从AI教育看AI创业
创始人
2025-08-30 16:14:21
0

来源|dowell之自言自语

作者|林路

编者按:

本文系转载,作者为北极光创投合伙人林路,他2012年加入北极光,已在传统互联网与移动互联网领域深耕10余年,他参与投资及投后管理的项目众多,其中教育科技项目有VIPKID、火花思维及美奇互动等。

本文中,作者从AI教育看AI创业方面展开思考。作者认为AI与移动互联网时代最大的不同在于——领先的大模型公司追求的是通用智能,而非局限在单一垂直应用。初创公司要抵御大模型公司的渗透,关键在于两点:其一,行业的know-how 足够复杂,短期内难以被通用模型复制;其二,长期积累的用户数据能够持续优化产品体验。

01 前言

这次 AI 与移动互联网时代最大的不同在于——领先的大模型公司追求的是通用智能,而非局限在单一垂直应用。仅仅在大模型之上“套壳”做应用,是非常危险的。

在移动互联网时代,我们并不担心操作系统厂商会凭借平台优势轻易颠覆应用市场。即便 Apple 推出了 iMessage,也难以撼动微信或 WhatsApp 的地位。而在 AI 时代,大模型公司的战略是 “模型即应用”:模型不仅能快速扩展能力到任意领域,还能以更高的维度直接与你竞争。当你为模型配置 CoT(Chain of Thought)时,它可以将推理能力内化;当你用 workflow 拆分复杂任务时,模型本身就能进化为具备自主分解与执行的 Agent。

更重要的是,目前大模型公司的单位经济(UE) 并不理想,这反而驱动它们不断向周边场景渗透、延伸能力,以寻找更多变现路径。现实案例已经给出了警示——依赖 Claude 能力的工具Windsurf,在被 OpenAI 收购后,遭Anthropic 切断 API,陷入尴尬境地,最终只能被Google 收下技术团队。

初创公司要抵御大模型公司的渗透,关键在于两点:其一,行业的 know-how 足够复杂,短期内难以被通用模型复制;其二,长期积累的用户数据能够持续优化产品体验。教育行业正是这样一条赛道。尽管 OpenAI 早已将教育列为重点拓展领域,并在数年前投资了韩国英语 AI 教育公司 Speak,但单纯让用户直接与 AI 对话,并不能触及教育的核心痛点,更难以解决学习动机、课程设计、反馈机制等深层问题。

02 关于教育的know how

我们先来探讨一下学习动机的问题。虽然人的智商确实存在差异,但在小学到高中的学习过程中,智商的影响往往被高估了。我更倾向于相信,大脑和肌肉一样,需要持续的训练刺激才能不断增强,因此持续且高效的学习投入才是关键。

然而,人的注意力天生容易分散,某种程度上,每个人都或多或少带有“ADHD”(注意缺陷多动障碍)的特质。关于人类无法长时间专注,已有多种理论解释:

生理节律:为了不遗漏潜在的警示信息,大脑会周期性地转移注意力;资源有限:大脑运转消耗巨大,持续集中会迅速消耗能量;

大脑疲劳:和肌肉一样,大脑在长时间运作后也会疲惫;

外部干扰与信息超载:环境噪音、信息轰炸不断侵入注意力;

认知机制复杂性:人类思维本就容易被多任务和联想打断。

成年人可能因目标、责任和现实压力,获得“不得不坚持”的动机,但对于学生,尤其是低龄学生,要长期抵抗注意力分散的天性,其实是非常困难的。

如何解决学习动机问题,游戏设计给了我们答案。虽然大部分游戏也都是脑力运动,但很多人乐此不疲。很大原因是“心流曲线“的设计。游戏保证玩家有一定挑战能够完成一个任务,并且在这个过程中得到成长,在下一关提升难度是玩家依然努力能够完成。然后游戏通过角色数字的成就,获得资源或者游戏道具形成正向的反馈。

如果你研究过一些具有历史积淀的国外英语教材,就会发现它们的设计极为精巧。教材一开始会呈现单词的基本形态,几个章节之后,这些单词会以不同形态再次出现;句子结构则从最初的简洁逐步过渡到更复杂的形式。同时,每个单元之间的难度递增都经过精确控制,既避免让学生觉得过于简单而失去挑战,又不会让他们因难度陡增而产生挫败感。

这种循序渐进、环环相扣的编排,是高度精细的教学设计。在今天,大模型连讲个笑话都未必能流畅自如的情况下,要完成如此严谨的渐进设计更是难上加难。即便是经验丰富的人类教师,也需要在学生使用过程中不断评估和调整课程结构,以确保设计合理。回过头来看,那些优秀的教材往往都是经过数十年不断修订、打磨出来的成果。

传统纸质教材最大的局限在于信息传递是单向的,无法为学生提供即时的正向反馈。也正因为如此,过去许多国内外教育公司都致力于利用计算机软件,为学习过程加入正向激励机制。比如,每隔 5 分钟让学生完成一个小动作,或者在课程结束后颁发某种勋章奖励。这些设计看似简单,却同样需要经过精心策划与反复验证,才能真正激发并维持学生的学习动机。相较之下,单纯依赖大模型不断夸奖学生,不仅难以形成有效反馈,还可能削弱激励效果。真正的正向反馈,需要科学的节奏安排与行为触发机制,而非泛泛的语言赞美。

当然,教育行业最大的 know-how在于,许多 AI 从业者其实并不了解教育领域还存在这些隐性规律与关键要素。因此,我们看到像 Speak、Elsa Speak 这样的产品,虽然主打所谓的“场景对话”,但往往面临两个问题:第一,用户很难长期坚持使用;第二,用户在持续学习的过程中,也很难获得能力的显著提升。

如果回到 2014 年中国教培行业兴起的阶段来看,最早一批跑通商业模式的,几乎都是出身于传统教培行业的从业者。等到教研体系与互联网教育的商业模式逐渐被验证和解决之后,互联网背景的创业者才通过“挖人”的方式切入赛道,完成知识与经验的迁移。我相信,在 AI 时代,这个过程很可能会重演——依旧是深谙行业规律的从业者率先跑通模式,随后才由技术或互联网背景的创业者加速放大。

03 先文科还是先理科

我们常看到大模型在 IMO 这类竞赛中“卷”出高分,便自然认为它在理科上的突破进展飞快。但回到最初阶段,大模型甚至分不清 3.11 和 3.8 谁大。随着强化学习的引入,这类低级错误逐渐减少,但在未经过强化学习优化的领域,它依然会频繁犯错。

如果有与之相当的文科竞赛,其实今天的大模型很可能已远超人类。就在几年前,我还看不懂美国同事用 Google 翻译写的中文邮件,而现在,我已能用大模型在微信上与他用英文顺畅讨论极其复杂的问题。大模型在文章观点归纳、资料整理等任务上已相当娴熟。OpenAI 的 Deep Research 功能甚至已能达到、甚至超过实习生的水平。

而文科里面大模型更擅长的是语言。

我一直觉得 Newsela App 的分级阅读很有趣——用户可以根据自己的英文水平,选择相应难度的版本来阅读同一篇新闻。直到有一次我去湾区见了他们的投资人,才从当时尚未被 Y Combinator 并购的 Reach Capital 那里得知,原来他们有庞大的团队专门负责将新闻改写成不同等级的版本。如果换作今天,大模型完全可以轻松胜任这一工作。

我自己经常用 Kimi 来精读英文文档:先上传文档,再给出指令——“从第一章开始逐段解析,每一段先配英文原文,然后再跟解析,并列出生僻词汇和词组”——这样我就能系统地、逐句地消化一篇很长的英文文章。遇到生词时,我还可以直接向大模型询问释义,并让它给出例句。这些在过去往往需要投入大量教研资源才能完成的工作,如今大模型却能瞬间完成。借助大模型的阅读插件,只需选中英文单词,就能快速结合上下文给出精准解析,而不必自己去揣测一个多义词在句子中的具体含义。

我有时会用英语口语与 ChatGPT 对话,探讨一些感兴趣的话题,甚至还能请它在交流过程中帮我纠正语言问题。几年前,要获得这样的体验,不仅得安装 C2C 软件并付费找老外聊天,还得担心对方是否带有难懂的口音。

当下的语言教育,其实只缺一家能够将这一整套工具与优质教研设计相结合的公司,让用户能够循序渐进地掌握一门语言。

相关内容

热门资讯

最新或2023(历届)争做四有... 【1】四有好老师心得体会  做好老师,要有理想信念,这是实现中国梦的思想基础。广大教师要始终要同党和...
最新或2023(历届)会计实训... 【1】会计实训心得体会  时光飞逝,转眼间,我们已经步入了第三学年,所学的内容都是专业课,其中会计实...
最新或2023(历届)大学生会... 【1】大学生会计实训心得体会  实训内容的衔接可以有助于促进我们对会计知识形成整体的感性认识,有助于...
最新或2023(历届)学习形势...  【1】学习形势与政策心得体会  经过对《形势与政策》课的学习,我对国内外的形势与政策有了更深刻、更...
最新或2023(历届)浅谈形势... 【1】浅谈形势与政策心得体会  今天,学校老师给我们上了堂《形势与政策》课后,我对它有了更深刻的理解...