高考結束之后，圍繞考生和家庭的新一輪教育消費已經悄然啟動。

志愿填報、升學規劃、學習機、AI 測評、大學先修課……每年6月至8月，本就是教育消費最集中的時間窗口之一。但相比前幾年，一個明顯變化正在出現：家長依然愿意為教育投入資金，卻越來越少有人單純為一門課程、一位名師或者一本教輔買單。

課程越來越多，獲取知識越來越容易，AI 甚至已經能夠在部分高考試題中取得接近滿分的成績。在這樣的背景下，教育行業不得不重新回答一個問題：當知識供給不再稀缺，新的價值究竟來自哪里？

在多鯨最新一期「三人行」直播中，多鯨創始人姚玉飛、想象力智能中高考聯合創始人武振婷、愛賓果董事長兼清華大學人工智能博士閔海波、火箭 AI 創始人查天晨圍繞《從產品到場景：教育消費的新機會在哪里？》展開討論。三位嘉賓所處賽道不同，但討論過程中，一個共同趨勢不斷浮現：教育消費正在從購買內容轉向購買結果，而教育企業的競爭，也正在從課程競爭轉向學習過程競爭。

談到今年高考，武振婷首先提到了一個明顯感受：考試正在越來越強調綜合能力。「現在國家的考試方向，也是從以前這種刷題式的偽學霸，到現在培養綜合能力的提升。」在她看來，未來真正重要的不是掌握多少知識，而是解決問題的能力。

考試導向的變化，也在影響家長對于學習產品的選擇。過去，家長更容易為名師、課程和課時買單；而今天，越來越多家長開始關注學習效率本身。武振婷提到，傳統線下教學大多采用一對多模式，很難兼顧每個孩子的個性化需求，而 AI 導學系統試圖解決的正是這個問題。

「我們這個系統有個導學系統，相當于一個導航。」她將導學系統比作路線規劃工具。對于不同學生來說，從當前水平到目標成績并不存在完全相同的路徑，因此系統會根據學生情況生成個性化學習方案，而不是簡單推送統一內容。在她看來，家長對于 AI 學習系統接受度提升，并不只是因為技術本身，而是因為越來越多家庭愿意為結果買單，希望找到更適合孩子的學習方式。

目前想象力智能中高考采取「AI系統+名師團隊」的模式，目前擁有158位名師，其中包括8位特級教師、11位正高級教師，負責考點整理與考綱更新；教研團隊則篩選打造精準題庫，而非簡單堆砌海量題目；同時由具備命題經驗的教師從"反命題"角度錄課教學。武振婷表示，AI雖然能夠解決個性化學習的效率問題，但「名師仍是教育的靈魂」，技術與師資的結合才是保障學習效果的關鍵。

為了提升學生持續學習的動力，系統還會結合分層教學和即時反饋機制。武振婷認為，當學生面對適合自己的學習難度時，逆反心理會明顯減少，而及時反饋和一定程度的游戲化設計，也能夠幫助學生建立正向學習體驗。「我們希望讓孩子眼里有光，身上有汗。」在她看來，學習不應該占據孩子全部時間，而應該讓孩子有更多時間投入運動和社交。

談及未來發展趨勢，武振婷認為家長消費理念已發生根本轉變——為結果買單，誰能讓孩子提分就選誰，且愿意嘗試線上線下結合等多種學習方式，不再只盯著傳統教培。學習場景將走向多元化，孩子既需要線上的個性化學習，也離不開線下門店的學習氛圍和人際交流。同時，家長會更多地提前規劃多元升學路徑，包括強基、綜評等，以降低高考失利風險，并對心理健康、家庭教育、志愿填報等一站式服務產生越來越強的需求。她還提醒，雖然出生人口下降，但未來5到10年中高考人數仍在增加，考試壓力依然存在。

如果說家長消費變化來自需求端，那么 AI 的發展則正在重塑供給端。

直播中，愛賓果董事長閔海波博士提到，目前主流大模型在高考數學中的成績已經能夠達到 144 至 148 分水平。「刷題時代確實快結束了。」在他看來，這并不意味著練習不再重要，而是單純依靠重復訓練獲得競爭優勢的空間正在縮小。

「想象力比知識更重要。」閔博士認為，相比知識本身，未來越來越重要的能力將是思辨力、想象力、探求欲以及定義問題的能力。因為 AI 能夠幫助人們回答問題，但無法代替人提出問題。

談及大模型出現之后的產品變化時，閔博士提到，2022 年之前的很多教育設備更多是機械和程序化的，智能化程度相對有限。隨著技術發展，AI 不僅能夠完成問答，還能夠承擔部分講解工作，在很多場景下具備接近老師的互動能力。

不過，在他看來，AI 并不會替代老師。「它一定是老師一個很好的助手和幫手。」閔海波博士認為，技術的價值更多在于提升效率，而不是取代教育中的人與人互動。無論技術如何發展，教育最終面對的依然是學生，而不是機器。

作為一家頭部的教育具身智能科技公司，愛賓果在面向B端，以AI助教機器人賦能學校課堂教學與數據采集，C端推出臺燈形態的AI私教"智慧光AiLight"，通過AR光桌交互和蘇格拉底追問式引導解決家庭輔導問題。談到愛賓果的產品選擇時，閔海波博士分享了另一種思考。面對競爭激烈的學習機市場，愛賓果并沒有直接進入這一賽道。「學習機已經是一個挺白熱化的市場。」在他看來，與其進入成熟市場競爭，不如嘗試尋找新的產品形態。

這種「不搶熱鬧賽道」的思路，同樣體現在他對機器人形態的判斷上。出身于清華大學智能機器人中心、博士研究方向正是具身智能的閔海波，

將機器人能力拆解為「大腦」與「小腦」兩部分：「小腦」指行走、平衡、避障等運動本體能力，「大腦」則指智能交互與教學能力。在他看來，盡管人形機器人是當下的熱門方向，但其「小腦」尚不成熟——即便是頭部公司的產品，面對家庭環境中細小的障礙物仍難以應對，距離真正入戶還需要三五年時間。

「創業公司要同時做好這兩件事，基本不現實。」閔海波博士表示，與其貿然追逐完整的機器人形態，不如集中資源把教育「大腦」做到極致——無論未來的載體是臺燈、平板還是人形機器人，「如何把知識用引導的方式教給孩子」這一核心能力始終不變。等到行業整體攻克「小腦」相關技術瓶頸后，再將成熟的運動本體與積累多年的教育大腦相匹配，時機才真正成熟。

除了產品本身，閔海波博士也談到了教育企業的發展問題。在他看來，單純依賴內容、培訓或線上課程模式的教育企業，面臨增長天花板和資本市場認可度有限等挑戰；相比之下，具備技術研發能力、產品化能力和規模化交付能力的教育科技企業，更容易形成長期競爭壁壘，并獲得資本市場關注。教育科技公司本質上是科技公司，因此具備資本化的可能性；但如果只是面向科技開展教育業務，則很難建立真正的競爭優勢。

與導學系統關注學習路徑不同，查天晨把注意力放在了另一個問題上：學生為什么學不會。

談到創辦火箭 AI 的原因時，查天晨提到，團隊最初希望解決兩個問題：一是教育資源的公平分配，讓更多孩子獲得適合自己的學習內容；二是學習效率問題。在他看來，隨著學習資源越來越豐富，影響學習效果的關鍵已經不完全是內容供給，而是學生能否找到真正制約自己進步的問題。

基于這樣的判斷，火箭 AI 選擇從測評切入，提供了一套面向小學到高中的AI個性化學習系統，通過動態測評精準定位每個孩子的知識薄弱點，再以AI一對一引導式講解實現「以結果為導向」的高效提分。

與常見的靜態測評不同，查天晨更強調「動態測評」的價值。他認為，許多測評產品本質上只是將紙質試卷信息化，通過一次測試判斷學生掌握了哪些知識點，而火箭 AI 希望進一步追問：學生為什么不會。

「我們的目標是找到你即將突破的那個節點。」查天晨表示，相比單純記錄結果，動態測評更關注學習過程本身。系統會通過持續提問，引導學生表達自己的困惑，并進一步追溯問題產生的原因。通過這種方式，測評不只是發現問題，更是幫助學生理解問題。

這種思路背后，其實對應著他對于個性化學習的理解。在查天晨看來，過去很多家庭愿意通過增加學習時間、購買更多課程來提升成績，而今天，越來越多家長開始關注投入與產出的關系。「以前家長收入高，報一對一花更多錢。現在認知高了，他會說能不能把錢花得更精準一些。」相比增加學習時長，如何把時間和資源投入到最需要解決的問題上，正在成為家長更關注的事情。

因此，他認為極致個性化學習是勢不可擋的趨勢——家長認知不斷提高，會追求「把錢花得更精準」，高考也越來越考查跨學科思維和對知識點的真正理解。每次時代變遷的本質都是生產效率的改變，正如網購取代實體店，更高效的個性化學習方式終將改變教育的交付形態。

他還提出，AI時代值得關注的并非「答案獲取能力」，而是思考能力本身。隨著智能工具不斷降低知識獲取門檻，孩子是否具備獨立思考、主動探索和持續學習的能力，將變得更加重要。更長遠看，未來教育體系與產業之間的連接會更緊密。職業規劃、自我認知以及能力培養等過去容易被忽視的環節，也將通過新的教育產品和服務獲得更多支持。

談及今天的高考與十年前的區別，查天晨認為，一個明顯變化是對于學習結果的關注正在超過學習時間本身。「如果學生可以半小時學會，半小時就可以離開。」在他看來，未來學習并不一定意味著投入更多時間，而是能夠以更高效率完成學習目標，讓學生擁有更多自主安排時間的空間。

對于企業經營，查天晨則用一句話概括自己的理念：「在因上努力，在果上隨緣。」無論產品形態如何變化，最終仍然要把客戶、學生和合作伙伴服務好。

從 AI 導學、動態測評到教育智能硬件，幾位嘉賓分享的實踐路徑各不相同，但討論最終都回到了《2026 中國教育消費與學習場景報告》提出的核心問題：當知識獲取越來越容易之后，教育產品還能創造什么價值？對于這個問題，答案或許并不在更多內容，而在更好的學習體驗、更精準的個性化服務，以及對成長過程更持續的理解與陪伴。而這些變化，也正在構成教育消費與學習場景演進的新方向。

2026 年 6 月，亞太地區規模最大的教育盛會「學與教博覽」將在中國香港會議展覽中心盛大舉辦，點擊下方圖片，了解更多！

香港展會注冊鏈接：https://registration.ltexpo.org/?promotion_code=Rene

教育行業流量格局大變革！

AI 搜索時代已至，掃碼下方二維碼添加好友并備注「GEO」，

立即解鎖 AI 搜索流量紅利