在大模型加速平權(quán)化的時(shí)代，很多賽道都開(kāi)始走向內(nèi)容泡沫化和產(chǎn)品同質(zhì)化。但也總有一些場(chǎng)景，不輕易追熱點(diǎn)，但有更加扎實(shí)的場(chǎng)景。

AI 學(xué)習(xí)，就是其中之一。表面上看，它是一個(gè)高度非標(biāo)、低度復(fù)利的慢賽道。而正是慢，才讓其意義有新的浮現(xiàn)。

前幾天跟夸克學(xué)習(xí)負(fù)責(zé)人程飛進(jìn)行了對(duì)話，有一些體會(huì)，跟各位分享一下?；蛴袉l(fā)。

Part1 為什么說(shuō)學(xué)習(xí) ≠ 教育？

乍一聽(tīng)，會(huì)誤以為學(xué)習(xí)即教育，教育即學(xué)習(xí)。但夸克學(xué)習(xí)給出了不一樣的視角：教育是體系化供給，學(xué)習(xí)是個(gè)體化選擇。教育是外部輸入，而學(xué)習(xí)是內(nèi)部驅(qū)動(dòng)。

從這個(gè)角度看，夸克學(xué)習(xí)產(chǎn)品關(guān)注的不是課堂、教材、教研體系，而是一個(gè)場(chǎng)景：主動(dòng)學(xué)習(xí)。

誰(shuí)是這個(gè)場(chǎng)景下的典型用戶？

- 作業(yè)之外要進(jìn)階的中學(xué)生、大學(xué)生

- 忙于工作，但要尋求提升的職場(chǎng)人，比如醫(yī)師資格證這樣的職業(yè)考試

- 想要輔導(dǎo)孩子但力不從心的家長(zhǎng)

他們的共同特征是：不等著老師講，而是先開(kāi)始自己找答案。

像搜題這樣的場(chǎng)景意義就變了。

一開(kāi)始，搜題、講題、批改這些，是效率工具，幫忙解決被動(dòng)作業(yè)、被動(dòng)教育的問(wèn)題；

接下來(lái)，則是在搜題、學(xué)習(xí)過(guò)程中，提供的「服務(wù)」。

從搜索一個(gè)問(wèn)題，到理解一個(gè)知識(shí)點(diǎn)，到掌握一類(lèi)解法，再到構(gòu)建認(rèn)知結(jié)構(gòu)。

這個(gè)過(guò)程中，工具負(fù)責(zé)觸達(dá)，服務(wù)決定留存。

這恰恰對(duì)應(yīng)了夸克做學(xué)習(xí)產(chǎn)品的起點(diǎn)：工具型產(chǎn)品做流量，服務(wù)型產(chǎn)品做留存。

夸克學(xué)習(xí)把這類(lèi)用戶定義為「主動(dòng)學(xué)習(xí)人群」。他們不是平臺(tái)的被動(dòng)受眾，而是可以通過(guò)產(chǎn)品產(chǎn)生反復(fù)關(guān)系、長(zhǎng)期留存的核心用戶。

在這種從路人用戶，到核心用戶的邏輯之上，就有了產(chǎn)品與服務(wù)的層次。

Part2 從產(chǎn)品到服務(wù)

夸克學(xué)習(xí)的產(chǎn)品布局可以劃分為三個(gè)層級(jí)：

1. 基礎(chǔ)層：解決問(wèn)題的效率工具

這一層解決的是「用戶有沒(méi)有用」的問(wèn)題。比如：

- 拍照搜題，快速定位題目與答案；

- AI 講題，提供過(guò)程性解析與考點(diǎn)標(biāo)注；

- 作業(yè)批改與資料查詢，提高學(xué)習(xí)閉環(huán)效率。

這是入口，也是底座。基礎(chǔ)服務(wù)是否穩(wěn)定高效，直接決定了產(chǎn)品能否建立使用習(xí)慣。

2. 進(jìn)階層：從工具到陪伴

這一層解決的是「用戶愿不愿長(zhǎng)期用」的問(wèn)題。

2025 年初上線的 「AI 解題大師」和「小靈老師」，標(biāo)志著夸克學(xué)習(xí)從「AI 工具」邁入「AI 陪伴」。

看似都是工具，但一個(gè)人格化的老師的意義就不同了。AI解題大師和小靈老師的目標(biāo)不是直接告訴你答案，而是以「一個(gè)老師的口吻」講清楚這道題的本質(zhì)、考情、難度、易錯(cuò)點(diǎn)和變式練法。

之前與在線教育和在線醫(yī)療的朋友溝通，發(fā)現(xiàn)都有一致的行業(yè)痛點(diǎn)：用戶在功能之外，需要有情感化的交互。正如我們看到一位老大夫的安全感，我們需要看到一個(gè)具象的安全感。

同時(shí)，這種交互并不是單向的，還是反復(fù)來(lái)回交互的。這在剛剛說(shuō)的功能價(jià)值之外，又疊加了一層有意思的情緒價(jià)值。

3. 未來(lái)層：從陪伴到個(gè)性化家教

如果說(shuō)前兩個(gè)層級(jí)解決的是「點(diǎn)狀能力」，那么 AI 家教要做的就是「路徑規(guī)劃」。

它會(huì)基于用戶畫(huà)像，設(shè)定學(xué)習(xí)目標(biāo)、拆解任務(wù)路徑、推送每日任務(wù)，包括通過(guò) AI 測(cè)試題評(píng)估掌握程度，形成完整的「目標(biāo) - 方法 -反饋」閉環(huán)。過(guò)去的老師很難確保照顧到每個(gè)同學(xué)，只能以最大公約數(shù)去授課和講題、安排路徑。而只有少數(shù)人有條件請(qǐng)家教，定向指定學(xué)習(xí)計(jì)劃。而 AI 就是更好解決這個(gè)問(wèn)題的方式。

這跟前面提到的，主動(dòng)學(xué)習(xí)才是核心用戶，就有巧妙的關(guān)聯(lián)。正因?yàn)槭怯蟹e極性的學(xué)習(xí)用戶，才更有訴求得到個(gè)性化的學(xué)習(xí)方案和學(xué)習(xí)指導(dǎo)，而不是隨意地接受被動(dòng)式的填鴨教育。

而這種個(gè)性化的能力，要比推薦商品、推薦短視頻的復(fù)雜度高得多，更需要時(shí)間和數(shù)據(jù)的沉淀。

Part3 產(chǎn)研支持：厚積才能薄發(fā)

要實(shí)現(xiàn)上面提到的分層結(jié)構(gòu)，背后至少要有四件事在底下?lián)沃?/p>

1. 題庫(kù)系統(tǒng)

夸克不是傳統(tǒng)意義上的教育內(nèi)容平臺(tái)，但卻是全國(guó)最大規(guī)模的動(dòng)態(tài)題庫(kù)供給方之一。題庫(kù)背后，是用戶不斷拍題、提問(wèn)、修正、講解形成的「實(shí)時(shí)語(yǔ)料」庫(kù)，而非死板的教輔導(dǎo)入。這種語(yǔ)料結(jié)構(gòu)天然適合訓(xùn)練生成式 AI 的「解釋能力」，也構(gòu)成了夸克大模型教育場(chǎng)景的基礎(chǔ)。

2. 多模態(tài)支持

AI 講題的過(guò)程不僅需要 NLP（自然語(yǔ)言處理），還需要：

- OCR能力（圖文識(shí)別、版式解析）

- 數(shù)學(xué)公式結(jié)構(gòu)還原能力

- 圖形題可視化能力

- 語(yǔ)音/視頻輸出能力

講題不是生成一段話，而是生成一個(gè)過(guò)程。這對(duì) AI 的要求不只是語(yǔ)言理解，而是跨模態(tài)的教學(xué)能力構(gòu)建。

目前，夸克的智能中樞可以調(diào)用多個(gè)Agent去進(jìn)行協(xié)作，以幫助用戶解決實(shí)際問(wèn)題。在學(xué)習(xí)場(chǎng)景上，深度思考可以更好地理解題目和知識(shí)點(diǎn)，然后把掃描、解題等專(zhuān)業(yè)Agent串聯(lián)在一起，形成一個(gè)完整的任務(wù)流，最終把思考過(guò)程、解題方法和答案封裝，呈現(xiàn)給用戶。

其中，多模態(tài)的 AI 學(xué)習(xí)過(guò)去并沒(méi)有太受到重視，還是因?yàn)樗伎忌疃炔粔?，不足以支持?dòng)態(tài)教學(xué)。夸克正在重點(diǎn)解決這方面的體驗(yàn)。

3. 深度思考

年初我們對(duì) DeepSeek 出世的興奮，不僅源于對(duì)其性能的意外，還源于，門(mén)檻降低后，能覆蓋的場(chǎng)景將會(huì)大有變化。

而正如我在之前聊到 Manus 時(shí)提到的，深度思考原本應(yīng)該能夠幫助我們解決很多任務(wù)。目前的 ChatBot 只是讓他局限在提供信息的對(duì)話之中了。

落到場(chǎng)景里，才是深度思考的歸宿。很多錘子找釘子的場(chǎng)景之外，學(xué)習(xí)的確是難得適配的好場(chǎng)景。

在多模態(tài)的更多復(fù)雜交互基礎(chǔ)上，深度思考也會(huì)發(fā)揮更拔群的效果。

4. 學(xué)習(xí)畫(huà)像

想要達(dá)到個(gè)性化家教的水準(zhǔn)，必須有三個(gè)要素：

- 用戶行為數(shù)據(jù)（錯(cuò)題、提問(wèn)、查找路徑）

- 用戶知識(shí)掌握度（什么學(xué)會(huì)了，什么還不會(huì)）

- 用戶目標(biāo)導(dǎo)向（中考、高考、考研、職考、小孩家教等）

夸克學(xué)習(xí)天然有這些場(chǎng)景數(shù)據(jù)的優(yōu)勢(shì)，以及用戶日常習(xí)慣的記錄。通過(guò)日常行為構(gòu)建不同用戶的「學(xué)習(xí)畫(huà)像」，就能理解用戶接下來(lái)需要什么樣的內(nèi)容，以及需要走什么樣的路徑。

Part4 慢賽道的硬骨頭

總的來(lái)說(shuō)，學(xué)習(xí)看似簡(jiǎn)單，實(shí)際是臟活累活。做好學(xué)習(xí)就要求：

- 內(nèi)容所要求的準(zhǔn)確率和適配度；

- 用戶所要求的信任感和情緒價(jià)值；

- 場(chǎng)景所要求的非標(biāo)交互和個(gè)性響應(yīng)。

夸克學(xué)習(xí)積累下的臟活累活之上的壁壘，也是三方面：

- 作為搜索起家的內(nèi)容調(diào)度與分發(fā)能力；

- 多年垂直領(lǐng)域里， AI 產(chǎn)品的能力結(jié)構(gòu)與技術(shù)中臺(tái)；

- 以實(shí)際場(chǎng)景，效率工具為入口沉淀下來(lái)的龐大「主動(dòng)學(xué)習(xí)人群」。

AI 浪潮把很多事情變得看起來(lái)都能做，但真正做得成的，還得是有沉淀和積累，并且長(zhǎng)期頗有價(jià)值的領(lǐng)域。

硬骨頭難啃，但啃下來(lái)，就能成為護(hù)城河。

AI 的未來(lái)，不會(huì)靠誰(shuí)發(fā)模型發(fā)得多，而是靠誰(shuí)能在一個(gè)垂直場(chǎng)景里，把模型打磨成「真實(shí)可用」的服務(wù)體驗(yàn)。就像之前跟莊明浩老師聊的，2025 年必然會(huì)成為 AI 場(chǎng)景元年。

題圖由 Midjourney 繪制。