夸克学习产品突围：越硬的骨头，越值得啃

在大模型加速平权化的时代，很多赛道都开始走向内容泡沫化和产品同质化。但也总有一些场景，不轻易追热点，但有更加扎实的场景。

AI 学习，就是其中之一。表面上看，它是一个高度非标、低度复利的慢赛道。而正是慢，才让其意义有新的浮现。

前几天跟夸克学习负责人程飞进行了对话，有一些体会，跟各位分享一下。或有启发。

Part1 为什么说学习 ≠ 教育？

乍一听，会误以为学习即教育，教育即学习。但夸克学习给出了不一样的视角：教育是体系化供给，学习是个体化选择。教育是外部输入，而学习是内部驱动。

从这个角度看，夸克学习产品关注的不是课堂、教材、教研体系，而是一个场景：主动学习。

谁是这个场景下的典型用户？

- 作业之外要进阶的中学生、大学生

- 忙于工作，但要寻求提升的职场人，比如医师资格证这样的职业考试

- 想要辅导孩子但力不从心的家长

他们的共同特征是：不等着老师讲，而是先开始自己找答案。

像搜题这样的场景意义就变了。

一开始，搜题、讲题、批改这些，是效率工具，帮忙解决被动作业、被动教育的问题；

接下来，则是在搜题、学习过程中，提供的「服务」。

从搜索一个问题，到理解一个知识点，到掌握一类解法，再到构建认知结构。

这个过程中，工具负责触达，服务决定留存。

这恰恰对应了夸克做学习产品的起点：工具型产品做流量，服务型产品做留存。

夸克学习把这类用户定义为「主动学习人群」。他们不是平台的被动受众，而是可以通过产品产生反复关系、长期留存的核心用户。

在这种从路人用户，到核心用户的逻辑之上，就有了产品与服务的层次。

Part2 从产品到服务

夸克学习的产品布局可以划分为三个层级：

1. 基础层：解决问题的效率工具

这一层解决的是「用户有没有用」的问题。比如：

- 拍照搜题，快速定位题目与答案；

- AI 讲题，提供过程性解析与考点标注；

- 作业批改与资料查询，提高学习闭环效率。

这是入口，也是底座。基础服务是否稳定高效，直接决定了产品能否建立使用习惯。

2. 进阶层：从工具到陪伴

这一层解决的是「用户愿不愿长期用」的问题。

2025 年初上线的 「AI 解题大师」和「小灵老师」，标志着夸克学习从「AI 工具」迈入「AI 陪伴」。

看似都是工具，但一个人格化的老师的意义就不同了。AI解题大师和小灵老师的目标不是直接告诉你答案，而是以「一个老师的口吻」讲清楚这道题的本质、考情、难度、易错点和变式练法。

之前与在线教育和在线医疗的朋友沟通，发现都有一致的行业痛点：用户在功能之外，需要有情感化的交互。正如我们看到一位老大夫的安全感，我们需要看到一个具象的安全感。

同时，这种交互并不是单向的，还是反复来回交互的。这在刚刚说的功能价值之外，又叠加了一层有意思的情绪价值。

3. 未来层：从陪伴到个性化家教

如果说前两个层级解决的是「点状能力」，那么 AI 家教要做的就是「路径规划」。

它会基于用户画像，设定学习目标、拆解任务路径、推送每日任务，包括通过 AI 测试题评估掌握程度，形成完整的「目标 - 方法 -反馈」闭环。过去的老师很难确保照顾到每个同学，只能以最大公约数去授课和讲题、安排路径。而只有少数人有条件请家教，定向指定学习计划。而 AI 就是更好解决这个问题的方式。

这跟前面提到的，主动学习才是核心用户，就有巧妙的关联。正因为是有积极性的学习用户，才更有诉求得到个性化的学习方案和学习指导，而不是随意地接受被动式的填鸭教育。

而这种个性化的能力，要比推荐商品、推荐短视频的复杂度高得多，更需要时间和数据的沉淀。

Part3 产研支持：厚积才能薄发

要实现上面提到的分层结构，背后至少要有四件事在底下撑着：

1. 题库系统

夸克不是传统意义上的教育内容平台，但却是全国最大规模的动态题库供给方之一。题库背后，是用户不断拍题、提问、修正、讲解形成的「实时语料」库，而非死板的教辅导入。这种语料结构天然适合训练生成式 AI 的「解释能力」，也构成了夸克大模型教育场景的基础。

2. 多模态支持

AI 讲题的过程不仅需要 NLP（自然语言处理），还需要：

- OCR能力（图文识别、版式解析）

- 数学公式结构还原能力

- 图形题可视化能力

- 语音/视频输出能力

讲题不是生成一段话，而是生成一个过程。这对 AI 的要求不只是语言理解，而是跨模态的教学能力构建。

目前，夸克的智能中枢可以调用多个Agent去进行协作，以帮助用户解决实际问题。在学习场景上，深度思考可以更好地理解题目和知识点，然后把扫描、解题等专业Agent串联在一起，形成一个完整的任务流，最终把思考过程、解题方法和答案封装，呈现给用户。

其中，多模态的 AI 学习过去并没有太受到重视，还是因为思考深度不够，不足以支持动态教学。夸克正在重点解决这方面的体验。

3. 深度思考

年初我们对 DeepSeek 出世的兴奋，不仅源于对其性能的意外，还源于，门槛降低后，能覆盖的场景将会大有变化。

而正如我在之前聊到 Manus 时提到的，深度思考原本应该能够帮助我们解决很多任务。目前的 ChatBot 只是让他局限在提供信息的对话之中了。

落到场景里，才是深度思考的归宿。很多锤子找钉子的场景之外，学习的确是难得适配的好场景。

在多模态的更多复杂交互基础上，深度思考也会发挥更拔群的效果。

4. 学习画像

想要达到个性化家教的水准，必须有三个要素：

- 用户行为数据（错题、提问、查找路径）

- 用户知识掌握度（什么学会了，什么还不会）

- 用户目标导向（中考、高考、考研、职考、小孩家教等）

夸克学习天然有这些场景数据的优势，以及用户日常习惯的记录。通过日常行为构建不同用户的「学习画像」，就能理解用户接下来需要什么样的内容，以及需要走什么样的路径。

Part4 慢赛道的硬骨头

总的来说，学习看似简单，实际是脏活累活。做好学习就要求：

- 内容所要求的准确率和适配度；

- 用户所要求的信任感和情绪价值；

- 场景所要求的非标交互和个性响应。

夸克学习积累下的脏活累活之上的壁垒，也是三方面：

- 作为搜索起家的内容调度与分发能力；

- 多年垂直领域里， AI 产品的能力结构与技术中台；

- 以实际场景，效率工具为入口沉淀下来的庞大「主动学习人群」。

AI 浪潮把很多事情变得看起来都能做，但真正做得成的，还得是有沉淀和积累，并且长期颇有价值的领域。

硬骨头难啃，但啃下来，就能成为护城河。

AI 的未来，不会靠谁发模型发得多，而是靠谁能在一个垂直场景里，把模型打磨成「真实可用」的服务体验。就像之前跟庄明浩老师聊的，2025 年必然会成为 AI 场景元年。

题图由 Midjourney 绘制。