Podcast Interview · 逐期深读

修佳明谈主动型AI口语教学:Agent如何引导课堂,效果又如何被证明

本期背景与内容导览

本期由斑马口语特别支持播出,《晚点》记者申远与斑马首席产品官修佳明讨论一款儿童AI口语产品。核心问题不是虚拟教师能否流畅聊天,而是大模型怎样成为能推进教学目标的Agent:它既要保留对儿童即兴表达的灵活回应,又要在词汇、句型、节奏和情绪上服从教研边界。产品介绍、内测数字和效果判断均首先属于嘉宾及企业自述;本期没有提供独立对照实验或完整评测数据。 斑马口语以AI外教、孩子画面和交互动画课件组成三分屏,每节25分钟,规划6级、每级96节。团队2014年起积累儿童ASR、TTS和测评,2023年8月左右立项。嘉宾称早期模型能力已基本够用,真正耗时两年多的是把教学拆成十几个2—3分钟小环节,让模型围绕明确目标行动,再叠加专有模型训练、多条件策略、上线前测试、实时监控和人工质检。所谓“全栈AI”因而包含大量非生成式模块与人工教研,而不是把课堂全部交给模型。 主动型Agent与陪聊的差异被落在长期课程和微观引导上。每个学生的外部个人向量数据库保存课堂话语、行为、学习水平、习惯和兴趣等,当前发言触发相关历史检索,与课件目标和学生级别一起生成回应;DeepSeek有时用于课后整理,课中主要使用自研模型。向量检索提供连续性,却不自动等于可靠的掌握状态。脚手架要求从特殊疑问句降为选择或一般疑问句、提示、带读,再回到原目标;类比教学用已学come→came支持became的推理。模型会“乱”,所以规则和课件仍需持续调试。 难度控制不是固定词库。孩子主动谈课外地点、奥特曼或蛋仔派对时,系统需有限接住并回归主线;边界随水平和后续“懂/不懂”反馈调整。AI的积极人格用于降低开口焦虑,但嘉宾明确说“好本身不是目的”。内测中的两个失败最能说明这一界限:教师节语义与微笑都正确却反应平淡,暴露自然日历和策略缺口;一句话重复五遍让孩子近乎崩溃,则说明“冷漠的耐心”并不等于会教。 效果测量需要拆开。内部口语力含准确、流利、丰富三维和六个子维度,录制时尚未发布;25分钟100次以上有效开口是训练剂量,沿用真人教师维度给AI课打分是过程质量。它们都不能单独证明学习增量。L4赠送KET口语模考提供外部参照,但本期没有模考结果、保持迁移测试或对照组。累计7000多节、最长26周说明使用,不等于7000名学生或普遍半年留存。 后半场讨论技术与商业边界。实时生成课件仍是愿景,当前主要使用可组合课件;ASR→文本模型→TTS虽有延迟,却支持原话可视化、错词标注与教研质检。嘉宾把教研经验、约两亿元投入和约200人团队视为护城河,但复杂和昂贵本身不证明相对学习效果。每级3600元、内测折扣及“十万以内压力不大”都有口径限制。最终评价应回到:在撤除提示后,孩子能否在新情境持续、独立地使用更准确、流利和丰富的口语,并与陪练、真人或其他方案比较。

晚点聊 LateTalk · #142 · 2025-11-25 · 1:15:00

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 1

00:00:44–00:04:34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 / TTSASR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 2

00:26:13–00:28:23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。

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。

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 3

00:52:15–00:56:29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。

主要论证:观点怎样由经历与例子支撑

主动型口语Agent应在预设教学边界内主导下一步互动,而不只被动陪聊;长期课程目标与短期生成灵活性需要共同工作。

修佳明(嘉宾产品主张) · 00:08:19;00:20:47;00:24:09;00:28:59

口语提升需要按水平选择材料、控制难度并提供大量输出。团队把25分钟拆成小目标,用专有模型、课件、学生历史和策略决定追问、降级、带读或回归。主动性主要体现在2—3分钟环节内,一年课程和单元顺序仍由教研预设。

成立条件:“陪练只能维持水平”是嘉宾判断,未给对照数据;模型可能在多种教学策略中混乱,宏观个性化规划也未被证明已经实现。

外部个人向量数据库让课堂调用长期学生信息,专有模型负责课中教学,DeepSeek有时负责课后整理,三者不能混为一层。

修佳明(嘉宾记忆与模型分工自述) · 00:22:40;00:23:05;00:26:01;00:26:35

当前话语与行为被转化为学生历史,下一次互动由当前信息触发相关检索,再与实时语境、教学目标合成反馈。基础人设训练在专有模型内,个体记忆在模型外;课后模型整理报告和维度信息。

成立条件:未披露向量化、结构化字段、检索算法和更新机制;相似历史不等于掌握证据,错误识别和过时摘要可能进一步误导难度决策。

AI人格、固定规则和人工质检都服务于学习,而不能代替学习;失败案例促使团队调整策略与课程。

修佳明(嘉宾教学与品控自述) · 00:25:32;00:33:01;00:42:30;00:48:39;00:51:34;01:12:31

温暖反馈用于降低开口压力,多条件边界用于兼顾课外话题和课程难度,教研标注和课堂打分用于发现模型、策略与课件问题。教师节反应平淡和跟读五遍崩溃分别表明语义正确与耐心表情不足以保证场景恰当或教学有效。

成立条件:内测案例主要来自团队复盘;修改后的崩溃率、任务完成率、独立复现和长期效果未展示。规则覆盖与质检标准也可能存在偏差。

团队用口语力、有效开口和外部模考刻画学习,并以教研、工程和团队投入构成竞争壁垒。

修佳明(嘉宾效果与商业判断) · 00:52:15;00:53:01;00:53:39;01:03:29;01:04:41;01:11:51

口语力从准确、流利、丰富三维聚合六子维度,课堂强调100次以上有效开口,L4提供KET口语模考;产品按学习级别定价。教研经验、课件生产、语音底座、标注质检和跨职能组织使复制成本上升。

成立条件:内部指标尚未完整披露或验证,模考只提到提供而无结果;投入、复杂性、内测课次和市场预测都不能替代对照学习效果。

机制与术语:对象、输入输出和中间过程

主动型教学Agent:课程状态、策略选择与可观察输出

【本文整理;基于嘉宾分段自述】输入不是只有孩子一句话,而是当前语音及ASR文本、画面或课件行为、学生级别和历史、当前2—3分钟环节的教学目标,以及教研设定的场景与边界。系统先判断孩子是在作答、困惑、疲倦、偏题还是主动引入课外话题,再在模型与策略约束下选择继续追问、降低任务开放度、给提示、带读、有限回应兴趣或回归主线。输出包括AI说的话、语音与表情、课件动作/彩蛋,以及下一步学生任务。

宏观课程由教研规划,模型主要在小环节里做局部决策。失败可能来自语音误识、学生状态误判、策略冲突、难度不当或语言正确但动作不合时宜。因此不能把‘Agent主动’解释为模型自主决定全年课程,也不能只看一句回答是否自然。

对应节目:00:09:00;00:24:29;00:28:59;00:39:29;00:50:24

例子来源:嘉宾原例重述,不是本文虚构场景

嘉宾原例重述:孩子不能回答特殊疑问句时,系统按其水平改问选择或一般疑问句;仍失败则提示、带读,再回到原知识点。本文分析:真正的输出不只是更简单的问句,还包括何时撤掉帮助、重新要求独立作答;若始终带读,课堂可顺利进行,却未必产生独立能力。

个人向量数据库:从课堂事件到历史检索,再到个性化反馈

【本文整理;接口细节为说明性抽象】写入输入包括孩子说过的话、课件行为、学习水平、习惯、状态和兴趣等。课后系统整理这些事件,嘉宾称有时用DeepSeek生成报告与维度梳理,再把可检索表示保存到学生专属的外部数据库。下一次互动的查询输入是当前话语及其语境,计算是检索相关历史,并与当前教学目标、级别和规则合并;输出是体现连续性的回应、追问或后续信息更新。

向量表示把对象映射成数值表示,用相似度找相关内容;它适合找‘与此刻话题有关的过去’,不天然表示‘某知识已掌握’。可靠教学还需要结构化课程进度、带时间戳的测量、错误类型和掌握置信度,这些是否在系统中独立存在,节目未说明。隐私、未成年人数据权限、保存期限和删除机制同样未讨论。

对应节目:00:22:40;00:23:05;00:23:26;00:26:35;00:30:07

本文自拟示意,不是嘉宾实验

本文自拟简化检索:假设系统只使用二维示意向量,当前查询‘谈宠物’表示为(0.9,0.1),历史A‘宠物狗叫Coco’为(0.85,0.15),历史B‘过去式练习’为(0.1,0.9)。用点积作相似度,A得分0.9×0.85+0.1×0.15=0.78,B得分0.9×0.1+0.1×0.9=0.18,所以优先取A。若当前目标是过去式测验,仅按话题相似取A仍可能不合适;需把目标、时间和掌握状态加入检索或重排。此算例只解释检索,不是斑马实际向量维度、算法或阈值。

动态难度控制:边界不是词表,而是目标、学生证据和例外条件

【本文整理】输入包括课程目标词句、学生当前级别、历史掌握证据、实时发言及其后续理解反馈。常规状态把生成限制在适龄范围;学生主动说出课外内容时,系统可以短暂回应,再根据学生表现决定继续、降级或回归。输出不是单纯‘允许/禁止某词’,而是下一步任务难度与支撑强度。

一个可检验的教学状态可写为:目标T、学生水平L、当前支撑S、最近表现E。系统选择动作a后观察新表现E',若只在高支撑下成功,还不能把掌握值等同于独立掌握;应降低S后在同类或新题复测。嘉宾只描述多条件边界、规则和示例训练,未披露这种状态如何计算、由谁更新,以上公式化是对机制的审读抽象。失败包括把偶然说出的词当作理解、过难导致重复失败、过易导致无提升,以及规则随级别扩张后互相冲突。

对应节目:00:31:40;00:32:06;00:33:01;00:33:43;00:51:48

本文自拟示意,不是嘉宾实验

本文自拟计算:同一目标句在完全独立、给首词提示、整句带读三种条件下,分别记支撑S=0、1、2。学生第一次在S=2能完成,不代表在S=0已掌握。若一周后换一个新情境,仍能独立完成2/3题,而在原题带读下完成3/3题,前者比后者更能支持保持与迁移。数字只用于区分评价口径,不是节目报告的学习数据。

质检闭环:从课堂记录到模型、策略和课件的分别修订

【本文整理;归因分支包含本文分析】输入是完整课堂对话、ASR结果、学生反应、课件事件和教研评分。上线前团队清洗、分类、构造正反例并做对抗测试;上线后实时监控敏感或错误内容,人工标注、按真人外教课堂维度给AI打分,定位低分环节。输出可以是新的训练数据、更新测试集、策略外挂、课件变化或重复轮次限制。

归因需要分开:语义不当可能指向模型;该触发的动作未触发可能是策略;材料本身过难或流程过长可能是课件与教研;收音或说话人错误则需修语音层。节目没有展示统一错误分类、分母或修订后复测数据。质检证明团队在控制教学过程,但不能直接证明学生长期学习效果。

对应节目:00:09:38;00:48:39;00:51:34;01:12:31

例子来源:嘉宾原例重述,不是本文虚构场景

嘉宾原例重述:早期孩子一句话读不过,AI耐心重复五遍,孩子近乎崩溃。团队随后限制轮次、先换熟悉短句或材料并加强脚手架。本文分析:修订后应至少复查同类连续失败场景的崩溃/退出率、后续独立作答率;若只确认AI不再重复第五遍,仍未证明学习改善。

学习结果证据链:像老师、完成课堂、独立保持与外部迁移

【本文分析】第一层是表现像老师:语言自然、表情温暖、能接住兴趣,教师节和彩蛋属于这一层的场景证据。第二层是教学过程受控:小目标完成、有效开口100次以上、课堂打分和质检合格。第三层是学习保持:减少提示后,学生过一段时间仍能独立复现词句与能力。第四层是迁移与相对效果:在新话题、真人对话或盲评任务中使用,并与陪练、真人或其他课程比较。

口语力的准确、流利、丰富三维可以成为第三、四层的测量框架,但需公开子维度、权重、评分误差和与人工盲评的一致性。L4提供KET模考是外部参照的入口,实际成绩才构成证据。每节课都开口可视为连续形成性评价,但若题目、提示和打分标准与训练相同,也可能高估能力。

对应节目:00:42:30;00:48:01;00:52:15;00:53:01;00:53:19;00:53:39

本文自拟示意,不是嘉宾实验

本文自拟对照:同起点的学习者分别使用主动课程和等时长陪练,前后测试均包含练过题型与未练过的新对话,由不知道分组的人按准确、流利、丰富盲评,并延迟数周复测。若主动课程只在练过题型提高、在新对话无差异,则更接近任务熟练;若新对话和延迟测试也提高,才更支持可迁移口语能力。该设计是验证建议,不是本期已做实验。

独立判断:这些对话改变了什么理解

【本文推断】这期的核心贡献是把‘会聊天的AI’改写成‘受课程约束的教学决策系统’,其主动性主要在微观,不是宏观自主教研。

推理:产品把大目标拆成小环节,用学生状态、课件目标和场景策略选择下一步,比自由陪聊多了教学方向。可是课程级别、单元四课、循环复现和上线节奏都由团队预设,模型没有展示独立重组长期路径的能力。把它称为‘宏观预设、微观动态’更准确,也更能解释为何需要大量人工。

竞争解释与边界:微观动态本身可能很有价值,因为优秀教学恰在下一步如何问;不能因长期路径预设就否定Agent。后续若系统能根据跨周证据调整复习与目标,并证明不损害安全和结果,才可扩大主动性的边界。

【本文推断】‘像老师’与‘产生学习’之间至少隔着两次撤支架:先撤语言提示,再撤熟悉题型。

推理:温暖人格、即时回应和100次开口可增加参与,脚手架可让任务暂时完成;但学生在带读时说好,不代表没有带读也会,在练过的剧情里答对,也不代表新对话会用。跟读五遍崩溃恰好说明,系统若只优化课堂推进,可能牺牲状态且没有增加独立能力。

竞争解释与边界:如果内部口语力已经排除提示、包含延迟和新题,并证明与外部盲评一致,它能成为强证据;目前节目只公开三维和六子维度,尚不足以判断。情绪改善和敢开口本身也有价值,只是应与准确、流利、丰富等结果并列,而非互相替代。

【本文推断】个人向量数据库首先解决的是互动连续性,能否改善教学取决于它是否被转化为带时间和掌握证据的学生状态。

推理:记得宠物名字或上次旅行可让回应更亲切,但选择何时复习过去式需要知道何时学、在何种支撑下成功、之后是否遗忘。向量相似度容易找话题相关记忆,未必能找到教学最相关证据。ASR和课后摘要的错误还可能长期积累。

竞争解释与边界:团队可能另有结构化学生画像和课程状态,只是节目没有披露,不能据此断言系统只有向量检索。真正的检验是:使用长期记忆与只用级别/近期历史的版本相比,是否提高后续独立任务表现,而不是只提高‘它记得我’的满意度。

【本文推断】重教研、重质检和约两亿投入可以是壁垒,也可能成为扩张成本;护城河最终要换算为学习结果或生产效率的可验证差异。

推理:两个月培训、200人协作和一年周期说明复制不简单,但竞争者可以用更强模型、较轻课程或不同交互绕开同样流程。如果重模式显著提高保持迁移,成本有教育价值;如果只让表现更像老师而学习增量相近,轻模式可能更有效率。

竞争解释与边界:重流程也在沉淀难以公开的教学失败数据和评测集,这些可能比规则本身更有长期价值。需要观察课程生产是否随复用提速、不同级别效果是否一致,以及模型升级后人工介入是否减少。

【本文推断】‘非人位格’是合理的产品定位,不是规避儿童关系与伦理验证的依据。

推理:稳定、非冒充真人的互动可以减少‘不够像真人’的错误评价标准,让用户关注其独特能力。但儿童可能产生依赖、误把积极反馈当真实评价,或把AI反应模式带入人际期待,这些都不能用宠物类比提前排除。

竞争解释与边界:主持人提出的边界风险也尚是假说,不能反过来说AI必然造成伤害。应通过儿童理解访谈、长期使用、家长观察和退出体验检验,并确保孩子知道AI身份、纠错并不总等于积极鼓励。

尚未解决的问题与可检验的下一步

待解问题:口语力是否真正测量了可保持、可迁移的口语能力,而不只是课内表现?

下一步信息或小实验:公开六个子维度、提示排除规则、权重与评分误差;在训练前后加入未练过的新对话和延迟测试,用人工盲评、外部模考与系统评分对照。

怎样的结果会改变判断:若系统分与独立盲评一致,并能预测延迟和新情境表现,内部指标有效性增强;若只与练过任务和开口次数相关,应定位为课堂过程指标。

待解问题:主动教学Agent相对等时长陪练或真人教学,给哪类孩子带来多少额外学习收益?

下一步信息或小实验:按初始水平、年龄和学习状态分层,比较等时长主动课程、自由陪练和可行的真人方案;同时记录独立前后测、保持迁移、情绪、退出和成本。

怎样的结果会改变判断:若主动课程在多数层级显著提升独立与延迟表现且未增加负面情绪,支持其主张;若收益只集中少数孩子或只增加开口量,需要收窄定位和加强分流。

待解问题:个人长期记忆是否比简单级别档案和近期历史带来真实教学增量?

下一步信息或小实验:比较完整个人历史、仅级别与最近课程、无长期历史三个版本,固定模型和课件,观察检索错误、支架选择、后续独立作答及儿童感受。

怎样的结果会改变判断:若长期记忆改善支架选择与保持结果,支持复杂记忆投入;若只提升‘被记住’的主观感受或引入错误,需简化并加强结构化状态与纠错。

待解问题:重研发和逐课质检能否随复用而提速,并证明其相对轻方案的必要性?

下一步信息或小实验:分解定题、教研、课件、模型、规则与质检的实际周期,跟踪新级别复用率;对同一目标比较重流程与精简流程的学习结果、失败率和单位成本。

怎样的结果会改变判断:若重流程显著降低严重教学失败并提高长期结果,壁垒得到支持;若结果相近而周期成本持续更高,应重新评估哪些人工环节必要。

待解问题:儿童如何理解AI外教的人格、评价与身份,长期互动是否影响依赖和现实关系预期?

下一步信息或小实验:分年龄访谈儿童对AI身份、鼓励含义和真人差异的理解,跟踪长期使用、退出和受挫情境,并收集家长与教师观察。

怎样的结果会改变判断:若儿童能清楚区分AI与真人且没有不良依赖,非人位格假说得到支持;若出现混淆、过度依赖或对纠错关系的错误期待,应调整人设与交互。

影响理解的转录疑点

完整顺序阅读更能保留产品逻辑。优先深读00:20:47—00:33:58:主动Agent、个人向量数据库、脚手架和动态难度共同回答‘输入—计算—输出’;再读00:47:35—00:56:29:教师节和五遍跟读是检验‘像老师/会教学’的反例,口语力、100次开口、课堂打分与KET模考必须分层;最后读01:00:32—01:14:25,区分教研与工程投入、真实效果和商业预测。

证据边界与资料索引

本页依据整期机器转录、官方节目介绍与章节逐段重建,未宣称逐字人工听审。说话人、专名、数字和时间可能存在识别误差;原声仍是最终核对依据。嘉宾关于公司、市场、研究、个人经历与未来的说法按口述保留,不自动等于独立核验的事实。

原节目:142: 斑马CPO修佳明:一款能主动教学的 AI 产品是如何出现的

本页使用的公开文字或字幕来源

返回顶部