原标题：标准化的“AI+教育”产品未来能否实现“任天堂”式的创新？

　　从最初的测评、拍照、作业到自适应学习、AI教学，再到AI伪直播及强交互视频教学。随着市场产品的迭代，机构也在寻求知识内容和教学交互层面突破的可能性。

　　AI教育适合标准化教学，适用范围还相对局限

　　今天聊聊AI与教育的结合。这类大话题可以轻松堆出一篇券商研报的篇幅，当然如果真写了那么长，大家肯定都不爱看，所以我们先以回顾加评论的方式去聊聊已经出现并相对成熟的产品，下半场再去畅想未来一段时间内的技术产品发展。

　　AI与教育的结合属于教育科技(Edtech/Learning tech)的子集，简单来说，是将AI技术结合特定场景需求，对当前的教育产品或服务进行重构或优化。常用的技术包括语音识别、语义理解、计算机视觉、知识图谱等。

　　就目前而言，AI技术在教育领域内的应用是相当初级的，涉足的公司也是以大量的人工努力，才做出一个个具备一定智能水平，能在封闭的细分场景内，实现简单功能应用的产品。

　　总体来讲，在AI作用于教育，目前适用的范围还相对局限：AI教育适合以轻量级的教学内容，根据符合认知规律的节奏，进行标准化传授。与普通课堂相比，其优势在于教学表达方式的丰富化，能以丰富的音视频素材进行有趣的呈现;系统天然擅长教学过程中的数据采集、统计与分析，从而在此基础上推进个性化适配基础上的交互和练习;

　　但是在春风化雨言传身教、启发性思考等偏向于师者育人的领域，AI基本还无从下手。

　　在教育AI的领域，国内公司的技术能力上或弱于国际公司，但因为中国K12市场的巨大需求，国内相关产品商业化的表现是可圈可点的。近十年间，我们见证了这些产品的渐次出现，比如口语评测、拍照搜题等。

　　现阶段，技术驱动的权重仍大于需求驱动。先行者们先找到类似语音语义、图像识别等相对成熟的技术，结合教育领域发掘出可供落地的点，先开发出可用产品推向市场，同时再思考迢递的远方。

　　横向比较泛领域AI技术的成熟度，能很容易看出其中规律，好比厨师就着手里的炊具和原料先端上两盘可供食客下箸的菜肴，做着生意再进行改良和完善。

　　如果要回顾过去十年间，AI教育产品的发展，以K12的教育产品最为具有代表性。当技术走近教育，按照比较通用的方法，从周边的教学服务、到教与学的核心将场景分为几层，同时搭配产品面世的时间，可作出下图：

　　K12 AI教育产品分布示意

　　02

　　工具类产品受限技术瓶颈，客户对服务属性的重视超过技术要求

　　我们先来看左侧偏工具导向的产品，主要包括测评、拍照、作业三类。

　　起步最早的测评类产品，主要是英语学科的口语测评和考试阅卷测评两类。口语测评公司于2011、2012年左右，阅卷测评&学情分析公司于2013、2014年左右逐渐开展业务，满足K12公立校的需求，以传统信息化产品渠道进校，其中阅卷类产品因为更贴合考试需求，使用频次高，所以对应头部公司的业务体量上明显大于语音类的对标者(大概有5倍左右的体量差)。

　　虽然该类产品的核心差异在于技术能力，但在实际使用场景中，客户对于工具和服务属性的感知和重视胜过了对技术的要求。因此，底层核心技术商虽然有技术壁垒，但是到了进校环节，产品大多需要通过本地化渠道商/服务商/大集成商去触达客户，话语权向渠道或有渠道能力的公司转移，最后导致市场蛋糕分散，未来能看到的整合机会也更可能落在互联网巨头的手中。

　　此外，以2B的直接业务赚现金流养公司、同时以直接或者间接的方式做2C业务，则是，现阶段的产品在数据采集+原始技术功能的基础上，推出了一些个性化的初级AI产品：口语训练、练习本等，对应业务板块的营收，还停留在千万级别。

　　相较于2B产品，直接2C的拍照搜题和作业类产品更广为人知。其中，拍照搜题自13年起2C爆发，延续移动互联浪潮尾声的获客流打法，在这波红利中，成功大规模获取了用户，做到数百万乃至千万日活。

　　该类产品底层的主流技术是图片识别--题库匹配，系统根据题目的图像特征在预制题库中找到对应的题目，并不理解题目的内容。虽然有个直接问题是题海无涯，公司需不断地大规模收集、更新新题，但瑕不掩瑜，是当前用户端体验最友好的方案。

　　此外，同样是拍题，产品端看起来类似，但底层技术差异明显的是文字识别计算产品。系统识别用户拍照的文字符号，并提炼其中的计算逻辑，独立解答并输出答案/讲解，机器做到了理解题目内容。在此基础上，就可以实现覆盖范围内任意数字题目的计算、答案输出和自动讲解。

　　表现在产品上，在相对容易(数理逻辑简单，更多是看手写识别)的小学数学上做出了一个细分刚需，即各类口算批改产品，能够批改口算题目，把老师和家长从这个量大且枯燥的任务中解放出来。

　　但是，技术上的不足，特别是文字理解能力的不足，将可产品化的应用限制在以部分代数知识点为主的有限领域。国外的多款产品(比如photomath和Microsoft Math)在适用范围上领先，但也至多进行到如方程组、微积分等，要突破几何题、应用题，逐渐逼近题库匹配类产品的适用范围，还有很长的路要走。

　　所以，此类产品会在技术瓶颈处滞留很长时间。从此例中不难看出，技术难度高不等于用户体验好，是目前看待AI+教育时，需要始终注意的重要认知。

　　Photomath可覆盖的部分题型

　　作业类应用通过进校2B2C，以知识点标签化的题库为核心，方便教师调用内容布置作业，从而构建师生间的作业交互平台，AI成分有限，就不多提了。

　　不可否认的，拍照搜题+作业类产品在是目前可见的泛AI产品在用户层面的成功典范，共约出现了近十家头部企业，各家在用户量及活跃度上都相当可观。而由于典型用户的固有属性问题，这些公司实现成规模的营收，却是多年之后的事了。

　　如果做个矩阵去标注这些公司的业务发展，能明显看出各家都在各个领域做了对盈利模式的长期探索，最后大力拓展到了课程业务线，包括在1对1辅导、网校、轻课/交互视频等。

　　在网校模式得到市场的认可后，也后验地看到了在大用户基础上发力课程交付的巨大潜力，目前规模前五的头部网校中，猿辅导、作业帮均属于此类。

　　03

　　自适应产品比拼的核心是题目的标注处理质量

　　接下来，我们来看，近年出现、和教学核心结合最紧密的自适应学习和AI教学。

　　自适应学习产品，最典型的形态是利用动态调整的题目进行测评和训练，同步依靠知识点视频和内容进行教学，过程中有教师不同程度的参与，常见于数学和英语学科。

　　最初，有产品依靠既有规则和决策树逻辑来进行教学，由工作人员在后台预先设计好单次学习中，学生需要接受和训练的内容(课程、题目等)，并在实际学习过程中手动调整任务量和任务的难度等级。此水平相当于有个辅导老师盯着学生做一套套的电子教辅。缺点明显，每个任务的模块大，无法实现微调，可采集的信息粒度粗，对教师管控的依赖高。

　　很快的，新的一套逻辑出现——依附在知识图谱上的标签化精品题库，逐渐取代了前一方案。这套产品先构建一定学科范围内的知识大纲，以树状/网状的形态联系知识点，再处理大量的题目，以打标签的形式去连接知识点，把AI与人交互的粒度切到了单题目级别。学生通过答题，系统判定掌握了当前知识点(做对同类题目数次，或相对分数达到预设值等)，即可推送后续知识点，达到在预设路径上的渐进学习。

　　当前，我们在市面上看到的产品大多都属此类。因为以课程大纲为骨架去构建知识体系相对简单，所以其比拼的核心技术是题库的标注处理质量——各题目的知识点、类别、难度、区分度等，以及对学生个体模型的判断和建立。最佳的情况，是保持学生遇到的题目，始终需要努努力、但是能解出来的难度范围内，激发学习动力并保证学习效率，稳步前进。

　　在此基础上，还可以用产品设计上的方法，去优化用户端的体验。比如，利用知识点的关联性来推断学生对知识点的掌握程度，并不是一点一题一练，而是实现更小题目训练量上的多知识点判断。学生的感受是AI老师推题更灵活、更准了。又如，利用学习科学的逻辑，去建立更多的流程化处理方式：根据记忆-遗忘曲线的复习回顾、对核心知识点和边缘知识点的权重调整、根据学生能力和目标分数调整知识点范围等(超纲和放弃部分知识点等)，都能使交互的过程更友好。

　　这里讲细可以有很多，我们还是回到主线，此类产品的理想形态是完成整个教学过程，但实际过程中因为客户心理、产品成熟度的因素，完全取代教师的方案无法达到既定效果。当前已商业化的各类产品大多都曾经历过这样的方案降级，从替代教学变成了辅助授课，或是赋能培训机构，去服务学习中的某些环节，或者承担教师的部分职能。

　　在业务形态上，以加盟、赋能两类模式为主。直接做加盟的方式营收增长最快，主要的客户为小白创业者，拿着一套方案，加点人工就能上马。而赋能则针对既有教培机构去做能力升级，却与其现有教学方式、流程上常有冲突，故而是从有能力的中大型机构开始应用。两条路线都有跑出营收上亿的玩家，但行业归属尚未落定。

　　就笔者目前观点，加盟方案或许应该走低线、农村路线(以一个70-80分的方案，取代那些地方培训不规范、不稳定、能在40-90分波动的业务，并吸收更多原本不怎么参培的孩子进入体系)。要足够接地气，整体价格便宜，门头、设备等都没什么要求，宣传上突出某一个两个细分需求(英语背诵、数学刷题等)。不要怕low，扶持大量的低成本运营的小店，让他们在低成本下达到一个较好的盈利状况。

　　而赋能形态，得是产品界面、技术底层都上佳的标准化方案，要让地方头部大校的校长和当地中上收入水平的家长都觉得好，从大校磕起，同时尽可能控制定制化比例，把通用合作模式成型，逐渐铺出去。