1.1 近期AI教育新闻热点事件盘点
我翻了一圈过去三个月的AI教育新闻，最直观的感受是——事情变得太快了。年初大家还在讨论DeepSeek对教育行业的冲击，转眼间各类教育大模型就已经铺天盖地地涌进校园了。前阵子有个事儿特别火，某地一所中学在期中考试里引入了AI辅助命题系统，结果数学卷子最后一道大题被AI“超纲”了，难度直接对标竞赛题，学生考完出来一片哀嚎，家长群当晚就炸了锅。这件事被各路自媒体转了好几轮，有人夸AI命题有创意，有人骂学校拿学生当小白鼠。我仔细看了那份试卷，说实话，那道题出得确实漂亮，但放到普通期中考试里，确实不合适。
另一个让我印象很深的事儿，是教育部在四月份发布的那个《中小学人工智能通识教育指南》。这个文件出来之后，我朋友圈里做教育科技的人几乎都在转，热度持续了差不多一整周。指南里提到要把AI通识教育纳入中小学课程体系，还特别强调了“不得简单复制高校课程内容”。这句话被很多人解读为对当下AI教材低水平重复现象的敲打。我认识的一位教研员跟我说，他们区里已经在紧急调整下学期的拓展课方案了，原来准备的那套Python入门直接砍掉，换成更贴近生活场景的AI应用体验课。
还有个事儿挺有意思的，五月份的时候OpenAI发布了一个专门面向K-12教师的功能模块，能自动生成分层作业和课堂讨论提纲。消息传到国内，在线教育公司的朋友连夜开会讨论对策。不过从实际反馈来看，这个功能对国内市场的直接冲击有限，毕竟数据合规和本地化适配这两道坎摆在那里。但大家心里都清楚，这种“狼来了”的紧迫感，一次比一次真实。
1.2 AI教育新闻传播渠道与舆论关注焦点
我观察到一个很明显的分化——AI教育新闻的传播渠道正在快速分层。抖音和小红书上，最火的内容永远是“AI带娃”或者“AI辅导作业翻车现场”这类生活化话题。一条“我用AI给孩子讲了一道奥数题结果它自己先绕晕了”的视频，点赞能到几十万。评论区里家长们分成两派，一派觉得AI不靠谱，另一派觉得是家长不会用提示词。这种讨论虽然看着热闹，但其实很少触及教育本质问题。
真正深度的讨论还是在公众号和行业媒体上。我常看的几个教育科技垂直号，最近几个月的高频关键词是“人机协同”“教师数字素养”“生成式AI的认知外包风险”。有一篇分析AI作业批改准确率的文章让我印象很深，作者用了一个月时间对比了六款主流产品在作文批改上的表现，结论是——AI对语法错误的识别已经接近人类教师水平，但在评价立意和情感表达方面，差距依然明显。这类内容传播量不算大，但在教师群体里的转发率特别高。
舆论关注焦点还有一个很有意思的转向。年初大家还在争论“AI会不会取代教师”，现在这个讨论基本上已经退潮了。取而代之的是更具体的问题：AI生成的教案版权归谁？学生用AI写作业算不算作弊？学校采购AI产品的时候怎么评估效果？我儿子的班主任上个月在家长会上专门花了二十分钟讲这些事，能感觉到一线教师对AI的态度正在从焦虑转向务实。大家关心的不再是“要不要用”，而是“怎么用才不出事”。
1.3 季度与年度AI教育趋势速览
回看今年前两个季度，AI教育领域有几个趋势线索越来越清晰。春季学期刚开始的时候，大家的注意力还集中在大模型本身的能力突破上，DeepSeek-R1发布那会儿，几乎每所学校的教研群里都在传“AI能做高考数学压轴题了”。但到了四五月份，话题重心明显转向了应用落地。我统计了一下我关注的三十多个教育类公众号，三月份的关键词是“颠覆”“震撼”“里程碑”，五月份就变成了“试点”“融合”“常态化应用”。这个词频变化本身就说明了很多问题。
从年度视角来看，有三个方向我觉得值得持续跟踪。一个是AI教育产品的“去魅化”过程。去年很多产品发布会都在强调参数和跑分，今年越来越多的厂商开始晒真实课堂数据——比如某款智能备课系统公布了自己的教师周活跃留存率是67%，这个数字比任何技术指标都有说服力。另一个趋势是区域化差异在拉大，北上广深的名校已经在探索AI与项目式学习的深度融合了，而不少县域学校还在为“有没有稳定的网络环境”发愁。这种差距不是技术能自动弥合的。
还有一个信号我特别在意——关于AI教育效果的实证研究开始多起来了。以前大家谈AI教育，引用的数据大多是厂商自己发布的案例报告，现在我看到好几篇独立学术论文在追踪AI辅助教学对学生长期学业表现的影响。结论虽然还不一致，但这种基于证据的讨论氛围，比任何热闹的新闻都更让我觉得踏实。毕竟教育这件事，最终还是要看孩子身上发生了什么变化。
2.1 国家与地方AI教育政策发布及核心要点
我最近养成一个习惯，每周一早上先刷一遍教育部官网和几个试点省份的教育厅页面。过去这几个月，政策发布的密度明显上来了。最重磅的当然是教育部那份《中小学人工智能通识教育指南》，这份文件我逐字逐句读了三遍。它把AI通识教育的目标分成了认知、应用、伦理三个层面，每个层面又按学段做了细化。小学阶段强调“感知与体验”，初中阶段要求“理解与初步应用”，高中阶段则指向“系统思维与创新”。这种分层设计比之前很多地方搞的“一刀切”式编程课要科学得多。文件里还有一句话我划了重点——“避免将人工智能教育等同于编程教育”，这句话直接回应了前两年各地一窝蜂开Python课的现象。
地方层面的动作也很快。北京市教委四月底发了一个三年行动计划，我仔细对比了一下，它和教育部指南最大的不同在于对“课时保障”的表述非常具体——小学每周不少于一课时，初中阶段鼓励与信息科技课融合实施。这个“不少于一课时”在校长圈里讨论很热烈，因为这意味着排课表要动真格了，不是搞几场讲座就能应付过去的。上海市的方案更侧重跨学科融合，我印象很深的是它提出“AI+艺术”“AI+体育”这类组合，试图避免AI教育变成又一个孤立的学科。
广东省的政策文件我是在一个周五晚上看到的，当时刚哄完孩子睡觉，坐在客厅里用手机翻完了全文。它有个提法我觉得特别务实——“不搞统一教材，鼓励区域特色”。这个和江苏某些地市强调“统一教学平台”的思路形成了有意思的对照。我把两份文件转给了一位在苏州做教研员的朋友，他回了我一句：“统一平台有统一的好处，但特色化才有生命力。”这句话让我想了很久。政策文本背后的治理逻辑差异，可能比文件本身更值得琢磨。
2.2 课程标准、师资建设与数据安全法规影响
新课标里关于AI的表述，我前后找了几个不同版本的解读来对照看。义务教育信息科技课程标准里，AI相关模块的占比确实比上一版有明显提升，但更关键的变化在评价方式上。我注意到修订后的课标在“学业质量”部分专门增加了对AI模块的表现性评价建议，强调“不追求标准答案，关注问题解决过程”。这个信号对一线教学的影响会慢慢显现出来。我认识的一位小学信息科技老师跟我说，他们区里这学期的期末测评已经改成让学生用AI工具完成一个“校园问题解决方案”了，不再考知识点填空。
师资这件事，我的感受比较复杂。政策文件里反复提“教师数字素养提升”，各地也在搞培训，但培训质量参差不齐。我旁听过一场区级的AI教学培训，讲师在上面演示怎么用大模型生成教案，台下不少老师全程在改作业。培训结束后我和几位老师聊了聊，他们的反馈很直接——“理念都懂，但回到学校还是不知道怎么用”。不过也有让我振奋的例子，深圳南山区搞了一个“AI教学种子教师”工作坊，采用连续六周的浸泡式研修，每位老师要完成一个真实的AI融合教学案例设计。这种做法的效果比听半天讲座强太多了。
数据安全法规的影响，我是从一个教育科技公司朋友那里感受到切肤之痛的。他所在的公司原本有一款很受欢迎的作文批改产品，学生上传作文后AI会自动生成评语。今年三月他们突然下架了部分功能，原因就是《生成式人工智能服务管理暂行办法》对未成年人个人信息保护提出了更严格的要求。他跟我说，合规团队那段时间每天都在加班，重新设计数据采集和存储流程。“以前我们觉得数据是资产，现在觉得数据是责任。”这句话我记在了笔记本上。政策对产品形态的塑造力，有时候比技术本身还大。
2.3 政策落地进展、区域试点与新闻反响
落地进展这件事，我觉得不能光看官方通稿。我四月份去了一趟成都，专门跑了三所不同层次的学校看AI教育试点情况。最让我意外的是那所普通公办小学，他们没有采购昂贵的AI教学系统，而是用开源模型和教师自制的提示词库，在语文课上做“AI辅助修改作文”。校长跟我说了一句话：“我们不追求先进，只追求可用。”这所学校的做法后来被当地媒体报道了，标题用的“低成本AI教育样本”，传播效果意外地好。相比之下，我参观的另一所名校投入了近百万建智慧教室，但老师们私下告诉我，很多功能“就公开课用一下”。
区域试点的新闻反响也很有意思。教育部公布了第一批中小学人工智能教育基地名单之后，我注意到社交媒体上的讨论出现了明显的“地图炮”倾向——有人统计了名单里各省份的入选数量，然后开始争论教育资源分配是否公平。这种情绪背后其实是一个真问题：AI教育试点会不会加剧校际差距？我后来在一个教育政策论坛上听到一位专家的回应，他说“试点本身不是问题，问题在于试点经验能不能有效扩散”。这个回答很理性，但在舆论场上显然不如“名单争议”吸引眼球。
新闻反响里还有一个我观察到的细节。政策文件发布后，最先做出反应的往往不是学校，而是教育科技公司。我关注的好几家AI教育企业，在教育部指南发布后的一周内就推出了“政策解读+产品方案”的直播，有的还连夜更新了官网上的“政策适配”页面。这种商业嗅觉让人佩服，但也让我有点警惕——当政策解读被产品营销裹挟的时候，一线教师听到的声音是否还能保持客观？我后来在朋友圈写了一段话：“政策是骨架，产品是血肉，但教育最终要靠教师去赋予灵魂。”这句话被不少老师转了，可能他们也感受到了同样的张力。
3.1 校内教学应用案例：智能备课、个性化学习与自适应评测
我上个月去杭州一所初中旁听了一节数学课，课前数学教研组长给我看了他们这学期开始用的智能备课系统。她在系统里输入“一元二次方程”和“班级中等偏下水平”两个关键词，十秒钟不到，一份包含分层练习、易错点提示和课堂互动建议的教案框架就弹了出来。她跟我说，以前备这节课要翻三四本教辅、花两个小时，现在二十分钟就能定稿，省下来的时间她用来琢磨怎么给班上那几个跟不上进度的孩子做单独辅导。这套系统是区教育局统一采购的，没有花学校一分钱，但她说了一句让我琢磨了很久的话：“工具好用，可要是哪天断网了，我还能不能上出同样质量的课？”
个性化学习这块，我跟踪了深圳南山区一所小学的试点班整整一个学期。班上每个孩子都有一个AI学习助手，数学作业的难度会根据前一天的答题情况自动调整。班主任给我看了后台数据，最让我意外的是一个平时数学成绩中不溜的男孩，系统给他推送的题目中有一类“图形规律”题他连对了十二次，老师据此调整了课堂提问策略，这孩子期末数学考了全班第三。但也不是没有槽点。一位家长私下跟我抱怨，说她女儿发现系统有个“漏洞”——连续做错三次题难度就会降下来，于是故意做错来偷懒。这个细节让我笑了很久，也让我意识到，任何自适应系统都逃不过孩子的“反自适应”。
自适应评测的新闻最近挺多。我读到一个区级统考的数据分析报告，说引入AI阅卷后，主观题评分的一致性比人工阅卷提高了不少。但更值得说的是一个我采访过的语文老师，她告诉我现在作文批改系统能标出“论据与论点匹配度”这样的维度，可她反而更累了——“以前我凭直觉给分，现在系统给我一堆数据，我得花更多时间判断哪些建议该采纳、哪些会误导学生。”她的原话是“AI让我从阅卷者变成了审阅AI的人”。这个角色转换带来的工作量变化，好像很少在那些“AI减负”的新闻通稿里被提及。
3.2 校外培训与终身学习案例：AI导师、语言学习与技能提升
语言学习是我体验最深的一个场景。今年年初我开始用一款AI口语陪练产品，每天晚上和它聊十五分钟。前两周感觉很新鲜，它会纠正我的发音、提示更地道的表达。到第三周我慢慢发现一个问题——它永远耐心、永远不生气，但我反而失去了开口前的紧张感，而那种紧张感恰恰是真实对话中让我集中注意力的东西。我后来在报道里看到一位语言学教授的观点，他说AI语言陪练最擅长的是“降低开口门槛”，但无法替代真实交流中的社交压力和情感博弈，这两样东西才是语言能力真正内化的催化剂。这话我认同一大半，但也不完全——对于那些在小城市找不到外教的学习者来说，AI陪练可能是他们唯一能获得的即时反馈。
技能提升类的案例我关注了一家做编程教育的公司。他们去年底上线了AI导师功能，学员写代码卡住的时候，AI不会直接给答案，而是用提问的方式引导排查。这个设计思路我觉得挺聪明，因为编程学习最大的痛点不是“不知道答案”，而是“不知道自己哪里错了”。他们公布的数据显示，接入AI导师后学员的完课率提升了将近两成。但我跟一位学员聊过，他说有时候AI的提问会绕圈子，绕了七八轮还没点到要害，“急得我想砸键盘”。这个细节提醒我，AI导师的“引导式教学”在实际体验中，耐心程度可能比教学效果更早受到考验。
终身学习这个赛道，我注意到一个比较有意思的新闻。一家在线教育平台推出了面向职场人的“AI学习路径规划”服务，用户输入目标岗位和现有技能后，系统会生成一条学习路线，并且根据用户每天的实际学习进度动态调整。我试用了一次，生成的路径还算合理，但有一个让我哭笑不得的地方——它给我推荐的第一门课是我三年前就学过的内容。这暴露了AI在“技能评估”环节的精度问题：它知道我学过什么，但不知道我掌握到什么程度。这个案例后来我和几位做职业培训的朋友聊起，他们的一致反应是“评估颗粒度不够，规划就是空中楼阁”。
3.3 教育治理应用案例：智能评测、招生管理与学情预警
教育治理这个层面，我接触到的案例更多来自教育管理者和技术供应商的讲述。浙江某地级市教育局用AI系统做区域学业质量监测，以前需要人工分析几万份试卷、花两周出一份报告，现在系统两天就能生成，还能自动识别出某几所学校的某个知识点教学存在普遍薄弱。一位教研室主任跟我说，最大的变化不是速度快了，而是“从看平均分变成了看知识图谱上的断裂点”。但我问他这些分析结果如何转化为教学改进时，他停顿了一下，说“这是下一步要解决的问题”。从发现到行动之间的那条路，好像比从数据到报告的那条路要长得多。
招生管理方面，我了解到几个区已经在用AI辅助进行学位预测和资源调配。有一个典型案例是成都某新区，教育局用AI分析人口流入趋势和学校容量，提前一年预测到某片区小学学位缺口，及时启动了新校区建设。这个案例被当地媒体做了正面报道，标题用了“AI让教育规划有了预判力”。但我后来在一份内部研讨材料里看到另一个数据：同一年另一个区也用了类似系统，预测结果却和实际入学人数差了将近两成，原因是系统没有纳入几所新建楼盘集中交付这个变量。技术能处理历史数据的规律，对“黑天鹅”式的地方性突变依然无能为力。
学情预警是我觉得最需要谨慎对待的应用。我采访过一所农村中学的校长，他们上学期试用了某平台提供的“辍学风险预警”功能，系统根据出勤、成绩波动、作业提交情况等数据，标出了二十多个“高危”学生。校长说一开始他们如获至宝，但后来发现系统标出的“高危”名单里，有好几个是体育特长生和艺术特长生，这些孩子成绩波动大是因为训练和比赛安排，根本不是辍学前兆。后来他们调整了预警指标，加入了班主任的主观判断，才让误报率降下来。这个案例让我想了很多——AI在治理场景中最危险的地方，可能不是技术不成熟，而是我们太容易把它的输出当成客观真相，忘了它只是在计算相关性。
我还注意到一个细节。那所学校的校长最后跟我说了一句话：“预警系统给了我们一张网，但捞不捞、怎么捞，还得靠人。”这句话我写在了采访本的第一页。教育治理里的AI应用，最终要回答的可能还是这个老问题——数据能告诉我们“谁可能有麻烦”，但只有人能决定“要不要伸手、怎么伸手”。
4.1 大模型、生成式AI与教育智能体新品发布
这几个月我试用了一款号称“教育专用大模型”的作文辅导工具，输入一个题目，它能生成三篇风格不同的范文，还能根据学生写的段落实时给出“逻辑连贯性评分”。技术团队负责人跟我视频聊了一个多小时，反复强调他们的模型是“在教育语料上从零预训练的”，不是拿通用模型改的。我问他预训练数据从哪儿来，他说主要是公开的教材、教辅、历年满分作文，还有一部分是和学校合作的匿名化学生习作。我追问“匿名化学生习作”这个环节怎么保证合规，他停顿了两秒，说“跟合作校签了协议”。这个停顿我记得很清楚，因为在那两秒里我脑子里闪过的是另一个问题——这些作文数据里藏着多少孩子的思维习惯和表达特征，一旦模型记住了，算不算另一种形式的“留痕”？
教育智能体的发布最近扎堆。上周我同时收到三家公司的发布会邀请，两家做“AI班主任助理”，一家做“AI教研员”。我去了其中一场，现场演示的AI班主任助理能自动整理班级群消息、生成周报、标记需要重点沟通的家长，还能模拟“温和但坚定”的语气给家长发通知。台下有人鼓掌，我旁边一位从教十五年的小学老师小声跟我说：“它模仿我说话的语气，比我自己拿捏得还像。”这话听着像夸奖，但我看她表情不太对。发布会结束后的茶歇上她跟我多聊了几句，说她最不安的是“如果AI能把班主任的语言风格复制到八分像，那家长到底是在跟谁沟通？我本人的判断力和情绪感知力在这个过程里还剩下多少空间？”
生成式AI进课堂的新闻里，我看到一个很具体的案例。北京一所中学的信息技术课上，老师让学生用AI生成一段“未来校园”的想象文，再用绘图工具把文字变成概念图。学生的参与度很高，但老师后来在教研反思里写了一句我印象很深的话：“学生学会了怎么问AI才能得到想要的答案，但还没学会怎么判断这个答案值不值得要。”这句话被我抄在笔记本上，因为它点出了一个很隐蔽的转向——技术越强大，提问能力和辨别能力就越核心，可我们的评价体系好像还没跟上这个变化。
4.2 教育硬件、VR与AR及智慧课堂技术进展
教育硬件这半年最热闹的是“AI学习本”这个品类。我上个月去深圳华强北转了一圈，一个档口的老板拉着我看了七八款不同品牌的AI学习本，从七八百到三四千的都有。他拿起一台标价两千多的跟我说：“这个卖得最好，屏幕能监测坐姿，前置摄像头能识别孩子有没有走神，后台还能给家长推专注力报告。”我问他这些功能准不准，他笑了笑说“家长觉得准就行”。这句话让我琢磨了很久。硬件厂商在堆传感器和算法的时候，有没有想过一个根本问题——孩子知道自己被实时监测时，他的学习状态还“自然”吗？我后来在一篇学术论文里看到类似的观点，说“监控式学习环境”可能短期提升表面专注度，长期却削弱内在学习动机。这个结论还需要更多实证，但方向值得警惕。
VR和AR在教育里的进展比我预想的慢，但也有亮眼的地方。我戴上一套职教VR设备体验了“虚拟焊接”课程，手柄有震动反馈，面罩里能看到火花飞溅，操作失误时会模拟出“焊缝气孔”的视觉效果。带我的技术员说这套系统已经在一家技校投用了，学生的实操考核通过率提升了三成。我问他那是不是可以替代真机操作了，他摇头说“只能替代前二十个小时的入门训练，手感、温度、材料变形这些东西VR给不了”。这个回答让我对VR教育的定位有了更具体的理解——它可能最适合做“高成本、高风险、高损耗”环节的前置替代，而不是全面模拟。另一位做特殊教育的朋友告诉我，他们用AR给听障儿童做手语互动训练，效果比传统卡片好很多，因为AR能把抽象的手势空间位置可视化。这个方向好像很少被商业报道关注到，但我觉得意义不小。
智慧课堂的技术进展里，我看到一个让我有点意外的新闻。某地教育局采购了一批“AI课堂行为分析系统”，能通过教室摄像头识别学生的抬头率、举手次数、互动时长，自动生成课堂专注度曲线。新闻稿里说这是“精准教学管理”的突破，但我采访的一位初中班主任算了笔账——系统一节课生成的数据报告有八页，她要看十五分钟才能提炼出两三条有用信息。她跟我说了句大实话：“我站在讲台上扫一眼就知道谁没跟上，系统用八页纸告诉我同样的事，还经常把低头记笔记识别成走神。”这个案例让我想，教育场景的数据采集精度和教学判断的颗粒度之间，可能还差着好几个数量级。
4.3 产品评测、用户体验与规模化应用新闻
产品评测这块我最近做了一次“盲测”。我找了五位不同学科的老师，让他们分别试用三款主流的AI备课工具，不告诉他们品牌，只记录操作时间和最终教案质量。结果挺有意思——得分最高的那款工具在“生成速度”上只排第三，但它的“修改建议”最贴合老师原本的教学风格。一位参与测试的语文老师说：“有的工具生成的教案很漂亮，但不像我写的，我得从头改；这个工具给的建议像是‘帮我改了改’，省力多了。”这个细节让我意识到，教育产品的竞争力可能不在“能不能生成”，而在“生成的东西能不能融入使用者原有的工作流”。
用户体验方面，我跟踪了一个区级“AI作业批改系统”的规模化落地过程。第一周老师们很兴奋，第二周开始有老师反映“系统把‘解’字识别成‘触’字”，第三周有家长在群里质问“为什么孩子的应用题被扣分但系统没标出错在哪里”。项目负责人后来跟我说，他们花了一个月调模型、补数据，但真正让老师接受这个系统的转折点是一次教研会上，一位老教师说“它批得比我快，但错的地方得我来定”。这句话被写进了项目总结里，成为“人机协同”的注脚。我后来想，规模化应用的关键可能不是技术多完美，而是能不能在系统里给“人的判断”留一个显眼的位置。
我还注意到一个现象。几家教育科技公司都在推“AI学习伴侣”概念，宣传语从“精准提分”变成了“陪伴成长”。这个话术转向我觉得挺值得琢磨。一位产品经理私下跟我说，家长对“提分”的承诺已经疲劳了，而且监管也不让说，所以改说“陪伴”。但他说了句让我愣住的话：“其实AI陪伴的核心卖点还是提分，只是换了个更软的说法。”这个细节提醒我，看产品新闻不能只看发布会PPT上的词换了什么，得看后台的数据指标有没有变。如果推荐的题目还是按“提分效率”排序，“陪伴”就只是一层包装纸。另一个让我印象深刻的规模化案例来自一所县中的“AI双师课堂”，他们把成都七中的直播课和本地AI答疑系统结合，一个学期后本科上线率涨了八个百分点。校长跟我说“AI解决的是我们请不到好老师的问题，但解决不了学生需要被看见的问题”。这句话我记了很久，因为它把技术能做什么和不能做什么划得很清楚。
5.1 融资并购、企业动态与竞争格局
我翻了一下近三个月的融资记录，AI教育赛道一共发生了十一笔公开融资，数量比去年同期少了差不多四成，但单笔金额明显变大。最大的一笔是某家做“教育大模型”的公司拿了三亿多人民币，投资方是两家产业基金和一家地方国资。我约了其中一位投资经理喝咖啡，他跟我说他们看这个项目看了八个月，最打动他们的不是模型参数，而是这家公司已经进了两千多所学校，后台有真实的作业和考试数据闭环。“光有技术的团队我们见太多了，能拿到场景数据的没几个。”他这话我琢磨了一路。上一章我聊产品同质化的时候，就隐约觉得数据会变成真正的护城河，现在这个判断被投资人证实了。
并购那边也有动静。一家做智慧课堂硬件的上市公司收购了一个做语音评测的小团队，金额没披露，但被收购方的创始人是我朋友的朋友。我托人问了一句，对方回话说“独立融资太难了，卖给上市公司至少团队能保住，产品能继续迭代”。这话听着有点心酸，但也是现实。我还注意到一个变化：以前AI教育创业者路演，PPT第一页写“技术领先”，现在第一页写“已覆盖XX所学校，续费率XX%”。一位FA朋友跟我说，现在投资人问的第一个问题永远是“你的数据从哪来，合规吗”，第二个问题是“学校买单还是家长买单”。学校买单周期长，家长买单监管风险大，两个答案都有硬伤。
竞争格局越来越像“两头挤”。一头是互联网大厂，他们用云服务和通用大模型切教育场景，报价低到创业公司没法跟。另一头是地方性的小团队，他们跟当地教育局关系深，拿单能力强，技术糙一点但能用。夹在中间的创业公司最难受。我参加了一场行业闭门会，某公司CEO在台上说了一句“现在不是比谁跑得快，是比谁活得久”，台下好几个人点头。会后我跟他聊了几句，他说他们去年砍掉了C端业务，全员转B端，营收降了一半但现金流正了。“先活着，再谈增长。”这句话我记在了本子上，跟上一章那位县中校长说的“AI解决不了学生需要被看见的问题”放在同一页。
5.2 校企合作、区域示范区与产业链协同
上个月我去了一趟华东某市的“AI+教育”示范区，当地教育局联合三家企业建了一个“智慧教育大脑”。企业出技术和算力，学校出场景和数据，政府出政策和场地。项目负责人带我看了一圈，最让我意外的是他们对数据归属权的处理——原始数据归学校，脱敏后的特征数据企业可以用，但不得对外转让。我问他这个协议怎么谈下来的，他说谈了整整一年，中间差点崩了。“企业想要原始数据，学校怕出事，后来各退一步。”这种细节在新闻稿里从来不会写，但我觉得比任何宏观数字都有价值。我问他企业怎么回本，他说目前是政府购买服务，三年后可能转成学校按年付费。“三年后的事谁也说不准，先跑起来。”
另一个区域的做法更激进。某高新区搞了一个“AI教育产业园”，聚集了十几家做教育科技的公司，园区给入驻企业提供算力补贴和学校对接，条件是产品必须在本地学校先试用一学期。我看了入驻名单，有做智能批改的、做虚拟仿真的、做教育机器人的，还有一家做AI芯片的。芯片公司的市场负责人跟我说，教育场景对芯片的要求很怪——要低功耗、低成本、能离线运行，因为很多学校网络不稳定。“我们改了三次架构，才把功耗降到能塞进学习机。”这种产业链上的小需求，往往决定了技术能不能真正落地。我后来想，区域示范区的价值可能不在“示范”，而在把分散的需求集中起来，让上游供应商愿意为教育场景做定制。
跨区域合作也有新玩法。东部一家教育科技公司和西部一个县签了协议，免费提供AI双师课堂系统，条件是县里提供试点数据和案例授权。企业负责人跟我说这是在“买场景”，因为西部学校的班额大、师资缺，是检验产品的好地方。我问他数据合规怎么处理，他说只采集教学行为数据，不涉及个人信息。这个说法我持保留态度，但商业逻辑上确实成立。我采访的一位教育公益组织负责人对此有不同看法，她说“企业用免费换数据，最后数据产生的价值可能远超设备成本，县里其实吃亏了”。这个视角我之前没想过，写在这里供你参考。
5.3 商业模式创新与盈利路径新闻分析
我梳理了一下目前AI教育公司主要的赚钱方式，大概有五类：政府购买服务、学校订阅、家长订阅、硬件加内容、效果分成。效果分成最吸引我。一家做AI提分系统的公司和几所学校签了对赌协议——学生平均分没提升就不收费。我找到这家公司的创始人聊了一个小时，他说他们只敢接生源中等偏上的学校。“差学校提分空间大，但数据质量太差，模型跑不动。好学校不需要提分，也不愿意冒风险。”这个坦白让我意识到，效果分成听起来很酷，实际上门槛极高。他后来补了一句：“对赌协议签了六所，真正跑出正向结果的只有三所，另外三所我们退费了。”退费的钱是从其他项目利润里补的，这种模式规模化很难。
另一种模式是“AI学习机加内容订阅”。硬件一次性收费，内容按年续费。我看了几家公司的公开数据，续费率在百分之三十到五十之间。一位产品经理私下跟我说，家长买学习机很多是冲动消费，孩子用三个月就闲置了，续费自然低。“我们试过做打卡奖励、家长社群，效果都一般。核心问题是学习机解决不了‘孩子不想学’这件事。”这句话挺扎心的，但也是事实。我后来想，硬件加内容的模式能不能跑通，取决于产品能不能让孩子持续打开它，而不是取决于AI功能有多强。
盈利路径上，B端比C端稳，但回款慢。我采访了一位给学校做AI阅卷系统的创业者，他说一个区级项目从签约到回款要九个月，公司现金流压力特别大。他后来开发了一个轻量版给培训机构，单价低但回款快，用这个现金流养学校项目。这种“以短养长”的策略我听到好几个创业者在用。还有一家公司把AI教育能力开放给其他行业，用批改作业的OCR技术去做保险单识别，用语音评测技术去做客服质检。他们跟我说“教育场景锤炼出来的技术，降维到其他行业有优势”。这个思路让我觉得，技术溢出可能比单纯卖教育产品更赚钱。我跟一位投资朋友聊起这些模式，他说他现在最怕听到“平台”两个字。“教育行业双边都分散，平台很难形成网络效应。我更愿意投单点突破的项目，比如只做数学批改，做到极致再扩科。”这个逻辑我觉得挺务实，也呼应了前面那位FA朋友说的“先问数据从哪来，再问谁买单”。
6.1 数据隐私、算法偏见与学术诚信争议
前阵子我旁听了一场教育科技行业的内部研讨会，本来议题是产品迭代，结果第一个发言的人直接把话题拐到了数据隐私上。他讲了一件真事：某地一所中学采购的AI学习系统，后台默认开启了摄像头权限，家长毫不知情，直到有学生发现电脑右上角的指示灯一直亮着。事情捅到教育局，项目紧急叫停，但数据已经跑了快两个月。我听完背后发凉。上一章我聊商业模式的时候，反复提到“数据是护城河”，这条护城河底下埋的是什么，当时没细想，现在这个事让我不得不细想。护城河里流的是学生的脸、答题习惯、错题分布，甚至情绪状态，这些东西一旦泄露或者被滥用，后果比商业失败严重得多。
后来我专门去找了一位做教育数据合规的律师聊。她跟我说，现在很多AI教育产品的用户协议长得离谱，家长点“同意”的时候根本不知道自己在授权什么。“有的协议里写着可以将脱敏数据用于模型训练，但脱敏到什么程度、谁来判断脱敏是否彻底，完全没有说明。”她经手过一个案子，某AI作文批改工具把学生习作上传到公开语料库，虽然做了匿名化，但习作里的具体事件和地名组合起来，能定位到具体学校和班级。这种“再识别”风险在行业里被严重低估。我把这事讲给一位做产品的朋友听，他沉默了一会儿说，他们公司上周刚把用户协议从八千字压缩到两千字，“法务不同意，但我拍板了，家长不会看的东西，写得再多也是自欺欺人。”
算法偏见的问题更隐蔽。我采访过一位在西部县城做AI教学试点的老师，她跟我说，AI推荐系统推给县城学生的拓展内容，难度普遍比一线城市学生低两档。“系统认为县城学生基础差，就拼命推基础题，学生永远在舒适区里打转。”她试过手动调高难度，系统过几天又自动调回去了。这种“数据驱动的偏见”比人的偏见更难纠正，因为表面上看它只是“因材施教”，但背后的标签逻辑已经在固化差距。学术诚信那边也有新花样。我认识一位高校教务处老师，他说现在学生用AI写论文已经形成产业链了，有代写、有降重、有伪造查重报告。更让他头疼的是，学校引进了AI检测工具，但误判率不低，“有的学生自己写的，因为用词规范、逻辑清晰，反而被判成AI生成，申诉都申诉不过来。”工具在制造问题，又在解决问题的幻觉里打转，这个循环我暂时看不到出口。
6.2 教师角色转变、数字鸿沟与教育公平讨论
上个月我回了一趟老家，顺路去看望我初中时的语文老师。她快退休了，学校要求所有老师必须用AI备课系统，她学得很吃力。她给我看她的备课本，左边是她手写的教案，右边是AI生成的课件大纲，两栏并列，像两个时代的影子叠在一起。她说：“AI给的课件确实漂亮，但我总觉得它讲不出我想讲的那句话。”她指的是一篇课文里作者藏在字里行间的那点情绪，AI分析得头头是道，但就是“不对味”。我后来想，这可能就是教师角色转变中最微妙的部分——AI可以替代知识传递，但替代不了“一个人带着自己的生命经验站在讲台上”这件事。上一章那位县中校长说的“AI解决不了学生需要被看见的问题”，和我老师说的“讲不出我想讲的那句话”，其实是同一件事的两种表达。
数字鸿沟的事我也一直在跟进。东部某市搞了一个“AI精准教学”项目，给每个学生配平板，课后作业在平板上完成，系统自动批改、自动推送讲解视频。听起来很美好，但我采访了一个随迁子女家庭，孩子跟着父母在城里读书，家里没有WiFi，平板的作业只能在学校蹭网络做完。如果当天没做完，第二天系统就会标记他“未完成作业”，推送给家长和老师。他妈妈跟我说，孩子有次在教室角落偷偷哭，说不想上学了。这个细节我写进报道后，有读者留言说“那就给家里装WiFi啊”，说得轻巧。装WiFi要钱、要时间、要父母懂怎么弄，这些隐形成本在项目设计阶段几乎没人算过。技术填平了一些鸿沟，又在另一些地方挖出了新的沟。
教育公平的讨论里还有一种声音让我印象深刻。一位做公益教育的老前辈跟我说，现在大家都在谈AI让优质资源“下沉”，但他看到的是另一种“上浮”——最好的AI教育产品一定优先给付费能力强的学校和家庭使用，等产品成熟了、成本降了，才轮到薄弱学校。“这个时间差可能是三年，也可能是五年，对一届学生来说就是整个初中。”他说的这个时间差，我在采访中反复验证过。东部某省的AI双师课堂，最早只在重点中学试点，两年后才推广到农村校。农村校用上的时候，重点中学已经在用第三代产品了。差距没有缩小，只是换了一种方式存在。我写这一段的时候心里挺沉重的，但我觉得比那些“AI促进教育公平”的新闻稿更接近真实。
6.3 国际比较、监管趋势与未来新闻前瞻
前两周我参加了一个线上国际教育科技论坛，听了几位欧美同行的分享。有个美国学者讲他们那边的AI教育伦理框架，核心是“透明、可解释、可申诉”三个词。学生有权知道AI为什么给他推这道题，有权要求人工复核AI的评分，有权拒绝AI参与某些环节的决策。我听完的第一反应是，国内产品里能真正做到这三条的，我还没见过。欧盟那边的监管更细，他们把教育场景列为AI高风险应用，要求做算法影响评估，还要有第三方审计。我跟国内一位创业者聊起这个，他叹了口气说：“欧洲那套标准搬过来，我们公司直接关门。”这话有情绪，但也说明监管落地需要考虑产业现实，不能只讲理想。
不过监管的方向是明确的。我看了近期国内几个地方出台的AI教育规范，都开始提“算法备案”“数据本地化”“人工干预通道”这些词。有的地方还要求AI批改的作业必须经过教师复核才能计入成绩。这个要求在实际操作中很难百分之百执行，但至少释放了一个信号：AI不能成为最终裁决者。我采访的一位教育技术研究员说得更直接：“教育里的AI应该是个助手，不能是个法官。法官判错了可以上诉，AI判错了学生找谁？”这个问题我问过几家公司的产品经理，大多数人的回答是“我们会优化模型”，没有人正面回答“找谁”。这个空缺我觉得比技术瓶颈更值得关注。
未来趋势这块，我聊了七八个人，拼凑出一个大概的图景。短期看，AI教育会从“功能竞争”转向“合规竞争”，谁能把数据安全和算法透明做好，谁才有资格进入下一轮。中期看，教师和AI的分工会越来越清晰，重复性工作归AI，情感性、创造性工作归教师，但这个边界需要大量实践才能划出来。长期看，我听到一个比较大胆的判断——一位投资人跟我说，未来五年内会出现“AI教育责任险”，就像医疗责任险一样，AI教学出了事故，由保险公司赔付。“这个险种一出来，整个行业的风险逻辑就变了。”我觉得这个判断不一定准，但它提醒我一件事：技术越深入教育，责任归属就越复杂。我采访过的一位乡村老教师说的话我一直记着：“粉笔写错了可以擦掉重写，AI教错了，擦掉的是学生的时间。”这句话没有出现在任何新闻稿里，但我把它放在这一章的最后，因为我觉得，所有关于AI教育未来的讨论，最后都应该回到这句话面前停一停。
