2026 年開學季，一個關于孩子學習的悖論正在浮出水面。

大模型越來越強了。答題、批改、出卷、規(guī)劃學習路徑，樣樣不在話下。豆包、DeepSeek、Kimi，家長群里每天都有人分享新用法，不少人甚至把 AI 當成「24 小時在線家教」。

但一個越來越明顯的現(xiàn)象是，孩子遇到不會的題丟給 AI，拿回來的只是一個現(xiàn)成答案——沒有拆解、沒有引導，本質上更像一次「搜索」而非「學習」，題目換個形式又卡??；同樣，AI 監(jiān)督寫作業(yè)可以一時有效，卻很難讓孩子形成自驅力。

吊詭的是，模型越聰明，這個問題反而越突出。

原因在于，通用大模型解決問題的方式本質上是「授人以魚」——用最快速度交付一個現(xiàn)成結果。但教育需要的是「授人以漁」，教會孩子自己找到方法。真正的省時提效，不是更快給出答案，而是讓孩子更快學會獨立解決問題。每次都秒出答案，看似高效，實則剝奪了最寶貴的思考過程。

這就是「聰明」和「會教」的根本區(qū)別。也正是這個區(qū)別，把一個被談論了兩千年的教育理想重新推到了聚光燈下——因材施教。

近日，科大訊飛發(fā)布 AI 學習機 T90 Pro。在多鯨看來，這款產品的價值不在于又做了一臺更強的學習機，而在于它是科大訊飛自 2019 年深耕個性化學習以來，對這一命題的最新回答：當 AI 已經足夠聰明，教育產品的競爭力到底應該建立在哪里？

過去我們以為，孩子學習遇到困難，是因為缺一個隨時能問的老師。所以當大模型出現(xiàn)，很多人覺得問題解決了。它比任何老師都耐心，比任何題庫都全面，而且永遠在線。

但用了一年之后，越來越多家長發(fā)現(xiàn)，問題的本質不在「答案」。

一個孩子做二元一次方程反復出錯。把相關題目丟給通用大模型，它能快速給出一個標準答案，但沒有針對性的講解和引導——孩子依然不知道自己到底卡在哪。真正的原因，可能是一元一次方程的基礎沒打牢，甚至更早的等式概念就存在理解偏差。通用大模型看到的是「這道題」，而孩子真正需要的，是有人看到「他這個人」，他的知識鏈條在哪里斷裂，他的思維習慣在哪里出了問題。

與此同時，考試本身也在發(fā)生變化。新課標落地后，命題邏輯從「考你記住了什么」轉向了「考你怎么解決問題」。

看看北京海淀區(qū)四年級的期末考試就知道了。一道關于「乘法分配律」的題目，不再是讓孩子列算式求結果，而是把他扔進一個購物場景里——給你幾組商品價格，讓你自己發(fā)現(xiàn)規(guī)律，講出推理過程，說清楚「為什么可以這樣算」。

這種題目，靠刷題刷不出來，靠背公式背不出來，靠 AI 秒出答案更解決不了。它考的是孩子有沒有真正理解背后的數學關系。而要做到「真正理解」，前提就是學習過程必須是個性化的——不同的孩子卡在不同的地方，需要不同的路徑去突破。

可大多數家庭的應對方式，仍然停留在舊范式里。為了補齊一個知識盲點，孩子被迫重新聽完 50 分鐘的整節(jié)網課，其中45 分鐘都在陪跑已經會的內容。為了提高熟練度，一個章節(jié)刷幾十道題，可能近一半都是已經掌握的低效重復。

這不是個性化，這是批量投喂。而大模型的普及讓這個矛盾更加尖銳。當 AI 可以瞬間給出完美答案的時候，教育產品如果還停留在「給答案」的層面，就永遠無法觸及孩子真正的學習問題。

孩子缺的從來不是一個更快的答題機器，而是一套真正圍繞他個人狀態(tài)運轉的個性化學習系統(tǒng)。

科大訊飛 AI 學習機 T90 Pro

市面上幾乎每一臺學習機都在喊「千人千面」「智能推薦」。但如果拆開來看，大多數產品的「個性化」，本質上是一套推薦算法——你錯了這道題，我給你推三道類似的。

這解決的是「下一道題做什么」的問題，卻回答不了更關鍵的問題：這個孩子的認知斷點到底在哪里？他不是不會做這道題，而是在更早的某個環(huán)節(jié)就沒有真正理解。

在多鯨看來，真正的個性化和偽個性化之間，存在一條清晰的分水嶺：偽個性化是「圍繞題目做推薦」，真?zhèn)€性化是「圍繞這個人做診斷」。前者的邏輯是「你錯了什么，我補什么」；后者的邏輯是「你為什么錯，我從根上治」。

科大訊飛 T90 Pro 這次做的，正是試圖跨過這條分水嶺。

它把個性化拆成了三層，每一層解決的問題都不同。

第一層：不只看錯了哪道題，而是找到「為什么會錯」。

T90 Pro 的「AI 1 對 1 精準學」，不是簡單地標記錯題然后推相似題。它做的事情更像一個有經驗的老教師，遇到孩子反復犯錯，不急著講這道題本身，而是順著知識鏈條往回摸，找到斷裂的那個節(jié)點。

比如一個初二學生勾股定理用不好，系統(tǒng)不會只推勾股定理的練習題，而是回溯到三角形的基本性質，甚至更早的幾何概念，看看根基是否扎實。而且，同樣是勾股定理錯了，90 分的學生和 60 分的學生，原因往往完全不同，推薦的學習路徑也截然不同。

更值得注意的一點是本地化。很多人可能以為初中數學全國都一樣，但不同省市的考試側重點存在明顯差異。北京更強調綜合應用，江蘇對思維嚴謹性要求更高，各地中考側重點大約有 20%到 30%的差異。如果用一套統(tǒng)一標準做診斷，很可能出現(xiàn)系統(tǒng)判斷「不重要」的知識點，在當地恰恰是高頻考點。T90 Pro 針對不同區(qū)域構建了對應的知識框架，診斷對標的是孩子所在地區(qū)的真實考試邏輯，而不是一個抽象的全國標準。

第二層：不急著給答案，而是引導孩子自己想明白。

T90 Pro 全新發(fā)布的超擬人 AI 老師曉悅，在教學方式上做了一個反直覺的選擇，明明知道答案，但刻意不說。

當孩子卡殼時，曉悅不會像通用大模型那樣瞬間輸出一個完整的解題過程。它會拆解步驟，拋出啟發(fā)式的問題，用板書式的講解一步步引導孩子自己找到思路。

這種「克制」背后是一個清晰的教育判斷：一個是「我看懂了答案」，一個是「我自己推出來的」。前者更快，后者更慢，但只有后者才能真正內化為能力。

對于行業(yè)來說，這其實代表了一種理念上的分野。當所有競品都在比拼「AI 多快多準多全」的時候，訊飛選擇讓 AI 學會「慢下來」。這種選擇需要底氣，因為它意味著你要在「用戶體驗上的即時滿足感」和「教育效果上的長期價值」之間做取舍。

第三層：除了解決「怎么學」，還解決「想不想學」。

學習機行業(yè)有一個心照不宣的痛點：很多產品買回家三個月后就開始吃灰。診斷再精準、AI 老師再厲害，如果孩子根本不愿意打開，一切都歸零。這不是功能問題，而是動力問題。

T90 Pro 推出的 AI 學伴「小飛」，試圖從這個維度破題。它承擔的不是傳統(tǒng)意義上的「操作助手」角色，而更像一個陪伴者，可以報聽寫、整理錯題、提醒學習任務、記錄進度變化，也能在孩子遇到挫折時提供情緒上的回應。

其背后的設計邏輯值得關注。比如系統(tǒng)會動態(tài)調整任務難度，確保孩子始終處在「有點挑戰(zhàn)但能完成」的區(qū)間；錯題反饋不說「你又粗心了」，而是指出具體的錯因，幫助孩子建立「我可以通過方法改進」的成長型思維；連勝機制等輕量化設計讓學習產生節(jié)奏感和慣性。

這些細節(jié)單獨看都不起眼，但疊加在一起，解決的是一個結構性問題，讓學習機從「被監(jiān)督才用的工具」變成「孩子愿意主動打開的設備」。

當診斷、輔導、動力三層打通并形成持續(xù)循環(huán)，個性化才從一個功能標簽，變成了真正可運轉的系統(tǒng)能力，而這正是 AI學習產品與傳統(tǒng)電子教輔之間的本質差異。

如果只看技術進步，很容易得出一個結論：大模型這么強，學習機是不是快要被替代了？

但市場給出了相反的答案。據 RUNTO 數據顯示，2025 年中國學習平板銷量達到 632.1 萬臺，同比增長 6.7%。在大模型全面普及的背景下，學習機不僅沒有萎縮，反而迎來了新的增長周期。

這說明一個問題：通用 AI 沒有替代專業(yè)教育工具，反而加速了市場對「真正懂教育的 AI」的需求。

那么真正的壁壘在哪里？

很多廠商以為接入了大模型 API 就擁有了 AI 教育能力。但這就像以為買了一把好刀就等于會做菜。刀是通用的，菜是具體的，你面對的是哪個地區(qū)的學生、什么版本的教材、哪種類型的考試，這些大模型本身并不知道。

在多鯨看來，當通用大模型成為所有人都能拿到的底座之后，真正拉開差距的壁壘有三層。

第一層是真實教育數據的厚度。個性化系統(tǒng)需要的不是幾萬條訓練樣本，而是億級規(guī)模的、來自真實課堂和正式考試的數據，包括答題軌跡、錯因分布、區(qū)域考情差異、教材版本變化。這些數據需要長年累月在教育一線積累，不是短期能追趕的?？拼笥嶏w從 2004 年進入教育領域，服務全國 5 萬多所學校，而且同時覆蓋學校端和家庭端，兩端數據在同一體系內打通。這種積累的密度和跨度，在行業(yè)內幾乎沒有對標者。

第二層是對考試評價體系的深度理解。教育不是自由討論，而是有明確評價標準的領域。作文怎么評分、數學步驟如何給分、不同地區(qū)中考考點如何變化。如果系統(tǒng)無法對標真實閱卷標準，再聰明的模型也會跑偏。科大訊飛長期服務于中高考等重大考試技術體系，掌握同源技術，年服務中高考考生約 1000 萬人次。這種對高利害考試環(huán)境的理解，不是調用一個 API 就能獲得的，它來自二十多年和考試評價體系的深度共生。

第三層是自研技術底座的深度。很多產品的 AI 能力來自外部模型的調用，這意味著它們能做的事情，別人換一個 API 也能做到?？拼笥嶏w的不同之處在于，它從底層算法到應用層都是自主研發(fā)，擁有全棧自主可控的國產教育大模型。這使得它不是在通用能力上做表層適配，而是能夠將 AI 與教學邏輯進行深度耦合。模型知道什么時候該追問、什么時候該放手、什么時候該鼓勵，這些判斷不來自通用訓練，而來自對教育場景的專屬優(yōu)化。

把這三層疊在一起看，會發(fā)現(xiàn)一個清晰的邏輯：大模型是入場券，數據積累是基本盤，考試理解是校準器，自研能力是放大器。缺少任何一層，個性化都只能停留在表面。

回到最初的問題：在大模型時代，教育產品的競爭力到底應該建立在哪里？

答案或許是：不在于 AI 有多聰明，而在于 AI 有多懂教育、多懂孩子。

當所有人都能調用同樣強大的模型時，真正決定勝負的，是誰能讓 AI 像一個好老師那樣，不只是給出正確答案，而是看見每一個孩子，理解他的困惑，尊重他的節(jié)奏，在恰當的時候推他一把。

因材施教等了兩千年。這一次，或許真的不遠了。