來源|dowell之自言自語

　　作者|林路

　　編者按：

　　本文系轉(zhuǎn)載，作者為北極光創(chuàng)投合伙人林路，他2012年加入北極光，已在傳統(tǒng)互聯(lián)網(wǎng)與移動(dòng)互聯(lián)網(wǎng)領(lǐng)域深耕10余年，他參與投資及投后管理的項(xiàng)目眾多，其中教育科技項(xiàng)目有VIPKID、火花思維及美奇互動(dòng)等。

　　本文中，作者從AI教育看AI創(chuàng)業(yè)方面展開思考。作者認(rèn)為AI與移動(dòng)互聯(lián)網(wǎng)時(shí)代最大的不同在于——領(lǐng)先的大模型公司追求的是通用智能，而非局限在單一垂直應(yīng)用。初創(chuàng)公司要抵御大模型公司的滲透，關(guān)鍵在于兩點(diǎn)：其一，行業(yè)的know-how 足夠復(fù)雜，短期內(nèi)難以被通用模型復(fù)制;其二，長(zhǎng)期積累的用戶數(shù)據(jù)能夠持續(xù)優(yōu)化產(chǎn)品體驗(yàn)。

　　01 前言

　　這次 AI 與移動(dòng)互聯(lián)網(wǎng)時(shí)代最大的不同在于——領(lǐng)先的大模型公司追求的是通用智能，而非局限在單一垂直應(yīng)用。僅僅在大模型之上“套殼”做應(yīng)用，是非常危險(xiǎn)的。

　　在移動(dòng)互聯(lián)網(wǎng)時(shí)代，我們并不擔(dān)心操作系統(tǒng)廠商會(huì)憑借平臺(tái)優(yōu)勢(shì)輕易顛覆應(yīng)用市場(chǎng)。即便 Apple 推出了 iMessage，也難以撼動(dòng)微信或 WhatsApp 的地位。而在 AI 時(shí)代，大模型公司的戰(zhàn)略是 “模型即應(yīng)用”：模型不僅能快速擴(kuò)展能力到任意領(lǐng)域，還能以更高的維度直接與你競(jìng)爭(zhēng)。當(dāng)你為模型配置 CoT(Chain of Thought)時(shí)，它可以將推理能力內(nèi)化;當(dāng)你用 workflow 拆分復(fù)雜任務(wù)時(shí)，模型本身就能進(jìn)化為具備自主分解與執(zhí)行的 Agent。

　　更重要的是，目前大模型公司的單位經(jīng)濟(jì)(UE) 并不理想，這反而驅(qū)動(dòng)它們不斷向周邊場(chǎng)景滲透、延伸能力，以尋找更多變現(xiàn)路徑?，F(xiàn)實(shí)案例已經(jīng)給出了警示——依賴 Claude 能力的工具Windsurf，在被 OpenAI 收購后，遭Anthropic 切斷 API，陷入尷尬境地，最終只能被Google 收下技術(shù)團(tuán)隊(duì)。

　　初創(chuàng)公司要抵御大模型公司的滲透，關(guān)鍵在于兩點(diǎn)：其一，行業(yè)的 know-how 足夠復(fù)雜，短期內(nèi)難以被通用模型復(fù)制;其二，長(zhǎng)期積累的用戶數(shù)據(jù)能夠持續(xù)優(yōu)化產(chǎn)品體驗(yàn)。教育行業(yè)正是這樣一條賽道。盡管 OpenAI 早已將教育列為重點(diǎn)拓展領(lǐng)域，并在數(shù)年前投資了韓國(guó)英語 AI 教育公司 Speak，但單純讓用戶直接與 AI 對(duì)話，并不能觸及教育的核心痛點(diǎn)，更難以解決學(xué)習(xí)動(dòng)機(jī)、課程設(shè)計(jì)、反饋機(jī)制等深層問題。

　　02 關(guān)于教育的know how

　　我們先來探討一下學(xué)習(xí)動(dòng)機(jī)的問題。雖然人的智商確實(shí)存在差異，但在小學(xué)到高中的學(xué)習(xí)過程中，智商的影響往往被高估了。我更傾向于相信，大腦和肌肉一樣，需要持續(xù)的訓(xùn)練刺激才能不斷增強(qiáng)，因此持續(xù)且高效的學(xué)習(xí)投入才是關(guān)鍵。

　　然而，人的注意力天生容易分散，某種程度上，每個(gè)人都或多或少帶有“ADHD”(注意缺陷多動(dòng)障礙)的特質(zhì)。關(guān)于人類無法長(zhǎng)時(shí)間專注，已有多種理論解釋：

　　生理節(jié)律：為了不遺漏潛在的警示信息，大腦會(huì)周期性地轉(zhuǎn)移注意力;資源有限：大腦運(yùn)轉(zhuǎn)消耗巨大，持續(xù)集中會(huì)迅速消耗能量;

　　大腦疲勞：和肌肉一樣，大腦在長(zhǎng)時(shí)間運(yùn)作后也會(huì)疲憊;

　　外部干擾與信息超載：環(huán)境噪音、信息轟炸不斷侵入注意力;

　　認(rèn)知機(jī)制復(fù)雜性：人類思維本就容易被多任務(wù)和聯(lián)想打斷。

　　成年人可能因目標(biāo)、責(zé)任和現(xiàn)實(shí)壓力，獲得“不得不堅(jiān)持”的動(dòng)機(jī)，但對(duì)于學(xué)生，尤其是低齡學(xué)生，要長(zhǎng)期抵抗注意力分散的天性，其實(shí)是非常困難的。

　　如何解決學(xué)習(xí)動(dòng)機(jī)問題，游戲設(shè)計(jì)給了我們答案。雖然大部分游戲也都是腦力運(yùn)動(dòng)，但很多人樂此不疲。很大原因是“心流曲線“的設(shè)計(jì)。游戲保證玩家有一定挑戰(zhàn)能夠完成一個(gè)任務(wù)，并且在這個(gè)過程中得到成長(zhǎng)，在下一關(guān)提升難度是玩家依然努力能夠完成。然后游戲通過角色數(shù)字的成就，獲得資源或者游戲道具形成正向的反饋。

　　如果你研究過一些具有歷史積淀的國(guó)外英語教材，就會(huì)發(fā)現(xiàn)它們的設(shè)計(jì)極為精巧。教材一開始會(huì)呈現(xiàn)單詞的基本形態(tài)，幾個(gè)章節(jié)之后，這些單詞會(huì)以不同形態(tài)再次出現(xiàn);句子結(jié)構(gòu)則從最初的簡(jiǎn)潔逐步過渡到更復(fù)雜的形式。同時(shí)，每個(gè)單元之間的難度遞增都經(jīng)過精確控制，既避免讓學(xué)生覺得過于簡(jiǎn)單而失去挑戰(zhàn)，又不會(huì)讓他們因難度陡增而產(chǎn)生挫敗感。

　　這種循序漸進(jìn)、環(huán)環(huán)相扣的編排，是高度精細(xì)的教學(xué)設(shè)計(jì)。在今天，大模型連講個(gè)笑話都未必能流暢自如的情況下，要完成如此嚴(yán)謹(jǐn)?shù)臐u進(jìn)設(shè)計(jì)更是難上加難。即便是經(jīng)驗(yàn)豐富的人類教師，也需要在學(xué)生使用過程中不斷評(píng)估和調(diào)整課程結(jié)構(gòu)，以確保設(shè)計(jì)合理。回過頭來看，那些優(yōu)秀的教材往往都是經(jīng)過數(shù)十年不斷修訂、打磨出來的成果。

　　傳統(tǒng)紙質(zhì)教材最大的局限在于信息傳遞是單向的，無法為學(xué)生提供即時(shí)的正向反饋。也正因?yàn)槿绱?，過去許多國(guó)內(nèi)外教育公司都致力于利用計(jì)算機(jī)軟件，為學(xué)習(xí)過程加入正向激勵(lì)機(jī)制。比如，每隔 5 分鐘讓學(xué)生完成一個(gè)小動(dòng)作，或者在課程結(jié)束后頒發(fā)某種勛章獎(jiǎng)勵(lì)。這些設(shè)計(jì)看似簡(jiǎn)單，卻同樣需要經(jīng)過精心策劃與反復(fù)驗(yàn)證，才能真正激發(fā)并維持學(xué)生的學(xué)習(xí)動(dòng)機(jī)。相較之下，單純依賴大模型不斷夸獎(jiǎng)學(xué)生，不僅難以形成有效反饋，還可能削弱激勵(lì)效果。真正的正向反饋，需要科學(xué)的節(jié)奏安排與行為觸發(fā)機(jī)制，而非泛泛的語言贊美。

　　當(dāng)然，教育行業(yè)最大的 know-how在于，許多 AI 從業(yè)者其實(shí)并不了解教育領(lǐng)域還存在這些隱性規(guī)律與關(guān)鍵要素。因此，我們看到像 Speak、Elsa Speak 這樣的產(chǎn)品，雖然主打所謂的“場(chǎng)景對(duì)話”，但往往面臨兩個(gè)問題：第一，用戶很難長(zhǎng)期堅(jiān)持使用;第二，用戶在持續(xù)學(xué)習(xí)的過程中，也很難獲得能力的顯著提升。

　　如果回到 2014 年中國(guó)教培行業(yè)興起的階段來看，最早一批跑通商業(yè)模式的，幾乎都是出身于傳統(tǒng)教培行業(yè)的從業(yè)者。等到教研體系與互聯(lián)網(wǎng)教育的商業(yè)模式逐漸被驗(yàn)證和解決之后，互聯(lián)網(wǎng)背景的創(chuàng)業(yè)者才通過“挖人”的方式切入賽道，完成知識(shí)與經(jīng)驗(yàn)的遷移。我相信，在 AI 時(shí)代，這個(gè)過程很可能會(huì)重演——依舊是深諳行業(yè)規(guī)律的從業(yè)者率先跑通模式，隨后才由技術(shù)或互聯(lián)網(wǎng)背景的創(chuàng)業(yè)者加速放大。

　　03 先文科還是先理科

　　我們?？吹酱竽Ｐ驮?nbsp;IMO 這類競(jìng)賽中“卷”出高分，便自然認(rèn)為它在理科上的突破進(jìn)展飛快。但回到最初階段，大模型甚至分不清 3.11 和 3.8 誰大。隨著強(qiáng)化學(xué)習(xí)的引入，這類低級(jí)錯(cuò)誤逐漸減少，但在未經(jīng)過強(qiáng)化學(xué)習(xí)優(yōu)化的領(lǐng)域，它依然會(huì)頻繁犯錯(cuò)。

　　如果有與之相當(dāng)?shù)奈目聘?jìng)賽，其實(shí)今天的大模型很可能已遠(yuǎn)超人類。就在幾年前，我還看不懂美國(guó)同事用 Google 翻譯寫的中文郵件，而現(xiàn)在，我已能用大模型在微信上與他用英文順暢討論極其復(fù)雜的問題。大模型在文章觀點(diǎn)歸納、資料整理等任務(wù)上已相當(dāng)嫻熟。OpenAI 的 Deep Research 功能甚至已能達(dá)到、甚至超過實(shí)習(xí)生的水平。

　　而文科里面大模型更擅長(zhǎng)的是語言。

　　我一直覺得 Newsela App 的分級(jí)閱讀很有趣——用戶可以根據(jù)自己的英文水平，選擇相應(yīng)難度的版本來閱讀同一篇新聞。直到有一次我去灣區(qū)見了他們的投資人，才從當(dāng)時(shí)尚未被 Y Combinator 并購的 Reach Capital 那里得知，原來他們有龐大的團(tuán)隊(duì)專門負(fù)責(zé)將新聞改寫成不同等級(jí)的版本。如果換作今天，大模型完全可以輕松勝任這一工作。

　　我自己經(jīng)常用 Kimi 來精讀英文文檔：先上傳文檔，再給出指令——“從第一章開始逐段解析，每一段先配英文原文，然后再跟解析，并列出生僻詞匯和詞組”——這樣我就能系統(tǒng)地、逐句地消化一篇很長(zhǎng)的英文文章。遇到生詞時(shí)，我還可以直接向大模型詢問釋義，并讓它給出例句。這些在過去往往需要投入大量教研資源才能完成的工作，如今大模型卻能瞬間完成。借助大模型的閱讀插件，只需選中英文單詞，就能快速結(jié)合上下文給出精準(zhǔn)解析，而不必自己去揣測(cè)一個(gè)多義詞在句子中的具體含義。

　　我有時(shí)會(huì)用英語口語與 ChatGPT 對(duì)話，探討一些感興趣的話題，甚至還能請(qǐng)它在交流過程中幫我糾正語言問題。幾年前，要獲得這樣的體驗(yàn)，不僅得安裝 C2C 軟件并付費(fèi)找老外聊天，還得擔(dān)心對(duì)方是否帶有難懂的口音。

　　當(dāng)下的語言教育，其實(shí)只缺一家能夠?qū)⑦@一整套工具與優(yōu)質(zhì)教研設(shè)計(jì)相結(jié)合的公司，讓用戶能夠循序漸進(jìn)地掌握一門語言。