原对话:沿提问、回答和转折完整展开 下面先按节目顺序重建。主持人在追问什么,嘉宾如何以自己的经历、例子和推理作答,尽量保留在具体语境中;案例中的事实、数字和判断先归属于发言人。随后才进入本文的机制解释与独立判断。
00:00:01–00:26:13 连续对话 100:00:44–00:04:34 从“乔布斯之问”到三分屏AI口语课请先介绍这款基于AI Agent的新口语产品,再回顾它如何走到今天。 它在斑马和集团的AI战略中处于什么位置? 开场短片先抛出本期的三组张力:团队两年多来一边保留模型的灵活反馈,一边约束其错误;AI外教可能降低孩子开口时的情感压力;但面对一个具体孩子,通用数据并不能直接告诉教师下一步该怎样教。这里的“幻觉不一定负面”和“经验比数据更有说服力”都是修佳明的产品判断,不是已经得到独立验证的教育学结论。
正式对谈由《晚点》记者申远主持,嘉宾是斑马首席产品官修佳明。本期由斑马口语特别支持播出,因此产品能力、效果和市场前景首先应按受访企业的自述来读。申远以“教育为何没有充分受益于技术”的乔布斯之问开场,转述盖茨对个性化课程与启发性反馈的强调,继而提出:大模型似乎第一次同时提供了个性化表达、即时反馈和规模化部署,口语是否因此成为确定性很高的落地场景?这正是后面要反复检验的问题,而非开场已给出的答案。
修佳明介绍,斑马口语面向儿童,采用AI外教一对一直播形式。界面分成三部分:二维虚拟AI老师、孩子的实时画面,以及交互式动画课件。每节课25分钟,每单元4节课;规划中的体系有6个级别、每级96节。外形像把真人外教换成虚拟人,但嘉宾强调,差别应在AI如何驱动教学全过程。这里的“全栈”是企业的产品定位,不意味着每个模块都由大模型生成,后文会明确语音识别、规则策略、人工教研与可组合课件仍占很大比重。
主持人随后把问题拉回历史:为什么在这个节点推出?嘉宾回顾,集团2014年开始组建AI实验室,早期做语音识别ASR、语音合成TTS、视觉识别和测评等,并借既有产品积累儿童语音数据。他称这使团队形成了适配儿童的识别和测评能力,但“行业最好”“精准度领先”没有在本期给出对照模型、测试集或数字,只能保留为企业自述。2023年8月左右,斑马口语立项;此前在旧产品里增加灵活对话,仍被他认为是在旧架构上加AI功能。
主动型AI Agent 本期语境下,指围绕预设课程目标理解学生输入、选择教学动作并推动课堂的系统。其主动性主要在2—3分钟环节的追问、降级、提示和回归;长期课程路径仍由教研规划。
个人向量数据库 模型外部的学生历史存储与检索系统。它可把话语等表示为向量并按相关性找历史,但相似记忆不等于掌握状态;结构化课程进度、测量与隐私机制未在节目中披露。
ASR / TTS ASR把语音转文字,TTS把文字转语音。当前课堂链路为ASR→文本模型→TTS;文字中间层同时支持错词可视化和教研检查。
全栈式AI产品 嘉宾对企业产品架构的称呼,指各层围绕AI重新设计,不等于所有模块由大模型生成,也不排除传统ASR、规则、课件和人工教研。
话题推进: 从“AI原生产品”这一标签,主持人继续追问:团队凭什么认为模型幻觉和不可控性已经不会阻碍教学?
00:04:34–00:08:02 窄场景与全栈AI:确定性不是一个模型开关为什么选儿童口语这样细分的方向? 从2023年8月立项起,模型到了哪一步,才让你认为教学的确定性问题可以解决? 修佳明把斑马口语称为集团最早、最完整的“全栈式AI产品”:前端、后端、后台和UI都围绕AI能力重新设计,而不是在原有录播或练习产品里增加一个聊天入口。选择儿童口语,是希望在一个很窄、边界较明确的问题上深入,做出他所说的“尖头产品”。这一选择同时利用团队已有的儿童语音和教研积累,也意味着结论不能直接外推到成人商务英语、数学答疑或通识教育。
申远抓住两个信息继续追问:项目已做两年多;嘉宾又宣称要“彻底解决”一个确定性问题。对AI Agent来说,幻觉和不可控常被视为落地与收费的关键障碍,所以主持人不是让嘉宾重复愿景,而是问具体的技术转折点:哪一代模型、哪一种能力,让团队确信它能用于真实儿童课堂?
修佳明的回答有一个重要转折:他认为早期大模型的基础能力就基本够用,后来模型进步主要改善呈现效果和效率;确定性方案从一开始就有大致方向,难点是两年的产品化,而不是等待某次模型升级突然消灭幻觉。其逻辑是让AI“在一定边界内自由发挥”。因此,“全栈AI”不是全交给模型自主决策,而是把课程拆小、给每段设目标,再配合训练、规则、质检与课件共同约束。
这段也说明评估对象不能只看底层模型:同一个通用模型,放在无课程陪聊和有目标、有学生状态、有质检的系统中,行为会不同;反过来,产品体验更好也不能直接归因于模型更强。两年多延迟最终被嘉宾解释为研发困难,而不是市场等待期。
话题推进: 嘉宾接着解释“边界”怎样进入25分钟课堂,以及团队为何称自己两年多来一直在与模型“搏斗”。
00:08:02–00:13:58 与模型“搏斗”:小目标、自由表达和四层质检怎样既保留AI的灵活性,又确保它完成教学功能? 有没有让你惊艳的、非预设的AI回复? 为什么延迟到11月才发布?它是不是集团第一款AI Agent产品? 修佳明先给出核心原则:让AI在边界内自由发挥。他不把幻觉一概视为负面,因为模型有时能围绕孩子的兴趣给出教研事先想不到的回应;但创造性与事实错误、越界表达必须分开。对口语课来说,一句新鲜而适龄的回应可能有价值,一句编造知识或不适合儿童的话则不是可接受的“创造力”。节目没有给出一套自动区分二者的完备判据,实际方案是把目标、场景和人工判断嵌入产品。
第一层控制是课堂节奏。25分钟被拆成十几个环节,每环约2—3分钟,有明确的小目标。模型知道当前要完成什么,配合课件把孩子的表达引向该目标。这里的“主动”是AI在短环节内发起追问、选择引导并推进任务,不是它自己决定一年课程先学什么。
第二层是训练与上线前测试。嘉宾自述团队做数据清洗、分类、强化训练、对抗性“找茬”和正例奖励,并用持续更新的测试集做较大规模验证。节目没有交代具体算法、样本量、通过阈值,不能把这些词扩写成某种已知的RLHF流程。
第三、四层发生在上线及课后:实时系统识别错误或敏感内容,人工再做质检和标注,把真实案例回流给模型或课程;每一节25分钟课都被当成一个产品,逐节验证后才认为可用。申远对此表示意外:并不是通用模型一次部署后自动批量开课,而是一节一节磨。
当被要求举出值得保留的模型发挥时,修佳明说,一个孩子谈到礼物,AI学伴回应“I'm jealous”。孩子感到它确实在回应自己,因而开心。主持人随即追问孩子能否听懂,嘉宾称模型会按孩子水平筛选用词;产品大致面向6—12岁,更关键的是英语水平而非年龄。这个例子证明的是一次互动显得贴心,不足以证明孩子学会了jealous或口语能力提升。
发布节奏上,嘉宾承认理想状态是2023或2024年推出,延迟来自研发困难。到录制时,团队经内部论证和外部测试后认为产品“有效、安全、有益”,于是发布。该自述是重要产品声明,但本期未展示相应测试设计与结果。嘉宾还澄清,集团做过很多AI Agent尝试,斑马口语的差异是从底到表都为AI设计,而不是唯一的Agent项目。
话题推进: 从“为什么现在才发布”,话题转向更基础的市场判断:儿童口语究竟缺的是陪聊对象,还是能持续提升能力的教学?
00:13:58–00:20:47 需求判断:口语缺实时输出,但需求不等于产品效果你怎么看孩子和家长在口语上的真实需求?有量化市场数据吗? 为什么很多孩子学到KET或PET附近后,口语会停住? 写作也是输出,为什么你认为口语训练更难? 修佳明从长期观察解释选题:听力、阅读、单词和语法可借助材料自学或由教师讲授,口语则要求学习者与对话对象实时交流,对方最好还知道其水平,能让对话继续并提供大量开口机会。真人外教、合适语伴和能系统教学的老师都稀缺;非专业母语者能聊天,却未必会安排教学路径、材料和知识点突破。这是嘉宾对供给缺口的产品判断。
他观察到,一些孩子在KET水平前,或一线城市孩子在PET水平前,还能借家庭、校内和培训继续提高,之后口语长期停滞,到留学前又突击托福口语。他将原因归为缺少持续输出资源,而非没有需求,并认为单项口语落后会损害语言感觉、自信和兴趣。这里的KET/PET是剑桥英语考试体系中的等级参照;节目没有给样本规模或纵向数据,所以“普遍停在那里”应保留为嘉宾的经验概括。
主持人直接问是否有用户规模或市场量化数据。修佳明没有提供统计,而是给出强判断:凡是要把英语学到一定水平的孩子都有口语训练需求。他用早期汽车作类比,认为缺乏好产品会让需求看起来不存在。这个类比能解释潜在需求可能被供给抑制,却不能证明所有潜在用户都适合一年一级、每节25分钟高强度输出的这一产品。
申远随即用写作提出反例:写作也是个性和输出,是否同样需要这种产品?嘉宾认为写作可独自通过阅读、模仿、素材替换和反复修改来训练,不需要即时回应;口语在问路、购物等交流中不能随时停下查词典,实时性和互动性更强。他提到“三个月写作突击”是个人化经验表述,不应当作所有学习者的时间承诺。
这一段的关键转折是:对话从“AI能不能像老师”回到“学习者缺什么”。但即使接受口语需要高质量互动,也只建立了产品值得试验的理由,还没有建立它比陪聊、真人或其他课程更有效的证据。
话题推进: 于是主持人把斑马口语定义为“主动式”而非辅助式AI,追问它与普通陪练的本质差别。
00:20:47–00:26:13 主动型Agent与个人向量数据库:记忆怎样进入下一步教学主动式产品和过去的陪练、Copilot有什么本质区别? 大模型没有长期记忆,你们怎样在产品里解决? 除了记忆,专有模型还融入了哪些教学能力?人格数据存在模型内还是模型外? 修佳明接受“主动式”这一概括,并给出一个强主张:被动陪聊、陪练最好只能维持现有水平,真正提升需要在既有基础上有规划地增加难度、训练量并选择合适材料。剑桥等体系把词汇和句式与阶段、生活和认知范围关联起来,通用聊天模型并不会自动掌握某个孩子的一年学习路径。这个主张解释了为什么要做课程系统,但“陪练只能维持”没有对照实验支持,应视为嘉宾的产品立场。
长期记忆的外部化路径被讲得较具体。按嘉宾自述,每个学员有一个外部个人向量数据库,课堂上的话语与行为转化为数据,记录学习水平、习惯、状态以及兴趣、家庭成员、宠物名字等。它不直接存进模型参数。课后团队有时使用DeepSeek整理课程信息、生成报告和维度梳理;DeepSeek不负责课中的主要对话,课中使用团队自研并针对教学训练的模型。
一次互动可按“输入—计算—输出”理解:输入是当前孩子的一句话、课件所处的小目标、该生级别与外部历史;系统用当前信息触发相关历史检索,再把检索结果与实时语境合并,模型生成回应、追问或下一步教学动作。输出既包括语言,也可包括配合课件的表现。历史被检索到,并不等于模型形成了可靠学生模型:识别可能错、摘要可能丢失、相似记忆可能不适合当前目标,旧水平也可能已过时。
“向量数据库”也不能简单等同于所有记忆。它通常把文本等对象表示成向量,通过相似度找到相关历史;学习水平、课程进度和教学规则是否另以结构化字段保存,节目没有披露。更不能把“记得宠物名”直接等同于“知道该教什么”。前者主要改善连续性,后者需要课程目标和学生掌握证据共同决定。
在通用记忆之外,嘉宾说专有模型融入了教学法、心理学和语言学,并预先学习每个课件环节的目标及“什么数据说明目标达成”。情绪侧则预设累了、烦了、开心、疑惑等场景,要求反馈积极而具体:不直接说“你错了”,也不空泛说“你很棒”,而要指出刚才哪一处表达好。基础人设被描述为训练进模型,孩子个人历史放在外部;两类“人格”来源不同。
最后,主持人再次确认模型内人设与模型外记忆的分工,并引出DeepSeek课后整理这一补充。至此,所谓主动型Agent至少包含课程目标、学生状态检索、教学策略和输出四层,而不是一个有长期聊天的虚拟形象。
话题推进: 明确两种模型和两类记忆的分工后,主持人把视线移到更底层的收音、语音识别和教学策略怎样落地。
00:26:13–00:52:14 连续对话 200:26:13–00:28:23 模型之外的底座:儿童收音、说话人区分与课后整理两个模型是否各司其职?基础人设和个人记忆还存在哪里? 孩子不总对着麦克风,语音拾取与识别怎样保证AI跟得上? 这一段先收束产品结构:基础人设由专有模型承载,个体历史和课后报告由外部数据系统承载;DeepSeek有时帮助整理课后信息,课中对话则由自研模型完成。这一划分很重要,因为“用了DeepSeek”不能被理解成整节课都交给DeepSeek,也不能把外部报告生成能力当作课堂主导能力。
申远随后根据试用观察提出一个具体工程问题:儿童不会一直对准麦克风,脸也未必正对画面,为什么AI仍能较快回应?修佳明承认收音和识别有难度,团队模拟背景音和嘈杂场景,并继续积累上一代语音识别技术。这说明“AI原生”并不排斥非大模型模块,语音入口的可靠性本身会影响后续教学。
嘉宾举例称,系统可以处理成人声音干扰;多子女家庭中,可记住正在上课的姐姐的脸和声音,减少弟妹声音被误识别进来的情况,同时针对距离远近和说话方向训练。此处是能力自述,没有误识率、测试家庭数、时延分布或隐私处理说明,不能写成任何环境都能准确区分。实际效果若把弟弟的话归到姐姐名下,不仅识别错一句话,还可能错误更新个人历史、难度判断和课程反馈。
因此,语音层不是可有可无的外围:它向Agent提供“孩子到底说了什么、是谁在说”的输入。上游错误会被下游模型合理化,形成表面流畅但对象错误的教学。后文所说先ASR再生成、再把原话显示在屏幕上的选择,也说明文字中间表示同时承担纠错和质检用途。
脚手架策略 学生暂时不能独立完成时,通过拆句、降低问题开放度、提示或带读提供临时帮助,再逐步撤掉并回到独立目标。‘完成带读’不等于‘已经掌握’。
情感过滤阈值 嘉宾用来描述紧张、自我审查和害怕犯错对开口表达的抑制。温暖人格旨在降低这种抑制,但情绪改善仍需与语言学习结果分别测量。
位格 嘉宾指儿童对AI外教形成的稳定角色与反应预期,而不是冒充真人。该定位是否被儿童普遍如此理解、是否影响长期关系,尚未验证。
话题推进: 当输入链路明确后,主持人回到更抽象的问题:教研人员的教学法,究竟怎样变成模型可执行的选择?
00:28:23–00:31:38 把教学法变成行动:脚手架、类比与“会乱”的调试过往教研和儿童教育经验,具体怎样进入产品? 所谓脚手架策略是什么?给模型很多示例后,它会不会混乱? 达到可用平衡花了多久? 主持人没有把“融入教学法”当成答案,而是继续问难以交付的细节。修佳明举的第一例是:孩子说不好长句,可能只有一部分不准,老师要帮他说完整,又不能因纠错打击信心。团队称这为“脚手架策略”——在孩子暂时做不到时提供支撑,再逐步撤掉,而不是反复要求整句重来。
其行动梯度是:先问需要完整作答的特殊疑问句;孩子答不出,就按水平改问选择疑问句或一般疑问句,降低开放程度;仍失败,则给提示、带读、跟读,最后回到原知识点。选择先降一级还是两级,依赖对学生水平与当前语境的判断。转录把几类问句误作“特殊语言句/一般语文句”,本文按明确语言教学语境校读,未把机器标签当作说话人归属依据。
第二例是利用已掌握知识进行类比。孩子若已学过come的过去式came,遇到become时,AI可提醒这一相似结构,让孩子尝试推出became,而不是直接报答案。这要求系统不仅知道当前错题,还要有“此前学过且掌握”的历史证据;如果历史记忆只是相似话题而没有掌握状态,类比就可能建立在错误前提上。
申远问这是否在专有模型训练中完成。修佳明说,会给模型许多示例,命名策略及其适用场景,告诉它怎样结合孩子特点选择。主持人马上追问“不会乱吗”,嘉宾承认有时会乱,只能不断调试。这个回答避免把示例训练写成已解决的自动规划:模型可能选错脚手架层级,也可能该撤支撑时继续带读。
关于研发时长,嘉宾给出的口径是:从确定一节25分钟课的主题到它能确定上线,按当前产能约一年;现在正在做的课可能一年后上线。原句同时出现“新级别、新课件”和“25分钟这课”,具体项目边界并不完全清楚,应原样保留,不宜概括成已精确核算的所有课件统一周期。
话题推进: 嘉宾主动补充,比把教学法示例交给模型更难的,是随着孩子水平变化持续控制难度。
00:31:38–00:35:55 难度控制:固定词库不够,需要状态、例外和回归主线为什么不能直接限定一个词库,禁止超纲词? 多条件边界怎样随孩子水平和反馈变化?规则能复用吗? 为什么不先做成人商务英语?为何一个级别要学一年? 修佳明认为,不同阶段可接受的难度区间很细。主持人提出最直观的工程方案:给模型一个级别词库,超出就不用。嘉宾承认有这类边界,但不能卡死,因为孩子本人会说出课外内容,AI若完全接不住,互动就中断;若顺着超纲内容无限展开,又会丢掉教学目标。
他举的课堂案例中,孩子谈美国旅行时说出一个被转录为“Golden State”的词,嘉宾随后解释它是一座桥并要求AI接住,再把课堂引回去。原词和桥名存在转录疑点,本文不直接替换成“Golden Gate/金门大桥”,只保留“孩子主动说出课外地点词、AI需回应并回归”的机制。奥特曼、蛋仔派对等儿童兴趣话题也被用来说明模型需要通识,而不是只会课纲词表。
技术上的回答不是一条公式,而是密集的多条件边界:常规状态A下限制用词;孩子主动说出超纲内容触发B时,允许一定回应空间;再结合学生水平及其“懂/不懂”的后续反馈,决定扩展、降级或回归。主持人追问这些规则能否复用,嘉宾说可以复用迭代,但新课件仍需微调,因为孩子水平提高后边界也要上移。节目没有披露条件如何表示、由模型还是程序判定、冲突时谁优先,不能把这一描述想象成已完备的自动难度控制算法。
主持人随后问,儿童场景这么复杂,为什么不先做成人商务口语?嘉宾说团队一直做儿童教育,并认为成人需求更场景化、成人更能自控,当前模式对成人的效率与适用性尚未想清楚。这实际上给“主动型Agent”的适用范围设了边界,而不是宣称处处适用。
关于一年一级,嘉宾把口语进步描述为阶梯状:第一个月因熟悉课堂、敢于开口而进步较快,之后可能进入平台期;他观察到平台期大约每三个月出现,持续两周到一个月后又可能提升。数字是团队经验,不是个体保证,也没有展示学习曲线。更重要的是,“熟悉产品后敢开口”与“语言能力本身跃升”可能是两种不同变化,需要分开测量。
修佳明(嘉宾课堂案例与转录边界) · 00:32:06
孩子谈美国一座桥,AI需接住课外话题再回归;转录“Golden State”与桥名不猜改。
话题推进: 讨论完学习强度与节奏,主持人用“画妈妈”的演示追问:看似即时生成和情绪互动,哪些来自模型,哪些仍是设计?
00:35:55–00:41:49 惊喜、彩蛋与偏离课堂:像老师的互动仍由策略塑形AI根据描述画妈妈,是不是实时大模型生成?彩蛋怎样触发? 孩子挑衅、跑题或故意battle时,AI怎么处理? 为什么把AI外教设定为超温暖的人格? 申远描述演示中AI根据孩子对妈妈外貌的描述画画,觉得互动很有想象力。修佳明澄清,当前并非完整实时AIGC生成,局部虽在尝试,但速度和渲染存在瓶颈;不能让孩子说想聊奥特曼后等五分钟才出现图像。现有方案主要是可组合课件和触发策略,让孩子感到灵活。主持人后来展望实时生成,属于未来设想,不应回写成现有功能。
彩蛋同样不是完全随机。孩子聊到相关话题、处在合适时机时才可能触发。生日例子中,老师问是否想办party,孩子用“Can I say no?”表达拒绝且情绪低落,AI先接受不办派对,再送生日礼物彩蛋,孩子转而开心。这个案例展示语言回应、情绪判断和视觉动作如何组合;它说明体验被设计得连贯,不等于AI独立理解了孩子的全部处境。
申远接着问“熊孩子”故意挑衅怎么办。嘉宾给出的边界是:偏离课件时原则上两轮内回归;太远或涉及敏感内容可回避;必要时更严肃地提醒正在上课,并用简单有趣的任务拉回注意力。实际内测中,他说这种情况很少,孩子到第四、五节对“调戏AI”失去新鲜感;同时25分钟要有效开口100多次,任务密度让孩子集中于课堂。这里的频率和原因都是团队观察,没有给跑题率或分年龄段数据。
至于“超温暖”,修佳明把它与口语输出压力联系起来:第二语言本身陌生,孩子若担心被批评,就更不愿开口。AI被设定为不嘲笑、耐心、具体鼓励,以降低他所说的“情感过滤阈值”,即紧张和自我审查对表达的抑制。但嘉宾同时明确说,“好本身不是目的,目的还是学习”。这句话是后文区分像老师和有效教学的关键:温暖可以服务于开口,不能代替纠错、撤除支架与能力迁移。
话题推进: 主持人由这种稳定而温暖的反应进一步追问:孩子会不会把一个非人AI误当成真人?
00:41:49–00:47:35 “位格”而非假人:稳定关系是产品假说,不是教学验收AI有独立位格但不是真人,会不会模糊孩子对现实关系的理解? AI外教的人格是预先设计的,还是互动中自然形成的? 修佳明进一步解释,人格不只是“性格很好”,而是孩子能在心中形成对AI外教的稳定预期:它既不是普通真人老师,又承担教师角色;孩子知道某类表达大致会得到什么反应,由此建立安全感。他把这称为独特的“位格”或认知图式,类比人熟悉朋友后对其反应的理解。
申远没有只接受这一叙述,而是临时加入提纲外的问题:如果产品有独立位格却不是人,会不会像孩子把所有玻璃都当触屏一样,模糊现实边界?他又以孩子得知圣诞老人并非真实而崩溃为例,追问身份揭穿的风险。这是本期重要的主持人质疑,因为它把讨论从“人格是否可爱”推进到长期儿童关系与伦理。
修佳明回应,团队起初并没有专门设计这个哲学命题,而是在观察互动和AI表现后发现这种状态。他们使用二维动画,不追求“百分之多少像人”。他以宠物狗作比:人可与狗建立情感、觉得它有人性,却并不因此认定它是人;处在泛灵发展阶段的孩子,也可能把娃娃等对象当作有生命的存在,同时知道它不是真人。
他因此判断,AI外教无需被定位成“假的人”,它是儿童认知中新出现的一类存在;孩子作为“AI原住民”可能自然接受。这个回答保留了产品的非人定位,却不能证明所有儿童都不会混淆、依赖或把永远积极的反应当作现实关系标准。相关影响需要分年龄、长期跟踪和孩子访谈,节目没有提供。
对本文而言,位格概念最有用的地方是把评价对象从“像不像真人”转为“互动是否稳定、是否支持学习”。但它不能成为豁免教学效果或伦理证据的理由。后文教师节的冷淡反应恰恰说明,语言上像老师和完整场景中的恰当表现仍有距离。
话题推进: 从哲学定位回到内测,主持人要求给出样本规模与真实失败案例,而非只看产品演示。
00:47:35–00:52:14 内测的两个反例:教师节不够激动,跟读五遍令人崩溃内测有多少课、最长用户学了多久?哪些反馈推动了迭代? 教师节反应平淡是模型层还是策略层问题?为什么不能让模型自己处理? 除了情绪反应,教学过程中还有什么失败? 修佳明给出的内测口径是累计完成7000多节课,最早一批用户最长持续26周、约半年。节目没有披露独立儿童人数、年龄与初始水平分布、完课率、流失率或对照组,因此“7000节”不能换算成7000名用户,也不能单凭最长26周推断普遍坚持半年。
第一个失败发生在教师节。孩子拿贺卡和花祝AI老师Jessica节日快乐,AI语义上笑着道谢,表情也没有错,却没有团队期待的强烈感动或彩蛋。主持人指出“不是超温暖人格吗”,嘉宾解释,模型能生成恰当语言,但动作、状态和彩蛋需要另外协调;自然日历中的特殊节日未被充分设定,是策略层遗漏。团队随后补充教师节、圣诞、元旦、春节、中秋、端午等场景。
主持人继续问:如果每个节日都写规则,工作量会不会太大?嘉宾说,普通场景可由模型处理,但当团队要求“这次一定要激烈”时,无法保证模型必然如此,就加外部策略外挂;具体说什么话仍由模型生成。这清楚划出了生成与控制的边界:模型负责语言灵活性,产品策略保证某些关键动作。
第二个失败更直接触及教学。早期版本严格度偏高,一个孩子一句话读不过去,被AI带着重复五遍,近乎哭和崩溃。修佳明称之为“冷漠的耐心”:AI一直温和带读,却没有根据连续失败改变任务。团队随后限制重复轮次,增加脚手架,先引导孩子说熟悉、短的内容,必要时更换语言材料。
这两个案例分别说明:语义正确不等于场景合适,表情耐心也不等于教学有效。优秀真人教师的价值往往恰在发现学生状态并改变下一步,而非永远保持同一种温暖。它们是本期内测价值最高的证据,因为保留了产品如何失败、怎样归因和修改,而不是只展示成功演示。至于修改后是否减少崩溃并提高保持、迁移,仍需后续数据。
修佳明(嘉宾教师节失败复盘) · 00:48:39
语义与微笑正确但反应强度不足;团队归因于自然日历和策略遗漏,对必须发生的动作使用外挂。
话题推进: 失败复盘之后,主持人顺势提出关键问题:除了课是否上完、孩子是否开心,教学效果到底怎样量?
00:52:15–01:15:00 连续对话 300:52:15–00:56:29 怎样衡量教学:口语力、开口次数与外部考试不是同一层证据内测用什么量表衡量教学效果?用户能直观看到提升吗? 最后是否仍需考试检验?为什么一节课不能重复上? 修佳明介绍内部的“口语力”体系:准确度、流利度、丰富度三个大维度,每个再分两个小维度,共六个子维度,由客观数据指标经公式聚合。录制时该体系尚未随产品正式发布,预计稍后上线。他没有披露六个子维度、各指标定义、权重、误差或与人工评分的一致性,所以不能把“有公式”直接理解成测量已有效。
在更粗的层面,团队看25分钟内有效开口次数,认为100次以上较合理,约每分钟四次完整表达;嘉宾还说一节课语料可粗略估计,四节课后能估得较准。这些数字描述训练剂量和估计信心,不等于学习增量。孩子可能说得多却总在熟悉句型里,也可能在AI提示下完成而非独立表达;“有效”的判定标准同样未公开。
申远追问是否还要考试。嘉宾认为课堂本身就不断要求孩子表达,因此每节课都有测验性质;但又补充,L4目标是交付KET水平,会赠送KET口语模考,家庭若不信内部口语力,可用外部考试验收。转录此处写作“KT”,结合前文与剑桥语境按KET理解。关键是本期只提到提供模考,没有给模考参与率、分数提升或与陪练/真人的比较。
因此,评价应至少分四层:AI输出是否安全恰当;课堂是否完成目标并有有效输出;撤掉提示后能否在稍后和新情境复现;数月后能否在盲评、真人对话或外部考试中体现进步。前两层可由质检和开口数据支持,后两层才是“真学会”的更强证据。内部评分若用于模型调优又用于向家长证明效果,还需要防止课程内指标自我印证。
关于不能重上一节课,嘉宾解释每主题有两节对话、一节表达、一节综合运用,综合课以新剧情复现前三节;课外还有预习复习,词句和能力会在后续循环复现,例如将来时约四周后稍难再现。他们认为一周两次、每次25分钟已接近许多家庭可投入的上限,重复原课浪费时间,因而不开放。
主持人的疑问很重要:数字课程通常可反复使用,AI课为什么只有一次?嘉宾的回答是教学体系选择,并非技术不能重放。但“不需要重上”仍是团队判断;不同孩子是否需要额外练习、能否选择补救,应由无提示复现结果而不是统一禁止来决定。
口语力 企业内部指标,含准确、流利、丰富三维和六个子维度;录制时未完整发布,公式、权重和外部效度未披露。
有效开口次数 课堂训练剂量指标,嘉宾以25分钟100次以上为合理强度。它衡量输出机会,不直接等于独立口语进步。
形成性评价与结果评价 课堂中持续观察并调整教学属于形成性评价;延迟、新题、外部盲评用于检验学习保持与迁移。两者互补,不能互相替代。
标注与质检 教研对课堂数据作专业判断并推动模型、策略或课件迭代,主要控制教学过程质量;学生学习效果需另行测量。
话题推进: 主持人随后转向未来:实时生成课件、原生语音模型和更低Agent搭建门槛,会不会重做这套产品?
00:56:29–01:00:32 未来课件与语音链路:实时生成是愿景,ASR中间层有教学用途产品未来怎样演化?实时生成课件会带来什么? 当前对话技术的主要瓶颈在哪里?为什么不是原生多模态? 修佳明先把近期任务收得很具体:增加课件数量,同时验证更高水平和更低基础、尤其零基础孩子能否使用。团队对基础更好者较有信心,对基础更差者仍待验证。这是对产品适用范围的直接保留,也说明已有内测不能代表所有级别。
实时生成课件则是双方共同展望:若系统能围绕当下兴趣与话题即时画出内容,例如让“妈妈”的画像更贴近孩子描述,并调用相关历史生成素材,课堂可能更自然。但主持人说“教学效果应该更好”仍是待检验假说;更丰富画面也可能增加分心、等待或偏离目标的风险。嘉宾此前已明确,当前主要是可组合课件,实时生成受速度和底层能力限制。
技术链路上,当前是孩子语音先经ASR转文字,文本模型理解并生成文字,再由TTS合成语音。主持人问是否因为不是原生多模态,嘉宾确认该链路仍有少量延迟,但称与正常网络下真人外教相近,体验没有更差;这属于团队评估,未给端到端时延分布。
他没有把ASR中间层只写成落后包袱,而是指出教学需要可检查的文字:把孩子说过的原话放到屏幕上,标出不精准的词、替换并复读。这使错误定位、学生回看和教研质检成为可能。真人教师很难实时逐词呈现,这被视为AI的差异化价值。
因此,是否转向端到端语音不能只用“新模型更先进”决定。若原生语音降低延迟,却丢失词级对齐和可审计纠错,产品仍需保留平行的ASR与评价链路。嘉宾提到约100毫秒量级的细节,只能说明团队关注响应体验,不能据此宣称当前总延迟恰为100毫秒。
话题推进: 当模型继续进步、搭建Agent越来越容易时,主持人把技术问题转成商业问题:两年重工程会不会被冲掉?
01:00:32–01:04:06 模型进化与教研护城河:经验重要,但壁垒仍需效果证明模型加速进化、Agent搭建门槛降低,会不会冲击定位和价格? 大模型能力与教学控制之间的张力怎样理解? 儿童教研经验是否构成难以复制的护城河? 申远给出明确的竞争场景:过去许多产品在模型上补工程,下一代模型发布后这些补丁可能被抹平;如果自然语言就能编制Agent,斑马两年的投入是否仍有价值?修佳明表示期待模型进步,因为团队能借既有经验和数据更快采用。他随后提出核心防御:儿童教学不能像普通工具一样一蹴而就,通用数据不能直接告诉系统面对这个孩子下一步该怎样教。
嘉宾用“数据没有经验更有说服力”强调人类教研,并主动把范围限定在儿童这类精细教学,承认成人商务英语可能不同。词汇先学什么、能力怎样发展,不能让模型随意发挥。他用法拉利作比:车能开很快,不代表可在街道上按赛道速度驾驶;模型能力强,也要服从儿童需求与教学边界。主持人把这一关系概括为模型能力和控制需求的张力。
嘉宾同时承认,不是所有教学场景都适合这种重模式;短期内儿童口语仍需人的强干预。如果AIGC真能实时生成合格课件,他会很快改造甚至取消现有课件。因此,所谓护城河不是永远不变的架构,而是当前对教学、课件和数据的积累能否在新模型上继续转化为更好结果。
对于经验为何难复制,他说,一位英语好且有教学经验的教研或产品加入,至少培训两个月才能胜任一个环节;包括他本人在内,没人全盘掌握所有逻辑,即使资料全部公开,竞争者也可能看不懂。这能说明隐性知识与跨职能协作成本,但“复制难”不自动等于“教学效果好”,更不等于竞争者不能用较轻方案达到同等学习结果。
这段最有价值的判断不是“数据无用”,而是通用数据和具体教学决策之间仍需要经验转化。其竞争解释也有另一面:这些重流程可能来自真实必要性,也可能包含组织复杂性、历史路径或未自动化成本。需要以学生学习结果、课程生产效率和跨级复用率共同检验。
话题推进: 讨论完能力与经验,话题落到家长是否愿意付费:团队最终选择按学习产品而非AI产品定价。
01:04:06–01:08:22 按学习结果定价:3600元、内测价格与“十万以内”判断为什么按级别收费,而不是按AI产品逻辑收费? 家长最关心AI形式还是教学结果? 如何看待同类竞品、真人外教稀缺和潜在用户规模? 修佳明说,团队讨论多轮后选择按级别收费,把一级视为一段完整学习体验,而不是按Token、调用次数或AI功能订阅定价。嘉宾自述每级3600元,参考市面口语产品区间和家长习惯;内部一度觉得偏低,但考虑到AI外教尚需建立信任,不希望价格成为尝试障碍。
内测价格的口径需要谨慎:节目中同时出现“打七折左右”和“约1500—2000元以内”的说法。若直接以3600元为原价,七折并不能得到这个区间,可能对应不同套餐、早期价格或口语省略;本期没有足够信息统一,本文保留两种原话,不擅自重算或给出一个确定折扣。
主持人问为何坚持学习产品定位。嘉宾回答,底层产品框架虽不同,更高层目标仍是解决口语需求、交付学习成果。他称家长不太关心AI还是真人,更关心多少天得到什么效果,并结合试听做决策。这恰好再次否定“像老师就够了”:家长购买的是可验证的学习改变,不是虚拟形象或Agent标签。
市场竞争方面,嘉宾说当时没有看到形态完全相同的竞品,也欢迎更多人进入。真人外教合法供给少、水平参差,是他判断需求强的原因;他进一步称“10万以内规模压力不大”,预期空间更大。这里没有明确10万指付费用户、潜在用户还是其他经营口径,也无获客、转化、留存或产能模型,不能写成已验证十万付费市场。
申远最后把“率先推出”反向解释为赛道不确定:先发既可能是机会,也可能说明其他公司仍在犹豫。这个问题把节目从企业自述的产品优势推向外部竞争检验。
话题推进: 嘉宾随后用研发可靠性、两亿投入和约200人团队回答:为什么多数公司未必愿意做同样的事。
01:08:22–01:15:00 重研发的终点仍是学习证据:99.9%、两亿、200人与逐级上线行业先发是优势还是赛道不确定?其他教育和互联网公司会怎样竞争? 研发团队怎样组成,标注和质检的数据是什么? 什么时候发布、上线几个级别、更新周期如何? 修佳明再次否认“抢跑”,称团队是做到内部满意才发布。大量看不见的工作用于把可靠性从97%推向99.9%;他认为教育不能接受100人中3人出错。这里的百分比被用来解释尾部错误的代价和最后几个点的成本,节目未给指标定义、错误分母或实测结果,不能当成已经达到99.9%可靠性的审计数字。
他自述研发投入约两亿元、团队约200人,因此普通创业公司难承担;同规模教育公司取决于决心与教研专长,互联网大厂可能更倾向通用批改、答疑。豆包等通用教育功能被评价为不错,但嘉宾认为许多现有产品仍只是“平替优秀老师”。斑马则要做老师做不了的事,例如高强度、可逐词可视化和个体历史支持的口语训练。该定位有差异化意义,但“任何老师都无法完成”“市场上没有同类”都是企业视角,需通过同目标对照来证明其增量。
组织包括教研、动画交互、产品、研发,以及音视频中台和AI Lab;后者支持直播引擎、模型、ASR和TTS。跨部门标注与质检由教研主导,因为判断是否符合教学法是专业工作。团队沿用给真人外教打分的维度评价AI每节课,低分维度触发迭代,并有前测与后改两条平行流程。标注对象主要是教学数据,不只是敏感词或事实正误。
这条质检链的输入是课堂对话、行为与课件记录,计算是教研评价、问题归因和模型/策略/课件调整,输出是新版本与验证数据。它能提高“这节AI课上得是否符合设计”的可控性,却仍与“孩子几个月后学得怎样”不同。给AI打课分类似教师课堂评价,学生结果还需独立测量。
结尾发布信息纠正了前面对完整六级体系的可能误解:录制时说18号发布,当时只有一个级别,很快有两个;之后按研发进度约一年上一个级别,主持人戏称“五年规划”。先上Level One的表述与随后“从中年龄段开始、再向两边拓展”并存,具体级别命名和人群对应未完全展开。嘉宾解释低龄产品难做、高龄内容更难且潜在用户较少,因此选择当前起点。
全期最后回到同一问题:AI教育产品的重心应从“AI像不像老师”转到“能否稳定交付学习”。课程规划、两亿和200人说明投入,内测7000多节说明使用,质检说明过程控制;它们都重要,却不能替代公开、可对照、长期的学生学习结果。
话题推进: 节目结束。审读综合层进一步把Agent、记忆、难度、质检与学习结果拆开,并保留所有未验证口径。
以上是原对话的分段阅读。下面才开始提炼论证、解释机制并给出本文自己的判断。