AI教育2.0：从“一课一进度”到“一人一进度”的个性化学习落地

AI教育2.0这两年被反复提及。我见过很多打着这个旗号的产品但真正让我停下来琢磨的一句话是“把课程的最小单位改成一个孩子”。这句话不是一句口号它意味着教学设计的主语从“课”换成了“人”。以前我们讨论的是“这节课怎么上、讲什么、练几道题”现在要讨论的是“这个孩子当前最需要学什么、用什么方式学、学到什么程度算学会”。从“一课解百人”变成“一人一条学习流”背后涉及知识图谱、学习者画像、动态路径推荐、生成式对话辅导也涉及老师和家长的角色重构。这篇文章我结合自己做AI课程设计的实际体会拆一下这套逻辑到底怎么落地给一线教师、教育产品经理、关注个性化学习的家长以及做AI教育的开发同学都做个参考。1. 从“一课一进度”到“一人一进度”变的不是工具是主语1.1 传统课程的默认单位是“课”它先天照顾“平均学生”这几年我经常提醒同行的第一句话是别急着谈算法先把“课程的最小单位”这件事想清楚。为什么因为过去几百年的教学系统默认单位从来不是孩子而是“课”。班级授课制设计之初核心诉求可以用四个字概括规模化授课。一个老师面对几十个学生必须把知识切成课时再按统一进度往前推。在这个系统里所有配套的东西——教案、教材、练习、考试——都是以“课”为逻辑起点设计的。这带来一个隐藏的假设全班孩子在同一时间点对同一知识点的起点差不多、接受速度差不多、需要练的量也差不多。可只要当过老师就知道这个假设有多脆弱。我见过一个五年级班里有人已经在用方程解应用题有人连“分数的分子分母哪个在上”都要犹豫。让这两种孩子用同一份课件听同一段讲解本质上是让其中一部分人陪跑另一部分人硬撑。传统课堂不是不知道个体差异而是没有能力在同一时空里处理几十种差异。老师只能面向“大多数”的平均水平。我并不是要否定传统课堂的价值。它解决了人类历史上教育供给不足的问题把一个国家或地区的整体识字率、基础科学素养拉到了一个可用的水平。但它的代价同样清晰课程最小单位是“课”孩子只是课程里的一个乘客。AI教育2.0想做的事情就是把这辆车改成一套可以每人一条路的导航系统。1.2 同一个班里的孩子差异远比课程表想象的大我参与过一个自适应学习模拟项目当时团队用同一套诊断题测了一个班结果特别有冲击力。同一个分数除法单元有的孩子卡在“倒数”概念有的孩子是整数除法不过关有的孩子乘法分配律和分数运算混淆还有的孩子其实全会只是不爱做题。传统课堂里这些孩子可能都会被贴上同一个标签“分数除法学得不好”。但学得不好和学得不好之间差着三种完全不同的干预策略。这就像生病发烧可能病因是病毒是细菌也可能是自身免疫问题。传统教育只看温度计上的刻度AI教育2.0要做的则是先做病因鉴别再开个性化处方。如果课程最小单位还是“一节分数除法课”那不管AI多聪明它都只是在同一碗药里调整剂量。真正的变化是把课程的最小单位拆到“每一个孩子的具体知识漏洞、学习风格、情绪状态和当下目标”然后生成一条只属于他的学习路径。我常打一个比方传统的课像是食堂配餐今天的菜谱是什么大家都吃什么。AI教育2.0则像是一个懂你的私厨先问你想吃什么、需要什么营养再根据手头食材给你配一道菜而且吃完还能调整下一道。这不是把食堂变得更好吃而是把“吃饭”这个最小单位从“一餐饭”变成了“一个人。1.3 把最小单位换成“一个孩子”设计原则就变了如果承认最小单位是孩子那么课程设计的基本原则就需要重写。我总结过五条每条背后都有实际项目经验不是理论推导。第一目标跟着孩子走不跟着教材走。教材目录只是公共知识序列不是每个孩子的通关顺序。某孩子可能当前最该补的是三年级的分数量感而不是五年级的分数除法系统要允许这种“回退”。第二节奏跟着掌握度走不跟着时钟走。35分钟一节课是管理便利不是学习规律。有的孩子10分钟能搞定有的孩子需要45分钟。AI教育2.0的心跳是“状态更新”不是“下课铃”。第三内容跟着偏好走不跟着统一介质走。有的孩子看视频学得快有的孩子读文字才踏实有的孩子必须动手算才能理解。同样一个知识点应该有不同的表达方式。第四反馈针对具体错误而不是整体对错。一道题做错传统系统只会打个红叉AI教育2.0要做的是定位错因是概念混淆是计算失误是题意理解偏了还是纯粹粗心。每一条错误原因都应该映射回知识图谱。第五评价参照“自己过去的自己”而不是班级排名。每个孩子的进展曲线不同起点不同用横向排名评价不科学也不利于学习动机。这五条原则写起来简单真要在系统里实现就需要准确回答几个技术问题知识拆到什么粒度、画像怎么建、路径怎么推、内容怎么生成。这也是下一节要展开的部分。2. 一人一课的系统怎么搭知识图谱、学习者画像、路径推荐缺一不可2.1 知识图谱没有原子颗粒个性化就是空话AI教育2.0的第一个地基不是大模型而是知识图谱。知识图谱的作用是把学科知识拆成有明确前后关系和依赖逻辑的“最小知识点”让学生卡在哪一步系统一眼就能定位。我见过太多团队一上来就做大模型讲题结果孩子做错一道题系统只能告诉他“答案是3”或者重新讲一遍教材原话。这不算个性化这叫更聪明的教材扫描仪。知识图谱应该像乐高的积木说明书每个积木颗粒都有唯一的编号和连接关系。没有这个说明书AI就不知道一个孩子不会分数除法到底是因为不会倒数还是不会约分还是不理解除法本身。我常用的一个知识点节点模型大概长这样{ node_id: FracDiv_01, name: 分数除以整数, prerequisites: [分数乘法, 倒数概念, 整数除法], learning_objectives: [能说明除以一个数等于乘它的倒数, 能正确计算分数除以整数], difficulty: 0.6, common_misconceptions: [混淆分子分母, 忘记把整数化成分数], media_types: [video, text, interactive] }这里的“prerequisites”决定了孩子能不能解锁当前节点“common_misconceptions”则用来匹配错因。字段听起来简单真正难的是拆粒度。颗粒太粗一个节点里包含太多子技能出错了仍然定位不到根因颗粒太细图谱会变得极其庞大维护成本高学生也会被频繁的路径切换搞得很累。我个人的经验是一个知识点的学习时间以3到5分钟能完成一个练习为宜。这不是绝对标准而是从十几个项目里摸出来的“可解粒度”太短的没有训练价值太长则说明内部还藏着多个子能力。构建知识图谱的方式目前比较可靠的是三步法先拉一个骨干结构按教材目录把章、节、知识点排出来再让一线老师标注前置关系和常错点最后用真实学习数据反推比如发现大量学生在学B之前会卡在A就把A和B明确挂了边。不要指望一次性把图谱做完美它更应该像一个持续生长的活结构。2.2 学习者画像记录“现在的他”不是贴一张“差生”标签知识图谱解决的是“学科怎么组织”接下来要解决的是“这个孩子怎么描述”。很多团队把学习者画像做成了标签库“小明五年级数学薄弱注意力不集中”。这种画像基本没用还会造成标签固化。真正的学习者画像应该是动态的、多层次的而且必须有时效性。我在实操中会把画像拆成四层数据。第一层是知识层每个知识点上的掌握度、正确率、最近三次作答耗时。第二层是过程层孩子的求助行为、改错顺序、跳过哪些题目、在哪个页面停留过长。第三层是偏好层视频、文字、互动模拟三种介质各看几分钟什么时段状态好。第四层是状态层今天的做题用时、自我报告的情绪和体力。其中最容易忽略的是时效性。孩子的状态不是恒定的昨天状态好今天可能很疲惫前天刚学会的知识点一周不复习就会出现遗忘。我常用的更新规则是每次学习任务结束后立即更新画像画像区块的有效期不超过7天超过期限没有新数据的维度要衰减权重。换句话说画像里的数据不是存到数据库就完了要在每次交互中不断重新确认。这套画像的作用是提供“当前值”而不是永久标签。我特别避讳“这孩子阅读理解差”这种定性描述更愿意记录成“该生在说明文段落概括这一知识点掌握度0.45最近三次作答中两次选择‘不看文章直接回答’”。前者是审判后者是可以干预的事实。AI教育2.0要把孩子当成“正在变化中的学习者”而不是“一个带着历史缺陷的对象”。2.3 学习路径推荐用最近发展区算出下一步学什么有了知识图谱和画像下一步就是决定“接下来学什么”。这块不能简单理解成个性化刷题更不能让孩子在内容库里自由逛而是应该根据最近发展区来做动态决策。维果茨基那套理论用大白话说就是给孩子安排他跳一跳够得着的内容太简单会无聊太难会挫败。我在项目里用过一个非常朴素的推荐规则效果很不错。第一步从知识图谱中筛出所有“前置条件已满足、但当前未掌握”的知识点第二步按难度排序选出难度在0.4到0.7之间的候选第三步用画像中的掌握度和历史完成率做预测优先推预测完成概率在0.6到0.8之间的任务第四步如果孩子连续两次做错就自动降一个难度级别并补一道前置诊断。这套规则不依赖复杂的强化学习但对冷启动项目足够稳定。真正有意义的是同一个知识点不同孩子会得到完全不同的路径。同样学“分数除以整数”孩子A的图谱显示“倒数”没掌握系统会先给他补倒数概念再回到正题孩子B已经会分数乘法和倒数系统直接给他推探究式任务让他从例子中总结规律孩子C对文字题有畏难情绪系统会先给他看图填空再逐步过渡到应用题。你看表面上是同一个知识点实际是三条完全不同的课。这里有一个必须注意的点推荐不是越准越好。如果系统基于历史数据把孩子的所有选择都预测出来孩子就失去了探索的机会。我更倾向在推荐里加入一定的随机度和可选项让孩子偶尔可以选“今天不想学这个想看看后面有什么”。个性化不等于替孩子做所有决定。2.4 大模型做的那份工把标准讲解变成对话式个别辅导知识图谱、画像、路径推荐解决了“学什么”还没解决“怎么讲”。传统教育里差的老师照着课本念好的老师能把同一个道理用三种例子讲明白还会追问、点拨、等待。大模型的出现让“生成式一对一辅导”第一次可以规模化。但它不是用来直接输出答案的。我常和团队说大模型更像一个“苏格拉底式助教”它的任务不是告诉孩子“答案是3”而是通过追问让他自己发现“为什么除以一个数等于乘上它的倒数”。我写过一个比较稳定的提示词模板方向大概是你现在是一位小学数学老师。请帮助一个五年级孩子理解“分数除以整数”。 要求 1. 不要直接给出计算步骤或答案 2. 先问孩子对“倒数”的理解 3. 根据孩子的回答选用一个生活化的例子 4. 通过提问引导孩子自己说出“除以2等于乘以1/2” 5. 每次回应不超过80个字语气口语化。这样生成的对话孩子会觉得有一个人在等他思考而不是AI在表演知识。但大模型生成的讲解不能默认可信必须做两层把关一是事实性把关涉及公式、概念要接知识图谱数据不能让模型自由发挥二是教学法把关如果孩子连续几次听不懂系统要降低讲解难度并切换到另一种介质而不是换一套同样难的话术再来一遍。在实际落地中我强烈建议保留一个“教师可见”的跨栏。大模型和孩子的对话记录要全部保存并且对有争议的讲解打上需复核的标记。不是不信任AI而是教育领域一旦发生教学错误纠错成本远比普通推荐系统翻车高得多。3. 实操记录一堂“只服务一个孩子”的学习流这样设计3.1 先别急着录课先给这个孩子建立“基线”刚才说了很多系统层面的东西这一节我带你看一个具体实操场景。假设我们要为五年级孩子小晨设计一次关于分数除法的学习目标不是“完成第5课”而是“让小晨解决他当前最卡的概率最高的问题”。第一步不是做课件而是采集基线。小晨进入学习终端后先做一组自适应诊断系统根据他上一章的表现逐步调整题目难度不用10题就给出一份知识状态快照。结果发现他的整数除法正确率很高分数乘法掌握度0.72但“分数除以整数”的掌握度只有0.25。再往下挖诊断里有一道题要求解释“为什么除以2等于乘以1/2”小晨答不上来说明他的卡点不是计算能力而是对“倒数关系”的理解。同时我还让小晨自己选三个选项今天大概能学多久、更喜欢看视频还是自己算、心情状态如何。这些主观信息会和画像数据合并形成一条基线记录。这个过程大概只需要5分钟但对后续35分钟的质量影响巨大因为你知道他不是从零开始也不是从教材设定好的“本章起点”开始。3.2 35分钟动态学习流诊断、导航、个性化内容、主动练习、复盘课程最小单位改变后时间结构也变了。传统课是“新知导入-例题示范-练习-作业”所有孩子共用同一个模板。我设计的动态学习流则更像一个可以自由伸缩的工作流下面这套35分钟结构是通用骨架。阶段时间AI做什么教师做什么动态诊断3分钟出2-3道适配题刷新掌握度观察是否有人突然情绪波动学习导航2分钟告诉孩子今天的路径和选择解释为什么今天学这个个性化内容15分钟按偏好推送微课/互动演示/文字在关键卡点介入个别点拨主动练习10分钟根据错因生成变式题和提示收集系统标记的“需人工关注”复盘与调整5分钟生成学习证据报告并更新画像带着孩子一起看进步点你可能注意到教师没有消失只是角色从“主讲者”变成了“协作者”。AI承担了大量个性化诊断、内容分发和常规反馈而教师只做三件事确认目标、介入卡点、组织复盘。以小晨为例在这35分钟里AI发现他卡在对“倒数概念”的理解上系统自动切换到一个动画演示把一个长方形平均分成两份让他感受“除以2”和“乘1/2”是同一件事。教师则在小晨完成演示后带着他用乐高积木再摆一遍把抽象规则做成了身体记忆。如果按传统课小晨可能整节课都在练分数除法而会做的学生也会在重复中失去兴趣。动态学习流允许两人同时学同一单元但身处完全不同的学习路径和深度。3.3 课后产出变成“学习证据集”而不是一张成绩单现在很多家长拿到学习报告第一眼看的是分数、正确率、班级排名。说实话这些东西对下一步学习几乎没有任何指导意义。所以在我参与的课程里课后会生成三种不同视角的“学习证据”而不是一张成绩单。给孩子看的版本很朴素你今天从哪里出发、路上遇到了哪个难点、你是用什么方法跨过去的。小晨的报告里会有一句话“你发现除以2和乘1/2有关系是通过切披萨动画想到的。”让他觉得自己今天有所突破而不是“又刷了20道题”。给老师看的版本是整个知识图谱上的变动哪些节点掌握度提升了哪些节点出现了新的错因信号明天最适合做什么干预。它不需要罗列所有数据只需要告诉老师在一个班40个孩子里有哪3个人最值得人工关注哪5个人可以放手自主学。给家长看的版本则是孩子学习习惯和状态的晴雨表今天学习时长多少、有效专注时间多少、有没有频繁求助、情绪曲线如何以及孩子最近偏好什么样的学习方式。家长拿到这个版本才知道该鼓励孩子什么而不是只会说“你要努力”。这套三位一体的报告逻辑核心是让不同角色各取所需。评价的目的不是把人分成三六九等而是为下一步行动提供依据。3.4 实操中最容易踩的三个岔路第一个岔路只做了题库没做知识图谱。很多团队把几百道题按章节排好然后用规则匹配错题就敢说“个性化”。这实际是在旧地图上开了辆新车孩子做错了仍然不知道为什么。我建议先把知识的最小单元拆出来再谈刷题。第二个岔路画像更新不及时。有个项目在测评后把所有数据写进画像后续两周不再更新结果系统一直推高难度题孩子状态明明已经疲惫、连续三次做错系统还在原地坚持。后来我们加了“最近三次作答连续错误即降难度”的熔断机制情况立刻好转。第三个岔路让教师退出系统。有一版方案完全做成“AI辅导机器人”老师只在后台看报告结果半个月不到老师就不信任系统了因为学生到底怎么想、卡在哪个瞬间老师完全不清楚。后来我们改成人机协同AI负责7x24小时的常规陪伴但所有阶段性决策必须由老师确认系统只是提供建议老师有一票否决权。这样运行了一个学期老师的接受度明显提高。4. 别盲目铺开哪些场景见效快哪些被高估4.1 最容易落地的三个场景如果要判断AI教育2.0现在最值得尝试的地点我不会优先推荐全日制教室而会看三类场景。第一类是课后补救和补差。孩子在正常课堂里落下来最需要的是精准补漏。课后时间有限传统补课只能重讲一遍教材AI个性化系统却能先定位到具体卡点用最短路径补上。这个场景学习目标明确、反馈快、见效周期短非常适合小步快跑。第二类是项目式学习和素质拓展。比如一个“建造一个降雨模型”的项目有的孩子擅长用数据有的孩子擅长动手搭建有的孩子对天气原理感兴趣。AI可以给每个人提供不同的资料包和任务建议让同一个大主题长成完全不同的个体成果。这种场景本来就强调差异化和个性化系统天然匹配。第三类是特殊学习需求。我在一个阅读能力提升的模拟项目中试过一个孩子总是读不懂整段文字后来诊断发现他卡在拼音与文字的自动对应上并不是阅读理解能力差。传统课堂里他只会被说“读书不专心”AI系统通过语音交互和逐句拆解帮他补上了这个底层短板。4.2 被高估的三个场景我同样要泼几盆冷水。第一统一的考试冲刺班并不适合完全个性化。如果一个班必须在同一周内完成同一张模拟卷那系统的个性化空间会被极大压缩。AI能做的更多是分析错因和推荐专题练习而不是为每个人生成完全不同的进度。第二把AI教育2.0直接塞进大规模全日制课堂短期内会遭遇大量管理问题。进度松散、教师备课复杂度上升、家长对屏幕时间敏感这些都不是纯技术问题。如果学校的基本治理结构还是以班级为单位推进那再好的个性化引擎也只能在边缘尝试。第三AI替代不了真实的人际温度。孩子会因为喜欢一个老师而喜欢一门课会因为同伴的目光而坚持做完一道题这些情感交互不是大模型能完全模拟的。个性化系统可以成为那个最懂他学习状态的人却很难成为那个给他一个拥抱的人。把AI当成情感支持用容易翻车。4.3 判断一个AI教育项目值不值得做的三个问题我参加评审时一般就用三个问题过滤项目。第一你有没有数据闭环如果孩子做了一遍内容之后系统不能产生新的数据并用于下一轮路径调整那不管这个系统叫不叫AI都只是一个数字题库。真正的个性化要求每一次交互都同时是“学习行为”和“数据采集行为”。第二老师有没有决策权一个系统如果所有决策都由算法完成只给老师推送通知最后一定会被抵制。老师需要能看到系统建议背后的依据并且有能力推翻它。不是老师比AI强而是教育责任的最后承担者应该是人。第三你是否愿意把孩子看成一个动态的人如果你还在用“聪明、笨、差、好”这种一次性标签来描述学生那AI系统再先进也只会把偏见放大。项目上线前先检查一下产品文案和算法特征有没有把学生分类定义得太死。5. 常见问题与排查手记这是最难写的一章5.1 高频问题速查表我在实际项目里遇到过大量重复性问题这里直接给一份速查表按“现象-原因-排查方向”展开方便你对照。现象可能原因排查方向系统总推孩子已经会的内容画像未实时更新或旧数据没过期检查学习后画像更新机制和时效衰减孩子连续几天不登录任务难度一直不匹配或推荐路径太单调拉出最近学习轨迹看难度曲线和兴趣偏好老师觉得系统增加负担数据报表太复杂给的建议不具体把老师界面改成“本周重点干预Top3”家长担心孩子看太多屏幕系统没有限制时长缺少线下衔接设计离线练习纸和亲子讨论题学生对AI对话产生依赖大模型太多直接给答案缺少引导审查提示词改成先问后答算法结果看起来有偏见训练数据单一或错因分布不均加入更多样化的样本定期人工复核排查的底层逻辑不是看单条日志而是看“画像-推荐-行为-画像”这条闭环是否在正常转动。5.2 排障时我常用的三个笨办法一是找三个极端学生试跑。每次系统迭代我会特意找班里学得最快、学得最慢、以及处在中间摇摆的三个孩子做小范围测试。如果他们三条路径都能走通说明知识图谱的连通性大体没问题如果其中一条卡死往往就是前置关系或者难度标注出了问题。二是看学习轨迹而不是看报告。报告会平滑掉很多细节轨迹不会。有一次孩子报告显示正确率提高但我看轨迹发现他用了大量“查看提示”实际上并没有真正掌握。修正策略后系统增加了提示次数的权重才让数据回到真实状态。三是每周只给老师三条建议。信息过载是教育产品的大忌。系统每天可以产生几十条数据但老师不可能逐一阅读。我后来的标准是每周帮老师从全班里筛出“最值得人工干预的三个人”每个人附上一句话的干预方向。老师看得完才可能真正用起来。5.3 数据隐私与算法公平不能等问题暴露再补AI教育2.0采集的数据非常敏感有些甚至是孩子一两分钟的犹豫时间、改了几次答案。这些数据如果被滥用伤害的不是成年人而是尚未完全形成自我保护能力的孩子。我把隐私问题分成三层看。第一层是采集层只采集完成任务所必需的数据。判断学没学会不需要知道孩子的家庭住址也不需要对孩子的脸做表情识别。我参与的项目里画像数据只保存答题结果、学习时长、求助行为所有涉身份信息都做了分离匿名化。第二层是权限层默认最小可见。孩子自己的数据只有孩子本人、家长和直接任课教师能看而且不同角色看到的字段完全不同。教师能看到孩子的知识漏洞但看不到孩子的心理健康问卷答案这类敏感信息单独设置授权。第三层是算法复盘层要定期检查推荐结果是不是在被某个单一维度主导。有一次我们发现系统给阅读习惯一般的孩子频繁推送纯视频课程结果他们学得更差。原因是训练数据里“喜欢视频的孩子”占大头算法误把介质偏好化成了覆盖所有场景的规律。后来在推荐公式里加入了“文本阅读训练”的加权才把这股偏倚压回来。6. 最小单位变成人之后师生关系也要跟着变6.1 教师的新定位课程裁缝加学习教练AI教育2.0最容易让老师产生焦虑的一句话是“系统比老师更懂学生”。我从实践中得到的结论是系统可以做“更准的学情监测器”但很难做“更懂人的教育者”。当课程最小单位变成孩子之后教师反而更重要只不过角色变了。原来的教师是一个“知识广播员”站在讲台上把同样的内容播给所有人。新的教师更像是课程裁缝要根据系统的知识图谱画像为一个孩子剪裁出一条适合的路径同时还是学习教练要在孩子遇到挫折时问一句“你觉得卡在哪”让孩子自己说出策略而不是上来就讲。AI把重复劳动接走之后教师省下来的时间不应该用来批改更多试卷而应该用来和学生进行高质量对话。6.2 个体化不等于孤岛化临时学习共同体怎么组一个容易走偏的方向是既然每个人课程都不同那就各自为政每个人抱着一台设备孤独学习。这会牺牲掉合作、讨论、表达这些重要的学习能力。我在设计学习流时会在个性化路径里保留“协作入口”。比如小晨和小恬都在学分数除法但卡点不同一个需要对“倒数”的直观理解一个对应用题建模发怵。系统会建议两人组一个5分钟的小组任务小晨负责用披萨模型讲清楚倒数小恬负责编一道应用题并解释为什么这样列式。每个人都有一块自己擅长的拼图拼在一起才完成整个学习目标。AI在这里扮演的是“临时共同体撮合者”通过画像找到可以互相补充的两个人。这样的设计让个体化与集体感共存。孩子依然是独立的学习者但他知道旁边还有同行者学习不是孤军奋战。6.3 终极目标让孩子学会自己给自己排课讲到最后我一直在说系统如何帮孩子学习很容易让人忽略一个更重要的方向AI教育2.0的终点应该是孩子越来越不需要系统替他排课。一个孩子如果一直依赖AI告诉他下一步学什么、看什么视频、练几道题那么他只是换了一种被喂养的方式。真正有效的个性化学习应该让孩子逐渐看到自己的知识地图、理解自己的学习偏好最终能够自己判断“我这次没做对是因为我没有理解倒数的含义我需要先回去看一下那个动画。”这才是元认知的成长。所以我在项目里会刻意保留“孩子自主选择”的入口哪怕系统推荐了A也要允许孩子选B并且把选择的后果如实反馈给他。AI可以像一个越来越退后但仍存在的教练而不是一个永远抢方向盘的控制者。这也是我对“最小单位改成一个孩子”更深一层的理解课程的最小单位最后应该是孩子脑袋里那个会自我导航的自己。我印象最深的是一次迭代结束后一个小男孩跑过来跟我说“老师今天我知道我卡在哪儿了先不用帮我我自己补一补。”那一刻我意识到AI教育2.0真正要改变的不是技术不是课程表而是我们看孩子的视角。当一个系统真的以一个个孩子为单位运转时教育才算开始了它该有的样子。