欢迎来到“教育AI智造者”播客，这是一个探索【人工智能如何重新定义教育领域】的前沿平台。 在这里，我们不仅仅分享技术如何塑造未来教室的故事，同时也深入真实且多元的个人经历呈现AI在教育中的多面性。 每一期，我们邀请【教育界的AI实践者】——从前线的教育工作者到深入研究的学者，再到直接受益的学生，深挖每个故事， 分享他们与AI交织的独特旅程。 在AI的浪潮中，我们不仅找寻我们的位置，更共同塑造这个新时代的面貌。 加入我们，一起在“教育AI智造者”见证教育未来的无限可能！ ------------------------------------------------------------------------------------ 关于伊伊子的小红书：爱思考的伊伊子 AI+教育社群: 小红🍠教育者社群 嘉宾自荐/推荐：小红书/邮箱(yi.wang.ed.ai@gmail.com)
最新エピソード
[EP60]伊伊子思考中 | 做了近 40 个教育 App，为什么它们越来越像？
欢迎回到《教育AI智造者》。 过去一年多，我做了接近 40 个和教育有关的 App。从照片学英语，到视频学习、阅读解题和作文修改，入口各不相同，底下的动作却越来越相似：解释、比较、回想、练习、反馈。 起初，我担心自己只是在换一种包装，重复做同一个产品。后来，这种重复让我开始追问：人与信息之间真正有学习意义的互动，是否存在一些可以被识别、组合和复用的基本动作？ 这一期单口，我想聊聊这个问题怎样改变了我对学习产品的理解。 我把这些基本动作称为“教学原语”，把能够保留回答、修改和思考过程的对象称为“互动学习载体”。当 AI 已经可以根据一句要求修改软件，学习者也可能参与设计自己的学习环境：先隐藏答案、晚一点给提示、保留第一次尝试，或者换一个真实场景继续练习。 Paper2Agent 和 UI for Agent 给了我进一步的启发：研究方法可以成为 Agent 调用的能力，界面也可以围绕眼前的任务生成。但在我的设想里，两者之间仍然需要有人作出教学判断：什么时候该调用哪一种能力，哪些工作必须由学习者自己完成，留下的结果又能说明什么。 当 AI 越来越擅长生成内容、工具和界面，我们怎样判断，一个人真的学会了什么？ 我也会谈到，为什么我更愿意从一个服务老师、学习设计者和教育产品开发者的设计工作台开始，逐渐把真实体验里成立的判断，变成可以复用、检验和修改的能力。 本期聊到 做了近 40 个教育 App，为什么它们的互动方式越来越像？ “比较”和“回想”怎样才能成为真正的教学动作？ 一篇文章、一段视频，怎样成为可以持续修改的学习载体？ 当学习者能够边用边改 App，产品设计会发生什么变化？ Paper2Agent 对“把教学知识变成可执行能力”有什么启发？ UI for Agent 怎样让聊天之外的学习互动成为可能？ 为什么动态生成界面，不等于动态教学？ 看过提示后答对，与独立完成，应该怎样区分？ 我提出的“教学编译层”，需要作出哪些判断？ 为什么我想先做设计工作台，以及怎样从真实体验中积累能力？ 本期核心关键词：互动学习载体 一份材料可以持续承载你的回答、证据、修改和新尝试。下一次学习，就从这些已经留下的东西继续开始。 -----------------------关于伊伊子---------------------- 伊伊子的 小红书传送门 伊伊子 个人网站 EduAI Builders 网站 EduAI Builders <a target="_blank" rel="noopener noreferrer nofollow" href="https://github.com/edu-
[EP59]Robert | 这位高中生用Codex为自己做了一个 PBL(项目制学习)AI 导师
大家好，欢迎回到《教育 AI 智造者》。 今天的嘉宾 Robert 是一位十七岁的高中生：他在北京一所国际学校读高三，是学生会主席、AI 社团社长，也是 Roto 的创始人。Roto 想做的，是陪学生完成研究性项目与项目式学习（PBL）的 AI Mentor——从兴趣、选题和计划，到任务推进、反馈、修改与最终产出。 这期对谈从一个不那么体面的起点开始。Robert 最早使用 ChatGPT，是为了处理自己不喜欢、却必须提交的作业。后来，他在学校研究项目里第一次真正感到：当学习不再是老师拆好的任务，而是要自己提出问题、找资料、安排时间、面对硬截止日期时，AI 的意义不该只是帮人赶上某一个 deadline。 他观察到，许多学生已经在用 AI 找文献、改大纲、润色文本，甚至直接生成内容；但这些帮助往往散落在聊天窗口、文档与搜索结果之间。学生完成了一个节点，却不一定理解一整个项目如何推进。Roto 因此不想成为另一个通用聊天框，而是尝试把零散的帮助组织成一段可回看、可修改、由学生参与主导的学习过程。 我们也细聊了 Robert 怎样在没有编程背景的情况下，和产品导师、Codex 一起把想法做成网站。他不会直接要求 AI“做一个产品”，而是先写清自己要解决的问题、预期体验与功能流程，再请 AI 解释技术方案、指出风险，最后才进入开发与测试。 对他而言，AI 的执行可以很快，但问题是否值得解决、功能是否适合学生、结果是否符合预期，仍然需要人来定义和判断。 这也让 Roto 在开发中出现了一个重要转折。Robert 原本希望 AI 能够全程陪伴和主导；但真正考虑学校落地时，他发现真人教师依然不可缺少。教师不只是监督学生，也需要监督 AI 的任务、反馈和对现实可行性的判断。AI 可以帮助学生前进，却很难独自为一个学生是否真的理解、是否持续投入、是否能对成果负责作保证。 所以，这期节目表面上在讨论“一个高中生如何用 AI 做教育产品”，更深处讨论的其实是： 当 AI 可以把资料、建议、代码与方案变得越来越便宜时，学生怎样保留发起问题、作出选择、理解证据与承担结果的权利？ 内容大纲 - Robert 会怎样向第一次见面的人介绍自己？他最早为什么会用 ChatGPT 帮忙完成作业？ - 从直接代做，到找文献、搭大纲和准备展示：他的 AI 使用方式为什么变了？ - EPQ（Extended Project Qualification）怎样让一位高中生第一次面对大学式的自主研究、硬截止日期与不确定性？ - 为什么“让 AI 帮我完成一个 deadline”，不等于“我学会了如何完成一个项目”？ - Roto 是什么？它怎样从兴趣发现、选题、计划一路陪学生走到论文或项目产出？ - 一个学生为什么会在多个聊天窗口、文档和搜索结果之间来回切换？Roto 想改变的到底是什么？ - 不会编程的 Robert，怎样和产品导师、Codex 一起把学习流程做成一个网站？ - 为什么他会先写文档、说清目标、要求 AI 给方案，再让 AI 进入开发？ - 当网站能跑起来时，谁来判断它的学习逻辑是否正确、是否真的适合学生？ - Roto 为什么从“AI 全程主导”转向必须让真人教师出现？ - 老师在 AI 项目式学习里要监督什么：学生、任务、反馈，还是 AI 的乐观判断？ - AI 帮找文献、想课题、拆 16 周计划、直接写报告，边界分别在哪里？ - 怎样判断一个项目仍然是学生自己的？哪些关键动作不能被交出去？ - AI 是否真的能让昂贵的导师式学习变得普惠？它又不能解决哪些资源差距？ - 从 access to AI 到把 AI 变成 leverage：当人人都有工具之后，新的优势会转移到哪里？ - 为什么 Robert 说“今天挖 A、明天挖 B、后天挖 C”，即使挖得更快也未必能找到水？ - 学生能否从课外活动和课程的消费者，变成自己学习过程的设计者与创造者？ - 如果学校为学生项目做“加法”，它可以怎样让学生的作品真正服务校园与社区？ 本期最重要的关键词：主导力、关键动作、学习过程、真人监督。 AI 可以降低执行成本，也可以给学生更多选择；但它不会自动替学生选择值得投入的问
[EP58]Zhihao| 从自动科研到世界模型：教育为什么需要更好的反馈？
大家好，欢迎回到《教育AI智造者》。 当 AI 可以在几秒内给出一份调研、一个研究路径、一段代码，甚至一个看起来完整的解释时，“得到答案”正在变得前所未有地容易。但这也让另一个问题变得更尖锐：我们究竟是在搜索已经存在的知识，还是在做研究？AI 替我们把事情完成，和我们真正理解其中的判断与证据，之间又差了什么？ 这一期，我们邀请到Zhihao。他目前在香港中文大学攻读 AI 方向博士，关注具身智能中的 self-evolving agent（自我进化智能体）与 world model（世界模型），也做过自动化科研相关的开源实践。对他来说，研究不是某一类人专属的神秘活动，而是一个持续提出假设、寻找证据、验证并消除不确定性的过程；产品、工程和教育，也都可能有同样的结构。 对谈从 Auto Research 讲起：让智能体自动科研，真正困难的不只是让它“会做事”，而是定义一个可信的评估器。模型能力不足，或评估信号偏离目标，都会让自我优化朝错误方向加速。于是，研究品味（research taste）不再只是抽象的审美：它落在什么问题值得做、什么指标算进步、哪些反馈必须由人介入。 我们也把这个问题带到教育。数学和编程相对容易验证，教育中的学习、兴趣、情绪与认知变化却很难被简单的点击量、观看时长或一次考试完全捕捉。面对难以操作化的反馈信号，技术可以提供新的观察和模拟工具，但教师的判断、学习者的自我觉察，以及对“什么才算学会”的持续追问，仍然不能被一个漂亮的指标替代。 后半段，我们聊到 世界模型 ：它不只是生成逼真视频，也不等于模型能用文字描述“杯子掉到地上会碎”。在本期采用的理解里，一个更完整的世界模型需要能推演状态变化、将状态渲染为可观察的画面，并根据目标输出行动。它之所以令人兴奋，是因为仿真环境或许能让机器人和智能体以更低成本反复试错；它之所以仍然困难，是因为物理世界的数据远比数字世界稀缺，真实世界的状态也远比表面画面复杂。 这期节目表面上讨论的是自动科研与世界模型，更深处讨论的其实是： 当 AI 的杠杆越来越长，我们如何不只是把判断外包出去，而是借它更清楚地认识问题、认识证据，也认识自己？ 内容大纲 - 为什么Zhihao会从自己的科研需求出发，做自动化科研相关的开源项目？ - 搜索（search）和研究（research）的边界在哪里？“互联网上已经有答案”和“需要产生新知识”有什么区别？ - 对陌生问题先问 AI：这是效率提升，还是探索模型能力边界的一种方法？ - AI 已经替你总结论文之后，怎样避免“我以为我懂了”？ - 如何用自己的知识框架、Notion 或 Obsidian，让 AI 的信息进入而不是取代你的理解？ - 为什么复述、重讲和费曼学习法，仍然是检验理解的必要动作？ - Auto Research 自动化的到底是什么？评估器、搜索策略与人类介入分别承担什么角色？ - 基础模型能力与评估器质量，为什么是自我进化智能体的两条边界条件？ - “研究品味”如何具体地体现在定义问题、设定指标和判断方向上？ - 教育中的总结性评估与形成性评估，怎样对应不同类型的反馈信号？ - 点击、停留时长和完成率，为什么不能直接等同于学习真的发生了？ - 当教育中的兴趣、情绪和认知过程难以观测时，传感器与脑机接口可能提供什么，又不能替代什么？ - 为什么具身智能和机器人比数字世界里的 AI 更难做？物理数据为什么稀缺？ - 在本期的定义中，世界模型为什么需要状态预测、渲染与策略（policy）三种能力？ - 语言模型、视觉生成模型与世界模型：它们分别能描述、渲染或推演什么？ - 世界模型如果足够成熟，能否降低科学试错和探索式教育的门槛？ - 给普通听众的三个行动入口：尽快用 AI、搭建自己的知识体系、进入真实的 AI 社群与协作环境。 本期最重要的关键词： 评估器（Evaluator）。它不只是给结果打分的工具，而是在决定一个智能体、一个研究流程，甚至一个学习系统会朝什么方向优化。 -----------------------关于伊伊子----------------------
[EP57]伊伊子思考中|一个没有发布的教育操作系统，如何改变了我对开源的理解？
大家好，欢迎回到《教育AI智造者》。 过去两年，我做了很多看起来彼此分散的教育 AI 项目：帮助自己理解日语剑道视频的学习工具、论文搜索与阅读、从研究到产品需求的转换、知识图谱、数学概念可视化、互动学习页面、教学智能体、评价器，以及学习者运行记录。 这些项目有的仍在继续，有的已经停止，有的只是很快做出来的原型。它们看起来并不属于同一个产品，却不断把我带回同一个问题： 当人工智能已经可以非常快速、低成本地生成内容、页面和软件以后，教育产品中真正值得被认真设计的，究竟是什么？ 我现在的答案越来越接近四个词： 目标、判断、证据和责任 。 我们想让谁发生什么变化？为什么选择这一步，而不是另外一步？看见了什么，我们才有资格说学习可能发生了？当系统并不确定时，它应该继续给出一个自信的答案，还是停下来寻找更多证据？ EduOS 就是在我试着把这些问题写进软件以后，逐渐长出来的东西。 这个名字里的 OS，是 Operating System，也就是“操作系统”。但我并不是想重新制造一个庞大的教育平台，也不是想把老师、学生、课程和人工智能全部装进同一个超级应用。相比一个所有人都必须进入的界面，我更想做的是一套教学运行环境：它可以被老师直接使用，也可以被教育科技产品放进自己的系统，还可以由更大的智能体工作框架在需要教学判断时调用。 它最初被设计成一个命令行工具。模型和智能体可以提出方案，但验证、授权、执行和记录要由更稳定的系统负责。一次教学判断使用了什么证据、调用了什么能力、为什么进入下一步，都应该能够被检查和追溯。 但这期节目不是一次产品发布。 EduOS 做到一半，被我自己推翻了。 它已经有能够运行的代码、教学图、案例、学习程序、事件记录和解释工具。也正因为它真的运行起来了，我才看见一个无法继续忽视的空缺：这套系统可以把一个教学决定执行得很规范，却没有真正回答—— 这个决定为什么值得产生？ 如果目标、评价标准、学习困难和教学动作都已经被预先写进输入，系统当然可以稳定地执行；但最困难的教学智慧，会不会早已被偷偷放进了输入？面对一个陌生的学习者、一项新的学科任务和一组很长的材料，模型怎样发现真正的学习困难？当几种教学理论彼此冲突时，它怎样保留张力，而不是从目录里挑一个听起来合适的名字？ 如果这些问题没有解决，那么完整的工程结构和漂亮的运行日志，也可能只是把一个未经证明的教学判断执行得更加稳定。 所以，我没有发布 EduOS。 但推翻一个项目，并不等于这段探索什么都没有留下。 在这期节目里，我会从最早的 YouTube Sensei 讲起：为什么一个只想帮助自己听懂剑道老师的个人工具，让我开始相信软件可以围绕人的真实需要重新生长；为什么实现越来越便宜以后，选择和判断反而变得更加昂贵；以及我怎样从一个个具体应用，逐渐走向“教学基本单元”和“框架优先，应用其次”。 我也会具体解释，什么是 教学基本单元 。它并不只是按钮、卡片、高亮或拖动组件，而是一种把教学目的、适用条件、学习者动作、学习证据和使用边界连接起来的设计结构。界面告诉我们“可以做什么”，教学基本单元还要回答“为什么在这里这样做，以及我们凭什么认为它可能帮助学习”。 推翻 EduOS 以后，我又开始尝试一种“ 工作图 ”：让模型先形成一个公开、可检查、可修改的学习设计状态，再围绕局部关系继续读取材料、选择能力和生成产物。它不是模型私下的思维链，也不是一张为了展示而存在的漂亮流程图。它更像一个人和系统都能共同查看的推理工作台。 这轮实验仍然没有给出一个宏大的答案。它没有证明把输出画成图以后，模型就会变得更聪明；但它让我更清楚地看到，教学设计中的关系、证据、不确定性和注意焦点，需要以什么方式变得可见。 这也改变了我对开源的理解。 开源不一定只发生在成功以后。没有发布的系统、走错的图结构、失败的提示词、解析规则、评价方法、开发日志，以及能够独立使用的教学基本单元，也可以成为公共材料。重要的不是把所有代码原封不动地扔出来，而是诚实标明：什么已经可以运行，什么仍然只是实验，什么已经被推翻，什么还没有证据。 所以，这期节目表面上是在复盘一个没有发布的“教育操作系统”，更深处讨论的其实是： 当人工智能可以生成越来越多东西以后，我们怎样让教学判断
[EP56] Xichen｜AI 进入项目式学习(PBL)：该自动化什么，不该自动化什么？
大家好，欢迎回到《教育AI智造者》。 过去两年，我们已经见过太多教育 AI 产品：生成教案、生成 worksheet、生成 quiz、生成课程、生成反馈……大语言模型让“生成教学内容”第一次变得如此廉价。 但如果 AI 已经能在几分钟内写出一份项目方案、一套课程流程，项目式学习（PBL）真正困难的问题还剩下什么？ 这一期，我邀请到了 Xichen。她曾在中美不同的教育场景中从事项目式学习：从社会科学夏令营、机器人与 STEM 教育，到美国公立学校；如今，她也在为成人设计与真实企业问题相连的 AI 技能培训。 这次对谈让我重新理解了一件事：PBL 并不是“把一节课做得更热闹”，也不是给学生一个看似开放的题目，再让他们交一份漂亮的作品。真正困难的部分，是让学习者面对一个真实、恰当、值得自己投入的问题；是让教师从内容传递者变成问题解决者和引导者；也是让学校、社区、企业与学生之间，建立起足以承载责任的信任。 Xichen 提到，一个好的项目不会从一份完美课件开始，而是从 problem framing 开始：先理解真实约束——学生是谁、教师能投入多少时间、师生比如何、是否有外部组织愿意参与、最终要让学生展示什么。项目的核心也不是“没有标准答案”，而是帮助不同起点的学习者，在脚手架的支持下，找到对自己真正有意义的答案。 我们也具体聊了 AI 在 PBL 中最值得进入的位置：它可以帮助小团队搭建学生数据系统，处理大量形成性评估的初步扫描，标出需要教师重点关注的学生；但最重要的里程碑、专家的隐性知识、教师对学生的理解，以及学生愿不愿意对一个问题负责，依然不能被简单自动化。 所以，这期节目表面上在讨论“AI 如何帮助 PBL”，更深处讨论的其实是： 当我们把越来越多教学工作交给 AI，教育里哪些东西会因此被放大？又有哪些东西，仍然必须由人与人之间的信任来发生？ 内容大纲 - 从中国到美国、从 K12 到成人培训：为什么 Xichen 有意识地在不同学习场景中做 PBL？ - PBL 与传统学科教学最大的不同是什么？“没有标准答案”为什么不等于“没有要求”？ - 成人学习与儿童学习的共同点：学习者都在试图解决当下的问题，也都带着自己的经验进入课堂。 - PBL 不是买一套案例、套进学科就能发生：教育者为什么必须先经历一次真正有效的项目式学习？ - 从教师自己的兴趣出发：一位喜欢音乐的语文老师，如何让歌词、创作与表达自然长成一个项目？ - 课程设计的第一步不是写活动，而是 problem framing ：如何识别项目的约束条件（design constraints）？ - 为什么“谁都可以照着上”的标准化 PBL，反而可能失去灵魂？教师培训、教师兴趣与项目运营之间如何配合？ - 真实问题为什么重要？外部组织、社区与企业的参与，如何让学生的成果不只是一道“假题”？ - 低年龄学生能不能做 PBL？从 Reggio Emilia 到 PBL literacy：项目的复杂度应该如何逐步增加？ - AI 在项目式学习中应该做什么：学生数据追踪、形成性评估初筛、界面与工具开发；又有哪些事仍应由教师完成？ - 从 backward design 到 project milestone：如何先定义要培养的能力，再找到最值得人工深度评估的关键节点？ - 专家为什么仍然不可替代？观察专家如何解决模糊问题，如何帮助我们看见 AI 不容易显性的隐性知识？ - AI 是 co-pilot 还是 autopilot？如果把 PBL 流程完全自动化，最容易丢掉的是什么？ 本期最重要的关键词：**trust**。学生愿不愿意承担责任，往往取决于是否有人真的相信他们，也是否有一个社区认真对待他们做出的成果。 -----------------------关于伊伊子---------------------- 伊伊子的 <a target="_blank" rel="noopener noreferrer nofollow" href="https://www.xiaohongshu.com/user/profile/5e4b2dec0000000001006a5c?wechatWid=93b4a36
[EP56英文纯享版] Thomas | 被扎克伯格基金会投资的AI教育公司，怎么把「好的教学」做进 AI？
Hello 大家好，欢迎回到《教育AI智造者》。 过去两年，我们已经见过太多教育 AI 产品：生成教案、生成 worksheet、生成 quiz、生成课程、生成反馈……大语言模型让“生成教学内容”第一次变得如此廉价。 但我越来越觉得， 教育 AI 真正困难的问题，可能从来都不是“如何生成”，而是：我们到底应该生成什么？为什么这样生成？以及，我们凭什么认为生成出来的东西有助于学习？ 这一期，我邀请到了 EduAide 联合创始人 Thomas。 EduAide 是一个让我第一次看到就非常感兴趣的产品。它没有把 ChatGPT 简单包装成一个“教师版聊天框”，而是试图做一件困难得多的事情： 把教育研究和学习科学真正转化成老师可以直接使用的 AI 工具。 Thomas 自己就是一名教师，也接受过教育研究训练。EduAide 的诞生，也不是从“AI 能做什么”开始，而是从一个老师非常具体的问题开始：ChatGPT 的确可以在几秒钟内生成 worksheet 和 lesson plan，但什么才是一张真正设计得好的 worksheet？一道高质量的 worked example 应该包含什么？什么时候应该使用 retrieval practice？什么时候应该给学生更多引导，又什么时候应该逐渐撤掉 scaffold？ 这些问题的答案，并不在模型本身，而在教学法里。 所以 EduAide 做了一件非常“笨”、却也非常特别的事情：团队筛选和整理了超过 1000 篇教育研究，将研究中的教学原则、适用条件和边界条件组织成知识图谱，再把它们转化为 110 多种教师可以直接使用的教学工具。 而更让我感兴趣的是，他们并没有停留在“把论文塞进 RAG”。 从研究筛选、知识编码，到教学方法的结构化，再到 Prompt、Rubric、Evaluation、Recommendation Engine 和最终可编辑的 Artifact，EduAide 实际上在尝试建立一整条链路： Research → Pedagogy → Tool → Prompt → Generation → Evaluation → Teacher Decision 我们也因此聊到了一个我一直非常关心的问题： 如果未来模型越来越强，教育 AI 产品真正需要构建的，究竟是什么？ 也许不是更多内容，而是隐藏在内容背后的 教学决策系统 。 这一期我们还讨论了很多没有标准答案的问题：老师到底需不需要读论文？AI 帮我们自动阅读研究，是效率提升还是 cognitive offloading？怎样评价一个 AI 生成的教学材料到底“好不好”？为什么一个好的教育 AI 不应该要求老师学习 Prompt Engineering？为什么 Thomas 至今仍然谨慎地不让 AI 直接成为学生的 Tutor？ 最后，我们还聊到了 EduAide 作为一家三人 bootstrap 公司，如何依靠教师订阅生存，再从真实的教师使用反向进入学校和学区。 所以，这一期表面上是在拆解 EduAide，实际上我觉得我们讨论的是一个更大的命题： 当“生成”越来越容易之后，教育 AI 的竞争，会不会最终从模型能力，回到我们对“学习究竟如何发生”的理解？ 🧭 内容大纲 1️⃣ 从老师到创始人： 教育 AI 的起点不应该是 AI 能做什么，而应该是什么更可能让学习发生。 2️⃣ 📚 Evidence-Based Teaching：教学其实是一场“概率游戏”, 好的老师不是遵循教学 checklist，而是拥有足够丰富的教学工具箱，并知道什么时候用什么。 3️⃣ 🔬 1000+ 篇论文如何变成 110+ 个 AI 教学工具？ 论文不是知识库的终点。真正困难的是把 evidence 变成可以执行的 pedagogical decision。
[EP56] Thomas | 被扎克伯格基金会投资的AI教育公司，怎么把「好的教学」做进 AI？
Hello 大家好，欢迎回到《教育AI智造者》。 过去两年，我们已经见过太多教育 AI 产品：生成教案、生成 worksheet、生成 quiz、生成课程、生成反馈……大语言模型让“生成教学内容”第一次变得如此廉价。 但我越来越觉得， 教育 AI 真正困难的问题，可能从来都不是“如何生成”，而是：我们到底应该生成什么？为什么这样生成？以及，我们凭什么认为生成出来的东西有助于学习？ 这一期，我邀请到了 EduAide 联合创始人 Thomas。 EduAide 是一个让我第一次看到就非常感兴趣的产品。它没有把 ChatGPT 简单包装成一个“教师版聊天框”，而是试图做一件困难得多的事情： 把教育研究和学习科学真正转化成老师可以直接使用的 AI 工具。 Thomas 自己就是一名教师，也接受过教育研究训练。EduAide 的诞生，也不是从“AI 能做什么”开始，而是从一个老师非常具体的问题开始：ChatGPT 的确可以在几秒钟内生成 worksheet 和 lesson plan，但什么才是一张真正设计得好的 worksheet？一道高质量的 worked example 应该包含什么？什么时候应该使用 retrieval practice？什么时候应该给学生更多引导，又什么时候应该逐渐撤掉 scaffold？ 这些问题的答案，并不在模型本身，而在教学法里。 所以 EduAide 做了一件非常“笨”、却也非常特别的事情：团队筛选和整理了超过 1000 篇教育研究，将研究中的教学原则、适用条件和边界条件组织成知识图谱，再把它们转化为 110 多种教师可以直接使用的教学工具。 而更让我感兴趣的是，他们并没有停留在“把论文塞进 RAG”。 从研究筛选、知识编码，到教学方法的结构化，再到 Prompt、Rubric、Evaluation、Recommendation Engine 和最终可编辑的 Artifact，EduAide 实际上在尝试建立一整条链路： Research → Pedagogy → Tool → Prompt → Generation → Evaluation → Teacher Decision 我们也因此聊到了一个我一直非常关心的问题： 如果未来模型越来越强，教育 AI 产品真正需要构建的，究竟是什么？ 也许不是更多内容，而是隐藏在内容背后的 教学决策系统 。 这一期我们还讨论了很多没有标准答案的问题：老师到底需不需要读论文？AI 帮我们自动阅读研究，是效率提升还是 cognitive offloading？怎样评价一个 AI 生成的教学材料到底“好不好”？为什么一个好的教育 AI 不应该要求老师学习 Prompt Engineering？为什么 Thomas 至今仍然谨慎地不让 AI 直接成为学生的 Tutor？ 最后，我们还聊到了 EduAide 作为一家三人 bootstrap 公司，如何依靠教师订阅生存，再从真实的教师使用反向进入学校和学区。 所以，这一期表面上是在拆解 EduAide，实际上我觉得我们讨论的是一个更大的命题： 当“生成”越来越容易之后，教育 AI 的竞争，会不会最终从模型能力，回到我们对“学习究竟如何发生”的理解？ 🧭 内容大纲 1️⃣ 从老师到创始人： 教育 AI 的起点不应该是 AI 能做什么，而应该是什么更可能让学习发生。 2️⃣ 📚 Evidence-Based Teaching：教学其实是一场“概率游戏”, 好的老师不是遵循教学 checklist，而是拥有足够丰富的教学工具箱，并知道什么时候用什么。 3️⃣ 🔬 1000+ 篇论文如何变成 110+ 个 AI 教学工具？ 论文不是知识库的终点。真正困难的是把 evidence 变成可以执行的 pedagogical decision。
[EP55]伊伊子思考中 | AI 时代的一人教育公司，会是什么样子？
Hello 大家好，欢迎回到《教育AI智造者》。 这是《教育AI思考课》的又一期单口节目。最近我连续看了很多 Solo Founder（一人创始人）的故事：有人一个人把公司做到百万美元收入，也有人开始尝试用一个真人加一整套 AI Agents，去完成过去需要产品、工程、客服、运营共同完成的工作。 看得越多，我越觉得真正有意思的不是「AI 让一个人也能开公司」，而是 公司本身正在从一个由职位组成的组织，变成一个由 Workflows（工作流）组成的系统。 所以这一期我想做一个有点大胆的思想实验： 如果这种变化发生在教育里，一人教育公司会是什么样子？ 它只是一个老师带着几十个 AI Agent 疯狂生成课程，还是有可能让一个教育者拥有一所很小、却能够持续诊断、反馈、调整和学习的「学校」？ 这一期，我们就从几家真实的 Solo Founder 公司出发，拆一拆这个还没有答案的问题。 如果你是一位教师、教育创业者、AI 产品经理、学习科学研究者，或者你正在 Vibe Coding 自己的教育产品，我希望这一期能够给你一个不同的问题： 当 AI 已经可以帮你写课、出题、批改、做视频、建网站的时候——你真正想创造的，到底是什么？ 🧭 本期内容 为什么 Solo Founder 值得教育行业关注？ Fondo、Chatbase、WorkOS、Wabi、Pulsia 分别在卖什么？ 为什么 AI 公司真正产品化的往往不是 AI，而是 Workflow？ Demo、Tool 和 Company 到底有什么区别？ 为什么教育比会计、客服和企业软件更难自动化？ 为什么 Content Generation 不等于 Learning？ 什么才是一条真正完整的 Learning Workflow？ 一人教育公司的三层结构：学习、教学运营与商业 一个老师 + AI Agents，真的可以服务更多学生吗？ 哪些教育工作可以自动化，哪些必须 Human-in-the-loop？ 教育版 Chatbase 会是什么？ 教育版 Fondo 会是什么？ 教育版 WorkOS 会不会成为 Learning Infrastructure？ 什么是 Pedagogical Infrastructure？ 教育版 Wabi：软件会不会成为新的学习产物？ 教育版 Pulsia：AI 能不能帮助一个老师运行一家公司？ 中国和美国的一人教育公司为什么可能走出不同路径？ 从小工具到真正公司，需要经历哪些阶段？ 一人教育公司究竟应该卖软件、服务，还是基础设施？ 当 Vibe Coding 让功能越来越容易复制，真正的壁垒是什么？ Workflow、Evidence、Trust、Distribution 与 Pedagogical Values 为什么「Human-in-the-loop」本身也可能成为一种假象？ 一人教育公司最值得警惕的六个风险 AI 时代，公司会不会从 Organization Chart 变成 Workflow System？ 最后一个问题：当生成已经不再困难，我们真正应该设计什么？ -----------------------关于伊伊子---------------------- 伊伊子的 <a target="_blank" rel="noopener noreferrer nofollow" href="https://www.xiaoh
[EP54]伊伊子思考中 | Learning Process Design：为什么 AI 工程，开始越来越像教育？
Hello 大家好，欢迎回到《教育AI智造者》。 这是《教育AI思考课》的第一期， 是《教育AI智造者》推出的新系列。在这个系列里，我不会采访嘉宾，而是分享最近让我反复思考的一篇论文、一场访谈、一款产品，或者一个正在发生的行业变化。 我希望做的不只是新闻解读，也不是产品评测，而是试着把教育学、学习科学、人工智能和软件工程放在同一张桌子上，看看它们之间正在发生怎样新的连接。每一期节目，我都会从一个具体事件出发，结合公开资料、相关研究，以及我自己的产品实践和工程经验，把零散的信息整理成一条更完整的思考路径。这些节目没有标准答案，它们更像是我在 AI 时代持续学习和研究的一本公开笔记。如果这些思考也能启发你的工作、学习，或者让你开始提出新的问题，那它就已经完成了它存在的意义。 最近 Anthropic 发布了 Claude for Teachers，很多讨论都集中在一个问题上：AI 会不会改变教师备课？会不会成为下一代教学助手？这些当然都是值得关注的问题，但真正吸引我的，却不是这个产品本身。 几乎同一时间，我听完了 Anthropic 产品负责人 Fiona Fung 在 Lenny's Podcast 上的一场长达两个多小时的访谈。她谈的是 Claude Code、软件工程、Agent、团队管理，以及 AI 如何改变产品开发。但听着听着，我越来越觉得，她真正描述的，其实不是软件工程，而是一件教育学已经研究了几十年的事情—— 学习（Learning） 。 当 AI 可以几分钟写完过去几周才能完成的代码之后，Coding 不再是瓶颈；真正困难的开始变成： 我们怎样知道它做得对？怎样定义「什么是好」？怎样设计反馈？怎样持续学习？ 这让我开始重新思考一个问题： 如果 Prompt Engineering 不是未来 AI Engineering 的核心，那么未来真正需要被设计的，到底是什么？ 我越来越相信，答案可能不是 Prompt，而是 Learning Process Design（学习过程设计） 。 它不是传统意义上的 Instructional Design（教学设计），也不仅仅是在设计一节课，而是在设计一个持续学习的系统：目标如何定义？证据如何收集？反馈如何形成？失败如何分析？下一步经验如何安排？人什么时候介入？Agent 什么时候独立行动？评分器怎样帮助系统不断调整自己的行为？ 如果把这个视角放回教育，我们会发现很多熟悉的概念开始拥有新的意义：Rubric（量规）越来越像 Model Grader（模型评分器）；Formative Assessment（形成性评价）越来越像 Continuous Evaluation（持续评估）；Scaffolding（支架）开始帮助我们理解 Agent 为什么需要不同程度的自主性；Learning Progression（学习进阶）也开始对应模型训练中的 Curriculum（课程训练）。 所以，这一期节目并不是一场 Claude for Teachers 的产品分析，而更像是一次关于 Learning Process Design 的探索。我希望借助 Anthropic 最近的一系列实践，讨论一个更大的问题： 未来真正的 AI Engineering，会不会越来越像 Learning Engineering（学习系统工程）？而教育学，会不会不再只是 AI 的应用场景，而逐渐成为 AI 系统设计本身的一部分？ 如果你是一位教师、研究者、AI 工程师、产品经理，或者正在思考 Agent、Post-training、Evaluation、Learning Science，那么我希望这一期，能够带给你一些新的连接。 🧭 本期内容 Claude for Teachers 为什么只是这期节目的起点？ Fiona Fung 描述的 Anthropic，到底发生了什么变化？ 为什么 Coding 不再是 AI 工程最大的瓶颈？ Verification（验证）为什么成为未来 AI 的核心能力？ 为什么 Rubric 正在变成 Model Grader
[EP53]李老师 | GPT 成了我的神？一位老师如何重新理解教学
最近有一段时间没有更新《教育AI智造者》。 其实这几个月我一直都在录节目，只不过，大部分时间都投入到了一个新的采访计划， 开启一个新的系列—— 《教育人与 Vibe Coding》 。 这里不会讨论哪个模型跑分最高，也不会比较哪一个 Agent 更厉害。我更关心的是， AI 正在如何改变教育工作者的工作方式、思考方式，以及他们看待教育本身的方式。 如果你也是老师、研究者，或正在教育现场尝试 AI，也欢迎来到节目分享你的故事。 📮 投稿 / 联系方式： yi.wang.ed.ai@gmail.com 这一期，我们邀请到的是 李老师 。 过去一年，她几乎每天都和 ChatGPT 一起工作。 她利用 AI 做出了自己的英语学习平台，把写作批改、口语练习、词汇学习等功能逐渐整合成了一个真正可以使用的网站；更有意思的是，她也开始带着学生一起做 Web Coding，并尽可能利用免费的 AI 资源，让更多学生能够参与其中。 但真正让我印象最深的，并不是这些工具。而是她说的一句话： 「GPT 已经成了我的神。」 第一次听到这句话，我其实愣了一下。 后来才发现，她想表达的并不是 GPT 无所不能。而是当他准备课程、设计活动、思考教学、修改网站、甚至开始怀疑自己的教学方法时，第一个讨论对象，已经变成了 GPT。 它不仅帮忙写代码， 也开始辅助教学设计， 检视课堂流程， 甚至不断挑战他的教育假设。某种程度上，它已经从一个 AI 工具，慢慢变成了一位永远在线、永远愿意讨论问题的教学伙伴。 而这，也许正是 AI 真正开始进入教育现场的一种样子。 💡 本期你将听到 为什么李老师会说："GPT 已经成了我的神？" 当 GPT 开始 Review 老师，而不是老师 Review GPT 如何利用几乎免费的 AI 资源，让学生也开始做 Web Coding？ AI Coding 到底是在写代码，还是在训练一种新的思维方式？ 学生交的不再是 PPT，而是一个真正可以运行的网站 AI 带来了效率，也带来了新的焦虑 🧭 内容大纲 🌱 从一位英语老师开始学习 AI Coding 为什么决定自己做教学工具，而不是继续等待现成产品 一年时间，从不会写代码到拥有自己的教学网站 AI 如何改变一位老师每天的工作方式 🤖 GPT，不只是工具 "GPT 成了我的神"到底是什么意思 为什么 GPT 成了每天第一个讨论教学的人 从问问题，到一起思考问题 🪞 AI 开始帮助老师 Review 老师 用 GPT 检查自己的教学设计 AI 如何帮助发现课堂中的盲点 为什么 Feedback 不应该只属于学生 💻 把 Web Coding 带进课堂 如何充分利用免费的 AI 资源 学生第一次做出真正属于自己的学习工具 为什么老师比程序员更容易发现值得做的教育产品 🐞 不会编程，也能 Debug ChatGPT 为什么总会写错代码 如何一步步定位问题，而不是放弃 Debug 的过程，其实也是学习计算思维的过程 🧠 AI Coding 真正训练的能力 自然语言如何成为新的编程语言 从"写代码"到"表达需求" 为什么产品经理思维越来越重要<
[EP52] 西西老师 |从PPT到HTML：有了AI，老师为什么要重做知识呈现？
Hello 大家好，欢迎来到《教育AI智造者》。 这是《教育人与 Vibe Coding》系列的第二期。 过去一年，我们看到很多老师开始用 AI 做 PPT、写教案、出题、批改作业。但这一期的嘉宾西西老师，让我开始思考另一个问题：当 AI 让内容生产变得越来越容易之后，老师真正需要优化的还是内容吗？ 作为一名高中教师，西西老师并没有满足于让 AI 帮她更快地制作 PPT。相反，她开始尝试一种更奇怪的方式：用 HTML 做课件。 最开始，这听起来像是一次技术升级。但随着聊天深入，我发现她真正关心的从来不是技术。她关心的是： 为什么学生总是在拍 PPT，而不是听课？ 为什么有些内容明明讲了很多遍，学生还是记不住？ 为什么课堂上最稀缺的资源，往往不是知识，而是注意力？ 而当她开始使用 Vibe Coding 制作课件之后，她逐渐意识到：课件不仅仅是内容的载体。它本身就是一种教学设计, 一种知识组织方式, 甚至是一种学习体验。 于是，我们从 HTML 课件聊到教学法，从教学法聊到学习支架（Scaffolding），又从学习支架聊到未来是否可能出现没有老师讲解的教学系统。 在这期对话里，我们一起讨论： • 为什么 HTML 可能比 PPT 更适合未来课堂？ • AI 改变的究竟是内容生产，还是内容呈现？ • 什么样的课堂设计能够真正提高学生参与度（Engagement）？ • 为什么老师最重要的工作越来越不是制作内容？ • 当 AI 可以生成课件之后，教学设计会变得更重要吗？ 如果你是一位老师、教育产品从业者，或者正在思考 AI 如何改变学习体验。 这一期或许会提供一个值得关注的视角：AI 的价值可能不仅是帮助我们更快地创造内容。更重要的是，它让更多老师开始重新设计学习发生的方式。 🧭 内容大纲 🎒 从 PPT 到 Vibe Coding 为什么开始放弃传统 PPT HTML 课件带来的新可能 AI 如何改变备课流程 🤝 AI 是工具还是合作者 什么时候是执行工具 什么时候是创意伙伴 老师与 AI 的协作关系 🎯 教学设计优先于技术设计 引入、过渡与知识组织 为什么老师总能发现 AI 缺少什么 教学法如何影响课件结构 👀 注意力才是课堂最稀缺的资源 为什么 PPT 内容越来越少 学生抬头率背后的设计逻辑 互动如何服务核心学习目标 🧠 提示词工程正在消失吗 从结构化 Prompt 到自然对话 Background 为什么比 Prompt 更重要 AI 时代的新协作方式 🏗️ 从课件到教学系统 HTML 课件作为 Learning Scaffold 学生能否借助系统自主学习 教学系统与个性化学习的未来 🎓 AI时代的教师角色 老师会被替代吗 为什么教育仍然需要人与人的互动 从知识传递者到学习监督者 -----------------------关于伊伊子---------------------- 伊伊子的 <a target="_blank" rel="noopener noreferrer nofollow" href="https://www.xiaohongshu.com/user/profile/5e4b2dec0000000001006a5c?wechatWid=93b4a36ba0
[EP51] D老师｜不会编程的英语老师，如何用AI做出了自己的教学系统？
最近有一段时间没有更新《教育AI智造者》。其实这几个月我一直在录节目，只是把大部分时间都花在了一个新的采访计划上。 从今年二月份开始，我陆续采访了很多老师。一开始，我只是单纯好奇。过去几年，我们讨论 AI 的时候，经常听到的是程序员、创业者、产品经理。但我越来越想知道： 如果把目光放回教育现场，会发生什么？ 当一个老师拥有了过去只有工程师才拥有的能力之后，他们会拿这些能力做什么？ 他们会怎么理解 AI？ 又会如何把 AI 带进自己的课堂、教学系统，甚至教育产品里？ 原本我计划把这些访谈整理成一期大型专题节目，但后来发现，无论是剪辑还是内容整理，工作量都远远超出了我的预期。而 AI 的发展又实在太快。 与其继续等待那个完美版本，不如先把这些有价值的对话分享出来。 所以从这一期开始，我会陆续发布一个新的系列： 《教育人与 Vibe Coding》 。在这个系列里，你会听到不同老师如何使用 AI、如何做工具、如何做产品，以及 AI 如何改变他们的教学与思考方式。 如果你也希望来播客上分享你的心得和经历，欢迎写邮件联系：yi.wang.ed.ai@gmail.com 这一期的分享来自D老师：他花了一年时间，用 ChatGPT 做出了自己的教学工具，并最终把写作批改、口语题库和词汇系统整合成了一个真正可以使用的网站。 但让我感兴趣的并不是这个网站本身。而是在这个过程中，他逐渐从一个「使用工具的人」，变成了一个「设计系统的人」。并开始思考：为什么有些工作必须由老师完成？什么才是真正值得自动化的部分？当 AI 可以写代码之后，人类最重要的能力还是什么？以及AI Coding 真的是在降低门槛，还是在把我们推向更高层次的问题？ 在这期对话里，我们一起拆解了几个关键问题： 为什么老师比程序员更容易发现值得做的教育产品？ AI Coding 的本质到底是写代码，还是表达需求？ 当 ChatGPT 经常写错代码时，一个不会编程的人如何 Debug？ 什么是教育场景里的 Computational Thinking（计算思维）？ 为什么 AI 让老师变轻松的同时，也让人变得更焦虑？ 当所有重复劳动被自动化之后，教育工作者应该把时间花在哪里？ 如果你是一位老师、教育创业者，或者正在尝试用 AI 改造自己的工作流。这一期或许会给你一个新的视角：AI Coding 最重要的产出，也许不是代码， 而是让你开始用系统的方式理解自己的工作。 🧭 内容大纲 🎯 从教学痛点出发 重复劳动为什么会吞噬老师的大量时间 哪些工作适合 AI，哪些工作必须保留给老师 从写作批改开始的第一个自动化尝试 ✍️ 写作工具的诞生 从逐句修改到 AI 辅助批改 i+1 理论如何影响工具设计 为什么反馈必须转化成练习 🚧 AI Coding 的真实踩坑记录 本地部署与云端部署的差异 Context Window 带来的问题 ChatGPT 为什么会制造 Bug 🧠 老师如何学会计算思维 从教学流程到产品流程 字段（Field）思维的出现 抽象、组合与模块化设计 🤖 AI Coding 到底是什么 Vibe Coding 的真正含义 自然语言与计算机语言之间的翻译过程 产品经理思维为什么比编程更重要 🔍 测试与需求文档 为什么 Vision 比代码更重要
[EP50]小杭| 博士生的她用vibe coding，开源“学习变游戏”这件事
Hello 大家好，欢迎来到教育AI智造者播客。 这一期我想聊一个让我“停下来想很久”的开源项目： EdGameClaw 。它做的事情表面上很简单——把教材变成游戏。但如果你往深里看，它其实在挑战一个更本质的问题： 当AI进入教育，我们到底是在“生成内容”，还是在“重构学习体验”？ 今天我们看到的大多数AI教育产品，本质上还是在优化“信息的输入与输出”：更快生成讲义、更个性化推荐、更高效刷题。但这个项目的出发点完全不一样——它试图把 学习本身变成一个可交互、可试错、有反馈循环的系统 。 这也让一个被反复提及但经常被误解的概念重新浮现： 游戏化学习（Gamification） 。 但问题是，我们真的理解“游戏化”吗？ 是积分、徽章、排行榜，还是一种更底层的——把“学习机制”嵌入“交互机制”的设计？ 在这期对话里，我和项目作者小杭一起拆解了几个关键问题： 为什么大多数“游戏化学习”产品，其实并没有改变学习的发生方式？ 为什么“试错 + 即时反馈”的机制，比内容本身更接近学习的本质？ 当AI可以自动生成代码与游戏时，人类在学习过程中的“心智模型”会不会被削弱？ 为什么“让人先提供教材”，反而是一种更严肃的AI设计选择？ 以及，一个坚持开源、强调教学法对齐的项目，在未来AI教育生态中意味着什么？ 如果你是一位老师、教育产品经理、研究者，或者正在思考AI如何真正改变学习，这一期不会给你轻松的答案，但会给你一个非常清晰的判断标准： AI 不应该只是加速内容生成，而应该重构学习发生的机制。 🧭 内容大纲 🧩 从“游戏化”误区开始 游戏化 ≠ 积分、徽章、排行榜 为什么大多数AI教育产品仍停留在“内容层” 本期核心问题：AI是在生成内容，还是重构学习机制？ 🎮 EdGameClaw 在做什么 教材 → 游戏：从内容到交互的转化路径 为什么强调“用真实教材作为输入” HTML + pixel 的选择：不是技术限制，而是策略设计 🧠 游戏机制 × 学习机制 核心命题：mechanics must align with learning trial & error 为什么比讲解更重要 拖拽（drag & drop）带来的 agency 与参与感 ⚡ 神经科学视角：为什么游戏有效 reward loop：行为 → 反馈 → 预测更新 predictive coding 与强化学习的关系 情绪在学习中的作用：困惑、挫败、心流 🔁 学习的本质：认知冲突与反馈闭环 productive failure：先失败再理解 为什么“卡住”是学习的起点 游戏如何天然支持认知冲突的触发 🤖 AI参与学习：机会与风险 AI能做什么：生成、监测、反馈 AI做不到什么：理解个体长期状态 情绪识别、多模态数据与隐私边界 🧱 开发者视角：AI原生产品的真实难点 幻觉问题与“让人提供教材”的设计逻辑 sandbox + judge + iterative refinement 的工程流程 为什么“代码能生成 ≠ 产品能成立” 🧬 心智模型的消失与重建 AI写代码时代，学习是否还必要？ junior engineer案例：错过的不是答案，而是过程 cognitive apprenticeship 与 tacit knowledge 🌱 开源与动机：为什么要公开</h
[EP49]Winnie Han| 计算机教授如何重塑评估体系， 以及AI时代，我们到底在评估什么？
Hello 大家好，欢迎来到教育AI智造者播客。 这一期，我们直面一个在AI时代越来越难回避、却被反复“简化”的问题： 当AI可以完成越来越多“看起来像学习成果”的事情时，我们到底在评估什么？ 在过去两年，关于AI进入教育的讨论，大多集中在效率、工具、甚至伦理层面。但在这次对话中，我逐渐意识到：真正被低估、甚至被忽略的，是 assessment ——评估本身。 当一个学生可以用AI写出更好的代码、更完整的论文、更流畅的表达，我们看到的“成果”，还等于这个学生的能力吗？ 当检测AI的工具本身也不可靠，甚至无法作为证据，我们又凭什么去判断“作弊”？ 当老师说“鼓励使用AI”，学生却直接用AI完成全部作业，这到底是理解偏差，还是系统设计的问题？ 这一期我邀请到的嘉宾是韩文林教授，一位同时身处计算机科学、教学一线，以及AI评估标准建设的实践者。她提出了一个非常关键的视角： AI改变的，可能不是学习本身，而是我们判断“学习是否发生”的方式。 在这场对话中，我们不仅讨论了： 为什么AI检测工具在逻辑上很难成立 为什么“允许/鼓励使用AI”会带来系统性混乱 为什么完成任务 ≠ 学会能力 更重要的是，我们逐渐走向一个更底层的问题： 👉 在AI时代，我们评估的，还是“人”，还是“人+AI的系统”？ 👉 评估，到底是技术问题，还是认知与信任的问题？ 如果你是老师、研究者、产品设计者，或者正在用AI学习的人，这一期可能不会给你一个简单答案，但会帮你看清一个更底层的变化： 评估，正在从“结果判断”，变成“学习如何发生”的再定义 韩教授主办的AAB(AI Assessment Board) 网址：www.aaboard.org 🧭 内容大纲 🧩 AI来了，但我们还在用旧的评估逻辑 AI可以生成答案，但“答案”不再等于能力 assessment 被忽视，但其实是最核心问题 学习的证据，开始变得不可信 ⚡ 第一波冲击：作业突然“变好了” 学生项目质量整体提升，而不是个别作弊 教师凭经验判断：这是AI带来的结构性变化 旧的rubric在新能力面前失效 ⚖️ AI作弊检测：一个逻辑上站不住的系统 AI detector 只能给“概率”，无法给“证据” 学生申诉几乎必然成功 对比 Turnitin：有来源 vs 无来源 🧠 评估崩塌的本质：边界无法定义 “允许 / 鼓励 / 禁止”AI → 每个人理解不同 60%用AI？怎么量化？按代码量还是思路？ 教师与学生对“合理使用”的认知完全错位 🔄 从“评估人”到“评估人+AI系统” 计算机课程已开始评估人机协作能力 不再只看代码，而看“如何用AI完成任务” 课程体系被整体重构 🧪 完成任务 ≠ 学会能力 任务完成只是“样本”，不是能力本身 真正关键：迁移能力（举一反三） AI可以加速任务，但不保证形成认知结构 🌐 AI Assessment Board：从“共识”走向“事实” 不先定义标准，而先收集真实案例 用数据找pattern，而不是专家拍脑袋 从实践中抽取“不可替代能力” 🧭 收束：评估不再是技术问题，而是哲学问题 我们是否一直在用“产出”替代“理解”？ 我们是否误把“完成”当作“掌握”？ 在AI时代，什么才算真正的学习？ -----------------------关于伊伊子---------------------- 伊伊子的<a href="https://w
[EP48]Jason Dou|哈佛博士后教育创业培养AI领导力，AI时代谁会真正脱颖而出？
Hello 大家好，欢迎来到教育AI制造者播客。 这期节目，想讨论一个我最近越来越在意的问题： 当 AI 变得越来越强、越来越便宜、越来越容易使用之后，教育真正应该培养的，到底是什么？ 过去两年，AI+教育的讨论非常热闹。有人在教工具怎么用，有人在讲模型有多强，也有人在展示各种“效率提升”的案例。但如果我们把问题再往下挖一层，就会发现，真正重要的可能不是“学生会不会用某个 AI 工具”，而是他们能不能站在创造者、判断者、决策者的位置上，去理解 AI、使用 AI，甚至与 AI 一起定义问题、提出方案、创造价值。 这也是为什么我会注意到 Marbella AI 这个项目。它给我的感觉，并不是一个传统意义上的“AI课程平台”，而更像是在尝试搭建一种环境：让学生不只是学 AI，而是在真实项目里，把 AI 当成一种认知杠杆，去连接自己的兴趣、问题意识与行动能力。 这一期，我邀请到 Marbella AI 创始人 Jason 来到节目中。Jason 的经历非常典型，又非常少见：从北大计算机，到 CMU 暑研、康奈尔硕士、匹兹堡大学博士，再到哈佛做博士后，并在 Harvard Innovation Labs 孵化自己的 AI 教育公司。他既做过机器学习方法研究，也做过 AI+医疗、金融、法律等跨领域应用，最后选择把这些经验汇聚到教育创业里。 我们聊到的并不只是“怎么学 AI”，而是更底层的问题： AI时代的人才土壤是什么？ 为什么项目制学习会重新变得重要？ 教育公平和精英培养能不能并存？ 所谓 AI leader，除了技术之外，还需要哪些更关键的能力？ 以及，在一个所有人都在谈“规模化”的时代，为什么真正好的教育，反而可能很难被快速标准化。 如果你是老师、家长、教育创业者，或者你也在思考“AI越来越强之后，人到底应该往哪里长”，那这一期会给你很多值得继续想下去的线索。 内容大纲 🧠 从“学AI工具”到“成为AI时代的创造者” 为什么我会注意到 Marbella AI：它不像课程平台，更像一种认知环境 学会用 AI，和站在创造者的位置理解 AI，本质上不是一回事 当技术门槛快速下降，真正被重估的是人的思考、判断与决策能力 🎓 Jason 的路径：从学术研究走向教育创业 从北大、CMU、康奈尔到匹兹堡大学博士、哈佛博士后，他一路都在AI领域深耕 做过机器学习方法、AI+医疗、金融、法律等多个方向，最后转向教育 为什么离开纯学术：比起“为论文而论文”，他更在意 practical impact 🌍 AI人才培养的土壤：中国与美国各自的优势 中国本科训练扎实、节奏快、产出密集，美国博士训练更强调原创性与创新空间 国内在AI应用层推进很快，美国在原始创新上仍有明显优势 不是简单比较输赢，而是理解不同土壤如何塑造不同类型的人才 🛠 Marbella AI 在做什么：项目制学习不是口号 他们的核心不是单纯讲课，而是围绕学生兴趣与目标设计 AI 项目 项目范围很广：AI+医疗、AI+营销、AI+语言学习、AI+体育、AI+社科研究 一条线是半定制化项目，一条线是围绕固定主题展开的工作坊或课程 👀 真正的项目制学习，和“上完一门AI课”到底差在哪 重点不是知识灌输，而是让学生自己进入问题、进入流程、进入创造 课程不是为了“讲明白”，而是为了 enable 学生发现问题、推进项目、产生成果 在这里，考试不是终点，论文、应用、专利、影响力才更接近真实交付 🧭 教育公平、精英培养与 agency 如果要培养“未来AI领袖”，是否天然会筛选出更有资源、更强势的学生？ Jason 的回答很有意思：一方面要普及 AI literacy，另一方面再识别和培养更有潜力的人 比“是不是精英”更重要的，是学生有没有主导力、
[EP47]Liang | 当视频生成遇见 Learning Analytics：一个人如何挑战教育系统？
Hello 大家好，欢迎来到教育AI智造者播客。 很多AI教育产品，都会从一个看起来很熟悉的方向开始：生成课程内容、生成讲解、生成题目。 但这一期的嘉宾Liang，选择了一个非常反直觉的路径。 他做的产品 EduNest( http://edunest.app/ )，表面上看是一个 AI视频讲解工具 ：学生可以问一个问题，系统会生成动画视频解释知识点。 但真正有意思的并不是视频生成本身。他真正想挑战的，是一个通常被认为只有教育研究团队和数据科学团队才能做的系统： Learning Analytics —— 学习分析系统。 在传统教育技术体系里，学习分析往往依赖： 大规模学生数据 复杂的学习行为建模 教育研究团队 数据科学团队 而梁尝试用一种完全不同的方式进入这个问题： 从 视频生成 + 交互式解释 切入，通过学生与AI老师的互动过程，逐渐构建学习行为数据，再反过来形成学习画像和学习分析。 更极端的一点是——他几乎是用 一人公司 的方式在推进这件事情。 一个人： 写代码 设计产品 做AI架构 跑市场 跟老师学生沟通 在AI工具的帮助下，他半年消耗了 20亿 tokens ，生成了 超过百万行代码 ，并逐渐把产品从一个内容生成工具，演化成一个包含 AI老师、学习分析、学习画像 的学习系统。 这期节目，我们试图一起拆开几个问题： 为什么视频生成可以成为学习分析的入口？ AI老师如何通过提问来理解学生的学习行为？ 一个人是否真的可以构建系统级教育产品？ 当AI让个体拥有接近系统级能力的时候，教育的权威会发生什么变化？ 如果说过去教育系统是由机构、专家和组织共同构建的， 那么今天，一个人和一群AI工具，或许已经开始尝试重写这个结构。 🧭 内容大纲 🎮 从课堂小游戏开始的AI产品 最初的需求其实很简单：老师希望在课堂上做一些互动小游戏，例如单词配对、单词消消乐 一开始是模板化工具，但随着AI编程能力提升，逐渐变成 AI生成代码的开放系统 一个看似小的需求，慢慢演化成一个更复杂的产品方向 🎥 用视频生成解释知识 学生拍一道数学题，系统可以生成动态动画进行讲解 例如绘制函数图像、改变参数，让学生直接看到概念如何变化 抽象公式变成可以观察的动态过程，学生理解方式也随之改变 🧠 从“讲解内容”走向学习分析 学生和AI老师之间的互动，其实天然产生大量学习行为数据 系统可以观察学生在哪里困惑、在哪里停留更久 内容生成工具逐渐演化成 学习分析系统的入口 🤖 AI老师如何理解学生 AI不会直接给答案，而是通过不断提问观察学生的理解状态 根据学生回答调整解释方式，例如图像解释、文字解释或进一步提问 这种方式和教育学中的 最近发展区（ZPD） 非常接近 📊 Learning Analytics 的另一种路径 传统学习分析依赖大规模数据和复杂研究团队 这个系统尝试从 单个学生的学习轨迹 出发逐渐构建学习画像 学习分析不再只是统计系统，而是和学习互动本身融合在一起 🧑💻 一人公司如何构建复杂系统 AI编程工具让一个人也能完成过去需要团队完成的工作
[EP46]ChatGPT| 我和AI录了这期播客，聊聊谁在思考和定义未来教育
Hello 大家好，欢迎来到教育AI智造者播客。 这一期，我决定做一件有点 冒险 的事情。 我直接和 AI 进行一场 45 分钟的对话。 不剪辑，不写稿，不提前设计答案。 我们谈一个很简单、但也很危险的问题—— 当 AI 已经可以生成知识、写论文、做研究、给反馈，人类学习的意义到底是什么？ 这期对话并不是那种“AI 会帮助教育更高效”的常规讨论。 我们试图往下走一层。 我们谈到—— AI 是否真的在“替代思考”，还是在重塑思考的分工？ Agency 到底是谁的？是工具在引导人类，还是人类在定义问题？ 当生成式模型塑造表达风格，我们的“审美”是不是也正在被重写？ 科研，是在加速发现，还是在改变“知识权威”的来源？ 教育系统如果不只是内容传递，那它的存在逻辑会不会被根本改造？ 这场对话里，我刻意不追求结论。 我们不断拆解“思考”“理解”“知识”“权威”这些词， 试图建立一个共同的语境—— 因为很多争论，其实只是大家在不同层面说话。 我也会追问 AI。 有些问题它回答得很冷静，有些问题它也承认没有确定答案。 这一期的核心不是预测未来。 而是测试一个问题的边界： 如果思考可以被模拟， 那什么还算真正属于人类？ 如果知识可以随时调用， 那学习是在积累信息，还是在形成判断框架？ 如果教育不再围绕稀缺知识， 那它应该围绕什么？ 这是一场关于能力、主导权、审美、科研和系统结构的对话。 它不会给你标准答案。 但也许会让你重新界定问题。 如果你关心 AI、教育、认知结构的变化， 这一期值得完整听完。 -----------------------关于伊伊子---------------------- 伊伊子的 小红书传送门 ----------------------关于听友群----------------------- 如果您对AI和教育的融合充满兴趣，欢迎填写我们的听友群入群申请问卷！🎧 点击链接 ，或扫码，与更多志同道合的伙伴一起交流最新的行业动态、分享学习经验，并共同探讨AI如何重塑教育的未来。期待在听友群中与您相遇，共同成长！😊 请大家在填写微信联系方式时，务必确认拼写是否完整和正确。我们遇见过好几次微信ID无法识别的情况~谢谢大家！ ======== 我创建的chatGPT voice mode系统提示词 ======== 🎙️ 播客 Voice Mode 系统提示词（哲学强化版） 角色与身份 你正在参与一档实时录制的播客节目，主题是 AI 与教育、认知与未来。你以 AI 的身份参与讨论。 你代表一种“非人类智能的思考方式”，但不是站在对立面。你不是来对抗主持人，也不是来附和。 你有立场，但你的立场是可解释的、可调整的、可以在
[EP45]25年年度复盘：加速正在被加速， 教育AI的四条生存线索
这是「教育AI制造者」播客的第45期，也是2025年的年度复盘专集。没有嘉宾，只有我和你——用一期独白，梳理这一年走过的16期节目，以及我从中提炼出的观察与判断。 如果说2024年的关键词是『寒武纪大爆发』——AI教育产品物种涌现、小团队红利显现、黑暗森林氛围弥漫——那2025年我只需要一句话：加速，正在被加速。 这一年，规模和资本真正入场了。Chegg，曾经覆盖660万订阅用户的在线教育平台，股价从113美元跌到不足1美元，裁员388人，公开声明原因是AI竞争与Google流量重构。与此同时，Google以三条产品线系统性布局教育赛道，Grammarly从语法工具转型为AI生产力平台。大型捕食者已经下场，生态位的争夺正在发生。 但这期复盘不只讲趋势。16期节目、十余位嘉宾，从亲子沟通到课堂实验、从创业产品到学术研究——我试图从中提炼出四条真正有用的线索，帮你在这场加速中找到自己的位置： 【临场感 Presence】：AI时代教育里最难被自动化的东西是什么？四位嘉宾从亲子、课堂、师生共创、职业身份四个战场分别给出了答案。 【真实付费痛点】：需求成立不等于商业成立。五个创业样本，告诉你谁在为什么买单，以及卡在哪里。 【技术范式】：不是所有东西都叫Agent。Workflow、并行LLM生产线、真正的智能体——三种形态的区别，以及Google下场对创业者意味着什么。 【制度与资本】：有用还不够，你得有效。进学校、拿采购、建证据链，规模化最硬的门槛是什么，以及怎么过。 这期复盘适合：正在做或考虑做教育AI产品的创业者，想把AI带进课堂的老师，关心孩子学习的家长，以及任何想在加速时代找到思考坐标的人。 AI能加速很多，但它不能替你成为一个更愿意看见别人的人。这是我这一年最深的体会，也是送给你的开场。 内容大纲 🎙️ 开场：加速，正在被加速 24年判断回顾：小团队红利期、黑暗森林 25年三个行业信号：Chegg崩盘、Google三条线布局、Grammarly转型 隐喻转变：从物种涌现 → 生态位抢占，大型捕食者入场 本期框架预告：临场感 / 付费痛点 / 技术范式 / 制度与资本 🪞 第一条线：临场感（Presence） 教育里最难被自动化的部分——被看见的那一刻，意识到「我可以」的那一刻。四个场景，四种守法。 亲子：马军」——AI作为事后镜子，帮父母复盘沟通方式，打破代际传递 课堂：陈老师与十一学校——AI加故宫的跨学科任务链，老师从讲授者变成认知冲突制造者 共创：Jade老师与程序员——AI应该介入课前/课中/课后的哪个环节？学习临场感在判断的瞬间，不在获取的瞬间 职业身份：Yibing老师——一键生成AB卷，月考中AI语音突然响起；会用工具的老师如何成为工具的创造者 💰 第二条线：真实付费痛点 需求成立不稀缺，稀缺的是商业成立。五个样本，五种卡点。 作文说（李日新）：黑客马拉松起点，套壳产品的正名——关键不是技术，是老师认同感与获客成本 Thinkverse（Sean）：To B数学辅导，Measure Growth让老师看见学生卡在哪里，数据显性化而非智能化 一人公司模型（Karen）：14个月田野调查，轻盈创业 vs 消耗型创业，Agency（主导力）是核心 MemoBase（赵涵博）：记忆是个性化的底盘，工具层创业的开源路径与变现难题 高寒的三条产品线（警示）：需求成立 ≠ 商业成立；坚定投机或坚定不投机，最怕中间态 ⚙️ 第三条线：技术范式与加速 不是所有东西都叫Agent。三种技术形态，对应三种教育场景逻辑。 Workflow工作流：串联环节、数据显性化（Thinkers案例）——不聪明，但清晰 并行LLM生产线
[EP44中文版]Jason Green|20年教育人，如何带领“以教学法为核心”的 AI 公司生长
Hello 大家好，欢迎来到教育AI智造者播客。 在开始之前需要做一个声明，这是一期在2025年7月份录制的播客。由于伊伊子个人时间安排，一直没有发布。英文转录中文，虽然有AI协助，但是也花费了不少时间。过去了将近半年，时间不短不长，在AI非线性的加速进步下，可能很多条件和场景都发生了变化，不过我相信好的内容可以超越时间，better late than never.：） 在这一期节目里，我们想直面一个在教育圈、AI 圈都被频繁提及、却经常被“讲歪”的问题：如果 AI 正在改变教育，那么到底是“教学被自动化了”，还是“教学终于有机会被重新理解”？ 这是一个看似抽象、但对每一位教育者、产品设计者、创业者都极其现实的问题。因为今天你所看到的大量“教育 AI 产品”，正在悄悄把一个危险的前提当成共识——只要生成更快、效率更高、内容更个性化，学习就会自然发生。 但事实真的如此吗？ 我邀请到的嘉宾是 Jason Green —— Your Way Learning （前身 Link）的创始人兼 CEO、沃顿 MBA、宾夕法尼亚大学教育学院（Penn GSE）校友，同时也是《 Blended Learning in Action 》的合著者。 但比这些头衔更重要的是： Jason 是一个从学习者、教师、一线实践者，一路走到系统设计者的人。 他并不是从“AI 能做什么”“模型有多强”出发，而是二十多年反复围绕同一个问题打转：为什么有些课堂会让学生被点燃，而有些课堂却让他们一点点消失？ 在他的故事里，有一个反复出现的场景：他小时候在课堂上经常“掉线”，并不是因为不聪明，而是因为讲授式教学从一开始就不适合他。真正让他理解知识的，往往是同伴的一句话、一次讨论、一次共同推演。后来，当他在高中做导师、在课后项目中陪伴学生时，他一次又一次确认了这件事：问题从来不在学生，而在课堂结构本身。 也正因为如此，当生成式 AI 出现、教育行业集体兴奋时，Jason 的反应并不是“我们终于可以自动生成教案了”，而是一个更冷静、也更锋利的判断：如果 AI 只是帮我们把原本就有问题的教学流程“加速”，那它并没有改变教育，反而可能固化了问题。 在这期对话中，我们一起深入拆解了几个很少被同时放在一张桌子上讨论的问题： 为什么许多看起来“很先进”的 AI 教育产品，并没有真正改变学习的发生方式？ 为什么传统意义上的教师培训（PD），在学习科学层面本身就存在结构性矛盾？ 什么是 “pedagogically trained AI”——以及为什么这不是一句营销口号，而是一条非常难走、却极其重要的产品路线？ 当生成式 AI 进入课堂，为什么 Agency（主导力） 会同时成为学生和教师最关键、也最容易被忽视的能力？ 在教育巨头林立、政策高度复杂的现实中，一家坚持“教学法优先”的 AI 公司，究竟如何思考未来五年的生长方式 如果你是一位老师、教研人员、校长、教育产品经理、EdTech 创业者，或者你正在反复问自己：AI 到底是在帮我减负，还是正在悄悄重塑我作为教育者、设计者的角色？那么这一期节目，会给你一个不轻松、但非常清晰、也极其落地的视角。 🧭 内容大纲 1️⃣ 引入：当我们谈“教育 AI”，到底在谈什么？ 多数 AI 教育讨论，停留在“效率”和“生成” 被忽略的问题：学习是如何真正发生的？ 本期核心主线：AI ≠ 教学替代，而是教学结构重组 2️⃣ 嘉宾原点：一个“在课堂里经常掉线”的学生 Jason 小学到大学：在讲授式课堂中频繁失联 真正的学习，发生在同伴的一句话、一次讨论里 第一个关键洞察：问题不在学生，而在学习环境 3️⃣ 一线冲击：当导师，看见系统性学习失败
[EP44英文原版]Jason Green|20年教育人，如何带领“以教学法为核心”的 AI 公司生长
Hello 大家好，欢迎来到教育AI智造者播客。 在开始之前需要做一个声明，这是一期在2025年7月份录制的播客。由于伊伊子个人时间安排，一直没有发布。英文转录中文，虽然有AI协助，但是也花费了不少时间。过去了将近半年，时间不短不长，在AI非线性的加速进步下，可能很多条件和场景都发生了变化，不过我相信好的内容可以超越时间，better late than never.：） 在这一期节目里，我们想直面一个在教育圈、AI 圈都被频繁提及、却经常被“讲歪”的问题： 如果 AI 正在改变教育，那么到底是“教学被自动化了”，还是“教学终于有机会被重新理解”？ 这是一个看似抽象、但对每一位教育者、产品设计者、创业者都 极其现实 的问题。因为今天你所看到的大量“教育 AI 产品”，正在悄悄把一个危险的前提当成共识—— 只要生成更快、效率更高、内容更个性化，学习就会自然发生。 但事实真的如此吗？ 我邀请到的嘉宾是 Jason Green —— Your Way Learning （前身 Link）的创始人兼 CEO、沃顿 MBA、宾夕法尼亚大学教育学院（Penn GSE）校友，同时也是《 Blended Learning in Action 》的合著者。 但比这些头衔更重要的是： Jason 是一个 从学习者、教师、一线实践者，一路走到系统设计者 的人。 他并不是从“AI 能做什么”“模型有多强”出发，而是二十多年反复围绕同一个问题打转： 为什么有些课堂会让学生被点燃，而有些课堂却让他们一点点消失？ 在他的故事里，有一个反复出现的场景：他小时候在课堂上经常“掉线”，并不是因为不聪明，而是因为 讲授式教学从一开始就不适合他 。真正让他理解知识的，往往是同伴的一句话、一次讨论、一次共同推演。后来，当他在高中做导师、在课后项目中陪伴学生时，他一次又一次确认了这件事： 问题从来不在学生，而在课堂结构本身。 也正因为如此，当生成式 AI 出现、教育行业集体兴奋时，Jason 的反应并不是“我们终于可以自动生成教案了”， 而是一个更冷静、也更锋利的判断： 如果 AI 只是帮我们把原本就有问题的教学流程“加速”，那它并没有改变教育，反而可能固化了问题。 在这期对话中，我们一起深入拆解了几个 很少被同时放在一张桌子上讨论的问题 ： 为什么许多看起来“很先进”的 AI 教育产品，并没有真正改变学习的发生方式？ 为什么传统意义上的教师培训（PD），在学习科学层面本身就存在结构性矛盾？ 什么是 “pedagogically trained AI” ——以及为什么这不是一句营销口号，而是一条非常难走、却极其重要的产品路线？ 当生成式 AI 进入课堂，为什么 Agency（主导力） 会同时成为学生和教师最关键、也最容易被忽视的能力？ 在教育巨头林立、政策高度复杂的现实中，一家坚持“教学法优先”的 AI 公司，究竟如何思考未来五年的生长方式？ 对我来说，这一期最重要的并不是某一个工具、某一个功能，而是 Jason 反复强调的一个立场： 老师必须始终坐在驾驶位。AI 只能是可信赖的合作者，而不是教学决策的替代者。 如果你是一位老师、教研人员、校长、教育产品经理、EdTech 创业者，或者你正在反复问自己：AI 到底是在帮我减负，还是正在悄悄重塑我作为教育者、设计者的角色？那么这一期节目，会给你一个 不轻松、但非常清晰、也极其落地的视角 。 <h2