大模型如何打破教育“不可能三角”？粉笔CTO陈建华：聚焦学会、学习主动性、教研体系和准确率

引言：大模型落地教育行业的经典实践案例

2025年，大模型迎来应用爆发之年，各行各业涌现出许多 AI 落地实践案例。在教育领域，专注于职业教育培训的粉笔就是其中之一。粉笔 CTO 陈建华在第三届 AIGC 产业峰会现场表示，大模型的出现，正在打破教育领域长期存在的“不可能三角”：大规模、高质量、个性化，为教育带来新的可能。

什么是教育领域的“不可能三角”？ {,,#大模型}

长期存在的问题

教育领域长期面临着一个“不可能三角”：大规模、高质量、个性化。这三者难以同时兼顾：

• 大班课：实现了大规模和高质量，但牺牲了个性化。
• 一对一辅导：解决了个性化和高质量，但难以实现大规模应用。

大模型带来的突破

大模型的出现，有望打破这个“不可能三角”，使大规模、高质量、个性化成为可能。

大模型落地教育需聚焦的四个特点 {,,#教研体系}

学习的本质：从输入到输出的循环过程

学习是一个不断从输入到输出，再不断重构输入的循环过程，并非一蹴而就。

大模型落地教育的四大特点

1. 聚焦“学会”：教育的目标是“学会”，而不仅仅是答案正确。听课、做题只是过程，最终是为了更好地解决问题。
   • 例如，不能只关注学生是否做对了题，更要关注他们是否真正理解了知识点，能否运用到其他场景中。
2. 聚焦学习主动性：激发学习主动性是极具挑战性的任务。学习是反人性的，需要克服惰性和心理障碍。
   • 比如，如何利用AI技术，让学生对学习产生兴趣，主动参与到学习过程中来，而不是被动地接受知识。
3. 聚焦教研体系：所有的培训教育都必须有一套完善的教研体系，确保培训内容的科学性、系统性和有效性。
   • 好的教研体系就像一个知识库，能够源源不断地为学生提供高质量的学习内容。
4. 聚焦准确率：教育是非常严肃的场景，对准确率要求非常高。
   • 例如，AI老师给出的答案必须是准确的，不能有任何误导，否则会严重影响学生的学习效果。

粉笔探索大模型教育应用的三个阶段 {,,#RAG}

第一阶段 (2023)：内部、有限制、小场景

• 关键词：内部、有限制、小场景。
• 探索：尝试解题、解析等，发现大模型在主观类场景（如点评）效果较好。
• 认识：大模型要落地教育，推理能力仍需提升，结构化引导至关重要。
  • 这个阶段就像是在实验室里做实验，探索大模型在教育领域的可能性。
  • 例如，让大模型尝试解答一些题目，看看它的表现如何，从而发现它的优点和不足。

第二阶段 (2024)：粉笔AI老师的推出

• 标志：从单点场景走向系统化多场景融合。
• 聚焦场景：答疑和辅导。
• 实现方案：RAG+垂域模型。用户提问后，先识别场景，再通过 RAG 系统获取数据，最后由垂域模型生成答案。
  • RAG：检索增强生成技术，可以从海量知识库中检索相关信息，从而提高大模型的回答质量。
  • 垂域模型：针对特定领域（如职业教育）训练的模型，能够更好地理解该领域的知识和问题。
• 优势：降低幻觉，提高准确率。通过高质量知识库数据以及对场景和需求的洞察，RAG 系统可以极大降低幻觉。
• 垂域模型的必要性：职业教育的考试有其全面结构化的考察体系，基于独有的高质量数据、教员经验积累和用户学习行为洞察，开发垂域模型能保证以更小模型、更低成本实现更好效果。在题目答疑核心场景中，评分比通用模型优化后高 0.2 分以上。
  • 例如，粉笔的垂域模型在言语、判断推理和常识等科目上，表现会更好一些，因为它更了解这些科目的特点和考试要求。
• 收获与挑战：
  • 提问门槛高：用户主动提问的比例远低于预期，需要引导和训练。
    • 很多用户不知道该怎么问，就像面对一个知识渊博的老师，却不知道从何问起。
  • LUI 形式效率不高：图形界面结合对话的混合交互更合适。
    • 纯粹的文字对话可能比较枯燥，不如图文并茂的形式更能吸引用户的注意力。
  • 学习方式多样化：用户的学习行为非常不标准，展现出极大的个体差异。
    • 每个学生的学习习惯、学习时长、学习路径都不同，需要提供个性化的学习方案。

第三阶段 (2025)：AI系统班的推出

• 特点：由 AI 老师驱动学习流程，全程伴随。
• 四大特性：
  1. 个性化的学习方案：基于用户水平精准评估，量身定制学习方案，并动态优化，实现因材施教。
     • 就像一位私人教练，根据你的身体状况和目标，为你制定专属的训练计划。
  2. 学习过程更具人味：提供清晰的解释和引导，让学生理解“为什么这么学，下一步怎么学”。
     • 不仅仅告诉你怎么做，更告诉你为什么要这么做，让你知其然，更知其所以然。
  3. 启发式答疑：引导学员思考，避免直接给出答案，促使学员主动构建知识体系。
     • 不是直接告诉你答案，而是引导你思考，让你自己找到答案，从而加深理解。
  4. 更强的灵活性和主动性：学员可以根据自己的时间安排自由学习，不被固定的时间表所限制。
     • 不再需要按时上课，可以随时随地学习，更加灵活方便。
• 记忆系统：
  • 用户行为记录和画像：记录用户做题、听课等行为，构建动态更新的用户画像，为个性化推荐和内容生成提供基础。
  • 短期记忆：响应用户提问。
  • 长期记忆：抽取学员核心信息放入记忆仓，帮助系统形成对用户学习风格能力演进的深度理解，制定中长期的学习策略和目标引导。
  • 核心理念：有多少 Context，就有多少个性化。上下文信息是个性化基础。

未来展望：多维度个性化升级和三维一体的AI老师形态 {,,#AI老师形态}

多维度个性化升级

未来的个性化将探索更多维度，包括：

• 学习风格
• 认知偏好
• 情绪状态
• 学习动机

三维一体的AI老师形态

融合：

• 文字交互
• 语音沟通
• 白板演示

形成可对话、可聆听、可演示的三位一体的 AI 老师形态。这种多模态的交互方式，不仅能提升教学的实时性和响应效率，更贴近人类真实的教学场景，也能更好满足不同用户在不同场景的学习需求，让理解变得更自然，学习也会更高效。

总结：从智能化迈向智慧化

通过持续深化个性化构建更具沉浸感与互动性的 AI 教师形态，我们希望推动教育从智能化迈向智慧化，真正实现以人为本的未来学习方式。

个人感悟：

我认为：大模型在教育领域的应用，并非简单的技术堆砌，而是对教育本质的深刻理解和重塑。它不仅仅是提高效率的工具，更是实现个性化教育、激发学生学习主动性的引擎。然而，技术的发展也带来了新的挑战，如何平衡大规模和高质量，如何引导学生正确使用 AI 工具，都是我们需要思考的问题。教育的未来，不仅仅是技术的未来，更是人文关怀与科技创新的融合。

,#教育#,#大模型应用#,#AI教育#,#个性化学习#