教育+AI如何在全球改变学习这件事？｜No.120期干货

陈沫：

—— ClassIn

Brian Gao：

—— TAL

我是Brian，来自好未来，我们开发了九章大模型。在大模型浪潮中，我们在研发和产品方面进行了大量探索。我曾在投资圈和好未来负责海外方向的战略投资，今年主要聚焦北美儿童消费硬件业务，与AI和陪伴功能结合。我们当前的探索还处于早期阶段，从国内教培企业的优势出发，如组织能力、技术积累、硬件研发和供应链，探索如何在美国市场复制这些优势。我们的主要产品侧重于硬件与内容的结合。

肖盾：

—— Ainia

我认为教育有两个目标，一个是通过学习寻找人生意义（meaning-making），一个是基于意义体系去创造（creating）。目标一直就是这样，只是在不同时代背景下对意义的理解和对创造的导向不太一样。在工业革命之后，可能意义更多指向在工业制造环节中有生产力、创造标准经济价值的活动。在未来的时代，我觉得可能人的经济价值会更多导向个性化的创造，人更像人，机器更像机器。

唐艺洋：

—— 小叶子科技

大家好，我叫唐艺洋，现在在小叶子科技做产品。我之前的经历是做了七年程序员，四年游戏制作人。

人学习的目标是什么？这个问题很大，就说一些我觉得最重要的几点。我自己是两个孩子的爸爸，我教我小孩学的东西的目标就是尽量不要让他在具体知识上太过纠结，在具体一点就是，我觉得在 AI 时代，我们学习的目标更多的是知识图谱而不是知识。我的日常每天都用GPT，我的文档或者说设计中的很多东西都是让 AI 帮我做的，可能解答问题在这个时代变得更廉价或者说更容易了，反而你要提问题、提出有价值的问题变得更难了。这个时候对于特定的领域，比如说做英语相关的，或者说我现在做钢琴相关的，都是你要去找到正确的问题，你找到问题了，基本上 AI 都能帮你做得很好，因为我觉得知识图谱本身可能会变得比知识更重要。如果对教育本身而言，让我们的下一代更多学习更多知识结构相关的内容，这样可能他的学科能力各方面都会比我们这一辈好很多。

Amie：

—— Dreamix

刚刚知识图谱那个点讲得挺好的，就是 AI 的时代要学会发现问题和提出问题、准确地表达问题，要从工具型的思维转变为更高的思辨能力。

Sinba：

—— MissDora

Sinba：

—— MissDora

陈沫：

—— ClassIn

Sinba：

—— MissDora

陈沫：

—— ClassIn

根据我和CTO在美国的调研，应用层公司很难获取足够的高质量数据来进行有效的模型迭代，特别是在K12阶段，缺乏独有的“专有学习数据”。K12教育的内容多为公开信息，因此基于独家内容数据集的创业点子不太成立。创业公司的最佳策略是等待大模型公司完成基础开发后，专注某个教学环节的体验提升。我们看好基于text-to-speech或speech-to-text技术的产品，分析课堂上的师生互动，帮助教师提升课堂表现。此外，学生之间的互动数据在未来也会变得更加重要，尤其是在主动学习和小组协作中。未来课堂将向更精英的学科如医学中的协作学习模式转变。

连旭：

—— Cathoven AI

我们是Cathoven AI，专注于开发AI备课工具，帮助英语老师更高效地备课，尤其适用于PBL教学方式。AI可判断网络上英文内容的难度，自动调整教学材料的难易度，如将高三难度的内容调整为初一水平，以适应学生的能力。我们还专注于教育数学领域，尽管大模型在垂直学科的知识和推理上表现不足，但我们通过自主数据优化模型准确率。我们的AI模型专注于难度识别和纠错，帮助教师更精准地指导学生。未来，教师的角色将更多转向辅导，我们也在这一方向不断探索。

岳天溦：

—— Mathos AI

我们是做AI Math Tutoring的公司。我们的起步方向是面向消费者的Math Tutor产品，接下来，我们主要专注于开发AI agents，专攻美国市场，超过一半客户都是美国的。刚才几位嘉宾也提到，在美国市场，教学大纲已经非常完善，因此我们认为没有必要在大模型本身上投入过多精力。不过，在大模型完全成熟之前，我们可以针对特定的user case做好准备，结合教学大纲来明确某些特定科目或课程的实际应用场景。教学大纲除了强调答案的准确性外，还注重解题步骤的正确性以及思维方式的合理性，这些方面也是老师所关注的。

目前，我们正在运行和迭代消费者端的产品，持续进行增长。同时，我们认为如果要真正推动AI教育的未来发展，必须赋能教育者。因此，我们正在与教育者进行合作，深入到他们的工作流程中。毕竟模型本身的能力并非构成壁垒，真正的壁垒可能在于实际应用的know-how。我们希望能够在模型真正发挥作用时，提前融入教育者的work flow里（工作流程），这是我们认为比较有价值的方向。

Brian Gao：

—— TAL

我们很早就意识到，教育数据，包括我们的题库以及师生互动等内容，结合模型的能力，是有可能将数学解题和综合教育辅导这一场景完整实现的。然而，在这一过程中，我们遇到了两个主要问题：

首先，数据的类型和内容延伸到产品层面后，一直未能达到我们预期的效果。尽管我们拥有大量的数据和交互内容，但在具体的产品应用中，效果并没有完全体现出来。

其次，在数学类型数据的标注上，我们遇到挺多困难。数学标注不仅需要具备数学知识，还需要理解解题思路，并且熟悉标注的流程。为了攻克这个难题，我们曾探索过许多路径，也与市场上的一些供应商进行过多次探讨。但最终，我们决定自己承担这项工作，尽管走了不少弯路，也付出了较高的成本。

王栋：

—— Happy Tech

我们在北京和新加坡两地进行语言学习APP的研发。LLM出现后，这确实是一个重要的AI应用落地的机会点。正如刚才大家提到的，对于语言学习来说，尤其是小孩子，持续的互动比教材内容本身更关键。只要有足够的互动和积累，无论是英语还是中文，孩子都有能力掌握。这里的互动既包括互动内容，也包括互动形式。今天我们看到的大多数AI语言英语，似乎都集中在对话这种交互方式上。我们认为，这里还有更多的空间可以挖掘和探索。

关于数据积累，除了语音数据外，目前在交互方面的情绪和情感类数据非常欠缺。例如学生与学生之间，或者是老师和学生之间，包括学生与虚拟助教等方面都可以有不同的交互模式。学生说话的声音、语调、表情，都反映出来他对学习的 topic 是不是足够的感兴趣。就我们的观察和测试，大模型在情绪情感分析和表达方面也尚未取得革命性的突破。这就提供了更多机会，是一个值得进一步探索的领域。

陈沫：

—— ClassIn

肖盾：

—— Ainia

Sinba：

—— MissDora

Brain Gao：

—— TAL

陈沫：

—— ClassIn

肖盾：

—— Ainia

陈沫：

—— ClassIn

爱迪生发明电灯后，工厂效率并未立刻提升，直到福特的流水线改变了工厂布局，才实现质变。如今，人类正迈入数智化教育时代，其关键是新型学习组织形态的诞生，而非某个应用的出现。生成式AI作为通用技术，将推动从工业教育向数智化教育的转型，带来划时代的效率提升。学习将更加生本、跨学科，异步、个性化学习普及，K-12将扩展为K-120，AI将深度融入生活，改变学习和家庭互动方式。AI将平等化优质讲授，甚至赋予每个人创造艺术、编程、创业的能力，让创造力和自由更普及，带来美好而充满活力的未来。

王晓妍：

—— AWS

Brian Gao：

—— TAL

全文无删节版请移步知识库