一、前言

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。

二、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长，在下一关提升难度是玩家依然努力能够完成。然后游戏通过角色数字的成就，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。

三、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。

教育行业因其复杂的行业 know-how 和对长期用户数据积累的依赖，具备其他赛道难以复制的天然壁垒，这使得在 AI 时代，创业公司仍有机会凭借深度教研与精细化运营构建竞争优势，抵御大模型公司的直接渗透。而其他行业可以以此参考。