本文经授权转载自微信公众号 出海同学会（ID：chuhaiwenda）
作者｜出海同学会
原文标题：《教育+AI如何在全球改变学习这件事？｜No.120期干货》
教培是全球化创新中的重要赛道，基本所有的教培和教育科技创新企业都在过去几年开展了出海全球化的业务，而新全球化+AI时代，我们也在硅谷和全球重要的市场遇到了一大批立足全球，探索AI教育科技的企业。在算力与数据、科技等重要环节发生质变的今天，类似于知识图谱、跨学科迁移学习等学习方式有更多的机会被大家使用。
目前落地的AI应用集中在哪些教育的环节？如何持续产生教育的优质内容？在全球做教育+AI赛道应该注意一些什么？我们邀请了教育科技企业、AIGC企业、AI数据底层企业等相关的朋友们一起讨论。
以下是本次活动可公开部分。
本期课代表
按公司名数字-字母序
Ainia Founder&CEO 肖盾
Cathoven AI Founder 连旭
Classin 全球化副总裁 陈沫
Dreamix 联合创始人 Amie
Mathos AI Founder 岳天溦
MissDora Founder & CEO Sinba
TAL 海外消费硬件营销增长负责人/海外战投 Brian Gao
小叶子北京科技 产品总监 唐艺洋
Happy Tech 创始人 王栋
AWS 初创生态负责人 王晓妍
Xinyun/Sunny（文档笔记整理）
Xinru（排版布局设计）
一些同学因公司PR保密不能公开或有部分内容需要删节，我们同样感谢他们的精彩输出，如出现链接或企业名为嘉宾引用第三方，侵删。
要点问题Part 1 背景研讨
人学习东西的目标是什么？AI如何助力？
算力提升后，教培的生产关系将如何变化？
Part 2 破壁研讨
教育数据的创建与积累将会如何改变学习？
AIGC+教育，如何持续产生优质内容？
如何设计增强的学习环境和人机交互？
Part 3 机会研讨
未来会诞生怎样的新的学习方式？
在全球做教育类产品应该注意一些什么？
Part 1 背景研讨
#1 人学习东西的目标是什么？AI如何助力？
陈沫：—— ClassIn
大家好，我是陈沫，目前在 ClassIn 负责全球化战略和 AI + 教育方向的战投。在 AI 时代，学习的核心目标正向应用创造和审美鉴赏两个方向转变。应用创造层面，AI将平等化知识的讲授，帮助人们高效培养批判性思维、逻辑等长期胜任力，提升认知层次。审美鉴赏则关乎人类在 AI 替代劳动后的幸福感，幸福源自热爱生活和知识的深度体验，通过兴趣的深入和实践找到意义。AI时代要求教育提供更宽广的跨学科知识和更多实践机会，以培养审美鉴赏力，提升对美好生活的追求。
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。
#2 算力提升后，教培的生产关系将如何变化？
Sinba：—— MissDora
大家好，我是Sinba，学霸君创始人。我们推出了MissDora，一款偏重儿童陪伴的产品，近期将在北美上线。我们关注的是全球儿童陪伴市场，特别是AI在数学和编程方面的进展。最近增强学习模型的突破，让我们重新考虑专业知识传授的可能性。在过去，测试过的模型表现不佳，甚至连基本的解析几何问题都无法解决，因此我们专注于容错率高的陪伴功能。然而，近期Claude 3.5和7B模型在数学上有明显突破，让我对未来的步骤级学科推理保持乐观态度。如果AI能达到预期，我们将考虑更深入的专业知识传授。同时，AI并未改变学习需求，尤其是语言学习，反而让英语学习变得更为重要。
Part 02 破壁研讨
#1 教育数据的创建与积累将会如何改变学习？
Sinba：—— MissDora
我们的观察表明，当前面临多模态数据不足和语音数据标注质量差的问题。主要挑战有两方面：一是数据量不足，无法满足模型微调和RHF训练需求；二是标注工具落后，尤其在多人协同标注时表现不佳，大模型公司在这方面拥有显著优势。此外，区域性需求差异加剧了数据问题，中国和美国市场需求存在显著差别，导致数据难以统一。数据合法保护和复杂推理处理能力也是挑战，大公司凭借效率和技术进步对小公司形成压力。创业者需选择大公司短期不涉足的领域，如公式识别等，开发具有竞争优势的技术。
陈沫：—— ClassIn
Sinba提到的Latex公式识别，特别是手写转写准确性，是教育科技领域的重大挑战。高精度学科工具开发难度大，市场空间却有限，如WIRIS旗下的MathType，做了二十多年也仅存一家。STEM类教学工具的空白，部分解释了为何教授们仍用黑板授课，连幻灯片都不常用。
单靠多模态AI解决此类问题仍未达到工业化要求。例如，LLM在数学题库的准确率中小学约75%，但面对更复杂题目表现较差。传统OCR技术虽准确率高，但大模型在概念解释、多轮对话上更胜一筹。将成熟技术与大模型结合，是更优解决方案。
在教育+AI创业中，应结合中国C端软件全球化的优势，如交互创新和运营方法，提升学习体验。比如在美国市场，一些AI讲授产品利用大模型与工具协作，为用户提供更优质的学习路径。
Sinba：—— MissDora
我们现在遇到的问题，美国的孩子在学习过程中更倾向于“娱乐化”的体验，他们的家长不希望直接给孩子答案，学习过程过于严肃。因此，美国的学生可能更喜欢轻松、有趣、甚至无厘头的故事，即使这些故事在内容或逻辑上没有特别强的情节结构。而且，家长对于学习过程中保持孩子的参与感和兴趣更加关注。
相对而言，香港和新加坡的国际学校的学生则表现出更强烈的结果导向。这些孩子更倾向于接受有明确目的或逻辑的学习内容，喜欢那些带有情节起伏、具有清晰教育目标的故事。
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。
#2 AIGC+教育，如何持续产生优质内容？
陈沫：—— ClassIn
教育内容与娱乐内容的关键区别在于准确性，教师需确保教学内容的正确性，以维护其公信力和权威性。目前大模型的“幻觉”问题使其无法用于 Teacher-to-Student 的教学。部分公司如 Merlyn Mind 和 Nolej 通过限制模型生成或基于教师输入的方式来确保准确性，这是当前应对幻觉的有效方法。
除了准确性，教育内容还需具备逻辑性、系统性和自洽性。零散的知识点难以称为优质内容。开放性、启发式内容则因其对精确性要求低，更适合如英语口语测试等应用。俄罗斯创始人开发的数字人 Praktika 通过优化托福、雅思口语备考内容，在市场中找到了成功的商业模式，提供高质量的内容以低于真人服务的价格。
肖盾：—— Ainia
尽管工具不断进步，教育内容的“金标准”依然由专业人员创作，如名师、名校或机构提供的课程内容。UGC或AIGC内容目前尚未达到这一水平，主要有两点原因。首先，优质教育内容难以评估，品牌效应尤为重要，如“斯坦福出品”带来的质量预期。其次，AI的创造力目前还无法超越顶尖人类创作者，因此持续生产优质内容仍是核心问题。通过专家审校流程和数据反馈的赛马机制，可以不断提升内容质量。AI助手与学生的互动场景引发了新的学习模式讨论，值得深入探讨如何在这种环境下产生有效学习内容。
Sinba：—— MissDora
真正的专家通过实际经验和小样本数据进行抽象总结，而非仅依赖理论或论文。当前使用AIGC生成内容的人仅能整合已有知识，能做到这点已属不易。例如，我们与哥大教授合作发现，如果有1万个孩子的长期使用数据，教育领域许多论文或将重写。过去教育研究因无法在自然环境中收集足够数据而受限。未来若能通过AI助手收集长期互动数据，教育将迎来革命，这些数据将为教育理论提供全新视角，可能改写现有研究。
#3 如何设计增强的学习环境和人机交互？
Brain Gao：—— TAL
我们在国内进行了许多 AI 应用的探索，在海外市场更关注 3-8 岁儿童的互动式玩具产品。目前海外产品尚未大规模融入 AI 功能，明年计划推出基于国内 AI 探索的产品。在国内，AI 主要用于两大场景：
1. 问答场景（精准学习）：通过 AI 将碎片化学习内容精准传递给孩子，增强成就感。
2. 人机交互场景（批改功能）：在学习机上，通过 OCR 技术和 AR 镜，实现数学、作文和口算的高精度批改。
此外，我们增加了类似 Siri 的“小思”问答功能。在海外市场，我们正在探索硬件在学习场景中的应用，特别是作业场景下的口算和作文批改。
陈沫：—— ClassIn
ClassIn 高校业务的重点是建设未来的学习空间。基于对上千间教室的研究，我们认为 AI 时代的学习环境设计应关注三个核心方面：
①支持教学模式的转变，从“掌握性学习”转向“胜任力学习”，打破传统讲台式教学，让学生成为课堂核心；
②通过空间设计促进学习成果的量化改进，环境因素对学习进步影响可达16%；
③支持 AI Native 的数字化建设，线上线下融合，软硬件结合，终身学习的混合与异步学习成为常态。未来，教学空间将更加注重软硬件协同，推动教育科技的进一步发展。
肖盾：—— Ainia
AI与硬件的结合我也很期待。不论是Meta还是苹果，都在积极推进这一领域的发展，一些创业公司也在探索这种方向。一旦这样的设备问世，软件创新将会迎来新的契机，比如“动态UI”（Dynamic UI）概念，这种UI能够根据用户的提示（prompt）实时生成不同的界面，不再局限于固定框架，而是根据场景和需求实时变化，类似《少数派报告》这样科幻电影中的场景呈现。
不过，目前基于现有硬件的技术实现这一目标仍存在一些挑战。尽管这在技术上不是不可能，但从投资回报率（ROI）来看，短期内或许不够高效。因此，我也同意这种大规模应用的时机还未到，可能还需要两到三年的时间。
Part 03 机会研讨
#1 未来会诞生怎样新的学习方式？
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
我们这边也服务了一些出海的教育类项目，其中比较多的是语言学习类的，比如一些English tutor类的产品，也有做学科教育的项目，渗透到整个教学的各个环节，帮助老师整理教学内容。整体来看，AI时代的教育将变得越来越平权化和个性化。在交互形态上可能会有很多变化，同时内容的产生也会更加根据学生的背景和反馈来生成个性化的内容。
目前遇到的主要问题之一是教育内容需要非常准确，而AI模型有时会出现hallucination现象，导致模型生成的内容过于发散或准确性不足。因此，最终还是需要依赖传统的题库或教学大纲式的内容来进行校准。不过，我认为随着未来模型能力的增强，以及agent在自我反思、迭代和纠错能力上的提升，最终大模型可能能够完成整个教学流程。这是我们的一些粗浅观察。
Brian Gao：—— TAL
我们的逻辑其实是在去年观察了很多AI模型的应用，尤其是陪伴类产品。从自身的核心能力出发，作为教育公司，我们的重点仍然是内容，尤其是在数学和其他学科内容如何应用到美国市场，这是我们一直在思考的问题。
目前在美国，我们的目标是填补阅读和作业场景中的空白。现在在美国，尤其是小学和初中阶段，Chromebook在学校和家庭中的应用非常广泛，但在硬件方面一直饱受批评。我们希望开发一个既能在家庭和学校场景中贯通，又能在硬件方面为学习场景创造价值的产品。通过AI技术，可能不仅仅是依赖模型能力，而是利用其他AI技术，同时在内容方面提供有趣且有教育价值的体系。
这个方向并不是一个非常新颖的想法，但我们认为这是目前美国市场中“内容+硬件”领域的一个机会。这个市场比较tricky。如果我们打造类似国内的学习机或平板设备，显然在美国市场没有吸引力；如果做一个价格高昂的产品，又会直接与iPad这样的设备竞争。而美国平板市场主要依靠廉价硬件，并通过订阅内容盈利，而我们在内容方面目前还没有一个完整的体系支持。我认为中期来看，这个方向仍有机会。从硬件层面切入美国的学习场景，并打通家庭和学校的应用，这是我们当前的探索方向。
