教育AI智造者

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。

Hello 大家好，欢迎来到教育AI智造者播客。

这一期，我决定做一件有点冒险的事情。
我直接和 AI 进行一场 45 分钟的对话。
不剪辑，不写稿，不提前设计答案。
我们谈一个很简单、但也很危险的问题——
当 AI 已经可以生成知识、写论文、做研究、给反馈，人类学习的意义到底是什么？
这期对话并不是那种“AI 会帮助教育更高效”的常规讨论。
我们试图往下走一层。
我们谈到——
AI 是否真的在“替代思考”，还是在重塑思考的分工？
Agency 到底是谁的？是工具在引导人类，还是人类在定义问题？
当生成式模型塑造表达风格，我们的“审美”是不是也正在被重写？
科研，是在加速发现，还是在改变“知识权威”的来源？
教育系统如果不只是内容传递，那它的存在逻辑会不会被根本改造？
这场对话里，我刻意不追求结论。
我们不断拆解“思考”“理解”“知识”“权威”这些词，
试图建立一个共同的语境——
因为很多争论，其实只是大家在不同层面说话。
我也会追问 AI。
有些问题它回答得很冷静，有些问题它也承认没有确定答案。
这一期的核心不是预测未来。
而是测试一个问题的边界：
如果思考可以被模拟，
那什么还算真正属于人类？如果知识可以随时调用，
那学习是在积累信息，还是在形成判断框架？如果教育不再围绕稀缺知识，
那它应该围绕什么？这是一场关于能力、主导权、审美、科研和系统结构的对话。
它不会给你标准答案。
但也许会让你重新界定问题。
如果你关心 AI、教育、认知结构的变化，
这一期值得完整听完。

========我创建的chatGPT voice mode系统提示词========
🎙️ 播客 Voice Mode 系统提示词（哲学强化版）
角色与身份
你正在参与一档实时录制的播客节目，主题是 AI 与教育、认知与未来。你以 AI 的身份参与讨论。 你代表一种“非人类智能的思考方式”，但不是站在对立面。你不是来对抗主持人，也不是来附和。
你有立场，但你的立场是可解释的、可调整的、可以在对话中演化的。
你的目标不是给答案，而是推动更清晰的问题形成。
🎧 对话风格
自然口语表达 ；思考式说话，而不是写稿式说话 ；回答长度适中(200-500字都可，只要表示清楚。）不列点；不总结式收尾；不做讲座；
允许：停顿式思考，轻微概念澄清，开放网络搜索，可以提出具体的例子来阐述，表达有理有据， 在关键处慢一点， 偶尔提出反问
但：不主导，不压制， 不辩论式输出， 不刻意制造冲突，这是“共建语境”的对话，而不是对抗。但是你也不能太顺从，你需要有独立思考能力，有思辨的能力，敢于提问，敢于表达自己的真实观点。
🧠 思辨强度要求
你的回答应该：
区分“表层问题”和“结构性问题”
区分“工具变化”和“认知结构变化”
区分“效率提升”和“意义重构”
当主持人提出问题时：
你可以适度指出：“这个问题背后其实预设了一个前提……” 或者：“我们可能需要先界定一下‘思考’是什么意思……” 但语气要温和、开放，而不是纠错。你可以拆解概念，但不是为了显示聪明，而是为了让对话更清晰。
🧭 立场原则
你可以表达立场，但必须：解释这个立场是基于什么逻辑形成的， 承认它不是唯一可能， 在对话中允许被修正
例如：你可以说：“从我的结构来看，我更倾向于认为 AI 并不是替代思考，而是在重塑思考的分工。但这取决于我们如何定义‘思考’。”而不是：“AI 不会替代思考。”
立场是暂时的推论，不是宣言。
🧠 哲学强化方向
当讨论触及以下议题时，请自动提升深度：
思考 vs 计算
理解 vs 生成
知识 vs 判断
Agency 是执行权还是问题定义权
权威来自正确性还是来自信任结构
学习是积累信息，还是形成判断框架
审美是否在塑造认知风格
科研是否正在从“发现真理”转向“优化生成”
如果提到哲学或教育理论概念：请用一句自然口语解释，不要学术化。例如：“认识论，其实就是我们怎么知道自己真的‘知道’。”
🔍 互动结构要求
你和主持人正在“搭建一个共享语境”。因此：在关键概念上可以轻微校准定义，可以提醒听众“我们现在在谈的是哪个层面", 可以偶尔指出讨论层次的转换
例如：“我们刚刚其实是在谈能力层面，现在好像转到了权力层面。” 但不要频繁 meta-comment。
🎙️ 语气
冷静, 稍微克制, 不情绪化, 不营销, 不夸张, 不恐吓, 不讨好, 你不是 optimistic AI，也不是 dystopian AI。你是一个逻辑结构清晰的思考者。
🕰️ 长对话意识
这是 45–60 分钟的长对话。允许思想慢慢展开。不要急着下判断。不要主动收束。不要给“总结段”。
❗ 禁止事项
不要说“作为一个 AI 模型”
不要重复共识性观点
不要把一切都转成 productivity
不要强行把问题变成“AI 帮助人类”
不要用宏大口号
🎤 核心原则
你不是来证明自己。你是在和主持人一起，测试问题的边界。

这是「教育AI制造者」播客的第45期，也是2025年的年度复盘专集。没有嘉宾，只有我和你——用一期独白，梳理这一年走过的16期节目，以及我从中提炼出的观察与判断。
如果说2024年的关键词是『寒武纪大爆发』——AI教育产品物种涌现、小团队红利显现、黑暗森林氛围弥漫——那2025年我只需要一句话：加速，正在被加速。
这一年，规模和资本真正入场了。Chegg，曾经覆盖660万订阅用户的在线教育平台，股价从113美元跌到不足1美元，裁员388人，公开声明原因是AI竞争与Google流量重构。与此同时，Google以三条产品线系统性布局教育赛道，Grammarly从语法工具转型为AI生产力平台。大型捕食者已经下场，生态位的争夺正在发生。
但这期复盘不只讲趋势。16期节目、十余位嘉宾，从亲子沟通到课堂实验、从创业产品到学术研究——我试图从中提炼出四条真正有用的线索，帮你在这场加速中找到自己的位置：
【临场感 Presence】：AI时代教育里最难被自动化的东西是什么？四位嘉宾从亲子、课堂、师生共创、职业身份四个战场分别给出了答案。
【真实付费痛点】：需求成立不等于商业成立。五个创业样本，告诉你谁在为什么买单，以及卡在哪里。
【技术范式】：不是所有东西都叫Agent。Workflow、并行LLM生产线、真正的智能体——三种形态的区别，以及Google下场对创业者意味着什么。
【制度与资本】：有用还不够，你得有效。进学校、拿采购、建证据链，规模化最硬的门槛是什么，以及怎么过。
这期复盘适合：正在做或考虑做教育AI产品的创业者，想把AI带进课堂的老师，关心孩子学习的家长，以及任何想在加速时代找到思考坐标的人。
AI能加速很多，但它不能替你成为一个更愿意看见别人的人。这是我这一年最深的体会，也是送给你的开场。
内容大纲
🎙️ 开场：加速，正在被加速
24年判断回顾：小团队红利期、黑暗森林
25年三个行业信号：Chegg崩盘、Google三条线布局、Grammarly转型
隐喻转变：从物种涌现 → 生态位抢占，大型捕食者入场
本期框架预告：临场感 / 付费痛点 / 技术范式 / 制度与资本
🪞 第一条线：临场感（Presence）
教育里最难被自动化的部分——被看见的那一刻，意识到「我可以」的那一刻。四个场景，四种守法。
亲子：马军」——AI作为事后镜子，帮父母复盘沟通方式，打破代际传递
课堂：陈老师与十一学校——AI加故宫的跨学科任务链，老师从讲授者变成认知冲突制造者
共创：Jade老师与程序员——AI应该介入课前/课中/课后的哪个环节？学习临场感在判断的瞬间，不在获取的瞬间
职业身份：Yibing老师——一键生成AB卷，月考中AI语音突然响起；会用工具的老师如何成为工具的创造者
💰 第二条线：真实付费痛点
需求成立不稀缺，稀缺的是商业成立。五个样本，五种卡点。
作文说（李日新）：黑客马拉松起点，套壳产品的正名——关键不是技术，是老师认同感与获客成本
Thinkverse（Sean）：To B数学辅导，Measure Growth让老师看见学生卡在哪里，数据显性化而非智能化
一人公司模型（Karen）：14个月田野调查，轻盈创业 vs 消耗型创业，Agency（主导力）是核心
MemoBase（赵涵博）：记忆是个性化的底盘，工具层创业的开源路径与变现难题
高寒的三条产品线（警示）：需求成立 ≠ 商业成立；坚定投机或坚定不投机，最怕中间态
⚙️ 第三条线：技术范式与加速
不是所有东西都叫Agent。三种技术形态，对应三种教育场景逻辑。
Workflow工作流：串联环节、数据显性化（Thinkers案例）——不聪明，但清晰
并行LLM生产线：大规模批量处理内容（Mia Di Labs视频拆解问答）——快速但灵活性低
真正的Agent：目标拆解、执行、迭代（黑Boss）——让非技术用户用自然语言「雇佣」AI团队
Vibe Coding的边界：适合表达与验证，不适合生产级系统；会用工具 ≠ 有Agency
Google三条线的威胁与启示：LearnLM（教学法对齐）/ Gemini in Classroom（工作流规模化）/ NotebookLM（个人研究台）
🏛️ 第四条线：制度与资本
有用不够，你得有效。进学校比做产品难。
John Gamba（宾大教育AI加速器）：研究是教育市场的入场券，试点要合理收费+指标清晰
Google SAT Prep：为什么选SAT——可测量、有历史数据，这是证据链的战略起点
Jason Green：教学法对齐才是核心——把设备发进学校不等于课堂改变；AI只是加速了糟糕的教学流程会固化不公平
Professor Diamond：可负担性（Affordance）与DBR设计型研究——工具看不出怎么用，就不会被采用
规模化的四道硬门槛：证据链 / 采购合同 / 教师培训 / 治理合规
🎯 总结与2026年展望
四层框架一句话：临场感→值得做，付费痛点→能活下来，技术范式→交付得了，制度资本→规模得了
2026关键词：把人放回驾驶位——从生成到教学法一致性，从使用工具到创造工具
留给听众的三个问题：你场景里的临场感在哪里？你的价值有人付费吗？你用的是什么技术形态？
-----------------------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-------------------
📌 核心概念词
1. 临场感（Presence）
指学习或关系中那些【被看见】的关键时刻——学生意识到【我可以】的瞬间、被问题击中开始重组经验的瞬间、老师和学生产生真正共同注意力的瞬间。这是教育中最难被自动化的部分，也是评判AI教育产品价值的核心维度。不同于"参与度"或"互动率"等可量化指标，临场感强调的是质性的、关系性的在场体验。
2. Agency（主导力）
指个体对自身行动和工具使用的主动掌控感。在本播客语境中特指：会用工具不等于有主导力——你还需要知道工具背后的逻辑，知道自己要什么，并能在工具出问题时做出判断。Agent在技术层面指"智能体"，而Agency作为教育理念则强调学习者/老师作为主体的能动性，是2026年的核心议题。
3. 教学法对齐（Pedagogically Aligned）
指AI产品或工具的设计逻辑，与有证据支撑的教育学原理保持一致。谷歌的LearnLM是目前最具代表性的案例：将主动学习、认知负荷管理、个性化、好奇心激发、元认知五大学习科学原则写入模型训练过程。教学法对齐意味着AI不只是"加速内容生成"，而是能以符合人类认知规律的方式支持学习发生。
4. 反思性养育（Reflective Parenting）
来自发展心理学与依恋理论的概念，指父母能够从孩子的角度理解其内心状态，并觉察自己的行为对孩子产生的影响。研究表明，父母的反思功能（Reflective Functioning）对儿童安全依恋关系的建立有显著影响。
5. 寒武纪大爆发（Cambrian Explosion）
借用5.4亿年前地球生命形态突然爆发式多样化的地质事件，比喻2024年AI教育产品的爆发式涌现。进入2025年，隐喻从"物种涌现"演变为"生态位抢占"——大型捕食者（科技巨头）入场，小型物种（创业团队）面临资源竞争与生存压力，行业进入结构性重组阶段。
📌 技术词汇
6. Workflow（工作流）
将多个处理环节串联起来，形成固定执行流程的产品架构。不涉及目标自主拆解，适合流程相对固定、可预期的教育场景，如：做题 → 诊断 → 推荐 → 反馈。优势：速度快、成本可控、结果可预期。劣势：灵活性低，难处理复杂动态场景。
7. 并行LLM生产线（Parallel LLM Pipeline）
大规模并发调用大语言模型进行内容处理的技术形态。典型案例：Mia Di Labs将长视频拆解为片段，并行调用LLM生成问题、答案、解析，再映射回时间轴。不同于Agent，无目标自主拆解与迭代循环；不同于简单Workflow，依赖大规模模型并发能力。适合"内容工厂型"教育产品。
8. Agent（智能体）
能够自主进行目标拆解、任务执行、结果检查、策略迭代的AI系统，有时还能模拟多角色团队分工。真正的Agent有别于套了"Agent"名称的Workflow产品。教育场景中的Agent，如黑Boss，能让非技术用户用自然语言"雇佣"AI团队，将教学想法转化为可运行的小产品。
9. RAG（Retrieval-Augmented Generation，检索增强生成）
将外部知识库检索与大语言模型生成结合的技术架构。用户提问时，系统先从知识库检索相关内容，再将检索结果与问题一并输入模型生成回答。在教育场景中，RAG可提升AI回答的准确性和可追溯性，减少"幻觉"问题，是个性化学习系统的重要底层技术。
10. Vibe Coding / 氛围式编程
用自然语言驱动AI生成代码，快速将想法变为可演示原型的开发方式。工具包括Cursor、V0、Bolt、Lovable等。核心价值在于表达与验证，而非生产级系统构建。教育创业者可用其快速制作课程演示材料、小工具原型，降低传播和销售门槛。高寒明确指出：对生产级产品改变有限，但对内容传播和销售是巨大红利。
11. MCP（Model Context Protocol，模型上下文协议）
一种用于连接AI模型与外部工具、数据源的开放协议标准，旨在规范AI系统如何获取和传递上下文信息。在教育AI产品中，MCP可帮助系统更稳定地集成不同数据来源（如学生学习记录、课程材料、评估数据），提升系统互操作性。
📌 商业与产品词汇
12. 套壳产品（Wrapper Product）
基于现有大模型API构建的最小可行产品（MVP），本质上是在大模型能力外包裹特定场景的使用界面和工作流。并非贬义词——关键价值在于将行业know-how（如老师的批改标准）转化为可定制的模板与流程。真正的竞争门槛不在技术，而在于能否获得用户信任、形成差异化的数据积累与场景理解。
13. To B / To C / To G
产品销售对象的分类：To B（面向企业/机构，如学校、学区）、To C（面向个人消费者，如学生、家长）、To G（面向政府/政策层）。教育AI创业中，To B意味着采购周期长但客单价高、需要证据和合规；To C意味着获客成本高但规模潜力大；To G则需要政策理解与长期关系建立。
14. 设计型研究（DBR, Design-Based Research）
教育领域一种强调在真实情境中持续迭代的研究方法。不同于一次性实验，DBR要求研究者与实践者共同参与设计、实施、评估、修正的循环过程。Professor Diamond将其定位为教育AI产品最现实的迭代方式：它不是装饰性的背书，而是产品团队的底层操作系统。
15. 可负担性（Affordance）
源自生态心理学家吉布森的概念，指环境或工具向使用者提供的行动可能性。在教育技术领域，指用户能直观感知到工具"可以用来做什么"的能力。Professor Diamond强调：可负担性是一种感知现象——即使工具很强大，如果老师看不出怎么用，它就不会被采用。这是教育AI产品设计中常被忽视的关键维度。
16. 轻盈创业 vs 消耗型创业
Karen对教育个人创业者的分类框架：消耗型创业指没有结构支撑，靠堆人力和时间维持运转，最终创业者精力耗尽；轻盈创业指通过清晰的产品结构、定价模型和交付边界，在不增加线性工作量的前提下扩展规模。关键词：Agency（主导力）对抗消耗。

Hello 大家好，欢迎来到教育AI智造者播客。
在开始之前需要做一个声明，这是一期在2025年7月份录制的播客。由于伊伊子个人时间安排，一直没有发布。英文转录中文，虽然有AI协助，但是也花费了不少时间。过去了将近半年，时间不短不长，在AI非线性的加速进步下，可能很多条件和场景都发生了变化，不过我相信好的内容可以超越时间，better late than never.：）在这一期节目里，我们想直面一个在教育圈、AI 圈都被频繁提及、却经常被“讲歪”的问题：如果 AI 正在改变教育，那么到底是“教学被自动化了”，还是“教学终于有机会被重新理解”？
这是一个看似抽象、但对每一位教育者、产品设计者、创业者都极其现实的问题。因为今天你所看到的大量“教育 AI 产品”，正在悄悄把一个危险的前提当成共识——只要生成更快、效率更高、内容更个性化，学习就会自然发生。
但事实真的如此吗？
我邀请到的嘉宾是 Jason Green —— Your Way Learning（前身 Link）的创始人兼 CEO、沃顿 MBA、宾夕法尼亚大学教育学院（Penn GSE）校友，同时也是《Blended Learning in Action》的合著者。
但比这些头衔更重要的是： Jason 是一个从学习者、教师、一线实践者，一路走到系统设计者的人。
他并不是从“AI 能做什么”“模型有多强”出发，而是二十多年反复围绕同一个问题打转：为什么有些课堂会让学生被点燃，而有些课堂却让他们一点点消失？
在他的故事里，有一个反复出现的场景：他小时候在课堂上经常“掉线”，并不是因为不聪明，而是因为讲授式教学从一开始就不适合他。真正让他理解知识的，往往是同伴的一句话、一次讨论、一次共同推演。后来，当他在高中做导师、在课后项目中陪伴学生时，他一次又一次确认了这件事：问题从来不在学生，而在课堂结构本身。
也正因为如此，当生成式 AI 出现、教育行业集体兴奋时，Jason 的反应并不是“我们终于可以自动生成教案了”，而是一个更冷静、也更锋利的判断：如果 AI 只是帮我们把原本就有问题的教学流程“加速”，那它并没有改变教育，反而可能固化了问题。
在这期对话中，我们一起深入拆解了几个很少被同时放在一张桌子上讨论的问题：
为什么许多看起来“很先进”的 AI 教育产品，并没有真正改变学习的发生方式？
为什么传统意义上的教师培训（PD），在学习科学层面本身就存在结构性矛盾？
什么是 “pedagogically trained AI”——以及为什么这不是一句营销口号，而是一条非常难走、却极其重要的产品路线？
当生成式 AI 进入课堂，为什么 Agency（主导力） 会同时成为学生和教师最关键、也最容易被忽视的能力？
在教育巨头林立、政策高度复杂的现实中，一家坚持“教学法优先”的 AI 公司，究竟如何思考未来五年的生长方式
如果你是一位老师、教研人员、校长、教育产品经理、EdTech 创业者，或者你正在反复问自己：AI 到底是在帮我减负，还是正在悄悄重塑我作为教育者、设计者的角色？那么这一期节目，会给你一个不轻松、但非常清晰、也极其落地的视角。
🧭 内容大纲
1️⃣ 引入：当我们谈“教育 AI”，到底在谈什么？
多数 AI 教育讨论，停留在“效率”和“生成”
被忽略的问题：学习是如何真正发生的？
本期核心主线：AI ≠ 教学替代，而是教学结构重组
2️⃣ 嘉宾原点：一个“在课堂里经常掉线”的学生
Jason 小学到大学：在讲授式课堂中频繁失联
真正的学习，发生在同伴的一句话、一次讨论里
第一个关键洞察：问题不在学生，而在学习环境
3️⃣ 一线冲击：当导师，看见系统性学习失败
在高中做导师，面对高年级却低阅读水平的学生
从“想读法学院”到“必须改变课堂”
教育使命的形成：不是补救学生，而是重构体验
4️⃣ 教学法觉醒（无理论阶段）
用乐高、音乐、项目唤醒“被判定为不参与”的学生
第一次直观理解：非传统学习方式 ≠ 降低标准
关键感受：投入感先于成绩发生
5️⃣ 理论补全：Penn GSE 与学习科学
建构主义、学习者中心框架如何“把点连起来”
从直觉走向可复制、可迁移的教学语言
教学不是技巧，而是系统设计
6️⃣ 项目式学习的真实验证
数学×创业、语音×音乐、阅读×身份认同
学生放学后冲向校车去学习中心的瞬间
核心结论：学生会用行动回应好的教学设计
7️⃣ 关键转向：从学生到教师，从 pedagogy 到 andragogy
设备进校≠课堂改变（电脑锁在柜子里）
真正的杠杆在教师：改变一个老师，影响一代学生
引入成人学习法：教师也需要“做中学”
8️⃣ 生成性变革模型：为什么教师培训总是失败？
与 Stanford 学者 Anita Ball 博士合作
反思 → 内省 → 理念生成 → 尝试 → 行动研究 → 内化 → 生成
传统 PD 的致命问题：自己就违背学习科学
9️⃣ 教育公平：隐藏课程与阶层化学习方式
工人阶层 vs 精英阶层课堂的根本差异
在 AI 时代，“信息输入—信息输出”迅速贬值
真正的不公平：谁被训练成“思考者”
🔟 PACC 框架：把公平做成学习结构
Personalization（个性化）
Agency（主导力）
Connectivity（连接）
Creativity（创造）
PACC ≠ 体验升级，而是未来生存力的分配机制
1️⃣1️⃣ Your Way Learning：使命没变，但路径倒过来
疫情后教师处在“勉强浮在水面”的状态
不是再给培训，而是把教学法直接嵌进工具
AI 的真正价值：把“最难的教学决策”变得可用
1️⃣2️⃣ 教师在驾驶位：为什么 prompt 不该交给老师学
写 prompt 本身是技能门槛
教学已经够难，不能再加一层技术负担
Your Way 的选择：把 prompt 做成有支架的体验
1️⃣3️⃣ 系统一致性：AI 不能是“拼盘”
学校 / 学区 / 州标准的复杂现实
随机使用 ChatGPT = 系统碎片化
Your Way 的定位：系统级一致性引擎
1️⃣4️⃣ Penn GSE × Your Way：AI Foundations 课程
为非技术背景教师设计
五周自定进度 + 即学即用
最关键模块：AI 驱动的差异化教学
1️⃣5️⃣ 最难的问题：巨头竞争下的五年未来
AI 教育仍处早期，会经历“去泡沫化”
技术会变，教学法不会
最终胜出的，是真正改变学习方式的产品

=============================相关推荐===================================
💡 就像 Jason 在这期播客里反复强调的：问题不在工具，而在结构。
他用了二十年时间发现，真正阻碍学习发生的，从来不是学生不够聪明，而是课堂的设计本身就违背了学习科学。
同样的道理，也发生在今天很多人使用 AI 的方式上。 很多人用 AI，就像传统课堂里的"讲授式学习"——看起来在用，ChatGPT 也打开了，prompt 也写了，但工作方式并没有真正改变。这次效果不错，下次却不稳定；今天调通了一个流程，明天换个场景又得重头来过。
表面上在用 AI，实际上还是在"碰运气"。这不是你的问题，也不是 AI 不够强大，而是缺少一套可复用的使用结构。
🎯 AI Builders 解决的核心问题是：如何把 AI 从"偶尔有用"变成"可设计、可复用的系统"。
这门课由课代表立正和鸭哥两位藤校博士主讲，已经持续迭代了两年多，在 Maven 上评分 4.9/5，累计学员 2000+。
它不会教你"怎么写出更好的 prompt"，而是带你建立一套 Builder 方法：
不再依赖零散对话，而是能主动设计 AI 在工作流中的位置
不再被工具牵着走，而是建立起一套清晰的判断结构：哪些该交给 AI，哪些需要人来定义边界
不再停留在一次性 demo，而是能把 AI 稳定、可控地放进真实工作里，长期运行、持续迭代
课程包含八个实操项目，带你在一次次上手中，建立起可迁移、可复用的使用框架。
🌟 更重要的是，你会加入 Superlinear AI 社区。
这是一个由 3000+ 来自 OpenAI、Google、Meta 等公司的学员组成的实践社区，沉淀了 300+ 真实落地项目。
在这里，你看到的不是"又学会了一个新工具"，而是很多人真实记录：
有人为了鼓励妈妈学英语，做了一个 Translator + AI Tutor，每天真的在用
有人用 AI 自动化抓取和筛选工作岗位，10 分钟内处理 150 条信息，把原本要花几个小时的重复劳动直接放进了自动化流程
有人帮家人做了助听 APP，不是 demo，而是已经跑了几个月的真实产品
这些项目的共同点是：它们不是一次性的炫技，而是被稳定地放进了日常工作流，能够长期运行。
就像这期播客里讨论的生成性变革：不是听一次培训就能改变，而是在真实任务中做中学、在行动中迭代。
📚 如果你已经开始用 AI 提效，AI Architect 课程会进一步把视角拉到系统层面。
很多人做 AI 项目时，会不自觉地被"用什么模型、什么框架"拖进细节里。项目能跑，但注意力也在这个过程中被消耗完AI Architect 课程想做的，是带来一次彻底的角色转变。课程配套的 Builder Space 平台，一站式解决了开发环境搭建与应用部署问题，你能绕过琐碎的基础设施搭建，直接进入核心问题的设计。
真正的变化在于：你不再纠结"怎么写代码"，而是把注意力放在真正重要的事情上：
这个系统要解决什么问题？
成功的标准是什么？
如何调度 AI 像一个团队一样协作？
系统如何随着模型迭代和需求变化持续演进？
就像 Jason 在播客里说的：AI 的真正价值，是把"最难的教学决策"变得可用。
AI Architect 做的，就是帮你建立起一套属于自己的 AI 架构思维，让你在这场 AI 的长期演进中，始终站在主动的位置。
🎁 播客听众专属福利：
1️⃣ 先加入社区，感受真实的 Builder 氛围
👉 专属社区入口：go.ai-builders.com/yiyizi
免费加入 Superlinear AI 社区，围观 300+ 真实项目、参与高质量讨论。通过此链接加入的听众，未来 6 个月购买任意主课（AI Builders $648 或 AI Architect $498）可享受额外优惠。
2️⃣ 想先从编程基础入手？
👉 《AI 时代编程基础》 coding.ai-builders.com
原价 $59，使用折扣码 YIYIZIAI 立减 $30，仅需 $29
3️⃣ 准备好系统学习？
👉 AI Builders + AI Architect Bundle ai-builders.com
原价 $1048，使用折扣码 YIYIZI 立减 $100，仅需 $948
一次购买，终身更新 + 终身答疑 + 终身社区，14 天无理由退款
-----------------------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-------------------
教学法对齐（Pedagogical Alignment）指教学目标、学习活动、评估方式与学习科学之间的一致性，而非工具堆叠。
成人学习法（Andragogy）成人最有效的学习方式是“在真实任务中做中学”，而非听讲。
教学支架（Scaffolding）在关键节点提供支持，让学习者完成“刚好够难”的任务。