標準化的“AI+教育”產品未來能否實現(xiàn)“任天堂”式的創(chuàng)新？

　　編者按：近兩年，AI技術在教育層面的應用越來越廣泛，但普遍來看，其起到的功能是相對初級的，適用范圍還相對局限。

　　從最初的測評、拍照、作業(yè)到自適應學習、AI教學，再到AI偽直播及強交互視頻教學。隨著市場產品的迭代，機構也在尋求知識內容和教學交互層面突破的可能性。

　　來源|多知網(wǎng)

　　文|Bryce

　　圖片來源| Unsplash

　　01

　　AI教育適合標準化教學，適用范圍還相對局限

　　今天聊聊AI與教育的結合。這類大話題可以輕松堆出一篇券商研報的篇幅，當然如果真寫了那么長，大家肯定都不愛看，所以我們先以回顧加評論的方式去聊聊已經出現(xiàn)并相對成熟的產品，下半場再去暢想未來一段時間內的技術產品發(fā)展。

　　AI與教育的結合屬于教育科技(Edtech/Learning tech)的子集，簡單來說，是將AI技術結合特定場景需求，對當前的教育產品或服務進行重構或優(yōu)化。常用的技術包括語音識別、語義理解、計算機視覺、知識圖譜等。

　　就目前而言，AI技術在教育領域內的應用是相當初級的，涉足的公司也是以大量的人工努力，才做出一個個具備一定智能水平，能在封閉的細分場景內，實現(xiàn)簡單功能應用的產品。

　　總體來講，在AI作用于教育，目前適用的范圍還相對局限：AI教育適合以輕量級的教學內容，根據(jù)符合認知規(guī)律的節(jié)奏，進行標準化傳授。與普通課堂相比，其優(yōu)勢在于教學表達方式的豐富化，能以豐富的音視頻素材進行有趣的呈現(xiàn);系統(tǒng)天然擅長教學過程中的數(shù)據(jù)采集、統(tǒng)計與分析，從而在此基礎上推進個性化適配基礎上的交互和練習;

　　但是在春風化雨言傳身教、啟發(fā)性思考等偏向于師者育人的領域，AI基本還無從下手。

　　在教育AI的領域，國內公司的技術能力上或弱于國際公司，但因為中國K12市場的巨大需求，國內相關產品商業(yè)化的表現(xiàn)是可圈可點的。近十年間，我們見證了這些產品的漸次出現(xiàn)，比如口語評測、拍照搜題等。

　　現(xiàn)階段，技術驅動的權重仍大于需求驅動。先行者們先找到類似語音語義、圖像識別等相對成熟的技術，結合教育領域發(fā)掘出可供落地的點，先開發(fā)出可用產品推向市場，同時再思考迢遞的遠方。

　　橫向比較泛領域AI技術的成熟度，能很容易看出其中規(guī)律，好比廚師就著手里的炊具和原料先端上兩盤可供食客下箸的菜肴，做著生意再進行改良和完善。

　　如果要回顧過去十年間，AI教育產品的發(fā)展，以K12的教育產品最為具有代表性。當技術走近教育，按照比較通用的方法，從周邊的教學服務、到教與學的核心將場景分為幾層，同時搭配產品面世的時間，可作出下圖：

　　

　　K12 AI教育產品分布示意

　　02

　　工具類產品受限技術瓶頸，客戶對服務屬性的重視超過技術要求

　　我們先來看左側偏工具導向的產品，主要包括測評、拍照、作業(yè)三類。

　　起步最早的測評類產品，主要是英語學科的口語測評和考試閱卷測評兩類?？谡Z測評公司于2011、2012年左右，閱卷測評&學情分析公司于2013、2014年左右逐漸開展業(yè)務，滿足K12公立校的需求，以傳統(tǒng)信息化產品渠道進校，其中閱卷類產品因為更貼合考試需求，使用頻次高，所以對應頭部公司的業(yè)務體量上明顯大于語音類的對標者(大概有5倍左右的體量差)。

　　雖然該類產品的核心差異在于技術能力，但在實際使用場景中，客戶對于工具和服務屬性的感知和重視勝過了對技術的要求。因此，底層核心技術商雖然有技術壁壘，但是到了進校環(huán)節(jié)，產品大多需要通過本地化渠道商/服務商/大集成商去觸達客戶，話語權向渠道或有渠道能力的公司轉移，最后導致市場蛋糕分散，未來能看到的整合機會也更可能落在互聯(lián)網(wǎng)巨頭的手中。

　　此外，以2B的直接業(yè)務賺現(xiàn)金流養(yǎng)公司、同時以直接或者間接的方式做2C業(yè)務，則是，現(xiàn)階段的產品在數(shù)據(jù)采集+原始技術功能的基礎上，推出了一些個性化的初級AI產品：口語訓練、練習本等，對應業(yè)務板塊的營收，還停留在千萬級別。

　　相較于2B產品，直接2C的拍照搜題和作業(yè)類產品更廣為人知。其中，拍照搜題自13年起2C爆發(fā)，延續(xù)移動互聯(lián)浪潮尾聲的獲客流打法，在這波紅利中，成功大規(guī)模獲取了用戶，做到數(shù)百萬乃至千萬日活。

　　該類產品底層的主流技術是圖片識別--題庫匹配，系統(tǒng)根據(jù)題目的圖像特征在預制題庫中找到對應的題目，并不理解題目的內容。雖然有個直接問題是題海無涯，公司需不斷地大規(guī)模收集、更新新題，但瑕不掩瑜，是當前用戶端體驗最友好的方案。

　　此外，同樣是拍題，產品端看起來類似，但底層技術差異明顯的是文字識別計算產品。系統(tǒng)識別用戶拍照的文字符號，并提煉其中的計算邏輯，獨立解答并輸出答案/講解，機器做到了理解題目內容。在此基礎上，就可以實現(xiàn)覆蓋范圍內任意數(shù)字題目的計算、答案輸出和自動講解。

　　表現(xiàn)在產品上，在相對容易(數(shù)理邏輯簡單，更多是看手寫識別)的小學數(shù)學上做出了一個細分剛需，即各類口算批改產品，能夠批改口算題目，把老師和家長從這個量大且枯燥的任務中解放出來。

　　但是，技術上的不足，特別是文字理解能力的不足，將可產品化的應用限制在以部分代數(shù)知識點為主的有限領域。國外的多款產品(比如photomath和Microsoft Math)在適用范圍上領先，但也至多進行到如方程組、微積分等，要突破幾何題、應用題，逐漸逼近題庫匹配類產品的適用范圍，還有很長的路要走。

　　所以，此類產品會在技術瓶頸處滯留很長時間。從此例中不難看出，技術難度高不等于用戶體驗好，是目前看待AI+教育時，需要始終注意的重要認知。

　　

　　Photomath可覆蓋的部分題型

　　作業(yè)類應用通過進校2B2C，以知識點標簽化的題庫為核心，方便教師調用內容布置作業(yè)，從而構建師生間的作業(yè)交互平臺，AI成分有限，就不多提了。

　　不可否認的，拍照搜題+作業(yè)類產品在是目前可見的泛AI產品在用戶層面的成功典范，共約出現(xiàn)了近十家頭部企業(yè)，各家在用戶量及活躍度上都相當可觀。而由于典型用戶的固有屬性問題，這些公司實現(xiàn)成規(guī)模的營收，卻是多年之后的事了。

　　如果做個矩陣去標注這些公司的業(yè)務發(fā)展，能明顯看出各家都在各個領域做了對盈利模式的長期探索，最后大力拓展到了課程業(yè)務線，包括在1對1輔導、網(wǎng)校、輕課/交互視頻等。

　　在網(wǎng)校模式得到市場的認可后，也后驗地看到了在大用戶基礎上發(fā)力課程交付的巨大潛力，目前規(guī)模前五的頭部網(wǎng)校中，猿輔導、作業(yè)幫均屬于此類。

　　03

　　自適應產品比拼的核心是題目的標注處理質量

　　接下來，我們來看，近年出現(xiàn)、和教學核心結合最緊密的自適應學習和AI教學。

　　自適應學習產品，最典型的形態(tài)是利用動態(tài)調整的題目進行測評和訓練，同步依靠知識點視頻和內容進行教學，過程中有教師不同程度的參與，常見于數(shù)學和英語學科。

　　最初，有產品依靠既有規(guī)則和決策樹邏輯來進行教學，由工作人員在后臺預先設計好單次學習中，學生需要接受和訓練的內容(課程、題目等)，并在實際學習過程中手動調整任務量和任務的難度等級。此水平相當于有個輔導老師盯著學生做一套套的電子教輔。缺點明顯，每個任務的模塊大，無法實現(xiàn)微調，可采集的信息粒度粗，對教師管控的依賴高。

　　很快的，新的一套邏輯出現(xiàn)——依附在知識圖譜上的標簽化精品題庫，逐漸取代了前一方案。這套產品先構建一定學科范圍內的知識大綱，以樹狀/網(wǎng)狀的形態(tài)聯(lián)系知識點，再處理大量的題目，以打標簽的形式去連接知識點，把AI與人交互的粒度切到了單題目級別。學生通過答題，系統(tǒng)判定掌握了當前知識點(做對同類題目數(shù)次，或相對分數(shù)達到預設值等)，即可推送后續(xù)知識點，達到在預設路徑上的漸進學習。

　　當前，我們在市面上看到的產品大多都屬此類。因為以課程大綱為骨架去構建知識體系相對簡單，所以其比拼的核心技術是題庫的標注處理質量——各題目的知識點、類別、難度、區(qū)分度等，以及對學生個體模型的判斷和建立。最佳的情況，是保持學生遇到的題目，始終需要努努力、但是能解出來的難度范圍內，激發(fā)學習動力并保證學習效率，穩(wěn)步前進。

　　在此基礎上，還可以用產品設計上的方法，去優(yōu)化用戶端的體驗。比如，利用知識點的關聯(lián)性來推斷學生對知識點的掌握程度，并不是一點一題一練，而是實現(xiàn)更小題目訓練量上的多知識點判斷。學生的感受是AI老師推題更靈活、更準了。又如，利用學習科學的邏輯，去建立更多的流程化處理方式：根據(jù)記憶-遺忘曲線的復習回顧、對核心知識點和邊緣知識點的權重調整、根據(jù)學生能力和目標分數(shù)調整知識點范圍等(超綱和放棄部分知識點等)，都能使交互的過程更友好。

　　這里講細可以有很多，我們還是回到主線，此類產品的理想形態(tài)是完成整個教學過程，但實際過程中因為客戶心理、產品成熟度的因素，完全取代教師的方案無法達到既定效果。當前已商業(yè)化的各類產品大多都曾經歷過這樣的方案降級，從替代教學變成了輔助授課，或是賦能培訓機構，去服務學習中的某些環(huán)節(jié)，或者承擔教師的部分職能。

　　在業(yè)務形態(tài)上，以加盟、賦能兩類模式為主。直接做加盟的方式營收增長最快，主要的客戶為小白創(chuàng)業(yè)者，拿著一套方案，加點人工就能上馬。而賦能則針對既有教培機構去做能力升級，卻與其現(xiàn)有教學方式、流程上常有沖突，故而是從有能力的中大型機構開始應用。兩條路線都有跑出營收上億的玩家，但行業(yè)歸屬尚未落定。

　　就筆者目前觀點，加盟方案或許應該走低線、農村路線(以一個70-80分的方案，取代那些地方培訓不規(guī)范、不穩(wěn)定、能在40-90分波動的業(yè)務，并吸收更多原本不怎么參培的孩子進入體系)。要足夠接地氣，整體價格便宜，門頭、設備等都沒什么要求，宣傳上突出某一個兩個細分需求(英語背誦、數(shù)學刷題等)。不要怕low，扶持大量的低成本運營的小店，讓他們在低成本下達到一個較好的盈利狀況。

　　而賦能形態(tài)，得是產品界面、技術底層都上佳的標準化方案，要讓地方頭部大校的校長和當?shù)刂猩鲜杖胨降募议L都覺得好，從大?？钠?，同時盡可能控制定制化比例，把通用合作模式成型，逐漸鋪出去。

　　04

　　AI偽直播+強交互視頻產品重點在內容質量

　　然后，說到了AI偽直播和強交互視頻教學這樣的AI教學產品。

　　這塊兒和互聯(lián)網(wǎng)教學載體和表現(xiàn)形式的演進有關。最初的線上教育，多為動輒一個小時的大段視頻課錄播，比如MOOC，然后在2010年后的線上直播大批量出現(xiàn)，再到前幾年，視頻錄播+直播答疑+微信服務的模式在K12和職教得到廣泛應用。

　　AI偽直播和強交互視頻教學和錄播+服務模式是非常類似的，從模型上都是內容上的單次大投入+持續(xù)低成本服務，只是在錄播的部分進行了變動：前一個以錄播拼接來以假亂真，強調頂尖的老師、外教教學，給學生模擬1對1，小班直播的感受;后一個告訴用戶是錄播，但因為課件、交互、游戲、同學陪伴等環(huán)節(jié)做得很出彩，不比直播的體驗差。

　　這個大類別都是強內容+弱AI的結合。AI相關的技術都不難，起到的是與學生交互，并即時反饋學習效果的作用，主要通過語音識別、測評等形式進行，技術難度可控。而各家比拼的重點是在內容質量上，比如視頻內容的制作精良度，趣味性，交互環(huán)節(jié)的設計等，至多在偽直播中加入一條：視頻切片精細度和拼接流暢度。

　　預期后續(xù)這樣的產品將大量出現(xiàn)，因為一次錄制后邊際成本低，還能再依托系統(tǒng)提升助教服務效率，盈利模型是成立的。此外，內容制作成本攤薄后，商業(yè)運營上的能力(獲客轉化等)占UE模型的比例高，變成了第二競爭點。

　　此類產品在用戶端的收費會持續(xù)保持中低價位，大概是在數(shù)百元到兩千元/年，以網(wǎng)銷體系去觸達用戶，尤其適合于低幼年齡(小學及以前)教育，成長出一個細分市場，與目前電銷+網(wǎng)銷驅動的K12大班直播課形成明顯的對比(事實上，從這些思考出現(xiàn)，到近兩天把它寫出來，大概過了小半年時間，就已經在這段時間中，各個教育巨頭已經大量推出了各類AI課\輕課產品)。

　　由于這類產品是在后臺以高效率生產，可以快速迭代試錯，讓市場選出受歡迎的爆款，進行不斷的優(yōu)勝劣汰。加之獲客環(huán)節(jié)的成本被快速推高，整個品類的競爭水平會快速抬升，留給新創(chuàng)業(yè)公司的窗口也會隨之逐漸關閉。

　　在這幾個大領域外，還有一些細分的功能和產品，可以再單獨分析。但如果要看影響力，以當前幾大塊做個概括也比較有代表意義了：

　　• AI教育中，如果論單功能，目前切入練習環(huán)節(jié)的自適應學習最體現(xiàn)AI的意義。

　　• AI教學產品最能滿足客戶的基礎要求，但AI的價值并不占主導，內容和運營占據(jù)了上風。

　　• 測評、搜題這些工具向的產品最容易實現(xiàn)，最容易聚攏用戶，卻需要其他業(yè)務來承接和轉化。

　　至此，相對成熟、常見的產品就告一段落了。后續(xù)我們來暢想未來，也看一些新的類別。

　　

　　05

　　未來可能出現(xiàn)超級AI教師，目前商業(yè)化公司可嘗試小而美的突破

　　接著，以終為始，我們做個想象，如果教育科技極度發(fā)達，那么教育交付的場景會是?那時候的一個兼具通用性和個性化教學能力的教育AI是什么樣?

　　可能會有個“超級AI教師”，它理解人類認知范圍內幾乎所有的知識，能夠全天候陪伴，根據(jù)所服務個體的行為發(fā)現(xiàn)教學任務并主動響應，比學生更懂自己的狀態(tài)和目標，從而以恰當?shù)姆绞饺ブv解、啟發(fā)、設計任務，達到高效率的知識傳授。(說不定AI形象可以金毛飄飄，No one knows xx better than me...)

　　為了達到這個效果，相應產品所需要具備的知識內容、教學交互兩個大方向的智能：

　　知識內容：系統(tǒng)要做到全能全知，那么會存在一個覆蓋人類既有知識體系的超級數(shù)據(jù)庫，里面的單點知識還需要橫跨各學科領域，根據(jù)它們的關聯(lián)，連接成一個無比復雜的知識圖譜。對于單個知識，系統(tǒng)需要知曉其本體的全維度狀態(tài)，以及在特定多個維度下的具體表征形態(tài)，以及對該形態(tài)的屬性有一套完整的分析、評價指標(比如難度)，才能看作是系統(tǒng)本身理解了知識。

　　在此之后，需要在各個知識節(jié)點上進行海量的、以音視頻等各形態(tài)展現(xiàn)的素材儲備。此外，因為底層對知識的理解是以機器形式進行的，要跨越機器語言，以人的思維邏輯和語言形式去持續(xù)整理、重構、優(yōu)化，以最終適宜于對教學對象的傳達。

　　教學交互：以主動和被動的監(jiān)測、交互，了解學生狀況(能力、知識水平，學習需求)，就其個體情況及學習需求，匹配制定學習計劃，并規(guī)劃學習路徑，組織材料，實現(xiàn)輸出教學、練習，并不斷循環(huán)優(yōu)化直至任務最終完成。

　　回到當前，限于技術水平，目前商業(yè)化的公司，需要在上述兩個大方向下的各個小領域，進行相對封閉場景的技術研發(fā)和應用，努力做到小而美的單點突破，是面臨技術挑戰(zhàn)和變現(xiàn)壓力下的實際方案，包括：

　　一、內容的生產：

　　

　　1.數(shù)據(jù)庫&知識圖譜：

　　數(shù)據(jù)庫不用多說，屬于標準化基建。典型例子是各大公司積累的K12精品題庫，機器知道題目所對應的知識點標簽，其題干和答案內容，卻沒有理解知識本身。當這些各知識點的簡單關聯(lián)被建立，包括學習路徑的先后等關系得到梳理，初級的知識圖譜就開始建立。

　　所以，知識圖譜大概率會在K12教育領域最早成熟，因為其處理對象為教學大綱組織下的有限知識點和應用方法，相對容易實現(xiàn)。

　　相較而言，知識圖譜如果進入開放類學科\跨學科領域知識，則立即變化為一類難度以指數(shù)形式上升的挑戰(zhàn)，構建圖譜需花費大量人力物力，卻無法在短期帶來足夠的營收。因此，知識圖譜作為一種分析工具，應在能夠直接創(chuàng)造價值的領域(比如在金融領域內，反欺詐、輔助投資決策等)率先成熟，爾后才能期待遷移到教育領域。

　　此外，筆者也關注到一些公司的嘗試性/非盈利類產品，比如全歷史，搜羅泛歷史領域的國家、事件、人物、古籍畫作等，并構建這些事物相互之間的關系，雖然產品還很初級，但應有助于我們去理解這樣的圖譜雛形。

　　2.素材的生產和重構：

　　如果說知識圖譜是架設知識網(wǎng)絡，勾稽關系，那么這些網(wǎng)絡節(jié)點上的知識，都需要通過豐富的內容來展現(xiàn)。當前在各領域的教育線上化過程中，還是以PGC的方式錄制線上課程，或者通過動畫等形式制作課程為主。如果要實現(xiàn)內容制作效率的大幅提高，有難度逐漸提升的三類手段：

　　i.類似于好萊塢做特效的邏輯，通過成熟的素材包和工具庫實現(xiàn)效率提升。教育科技公司可以預制動畫、模型等素材，并輔以TTS等技術，實現(xiàn)快速的課程內容生成，目前的輕課和AI課程逐漸進入了這一階段;

　　ii.分析既有的文本、視頻、音頻等學習內容，以關鍵詞識別等方式推測其概念，并切割、組織生成碎片化的學習材料。在國外的職業(yè)教育中得到應用，諸如Volley等公司就采用了此類技術;

　　iii.對于教育課程的自動生成。和第二種方法類似，素材還是既有的教育視頻等素材，但技術就不僅僅是自然語言識別等相對成熟的技術了，需要進入認知科學的范疇，在大量視頻的學習基礎上(視頻分析、行為推理等)，建立認知架構，并自動將課程內容分解、梳理為可理解的素材。以期生成按時間序列進行教學的腳本，再調整腳本生成可互動的課程，目前DMAI等公司有在研的產品雛形。

　　二、教學交互：

　　教學交互需要以某些形式喚起AI系統(tǒng)，然后識別問題并導向教學行為。當前的技術產品，是從”有沒有問題發(fā)生“和”遇到了什么知識點“這兩個邏輯為起源，設計解決方案：

　　當從問題發(fā)生側出發(fā)時，系統(tǒng)需要自行(依靠情緒、表情的識別，學習行為的變化等)判斷并確定特定時點上學生遇到了困難。之后，再結合當前場景的教學內容做時間線比對，分析疑問對應的知識是什么，以此結合，進行教學調整和補充。面部識別技術公司在教育領域的應用多屬于這一條線，好未來等領域巨頭也在研發(fā)類似產品。如果后續(xù)再進一步，隨著腦機技術等能直接與人腦思維活動相關的技術發(fā)展，則監(jiān)測問題的難度將大幅降低。

　　當從知識點側出發(fā)時，則重點在于讓系統(tǒng)識別到使用者當前遇到什么樣的知識，并即時提供大量的可學習內容。至于個人是沒有需求則可，由個人主動自助點選的方式來進入教學。典型案例的是在企業(yè)培訓領域近幾年比較熱的概念——learning in workflow，即在工作流中學習，通過將學習系統(tǒng)與企業(yè)的原本的辦公系統(tǒng)(OA等)集成，根據(jù)員工的工作任務和聊天中出現(xiàn)的關鍵字等因素，即時推送碎片化的知識、內容。國外涉及企業(yè)學習的在線/技術類公司，諸如Degreed、Edcast都在優(yōu)化此類方案。

　　更多的方案居于兩者之間，同時判斷疑問的有無、確認問題對應的知識。以現(xiàn)在的技術，則是要求個人與機器多次交互，和AI自適應學習的方案很類似，可能的發(fā)展點在于：

　　1. 教學能力的提升：

　　教學能力如要提升，需要AI老師講得好，講得準。這除了和前面提到的素材生產重構有關，也需要進一步加強AI教師授課效果，體現(xiàn)在針對性、引導啟發(fā)的能力等方面。

　　我們以K12自適應學習為例，AI交互的基礎單元是知識點，以及知識點所匹配是單個題目的整體，因為機器無法做到對知識點的真正理解，所以題目內部是完全的黑匣。機器針對學生出錯的題目，只能按照完整的解答和知識點來講解。但是，從學習法來看，題目不是獨立的，往往是多個知識點、方法的分步組合。

　　解答整個題目就如同攀巖，需要經歷一條完整的路線，中間一步的動作不會，都會讓學生無法順利到達終點，而學生需要的也是找出并教會他那不會的一步或幾步，而不是籠統(tǒng)的都教一遍。所以，更好的方案要把將機器對題目的分析，切割到各步驟層面，判斷學生是具體哪個步驟沒有掌握，按需講解。

　　要實現(xiàn)此方案很難，前些年類似于高考機器人的技術，培養(yǎng)機器自主解題的能力。理論上機器先會做，再會講，會逐漸達到我們期待的效果，但當前做題的技術都進展緩慢，按這條技術路線直接到講題更是遙遙無期。那么，現(xiàn)階段只能以降低難度的方案，曲線救國，讓機器做到在一定程度上的“理解”，從而實現(xiàn)對題目的分步講解，國內的悉之教育就在此方向進行嘗試。

　　此外，在拍照搜題方案中，目前也只能實現(xiàn)對題庫內題目輸出文本答案，但諸如火光搖曳等公司，通過預設動畫和模板的方式，能做到對任意數(shù)值題目的自動視頻講解等，也符合這樣的邏輯。

　　2 領域的拓展：

　　脫離相對成熟和封閉的K12知識體系，在職教等領域應用，重構一套交互的知識庫和交互題庫，形成細致的技能測評系統(tǒng)，再與員工成長路徑及學習知識聯(lián)系，會是很好的一套方案。

　　類似IBM的Watson Talent Framework，就集成了3000多個職位簡介和2000多種技能，職教老牌企業(yè)Pluralsight也有成熟的技能測試服務。

　　

　　Pluralsight的測試分析

　　這套技術能夠讓企業(yè)員工的學習有明確路徑和計劃，學習的個性化水平和效率都得到提高。對于企業(yè)而言，則是能更清晰地監(jiān)測員工的學習效果，看到技能提升的狀態(tài)，從而更突出培訓的結果導向。直接能體現(xiàn)的好處比如縮短新員工上崗時間、提高員工專業(yè)技能水平等，都是能體現(xiàn)出投入產出比的。

　　自2019年至今，美國Edtech公司最大規(guī)模的投資中，企業(yè)培訓及在線職業(yè)學習公司的融資保持了相當比重，更體現(xiàn)出此市場的潛力。

　　

　　美國2019年規(guī)?？壳暗慕逃萍脊救谫Y(Source：Edsurge)

　　

　　美國2020年上半年規(guī)?？壳暗慕逃萍脊救谫Y(Source：Edsurge)

　　此領域在國內獲得的關注遠低于K12領域，也是K12領域競爭紅海之后，在線教育有望爆發(fā)的領域，在后續(xù)的文章中可進一步探討。

　　以上主要是針對于學習者/學生的產品，另外也可以兼顧教師端，開發(fā)對應的輔助產品，在教授、督學過程中進行效率提高和勞動解放。例如，將一些公認為在學習中行之有效的方式和任務，聽寫、默寫、背誦等，下放給AI來解決，過程中還可以通過結合硬件的方式，使得使用場景和使用方法更貼近傳統(tǒng)的學習場景，比如通過智能筆等硬件，在日常書寫中進行筆跡采集和智能交互。

　　在列舉一些例子之后，我們應該理性來看待Edtech，教育不是前沿技術最先應用的場景，據(jù)現(xiàn)在的經驗，在尖端技術的領域，常見的技術公司會切入教育，但大多將教育作為了一個優(yōu)先級不靠前的應用場景。

　　如何能夠在當前時點做好AI教育，關鍵在有限技術水平條件下，通過在產品邏輯下功夫（比如用一些后端看起來很笨，但用戶端感受很好的方法），先做出高體驗產品，實現(xiàn)應用和商業(yè)化，這樣的產品不僅可以在自封閉的產品和體系中實現(xiàn)數(shù)據(jù)的積累，也可能通過開放服務的類安卓模式去做2B合作。在數(shù)據(jù)的訓練下，迭代優(yōu)化模型，去進階更深層次、適用范圍更廣的AI。

　　最后，舉個產品設計上可參照的正面例子，權當彩蛋吧。如果各位小時候玩任天堂游戲機，可能會對一款系統(tǒng)自帶的打鴨子游戲有印象。不需要手柄，僅端著塑料槍，對準屏幕上的鴨子射擊，就能看到鴨子飛走或者被擊落。

　　在那個時代，這無疑是了不起的體驗突破。我和我的小伙伴們還一度以為槍能發(fā)射激光瞄準。實際上，硬件上并不先進，只是槍口上裝了個接收裝置——一個簡易的感光器件，可以感應光線強度的變化。

　　關鍵在于游戲的設計，玩家扣發(fā)扳機、屏幕一閃的那幾幀的時間內，鴨子被白色方塊取代，屏幕其他位置為純黑，根據(jù)感光器件監(jiān)測到的光強，系統(tǒng)實現(xiàn)了射擊判定。

　　在教育領域，我們也期待更多這樣的光槍類獨創(chuàng)產品的出現(xiàn)。

　　

　　任天堂的光槍打鴨子游戲

　　

　　(本文為投稿，不代表多知網(wǎng)觀點。作者Bryce為教育行業(yè)投資人，如有問題請聯(lián)系z_yuhao@yeah.net)