这次 AI 与移动互联网时代最大的不同在于——领先的大模型公司追求的是通用智能，而非局限在单一垂直应用。仅仅在大模型之上 「套壳」 做应用，是非常危险的。
在移动互联网时代，我们并不担心操作系统厂商会凭借平台优势轻易颠覆应用市场。即便 Apple 推出了 iMessage，也难以撼动微信或 WhatsApp 的地位。而在 AI 时代，大模型公司的战略是 「模型即应用」：模型不仅能快速扩展能力到任意领域，还能以更高的维度直接与你竞争。当你为模型配置 CoT（Chain of Thought） 时，它可以将推理能力内化；当你用 workflow 拆分复杂任务时，模型本身就能进化为具备自主分解与执行的 Agent。
更重要的是，目前大模型公司的单位经济 （UE） 并不理想，这反而驱动它们不断向周边场景渗透、延伸能力，以寻找更多变现路径。现实案例已经给出了警示——依赖 Claude 能力的工具 Windsurf，在被 OpenAI 收购后，遭 Anthropic 切断 API，陷入尴尬境地，最终只能被 Google 收下技术团队。
初创公司要抵御大模型公司的渗透，关键在于两点：其一，行业的 know-how 足够复杂，短期内难以被通用模型复制；其二，长期积累的用户数据能够持续优化产品体验。教育行业正是这样一条赛道。尽管 OpenAI 早已将教育列为重点拓展领域，并在数年前投资了韩国英语 AI 教育公司 Speak，但单纯让用户直接与 AI 对话，并不能触及教育的核心痛点，更难以解决学习动机、课程设计、反馈机制等深层问题。
关于教育的 know-how
我们先来探讨一下学习动机的问题。虽然人的智商确实存在差异，但在小学到高中的学习过程中，智商的影响往往被高估了。我更倾向于相信，大脑和肌肉一样，需要持续的训练刺激才能不断增强，因此持续且高效的学习投入才是关键。
然而，人的注意力天生容易分散，某种程度上，每个人都或多或少带有 「ADHD」（注意缺陷多动障碍） 的特质。关于人类无法长时间专注，已有多种理论解释：
- 生理节律
为了不遗漏潜在的警示信息，大脑会周期性地转移注意力；
- 资源有限
大脑运转消耗巨大，持续集中会迅速消耗能量；
- 大脑疲劳
和肌肉一样，大脑在长时间运作后也会疲惫；
- 外部干扰与信息超载
环境噪音、信息轰炸不断侵入注意力；
- 认知机制复杂性
人类思维本就容易被多任务和联想打断。
成年人可能因目标、责任和现实压力，获得 「不得不坚持」 的动机，但对于学生，尤其是低龄学生，要长期抵抗注意力分散的天性，其实是非常困难的。
如何解决学习动机问题，游戏设计给了我们答案。虽然大部分游戏也都是脑力运动，但很多人乐此不疲。很大原因是 「心流曲线 「的设计。游戏保证玩家有一定挑战能够完成一个任务，并且在这个过程中得到成才，在下一关提升难度时玩家依然努力能够完成。然后游戏通过角色数字的成才，获得资源或者游戏道具形成正向的反馈。
如果你研究过一些具有历史积淀的国外英语教材，就会发现它们的设计极为精巧。教材一开始会呈现单词的基本形态，几个章节之后，这些单词会以不同形态再次出现；句子结构则从最初的简洁逐步过渡到更复杂的形式。同时，每个单元之间的难度递增都经过精确控制，既避免让学生觉得过于简单而失去挑战，又不会让他们因难度陡增而产生挫败感。
这种循序渐进、环环相扣的编排，是高度精细的教学设计。在今天，大模型连讲个笑话都未必能流畅自如的情况下，要完成如此严谨的渐进设计更是难上加难。即便是经验丰富的人类教师，也需要在学生使用过程中不断评估和调整课程结构，以确保设计合理。回过头来看，那些优秀的教材往往都是经过数十年不断修订、打磨出来的成果。
传统纸质教材最大的局限在于信息传递是单向的，无法为学生提供即时的正向反馈。也正因为如此，过去许多国内外教育公司都致力于利用计算机软件，为学习过程加入正向激励机制。比如，每隔 5 分钟让学生完成一个小动作，或者在课程结束后颁发某种勋章奖励。这些设计看似简单，却同样需要经过精心策划与反复验证，才能真正激发并维持学生的学习动机。相较之下，单纯依赖大模型不断夸奖学生，不仅难以形成有效反馈，还可能削弱激励效果。真正的正向反馈，需要科学的节奏安排与行为触发机制，而非泛泛的语言赞美。
当然，教育行业最大的 know-how 在于，许多 AI 从业者其实并不了解教育领域还存在这些隐性规律与关键要素。因此，我们看到像 Speak、Elsa Speak 这样的产品，虽然主打所谓的 「场景对话」，但往往面临两个问题：第一，用户很难长期坚持使用；第二，用户在持续学习的过程中，也很难获得能力的显著提升。
如果回到 2014 年中国教培行业兴起的阶段来看，最早一批跑通商业模式的，几乎都是出身于传统教培行业的从业者。等到教研体系与互联网教育的商业模式逐渐被验证和解决之后，互联网背景的创业者才通过 「挖人」 的方式切入赛道，完成知识与经验的迁移。我相信，在 AI 时代，这个过程很可能会重演——依旧是深谙行业规律的从业者率先跑通模式，随后才由技术或互联网背景的创业者加速放大。
先文科还是先理科
我们常看到大模型在 IMO 这类竞赛中 「卷」 出高分，便自然认为它在理科上的突破进展飞快。但回到最初阶段，大模型甚至分不清 3.11 和 3.8 谁大。随着强化学习的引入，这类低级错误逐渐减少，但在未经过强化学习优化的领域，它依然会频繁犯错。
如果有与之相当的文科竞赛，其实今天的大模型很可能已远超人类。就在几年前，我还看不懂美国同事用 Google 翻译写的中文邮件，而现在，我已能用大模型在微信上与他用英文顺畅讨论极其复杂的问题。大模型在文章观点归纳、资料整理等任务上已相当娴熟。OpenAI 的 Deep Research 功能甚至已能达到、甚至超过实习生的水平。
而文科里面大模型更擅长的是语言。
我一直觉得 Newsela App 的分级阅读很有趣——用户可以根据自己的英文水平，选择相应难度的版本来阅读同一篇新闻。直到有一次我去湾区见了他们的投资人，才从当时尚未被 Y Combinator 并购的 Reach Capital 那里得知，原来他们有庞大的团队专门负责将新闻改写成不同等级的版本。如果换作今天，大模型完全可以轻松胜任这一工作。
我自己经常用 Kimi 来精读英文文档：先上传文档，再给出指令——「从第一章开始逐段解析，每一段先配英文原文，然后再跟解析，并列出生僻词汇和词组」——这样我就能系统地、逐句地消化一篇很长的英文文章。遇到生词时，我还可以直接向大模型询问释义，并让它给出例句。这些在过去往往需要投入大量教研资源才能完成的工作，如今大模型却能瞬间完成。借助大模型的阅读插件，只需选中英文单词，就能快速结合上下文给出精准解析，而不必自己去揣测一个多义词在句子中的具体含义。
我有时会用英语口语与 ChatGPT 对话，探讨一些感兴趣的话题，甚至还能请它在交流过程中帮我纠正语言问题。几年前，要获得这样的体验，不仅得安装 C2C 软件并付费找老外聊天，还得担心对方是否带有难懂的口音。
当下的语言教育，其实只缺一家能够将这一整套工具与优质教研设计相结合的公司，让用户能够循序渐进地掌握一门语言。
AI 语言教育的个性化学习和数据飞轮
谈到 AI 教育，大家首先想到的往往是个性化学习。我们今天的教育体系源自普鲁士模式——一个老师面对 30 到 60 个学生，这是最具性价比的方式，解决了 「人人都能接受教育」 的问题，但对学困生和尖子生都并不友好。尤其是对学困生而言，当他们已经听不懂老师当前的讲解时，却只能被动地坐在课堂里。
个性化教育的典型思路，如 Knewton，是将知识拆解为知识图谱，在学生学习过程中持续检测其掌握情况，并通过实际问题追溯到遗漏的知识点；在为学生讲解完未掌握的题目后，还能生成类似题目来验证学习效果。又如 Alt School，强调学生的自主学习和练习，系统则将学生暴露的问题整理出来，由老师进行查漏补缺。形式上，这些模式看似可行，但现实中的成本却极其高昂：Knewton 斥巨资研发的系统未能带来匹配的收益，而 Alt School 作为商业公司，不仅难以实现盈利，还因身份限制无法像传统学校那样获得外部捐赠。Knewton 在从面向消费者转向面向企业的过程中，我的被投公司曾与其接触过，他们单个课程的报价高达数百万美元，最终只能作罢。最终，Knewton 以低价被收购，而 Alt School 也在家长们的惋惜与不舍中走向关闭。
因此值得思考的问题是：当下的大模型技术，是否真的能够显著降低个性化教育的成本？在理科方向，我认为其效率提升依然有限；但在人文学科，尤其是语言学习领域，大语言模型则可能带来质的飞跃。以英语为例，学生在学习一个新词时，大模型不仅能够生成多样化的例句，还可以展示该词在不同时态、不同语境中的具体用法。更进一步，若能结合配图与动画，AI 所带来的效率提升将更加明显。倘若有经验丰富的教研人员能够熟练运用 AI 工具，其开发效率很可能实现数量级的提升。由此看来，语言教育或许是 AI 在教育领域最容易实现突破的 「低垂果实」。当这一方向逐渐成熟并积累足够经验之后，再将其方法论推广到其他学科，才是更为务实的创业与投资路径。
从小学到初中再到高中，我们不断更换老师，师生关系也始终处在磨合之中。由于教师需要面对大量学生，很难真正洞察每个人的薄弱环节，往往只能笼统地评价一句 「他的听力不行」 或 「他的阅读能力较弱」。但如果一个学生从零基础开始学习英语，在系统中完成背单词、上课程等环节，AI 系统就能够持续追踪其学习轨迹，准确掌握知识点的掌握情况。比如，当你在平台上阅读绘本时，它可以为你推荐合适难度的材料，标注不熟悉的单词，对新词组进行专项讲解，甚至解释一篇文章为什么要这样写。这就像拥有一位大学教授水准的导师，始终陪伴在学习过程中，大幅提升学习效率。更关键的是，一旦你能够全面掌握学生的个人词库和知识盲点，构建起高度个性化的学习画像，其他竞争者就很难轻易切入并替代。
更重要的是，当下语言教学面临的核心问题在于 「实际使用」。许多中国学生学习了九、十年英语，但真正能与外国人进行流畅交流的却寥寥无几。尤其是在日常生活中常见的场景化语言需求，如机场、打车、点餐等，往往是传统教育所忽视的。韩国曾有一家名为 SpeakingMax 的公司，开发了大量实用场景，让用户能够与模拟的 NPC 进行对话。然而，由于当时技术有限，用户只能在预设规则内交流，一旦超出程序框架，NPC 就无法正常回应。如今有了大模型，只需设计合适的提示词，系统就能自然地扮演对话角色。
中国学生学习英语十年却依然难以开口交流，其根本原因在于：口语表达所需的词汇和句式必须高度熟练，而真实交流几乎不给人思考的时间；长期刷题训练的大脑，并不足以支撑 「脱口而出」 的流畅表达。大模型的出现，能够高速生成并模拟各种真实场景，为学习者提供充足的口语训练机会，使他们在反复强化中真正跨越 「学会了却不会用」 的障碍。设想一下，一个孩子在完成英语学习后，可以随时与自己喜欢的动画角色自由对话，而角色会根据他的口语水平自适应地交流——在这样的陪伴中，口语能力的提升已不再遥远，而是触手可及。
除了教育，AI 还能解决教育行业啥问题
（以下部分是畅想，并不是今天 AI 能实现的）
过去的教育行业，本质上是一个以服务为核心的行业。由于学习本身具有一定的反人性，必须依靠教学顾问来提升完课率，否则学生极易因缺乏持续的课消而流失。同时，销售人员也需要不断地沟通、跟进，来推动续费。在上一波教育的互联网化浪潮中，无论是一对一中的学习顾问，还是大班授课、小班服务里的助教，核心解决的其实都是 「如何提供更好服务」 的问题。因此我们会看到，传统教培公司的一个显著特点，就是服务和销售团队往往远大于教研和技术团队。对于教育公司来说，管理庞大的服务与销售队伍是一项巨大的挑战，因此才会衍生出各种 SOP（标准作业程序），用以支撑标准化和规模化的扩张。
如果一个岗位的工作内容可以通过 SOP（标准作业程序） 清晰定义，那么其中很大一部分其实是可以由 AI 来完成的。当然，在现实工作中，人与人之间的沟通总会伴随着各种例外情况和微妙的处理方式，这些仍是当前 AI 难以完全胜任的环节。但如果能够积累足够的数据，并在工程层面持续投入研发，我认为实现可用并不是遥不可及的目标。
为了续费而进行的各种服务和销售，其实往往让人感到厌烦。互联网行业的主要商业模式一直是广告，从最早的横幅广告，到搜索广告，再到信息流广告，广告的形式不断演化，核心目标都是提升效率。但现实是，横幅广告的点击率长期徘徊在千分之几，搜索广告即便表现最佳，点击率也只有约 5%，而嵌入信息流的广告效果也并不算高。这意味着绝大多数广告投放实际上是被浪费掉的。因此，即使发展至今，互联网广告依然存在巨大的效率提升空间。
过去，互联网广告主要依赖于收集更多用户信息来提升效率：社交软件掌握了用户的浏览习惯，搜索引擎能够识别用户的意图。但这些信息其实都不够充分。相比之下，在 AI 教育场景中，用户在平台上的行为会沉淀出更细致的数据：他可能在某些音节的发音上始终有问题，某个语法点长期没掌握，或者平时阅读量明显不足。传统的销售人员本身往往缺乏对知识的深入理解，即便拿到这些数据，也很难为学生和家长提供真正有价值的建议。如果我们假设销售本身就是一位优秀的英语老师，能够基于这些数据给出切实解决问题的建议，那么续费自然不再是难题。在过去的互联网教育时代，这几乎无法实现；但在 AI 的逻辑下，复制这样一位 「老师」 的能力却成为可能。
其实，学生和家长最缺乏的并不是学习资源，而是清晰的学习规划。以英语为例，不同阶段应达到不同的目标：升学可能需要通过 KET/PET 等考试，出国留学则需要托福或雅思成绩。标准化考试本身具有明确的考纲和时间节点，结合学生当前的水平，AI 完全有能力为其制定科学的学习路径。当 AI 在学习规划和路径设计上比家长更专业、更高效时，信任关系就自然建立起来。此时，家长愿意长期付费，几乎不需要额外的销售干预。
未来教育公司最理想的状态就是：只需要教研和技术研发团队，其他服务都交给 AI 来完成。
对其他行业的启示
当 「模型即应用」 的概念被提出后，基础大模型不断拓展自身能力。但与其在大模型上做各种修修补补，不如直接深入具体行业，探索 AI 能够带来的实际改变。对创业公司而言，比起 「什么需求都能满足却满足不好」，更重要的是找到一种能比过去更好地解决用户核心问题的方式。而行业的 know-how，正是横亘在基础大模型面前的一道厚厚的高墙。
