放弃北大博士学位创业,代佩霖谈AI教育出海的十年

我们刚开始去做AI一对一个性化课程这件事，那时候其实非常非常领先，到今天可能这个模式还是处在一个比较初期的一个阶段，在那个时候我们做出来的产品就确实是已经领先整个行业好几年。所以本身是一个还蛮有希望的一个状态。

这一次出海，她们没有立刻动手，而是吸取了最初做国内时的教训。

“最开始就是一群大学生团队，没有任何经验，就真的瞎折腾。”第一个产品面向大学生，“因为大学生就是很容易去做一个面向大学生的产品，因为他自己有需求。”

她带团队花了一个多月，对全球教育市场做系统性调研：北美、欧洲、东南亚、日韩。

广泛考察后发现，所有做海外的业务，北美占总收入约50%，日韩约10%。北美是商业天花板最高的市场，又是比较统一的大市场，本地化差异比欧洲、东南亚小得多，是最佳首选。

锁定美国后，再找“没被很好解决的问题”。她提出三个必须回答的问题：

顺着这三个问题，她们看到了一个在国内根本不存在的赛道：AI解题。

“国内为什么没有呢？因为我们都是搜题软件，搭一个非常庞大的题库，把所有题目收录进来，学生一拍就搜到原题。但是海外没有，因为涉及题目版权的问题，还涉及人力成本的问题，所以只能通过AI去自动化地解题。”

需求是刚性的，供给端却很弱。当时的竞品Photomath，全球下载用户约2亿，年营收可能在2000万美金左右——“会觉得说，他们做的其实也只是很基础的事情，可能只能解决一些最基础的计算题。”

“我们会发现，其实我们的技术能力是远远可以超过它的。”

一个差异化的打法、一个刚需市场、一个没被很好满足的需求、一支能做得明显更好的团队——条件凑齐，方向就定了：北美的AI解题答疑。

这套“三个问题”的框架，先问需求、再问供给、最后问自己，几乎是她此后所有关键决策的方法论原型：不在热闹里找机会，只在缺口里找答案。

方向对了，用户画像却错了。

“当时有一个gap，是在去商业化的过程当中，对于产品用户群体的定位精准性的问题。”她们发现，北美的教育生态和国内几乎是反着来的。

“国内大家都很卷，从小学就开始，有一些所谓的鸡娃，很多家长会对教育这件事有很多的关注和投入，很多的课外补习班——这样的一些需求，在北美是不存在的。他们不卷，他们比较躺平，也没有觉得说学习是唯一的出路。”

更关键的是决策权的位置。“北美的家长并没有那种‘我一定要给孩子买一个什么教学产品’的强烈想法，更多的时候是孩子自己在做决策。”

问题就出在这里：K12的学生很喜欢你的产品，但他们恰恰是最没有自主支付能力的那群人——“他们甚至都没有信用卡”。

重新研究之后，她们发现真正的好赛道在美国是反过来的：大学。

“美国的大学是宽进严出，很多大学生其实会有毕业的压力。所以大学生反而更有学习诉求，一般来说经济会相对独立一些，有更强的支付能力和意愿，付费习惯也比较成熟。”

“于是我们就开始转到大学。这跟我们刚开始做国内，其实是完全相反的。”

而本地化的另一道隐形坎，藏在团队内部：国内的教研团队清一色高考体系出身，海外的AP、A-level、本土教学大纲，对所有人来说都是完全陌生的领域。对一支高考体系出身的教研队伍意味着什么，做过教育的人都懂。代佩霖轻描淡写地带过这段经历，但背后是整个团队从零开始啃课标、刷真题、磨体系的日夜。

出海做教育，从来不是国内产品的翻译复刻。先想清楚谁付费、目标用户是否有自主支付能力——这是一次商业化心智的成熟校正，价值千金。

大模型越来越强之后，行业里一直有这样一种声音：做AI教育应用，不就是“套壳”？

我们把这个问题抛给代佩霖。她在团队里一直负责产品和技术，这个问题，她答得很直接。

她举了一个最具体的例子：多模态的理解与生成。“我给学生讲一个题、讲一个知识的时候，老师是一定要配合一些图像、一些比较直观的视觉呈现，让学生更好地理解。但是现在的通用大模型不具备这样的能力。”

“哪怕是一些所谓的多模态模型，它们的多模态更多集中在‘生成一张好看的图’，或者做一些视觉设计类的海报。但是对于非常精细的数理——比如说一个几何的图像，或者一个函数非常精确的图，这种能力是非常弱的。”

“而在教育场景下，如果你不解决这个问题，可能有一半的问题你就没有办法很好地解决，体验就非常差。”

第二个壁垒，来自产品形态本身。

“互联网产品是一个确定性的流程。这个按钮跳到A页面，它不可能一会儿跳到A、一会儿跳到B。但是agent产品是一个不确定性的产品。你可能这一次输出有比较好的表现，下一次它可能就完全是另一回事。”

所以她给“好的Agent产品”下了一个很硬的定义：

它需要在真实的使用场景当中，在一遍又一遍不同问题的应对过程当中，都能够有比较稳定的优质输出。这件事没有捷径。教育是容错性极低的场景，效果从80%拉到85%、到90%、到95%，“每一个5%的提升，可能都要付出非常非常多的努力”。

而最后一道壁垒，是数据。

她用一个对比来说明：一个刚毕业的初级老师和一个有十年经验的资深老师，讲课形式看起来差不多，水平差异却极大。

“资深老师就是能够用一两句话，就点到学生真正不明白的地方。初级老师就做不到。”

“现在大模型它更像是一个初级的老师。那资深的老师到底是怎么去教学的？他为什么就能正好讲到学生不明白的地方？——其实就是我们这些垂域的、非常优质的专业数据，在通用市场上其实是获取不到的。”

三道壁垒，恰好对应着“套壳”产品最缺的三样东西：把知识讲明白的多模态能力，把输出做到稳定的工程能力，以及把学生教明白的垂域数据。这三样，都不是接一个大模型API就能拿到的。

访谈中段，我们把问题推到了最尖锐的地方：行业里都在说，AI输出的正确率要做到98%、99%，那么AI到底会不会替代真人老师？

代佩霖的立场鲜明：“以我们做产品的理念来说，我们做AI教育从来都不是为了达到教育无人化这件事情。我觉得人在教育里面依然会是一个非常重要的因素。”

她列了一串AI拿不走的东西：名师的信任背书，课堂上的表现力和张力，和学生之间的情感链接与粘性，以及“作为一个榜样的等身性作用”。“所以我们从来不会觉得，做这个产品是为了替代掉老师。”

紧接着，她指出了一条很多公司走偏的方向：“很多现在做AI教育的一些方向可能是错误的。就是直接搞一个AI虚拟人，全自动地去生成整个课程，课上完全由AI给学生教学，课后也是完全AI来驱动——其实是不行的。”

为什么不行？她给出一个很“产品”的解释：家长去选择一个教育产品，他是希望有人能帮他承担在课后辅导孩子这件事情的责任。责任这个东西，AI是没有办法承担的，它必须要有一个真人作为一个载体。

真正难的从来不是替代，是分工。“哪些部分是真正AI需要去做、擅长去做的？哪些部分是真人适合去做、擅长去做的？我们把各自的优势极大化，然后达成一个整体上的互补。”

这个答案里藏着她的产品哲学：教育产品的终极价值，不是“替代谁”，而是“为谁承担责任”。AI可以做那个讲题的人，但无法成为那个负责的人。

面对“想对年轻人说什么”，她没有讲成功学，先否掉了一件事。

“大家底层思考的逻辑一定不要以‘什么是风口、什么是比较热点的东西’去追。我觉得风口是追不上的，就是你永远不可能追上一个风口，因为风口变化很快——昨天可能是通用语言大模型，今天可能又变成了AI coding agent，明天可能是具身智能。”

第二，不要拿着锤子找钉子。

“现在大家比较容易陷入一种‘拿着锤子找钉子’。就是有很多很好的技术工具，就会想说，我用这个技术可以做一个什么样的事情。但很可能绝大部分创业公司面对的那个需求，根本就是一个伪需求，是不存在的。”

第三，找到自己的差异化能力。

“创业者最神奇的地方，是先看到了一个别人都没看到的未来，再亲手创造它。这需要推演能力。”

用户到底有什么痛点？他有什么问题现在没有被很好地解决？为什么现在这些产品和技术没有帮他解决？以及最关键的那一句：为什么是你？

“因为别人做不好，不代表你就可以做好。”

结语

2026年的AI赛道，依然是全民热议的风口。从大模型到具身智能，从AI应用到出海浪潮，概念更迭的速度快到让人目不暇接。无数创业者扎堆涌入，张口闭口都是“站上风口”“抓住红利”，仿佛只要搭上AI的快车，就能轻松起飞。

但热闹之下，我们更需要看清：那些真正穿越周期、在赛道里站稳脚跟的人，从来都不是风口的追逐者。

从北大的实验室，到新东方的天使轮；从国内K12的“双减”冲击，到北美大学市场的重新出发，风口来了又走，赛道热了又冷。而越是站在风口里，越容易忘记一件事，技术和算力终将趋同，真正拉开差距的，不仅仅是模型本身。

教育者对责任的敬畏，对价值的坚持，和对 "相信的力量" 的笃定，不会写在算法参数里，却会实实在在体现每一次交互之中。能否真正落地本土化教育，终究要回归人的认知与信念。

"你所赚到的所有收入，都来源于你真正为用户创造了价值。"

十多年前，她在实验室里丢下的那道题，如今被她算成了一个可以落地的答案。

免责声明：本文涉及行业分析、市场判断与数据表述，部分来自受访者个人观察与公开报道，仅代表受访者个人观点，不构成任何投资建议。