2026WAIC观察：AI应用进入「可体验时代」，AI原生公司与爱为舞给出样本

编辑｜Sia

在今天的 WAIC 现场，学习已经变成酱婶儿了：

拍题不搞「剧透」，AI 先追问你依据是什么？

写作文不请「枪手」，反倒教你怎么「化妆」；

还能一键穿越，和「孔子」坐而论道......

没错，首次参展的 AI 原生企业与爱为舞，直接把一座开放式「AI 学习实验室」搬进了世博展览馆 H2-E505 展位。

没有大屏循环播片，也不是观众站一圈看完就走。你是真的能坐下来，亲手一试：学习这件事，确实换了个打开方式。

这也是今年 WAIC 最值得琢磨的变化之一。

去年，大家还在集体围观大模型、人形机器人、AI 终端。到了今年，问题更深入到这些 AI 应用，到底有没有真正走进生活？

展馆里，垂直领域的专业智能体密集亮相，比拼工作流顺不顺、任务能不能跑起来、商业闭环到底有没有。

教育与陪伴，成了观察这场「务实跃迁」的最佳窗口。

毕竟，教育行业讲了很多年因材施教，但真到了产品里，很多 AI 还是停在搜题、批改、生成讲解。至于为什么一讲就会、一做就错，AI 没真正看见。

现在，与爱为舞的学习 Agent 开始撬动这个僵局。

学习这个事儿，终于换了个姿势

在「爱学 AI 学习智能体」体验区，我们先试了试「爱学拍讲智能体」。

拍照搜题，都不陌生：拍一下，出答案，抄步骤，下一题。还能玩出什么花儿？

现场体验下来，打开方式确实变了：「搜题即答案」，变成了「搜题即思路」。

随手拍了一道初中几何题。

系统很快识别出题目，接着智能体开始带着我们推理。

先问：

∠1 + ∠2 = 180°，同时 ∠1 和 ∠DGE 也是邻补角，也能凑成 180°。那 ∠2 和 ∠DGE 为什么相等？

我们故意含糊其辞：它们都和 ∠1 有关系。

智能体没放过我们，继续追问：

这个依据叫什么？

直到说出「同角的补角相等」这个知识点，它才继续往下推进：

∠2 = ∠DGE，所以可以根据同位角相等推出 AB ∥ EG；
再利用平行线性质，得到 ∠3 = ∠ADE；
结合题目给出的 ∠3 = ∠B，通过等量代换推出 ∠ADE = ∠B；
最后根据同位角相等，两直线平行，推出 DE ∥ BC。

过程中，为了不让你走神儿，几乎每隔一两分钟，每到一个推理节点、一个知识要点，智能体都会 cue 你——

答得对，继续推进；答得模糊，追问依据；答错了，就降一阶给提示，或者带你回顾相关知识点。

讲题，就这样变成了一个可以交互、追问、纠错的思维过程。

体验完智能体如何讲透一道题后，我们又上了一堂 AI 英语课：

一道题讲得清楚，一节课也能 hold 住？

这是一堂英文写作课，学习怎么润色句子。

老师「 AI 心语」出现在屏幕右上角，很像真人，主区域则是一块动态板书。

一句最朴素的英文句子放到黑板中央：

• A bird sat in the tree.

然后，「 AI 心语」带着我给这句话「化妆」。

先在 tree 前加形容词，比如 green，句子变成：

• A bird sat in the green tree.

再在动词后加副词，让鸟儿坐得更具体；

继续加介词短语，补充这只鸟在哪里、来自哪里；

再加非谓语短语，写出它当时正在做什么；

最后加原因从句，把动作背后的理由也补上。

十几分钟后，一个低配句子，被一层层「补妆」，变成更完整、更有画面感的表达。

这节课最不同的地方是，「 AI 心语」没有一路自说自话。

我会被不断 cue 到：填一个词，补一个短语，判断哪部分是形容词、副词，甚至来场 PK 小游戏。

而且，可以自由回答。

比如，我故意坚持用 sadly 描写鸟儿状态，还反问：我觉得你的答案一点儿都不好，我就想用这个。

「 AI 心语」没有直接判错。

先肯定这个想法有自己的特点，再提醒题目希望使用更阳光、正向的词汇，随后把话题拉回「副词修饰动词」这个知识点。

我又故意说：哎呀，不记得你刚才讲什么了。或者，什么是非谓语动词呀？

她又会停下来重复或者解释，再把课堂节奏接回去。

更有意思的是，没有预制 PPT，「 AI 心语」会根据互动内容，现场板书。

需要填空的地方，会被标出来：

我的回答也会出现在板书上，并被高亮：

答错了，错误答案会被划掉；该给提示时，线索也会适时弹出来。

一节课下来，角色反转：

• 学员被推到了 C 位：要开口，要选择，要判断，要犯错，也要把自己的思路暴露出来。
• 
  
• AI 成了陪练：追问、提示、纠偏，带着你一步步往前走。

而当我们转头和大屏上的「孔子」对话时，立马感觉穿越了。

屏幕里是一间古色古香的书斋。竹简、木案、旧墙、素色衣袍，一个长髯垂胸的孔子数字人站在中央。

https://mp.weixin.qq.com/s/U9CbR5dS_peZ-SzToK7G6A

他一开口，就有点穿越：

「今逢后世二零二六年……」

我们问他：如果看到今天 AI 的发展，未来学习会变成什么样？

孔子微微停顿，很快接上：

吾昔倡有教无类，因材施教，今此智能体，正可弥资源之壑，顺学子之性，令学皆得其所宜，人人皆能乐学善知，汝以为此智器于蒙童之教，最可补今之弊。

措辞、语气、眼神、表情都撑住了，微微颔首、抱拳作揖这些小动作也很自然。一时间，真有点忘了自己面对的是 AI 。

几轮对话下来，AI 教育里常说的个性化学习、因材施教，被放回孔子的语境里，突然有了跨时空的回声。原来，传统知识也可以变成一个可对话、可进入的现场。

从给答案到会教人，中间差了一个自研「大脑」

几轮体验下来，最值得注意的并不是某个功能有多炫，而是同一个变化反复出现：

AI 开始知道，学生给出反馈之后，下一步该怎么走。

这正是 AI 教育最难的地方。

过去很多产品解决的是有没有答案、讲解够不够完整。但真实学习里，更关键的问题常常发生在答案之外：

学生为什么卡住？这个回答算不算真懂？现在该继续追问，还是换一种提示？该把知识点拆细，还是让学生自己再试一次？

这些判断，过去属于资深教师的隐形经验。现在，爱学试图把它变成模型能力。

这也是爱学大模型在整套学习 Agent 里的位置。它并不只是负责生成一段讲解，而是承担教学决策中枢的角色：

先识别学生状态，再判断下一步策略，最后把策略落到语言、板书、互动节奏和课堂流程里。

拍讲智能体里，这一点最直观。

同样是拍一道题，普通搜题产品会把答案和步骤直接摊出来。「爱学拍讲智能体」没有急着「剧透」，而是先追问，依据是什么。学生答得含糊，它继续追问；答到关键知识点，才推进下一步。

看似只是多问了一句，背后其实是教学逻辑的变化。

它要判断学生此刻缺的是知识点还是表达；也要判断什么时候该提示，什么时候该停下来让学生自己说。拍讲从「结果导向」变成「过程导向」，学习才有可能真正发生。

英语写作课上，也是如此。

当我们故意用 sadly 描写鸟儿状态时，「 AI 心语」没有直接判错，也没有简单给出标准答案。

它先接住这个表达，再把话题拉回「副词修饰动词」和写作语境。这种处理，比单纯纠错更接近真实老师的反应。

再往下看，动态板书也不只是视觉效果。

过去很多在线课堂的板书，本质上还是预制 PPT 。讲到哪一页，播到哪一步。学生回答错了，板书不会真的「看见」这个错误。

这次不一样。

在写作课里，学生填出的词会出现在画面上，错误答案会被划掉，关键位置会被标注，线索提示也会适时弹出。板书开始跟着学生反馈变化。

这意味着，模型输出的不只是「说什么」，还包括画什么、标哪里、什么时候擦掉、什么时候提示。教学思路被实时摊开，学生也能看到自己的思考过程如何被修正。

再进一步，是课堂节奏。

真正的课堂不会按脚本一路播放。学生可能回答说「不记得了」、「什么是非谓语动词」、甚至挑战所谓的标准回答。

这时，AI 要判断这句话是提问、跑题，还是没听懂；接下来要重复、解释、推进，还是降阶讲。

能不能接住这些变化，才是学习 Agent 和普通问答工具的分水岭。

所以，爱学大模型背后的技术重点，并不在于把一个大模型套进教育场景，而是把教学拆成一连串可感知、可判断、可执行的动作。

为此，爱学大模型吃进了大量真实课堂里的教学因果链。学生怎么答，老师怎么接，哪种追问有效，哪种提示会直接泄题，这些都要被持续训练和校准。

同时，它还搭了一套双重评测体系。

一边盯指令遵循，确保不透题、不跑偏；一边用更强模型和教研标准评估回答质量，看它是不是语气自然、简洁明了、逻辑连贯、针对性强。

这套体系带来的结果，是爱学大模型的指令遵循稳定在 99% 以上——我们体验过的「追问依据叫什么」、「先肯定 sadly 修饰鸟儿的创意，再纠正语义方向」，背后都是这套机制的功劳。

对错判断变得更准，线上 badcase 率也大幅下降。

不过，如果只做到这里，它仍然只是一个「此刻很会教」的系统。

真正让它更像学习 Agent 的是，自我进化。

为此，爱学还设计了一套数据飞轮。

• 线下小飞轮（安全试错）：在上线前，让模型在基于合成数据的虚拟课堂里反复「翻车」、反复修正，完成冷启动和基础策略迭代。
• 
  
• 线上大飞轮（实战进化）：捕捉真实学生的每一次停顿、沉默、打断和错误。这些行为变成了强化学习的「反馈信号」，转化为新的教学技能（ Skill ），通过沙箱验证后再反哺给线上模型。

至此，学习 Agent 完成闭环：懂学生，做决策，执行教学动作，再从真实反馈里长出新的教学能力。

这也是 AI 教育最值得关注的范式变化。

多模态加持：大脑有了，身体也得跟上

学习智能体光有一颗「大脑」，还不够。

它要真正进入学习现场，还得能听、能说、能看、能呈现。

这就是多模态身体的价值。

数字人让 AI 有了形象；语音让它听得清、接得住；多模态生成则把知识从课本里拎出来，变成可对话、可进入的现场。

先看最直观的数字人。

在教育场景里，数字人不能只是一个会动的头像。它要能讲课、互动、转场、接话，还要撑住一整节课。

这件事并不轻松。

过去做高精度 3D 数字人，多少有点「棚拍工程」的味道。多视角采集、相机标定、复杂制作流程，一个都少不了。门槛高，周期长，成本也下不来。

爱学押注 3D 高斯路线，直接啃掉了两块硬骨头。

一个是更容易做出来。

爱学提出的 AnyAvatar 算法瞄准的是一个长期制约高质量数字人落地的核心问题：如何在相机未经专业标定、拍摄条件不受严格控制的环境下，快速构建高保真的 3D 高斯头部数字人。

传统方案高度依赖精确的相机内外参数，轻微的位姿误差都会导致面部几何错位、纹理漂移和跨视角不一致，AnyAvatar 将这一流程重构为统一的自校准建模框架：

系统首先利用通用模型预测粗略相机位姿，再通过可行性引导的 FLAME 初始化定位合理的头部空间，并将相机位姿、FLAME 参数和 3D Gaussian 属性放入同一优化框架联合求解，在过程中持续修正相机误差。

简单来说，过去构建高质量数字人依赖「准确的相机」，而 AnyAvatar 则让系统具备了「自动校正相机」的能力，将拍摄几何、人脸先验和神经渲染统一到同一套优化体系中，使高保真数字人建模从专业摄影棚走向真实场景下的自动化生产。

最后落到产品上，就是门槛被打了下来。这项技术也已入选 ACM Multimedia 2026 。

另一块硬骨头，是长时间互动不出戏。

短视频里脸偶尔飘一下，用户可能划走就算了。但一节 AI 课里，学生会一直看着老师。脸崩、口型飘、表情僵，沉浸感立刻掉线。

爱学提出的 MoGaFace 算法瞄准的正是这个问题。

它要解决 3D 高斯数字人里更细、更致命的质量问题：人脸几何错位、纹理模糊、跨视角表情不一致。最终落到观感上，就是老师转头、讲解、表情变化时，脸部结构更稳，皮肤纹理更清楚，动态表情也更连贯。

更现实的是成本。

据介绍，导师资产前期单独建模，建好之后可以反复驱动调用；推理和渲染成本压下来后，消费级 GPU 就能流畅运行。

这意味着，高保真数字人不再只适合展台炫技，也有机会真正进入长期在线课堂。

但有形象还不够。AI 进入学习现场，第一道门槛其实是「听」。

展会现场很吵，旁边有人说话、混合着嘈杂的背景音在一起。「 AI 声纹降噪」体验区展示的，就是在这种复杂环境里，把非目标人声和背景噪音都成功过滤掉，只保留干净清晰目标人声。

https://mp.weixin.qq.com/s/U9CbR5dS_peZ-SzToK7G6A

与「先降噪、再分离、再识别」的多模块拼接不同，爱学把「这是谁的声音」与「降噪增强」合到一起训练的端到端模型，从底层避免模块间的精度损耗。实测目标人声语音召回率 97%、精准率 98%，信噪比提升超过 15dB，降噪深度（降噪前后 delta 收益）达到40dB。此外，声纹注册门槛也已从 20 秒降到约10 秒。

这听起来像是一个音频处理技术，但是对于教育又非常关键，因为如果多人声同时进入教学 Agent，学习就无法正常进行了。

AI 一旦听错，后面的追问、纠错、评价全都会跑偏。尤其在低龄学习场景里，孩子说话慢、停顿多、表达不完整，系统既不能抢话，也不能把旁人的声音当成学生回答。

最后，是多模态生成。

如果数字人和语音解决的是 AI 如何进入学习现场，那么多模态生成解决的，就是知识怎么从课本里走出来。

数字「孔子」就是一个典型例子。

它的难点不只是让孔子开口。更难的是，让这个历史文化人物在形象、神态、语气、知识边界和思想气质上都立得住。

为此，爱学在静态上参考史料和经典画像，重塑五官、身型比例与春秋背景；在动态上塑造客观、沉稳、庄重又带有豁达感的神态；更关键的是，结合典籍中的孔子言行，用爱学大模型为他构建一套稳定的精神内核。

所以，用户面对的不是一个古风对口型头像，而是一个可以持续追问、持续对话的文化人格 Agent。

名画复原，也是类似逻辑。

爱学用自研 AI 短视频生成框架，把画作拆成故事线、场景、镜头和交互节点，让《清明上河图》、《千里江山图》变成可以第一视角走入的历史现场。

从「能演示」到「能交付」，全靠一副万人并发的钢筋骨架

前面讲的，是学习 Agent 怎么会教、怎么听、怎么说、怎么把课堂变成现场。

但真正落到产品里，还有一个更硬的问题：

这么复杂的一套系统，数万人同时在线时，还能不能跑得稳、接得住、答得快？

这一步，决定它到底是展台 Demo，还是能长期交付的产品。

一方面，AI 课堂的链路本来就长。

学生开口后，背后要经过语音识别、语言模型推理、语音合成、数字人驱动、音视频推流等多个环节。每一环都可能带来延迟，每一环都可能出错。

更麻烦的是，真实课堂不是标准流水线。

一万名学生，就有一万条学习进度、一万段上下文、一万个实时变化的课堂状态。有人卡在非谓语短语，有人正在追问，有人突然打断，有人中途退出，几分钟后又回来。

系统既要把延迟压到几乎无感，又要记住每个人学到了哪一步。回来之后，不能从头尬聊，还得接着刚才的地方继续。

所以，爱学硬拼的，还包括这层看不见的工程底座。

第一件事，是死磕首句延迟。

在大语言模型侧，爱学做了请求调度、安全审核和推理集群优化，再结合 KV Cache、PrefixCaching 等机制提升吞吐。面向教学场景里的结构化输出，还专门做了解码加速。

目的很直接：让 AI 的第一句话尽快出来。

别小看这「第一句话」。课堂里，首句一慢，学生的注意力就掉了。

语音侧也被拆开重做。

爱学把语音大模型里的 LLM 模块和 Token2Wav 模块分离部署，分别优化稳定性、首包速度、显存管理和缓存复用。前者保证生成不乱，后者保证声音尽快出来。

最终，语音大模型整体性能提升近 10 倍。即便叠加 ASR、语言模型、语音模型、数字人推理和音视频推流，端到端延迟仍能控制在约 1.5 秒。

这就是 WAIC 现场「丝滑感」的来源。

但 AI 课堂只快还不够。还得能恢复。

真实学习场景里，学生随时可能退出、回来、打断、跳步、答错。系统如果丢了状态，AI 就只能重新寒暄，课堂节奏直接断掉。

所以，爱学做了可重入设计。

它要能恢复学生当前所处的知识点、教学目标、互动历史和下一步策略。中途走开再回来，智能体知道刚才讲到了哪，也知道下一步该怎么接。

这点很关键。学习 Agent 的连续性，靠的不是记住几句聊天记录，而是记住一整段教学状态。

最后，还有一个容易被忽略的硬约束：安全上线。

学习 Agent 会不断更新模型、策略和 skill，但教育场景不能无约束试错。新策略上线前，必须先经过灰度、沙箱和安全校验。否则一次错误提示、一次提前透题、一次不合适的反馈，都可能直接影响学生体验。

讲到这里，爱学 AI 学习智能体的核心技术拼图，基本完整了。

一颗自研大模型，负责「因材施教」决策；
一副多模态身体，负责听清学生、表达内容、呈现知识；
一层工程底座，负责把这套复杂链路稳定跑在真实课堂里；

这些事情合在一起，才让每个人的 WAIC 现场体验得以成立。

7 月 17 日至 20 日，世界人工智能大会世博展览馆 H2-E505。欢迎亲自走进「与爱为舞爱学 AI 学习实验室」，去见证，去感知。