這次AI 與移動互聯網時代最大的不同在于——領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用。僅僅在大模型之上“套殼”做應用，是非常危險的。

在移動互聯網時代，我們并不擔心操作系統廠商會憑借平臺優勢輕易顛覆應用市場。即便 Apple 推出了 iMessage，也難以撼動微信或 WhatsApp 的地位。而在 AI 時代，大模型公司的戰略是 “模型即應用”：模型不僅能快速擴展能力到任意領域，還能以更高的維度直接與你競爭。當你為模型配置 CoT（Chain of Thought）時，它可以將推理能力內化；當你用 workflow 拆分復雜任務時，模型本身就能進化為具備自主分解與執行的 Agent。

更重要的是，目前大模型公司的單位經濟（UE）并不理想，這反而驅動它們不斷向周邊場景滲透、延伸能力，以尋找更多變現路徑?，F實案例已經給出了警示——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 收下技術團隊。

初創公司要抵御大模型公司的滲透，關鍵在于兩點：其一，行業的 know-how 足夠復雜，短期內難以被通用模型復制；其二，長期積累的用戶數據能夠持續優化產品體驗。教育行業正是這樣一條賽道。盡管 OpenAI 早已將教育列為重點拓展領域，并在數年前投資了韓國英語 AI 教育公司 Speak，但單純讓用戶直接與 AI 對話，并不能觸及教育的核心痛點，更難以解決學習動機、課程設計、反饋機制等深層問題。

關于教育的know-how

我們先來探討一下學習動機的問題。雖然人的智商確實存在差異，但在小學到高中的學習過程中，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，需要持續的訓練刺激才能不斷增強，因此持續且高效的學習投入才是關鍵。

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

生理節律

為了不遺漏潛在的警示信息，大腦會周期性地轉移注意力；

資源有限

大腦運轉消耗巨大，持續集中會迅速消耗能量；

大腦疲勞

和肌肉一樣，大腦在長時間運作后也會疲憊；

外部干擾與信息超載

環境噪音、信息轟炸不斷侵入注意力；

認知機制復雜性

人類思維本就容易被多任務和聯想打斷。

成年人可能因目標、責任和現實壓力，獲得“不得不堅持”的動機，但對于學生，尤其是低齡學生，要長期抵抗注意力分散的天性，其實是非常困難的。

如何解決學習動機問題，游戲設計給了我們答案。雖然大部分游戲也都是腦力運動，但很多人樂此不疲。很大原因是“心流曲線“的設計。游戲保證玩家有一定挑戰能夠完成一個任務，并且在這個過程中得到成才，在下一關提升難度時玩家依然努力能夠完成。然后游戲通過角色數字的成才，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外英語教材，就會發現它們的設計極為精巧。教材一開始會呈現單詞的基本形態，幾個章節之后，這些單詞會以不同形態再次出現；句子結構則從最初的簡潔逐步過渡到更復雜的形式。同時，每個單元之間的難度遞增都經過精確控制，既避免讓學生覺得過于簡單而失去挑戰，又不會讓他們因難度陡增而產生挫敗感。

這種循序漸進、環環相扣的編排，是高度精細的教學設計。在今天，大模型連講個笑話都未必能流暢自如的情況下，要完成如此嚴謹的漸進設計更是難上加難。即便是經驗豐富的人類教師，也需要在學生使用過程中不斷評估和調整課程結構，以確保設計合理。回過頭來看，那些優秀的教材往往都是經過數十年不斷修訂、打磨出來的成果。

傳統紙質教材最大的局限在于信息傳遞是單向的，無法為學生提供即時的正向反饋。也正因為如此，過去許多國內外教育公司都致力于利用計算機軟件，為學習過程加入正向激勵機制。比如，每隔 5 分鐘讓學生完成一個小動作，或者在課程結束后頒發某種勛章獎勵。這些設計看似簡單，卻同樣需要經過精心策劃與反復驗證，才能真正激發并維持學生的學習動機。相較之下，單純依賴大模型不斷夸獎學生，不僅難以形成有效反饋，還可能削弱激勵效果。真正的正向反饋，需要科學的節奏安排與行為觸發機制，而非泛泛的語言贊美。

當然，教育行業最大的 know-how在于，許多 AI 從業者其實并不了解教育領域還存在這些隱性規律與關鍵要素。因此，我們看到像 Speak、Elsa Speak 這樣的產品，雖然主打所謂的“場景對話”，但往往面臨兩個問題：第一，用戶很難長期堅持使用；第二，用戶在持續學習的過程中，也很難獲得能力的顯著提升。

如果回到 2014 年中國教培行業興起的階段來看，最早一批跑通商業模式的，幾乎都是出身于傳統教培行業的從業者。等到教研體系與互聯網教育的商業模式逐漸被驗證和解決之后，互聯網背景的創業者才通過“挖人”的方式切入賽道，完成知識與經驗的遷移。我相信，在 AI 時代，這個過程很可能會重演——依舊是深諳行業規律的從業者率先跑通模式，隨后才由技術或互聯網背景的創業者加速放大。

先文科還是先理科

我們?？吹酱竽Ｐ驮?IMO 這類競賽中“卷”出高分，便自然認為它在理科上的突破進展飛快。但回到最初階段，大模型甚至分不清 3.11 和 3.8 誰大。隨著強化學習的引入，這類低級錯誤逐漸減少，但在未經過強化學習優化的領域，它依然會頻繁犯錯。

如果有與之相當的文科競賽，其實今天的大模型很可能已遠超人類。就在幾年前，我還看不懂美國同事用 Google 翻譯寫的中文郵件，而現在，我已能用大模型在微信上與他用英文順暢討論極其復雜的問題。大模型在文章觀點歸納、資料整理等任務上已相當嫻熟。OpenAI 的 Deep Research 功能甚至已能達到、甚至超過實習生的水平。

而文科里面大模型更擅長的是語言。

我一直覺得 Newsela App 的分級閱讀很有趣——用戶可以根據自己的英文水平，選擇相應難度的版本來閱讀同一篇新聞。直到有一次我去灣區見了他們的投資人，才從當時尚未被 Y Combinator 并購的 Reach Capital 那里得知，原來他們有龐大的團隊專門負責將新聞改寫成不同等級的版本。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”——這樣我就能系統地、逐句地消化一篇很長的英文文章。遇到生詞時，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，就能快速結合上下文給出精準解析，而不必自己去揣測一個多義詞在句子中的具體含義。

我有時會用英語口語與 ChatGPT 對話，探討一些感興趣的話題，甚至還能請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，不僅得安裝 C2C 軟件并付費找老外聊天，還得擔心對方是否帶有難懂的口音。

當下的語言教育，其實只缺一家能夠將這一整套工具與優質教研設計相結合的公司，讓用戶能夠循序漸進地掌握一門語言。

AI 語言教育的個性化學習和數據飛輪

談到 AI 教育，大家首先想到的往往是個性化學習。我們今天的教育體系源自普魯士模式——一個老師面對 30 到 60 個學生，這是最具性價比的方式，解決了“人人都能接受教育”的問題，但對學困生和尖子生都并不友好。尤其是對學困生而言，當他們已經聽不懂老師當前的講解時，卻只能被動地坐在課堂里。

個性化教育的典型思路，如 Knewton，是將知識拆解為知識圖譜，在學生學習過程中持續檢測其掌握情況，并通過實際問題追溯到遺漏的知識點；在為學生講解完未掌握的題目后，還能生成類似題目來驗證學習效果。又如 Alt School，強調學生的自主學習和練習，系統則將學生暴露的問題整理出來，由老師進行查漏補缺。形式上，這些模式看似可行，但現實中的成本卻極其高昂：Knewton 斥巨資研發的系統未能帶來匹配的收益，而 Alt School 作為商業公司，不僅難以實現盈利，還因身份限制無法像傳統學校那樣獲得外部捐贈。Knewton 在從面向消費者轉向面向企業的過程中，我的被投公司曾與其接觸過，他們單個課程的報價高達數百萬美元，最終只能作罷。最終，Knewton 以低價被收購，而 Alt School 也在家長們的惋惜與不舍中走向關閉。

因此值得思考的問題是：當下的大模型技術，是否真的能夠顯著降低個性化教育的成本？在理科方向，我認為其效率提升依然有限；但在人文學科，尤其是語言學習領域，大語言模型則可能帶來質的飛躍。以英語為例，學生在學習一個新詞時，大模型不僅能夠生成多樣化的例句，還可以展示該詞在不同時態、不同語境中的具體用法。更進一步，若能結合配圖與動畫，AI 所帶來的效率提升將更加明顯。倘若有經驗豐富的教研人員能夠熟練運用 AI 工具，其開發效率很可能實現數量級的提升。由此看來，語言教育或許是 AI 在教育領域最容易實現突破的“低垂果實”。當這一方向逐漸成熟并積累足夠經驗之后，再將其方法論推廣到其他學科，才是更為務實的創業與投資路徑。

從小學到初中再到高中，我們不斷更換老師，師生關系也始終處在磨合之中。由于教師需要面對大量學生，很難真正洞察每個人的薄弱環節，往往只能籠統地評價一句“他的聽力不行”或“他的閱讀能力較弱”。但如果一個學生從零基礎開始學習英語，在系統中完成背單詞、上課程等環節，AI 系統就能夠持續追蹤其學習軌跡，準確掌握知識點的掌握情況。比如，當你在平臺上閱讀繪本時，它可以為你推薦合適難度的材料，標注不熟悉的單詞，對新詞組進行專項講解，甚至解釋一篇文章為什么要這樣寫。這就像擁有一位大學教授水準的導師，始終陪伴在學習過程中，大幅提升學習效率。更關鍵的是，一旦你能夠全面掌握學生的個人詞庫和知識盲點，構建起高度個性化的學習畫像，其他競爭者就很難輕易切入并替代。

更重要的是，當下語言教學面臨的核心問題在于“實際使用”。許多中國學生學習了九、十年英語，但真正能與外國人進行流暢交流的卻寥寥無幾。尤其是在日常生活中常見的場景化語言需求，如機場、打車、點餐等，往往是傳統教育所忽視的。韓國曾有一家名為 SpeakingMax 的公司，開發了大量實用場景，讓用戶能夠與模擬的 NPC 進行對話。然而，由于當時技術有限，用戶只能在預設規則內交流，一旦超出程序框架，NPC 就無法正?；貞?。如今有了大模型，只需設計合適的提示詞，系統就能自然地扮演對話角色。

中國學生學習英語十年卻依然難以開口交流，其根本原因在于：口語表達所需的詞匯和句式必須高度熟練，而真實交流幾乎不給人思考的時間；長期刷題訓練的大腦，并不足以支撐“脫口而出”的流暢表達。大模型的出現，能夠高速生成并模擬各種真實場景，為學習者提供充足的口語訓練機會，使他們在反復強化中真正跨越“學會了卻不會用”的障礙。設想一下，一個孩子在完成英語學習后，可以隨時與自己喜歡的動畫角色自由對話，而角色會根據他的口語水平自適應地交流——在這樣的陪伴中，口語能力的提升已不再遙遠，而是觸手可及。

除了教育，AI還能解決教育行業啥問題

（以下部分是暢想，并不是今天AI能實現的）

過去的教育行業，本質上是一個以服務為核心的行業。由于學習本身具有一定的反人性，必須依靠教學顧問來提升完課率，否則學生極易因缺乏持續的課消而流失。同時，銷售人員也需要不斷地溝通、跟進，來推動續費。在上一波教育的互聯網化浪潮中，無論是一對一中的學習顧問，還是大班授課、小班服務里的助教，核心解決的其實都是“如何提供更好服務”的問題。因此我們會看到，傳統教培公司的一個顯著特點，就是服務和銷售團隊往往遠大于教研和技術團隊。對于教育公司來說，管理龐大的服務與銷售隊伍是一項巨大的挑戰，因此才會衍生出各種 SOP（標準作業程序），用以支撐標準化和規模化的擴張。

如果一個崗位的工作內容可以通過 SOP（標準作業程序）清晰定義，那么其中很大一部分其實是可以由 AI 來完成的。當然，在現實工作中，人與人之間的溝通總會伴隨著各種例外情況和微妙的處理方式，這些仍是當前 AI 難以完全勝任的環節。但如果能夠積累足夠的數據，并在工程層面持續投入研發，我認為實現可用并不是遙不可及的目標。

為了續費而進行的各種服務和銷售，其實往往讓人感到厭煩?；ヂ摼W行業的主要商業模式一直是廣告，從最早的橫幅廣告，到搜索廣告，再到信息流廣告，廣告的形式不斷演化，核心目標都是提升效率。但現實是，橫幅廣告的點擊率長期徘徊在千分之幾，搜索廣告即便表現最佳，點擊率也只有約 5%，而嵌入信息流的廣告效果也并不算高。這意味著絕大多數廣告投放實際上是被浪費掉的。因此，即使發展至今，互聯網廣告依然存在巨大的效率提升空間。

過去，互聯網廣告主要依賴于收集更多用戶信息來提升效率：社交軟件掌握了用戶的瀏覽習慣，搜索引擎能夠識別用戶的意圖。但這些信息其實都不夠充分。相比之下，在 AI 教育場景中，用戶在平臺上的行為會沉淀出更細致的數據：他可能在某些音節的發音上始終有問題，某個語法點長期沒掌握，或者平時閱讀量明顯不足。傳統的銷售人員本身往往缺乏對知識的深入理解，即便拿到這些數據，也很難為學生和家長提供真正有價值的建議。如果我們假設銷售本身就是一位優秀的英語老師，能夠基于這些數據給出切實解決問題的建議，那么續費自然不再是難題。在過去的互聯網教育時代，這幾乎無法實現；但在 AI 的邏輯下，復制這樣一位“老師”的能力卻成為可能。

其實，學生和家長最缺乏的并不是學習資源，而是清晰的學習規劃。以英語為例，不同階段應達到不同的目標：升學可能需要通過 KET/PET 等考試，出國留學則需要托福或雅思成績。標準化考試本身具有明確的考綱和時間節點，結合學生當前的水平，AI 完全有能力為其制定科學的學習路徑。當 AI 在學習規劃和路徑設計上比家長更專業、更高效時，信任關系就自然建立起來。此時，家長愿意長期付費，幾乎不需要額外的銷售干預。

未來教育公司最理想的狀態就是：只需要教研和技術研發團隊，其他服務都交給 AI 來完成。

對其他行業的啟示

當“模型即應用”的概念被提出后，基礎大模型不斷拓展自身能力。但與其在大模型上做各種修修補補，不如直接深入具體行業，探索 AI 能夠帶來的實際改變。對創業公司而言，比起“什么需求都能滿足卻滿足不好”，更重要的是找到一種能比過去更好地解決用戶核心問題的方式。而行業的 know-how，正是橫亙在基礎大模型面前的一道厚厚的高墻。