産品創新，遠沒有到結束的地步。
來源|多知網
作者 |馮玮
圖片來源 |Pexels
" 作業幫終于出學習機了。"
半個月前，多知報道作業幫新品發布會後，有讀者這樣感慨——實際上，作業幫現在進入學習機市場，的确引發了很多關注。
首先，2019 年起，喵喵機的熱鬧讓作業幫看到了更多的可能性，并在其後三年推出了多款産品：這其中有同樣 " 上市即爆 " 的電子單詞卡，也有跨界卡位的智能書桌……連書包都上線商城的作業幫，卻一直沒有讓學習機出現在過往三年的新品發布會名單中。
伴随着智能手表、全科學習筆、全科學習卡等智能硬件的出現，作業幫早已具備了推出學習機的軟硬件條件。
爲什麽一直不做學習機？
其次，在早已是紅海的學習機賽道中，不同背景的參與者藉由自身優勢，已推出多個系列、各有傾向的學習機産品：老牌步步高、優學派、讀書郎對下沉城市的影響深刻依然，不同價位的産品更新不斷；科大訊飛自帶大模型讓 AI 在學習機中落地；京東方、希沃憑借屏幕硬件積累，切入護眼需求；學而思、有道的教研内容過渡銜接到學習機中……
以 " 十八般武藝各顯神通 " 形容當下的學習機市場，并不誇張。
現在才出學習機的作業幫，還有多少空間？
作業幫硬件業務負責人李錫淩在發布會上解讀，目前的學習機市場參與者分爲三類：傳統學習硬件公司，善于做教育同步内容，渠道優勢明顯；3C、硬件消費品出身，善于提供極緻性價比的學習機；第三類則是教育科技品牌，如作業幫等。
" 我們是第三類，這類公司思考的是，如何在學習效果上有所突破，如何既能保證學習效果、又能讓孩子們用起來，又該如何讓學習機的硬件、軟件、内容和 AI 真正幫助學生在一段時間内提升效率。"
李錫淩坦言：" 做了非常多的調整。"
軟硬件、AI、提效、差異化……帶着疑問，多知獨家對話作業幫學習機産品負責人李祥曦、硬件教研負責人盧達。
以下爲實錄整理，内容有所删減。
01
三年磨一劍
多知：作業幫在智能教育硬件的品類和數量上一直處于教育科技企業靠前的位置，爲什麽學習機卻來得這麽晚？
李祥曦：我在作業幫剛好六年，印象中公司最早談論學習機産品是在 2019 年——當時大家讨論的核心方向是要不要做學習機？
這個讨論的背景在于兩點：
1、當時公司已經做了喵喵機、開始接觸智能硬件，也就很自然地開始讨論更多的可能性；
2、我們發現自己的一些内容在其他品牌學習機上的活躍度和滲透率都很不錯，包括當時也有一些廠商找來合作，比如要不要貼牌但内容是作業幫的等等。
這些因素開始讓我們思考要不要自己做一個學習機。
多知：但硬件并不是作業幫的強項，爲什麽在當時否定合作模式？
李祥曦：我們對學習機這類産品研究後發現，想做到很理想的産品體驗，意味着對硬件、軟件、算法等方面的要求相應提高。
直接拼湊、合作當然也可以做出一個品，但我們擔心的是最終産品形态和我們對這個産品的要求與期待有差異。這也不符合我們對作業幫品牌的定位。
多知：有沒有哪個功能曾經讓你們很糾結？
李祥曦：屏幕的選擇——現在大家可以看到的是我們用了一個 12.7 英寸，4:3 閱讀比。但其實這個地方是我們立項之後三個月才定下來的方向。
一開始我們嘗試了很多個屏幕尺寸，這裏面既有市場更常規的 10-11 寸的屏幕，另一方面是是否沿用市場更常見的 16:9 的寬高比。糾結了很多個版本最終定了現在的這兩個選擇。
原因之一，在于我們希望第一代産品能夠更大衆、觸及更多人群、綜合性更強。所以它需要滿足課本點讀的同時也能覆蓋日常練習還有其他各種需求，所以它不能太小；但它也不能太大，太大了不便攜不能帶出去。
那現在的尺寸就是能夠覆蓋更多場景滿足随時随地學習的需求、也能滿足各種互動的屏幕。本質就是讓它足夠綜合、足夠好用，這樣才能提升使用頻次，最終達到提升學習效果的狀态。
原因之二，在于護眼，4:3 這個屏幕尺寸是最接近于書本的尺寸，也是閱讀體驗最好的尺寸。
的确是找了很多個樣品、做了很多嘗試、用了三個月才定下來的屏幕，這也是決定我們硬件最終形态的一個關鍵。
多知：2019 年開始斟酌，2023 年才真正推出，這幾年你們在做什麽？
李祥曦：我們在 2019 年開始讨論，然後在 2022 年 6 月份開始立項，這三年的時間裏我們一直在關注學習機，也在做很多的準備。
第一在于硬件開發，這三年剛好也是教育智能硬件高速發展的三年，從團隊上，我們到現在已經有了 1000 人左右的硬件團隊，也邀請到很多行業頭部企業的研發人員加入作業幫；從産品上，喵喵機、打印機、智能電子單詞卡、智能手表、智能書桌……到現在，我們的很多産品其實已經有點接近學習機的功能了。
硬件研發是我們三年裏努力沉澱的核心，也是我們後來可以實現自研智能學習機的關鍵。
第二個部分我們對外講得不多，是算法上的積累。外界普遍會覺得教育科技公司可能是在題庫這個方面沉澱較多，但實際上我們還有一個中台算法團隊。
這個團隊在過去的三年多時間裏一直對語音測評等關鍵技術進行沉澱積累。算法上的積累，也實際經過了作業幫課程互動、課後輔導等業務場景的實踐和優化，這些都與學習機所需要的學習能力相匹配。
第三個部分，是對過往作業幫教研教學内容在學習機上的适配和二次開發。
作業幫在教學教研上的積累和沉澱已經很久很久了，但在過往主要以直播爲主，它和學習機上目前适合的錄播課程、知識圖譜呈現、以及日常練習等産品的底層邏輯都是不同的。
爲了讓作業幫過往的内容更好地落地到學習機上，我們目前差不多有一個 100 人的獨立内容研發團隊，差不多用了一年的時間去做大量錄播和知識圖譜的集成研發。
這三年我們做了大量的沉澱，也做了很久的用戶和市場研究。
我們一直想要找到用戶的需求與市場機會在哪兒。
02
學習機的終極形态
多知：現在找到用戶需求和市場機會了麽？
李祥曦：學習機這個賽道現在真的挺熱鬧的，我覺得目前大多數場景和需求都已經在不同的産品中體現出來了，現在很難出現一個完完全全的新需求。
大家在比拼的也就還是那幾個方面，我舉兩個例子。
日常作業和同步輔導，這個是大部分家長都會關心的部分，也是市面上的學習機使用最高頻的功能。大家也都在圍繞課前預習、課程同步複習、學情了解和個人提升在做，這差不多已經是一個标配了。
當然現在大家在追求的是如何更高效的學習，包括如何精準地查漏補缺、如何診斷規劃等等。這些需求一直存在，但家長對學習機所能提供的服務和體驗的層級是在不斷提升的。
再比如說護眼，學習機、學習平闆在從小衆變得大衆的過程中，甚至假如它成爲了孩子的标配的話，必然導緻家長對這款産品的護眼要求不斷攀升。
多知：AI 老師 1 對 1，是解決你說的學習輔導需求的最佳途徑麽？
李祥曦：我覺得它是一個終極形态。
就我們目前對 AI 老師的理解和期待來說，現在的這款學習機産品主打的是診斷和規劃，主要解決當孩子面對一個學習機和一堆内容的時候，如何通過學習機了解到自己的境況、如何找到适合自己的學習指導、如何一步一步實現學習效果提升的需求。
但我們理想的 AI 老師 1 對 1，肯定不是隻擅長規劃，應該還有 1 對 1 的監督、輔導等不同能力。這些是我們一直在看和研究的方向。
所以我們這一代的産品是叫 AI 老師 1 對 1 診斷規劃——我們也是才剛剛邁出了第一步而已，未來還會有很多延展和遞進。
當把每一個環節都做到位的時候，我想這才是我們對 AI 老師 1 對 1 形态的終極預期。
多知：爲什麽選擇聚焦 " 診斷規劃 "？
李祥曦：對，這也是我們在軟件層面最核心的差異化功能。
這個功能出現的背景，是我們發現這兩年家長和孩子對自主學習需求的增加和對學習規劃意識的提升。
最早我們想做的其實也是一個通用的學習計劃，也和市面上大多數有學習規劃功能的學習機是差不多的風格。但我們當時研究了後發現一個狀況，就是大多數學習計劃功能的使用頻率都不高。原因在于，通用的學習計劃功能無法滿足不同學習水平、薄弱項學生的個性化需求。
當需要學生去适應産品的時候，往往這個産品就不會受歡迎，也無法形成自己的壁壘。
在這個基礎上我們和很多有教研教學背景的同事讨論決定，先把過往教研培訓的經驗拿過來給用戶做一個定位，再通過算法去實現個性化課表。我們做了大量的産品驗證，差不多一直到 2022 年年底這個産品的最終形态才定格下來。
多知：定位診斷規劃的學習機，在内容上的挑戰是什麽？
盧達：挑戰挺大的，和傳統的線下師生互動是截然不同的狀态。
首先是主體設計的不同，比如在我們的線下教室裏，老師是核心、課程大綱是核心、一堂課 40 分鍾可以順其自然地進行知識傳遞。但在學習機上，知識必須以學生爲核心、教學方式也要以學生的個性化習慣爲核心，它甚至比線下的 1 對 1 授課還要難很多。
在面對一台學習機的時候，在家庭的環境下，孩子的狀況真的太多了。
其次是内容切分的程度不同，之前一堂課 45 分鍾，内容隻要覆蓋這個時間就可以。但學習機裏的内容必須是碎片化的。
理論上，碎片化可能是越小越好，比如說 5 分鍾、3 分鍾都可以，但實際上真正的真人 1 對 1 老師的互動狀态是細分到語言裏的，可能不同孩子的不同回應就會讓教學内容指向不同的階段和狀态——要做到這個水平，我們就必須更碎、更細。
再者就是 AI 老師 1 對 1 畢竟不是真人 1 對 1，就意味着我們必須讓機器去理解孩子的問題。這背後就是必須爲我們切分足夠細碎的内容依次打上對應的标簽。這個過程是必須靠人的經驗或者是一些驗證結果去讓機器認識這些碎片。
這樣學習機才能最終用這些碎片去給孩子打包成一整套适合他的内容産品。
03
教學邏輯：在學習機中發生變化
多知：你怎麽定義 " 一套适合學生 " 的内容産品？它應該具備哪些特質？
盧達：實際上一個好的學習機在教研教學内容上要做到的是六點。
以學生爲中心去規劃内容；匹配學生自主學習場景，進行體驗設計；及時解決孩子的問題、答疑解惑；提供精準内容；提供具體明确的計劃安排；先解決孩子已經遇到的問題。
我們對這些都進行了拆解，在這六個方面各自做到精細化，用以确認學習效果。
以 AI 老師 1 對 1 互動課爲例，每節課作業幫設計爲 20 分鍾左右，包含 10 種互動方式，高頻挖空提問、單步訓練和與線下課程相近的筆記和思考提醒等。
多知：互動好像很高頻？
盧達：對，這裏我們也下了很多功夫。
比如剛剛提到我們的課程中會有 10 種互動方式，它們的設定本質上是在試圖還原線上直播或線下課程中比較有效的互動手段。
但互動不是越多越好、互動也不是說一定要幾分鍾一個就好。在作業幫的學習機中，互動的目的之一在于對過長的學習時間進行間隔，保證孩子不會走神；目的之二在于知識不是灌輸就能解決的，而是通過教與練的配合去保證孩子對知識的理解和運用。
那麽如何保證互動的效果？很重要的一環在于如何設計出好的提問。這裏主要來自于我們過往的教學經驗和對線上産品的理解。
多知：隻通過孩子的互動，似乎很難保證他沒有走神吧？
盧達：對，正常來講，我們去觀察孩子有沒有走神是有三個狀态參考。
第一種最明顯，就是孩子注意力已經完全不在學習内容上了；第二種是孩子看起來在學習，但非常簡單的互動問題卻沒有答對，很明顯也走神了；第三種最難判斷，是孩子答對了互動問題，但其實走神了，無論是老師還是機器，都很難一下子識别出來。
之前我們給學習機設定了一個 80~85% 的正确率區間，這個數據也可以幫我們反向推演是孩子走神了我們沒有觀察到；還是學習機的内容沒有講明白。
這也是我們叠代的重要标準之一。
其實在我們的互動中，也設置了兩種路徑：一種是比較簡單的題，用來引導和驗證孩子聽沒聽；一種是稍稍有點難度的題，用來驗證孩子有沒有真的學會。
這也就顯現出互動題的設置重點，不能太簡單，太簡單孩子的注意力一定會慢慢分散；也不能太難，太難孩子會沒有成就感。
04
産品創新，遠沒有到結束的地步
多知：學習機市場正在呈現出怎樣的特點？
李祥曦：産品創新，遠沒有到結束的地步。
這本身是一個十幾年的老産品形态，比如最早的時候就是一個硬件平闆，像是課程的載體，基本上就是一個大融合的狀态。
後來幾年無論是最早的教育硬件廠商還是後來的參與者，都在嘗試去增加更多的功能和屬性，比如護眼、繪本點讀等等，這讓學習機的工具屬性變得更強。
這兩年 AI 被更多融入到産品中，這個創新讓整個學習機市場從工具屬性躍遷到個性化陪伴的階段，既能爲學習提效、更好地保障學習效果；也在陪伴、個性化等方面有了更好的水平。
大多參與者的創新是沒有停止的。
現在大家都在探讨大模型的落地以及 AI 對學習機帶來的影響，的确也看到一些品牌正在試着融合新的技術，在學習機賽道來說還有很長的路要走。
這個賽道裏面的創新也是沒有截止的。
多知：最近也有一些企業試着将大模型落地到了學習機産品中，您怎麽看 AI 對學習機帶來的變革？
盧達：ChatGPT 在教育的融合中有兩個能力會比較突出，一個是語言理解，一個是内容生成。也就是說第一它能和學生互動聊天，第二是能幫助學生梳理出很多内容。
其中，在内容生成的部分，相對來說可能和學習機最簡單的融合就是語言學習，首選是英語。因爲我們對于語文的學習可能會包含語言、文學、甚至是一些曆史；但對英語的學習主要還停留在語言學習上。
語言學習的很重要一環在于語料，英語學習中，其實好的、适合不同水平孩子的系統性語料并不多，在這個時候，ChatGPT 帶來的可能性是能夠沿着與孩子溝通的情況，生成适合其認知水平、語言水平的語料。
這也就意味着讓語言學習變得更科學、更有效。
再比如說語言溝通能力，有時候 AI 老師和學生溝通，有一部分是需要通過給學生不同的題型、基于學生的反饋，然後再推演出 AI 老師給出怎樣的教學方式。題型之一是選擇題，但我覺得選擇題本質上就讓孩子的思考模式被框住了。
而 ChatGPT 所代表的自然語言能力，就意味着學習機裏的 AI 老師可以和孩子直接通過交流，以實時互動方式了解孩子的想法和理解，這是更開放和多元的學習模式。
多知：很多平台都在做大模型測試，該如何提問，才能更好地檢驗大模型是否能與教育産品相得益彰？
盧達：讓它去講一道題。大多數大模型更多的是在解題，而不是講題。
多知：未來 2-3 年會是學習機的叠代競争關鍵節點麽？
李祥曦：整個市場我不好說。隻能說我們自己内部看到了未來 2~3 年的一些機會，包括可以創新的一些方向。
比如前面提到的 AI 技術的創新、類 ChatGPT 等等。
剛剛盧老師提到的互動部分，我也有相同的感受。學習機和類 ChatGPT 的互動屬性有天然的融合可能，交互水平越好，孩子的體驗也會越好，必然會影響到使用頻次和學習效果。
另外 AI 老師在 1 對 1 模式上如何真正帶着孩子提效，本身就對老師的要求很高，必然需要對各種開放性的問題有足夠的技術手段和内容能力去覆蓋才可以。
這些融合空間還很多，當然也隻是大家創新的方向之一。接下來大家的自我叠代應該也會很快，未來 2-3 年應該會很明顯。現在談可能太早，作業幫的核心一定還是跟着用戶需求走，多收集反饋去優化叠代是最實際的。
END
本文作者：馮玮
