摘要：如今，「AI 下半场」已成共识，应用落地正成为决定未来的关键。教育，作为关乎人类发展的根本基石，已然成为 AI 技术融合与创新的前沿阵地。

机器之心报道

编辑：+0

自动驾驶有 L1-L5 的分级路径，现在教育 AI 也有了自己的版本。

如今，「AI 下半场」已成共识，应用落地正成为决定未来的关键。教育，作为关乎人类发展的根本基石，已然成为 AI 技术融合与创新的前沿阵地。

很多人可能都有过这样的经历：课堂上，一个问题在嘴边盘旋，却因为害怕问得「太蠢」而最终选择沉默；或者，前面的内容还没听懂，老师已经跳到下一个知识点了。

这正是教育领域长期存在的无奈：大班授课下，个体的思考路径常常被淹没在统一的教学节奏中。教师想兼顾每一位学生的困惑，但心有余而力不足。

瑞士心理学家 Jean Piaget 提出的建构主义早已指出：知识不是灌输的结果，而是互动与探索的过程。真正高效的学习，往往发生在「我试着去想，老师即时回应，再让我走下一步」的动态循环里。

然而，长期以来，这种高频互动和个性化引导几乎只是少数学生才能享有的「奢侈品」。

人工智能的加入正在改变这一切。AI 学伴不仅能提供全天候的回应，还能创造一个无须担心被评判的空间，让学生大胆试错、主动追问。更重要的是，它能把启发式的交互和个性化的反馈规模化，让「因材施教」真正成为可能。

可以看到，全球科技巨头已将目光聚焦于此。从 OpenAI 到 Google，其 AI 应用界面均已部署学习板块。

ChatGPT 学习板块。

Gemini 学习板块。

近日，Google 的 LearnLM 团队发布的「Learn Your Way」AI 教科书研究，正是通过 AI 实现内容个性化重构，印证了这场变革的迫在眉睫。

在这样的时代背景下，教育 AI 的进化路径需要一个清晰的标准。

正如自动驾驶有 L1-L5 的等级划分，好未来 CTO 田密在云栖大会上提出的「AI 教师 L1-L5 分级」理论，让我们看到教育行业可能的进化蓝图。

不止于助手：迈向 L3 的 AI 教师

田密给出了明确的行业坐标定位：「今天 AI 老师的话，现在我理解到了 L2 的水平，像我们 L2 的这种一些批改助手已经做得非常成熟了，然后 L3 的话也正在演进过程中。」

L1 是最初级的辅助，L2 则是「能干活的助手」——比如帮老师批改、帮学生找题、播放讲解视频。在这个阶段，AI 更多是一个独立模块，能完成任务，但谈不上真正的教学。

「L2 更多是一个助手，像一个模块化的帮手。」田密在云栖大会的演讲中说，「而 L3 要做的，是把能力组合成一个闭环，真正扮演老师的角色。」

这意味着什么？想象一下一个孩子在做几何题：

当然，教学过程中学生难免会遇到卡壳或持续犯错的情况。对此，好未来旗下学而思学习机的「小思 AI 一对一」也设计了相应的引导策略。产品负责人介绍，如果孩子持续犯错，初期 AI 会尝试改变提问的方式，尽量引导孩子回答。但如果次数过多，AI 会再次调整策略，确保教学流程能够顺利走完，避免让孩子在某个环节上彻底卡住。

更重要的是，在「小思」的理念中，学生的「错误」数据并非负面信息，而是极具价值的学习过程性证据。这些数据信号可以被用作动态反馈，为 AI 实时调整教学策略提供依据；同时也能被提炼和沉淀，作为后续进行认知诊断、实现精准干预的基础。

在云栖大会的演示中，田密展示了学而思学习机的「小思 AI 一对一」辅导孩子的场景：孩子写下草稿步骤，AI 逐步检查、给出反馈，直到完整推理出答案。

为什么 L3 需要硬件

如果说 L2 阶段的 AI 辅导工具还能只靠一块屏幕和云端算力就能完成，那么 L3 阶段的「老师角色」，则必须要落在专门的硬件上。

在云栖大会上，田密提到：「纯软件很难扮演 AI Tutor。」原因很简单：L3 不只是信息检索，而是实时互动。

它需要「看」学生在纸上写了什么、「听」学生的思路表达，并在实时的反馈中做出合适的引导。没有足够的算力支撑、没有多模态的传感器输入，AI 就不可能完成这种复杂的交互闭环。

这也是为什么「小思 AI 一对一」的完整体验必须依托于一台专门的学习机。硬件不仅仅是一个载体，更是赋予 AI「眼睛」和「耳朵」的感官系统：

有了这些基础，AI 老师才能真正具备陪伴孩子思考的能力。更重要的是，硬件带来的多模态采集，也让 AI 教学形成了一个「数据飞轮」：

「批改——讲题——推荐」的闭环，使「小思」越用越懂孩子，也让 L3 不再只是孤立的功能突破，而是一个可持续演进的学习系统。

为了确保这个过程是高效的，不会因为等待 AI 反馈而打断孩子的学习心流，产品团队在工程能力和交互设计上下了很大功夫。

据产品负责人透露：「目前这个飞轮是用一些工程能力分步实现的，平均每一步的响应时长都控制在 3-5s 左右，过程中我们也做了一些交互设计，从体感上进一步缩短孩子的等待时间，让孩子不会因为等待而产生焦虑或者急躁的情绪。」

上手实测

我们也拿到了这款学习机，接下来直接上手实测。

专业的课程和学练内容就不展开说了，这是学而思的老本行。这次我们重点体验的是学习机里的「AI 老师」，看看它在互动性、个性化引导，以及批判性思维培养上的表现。

我们主要做了三类测试：

我们让「AI 老师」指导一篇创意写作。它没有直接「喂」范文或标准答案，而是像一位真正的老师那样，循循善诱地打开孩子的思路。

比如，它会提出好几种不同的切入点，或者用提问的方式，引导孩子自己发掘和组织素材，整个过程重在启发，而不是灌输。

这个体验很流畅。孩子用手指一下试卷上的物理题，「小思」的摄像头就立刻精准识别。接下来，真人老师的语音 + 动画讲解会自动弹出，不仅讲透了这道题，还归纳了背后的知识点和解题方法。

最方便的是，看完想接着学，可以直接切换到下一题的讲解，学习节奏完全由孩子自己掌控。

每个孩子都是行走的「为什么」。我们模拟了日常和孩子一问一答的场景，把各种稀奇古怪的问题抛给「小思」。

它的回答不仅准确、通俗易懂，还会时不时地给孩子一些鼓励，这种积极的情感反馈，让孩子在获取知识的同时，也收获了满满的自信。

除了强大的主辅导能力，学习机在一些「支线」上也很有意思，精准解决了学生时代常见的「老大难」。

还记得中学的生物实验课吗？不是看「上古画质」的录像，就是几十个脑袋围着一套设备干瞪眼。学习机里做了一个「生物学实验课」板块，把课本知识点变成可反复操作的互动模型，终于不用再靠「云实验」凑合了。

物理、化学里的公式和反应，过去大多只能死记硬背。现在，在「小思工作坊」里，它们被设计成可探索的互动小游戏，让学生自己「玩」出背后的原理，把抽象的概念具体化，理解起来自然轻松不少。

学习机自带的「分级阅读」，就像随身的图书管理员。它会根据孩子的水平推荐合适书目，还提供不少原版英文读物，解决了「想看书却找不到合适书」的困扰。

最后是「哑巴英语」问题。很多孩子背了单词却不敢开口，学习机里的「AI 口语分级练」功能相当于一个不会嘲笑、永远耐心的私教，精准击中了「想说却不敢说」的痛点。

为了让 AI 老师的形象更丰满、更有趣，产品团队也做了不少尝试。据产品负责人介绍，近期上线的「复活数学家」活动，就「复活」了高斯、祖冲之等 6 位中外数学家给孩子讲数学。

此外，系统还提供了多种 AI 老师的音色让用户选择，孩子可以自由选择喜欢的学而思优质老师或者不同风格的 AI 老师来讲题，让学习过程不再千篇一律。

好 AI + 好内容

当然，硬件只是让 L3 成为可能的「身体」，真正让它变得可靠和专业的，是背后的「大脑」和「知识库」。

首先是好 AI。支撑「小思 AI 一对一」的，是好未来自研的「九章」大模型。这不是一个通用聊天模型的简单移植，而是针对 K12 教育场景深度优化的引擎。

在数学科目上，它的解题正确率达到 98.1%——这意味着，它不仅能算对题，更能保证讲解过程的严谨和可信。

但「聪明」只是第一步，真正决定 AI 教师专业性的，是好内容。这一点，好未来有着天然优势：二十多年积累下来的教材、教研和题库资源，为 AI 老师提供了最扎实的「教案」和「经验」。

如果说大模型是老师的大脑，那内容沉淀就是老师的课堂笔记和教学方法论。二者结合，才能确保「小思」既有算力的速度，也有教育的温度。

也正因为同时具备「好 AI + 好内容」，小思 AI 老师才能跳出「工具」的角色边界，真正走向「可信赖的学伴」。

田密透露，好未来正致力于将其贯穿于到店学习（线下培训机构）、在家学习和进校学习三大核心场景。未来的目标，是将这三个场景下的学习数据做汇总和打通，让孩子无论身在何处，都能在一个统一的学情画像下获得连贯、精准的个性化教育。

从「可用」到「可信」

回望这一路的演进，不难发现：AI 在教育中的真正价值，并不只是「能不能解题」，而是「能不能成为一个值得信赖的学习伙伴」。

在 L2 阶段，AI 或许能迅速找到一段讲解视频，帮学生把题目做对。但那更像是一种「可用」的功能，它解决了效率问题，却难以触及学习的本质。

L3 的「小思 AI 一对一」带来的不同在于：它把孩子置于一个安全的空间里，允许他们不断试错、反复追问，不用担心被笑话、不用害怕出丑。它不是把答案直接端上桌，而是用启发式的互动，点燃孩子的思考欲望。

当孩子敢于问出「是不是可以画条辅助线？」、「我是不是想复杂了？」这样的问题时，AI 老师就已经从「工具」变成了「可信」的陪伴者。从可用到可信，这一步跨越，正是教育 AI 的真正拐点。

L3 正在路上，L4、L5 会是什么样子？一个更普惠、更个性化的教育未来，已然清晰可见。

来源：机器之心Pro一点号