夜雨聆风引言：数字画像在“人工智能与教育深度融合”创新实践中的价值锚点
在教育部等五部门联合印发的《“人工智能+教育”行动计划》明确提出“加快构建人机协同、虚实结合、泛在可及的智慧教育新形态”的背景下，数字画像作为实现“大规模因材施教”的核心技术抓手，正从实验室走向规模化应用1。然而，当前数字画像的技术解决方案多围绕“知识图谱”与“认知图谱”的结构化融合展开，试图通过构建统一的“学习者模型”来实现个性化教育。这种路径背后隐含着一个根本性的问题：我们是否正在用“模块化”的思维来解决一个需要“端到端”范式变革的问题？
本文的核心反思在于：学习者画像的技术路径和范式选择，能否抓住现有技术赋能的价值锚点，从“构建统一图谱”转向“端到端学习”，从“知识点级追踪”转向“行为序列建模”？特斯拉FSD的技术突破与港大DeepTutor的创新实践，为这一转向提供了极具启发性的参照系。
一、智驾方案的技术突破：从“模块化”到“端到端”的范式革命
特斯拉FSD V12实现的核心突破，在于彻底摒弃了传统自动驾驶“感知-识别-决策-控制”的模块化流程，转向了端到端神经网络（End-to-End Neural Network）的全新架构。这一转变的意义在于：
传统模块化方案的困境：在V11及之前版本中，FSD的流程包括感知阶段（通过视觉或雷达获取物体信息并识别分类）和决策阶段（依赖预先编写的控制规则），各环节信息割裂，难以应对真实世界的复杂挑战。
端到端方案的本质：V12版本从“摄像头像素”直接输出“方向盘操控”，系统不再需要手动识别和分类物体，决策阶段也不再需要预先编写的控制规则。系统只需要通过大量视频输入来让神经网络学习，就能够在不同情况下做出正确的决策。马斯克曾表示，FSD V12“从头到尾没有编程”，没有程序员写一行代码来识别道路、行人等概念，全部交给了神经网络自己思考，C++代码从V11的30万行骤降至2000行。
关键启示：端到端算法实现了信息无损传递，减少了人为偏见，灵活度大幅提升；它面向整体驾驶目标进行全局优化，从“行为”学习“行为”，驾驶行为更加拟人化；同时由数据驱动，更易发挥规模法则（Scaling Law）。特斯拉的实践证明，当算力足够、数据足够时，“放弃对中间表征的精确建模，让模型直接从输入学习输出”是一条可行的突破路径。
二、映射到AI教育：“知识画像”困境的本质
将这一思路迁移到AI教育领域，当前学习者“画像”面临的困境，其本质与智驾的“模块化困境”高度相似：
2.1 当前“知识画像”的典型路径及其局限
主流的AI教育产品（无论是科大讯飞还是松鼠AI）在构建学习者画像时，都遵循着“采集行为数据→建模知识状态→预测学习表现”的模块化流程。这种路径面临三重困境：
第一，分析维度的认知偏重。由于技术的方便快捷，我们在面对教育问题时首先想到的是
靠技术解决，但人工智能的应用是否真的有助于培养全面发展的人，仍需反思。当前的画像系统过度聚焦于“知识点掌握度”这一单一维度，而忽略了学习者的情感状态、元认知能力、学习策略等关键维度。
第二，行为数据与认知状态之间的解释鸿沟。学习机采集的主要是行为数据（答题对错、停留时间、操作序列等），但这些行为数据与学习者的真实认知状态之间存在巨大的解释鸿沟。“学生在屏幕前的长时间停留，可能是在深入思考，也可能是在走神发呆”——这两种完全不同的认知状态，在当前的数据采集体系中几乎无法区分。
第三，静态标签与动态认知的结构性错配。当前的标签体系往往“重形式轻实效”，由“少量已脱离一线触客业务的中后台部门成员搭建完成”，缺乏对真实教学场景的深入理解。而学习者的认知状态是动态变化的——涉及知识点的掌握/遗忘、认知结构的重组、学习策略的调整等更高层次的动态变化，静态的标签体系难以捕捉这种变化。
2.2 “主客图谱归一”难题：与智驾面临的多传感器融合困境同构
“主客图谱归一难题”，本质上与特斯拉面临的多传感器融合难题是同构的。在智驾领域，传统方案试图融合激光雷达点云、摄像头图像、毫米波雷达数据等异构数据源，构建一个统一的“环境模型”；在教育领域，当前的系统试图融合学科知识图谱与学习者认知图谱这两个异质系统，构建一个统一的“学习者模型”。
但正如特斯拉的实践所证明的：与其试图融合异构数据源来构建一个“完美的环境模型”，不如选择一个最丰富、最接近人类认知的数据源，并将其发挥到极致。
三、港大DeepTutor的启示：“Agent-native”架构作为突破口
港大DeepTutor的系统架构提供了一个极具启发性的突破方向。
3.1 DeepTutor的核心理念：Agent原生，而非“套壳搜索引擎”
DeepTutor团队提出一个关键判断：当前大多数AI教育软件“根本不是Agent，只是套了层对话皮的搜索引擎”。传统AI教育软件的典型特征是：你问，它答；答完就结束，不记得你之前问过什么；不会主动规划你的学习路径；不会根据你的薄弱点调整内容。
而DeepTutor采用Agent-Native多智能体架构，融合双循环推理、RAG检索增强生成、知识图谱等前沿技术，构建了一套完整的“理解—推理—引导—评估—迭代”智能学习闭环。
3.2 DeepTutor的技术突破：两条路径的启示
路径一：双循环推理架构——从“模块化”到“端到端”的中间态
DeepTutor的“双循环推理架构”是一个巧妙的设计：第一循环为“推理循环”，系统接收用户问题后，自动拆解知识模块、分析薄弱点、规划解题路径；第二循环为“验证循环”，对每一步解答进行交叉验证，通过检索教材、文献、代码执行等方式确认准确性。
这一架构的关键在于，它不试图构建一个“统一的认知图谱”，而是在两个循环之间保持动态的张力——推理循环负责“理解学生”，验证循环负责“确保正确”。这类似于特斯拉FSD中“感知”与“决策”在端到端网络中的深度融合，而非模块化的割裂。
路径二：持久化记忆系统——从“静态画像”到“动态学习档案”
DeepTutor构建了真正的持久化记忆系统：系统会自动记录用户的学习轨迹、知识薄弱点、学习习惯，构建专属知识图谱与学习档案。这一档案并非静态的知识快照，而是一个持续演化的“学习轨迹”——“它知道你上次卡在哪了”，具备跨session的记忆能力。
更重要的是，DeepTutor的TutorBot（专属AI家教）拥有自己的记忆空间、性格、技能集合，会主动设置提醒、规划学习，跨session记住用户的进度和薄弱点，随着使用，“它会'进化'——越用越懂你”。
3.3 “端到端”的深度知识追踪：从行为序列直接预测学习效果
DeepTutor在技术底层采用了深度知识追踪（Deep Knowledge Tracing）技术。与传统方法不同，这类模型“将学生的交互序列（题目ID、作答对错、时间戳等）作为输入，通过神经网络来建模一个高维、连续的知识状态向量”，这个向量“比简单的'掌握/未掌握'二元状态包含了丰富得多的信息，比如对知识点的掌握程度、易混淆点、遗忘曲线等”。
这里有一个关键的认知转变：传统方法试图显式地定义和追踪每个知识点，而深度知识追踪模型更像一个'黑盒'，它学习的是一个综合的、隐含的学生状态表示。这种方法的优势在于“模型更灵活、预测更准”，代价是“可解释性差”。但这恰恰是特斯拉FSD所选择的路径——放弃对中间表征的精确建模，让模型直接从数据中学习。
然而，这里也需要警惕一个风险：正如AI Agent的研究所警示的，大模型普遍存在着较严重的“幻觉”问题，而Agent的规划能力主要依靠大模型实现，“在面对复杂问题或不完整数据时，有时会生成看似合理却完全错误的信息”。在教育这一对准确性要求极高的领域，这一问题的严重性不容忽视。DeepTutor的双循环验证机制，本质上是应对这一风险的技术策略——通过“验证循环”对“推理循环”的输出进行交叉校验。
四、第一性原理的启示：重新定义问题，而非解决问题
综合上述分析，我们可以提炼出四条关键启示：
启示一：摒弃“冗余工具依赖”，回归核心能力培养
特斯拉FSD拒绝激光雷达这类“精准拐杖”，仅凭摄像头与端到端神经网络就实现了对复杂路况的“类人理解”，其本质是抓住了“让AI像人一样观察世界”的核心目标。在教育领域，这意味着我们应当摒弃对“精确画像”的过度追求，转而聚焦于“如何更有效地促进学习”这一核心目标。正如FSD的实践所证明的：当模型足够强大、数据足够丰富时，端到端的直接学习可以绕过复杂的中间建模环节。
启示二：构建“端到端学习闭环”，破解知识碎片化困境
传统自动驾驶的模块化流程，如同教育中“语文、数学、科学”的分科教学，各环节信息割裂，难以应对真实世界的复杂挑战；而FSD的端到端模式，恰似让学生围绕真实问题展开跨学科学习。在学习者画像领域，这意味着我们需要打破“采集-建模-预测”的线性流程，构建“学习-反馈-调整-再学习”的闭环系统。DeepTutor的“推理-验证”双循环架构和“多模式协同与上下文共享”设计，正是这一理念的实践。
启示三：建立“动态数据驱动”的评价体系
FSD的安全性能并非一蹴而就，而是靠全球160亿公里路测数据持续迭代——每一次极端场景的应对，都成为优化模型的养分。这意味着学习者画像不应是一次性构建的静态模型，而应该是一个随着学生每一次学习行为而持续更新的动态系统。DeepTutor的持久化记忆系统——每一次交互、每一道题的作答、每一次求助——都成为画像更新的养分。
启示四：扎根“真实场景实践”，构建多模态交互数据
FSD的价值不在实验室数据，而在真实路况的检验。同样，学习者的真实认知状态，只有在真实的学习场景中才能被有效捕捉。当前，通过DeepSeek等生成式AI构建多模态智能体协同系统，“可融合表情识别、认知轨迹追踪等多种与学生相关的数据流，实时生成群体学情分析图与个体认知画像”。这意味着，未来的学习者画像不应仅依赖“答题结果”这一单一数据源，而应整合语音、笔迹、面部表情、学习轨迹等多模态交互数据。
五、结论：从“知识画像”到“学习画像”的范式跃迁
特斯拉FSD的突破、港大DeepTutor的实践，共同指向了一个清晰的未来方向：放弃对“精确但不可能”的画像目标的追求，转而聚焦于“可行且有效”的学习路径。
具体而言，这一范式跃迁包含三个层次：
第一，从“知识点级追踪”到“行为序列建模”。不再试图精确测量学生对每个知识点的掌握程度，而是通过深度知识追踪技术，从行为序列中隐式学习学生的知识状态。DeepTutor的实践表明，这种“端到端”的方法虽然牺牲了部分可解释性，但在预测准确率上往往优于传统的基于知识图谱的方法。
第二，从“静态画像快照”到“动态学习档案”。画像不应是一次性构建的，而应伴随每一次学习行为持续更新。DeepTutor的TutorBot“越用越懂你”的设计，正是这一理念的体现。正如AI Agent研究所强调的，具备长期记忆能力的Agent才能提供真正个性化的服务，“而不是简单的模式匹配”。
第三，从“主客合一图谱”到“双循环动态平衡”。放弃构建“统一认知图谱”的执念，转而在“推理”与“验证”两个循环之间保持动态平衡。正如DeepTutor的设计所示，系统不需要一个“完美的学生模型”，只需要能在每次交互中做出“足够好的”教学决策。
正如FSD证明了“纯视觉+端到端”可以超越“多传感器融合+模块化算法”，DeepTutor正在证明“端到端学习+Agent-native架构”可以突破传统“知识画像”的技术瓶颈。未来，随着多模态大模型、持续学习算法和人机交互技术的持续突破，学习者的数字画像将从“模糊的轮廓”进化为“鲜活的动态肖像”——不是因为它更“精确”，而是因为它更“懂”学习者的真实状态。
然而，我们也需要清醒地认识到，这一范式跃迁面临的挑战依然严峻——深度知识追踪模型的可解释性不足、大模型的幻觉问题、多模态数据采集的隐私边界、端侧算力的限制……这些都需要在技术创新与伦理约束的动态张力中寻找平衡。正如AI Agent的发展所揭示的，“安全性与伦理框架的建立”是技术走向成熟不可回避的关键环节。
最终，所有的技术路径和范式选择，都应当回归到一个根本性的追问：我们想要创造的，是一个更懂“知识”的系统，还是一个更懂“人”的系统？ 答案的不同，将决定我们选择怎样的技术路径，也将塑造AI教育的未来形态。
1: 学习者画像技术数据挖掘与多模态智能体协同系统
2: 特斯拉FSD的革命性突破带给AI时代教育变革的四个启示
3: 从“数据镜像”到“经验纪元”——特斯拉FSD与AI发展范式跃迁
4: AI Agent未来展望：历史演进、应用落地与商业价值
5: DeepTutor开源框架：基于深度知识追踪的个性化教育AI实践
6: 港大DeepTutor学习者画像技术路径分析