飞象老师3.0，再次打破了教育AI的边界

风口开始转向了。

全球AI过去几年的主战场是模型参数和基础能力，谁的模型更大、基准测试分数更高，谁就有话语权。今年出现了一个明显的转向：前沿技术的竞争焦点，正从模型本身转到真实业务里。

这个时候，造产品的能力开始比做工具的能力更重要。

在这场从模型到业务的下沉中，教育是最受关注的场景之一。谷歌、OpenAI、Anthropic等全球科技巨头今年先后推出新产品，把AI能力嵌进真实的教学场景。

反观国内，很多教育AI公司还在做问答、备课、生成内容这类基础工具，很少有人从更高的层面去想教育数字化应该长成什么样子。

不过也有例外。飞象老师3.0最近上线应用生成能力，引发市场关注。用户一句话就能造出带用户体系和数据存储的教育应用，直接从做工具跨到了造产品这一层。

这让本就走在赛道前列的飞象老师，领先优势进一步扩大，在全球AI教育赛道跑出了一个中国样本。

全球AI加速下沉教育，飞象选了一条不同的路

全球AI行业的目光，正在齐刷刷聚焦教育。

今年5到7月，OpenAI、谷歌、Anthropic三家巨头集中推出教育类产品。谷歌发布全新AI学习工具，OpenAI上线教育插件，Anthropic推出Claude for Teachers。

这背后有清晰的逻辑。模型能力的差距在缩小，国际前沿技术的竞争焦点正从参数和基础能力转到业务的真实场景里。拿教育领域来说，谁能把AI嵌进真实的教学流程，谁才能拿到下一轮的话语权。

跟全球巨头的动作比起来，许多国内的教育AI公司要落后一步。它们也在布局场景落地，但大多还停留在被动应答、备课提效、内容生成这一层。很少有人站在更高的维度思考，教育数字化的未来应该是什么形态。大家都在同一个维度上比拼效率，差异越来越小。

在这样的背景下，飞象老师3.0选择了应用生成这个方向，而且思路跟全球巨头们不同。

谷歌、OpenAI、Anthropic的产品大多是在通用模型上叠加教育场景，用户还是在使用AI提供的功能，AI给你答案、课件和批改结果。飞象换了一种方式，让用户自己描述需求，生成可运行的教育应用，用户从功能的使用者变成了产品的创造者。

我试了几个已经跑起来的应用，挺有意思。

先看理科的。生物课上讲动物运动，以前只能放图片或者视频，学生看完还是没概念，六条腿怎么协调、不同步态有什么区别，脑子里没有画面。

六足步态实验室这个应用，让学生可以直接操控一个六足运动学系统，切换三角步态和涟漪步态，调整步频、步幅和抬腿高度，观察六条腿在越障过程中的协调运动。学生自己动手调一遍参数，比老师讲十遍都管用。

理科的实验能做交互，分子结构也能做成交互。化学课上讲苯的结构，以前就是在黑板上画凯库勒式，学生很难理解为什么苯的碳碳键既不是单键也不是双键。

苯分子三维结构这个应用，让学生可以切换球棍模型和空间填充模式，拖拽旋转分子，观察六个碳原子组成的平面正六边形，以及中间离域大π键的电子云分布，同步显示键长、键角和芳香性的详细说明，转一下结构就理解了。

理科的应用有意思，文科的也不差。星球纹理实验室让学生可以选择木星、火星、月球等不同天体，查看星球的表面纹理、大气成分和物理参数。木星的条纹大气、火星的红色地表、月球的环形山，都能放大观察细节。

语文课的《雷雨》人物关系图则基于D3力导向布局构建，按照四幕剧情的节奏逐步揭示人物关系，帮助学生梳理复杂的人物网络，同时保留文学阅读的探索过程。

课堂教学的应用解决了，课后管理的需求也跟着来了。

班级错题档案这个应用，能按每个学生建立独立的错题追踪，老师上传错题图片，AI自动识别题目内容，给出错题原因，还会根据错题分布定制下一轮适合练习的题型。系统记录每个学生的错题总数、未掌握数量、最近正确率和待练题型，学生的掌握状态会随上传和标记自动更新。

这些应用覆盖了不同学科和教学环节，每一个都是能长期使用的产品，解决的都是非常具体的教学痛点。过去这些痛点要么靠老师手动解决，要么根本没有软件公司愿意做，因为需求太分散、开发成本太高。

当其他公司还在做工具的时候，飞象已经让用户开始造产品了。它跳出了同质化比拼的框架，提前跑出来几个身位，形成了阶段性的断崖式领先。

全球AI产业正在经历三重变革，飞象踩中了每一个节点

飞象能做到应用生成，不是偶然的。放到更大的背景下看，全球AI产业正在经历三重变革，飞象正好踩中了每一个节点。

第一重变革，AI进入行业深水区，场景理解比模型能力更关键。

AI进入行业深水区之后，真正的壁垒来自对具体行业的理解和渗透。教育是AI深水区里最复杂的场景之一，从备课、上课到练习、批改，再到反馈和个性化辅导，教学流程长、环节多、专业性强，每个环节都有自己的逻辑。

通用模型可以回答问题、生成文本，但它对教学流程的理解是表层的。老师备课的时候需要什么，一节课的流程怎么设计，学生在哪个环节容易卡住，这些东西通用模型往往摸不透。

飞象从1.0到3.0的路线，是沿着教学流程一步步走过来的。1.0做互动课件，解决备课效率的问题；2.0升级为整节互动课，覆盖上课环节，加上了AI命题、组题、作文批改、错因诊断；3.0才到应用生成，把前面积累的能力打包成可以被调用的基础设施。

这个顺序是教育流程驱动的，先吃透场景再堆技术。对教育场景的深度理解，是飞象能做应用生成的基础。

第二重变革，AI正在重塑产品开发的底层逻辑。

传统软件开发是规划驱动的，先定需求再做开发，一个版本管半年一年，产品经理把需求文档写得清清楚楚，开发团队按部就班地做。AI时代的产品是反馈驱动的，模型在进化，用户需求在变化，产品需要持续迭代才能跟上。你半年才更新一个版本，等你发布的时候，模型已经换了三代，用户的需求也变了。

高频迭代因此成了AI原生产品的生存要求。

飞象的迭代节奏，正是这种开发范式的体现。从1.0到2.0用了五个月，从2.0到3.0用了三个月，节奏在加快。每一步都在解决教学流程中更靠后的问题，这不是刻意追速度，是AI原生产品的自然节奏。飞象在教育这个垂直场景里，有自己的落地步调与深度，在教育场景落地这件事上跟全球巨头比也不落下风。

第三重变革，AI产业格局正在重构，分层协作成为趋势。

全球AI产业，正在从一家通吃走向各司其职的分工格局。通用大模型覆盖的场景多，做的是广度，尽量让更多行业都能用起来。垂直大模型在特定行业扎得深，做的是专业壁垒，把一个行业的能力做透。两者是分工关系，通用模型负责提供基础能力，垂直模型负责把这些能力转化成具体行业能用的产品。

飞象走的是垂直大模型的路线，把教育能力贯穿模型训练全过程。作业批改、错因诊断、个性化出题这些能力，训练时就长在模型里了。

这一点很关键。如果教育能力是调用时临时生成的，每次生成的质量可能不稳定，应用调用的时候也会有延迟。训练时就注入的能力，调用的时候直接用，质量稳定，响应也快。

这种从训练阶段注入专业能力的做法，是垂直大模型的核心壁垒。

AI的下一个十年，从应用生成开始

飞象的应用生成，放在AI行业的大趋势里看，意义不止于教育。

AI产品形态到现在经历了三次跃迁。

第一次是对话式AI，人跟AI聊天获取信息，ChatGPT是代表。用户输入问题，AI给出答案，交互方式是对话。

第二次是Agent和插件，AI能调用工具完成任务，用户说一个目标，AI自己拆解步骤、调用工具、执行任务。交互方式从问答变成了目标驱动。

第三次是应用生成，AI直接产出完整的、可运行的产品。用户描述一个需求，AI生成一个有界面、有功能、有数据存储的应用，有独立链接，可以分享给别人使用。交互方式从使用功能变成了创造产品。

每一次跃迁都在降低普通人使用AI的门槛，也在重新定义AI产品的交付方式。从对话到执行任务，再到创造产品，门槛一步步往下走。

飞象的应用生成，是第三次跃迁在教育场景的落地。这个方向如果跑通，会对整个AI行业的产品形态革新有很大价值。

产品形态变了，AI在产业中的角色也在变。

AI正在从工具变成行业基础设施，过去是打开APP用完就走的独立工具，现在渗透到每个行业的业务流程里，变成离不开的底层能力。

基础设施之上需要应用层。每个行业都需要大量的、长尾的、贴合具体场景的AI应用，这些应用靠软件公司一个个做不过来。需求太分散，学校、医院、律所这些场景的需求各不相同，软件公司不可能为每个长尾需求都开发一个产品。

飞象在教育场景验证了应用生成的模式，用户自己就能造应用。老师需要什么应用，自己描述需求就能生成，不用等软件公司排期。这套打法可以从教育复制到法律、医疗、企业服务等很多领域，对整个行业都有参考价值。

当AI变成基础设施之后，竞争的逻辑也跟着变了。

全球AI竞争的下半场，是生态战。

模型能力会趋同，参数和基准测试的差距会越来越小，你追我赶差距不会太大。今天你领先几个点，明天我就追上来了，模型层面的领先很难长期保持。

真正的壁垒是生态。平台上有多少好应用、多少活跃的创造者，生态一旦形成，用户和创造者都会沉淀下来。应用多了用户愿意来，用户多了创造者愿意开发，形成正向循环，后来者很难靠单纯的模型能力翻盘。

飞象的应用生成，本质上是在搭一个生态的入口。用户在上面创造应用，应用吸引更多用户，用户和应用互相拉动，生态的雏形就有了。在全球AI从模型竞争转到生态竞争的大趋势下，这个布局比单纯的模型领先更有价值。

AI行业的游戏规则正在被重写。

飞象老师3.0在教育场景里跑通了应用生成，证明了一件事：当造应用的门槛降到一句话，竞争的维度就彻底变了。未来比的不再是谁的模型更大，而是谁的平台上能长出更多好产品。

这不止是教育AI的转折点，也是全球AI行业下一个十年的起点