Perspective
从 Google Learn Your Way 看下一代 AI 学习：内容生成之后，真正困难的是什么？
Google Learn Your Way 展示了生成式 AI 如何把同一份学习材料转化为不同形式。但当 AI 真正进入孩子的学习过程，更困难的问题才刚刚开始：它如何知道孩子到底懂了什么、卡在哪里，以及下一步究竟该问什么、解释什么，又该忍住不说什么？
7 min read
最近我认真看了 Google 的 Learn Your Way。
它展示了一个很有吸引力的方向：给定一份学习材料，AI 可以根据学习者的年龄、水平和需要，把内容重新组织成不同的学习形式——解释、图片、音频、互动内容，甚至不同层次的学习体验。
这当然很重要。
生成式 AI 第一次让“为不同学习者重新制作学习材料”这件事的边际成本大幅下降。过去，一篇课文如果要为不同年龄、不同能力的学生制作几个版本，需要教师、编辑、设计师投入大量时间；现在，AI 可以在很短的时间里完成相当一部分工作。
但在过去一段时间里，我和真实的孩子一起使用 SmartRead，也越来越强烈地意识到：
内容生成只是 AI 学习产品比较容易的一半。
真正困难的部分，是当孩子已经坐在一篇文章面前，开始学习之后，AI 接下来到底应该做什么。
同一份内容，并不意味着同一个学习过程
两个孩子面对同一篇课文，真正发生的事情可能完全不同。
一个孩子可能连词语的边界都还不稳定。
另一个孩子可以把文章读完，却说不清刚才发生了什么。
还有一个孩子能够回答事实题，但当问题开始涉及人物为什么这样做、前后发生的事情有什么联系时，就会突然停下来。
从“教材”的角度看，他们看到的是同一篇文章。
但从“学习”的角度看，他们其实已经处在三个不同的位置。
这也是为什么我越来越觉得，个性化学习不能只理解成：
给不同的孩子生成不同版本的内容。
更深一层的问题应该是：
同一个孩子，在学习进行到这一刻的时候，下一步最需要发生什么？
这两个问题看起来很接近，实际上是完全不同的问题。
前者主要是内容生成问题。
后者是学习判断问题。
AI 最难的能力，也许不是“会解释”
今天的大模型已经非常擅长解释。
你可以让它把一个词解释得更简单，可以让它举例，可以让它翻译，也可以让它把一段文字改写成适合十岁孩子理解的版本。
但一个真正的老师面对孩子时，并不会不停地解释。
有时候老师会问一个问题。
有时候会提醒孩子重新看一句话。
有时候只给一点提示。
有时候明明知道答案，却故意不说。
甚至有时候，最好的教学动作是什么都不补充，让孩子自己再想几秒钟。
这意味着教育中的 AI 面临一个比“生成正确答案”更微妙的问题：
什么时候应该帮助？帮助到什么程度？
帮助太少，孩子仍然卡在那里。
帮助太多，孩子虽然顺利完成了任务，却没有真正完成那一步思考。
这两种失败，在产品界面上甚至可能看起来完全一样——孩子都“完成了”。
但学习结果完全不同。
一个越来越重要的问题：AI 要知道什么时候闭嘴
这是我们在真实使用中反复碰到的一个问题。
假设一个孩子正在尝试理解人物为什么发生某种变化。
AI 为了“帮助”孩子，很容易在问题里加入越来越多的信息。
问题会因此变得越来越清楚，也越来越容易回答。
但存在一个临界点：
当提示本身已经包含了孩子本来应该自己想出来的那层意思时，帮助就变成了替代。
这件事对生成式 AI 尤其危险。
因为大模型天生擅长补全。
它知道得很多，也非常愿意说。
而教学有时恰恰要求相反的能力：
知道什么现在还不能说。
我越来越认为，这可能会成为教育 AI 与普通内容型 AI 产品之间非常重要的一条分界线。
好的教育 AI，不应该只是一个“更会回答问题的 AI”。
它还需要逐渐学会控制自己的信息供给。
“孩子答对了”也不是终点
另一个让我不断重新思考的问题，是我们究竟怎样判断一个孩子“懂了”。
如果孩子选择了正确答案，他懂了吗？
如果他刚刚看过解释，然后重复出来了呢？
如果他能够说出一个事实，但还不能解释两件事情之间的联系呢？
如果在提示下能够回答，第二天自己还能不能说出来？
这些问题让“学习证据”变得比“正确答案”重要得多。
在真实学习中，我们真正想知道的并不是：
这个孩子有没有完成这一页？
而是：
现在我们有什么证据，可以相信他已经建立了哪一部分理解？
一旦这样思考，AI 学习产品的设计也会发生变化。
系统不再只是不断向前展示内容，而需要根据孩子刚刚表现出来的理解，决定下一步应该继续、追问、提示、回到文本，还是暂时停下来。
学习于是从一条固定的内容流水线，逐渐变成一个不断观察和调整的过程。
这也是为什么真实孩子如此重要
很多教育产品在设计阶段看起来都非常合理。
我们会设计漂亮的学习流程，会想象孩子在哪里需要帮助，也会根据成年人的逻辑安排问题。
但真实孩子经常会做出完全不同的事情。
他们会停在你以为根本不会停的地方。
他们会看懂一句你以为很难的话，却看不懂一个成年人觉得非常简单的问题。
他们也会用一个意料之外的回答，让你突然发现：
原来系统一直在判断错误的东西。
SmartRead 过去一段时间最大的变化，并不是因为我们突然有了更多 AI 能力，而是因为真实孩子不断迫使我们修改自己对“学习是怎样发生的”的理解。
这也是我现在越来越相信的一件事：
教育 AI 很难只在模型和产品团队内部被设计完成。
它必须不断回到真实的学习现场。
从 Content Generation 到 Learning Runtime
如果说生成式 AI 的第一阶段，是让我们能够以前所未有的速度生成和重组学习内容，那么下一阶段可能会更加困难。
它需要解决的，不只是：
What content should we generate?
而是：
What should happen next in this learner's learning?
这意味着系统需要逐渐具备一些新的能力：
它要能够观察孩子刚刚表现出了什么理解；
能够区分“看过”“回答过”和“真正掌握”之间的差异；
能够根据孩子当前的位置选择下一步学习动作；
能够给出恰到好处的帮助；
也能够在不该说的时候忍住不说。
这些能力组合起来，才开始接近我所理解的 Learning Runtime：
不是预先把所有学习内容排成一条固定路线，而是在学习发生的过程中，根据学习者不断出现的证据，决定下一步发生什么。
这比内容生成难得多。
但也正因为如此，我认为这里可能才是下一代 AI 学习产品真正值得探索的地方。
AI 不只是让教材变得更丰富
Google Learn Your Way 让我看到生成式 AI 在学习内容上的巨大潜力。
但真实孩子让我看到另一件事情：
再丰富的内容，如果不能在孩子真正卡住的那一刻提供合适的帮助，学习仍然可能停下来。
而真正好的帮助，也不是把答案更快地送到孩子面前。
它应该帮助孩子自己完成那一步理解。
所以我现在越来越愿意用一个很简单的问题来判断一个 AI 学习产品：
当孩子不知道下一步该怎么办的时候，这个系统知道该做什么吗？
如果答案只是“再生成一些内容”，我们可能还停留在 AI 教育的第一阶段。
真正有意思的部分，或许才刚刚开始。