从通用大模型到学习过程智能，AI如何真正进入课堂？

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 从通用大模型到学习过程智能，AI如何真正进入课堂？ 量子位的朋友们 2026-11-12 18:45:33 来源： 量子位 11 月 9 日晚，字节跳动原高级副总裁、今日头条及大力教育原CEO陈林以一篇《我为什么还要做教育？》正式公开再创业项目 “银河智学”，引发行业广泛关注：在大模型能力日趋通用的今天，重返教育深水区的陈林团队，究竟打算做出一款什么样的 AI 教育产品？ 两天后，这一问题在技术与课堂层面得到系统拆解。11月11日，在江苏无锡举行的第九届中国教育技术创新发展与应用成果大会上，银河智学首席科学家邓澍军博士发表《让每个孩子学会、会学、爱学——AI 支持规模化因材施教的探索与实践》主题演讲，详细分享了公司旗下产品“小鹿爱学”的技术架构与学校场景落地逻辑。 在邓澍军看来，大模型能够迅速生成解题步骤，却未必能回答 “学生为什么不会”。当通用模型成为基础设施，教育AI真正的分水岭在于能否深入学习过程——理解学科逻辑、识别个体认知差异，并将技术转化为真实课堂中可验证的学习效果。 银河智学由陈林于2024年12月创办。银河智学核心成员曾任职于字节跳动教育业务及豆包大模型相关团队，团队持续深耕“学生自主学习”与智能教育体系，积累了自主学习产品研发、课程教研，以及大模型长期记忆、解题与讲题能力训练等经验。其中，首席科学家邓澍军曾任清北网校负责人、大力教育算法负责人，参与过豆包爱学、河马爱学的研发。 双核技术底座：让AI既能读懂学生，也能启发思考 通用大模型虽然具备强大的通识能力，但在面对严谨的学科逻辑时，仍可能出现幻觉。围绕教育场景需求，银河智学采用豆包大模型与自研智能学习引擎相结合的“双核”技术架构，将通用智能能力与教育专业算法深度融合。 其中，通用大模型主要承担语言理解、内容生成和基础推理等任务。团队围绕教育场景开展专项调优，包括解题思维链构建、苏格拉底式启发对齐，以及基于长期记忆的Agent能力开发。通过对解题过程中的关键步骤进行拆解，模型能够在适当环节暂停并提出启发性问题，引导学生逐步理解知识、发现思维盲点。 据介绍，自研智能学习引擎基于学习科学与认知测量分析，融合深度知识追踪（DKT）、项目反应理论（IRT）、认知诊断模型（CDM）和知识空间理论（KST）等技术，通过分析学生的作答、提问和订正记录，判断学生已经掌握了哪些知识、当前存在哪些薄弱环节，以及下一步适合学习什么内容，为学情诊断、能力测评、学习难度匹配和后续任务规划提供依据。 两者形成互补，通用大模型负责知识讲解、启发追问和过程引导，自研智能学习引擎负责学情诊断与学习路径判断。正如邓澍军博士在演讲中所概括的，前者要“引导得好”，后者要“算得准”。在此基础上，银河智学进一步将Agent能力延伸至学生学习规划和教师教学支持。 学生端的规划智能体依托大模型长程记忆，结合学生长期的学习情况，为其推荐下一步学习任务，并说明推荐依据；教师端的助教智能体则从学生学习记录中提炼具体的努力与进步线索，为教师开展个性化指导提供参考。 AI学习闭环则进一步将学生的学习行为、教师的教学指导和学校的教学反馈持续衔接。学生的学习表现进入下一轮学情分析和任务安排，教师也能够依据反馈调整教学策略，让AI能力持续作用于真实学习过程。 这套技术架构的核心，是将学科知识、认知测量、学习状态分析与大模型的交互引导结合起来，并通过持续的学习反馈优化后续支持。 从回答问题到引导思考，AI需要进入完整的学习过程 对于教育AI而言，技术能力最终需要转化为具体的产品交互，落实到对学生学习过程的理解，以及对学习效果的持续验证。 目前，许多AI教育产品仍以问答为核心，学生输入问题、AI生成解释，学习过程往往止于获得答案。但真正的学习还包括理解问题、梳理思路、练习应用和检验掌握情况，这些环节共同决定了知识能否真正转化为学生自身的能力。 在小鹿爱学的设计中，团队强调“让技术退到幕后，让学生走到前面”，并围绕完整的学习过程设计了具体功能：AI在适当的时候提供支持，学生亲自经历选择、尝试、出错、调整和验证，在掌握知识的过程中，逐步学会认识和管理自己的学习。系统支持学生围绕学习内容进行多轮提问和追问，将知识理解、练习应用与效果检验连接起来。 邓澍军博士在分享中举例，在圆柱体的高保持不变、底面半径变为原来的两倍时，体积应为原来的四倍，但部分学生可能会误以为体积只是翻倍。针对此类理解偏差，小鹿爱学引入动态概念实验和苏格拉底式启发：学生可通过滑杆直观观察半径变化对圆柱体体积的影响，AI则围绕体积公式、底面积变化等关键步骤逐层追问，引导学生自主推导结论。 “这些引导为学生搭起理解知识的‘梯子’，帮助他们找到可以迈出的第一步，并在关键环节自主思考、一步步作答。”随着理解加深，系统会适时撤去辅助，通过独立作答、解释思路和变式练习，检验学生能否做对、能否讲清楚并将所学迁移到新的问题中。“团队希望，学生通过走完攻克难题的过程，获得‘原来如此’‘我做出来了’的顿悟与成就感。” 在学习兴趣与信心培养上，团队将深度知识追踪与最近发展区理论相结合，通过模型预测学生对下一道题目的答对概率，匹配具有适度挑战性的学习任务。邓澍军博士在演讲中介绍，系统会选择预测答对概率约为70%—80%的题目，让学生通过努力获得进步。 “一次靠自己取得的小小突破，可以成为孩子重新建立信心的‘火种’。”邓澍军博士表示，系统记录学生在不同阶段的学习表现，呈现相较于前一天、前一周的具体进步，让细小的努力与突破被看见。学习战队让同伴彼此鼓励、共同挑战，助教智能体则为教师进行及时、针对性的鼓励提供依据。“团队希望让孩子感受到‘这一步是我自己迈出来的’，逐步积累‘我能学会’的信心，从而更愿意面对下一个未知、再向前尝试一步。” 对于学校场景而言，单点AI工具难以构成完整的教学解决方案。一个学生可能在AI的帮助下快速完成练习，但如果没有真正理解知识，效率提升也未必意味着学习质量提升。 小鹿爱学定位为面向学校的人机共育课堂解决方案，通过记录和分析学生的学习过程，为学生提供个性化学习支持，并辅助教师了解学生的知识掌握情况和个体差异。教师继续承担教学设计、关键知识讲解、学习引导和情感支持等工作，并依据AI反馈调整教学策略。 教师通过学情看板了解学生的学习进度、共性疑问和订正情况，开展精讲、分层指导和个别辅导。在学校管理层面，校长端汇总教学过程数据，为教学观察、复盘与管理提供依据。学校将自主学练、独立检测和针对性补学纳入日常课程与课表，检测结果再反馈至下一轮学情分析和任务安排，形成“教师主导、学生自主、AI支持”的教学闭环。 AI教育的真正难题，是如何让个性化学习规模化 个性化学习并不是一个新概念。长期以来，因材施教一直是教育追求的目标，但在传统课堂中，教师的时间和精力有限，难以持续追踪每个学生的学习过程，更难为每个人提供及时、有效的个性化指导。 AI带来的可能性，是通过学习过程数据和智能分析，降低识别学生差异、提供个性化反馈的成本