ARTICLE · 1051257
AI + 教育,真正进入现场之后
9.19 · 上海世博天地
AI + 教育，真正进入现场之后
9.19 上海线下活动回顾
9 月 19 日下午，我们在上海世博天地完成了一场关于「AI × 国际教育」的线下交流。
从国际教育趋势，到 AI 如何进入学生学习、教师工作与升学指导，再到围绕「教育，如何应对 AI 时代的变化？」展开的圆桌讨论，三个小时里，我们谈了不少 AI，却没有把重点放在“哪个模型更强”“下一个工具是什么”。
我们更想讨论的是：
当家庭的教育选择正在变化，当学生已经开始主动使用 AI，当老师手中的工具越来越多，教育真正需要 AI 帮助解决的，究竟是什么？
活动正式开始前，卓卓也邀请几位希望与现场伙伴链接的朋友做了简短自我介绍。
家长、国际教育从业者、学校老师、教育科技产品人……不同角色聚在一起，也让这场活动从一开始就不只是一次单向分享，而更像是一场围绕真实教育问题展开的交流。
01
在聊 AI 之前，我们先聊了聊国际教育本身
先理解需求，再谈技术
在讨论技术之前，我们首先需要知道：
今天的学生和家庭，究竟正在面对怎样的教育选择？
第一位分享嘉宾荣荣老师，从长期的一线观察出发，梳理了国际教育这些年的变化。
曾经，很多家庭首先关心的是一条国际教育路径是否成熟、是否稳定；后来，牛剑、G5、美国名校等更加明确的升学目标逐渐成为讨论重点。
而今天，家庭考虑的问题已经明显更加综合。
不仅要看学校和升学结果，也会同时考虑预算、课程适配、专业方向、未来就业，以及孩子自己的兴趣与成长体验。
与此同时，选择也在变得更加多元。
英美澳依然是重要的留学目的地，但香港、新加坡、日本、韩国、马来西亚等方向也进入了越来越多家庭的视野；IB、A-Level、美高之外，不同地区和不同升学路径也提供了更多可能。
这背后反映出的，并不是简单的“选择变多了”。
而是家庭开始更认真地回答一个问题：
什么才是真正适合这个孩子的教育路径？
当选择越来越丰富，“名气最大”“排名最高”已经很难单独回答这个问题。
性价比、适配度、专业方向、家庭规划与学生自身特点，正在共同参与教育决策。
这也意味着，学校与教育机构面对的工作正在发生变化。
今天真正专业的教育服务，不只是向家庭提供更多信息，而是帮助他们理解这些信息与一个具体学生之间究竟有什么关系。
02
AI 不缺能力，真正的问题是：它能不能进入每天的工作？
从真实场景开始理解“怎么用”
如果第一场分享讨论的是“需求发生了什么变化”，卓卓的分享则进一步把问题落到了教育现场：
AI 到底应该怎么用？
她没有从模型参数或者复杂的技术概念讲起，而是从自己接触到的三个真实场景展开：学生学习规划、班主任工作，以及学科教师知识库。
学习计划，不应该生成一次就结束
很多学生其实并不是没有目标。
他们可能知道自己雅思要考 7 分，也知道未来想申请什么学校，但真正困难的是：
目标应该怎样被拆解？
自己的薄弱项应该怎样进入计划？
学校活动和考试安排发生变化之后，计划怎么调整？
如果阶段目标已经提前完成，接下来又应该怎么走？
基于这些问题，卓卓展示了一个 AI 学习规划工作台的实践。
学生输入当前成绩、目标、考试时间、薄弱项和已有资料后，系统不仅生成阶段目标和每日任务，还可以设置复盘节点，并根据实际进度继续调整后续安排。
真正有价值的，并不是 AI “写出了一份计划”。
而是计划从一个静态结果，开始变成一个可以持续更新的过程。
班主任缺的，往往不是另一个“发消息工具”
第二个场景来自班主任的日常工作。
教务通知、学生情况、家长沟通、学科老师反馈……
大量信息不断进入，但真正耗费时间的，往往是之后的整理、判断与分发。
同一份信息，哪些内容应该发给学生？哪些应该单独同步家长？哪些需要继续跟进？
如果完全依赖人工处理，一个看似简单的通知，都可能变成几十次复制、整理和确认。
因此，AI 在这个场景中的价值，并不是再增加一个信息入口，而是帮助老师按照自己的规则完成整理、分发和追踪。
更重要的是，工作台沉淀的不只是一次处理结果，而是老师处理这些事情的方法。
老师真正需要的，也不是“把文件都存进去”
第三个案例来自学科教师。
工作几年以后，一名老师手里可能已经有大量课程大纲、评分标准、真题、讲义、学生反馈和自己的备课资料。
问题通常不是资料太少。
而是：
需要的时候，能不能找得到？
找到之后，能不能直接参与下一次备课？
过去的真题和评分标准，能不能帮助老师生成新的练习？
老师自己多年形成的方法，能不能被不断复用？
因此，一个真正有用的知识库，不应该只是“把资料全部上传”。
它应该进一步进入备课、组卷、练习设计和教学反馈等具体工作中。
从学习规划，到班主任工作台，再到教师知识库，这三个案例指向了同一个结论：
AI 的价值，不在于多完成一个漂亮的 Demo，而在于它有没有真正进入那些每天反复发生、持续消耗时间和精力的工作。
这也是为什么，AI 产品越来越容易被做出来，但真正能够长期留下来的产品依然不多。
“AI 能做什么”，和“老师真正需要什么”，从来不是同一个问题。
03
AI 可以处理更多信息，但我们更希望把老师的时间留给“人”
信息、决策，以及人的工作
接下来，坚果教育 CEO Yuna 从升学指导场景继续展开这个问题。
一个升学指导老师每天面对的工作，可以粗略拆成三个层次：
信息、决策，以及人的工作。
信息层包括院校、专业、录取要求、截止日期、历史案例等大量资料。
决策层则包括冲刺、匹配、保底如何划分，学生当前与目标之间有哪些差距，以及接下来不同任务应该怎样排序。
再往后，才是教育中最难被结构化的一部分：
一个学生为什么想学这个专业？
家庭真正担心的是什么？
面对多个方向，学生真正期待的未来是什么？
当学生焦虑、犹豫或者出现风险时，老师应该怎样沟通和干预？
在坚果的产品实践中，我们正在尝试让前面的信息整理与部分分析工作更多交给系统完成。
例如，将历史录取案例沉淀为可以调用的数据，将不同国家和院校的专业信息统一整理，再结合学生当前情况，为老师提供选校、差距分析等辅助信息。
同时，系统也可以从学术、目标、任务、材料和沟通等多个维度帮助老师更早看到值得关注的风险。
但这并不意味着让 AI 替老师完成最终判断。
恰恰相反。
我们希望把老师从大量查找、整理和重复确认中释放出来，把更多时间还给真正需要专业经验的工作。
去理解学生。
去判断问题。
去和学生、家庭真正沟通。
同一份数据，放在两个学生身上，最后的建议可能完全不同。
因为教育不是单纯的信息匹配。
预算、兴趣、家庭规划、个人动机，甚至学生面对选择时的犹豫和期待，都很难被一个“标准答案”完整概括。
所以我们始终认为：
信息可以更多地交给 AI，决定却不应该被简单外包给 AI。
04
当学生开始先问 AI、再问老师，会发生什么？
把问题拉回课堂与学习本身
下午的圆桌讨论把问题进一步拉回到了课堂与学习本身。
卓卓、Yuna 与 L老师｜国际学校资深学科老师，从教育产品、升学指导和一线教学三个不同位置，围绕几个没有标准答案的问题展开讨论。
其中一个非常现实的问题是：
当学生开始先问 AI、再问老师，学习会发生什么变化？
L老师分享了一个值得思考的区分。
如果 AI 帮助学生提前理解陌生概念、拓展自己原来接触不到的知识，它可以成为学习的一座“梯子”。
但如果学生把原本应该自己完成的归纳、连接和思考全部交给 AI，学习中最重要的能力也可能因此被跳过。
因为学校真正希望训练的，从来不只是“得到正确答案”。
学生需要把一个个知识点连接起来，形成自己的知识结构，并最终用这些知识解决问题。
Yuna 也从学生视角谈到一个变化：
当定义、资料和基础知识随时都可以重新获取时，课堂上也许不再需要把全部精力花在“赶紧把这一页 PPT 抄下来”。
学生反而可以把更多注意力放在理解老师为什么这样解释，以及知识之间到底存在怎样的联系。
于是，一个新的问题出现了：
如果获取答案越来越容易，学习应该怎样重新设计？
05
当内容生成越来越容易，老师真正稀缺的能力是什么？
从“做出来”走向“设计得好”
谈到教学方式，L老师分享了自己已经在课堂中进行的一些尝试。
例如利用 AI 搭建学习管理工具，记录学生课堂表现；将没有被很好分类的真题整理成可使用的题库；以及把一些仅靠语言很难解释清楚的化学概念，进一步做成模型、互动工具甚至游戏。
AI 降低了制作教学资源的门槛。
过去，一个老师即使知道“这里如果有一个动画会更好”，往往也会因为时间、技术和成本放弃。
现在，越来越多想法开始有机会被快速实现。
这也让教师面对的问题发生变化：
过去的问题可能是——
“我能不能做出来？”
以后越来越可能变成——
“我究竟应该怎样设计这节课？”
什么顺序更适合学生理解？
什么案例能够真正引起兴趣？
怎样把教学资源与自己的表达方式结合起来？
怎样让学生愿意参与，而不只是被动接受？
当生成课件、总结资料、制作动画越来越容易，老师之间真正产生差异的，可能越来越不是“谁掌握更多资料”。
谁真正理解学生，谁更会设计学习，谁能够形成自己的教学判断与风格。
06
AI 教育产品越来越强，为什么很多产品依然没有被长期使用？
“AI 能做什么”不等于“老师需要什么”
这也是圆桌中，教育科技从业者非常关注的一个问题。
Yuna 提到，做产品时很容易出现一个误区：
把“AI 能做什么”，误认为“老师需要什么”。
今天 AI 可以生成网站、图片、视频、报告，也可以分析大量数据。
但一名老师早上打开系统，真正想知道的可能只是：
我负责的这一百个学生里，今天哪几个最需要我关注？
谁的任务连续延期了？
谁可能需要尽快联系家长？
这些问题甚至未必需要最复杂的模型。
却可能比一个“看起来很 AI”的功能更有价值。
L老师从老师视角提出了另一个问题：
教育产品究竟是在为了学生使用 AI，还是在为了 AI 而 AI？
如果一个工具需要老师重新学习一整套完全不同于原有工作的逻辑，它带来的就不一定是效率，也可能成为新的负担。
真正可能被长期使用的产品，往往有一个共同点：
它进入已有工作流，解决高频问题，并真正减少了原来的工作。
不是多做一步。
而是少做几步。
07
如果 AI 比家长更了解学校和专业，留学决策应该听谁的？
让信息、经验与选择回到各自的位置
圆桌最后，我们把两个更直接的问题留给了现场。
第一个问题是：
如果 AI 比家长更了解学校和专业，留学决策应该听谁的？
Yuna 的回答把问题重新落回到了学生。
AI 可能比家长掌握更多学校和专业信息。
家长可能比 AI 更了解自己的孩子。
老师则可以利用经验帮助学生理解信息、识别风险和做出判断。
但最终，一个人未来要学什么、去哪里、希望成为怎样的人，并不适合被完整地外包出去。
因此，更理想的关系也许不是“到底听谁的”，而是：
AI 提供信息，老师帮助判断，家长给予支持，学生完成自己的选择。
而对于 AI 提供的信息本身，同样需要保持审慎。
院校要求、专业设置、申请政策都可能持续发生变化。
工具背后的数据是否真实、及时、可追溯，与模型本身有多“聪明”同样重要。
08
当“漂亮的结果”越来越容易，未来什么更能证明一个学生？
从成果回到问题意识与持续投入
第二个问题来自现场的一位同学：
当 AI 可以越来越轻松地帮助我们做出漂亮的网站、报告、项目甚至作品时，一个学生应该怎样证明自己的能力？
L老师给出的一个关键词是：
意愿。
过去，学生可能需要证明“我有能力学好这个学科”。
未来也许还要进一步证明：
我真的愿意用这个学科去做些什么。
他分享了课堂上的一些例子。
有学生希望设计能够提示温度的杯子，有人想研究香水，有人尝试护手霜等真实项目。
重要的未必是最后做出了一个多么复杂的产品。
而是学生是否主动提出问题、寻找方法、调用资源，并真正把学到的东西用起来。
当“生成一个成果”越来越容易，真正有辨识度的也许不再只是成品本身。
而是这个成果背后的问题意识、判断过程、个人兴趣与持续投入。
换句话说：
AI 可以帮助一个学生把想法做出来。
但为什么选择做这件事，以及在过程中形成了怎样的思考，依然属于学生自己。
09
技术在变化，但教育仍然需要理解具体的人
把省下来的时间重新留给学生
三个小时的讨论，从国际教育趋势一路走到 AI 产品、课堂、升学指导和未来教育。
最后不断回到的，其实是同一个问题：
教育究竟应该把什么留给技术，又把什么留给人？
AI 很适合处理大量信息。
它可以整理资料、追踪任务、搜索数据、辅助规划，也可以把曾经需要大量时间才能完成的工作大幅压缩。
但教育还有另一部分工作：
理解一个学生为什么迟迟没有行动；
判断一次成绩下降背后的真正原因；
帮助一个家庭理解不同选择意味着什么；
在学生面对不确定的时候，和他一起把问题想清楚。
这些事情很难只靠一个更大的模型完成。
活动开始前，我们曾经写过一句话：
招生难，不只是缺流量。
活动结束以后，我们想把它再往前推进一步：
教育面对的问题，也从来不只是缺一个更强的 AI。
真正值得做的，是让技术进入那些它擅长的地方，让信息流转得更快，让重复工作变得更少，让好的经验能够被沉淀和复用。
然后，把因此省下来的时间，重新留给学生。
留给判断。
留给沟通。
也留给那些教育中最难被量化，却始终重要的部分。
感谢每一位来到现场、提出问题、参与讨论的朋友。
AI + 教育，正在发生什么？
或许答案并不会出现在某一个宏大的预测里。
它正在一份不断调整的学习计划里，一位老师重新设计的课堂里，一次更有依据的升学讨论里，也正在每一次我们认真思考：
这件事情，究竟应该交给 AI，还是应该留给人？