教培AI能走多遠，核心取決于國產模型走多遠

來源|多知

作者|Tcoh 教育行業資深從業者

編者按：

教培公司看似都在建設自己的AI能力，但真正決定這些應用能走多遠的，是底層模型。受安全、穩定和成本影響，國內教培企業其實更依賴國產模型。Kimi K3的意義也正在于此，國產模型每向前一步，都可能讓更多教育AI場景從試驗走向落地。

近日，月之暗面發布了新一代模型Kimi K3。

和以往的大模型發布一樣，外界首先關注的是參數、跑分和技術能力：它在編程、知識工作和復雜任務執行上達到了什么水平，與全球最先進模型之間還有多大差距。發布之后，Kimi一度暫停新用戶訂閱，以緩解算力壓力。

但對教培行業來說，比技術排名更值得關注的是，Kimi K3所代表的國產模型能力提升，會給教育AI帶來什么變化。

一、教培公司的AI能力，并不完全掌握在自己手里

過去幾年，很多教培公司都組建了AI團隊。

一些頭部公司擁有自己的算法、數據、產品和工程人員，也積累了大量題目、課程、學生行為和師生互動數據。它們可以針對教育場景訓練小模型，對通用模型進行微調，也可以通過知識庫、提示詞和工作流，提高AI在特定任務中的表現。

但這些工作和訓練一個先進的基礎模型，是兩件完全不同的事情。

基礎模型競爭需要巨額資金、需要頂級人才，即使對于大型互聯網公司，參與基礎模型競爭也是一項長期、重資產、高風險的投入。對于經歷過行業調整，還要兼顧收入、利潤和現金流的教培公司來說，獨立承擔這項投入并不現實。因此，對教培公司來說，更現實的選擇是在外部基礎模型之上建設應用。

教培公司真正擅長的是理解教育業務：什么樣的講解適合不同年齡的學生，什么樣的反饋能夠幫助學生發現問題，怎樣把AI接入課程、題庫和教學流程，又該如何判斷一次AI輔導是否真正有效。

但這些能力決定AI用在哪里、以什么形態出現，卻不能完全決定AI本身能夠做到什么程度。

當基礎模型的推理能力不足時，教培公司可以增加知識庫和標準答案，卻很難把它變成一個能夠穩定處理復雜問題的AI老師；當基礎模型無法準確理解圖片、語音和長對話時，應用層再精巧的設計，也很難徹底填補底層能力的缺口。

所以，教培公司的AI能力看起來體現在產品層，底層卻建立在模型企業提供的公共能力之上。教培公司可以決定AI用在哪里，卻很難決定AI的基礎能力能夠進步到哪里。

二、相比世界最強模型，教培公司更依賴國產模型

既然教培公司的AI能力依賴外部基礎模型，接下來的問題就是：他們更依賴的究竟是世界最強模型，還是國產模型？

海外最強模型當然重要。

它們不斷刷新推理、編程、多模態和復雜任務執行的能力上限，也讓國內教培公司看到未來可能出現哪些產品。許多AI產品形態，最早都是在海外先進模型上得到驗證。

但世界上已經存在某種能力，并不等于國內企業能夠穩定地獲得和使用這種能力。

對教培公司而言，選擇一個模型作為業務底座，不能只看它是否最聰明，還要考慮三個更現實的問題：安全性、穩定性和成本。

首先是安全性。教育不是普通的信息服務。它既涉及知識傳遞，也涉及價值觀引導、未成年人保護和意識形態安全。

教培公司的AI系統可能處理學生個人信息、學習記錄、師生對話和家庭情況；面向學生的AI產品，還會直接回答歷史、文化、社會和價值判斷等問題。模型一旦進入教育產品，就不再只是幫助員工提高效率的工具，也可能成為學生獲取知識和認識世界的信息入口。

因此，對教培公司來說，模型首先要安全、可控，然后才談是否足夠聰明。這不是一個附加條件，而是模型能否進入核心業務的前提。

其次是穩定性。一款海外模型即使能力更強，如果接入渠道、服務連續性和使用政策存在不確定性，就很難成為國內教培公司的核心生產底座。

教培公司的AI應用不是偶爾調用一次。一旦模型進入作業批改、學生答疑、銷售質檢、客服服務或者課程產品，就意味著每天都有大量業務依賴它運行。接口中斷、調用受限或者服務規則變化，都可能影響用戶體驗，甚至導致業務流程停擺。企業可以用不夠穩定的模型進行研究和測試，卻很難把核心業務建立在一個長期可用性無法掌控的系統之上。

還有成本。教培行業的很多AI應用都具有高頻、海量調用的特點。而海外最強模型大致是國內模型成本的5-10倍。學生每提交一道題，可能就需要調用一次模型；一次AI答疑往往包含多輪對話；銷售、客服和輔導老師每天會產生大量錄音和文字；教研內容生成、用戶標簽提取和服務質檢，也需要持續批量運行。

單次調用相差幾分錢，看起來并不多，但當調用量達到幾十萬、幾百萬次時，成本差異就會直接影響一個產品的商業模式能否成立。

因此，教培公司真正需要的，不一定是世界上能力最強的模型，而是在安全和穩定的前提下，能夠以可承受的成本大規模使用的、足夠強的模型。

這正是國產模型的特殊意義。全球最強模型決定了教培行業能夠想象什么，國產模型決定了國內教培公司能夠真正部署什么。即使企業同時接入多個模型，出于安全、穩定和成本等考慮，國產模型也更可能成為覆蓋范圍最廣、調用頻次最高的基礎底座。

三、國產模型跨過門檻，才會帶來AI場景的集中落地

2025年初，DeepSeek-R1的發布，曾經帶來一輪國內AI應用熱潮。

DeepSeek發布后，大量企業、政府機構和產品迅速宣布接入。政務服務、政策問答、企業知識庫、智能客服、公文處理、代碼開發和數據分析等場景，在短時間內出現了大量應用。

這些應用場景并不是DeepSeek發布后才突然出現的。

企業早就知道AI可以用于客服、辦公、知識檢索和數據分析，很多機構此前也做過測試。DeepSeek真正帶來的變化，是提供了一種能力較強、成本較低、開放程度較高，并且能夠被國內企業穩定部署的模型選擇。

它沒有發明這些場景，而是釋放了這些場景。

模型沒有跨過門檻時，一個AI項目可能在技術上已經能夠運行，卻無法在經濟上成立。比如，AI可以生成教研內容，但大量內容還需要人工逐字檢查；可以分析銷售對話，但識別結果經常遺漏關鍵信息；可以回答學生問題，但遇到復雜題目時表現不穩定。

AI看起來完成了大部分工作，員工卻仍然需要跟在后面檢查、修改和返工。企業既要支付模型成本，又不能減少原有的人力投入，有時還要增加一套審核流程。而真正決定一個AI項目能否規模化的，往往不是模型第一次“會做”某項任務，而是模型能否把人工兜底成本降低到企業可以接受的程度。

原來每一條結果都需要人工審核，后來只需要抽檢；原來員工需要大幅修改，后來只需要處理少數異常；原來AI只能提供參考，后來可以獨立完成一個標準化環節。當國產模型跨過這樣的門檻，變化就不會只發生在一個項目中，而可能同時出現在一批場景里。

教培行業也是如此。

AI生成題目、制作教案、批改作業、答疑講題、分析銷售對話、提取用戶標簽、開展服務質檢等等，這些場景并不是今天才被發現的。過去，它們中的一部分只能停留在概念驗證階段；一部分只能作為員工的輔助工具；還有一部分雖然已經上線，卻因為人工審核成本過高，難以真正帶來降本增效。

隨著國產模型在推理、指令遵循、多模態、長文本和任務執行等能力上不斷進步，一批原本不穩定的任務會變得穩定，原本需要大量修改的結果會逐漸接近直接可用，原本無法承擔的高頻調用也可能因為成本下降而變得可行。

所以，只有當國產模型跨過生產可用的門檻，這些場景才會從設想和試驗，集中變成真正的項目和產品。

四、教培AI的進展，要看國產模型走到了哪里

回到Kimi K3。

它對教培行業的意義，不一定在于某家教培公司會立即宣布接入，也不一定會馬上催生出一款全新的教育產品。

更重要的是，它代表國產模型的能力邊界仍在向前推進。國產模型在推理、多模態、長文本和復雜任務執行上的每一次提升，都可能降低教培公司使用AI的成本，減少人工審核和返工，擴大AI能夠承擔的任務范圍。

表面上，教培行業的AI進展來自各家公司的產品發布、系統升級和業務改造。但在更底層，這些變化都建立在國產模型不斷提高的公共能力之上。

教培公司可以決定先做AI批改、AI教研、AI質檢還是AI老師，但這些產品能做到什么程度，能夠覆蓋多少用戶，最終能不能形成一筆成立的經濟賬，很大程度上取決于國產模型已經走到了哪里。

世界最強模型告訴教培行業，AI未來可能做到什么。國產模型則決定這些能力什么時候能夠真正批量且穩定安全地進入中國教培公司的產品、課堂和業務流程。

(聲明：本文僅為作者個人觀點，不代表多知的立場)

教育科技媒體多知商務對接人：夏女士18614077531(微信同號)

教育從業者年度必讀丨《教育科技這一年：教育+AI新紀元》火熱銷售中，點擊小程序購買?

掃碼加入多知新書交流群，共同探討教育+AI的未來