的个性化定制。包括物理环境涉及的温度、湿度、光照、色彩等，以及陈设中课桌椅的高度、舒适度调节等。

　　(2)学习过程监测。在课中教学环节，教师可以利用情感计算技术，来对学生学习的整个过程进行实时监测，推断学生的学习状态和注意力状态，并将监测数据上传至“教育大脑”，作为教师评估学生课堂学习表现和改进教学策略的依据。学习状态和注意力状态监测所用到的手段，包括声音监测、面部表情监测、眼动监测、脑电图监测、心率监测、皮肤电导监测等。

　　麻省理工学院的Sandy Pentland团队开发了一个“智能徽章”，它能追踪佩戴者的位置，也可以感知其他徽章佩戴者的位置，并从佩戴者的声音中察觉情感[8]。如果将这项技术运用于未来的课堂教学环节中，学生佩戴着类似功能的徽章，当他们不专心于或专心于任务时，徽章可能会发出红色(分心)或绿色(专心)信号，使得教师可以很轻易地发现哪组学生需要被关注，或者由教育机器人直接过去干预。

　　类似地，Altuhaifa[9]也提出了一个通过学生的声音推断情感的系统，该系统通过捕捉声音、提取语音的特征、从声音中提取情感、识别验证的声音、分辨重叠声音、避免对学生重复判断等过程，来对语音、语调进行分析，推断学生的自尊、害羞、恐惧、合作、悲伤、兴奋等情感，从而发现学生在课堂上遇到的问题，并由系统提供一个合适的解决方案。