教育AI智造者

Hello 大家好，欢迎来到教育AI智造者播客。 这一期我想聊一个让我“停下来想很久”的开源项目：EdGameClaw。它做的事情表面上很简单——把教材变成游戏。但如果你往深里看，它其实在挑战一个更本质的问题： 当AI进入教育，我们到底是在“生成内容”，还是在“重构学习体验”？ 今天我们看到的大多数AI教育产品，本质上还是在优化“信息的输入与输出”：更快生成讲义、更个性化推荐、更高效刷题。但这个项目的出发点完全不一样——它试图把学习本身变成一个可交互、可试错、有反馈循环的系统。 这也让一个被反复提及但经常被误解的概念重新浮现：游戏化学习（Gamification）。 但问题是，我们真的理解“游戏化”吗？ 是积分、徽章、排行榜，还是一种更底层的——把“学习机制”嵌入“交互机制”的设计？ 在这期对话里，我和项目作者小杭一起拆解了几个关键问题： * 为什么大多数“游戏化学习”产品，其实并没有改变学习的发生方式？ * 为什么“试错 + 即时反馈”的机制，比内容本身更接近学习的本质？ * 当AI可以自动生成代码与游戏时，人类在学习过程中的“心智模型”会不会被削弱？ * 为什么“让人先提供教材”，反而是一种更严肃的AI设计选择？ * 以及，一个坚持开源、强调教学法对齐的项目，在未来AI教育生态中意味着什么？ 如果你是一位老师、教育产品经理、研究者，或者正在思考AI如何真正改变学习，这一期不会给你轻松的答案，但会给你一个非常清晰的判断标准： AI 不应该只是加速内容生成，而应该重构学习发生的机制。 🧭 内容大纲 🧩 从“游戏化”误区开始 * 游戏化 ≠ 积分、徽章、排行榜 * 为什么大多数AI教育产品仍停留在“内容层” * 本期核心问题：AI是在生成内容，还是重构学习机制？ 🎮 EdGameClaw 在做什么 * 教材 → 游戏：从内容到交互的转化路径 * 为什么强调“用真实教材作为输入” * HTML + pixel 的选择：不是技术限制，而是策略设计 🧠 游戏机制 × 学习机制 * 核心命题：mechanics must align with learning * trial & error 为什么比讲解更重要 * 拖拽（drag & drop）带来的 agency 与参与感 ⚡ 神经科学视角：为什么游戏有效 * reward loop：行为 → 反馈 → 预测更新 * predictive coding 与强化学习的关系 * 情绪在学习中的作用：困惑、挫败、心流 🔁 学习的本质：认知冲突与反馈闭环 * productive failure：先失败再理解 * 为什么“卡住”是学习的起点 * 游戏如何天然支持认知冲突的触发 🤖 AI参与学习：机会与风险 * AI能做什么：生成、监测、反馈 * AI做不到什么：理解个体长期状态 * 情绪识别、多模态数据与隐私边界 🧱 开发者视角：AI原生产品的真实难点 * 幻觉问题与“让人提供教材”的设计逻辑 * sandbox + judge + iterative refinement 的工程流程 * 为什么“代码能生成 ≠ 产品能成立” 🧬 心智模型的消失与重建 * AI写代码时代，学习是否还必要？ * junior engineer案例：错过的不是答案，而是过程 * cognitive apprenticeship 与 tacit knowledge 🌱 开源与动机：为什么要公开 * 从副业变现到“让方向被看见” * 开源作为一种知识扩散机制 * community 在教育AI中的潜在价值 🔮 未来想象：AI × 游戏 × 教育 * 低门槛创作游戏的可能性 * 游戏经济系统、数值系统的教育潜力 * framework first, app second：从产品到范式 -----------------------关于伊伊子---------------------- 伊伊子的小红书传送门 ----------------------关于听友群----------------------- 如果您对AI和教育的融合充满兴趣，欢迎填写我们的听友群入群申请问卷！🎧点击链接，或扫码，与更多志同道合的伙伴一起交流最新的行业动态、分享学习经验，并共同探讨AI如何重塑教育的未来。期待在听友群中与您相遇，共同成长！😊 请大家在填写微信联系方式时，务必确认拼写是否完整和正确。我们遇见过好几次微信ID无法识别的情况~谢谢大家！ --------------------相关词介绍------------------- 1. 游戏化学习（Gamification） 通常被简化为积分、徽章、排行榜等激励机制，但本质上应是将游戏中的反馈机制、目标系统与挑战结构嵌入学习过程。真正的游戏化不是“包装学习”，而是通过设计交互，让学习过程本身具备探索性与参与感，从而提升内在动机。 2. 游戏机制 × 学习机制对齐（Mechanics Alignment） 指游戏中的操作方式（如拖拽、决策、资源分配）必须直接承载学习目标，而不是附着在内容之上。若机制与学习脱节，游戏只会成为表层娱乐；只有当操作本身就是认知过程的一部分，学习才真正发生。 3. Trial and Error（试错学习） 学习者通过不断尝试、失败、调整策略来逼近正确理解的过程。相比直接讲解，试错能够激发更深层的认知参与，因为它迫使学习者构建和修正自己的理解模型，是建构主义学习的重要机制。 4. Reward Loop（奖励循环） 源于神经科学，指行为触发反馈并产生多巴胺，从而强化行为的循环机制。在学习中，这种循环表现为“尝试—反馈—调整—再尝试”，如果反馈及时且清晰，就能维持持续参与和动力。 5. Predictive Coding（预测编码） 大脑不断预测外界信息，并通过误差修正来更新认知模型的机制。学习本质上是减少预测误差的过程，而游戏中的即时反馈正好提供了这种“预测—修正”的高频循环。 6. Cognitive Emotion（认知情绪） 与学习直接相关的情绪状态，如困惑、无聊、挫败、心流等。相比基础情绪，这些状态更直接影响学习效率。有效的学习设计需要调节这些情绪，而游戏机制天然具备这种调节能力。 7. Productive Failure（建设性失败） 一种教学策略，鼓励学习者在获得正确答案前先经历失败，从而激发认知冲突。研究表明，这种方式可以促进更深层理解，因为学习者在失败中主动构建知识框架。 8. Agency（主导力） 学习者对自身学习过程的控制感，包括选择、决策和行动的能力。当学习者感到“是我在驱动这个过程”，而不是被动接受时，动机会显著增强。游戏中的互动设计通常能强化这种感受。 9. Mental Model（心智模型） 个体对某一领域内部结构和逻辑关系的理解方式。它不是显性的知识点集合，而是在实践和反馈中逐步形成的认知结构。AI可以提供答案，但无法替代心智模型的构建过程。 10. AI Hallucination（AI幻觉） 指AI生成看似合理但实际错误的信息。在教育场景中尤其危险，因为它可能污染知识源。EdGameClaw选择让用户提供教材，本质是为了控制输入质量，从源头降低幻觉风险。

Hello 大家好，欢迎来到教育AI智造者播客。 这一期，我们直面一个在AI时代越来越难回避、却被反复“简化”的问题： 当AI可以完成越来越多“看起来像学习成果”的事情时，我们到底在评估什么？ 在过去两年，关于AI进入教育的讨论，大多集中在效率、工具、甚至伦理层面。但在这次对话中，我逐渐意识到：真正被低估、甚至被忽略的，是 assessment ——评估本身。 当一个学生可以用AI写出更好的代码、更完整的论文、更流畅的表达，我们看到的“成果”，还等于这个学生的能力吗？ 当检测AI的工具本身也不可靠，甚至无法作为证据，我们又凭什么去判断“作弊”？ 当老师说“鼓励使用AI”，学生却直接用AI完成全部作业，这到底是理解偏差，还是系统设计的问题？ 这一期我邀请到的嘉宾是韩文林教授，一位同时身处计算机科学、教学一线，以及AI评估标准建设的实践者。她提出了一个非常关键的视角： AI改变的，可能不是学习本身，而是我们判断“学习是否发生”的方式。 在这场对话中，我们不仅讨论了： * 为什么AI检测工具在逻辑上很难成立 * 为什么“允许/鼓励使用AI”会带来系统性混乱 * 为什么完成任务 ≠ 学会能力 更重要的是，我们逐渐走向一个更底层的问题： 👉 在AI时代，我们评估的，还是“人”，还是“人+AI的系统”？ 👉 评估，到底是技术问题，还是认知与信任的问题？ 如果你是老师、研究者、产品设计者，或者正在用AI学习的人，这一期可能不会给你一个简单答案，但会帮你看清一个更底层的变化： 评估，正在从“结果判断”，变成“学习如何发生”的再定义 韩教授主办的AAB(AI Assessment Board) 网址：www.aaboard.org 🧭 内容大纲 🧩 AI来了，但我们还在用旧的评估逻辑 * AI可以生成答案，但“答案”不再等于能力 * assessment 被忽视，但其实是最核心问题 * 学习的证据，开始变得不可信 ⚡ 第一波冲击：作业突然“变好了” * 学生项目质量整体提升，而不是个别作弊 * 教师凭经验判断：这是AI带来的结构性变化 * 旧的rubric在新能力面前失效 ⚖️ AI作弊检测：一个逻辑上站不住的系统 * AI detector 只能给“概率”，无法给“证据” * 学生申诉几乎必然成功 * 对比 Turnitin：有来源 vs 无来源 🧠 评估崩塌的本质：边界无法定义 * “允许 / 鼓励 / 禁止”AI → 每个人理解不同 * 60%用AI？怎么量化？按代码量还是思路？ * 教师与学生对“合理使用”的认知完全错位 🔄 从“评估人”到“评估人+AI系统” * 计算机课程已开始评估人机协作能力 * 不再只看代码，而看“如何用AI完成任务” * 课程体系被整体重构 🧪 完成任务 ≠ 学会能力 * 任务完成只是“样本”，不是能力本身 * 真正关键：迁移能力（举一反三） * AI可以加速任务，但不保证形成认知结构 🌐 AI Assessment Board：从“共识”走向“事实” * 不先定义标准，而先收集真实案例 * 用数据找pattern，而不是专家拍脑袋 * 从实践中抽取“不可替代能力” 🧭 收束：评估不再是技术问题，而是哲学问题 * 我们是否一直在用“产出”替代“理解”？ * 我们是否误把“完成”当作“掌握”？ * 在AI时代，什么才算真正的学习？ -----------------------关于伊伊子---------------------- 伊伊子的小红书传送门 ----------------------关于听友群----------------------- 如果您对AI和教育的融合充满兴趣，欢迎填写我们的听友群入群申请问卷！🎧点击链接，或扫码，与更多志同道合的伙伴一起交流最新的行业动态、分享学习经验，并共同探讨AI如何重塑教育的未来。期待在听友群中与您相遇，共同成长！😊 请大家在填写微信联系方式时，务必确认拼写是否完整和正确。我们遇见过好几次微信ID无法识别的情况~谢谢大家！ --------------------相关词介绍------------------- Assessment（评估） 在AI时代，从“结果验证”转向“学习证据的定义”。不再只是打分工具，而是决定什么被视为能力的核心机制。 Test-Based Learning (TBL) 以考试为核心的学习方式，依赖标准答案与个体输出。在AI时代最容易被替代与冲击。 Project-Based Learning (PBL) 通过项目完成任务进行学习。原本被认为更真实，但在AI加持下也出现“代做式完成”的问题。 AI Detector（AI检测器） 试图判断文本是否由AI生成的工具，但由于缺乏可验证来源，在教育场景中难以作为有效证据。 Turnitin（查重系统） 基于已有文本数据库进行比对的工具，因“有来源证据”而成立，对比凸显AI检测的逻辑问题。 Rubric（评分标准） 教师用于评估学生表现的标准体系。在AI时代失效，因为无法区分“能力 vs 工具增强”。 Human-AI Collaboration（人机协作） 新的能力单位。学生不再是独立个体，而是与AI共同完成任务的系统。 Transfer（迁移能力） 将知识应用到新情境的能力。是区分“学会”与“完成任务”的核心指标。 Feynman Technique（费曼学习法） 通过解释来验证理解。在AI时代成为重要“反作弊”与“验证真实理解”的方式。 Formative Assessment（形成性评估） 关注学习过程，例如与AI的互动记录。相比结果，更能反映真实学习。 Summative Assessment（终结性评估） 关注最终成果（考试、作业）。在AI时代逐渐失去可信度。

Hello 大家好，欢迎来到教育AI制造者播客。 这期节目，想讨论一个我最近越来越在意的问题：当 AI 变得越来越强、越来越便宜、越来越容易使用之后，教育真正应该培养的，到底是什么？ 过去两年，AI+教育的讨论非常热闹。有人在教工具怎么用，有人在讲模型有多强，也有人在展示各种“效率提升”的案例。但如果我们把问题再往下挖一层，就会发现，真正重要的可能不是“学生会不会用某个 AI 工具”，而是他们能不能站在创造者、判断者、决策者的位置上，去理解 AI、使用 AI，甚至与 AI 一起定义问题、提出方案、创造价值。 这也是为什么我会注意到 Marbella AI 这个项目。它给我的感觉，并不是一个传统意义上的“AI课程平台”，而更像是在尝试搭建一种环境：让学生不只是学 AI，而是在真实项目里，把 AI 当成一种认知杠杆，去连接自己的兴趣、问题意识与行动能力。 这一期，我邀请到 Marbella AI 创始人 Jason 来到节目中。Jason 的经历非常典型，又非常少见：从北大计算机，到 CMU 暑研、康奈尔硕士、匹兹堡大学博士，再到哈佛做博士后，并在 Harvard Innovation Labs 孵化自己的 AI 教育公司。他既做过机器学习方法研究，也做过 AI+医疗、金融、法律等跨领域应用，最后选择把这些经验汇聚到教育创业里。 我们聊到的并不只是“怎么学 AI”，而是更底层的问题： * AI时代的人才土壤是什么？ * 为什么项目制学习会重新变得重要？ * 教育公平和精英培养能不能并存？ * 所谓 AI leader，除了技术之外，还需要哪些更关键的能力？ * 以及，在一个所有人都在谈“规模化”的时代，为什么真正好的教育，反而可能很难被快速标准化。 如果你是老师、家长、教育创业者，或者你也在思考“AI越来越强之后，人到底应该往哪里长”，那这一期会给你很多值得继续想下去的线索。 内容大纲 🧠 从“学AI工具”到“成为AI时代的创造者” * 为什么我会注意到 Marbella AI：它不像课程平台，更像一种认知环境 * 学会用 AI，和站在创造者的位置理解 AI，本质上不是一回事 * 当技术门槛快速下降，真正被重估的是人的思考、判断与决策能力 🎓 Jason 的路径：从学术研究走向教育创业 * 从北大、CMU、康奈尔到匹兹堡大学博士、哈佛博士后，他一路都在AI领域深耕 * 做过机器学习方法、AI+医疗、金融、法律等多个方向，最后转向教育 * 为什么离开纯学术：比起“为论文而论文”，他更在意 practical impact 🌍 AI人才培养的土壤：中国与美国各自的优势 * 中国本科训练扎实、节奏快、产出密集，美国博士训练更强调原创性与创新空间 * 国内在AI应用层推进很快，美国在原始创新上仍有明显优势 * 不是简单比较输赢，而是理解不同土壤如何塑造不同类型的人才 🛠 Marbella AI 在做什么：项目制学习不是口号 * 他们的核心不是单纯讲课，而是围绕学生兴趣与目标设计 AI 项目 * 项目范围很广：AI+医疗、AI+营销、AI+语言学习、AI+体育、AI+社科研究 * 一条线是半定制化项目，一条线是围绕固定主题展开的工作坊或课程 👀 真正的项目制学习，和“上完一门AI课”到底差在哪 * 重点不是知识灌输，而是让学生自己进入问题、进入流程、进入创造 * 课程不是为了“讲明白”，而是为了 enable 学生发现问题、推进项目、产生成果 * 在这里，考试不是终点，论文、应用、专利、影响力才更接近真实交付 🧭 教育公平、精英培养与 agency * 如果要培养“未来AI领袖”，是否天然会筛选出更有资源、更强势的学生？ * Jason 的回答很有意思：一方面要普及 AI literacy，另一方面再识别和培养更有潜力的人 * 比“是不是精英”更重要的，是学生有没有主导力、问题意识和持续推进的能力 🚀 AI时代最稀缺的能力，可能不是技术 * Jason反复强调 agency：主动发现问题、主动推进事情、主动承担结果 * AI 可以搬运大量显性知识，但真正稀缺的是判断、选择、验证与在不确定中行动 * 所以未来的竞争，不只是 human vs AI，而是 human with AI vs human without AI -----------------------关于伊伊子---------------------- 伊伊子的小红书传送门 ----------------------关于听友群----------------------- 如果您对AI和教育的融合充满兴趣，欢迎填写我们的听友群入群申请问卷！🎧点击链接，或扫码，与更多志同道合的伙伴一起交流最新的行业动态、分享学习经验，并共同探讨AI如何重塑教育的未来。期待在听友群中与您相遇，共同成长！😊 请大家在填写微信联系方式时，务必确认拼写是否完整和正确。我们遇见过好几次微信ID无法识别的情况~谢谢大家！ --------------------相关词介绍------------------- AI Literacy｜AI素养 Jason 反复强调的，不是每个人都要成为模型研究者，而是每个人都需要具备基本的 AI literacy。它不是“会不会几个工具”的浅层熟练，而是理解 AI 能做什么、不能做什么，知道如何和它协作、如何判断它的输出、如何把它嵌入自己的工作与学习流程。它更像是一种新时代的基础能力。 AI Leaders｜AI领袖 比起普及性的 AI 素养，AI leaders 指向的是另一层更高阶的培养目标：不仅能使用 AI，还能发现问题、整合资源、定义方向，并带领团队或系统创造新的影响。Jason 的意思很明确：不是每个人都要成为 AI leader，但一个时代一定需要这类人，他们决定 AI 会被带去哪里、服务谁、放大什么。 Project-Based Learning｜项目制学习 这一期里最核心的教育关键词之一。项目制学习不是把几门课拼在一起做个展示，也不只是“做个作品”。它更强调：学生围绕一个真实问题、真实兴趣或真实目标，主动调动知识、工具和反馈，逐步推进一个完整的过程。它的价值不在于热闹，而在于学生是否真的进入了问题、进入了行动，也进入了成长。 Customer-Centric / Student-Centric｜以学生为中心 Jason 虽然不是教育学出身，但他在表达中其实一直贯彻一个非常强的 student-centric 逻辑：不是先问“我能教什么”，而是先看学生是谁、他在意什么、他需要什么、他能做到什么。放在AI时代，这一点更重要，因为知识本身已经不再稀缺，真正稀缺的是能否围绕人的兴趣、目标与阶段去组织有效的学习体验。 Agency｜主导力 这是这一期里我个人最在意的词之一。Agency 不是简单的主动，不是老师让你做、你积极一点就叫 agency。它更接近一种“我能发起、我能判断、我能推动”的能力。AI 时代最危险的一种状态，不是不会用工具，而是越来越习惯于等待答案、复制答案、依赖答案。真正重要的，是你仍然能够作为那个发起行动和做出判断的人。 Initiative｜主动性 Jason 提到自己早年在 CMU 做暑研时，导师评价他 “do many initiatives”。这个词很妙，因为它指的不是被安排后的执行力，而是在没有被明确要求时，也能主动去做那些“对的事情”。在AI时代，这种能力会越来越重要。因为当显性任务越来越容易被自动化后，真正体现人与人差异的，恰恰是你是否能主动识别空白、提出方向、往前多走一步。 Procedural Knowledge｜程序性知识 / 流程性知识 如果说 declarative knowledge 是“知道是什么”，那 procedural knowledge 更接近“知道怎么做”。很多学校教育擅长传授前者，却很难充分覆盖后者。比如你知道科研是什么、营销是什么、产品设计是什么，不代表你真的会推进一项研究、落地一个营销方案、完成一个产品闭环。项目制学习之所以重要，就是因为它逼着学习者进入“做”的流程。 Declarative Knowledge｜陈述性知识 / 事实性知识 这一类知识是 AI 非常擅长处理的：定义、概念、分类、框架、步骤说明、基础原理。它当然仍然重要，但在今天已经越来越不构成真正的门槛。换句话说，过去花大量时间背诵和记忆的内容，现在很多都能被 AI 快速调用。于是问题就变成：当“知道”变容易之后，你如何把“知道”转化为“做到”与“做到有判断”？ Cognitive Apprenticeship｜认知学徒制 这是我在对话里主动抛出来、但和 Jason 的实践非常契合的概念。它不是让学生只看专家怎么做，也不是只让学生机械模仿，而是让学生逐步进入专家的思考过程、决策过程与工作流。学生不仅学结果，也学路径；不仅学答案，也学为什么这么判断。AI时代要培养的，很可能恰恰就是这种“进入他人认知过程”的学习方式。 Tacit Knowledge｜隐性知识 隐性知识很难直接写成一条条规则，却常常决定一个人真正的水平。比如审美、判断力、时机感、对问题轻重缓急的感知、在复杂情境下做选择的直觉。这类能力通常来自长期实践、反馈、失败与反思。AI 现在已经很会处理显性知识，但隐性知识仍然高度依赖具体的人和真实场景。所以教育真正难的地方，也恰恰藏在这些“说不清但很关键”的部分。 Presence｜临场感 我们在后半段聊到一个非常关键的问题：为什么很多 AI 教学形式看起来已经很聪明了，但仍然很难完全替代真人教学？其中一个答案就是 presence。临场感不是“画面像不像真人”这么简单，而是一种你能感受到对方就在这里、你正在共同经历同一场互动的感觉。它直接影响信任、专注、反馈质量，以及学习过程中的情感投入。 Authentic Learning｜真实性学习 Jason 在回答“短期科研项目”“规模化课程”等问题时，其实不断碰到一个核心张力：知识消费和真实性学习之间的差别。真实性学习不是把一个“看起来很像学习成果”的东西包装出来，而是学生真的进入了一个真实问题，经历了真实的探索、卡住、调整和推进。它也许慢，也不够标准化，但恰恰因为真实，所以才更能留下真正的能力。 Elite Cultivation｜精英培养 当一个机构提出要“识别和培养未来AI领袖”，就不可避免会碰到精英培养的问题。这个词之所以敏感，是因为它既可能意味着高水平、个性化、深度支持，也可能意味着资源集中、机会筛选与不平等再生产。所以这期里很有意思的一点是：Jason 一方面承认确实存在更高阶、更深入的人才培养路径，另一方面也坚持 AI literacy 应该尽可能普及，这是一种双轨思路。 Judgment｜判断力 如果说过去很多学习是为了积累知识，那么现在越来越多的学习，可能是为了形成判断。因为信息太多、答案太快、观点太杂，AI还能不断生成“看起来都对”的内容。于是一个人的价值，越来越体现在：你能不能识别什么重要、什么不重要；什么可信、什么存疑；什么值得继续做、什么应该立刻停。判断力，正在成为AI时代真正的高杠杆能力。

Hello 大家好，欢迎来到教育AI智造者播客。 很多AI教育产品，都会从一个看起来很熟悉的方向开始：生成课程内容、生成讲解、生成题目。 但这一期的嘉宾Liang，选择了一个非常反直觉的路径。 他做的产品 EduNest(http://edunest.app/)，表面上看是一个 AI视频讲解工具：学生可以问一个问题，系统会生成动画视频解释知识点。 但真正有意思的并不是视频生成本身。他真正想挑战的，是一个通常被认为只有教育研究团队和数据科学团队才能做的系统：Learning Analytics —— 学习分析系统。 在传统教育技术体系里，学习分析往往依赖： * 大规模学生数据 * 复杂的学习行为建模 * 教育研究团队 * 数据科学团队 而梁尝试用一种完全不同的方式进入这个问题： 从 视频生成 + 交互式解释 切入，通过学生与AI老师的互动过程，逐渐构建学习行为数据，再反过来形成学习画像和学习分析。 更极端的一点是——他几乎是用 一人公司 的方式在推进这件事情。 一个人： * 写代码 * 设计产品 * 做AI架构 * 跑市场 * 跟老师学生沟通 在AI工具的帮助下，他半年消耗了 20亿 tokens，生成了 超过百万行代码，并逐渐把产品从一个内容生成工具，演化成一个包含 AI老师、学习分析、学习画像 的学习系统。 这期节目，我们试图一起拆开几个问题： * 为什么视频生成可以成为学习分析的入口？ * AI老师如何通过提问来理解学生的学习行为？ * 一个人是否真的可以构建系统级教育产品？ * 当AI让个体拥有接近系统级能力的时候，教育的权威会发生什么变化？ 如果说过去教育系统是由机构、专家和组织共同构建的， 那么今天，一个人和一群AI工具，或许已经开始尝试重写这个结构。 🧭 内容大纲 🎮 从课堂小游戏开始的AI产品 * 最初的需求其实很简单：老师希望在课堂上做一些互动小游戏，例如单词配对、单词消消乐 * 一开始是模板化工具，但随着AI编程能力提升，逐渐变成 AI生成代码的开放系统 * 一个看似小的需求，慢慢演化成一个更复杂的产品方向 🎥 用视频生成解释知识 * 学生拍一道数学题，系统可以生成动态动画进行讲解 * 例如绘制函数图像、改变参数，让学生直接看到概念如何变化 * 抽象公式变成可以观察的动态过程，学生理解方式也随之改变 🧠 从“讲解内容”走向学习分析 * 学生和AI老师之间的互动，其实天然产生大量学习行为数据 * 系统可以观察学生在哪里困惑、在哪里停留更久 * 内容生成工具逐渐演化成 学习分析系统的入口 🤖 AI老师如何理解学生 * AI不会直接给答案，而是通过不断提问观察学生的理解状态 * 根据学生回答调整解释方式，例如图像解释、文字解释或进一步提问 * 这种方式和教育学中的 最近发展区（ZPD） 非常接近 📊 Learning Analytics 的另一种路径 * 传统学习分析依赖大规模数据和复杂研究团队 * 这个系统尝试从 单个学生的学习轨迹 出发逐渐构建学习画像 * 学习分析不再只是统计系统，而是和学习互动本身融合在一起 🧑‍💻 一人公司如何构建复杂系统 * AI编程工具让一个人也能完成过去需要团队完成的工作 * 半年时间消耗约 20亿 tokens，生成超过 百万行代码 * AI正在改变软件系统的生产方式 🌍 当个体开始挑战系统问题 * 过去教育系统往往由机构、研究团队和专家设计 * AI让个体第一次拥有接近 系统级构建能力 * 当一个人也能构建学习系统时，教育创新的方式可能会发生变化 -----------------------关于伊伊子---------------------- 伊伊子的小红书传送门 ----------------------关于听友群----------------------- 如果您对AI和教育的融合充满兴趣，欢迎填写我们的听友群入群申请问卷！🎧点击链接，或扫码，与更多志同道合的伙伴一起交流最新的行业动态、分享学习经验，并共同探讨AI如何重塑教育的未来。期待在听友群中与您相遇，共同成长！😊 请大家在填写微信联系方式时，务必确认拼写是否完整和正确。我们遇见过好几次微信ID无法识别的情况~谢谢大家！ --------------------相关词介绍------------------- Learning Analytics（学习分析） Learning Analytics 是教育技术领域的重要研究方向，指通过收集和分析学习行为数据来理解学生学习过程，并优化教学策略。传统学习分析系统通常依赖大规模数据、复杂算法和教育研究团队，通过分析学生行为、学习路径和学习结果来构建学习画像，从而实现个性化学习和教学决策支持。 AI Teacher（AI老师） AI老师是一种基于大语言模型和交互式系统构建的教学代理，它不仅负责回答问题，还会通过提问、引导和反馈来帮助学生理解知识。与传统自动答题系统不同，AI老师更接近人类教师的教学方式，通过逐步引导学生思考，帮助学生建立概念结构和理解过程。 Multimodal Learning Explanation（多模态学习解释） 多模态学习解释指通过多种信息形式来帮助理解知识，例如文字、图像、动画、声音和交互。研究表明，多模态呈现可以降低认知负荷，使抽象概念更容易被理解。在AI教育产品中，多模态解释通常通过生成动画、图表和可视化过程来实现。 Learning Profile（学习画像） 学习画像是通过长期学习数据分析构建的学生学习模型，它描述学生的学习能力、知识结构、学习习惯和认知特点。学习画像不仅包括知识掌握情况，还包括学习行为模式，例如是否主动探索、遇到困难是否求助、学习节奏是否稳定等。 AI Agent（智能体） AI Agent 指能够自主执行任务的智能系统，它可以根据目标不断调用工具、进行推理并调整行动。在教育场景中，Agent可以承担不同角色，例如教学Agent、学习分析Agent或内容生成Agent，通过协作完成复杂教学任务。 Metacognition（元认知） 元认知是指个体对自己思考和学习过程的认识与调节能力，例如知道自己是否理解某个概念、是否需要重新学习某个内容。教育研究认为，培养元认知能力可以显著提高学习效率，因为学生能够更准确地判断自己的理解程度并调整学习策略。 Learning Behavior Data（学习行为数据） 学习行为数据是指学生在学习过程中产生的交互信息，例如提问、答题、停留时间、修改答案、查看解释等。这些数据可以反映学生的学习策略和理解过程，是学习分析系统的重要数据来源。 Human-AI Augmented Learning（人机增强学习） 人机增强学习指人类与AI系统共同参与学习过程的模式。AI不仅提供信息，还能根据学习行为提供反馈、引导学习路径，并帮助学生建立理解结构。这种模式被认为是未来教育的重要发展方向。 Solo AI Company（一人AI公司） 随着AI工具能力提升，个人开发者可以借助AI完成产品设计、编程、运营和市场工作，一人公司成为新的创业模式。这种模式在软件和AI产品领域逐渐出现，使得个人也有机会构建复杂产品系统。 Knowledge Visualization（知识可视化） 知识可视化是通过图形、动画或交互式结构呈现知识关系，使学习者能够更直观地理解复杂概念。在数学、物理等抽象学科中，可视化尤其重要，因为它可以把符号和公式转化为动态变化的过程。