图为黑板洞察 AI 教育特约作者李卓老师，目前是知智教育创始人/CEO，曾任快手教育生态运营总监。未来之星讲师、北京师范大学国家智慧教育实验室嘉宾；
我最早想创业做AI教育的想法，还是在四年前。
彼时，我还在的快手教育生态，即使加上一些谦虚元素，也已经成为了全球最大的教育内容传播地。
在此基础上，不禁会想，我们还可以做点儿啥？
如此蓬勃的教育内容消费，短视频也好、直播也好，都已经充分证明了在这个平台上，爱学、想学的人已经充分聚集。
想往下进发，需要在学习兴趣的基础上，进一步提升学习能力和学习成绩。我是这样理解以下三者的：
1.学习兴趣：学习的引擎 兴趣是学习的第一步，能让人从内心驱动去探索、去参与。沉迷科普实验视频的孩子，或是每天期待某位主播讲解历史故事的观众，正是因为兴趣让他们投入时间和注意力。
但兴趣只是开始，光有热情无法形成深入的学习习惯。把兴趣转化为持久的学习动力，需要能力的支撑。
2.学习能力：突破学习瓶颈的关键 能力是学习的底层逻辑。无论是数学公式的推导，还是语言表达的流畅，都需要学生掌握核心的学习方法和工具。一个在背单词的孩子，如果无法掌握记忆方法或应用技巧，很可能止步于简单的背诵。
这时候，教育内容需要的不仅是吸引眼球，还要通过设计系统性的训练，帮助用户形成真正的学习能力。
3.学习成绩：成果的外显反馈 好的成绩可以带来自信和成就感，是兴趣与能力结合的结果。例如，平台上那些刷题技巧教学的短视频，让很多学生在考试中得到了快速提分的体验。但如果成绩仅仅停留在数字的表面，而没有帮助学生培养深度学习的习惯，那么教育的意义也会大打折扣。
当然，也需要真诚的去讲商业化的动机。
在中国的教育体系中，结果是学习动力的主要来源。无论是中高考，还是各种资质证书申请、竞赛名次或等级认证。绝大多数人参与教育服务购买，交易，买到预期效果是动机，学习只是过程。从商业化角度考虑，也需要在此进一步延展。
而快手最为擅长的，其实是推荐算法。虽然我是运营出身，但常年与算法打交道，也开始思考：如果我们能把快手的算法能力，用到教育领域，在学习能力和学习成绩培养上，岂不是把飞鸟送上天空、把鲸鱼放入深海一般有价值？
在快手的推荐系统中，用简单朴素的话来讲，算法的两大核心任务是：精准推荐用户需要的内容，以及持续发掘用户潜在的兴趣。
而当这项技术应用于教育领域，它不仅可以让学生轻松获取新知，还能帮助他们理解知识、迁移能力，甚至走向创造性的高阶思维。
1、精准推荐：知识获取的起点
在布鲁姆的认知目标理论中，学习的第一步是知识的获取，而推荐算法恰好在这一阶段表现出色。它通过显性数据的分析，为学生精准匹配所需的学习内容，让每一次接触都充满针对性。
这一过程始于对学生行为的细致观察。算法会基于学生的观看记录、兴趣领域和学习目标，快速提取显性需求。例如，如果学生对“天体运行”表现出兴趣，系统可能从基础知识入手，推荐太阳系的简单结构。这就像为一个美食爱好者推荐入门烹饪视频：重点不在于展示多么复杂的内容，而是专注于学生当前能学什么、需要学什么。
但教育的复杂性在于，知识并非孤立存在，而是具有层级关联。推荐系统通过嵌入知识图谱，为学生搭建“从点到网”的认知结构。比如，当学生在学习天体运行时表现出对“重力”的兴趣，系统会推送与重力相关的更深入内容，比如“潮汐现象如何由月球引力造成”。这种逐步深入的推荐，帮助学生从碎片化知识点出发，建立起系统化的认知网络。
2、兴趣发掘：探索未知的可能性
教育的意义不仅在于灌输知识，更在于引导学生发现潜在的兴趣。而快手的推荐算法，通过常见的Bandit算法，实现了从已知到未知的学习探索。
Bandit算法的核心是平衡“匹配”（Exploit）和“探索”（Explore）。在教育场景中，这意味着既要帮助学生巩固已有知识，又要激发他们的好奇心，引导他们进入全新领域。例如，一个对地理感兴趣的学生，在学习了“火山喷发”的内容后，系统可能会推送“地质板块移动”相关的视频。这种跨学科的延展，不仅巩固了学生的兴趣，还为进一步的探索铺平了道路。
这一切背后，是对学生行为的实时反馈分析。算法会记录学生观看内容时的停留时长、点赞互动等数据，甚至捕捉他们的情绪表达——从完成率到点赞行为，无不为优化推荐提供依据。比如，一个对文学感兴趣的学生，可能因为算法的精准引导，逐渐探索到文学与哲学、历史的交叉领域，最终打开更广阔的思维空间。
3、迁移能力：从学会到会用
如果说兴趣是学习的起点，迁移能力则是学习的高级目标。布鲁姆在其认知目标理论中指出，迁移能力是将知识应用到全新情境中的能力。而快手的推荐算法，正通过向量化的隐形数据分析和多轮推荐机制，为学生创造这种机会。
算法在这一阶段的核心任务是设计开放性挑战。例如，在学生掌握了“能源转化”基础知识后，系统可能推荐“如何设计一个简单的太阳能电池板”这样的内容。这种推荐不仅帮助学生将理论知识转化为实践，还鼓励他们探索真实世界的应用。
更重要的是，这些挑战遵循“从易到难、从近到远”的逻辑。学生从与当前知识高度相关的内容入手，逐步扩展到更具挑战性甚至跨学科的主题。例如，一个对生物感兴趣的学生，在理解了“植物光合作用”后，可能被推荐一段关于“生态系统中能量流动”的视频，从而提升系统性思考能力。
除此之外，算法还能引入多角度的对比学习和协作学习内容。例如，同一主题下，推荐不同的视角讨论（如“新能源的未来争议”），引导学生整合信息，形成自己的观点。这不仅帮助学生理解复杂问题，还激发了他们的批判性思维和创造力。
然而，在当时的环境下，如果往下推进这个项目，卡点在于：教育的内容完全不够用。
在我们常规视角来看，现在教学视频、课件、讲义、教材、题库已经多得不得了，随意拿出一个录播课程平台的数据，上百T的教学视频都是有的。
但不够用的原因，在于这些素材全都是教师视角出发，基于学生的理解或是考试，进行的针对性讲解。如果我们的目标是，希望基于学生个性化兴趣、性格、爱好，按照上文的逻辑给他推送内容。现有这些教育资源，本身的个性化要素还是过低。
一等就是三年。直到去年，大模型的出现，让我的想法有了重新落地的可能。
ChatGPT发布后，我开始恶补相关大模型的论文。
模型的训练技巧过于复杂，在此不表。在我看来，在未来的教育领域，大模型无疑是最有潜力的变革者之一。它并非一项单一的工具，而是一位“全能导师”，具备全知全能、无限生成以及实时交互的核心能力。
1、全知全能：构建一座知识的灯塔
大模型的“全知全能”特性，源于它对人类文字信息的全面理解。无论是科学公式、哲学理论，还是最新的社会问题，它都能轻松调取、整合并转化为适配的学习内容。对于教师而言，这意味着永远不需要担心知识盲点——一位普通教师借助大模型，便能轻松补足讲解中的漏洞，甚至生成一套完整的课程规划。
学生同样受益匪浅。当一个对天文学着迷的孩子提出“黑洞的边界到底是什么”时，大模型不仅能提供直观的解释，还能将其引导至更深层的学习领域，比如引力波的概念或宇宙膨胀的理论。这种即时性和广度，超越了传统的教科书和搜索引擎，它带来的不仅是答案，更是激发学生持续探索的动力。
2.无限生成：满足每一位学生的独特需求
大模型不仅“懂得一切”，还可以“生成一切”。它拥有无限生成能力，能够根据学生的认知水平、兴趣偏好和学习目标，实时创建个性化的学习路径。换句话说，它将因材施教从教育理想变成了日常现实。
刚开始学习几何的学生，可能会收到一段关于三角形基本性质的演示的说明，而同班的一位进阶学生则会获得关于圆内切三角形的实际应用案例。这种深度个性化的推荐不仅提升了学习效率，还让每位学生都能在自己的节奏中成长，而不是被统一的教学标准束缚。
更令人惊叹的是，大模型还能引导学生主动建构知识。通过不断生成与学生问题相关的新问题，它激发了他们的批判性思维能力。这样的学习不再是被动的接受，而是变成了一场持续的、探索性的对话。
3.实时交互：让学习成为一场情感体验
教育从来不是单纯的知识灌输，而是一种情感交互的过程。大模型的语音、图片等实时交互能力让这一点得以放大和深化。它能够捕捉学生的行为和情绪，比如当学生因某个问题表现出困惑时，模型会调整讲解的难度或语气，以降低学生的焦虑；当学生表现出高度兴趣时，模型则会快速深入，提供更复杂的知识或任务。
这种交互能力在艺术教育中尤为显著。例如，一个学生在创作一幅画时，可以实时获得模型的建议，比如如何调整构图或色彩搭配。这样的反馈机制，让学生在创作的过程中感受到支持和激励，而不仅仅是在最终结果上得到评判。
对于学生来说，大模型是知识获取的灯塔、能力提升的工具和情感交互的伴侣。从知识点的初步学习到复杂问题的跨学科思考，再到最终的创新实践，模型可以伴随学生的每一个学习阶段。这不仅是技术的加持，更是一种教育理念的进化——教育不再是“一刀切”的流水线生产，而是专注于每个人潜力开发的个性化服务。
而在此基础上，我相信中国教培市场的格局，也将迎来新的变革。
1、传统教培竞争格局
过去十年的教培市场，其市场的规模和用户的分布，演变成一个“杠铃型市场”的特征：
一端：行业巨头与地方头部机构
这一端代表了教育市场中的“巨头”，包括好未来、新东方、高途等全国性教育巨头，以及一些地方性的知名教育品牌。它们的特点是规模大、资源多、技术强，能够借助AI技术、大模型能力等创新手段，形成高效的内容生产、推广和运营体系。
这些机构往往在市场中占据领先地位，具备以下核心竞争力：
资源整合力：巨头能够整合全国范围内的优质教育资源，提供大规模、高标准的服务。
技术领先力：借助强大的大模型、数据分析和个性化推荐能力，提升教育内容生产和服务效率。
品牌影响力：凭借多年积累的品牌价值，这些巨头在家长和学生中享有高信任度，能够吸引大规模用户群体。
另一端：分散的个体教育市场
杠铃的另一端由众多分散化的小规模教育提供者构成，包括名师工作室、个体教师以及兼职教师。这一端市场参与者数量庞大，但服务能力和规模较为有限。
这些分散化教育提供者的特点是：
灵活性强：个体教师和小型机构可以迅速调整课程内容和教学模式，以适应学生的个性化需求。
贴近性高：他们往往以个人品牌或小圈层的方式运作，与学生和家长的互动更加直接和亲密。
资源有限：与行业巨头相比，这一端的教育服务者缺乏系统化的技术支持和市场推广资源，在竞争中更容易处于劣势。
中间断层：被挤压的中型机构
杠铃的中间部分是当前教培市场中最容易被忽略的一环，也是最脆弱的一环。中型教育机构往往因为缺乏规模化的资源整合能力，同时在技术应用和市场覆盖上无法与巨头抗衡，逐渐被市场挤压。
中型机构的困境体现在：
资源劣势：既不具备巨头的资源整合能力，也无法像小型机构那样灵活贴近用户。
技术落后：大模型和AI技术的普及需要高投入，中型机构往往难以承担相关研发和引入成本。
竞争压力：既要面对巨头在核心市场的入侵，又要应对小型机构在长尾市场的分流。
2、模型驱动——AI时代的中国教培的新星系结构：恒星、行星与星云的重组
从传统教育行业到教育科技的演进，大模型的引入正在彻底改变整个市场的生态。
如果将中国教培市场比作一个宇宙，未来的竞争格局将呈现出“恒星—行星—星云”的多层次结构，每个层次都在大模型的驱动下形成新的价值链和协作模式。
恒星：教育AGI服务商的核心驱动
在教育市场的“星系”中，大模型服务商无疑是恒星般的存在。它们拥有强大的数据采集、计算与推荐能力，支撑整个教育系统的运行。
这些教育AGI服务商的角色不仅是“内容提供者”，更是技术的基石。它们通过构建全知全能的大模型平台，为行业提供算法支持、数据基础设施以及内容生成能力。
恒星的优势在于规模化和标准化，能够服务海量用户并满足复杂的教育场景需求。从个性化学习推荐，到大规模考试评估，再到教师的智能备课系统，教育AGI服务商将成为行业的核心驱动力。
行星：垂直服务商的多元生态
围绕恒星的是众多“行星”——以垂直内容训练商、社区服务品牌、地方渠道服务商为代表的中型教育机构。这些行星级玩家在特定领域内深耕细作，形成了与恒星协同发展的关系。
一家专注于STEAM教育的培训机构，可以通过调用恒星的内容生成能力，为学生提供基于大模型的编程课程。同时，它也可以利用恒星提供的推荐算法，精准锁定有潜力的用户群体。行星们的核心价值在于深入理解细分市场，通过本地化运营、社群建设和专业服务，满足不同地域和人群的特殊需求。
无数星云：分散的教育内容生产与消费
如果说恒星和行星是教育市场的核心力量，那么“无数星云”代表了教育领域最广泛的个人内容创作者和消费者。在大模型的加持下，这些星云级个体，正在成为教育市场中不可忽视的创新源泉。
一位个体教师可以通过调用大模型的内容生成能力，快速制作个性化的教案和题目；一个学生可以利用模型提供的实时互动功能，学习自己感兴趣的跨学科知识。这种“去中心化”的教育生产与消费方式，让内容的创造与获取不再受限于传统机构，而是变得更加自由和多样化。