Jay 發(fā)自 凹非寺量子位 | 公眾號(hào) QbitAI

注意看，這是一個(gè)教育領(lǐng)域的AI應(yīng)用新物種——

咱就是說，這講課節(jié)奏，這語氣，這互動(dòng)，也太自然了。

更重要的是，它不僅能「像老師一樣講課」，還能針對(duì)每一位學(xué)員進(jìn)行一對(duì)一的個(gè)性化教學(xué)。

這位AI導(dǎo)師，出自一家名為「與愛為舞」的AI原生應(yīng)用企業(yè)。自年初上線以來，已累計(jì)為百萬級(jí)用戶提供學(xué)習(xí)陪伴與一對(duì)一講解服務(wù)。

教育行業(yè)，向來是個(gè)「規(guī)模、質(zhì)量、成本」的不可能三角

既能做到千人千面，又能服務(wù)百萬名學(xué)員，還幾乎看不出是AI……更是難上加難。

它究竟是怎么做到的？

與愛為舞用來劈開這個(gè)不可能三角的，是一把硬核的技術(shù)巨劍

AI教育，要的不止「答案」

而鑄造這把技術(shù)巨劍，有三塊核心組成部件：「模型+語音+工程」。

先看模型

得益于CoT的Scaling，大模型解決復(fù)雜問題的能力指數(shù)級(jí)增長(zhǎng)，「做題」水平突飛猛進(jìn)，甚至能斬獲「奧賽金牌」。

摘得奧賽桂冠，AI只需要給出標(biāo)準(zhǔn)答案。但搞教育不行。

先來看一個(gè)簡(jiǎn)單的英語語法題：

• Lily expectsher grandparents in the countryside next month.
• A. visiting｜B. to visit｜C. to have visited｜D. having visited

大模型給出的解答如下：

• 這道題的正確答案是B. to visit。
• 核心考點(diǎn)解析：
• 動(dòng)詞固定搭配，動(dòng)詞 expect（期望、預(yù)料）的常用用法是——
• expect to do sth.（期望做某事），后面需要接不定式（to + 動(dòng)詞原形）作賓語。
• B選項(xiàng)to visit是不定式的一般式，用來表示與謂語動(dòng)詞（expect）同時(shí)或之后發(fā)生的動(dòng)作，符合 “下個(gè)月看望祖父母” 的將來時(shí)態(tài)邏輯。
• 我可以幫你整理一份常見接不定式作賓語的動(dòng)詞清單，方便你記憶，需要嗎？

答案是對(duì)了，看起來好像也講了解題過程，但如果拿這套方法教學(xué)員，那肯定是要被家長(zhǎng)投訴的啊……

完全沒有引導(dǎo)學(xué)員思考，一上來就把答案透露了。就像個(gè)純天賦型學(xué)霸，風(fēng)馳電掣做完題，然后猛地丟給你一個(gè)結(jié)果，問你：「我說的對(duì)不對(duì)！」隨后才給出一串看似頭頭是道的分析。

不過，硅基大佬，小弟我根本聽不明白你在說什么??！

最后還要給你一份「動(dòng)詞清單」，直接默認(rèn)教學(xué)等于枯燥的背誦，而沒去想怎樣引導(dǎo)學(xué)員的主觀能動(dòng)性。

歸根結(jié)底，通用大模型的設(shè)計(jì)初衷就不是教育。它拼盡全力，只想向用戶證明一件事——「厲害吧，哥啥都知道！」

古人講：授人以魚，不如授人以漁。導(dǎo)師如果光顧著自己拿金牌，這師生關(guān)系就亂了套了。

想要成為一名好導(dǎo)師，AI需要學(xué)會(huì)放低姿態(tài)，真正關(guān)心學(xué)員的課堂體驗(yàn)。

首先，AI得明白各學(xué)科的核心知識(shí)圖譜、關(guān)鍵考點(diǎn)和常見解題方法，這些才是學(xué)員能服用的，是最基本的「知」。

在此之上，AI還得學(xué)習(xí)名師是怎么設(shè)計(jì)講解順序的，并從中總結(jié)歸納出一套頂尖教師的授課方法論。這是更高維度的「知」。

陸游講，「紙上得來終覺淺，絕知此事要躬行?！?/strong>

「知」總是相對(duì)容易的，重點(diǎn)是如何把紙上談兵那套，搬到現(xiàn)實(shí)世界里實(shí)踐起來。

所幸，「行」方面，與愛為舞有相當(dāng)充足的彈藥。

據(jù)悉，他們已積累了約百萬小時(shí)的音視頻互動(dòng)數(shù)據(jù)，特別是包含大量業(yè)內(nèi)TOP級(jí)名師的授課視頻。

在此基礎(chǔ)上，團(tuán)隊(duì)又根據(jù)學(xué)員的認(rèn)知水平與學(xué)習(xí)態(tài)度，構(gòu)建出多類型的「虛擬學(xué)員」，讓他們與AI導(dǎo)師進(jìn)行「搏擊」，每周又能收獲數(shù)萬小時(shí)的合成數(shù)據(jù)

這些數(shù)據(jù)在經(jīng)過篩選與清洗后，會(huì)交由專業(yè)教研進(jìn)行把關(guān)。

具體而言，教師們會(huì)把自己多年的「教學(xué)經(jīng)驗(yàn)」，根據(jù)場(chǎng)景具象化為一條條思維鏈，最終匯集成一本「好老師紅寶書」：

每個(gè)知識(shí)點(diǎn)該如何拆解，與學(xué)員互動(dòng)時(shí)如何循循善誘……不止要讓AI學(xué)會(huì)怎么講課，更要明白「為什么要這么講」。

這種手把手教的方式效果很好，但成本也相當(dāng)高。

隨著方法論逐漸成熟，團(tuán)隊(duì)索性將這一環(huán)節(jié)也自動(dòng)化，讓AI模仿專業(yè)教研參與數(shù)據(jù)標(biāo)注。

備考資料準(zhǔn)備就緒，下面就該著手訓(xùn)練了。

第一步，照貓畫虎。

那些相對(duì)容易標(biāo)準(zhǔn)化的知識(shí)，已體現(xiàn)在標(biāo)注數(shù)據(jù)之中。AI需要做的，是通過模仿專業(yè)教師的思維鏈，逐步摸索出每一個(gè)教學(xué)動(dòng)作背后的真實(shí)意圖。

這一微調(diào)過程，能大幅降低AI「自我發(fā)揮」帶來的的幻覺率，同時(shí)培養(yǎng)更穩(wěn)定的推理能力與泛化能力。

能做到這一點(diǎn)，就算是打牢了基本功。

最基本的教法、節(jié)奏和經(jīng)驗(yàn)都已被「固化」，能以標(biāo)準(zhǔn)化形式面向所有學(xué)員輸出，教學(xué)質(zhì)量的下限得到保障。

但如果目標(biāo)只是及格，這件事就沒意義了。

師傅能陪伴的路程就到這。接下來，得能靠AI自己上路修行。

第二步，終于到了大家喜聞樂見的強(qiáng)化學(xué)習(xí)環(huán)節(jié)。

在教育這個(gè)場(chǎng)景下，與愛為舞的獎(jiǎng)勵(lì)函數(shù)圍繞教學(xué)路徑規(guī)劃質(zhì)量、教學(xué)有效性與教學(xué)靈活性等維度設(shè)計(jì)，通過GRPO給AI做強(qiáng)化。

這步結(jié)束，AI徹底出師——不僅能夠完成授課任務(wù)，還能駕馭課堂節(jié)奏，提高趣味性，根據(jù)不同學(xué)員靈活調(diào)整教學(xué)策略。

那么接下來，就該真正走進(jìn)「教師資格證考場(chǎng)」了。

不過，教育不是一個(gè)有標(biāo)準(zhǔn)答案的任務(wù)，Benchmark肯定是行不通。筆試應(yīng)該如何設(shè)計(jì)？

與愛為舞的做法很簡(jiǎn)單，甚至有些「粗暴」——筆試啥，直接把AI丟到講臺(tái)上，看學(xué)員的真實(shí)反應(yīng)。

第一步，是在模擬課堂中試水。

這個(gè)課堂由多類型的模擬學(xué)員組成，團(tuán)隊(duì)會(huì)按照真實(shí)分布規(guī)律注入一批線上數(shù)據(jù)，再由評(píng)分模型從多個(gè)維度對(duì)AI導(dǎo)師打分。

模擬課堂如果表現(xiàn)不錯(cuò)，AI會(huì)迎來更嚴(yán)苛的終極試煉場(chǎng)——直連真實(shí)教學(xué)一線

AI能否駕馭高度不確定的真實(shí)課堂？是否真的能擺脫照本宣科？答案，只能由學(xué)員來評(píng)判，再好的數(shù)據(jù)標(biāo)注導(dǎo)師也幫不了。

即便成功拿下了「教師資格證」，但教學(xué)，依然是個(gè)終身學(xué)習(xí)的過程。

正式上線后，海量的學(xué)員數(shù)據(jù)會(huì)被持續(xù)建模，AI導(dǎo)師將基于每一位學(xué)員的專屬檔案庫，為其定制個(gè)性化課程。

至此，AI導(dǎo)師才算具備了千人千面的能力。不僅下限有保障，上限也很高。

「真人級(jí)」AI導(dǎo)師

通過「知」與「行」的雙重訓(xùn)練，與愛為舞得以將通用大模型，塑造成一個(gè)真正懂教學(xué)的名師AI模型。

然而，再聰明的模型，無法與學(xué)員真實(shí)互動(dòng)，最終仍會(huì)淪為一顆「缸中之腦」。

AI導(dǎo)師需要「耳朵」。

作為導(dǎo)師，連學(xué)員的問題都聽不清楚，最后聊的牛頭不對(duì)馬嘴。不僅顯得導(dǎo)師呆若木雞，學(xué)員的積極性也會(huì)大打折扣。

但現(xiàn)實(shí)是，課堂不是錄音棚。真實(shí)環(huán)境往往充斥著噪音，如果有電視，甚至?xí)霈F(xiàn)多個(gè)人聲摻雜在一塊的情況。

即便能輸入干凈音頻，中國(guó)有各種各樣的方言，不同學(xué)員的咬字發(fā)音習(xí)慣也不同，識(shí)別難度相當(dāng)高。

雪上加霜的是，在傳統(tǒng)ASR范式下，輸入模型的只是一段孤立的語音，基本沒什么上下文。一旦放到教學(xué)場(chǎng)景下，AI很容易把同音字混淆。

例如，「極限」和「極線」。

前者是微積分中的核心概念，后者則屬于二次曲線相關(guān)的幾何術(shù)語。二者在語義上截然不同，發(fā)音卻完全一致，如果沒有上下文，僅憑語音幾乎無法區(qū)分。

為解決這個(gè)問題，與愛為舞基于其長(zhǎng)期積累的教育場(chǎng)景與課堂教學(xué)數(shù)據(jù)，自研了一套多模態(tài)語音理解大模型，讓語音識(shí)別不再只「聽聲音」，而是能夠理解所處的教學(xué)上下文。

在此基礎(chǔ)上，團(tuán)隊(duì)進(jìn)一步自研了聲紋降噪模型，可以將學(xué)員和家長(zhǎng)說話的聲音區(qū)分開。

事實(shí)證明，憑借「上下文理解+聲紋降噪」，ASR識(shí)別效果有了質(zhì)的飛躍：句準(zhǔn)確率從行業(yè)內(nèi)開放API的80%左右的最好效果，大幅度提升至95%以上，接近真人理解識(shí)別水平。

聽清楚學(xué)員的問題，思考完畢，下面就該導(dǎo)師開口指點(diǎn)迷津了。

目前，行業(yè)主流語音合成架構(gòu)基本都是LLM或者LLM+Flow/Diffusion的方案。

真用到課堂里，會(huì)暴露出三個(gè)問題：人機(jī)味明顯、不像在上課、不支持雙向?qū)崟r(shí)交互。

下面看看，與愛為舞是如何邁過這三道坎的。

先來最直觀的——人機(jī)感

在底層架構(gòu)上，團(tuán)隊(duì)采用了LLM+Flow方案，引入了兩類speech token：一類負(fù)責(zé)聲音本身的細(xì)節(jié)，一類負(fù)責(zé)語義和表達(dá)節(jié)奏。

在此基礎(chǔ)上，結(jié)合強(qiáng)化學(xué)習(xí)，可以讓AI學(xué)會(huì)正常說話應(yīng)有的抑揚(yáng)頓挫。

不過，光會(huì)說話可不行，老師上課得有個(gè)「老師」的樣。

為此，團(tuán)隊(duì)拿出了大量真實(shí)課堂數(shù)據(jù)，對(duì)不同學(xué)科、不同導(dǎo)師的講課方式進(jìn)行了建模：有的導(dǎo)師說話像機(jī)關(guān)槍，有的導(dǎo)師則更慢條斯理。

落地時(shí)，團(tuán)隊(duì)還會(huì)為每位主講名師單獨(dú)設(shè)計(jì)錄制腳本。這樣，數(shù)據(jù)收集效率更高，還能最大程度還原名師聲線，保證聲音的「質(zhì)感」。

具體效果如何嘛，我們可以一起聽聽下面這兩段音頻。

（文本：接下來我們看這個(gè)題，圖中表示水蒸氣直接變成冰的過程）

這是第三方TTS，不僅表現(xiàn)力較弱，還出現(xiàn)了發(fā)音錯(cuò)誤，如果是上課很容易出戲。

相比起來，這段是不是「活人感」足了很多？

這正是自研模型的優(yōu)勢(shì)，發(fā)音更自然，更穩(wěn)定，情感表現(xiàn)也更好。

至于雙向?qū)崟r(shí)交互，AI導(dǎo)師需要邊說話邊理解學(xué)員是否在主動(dòng)打斷詢問導(dǎo)師問題，并且做出及時(shí)的響應(yīng)，這是AI導(dǎo)師智能與否最重要的能力之一。

為此，團(tuán)隊(duì)研發(fā)流式語義VAD和打斷模型，能夠讓AI導(dǎo)師實(shí)時(shí)識(shí)別學(xué)員是否有真實(shí)打斷意圖，識(shí)別準(zhǔn)確度可以達(dá)到90%以上。

而為了讓AI導(dǎo)師真正「站上講臺(tái)」，團(tuán)隊(duì)還為其配套設(shè)計(jì)了逼真的數(shù)字人形象：口型、面部表情與肢體動(dòng)作高度同步，且支持實(shí)時(shí)互動(dòng)。

這下，AI導(dǎo)師可算是湊齊了自己的蓮藕肉身三件套——「耳朵+嘴巴+身體」。

當(dāng)AI開始具備人的溫度，信任才有可能建立，學(xué)員也更不容易分心。

百萬AI學(xué)習(xí)原住民

話說回來，即便「大腦、耳朵、嘴巴」全部補(bǔ)齊，我們依然無法解釋與愛為舞是如何實(shí)現(xiàn)規(guī)?；涞氐摹?/p>

畢竟，從語音識(shí)別，到模型思考，再到語音合成，最后還要驅(qū)動(dòng)真人級(jí)數(shù)字人，這條服務(wù)鏈路相當(dāng)長(zhǎng)。

任何一個(gè)環(huán)節(jié)稍有遲滯，都會(huì)嚴(yán)重影響學(xué)員的課堂體驗(yàn)。

而當(dāng)用戶規(guī)模放大，「千人千面」會(huì)帶來更高頻的推理請(qǐng)求，一旦調(diào)度或資源分配稍有不慎，服務(wù)質(zhì)量會(huì)迅速下滑。

想要實(shí)現(xiàn)大規(guī)模落地，AI導(dǎo)師還需要一顆能持續(xù)供血、且足夠強(qiáng)健的「心臟」。

首先，得把這條冗長(zhǎng)的服務(wù)鏈?zhǔn)柰?，保證「血管」里不堵。

在《思考，快與慢》中，Daniel Kahneman提出，大腦為了偷懶，演化出了兩套工作模式：靠直覺行事的「系統(tǒng)一」、調(diào)用認(rèn)知資源的「系統(tǒng)二」

與愛為舞借鑒的，正是這一點(diǎn)。

當(dāng)學(xué)員開口提問時(shí)，系統(tǒng)不會(huì)一股腦把問題全丟給大模型，而是先做一次判斷：

能馬上回答的，直接走快速通道；真正需要推理的，再交給大模型慢慢想。

具體而言，簡(jiǎn)單問題會(huì)先由快速回答系統(tǒng)給出反饋；與此同時(shí)，大模型已經(jīng)在后臺(tái)并行啟動(dòng)。等學(xué)員聽完前半句，模型的「思考」也完成了一大半。

于是，模型回復(fù)的延遲可壓縮到100ms以內(nèi)，整條響應(yīng)鏈路穩(wěn)定在1–1.5秒

同理，如果學(xué)員在導(dǎo)師講話時(shí)突然插話，AI也不會(huì)傻等學(xué)員全部說完再思考。而是立刻結(jié)合上下文判斷學(xué)員的意圖，提前開始構(gòu)思。

這樣響應(yīng)時(shí)間仍可控制在100–200ms，整條鏈路不超過1.6秒

當(dāng)然，遇到一些開放式問題，確實(shí)要多想一會(huì)兒。

但即便如此，AI導(dǎo)師也不會(huì)「卡住不動(dòng)」，而是通過表情變化、過渡性話語告訴學(xué)員：我在想，你稍等。而不是空氣突然安靜，一人一AI面面相覷。

血管疏通之后，還可以通過「提前緩存」，讓血液循環(huán)得更順暢一些。

在真實(shí)教學(xué)中，同一堂課的核心知識(shí)點(diǎn)其實(shí)相對(duì)固定。哪怕學(xué)員的具體問題不同，總體來看仍有一定規(guī)律可循。

先從輸入說起。

大模型在生成答案前，要先「讀懂問題」（prefill），再「組織回答」（decode）。而前者非常吃算力，并且很耗時(shí)間。

團(tuán)隊(duì)的做法是，把Prompt結(jié)構(gòu)化：在不影響回答質(zhì)量的前提下，把同一類場(chǎng)景里老是出現(xiàn)的內(nèi)容集中起來，從而讓AI少做重復(fù)閱讀。

再看輸出

學(xué)員千差萬別，但在具體知識(shí)點(diǎn)上，很多人其實(shí)都是在同一個(gè)地方「栽跟頭」。既然如此，AI導(dǎo)師就沒必要每次都從頭生成一整套講解。

因此，團(tuán)隊(duì)會(huì)以題目、引導(dǎo)方式和學(xué)員回答作為索引，把模型的講解結(jié)果先存下來。一旦再次遇到相同情形，直接拿來用就好。

通過這套「鏈路優(yōu)化+緩存」的組合拳，與愛為舞將整個(gè)流程控制在了1s-1.6s之間。

筋骨與脈絡(luò)就位，接下來，該讓心臟泵得更有力了，與愛為舞在大規(guī)模并發(fā)上也做了大量工作。

首先在單機(jī)上，為了榨干每一張GPU，團(tuán)隊(duì)在系統(tǒng)設(shè)計(jì)之初就完成了顯存地址的統(tǒng)一規(guī)劃，全程實(shí)現(xiàn)顯存共享，盡量避免數(shù)據(jù)在不同計(jì)算與存儲(chǔ)介質(zhì)間反復(fù)搬運(yùn)所帶來的性能損耗。

與此同時(shí)，在GPU算子層面，團(tuán)隊(duì)又針對(duì)核心計(jì)算路徑進(jìn)行了專項(xiàng)加速，使單卡的有效吞吐能力提升約5倍，足以支撐起幾十路真人級(jí)數(shù)字人的推理。

其次在集群上，資源的調(diào)度能力同樣至關(guān)重要。團(tuán)隊(duì)又從五個(gè)層面，對(duì)整體系統(tǒng)做了進(jìn)一步加固：

• 多數(shù)字人統(tǒng)一調(diào)度：同一個(gè)資源池中不同形象統(tǒng)一調(diào)度，從而更好的復(fù)用集群資源；
• 系統(tǒng)抽象：對(duì)話輪次化、課節(jié)內(nèi)容組件化、知識(shí)點(diǎn)任務(wù)化，讓復(fù)雜流程標(biāo)準(zhǔn)化；
• 并行計(jì)算：盡量不浪費(fèi)任何空閑算力，AI導(dǎo)師還在講上一題時(shí)，下一題的計(jì)算已經(jīng)在后臺(tái)悄然啟動(dòng)；
• 預(yù)留容量：服務(wù)支持橫向擴(kuò)容，不同層級(jí)配有多種緩存與緩沖機(jī)制，一層層削薄高峰流量，避免高并發(fā)請(qǐng)求同時(shí)壓向模型與數(shù)據(jù)庫；
• 保險(xiǎn)機(jī)制：整個(gè)教學(xué)調(diào)度過程可恢復(fù)，即便遭遇網(wǎng)絡(luò)中斷或客戶端異常退出，教學(xué)狀態(tài)也不會(huì)丟失。

憑借一臺(tái)全速運(yùn)轉(zhuǎn)的AI發(fā)動(dòng)機(jī)，加上一張巨大的工程降落傘，與愛為舞得以把AI導(dǎo)師「空投」到全國(guó)各地，成為業(yè)界首個(gè)支持萬人并發(fā)的真人級(jí)AI教學(xué)系統(tǒng)。

歸根結(jié)底，與愛為舞從未將AI視作一個(gè)簡(jiǎn)單的輔助工具。

在他們看來，比起技術(shù)升級(jí)，AI更像一場(chǎng)關(guān)于個(gè)體工作邏輯與組織管理范式的深層重塑。

回頭看今天的企業(yè)形態(tài)，其實(shí)很多都是工業(yè)時(shí)代的妥協(xié)產(chǎn)物：人的精力有限，只能把分工越拆越細(xì)，組織層級(jí)上層層加碼。

一道道龐大的部門墻，雖防止了團(tuán)隊(duì)混亂，但也淹沒了許多人才的主觀能動(dòng)性。

AI的出現(xiàn)，第一次讓生產(chǎn)力得到完全釋放，每個(gè)人都能擔(dān)任「架構(gòu)師」。

在此背景下，與愛為舞提出「全員皆超級(jí)個(gè)體」——只要有想法，任何人都可以手握數(shù)據(jù)與算力這兩棟「糧倉」，調(diào)度一支由智能體組成的硅基軍團(tuán)，以極低的成本，快速實(shí)現(xiàn)搶跑。

而這一理念，也已在產(chǎn)品上得到驗(yàn)證——

至今，「愛學(xué)」已服務(wù)百萬級(jí)用戶，學(xué)員分布于全國(guó)342個(gè)城市：東至佳木斯，西達(dá)克孜勒蘇，南抵三沙，北至大興安嶺。

關(guān)于AI原生的企業(yè)理念，市場(chǎng)已經(jīng)給出了自己的判斷。

而當(dāng)AI真正開始惠及百萬學(xué)員，我們或許終于有機(jī)會(huì)，兌現(xiàn)孔夫子兩千多年前所期待的那個(gè)美好愿景——「有教無類、因材施教」