编辑部 发自 凹非寺
量子位 | 公众号 QbitAI
2025，当大模型来到应用爆发之年，越来越多的垂直行业当中，开始涌现出AI落地的经典实践案例。
教育领域中，专注于职业教育培训的粉笔，就是其中之一。
就在第三届AIGC产业峰会现场，粉笔CTO陈建华坦言：
教育领域长期存在“不可能三角”：大规模、高质量、个性化。
但是大模型的出现，正在打破这个不可能三角，为教育带来新的可能。
并且这种可能性，正在粉笔的亲身实践中逐渐成为可以量化观察的实例。
为了完整体现陈建华的思考，在不改变原意的基础上，量子位对演讲内容进行了编辑整理，希望能给你带来更多启发。
中国AIGC产业峰会是由量子位主办的AI领域前沿峰会，20余位产业代表与会讨论。线下参会观众超千人，线上直播观众320万+，累计曝光2000万+。
话题要点
- 教育领域长期存在“不可能三角”：大规模、高质量、个性化。但是大模型的出现，正在打破这个不可能三角，为教育带来新的可能。
- 学习是不断从输入到输出，再不断重构输入的循环过程。因此，大模型落地教育要聚焦4个特点：聚焦“学会”，聚焦学习主动性，聚焦教研体系，聚焦准确率。
- 大模型想要在教育场景里落地，推理能力需要不断提升，结构化引导至关重要。
以下为陈建华演讲全文：
学习的本质
大家下午好，非常高兴来到量子位AIGC产业大会，来分享我们在AI赋能教育领域探索和实践的经验。可能在座的有些朋友对粉笔还不太熟悉，我先简单做一个介绍。
粉笔成立于2015年，是一家专注于职业考试培训的互联网教育公司，核心业务主要是公务员、事业单位、教师、考编、考证类培训，通过持续的产品创新和技术探索，我们构建了“教、学、练、测、评”一体化学习闭环，推出了题库、模考、课程、直播、社区、招考等多个受用户欢迎的功能模块。
在嵌入AI落地之前，我们想简单地谈一下我们对教育本质的理解。
我们把整个学习的过程分成了四个阶段：
第一个阶段是感知阶段。这个阶段其实是一种对概念的死记硬背，这时候会对知识有一个初步的理解。
第二个阶段是理解阶段。这时候开始真正地理解知识和概念的本质和内在逻辑，而不仅仅是表面记忆。
第三个阶段是实践阶段，即利用理解的知识解决实际的问题，再在不断的实践中加深对知识的理解。
最后是创造阶段，这个时候随着不断的实践和理解，我们会慢慢形成自己的知识体系。此时，知识才会变成自己的知识。
从阶段划分上可以看到，学习就是不断从输入到输出，再不断重构输入的循环过程，不是一蹴而就的。
因此，大模型落地教育，我们认为有4个特点。
第一是聚焦学会，而不是只关注答案正确。
教育领域里不管听课也好、做题也好，都只是一个过程，目标都是为了学会，然后在其他地方更好地做题或者解决问题。
第二是学习的主动性存在巨大挑战。大家也都知道学习是非常反人性的，需要克服自身的惰性或者心理障碍，激发学习主动性是极具挑战性的任务。
第三，所有的培训教育一定有一套教研体系，确保培训内容的科学性、系统性和有效性。
最后一点需要额外强调的，教育是非常严肃的场景，对准确率要求非常高。
教育领域里面有一个“不可能三角”：大规模、高质量、个性化。
三者很难兼得。比如，大班课实现了大规模和高质量，但牺牲了个性化；一对一解决了个性化和高质量，但却难以实现大规模的应用。
但是大模型的出现正在打破这个不可能的三角，让这个不可能三角变成了可能。
大模型教育应用的三个阶段
粉笔探索大模型在教育领域的应用分成了三个阶段。
第一个阶段是2023年，主要聚焦在三个关键词：内部、有限制、小场景。
我们最开始尝试解题，当时模型能力比较有限，正确率比较低。我们尝试用大模型进行解析发现，解析可能跟我们教研体系不太符合。但有些偏主观类场景里，给出点评框架后，大模型的效果还是非常不错的。
这个阶段我们意识到，大模型想要在教育场景里落地，推理能力仍然需要不断提升，结构化引导至关重要。
第二个阶段，我们在2024年7月份正式推出粉笔AI老师，标志着我们从单点场景慢慢走向系统化多场景融合。
粉笔AI老师主要聚焦在答疑和辅导的场景，支持十大核心的场景、上百种细分场景。
AI老师的主要实现方案是RAG+垂域模型，用户提问后先进行识别，通过RAG系统获取对应场景的数据，通过垂域模型生成对应的回答。
前面提到教育是严肃场景，对准确率要求比较高，因此我们在大模型落地中要尽可能降低幻觉的出现。基于我们积累的高质量知识库数据以及对场景和需求的洞察，通过RAG系统可以极大降低幻觉。
另外，业界对于垂域模型争议比较大。从我们角度看，垂域模型开发其实是非常有必要，职业教育的考试有自己一套全面结构化的比较有特色的考察体系，基于我们独有的高质量数据还有教员对于教学方法、教学经验的积累，还有我们对于用户学习行为的洞察，开发垂域模型能保证我们用更小模型、更低成本，实现更好的效果。
我们的垂域模型在题目答疑核心场景中，评分比通用模型优化之后高0.2分以上，尤其是一些在言语、判断推理和常识等科目上，表现的会更好一些。
在我们对AI老师的探索中，也有一些收获：
第一，提问的门槛其实很高。虽然AI老师已经有了非常好的辅导和答疑能力，我们发现用户在实际使用过程中主动提问的比例还是远低预期的。
很多用户并不知道怎么提问，甚至没有提问的意识，所以提问本身就是需要引导和训练的能力。
第二，在学习场景里，LUI（语言交互界面）对话的形式可能不是非常高效的交互模式。对大多数用户来说，图形界面结合对话的混合交互才是更合适的方案，主动学习需要跟被动学习深入结合。
第三是学习方式高度多样化。用户的学习行为非常不标准，展现出极大的个体差异，学习时长、学习路径、学习习惯等等都有非常大的差别。
前两个阶段的积累下，粉笔在2025年正式推出AI系统班，基于大模型、数字人还有TTS等语音技术推出AI时代全新产品，区别于传统的系统班。AI系统班是个系统性课程，全程由AI老师来驱动学习流程。
我们为AI系统班定义了四个特性：
第一是个性化的学习方案。基于对用户当前水平的精准评估，我们能够为每一个学员量身定制学习方案，而且会随着用户学习过程中的表现和反馈不断进行动态优化，实现真正意义上的因材施教。
第二是学习过程更具人味。我们不仅仅提供学习任务，而且为每一个学习步骤提供清晰的解释和引导，帮学生学习理解为什么这么学，下一步怎么学，这样的设计让整个学习过程更具温度，让学员更有方向感。
第三是启发式答疑。答疑过程中系统采用启发式方式引导学员思考，避免直接给出答案，以促使学员主动构建自己的知识体系，提升理解的深度。同时基于对答题过程中表达方式、错误模式的综合分析，AI能够智能识别出用户的薄弱点，实现更具针对性的学习支持。
第四点，区别于传统排课制教学模式，AI系统班具有更强的灵活性和主动性。大模型支持下，学员可以根据自己时间安排自由学习，不被固定的时间表所限制，真正做到以学生为中心的自驱式学习。
为了实现个性化学习体验，我们还引入了记忆系统，让大模型不仅聪明而且有记忆。这里主要分成三个关键组成部分：
第一部分是用户行为记录和画像，通过对用户做题、听课等等各种行为的记录，以及行为习惯和兴趣偏好等多维数据建模，构建出动态更新的用户画像，为个性化推荐和内容生成提供一个基础。
第二部分是短期记忆，根据用户跟AI老师的短期交互，响应用户提问。
第三部分是长期记忆，在用户跟AI老师长期交互的过程中，不断抽取学员核心信息放入记忆仓，帮助系统形成对用户学习风格能力演进的深度理解，制定中长期的学习策略和目标的引导。
我们始终坚信有多少Context，就有多少个性化，上下文信息是个性化基础，只有在充分理解用户当前状态、历史轨迹和学习目标前提下，大模型才能为每一个学员生成适合其需求的内容和路径，实现因人而异的智慧学习。
以上是我们此前的探索，展望未来，我们在大模型赋能教育领域的实践上面，主要聚焦以下两个关键的方向：
第一个方向是多维度的个性化升级。
当前个性化其实主要是聚焦在知识水平和学习行为，我们相信个性化的空间远不止于此，未来我们会探索更多个性化维度，包括学习风格、认知偏好、情绪状态、学习的动机等等，让每个学员都能获得更贴合自身特质的学习体验。
第二个方向是三维一体的AI老师形态。
我们正在探索构建一个更立体更具沉浸感的AI老师形态，融合文字交互、语音沟通和白板演示三种能力，形成可对话、可聆听、可演示的三位一体的AI老师形态。
这种多模态的交互方式，不仅能提升教学的实时性和响应效率，更贴近人类真实的教学场景，也能更好满足不同用户在不同场景的学习需求，让理解变得更自然，学习也会更高效。
通过持续深化个性化构建更具沉浸感与互动性的AI教师形态，我们希望推动教育从智能化迈向智慧化，真正实现以人为本的未来学习方式，谢谢大家。
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
