上海英语口语学习难开口？AI外教高频对话高效提分

一个团队, 人数还小于15人, 他们是怎样去完成那个叫做AI的、面向全球的产品的从无到有这一事情的, 同时也就是在做那个叫做商业化的验证工作的。

今年的末尾时候, 就是6月吧, 那个全球很厉害的科技教育公司, 弄出了一个专门给4岁到12岁的儿童用的, 靠人工智能来学习英语的新产品, 名字叫做Tutor Luna。

大家从芥末堆这里知道的情况是, 这个东西上线以后的大概一个月的时间段里面, 它的表现非常非常好, 好得超出了大家的期望值, 孩子们在里面可以张嘴说话, 每过20分钟的时间, 能够说出来的有用的单词或者短语的数量, 能达到60次到70次这么多, 到了8月份的时候, 收入的数字比7月份的数字增长了超过10倍那么一大截子。 #

市场上的少儿英语学习产品向来并不缺少, 但是区别于其他类型的产品, Tutor Luna探索出了“AI口语体系课”这个全新的产品形态, 并不是单纯地去卷模型, 也不是去堆功能, 而是瞄准了孩子不敢开口说的这个问题, 以长期能力提升作为目标, 于是让孩子有机会以更低的费用, 可以持续地、高频地与那媲美真人外教的AI老师进行对话。

#

谁也没有想到的是, 在和真人外教的课堂去比一比的情况下, 孩子在Tutor Luna这个课堂上的那个开口的次数反而还是更多了一点点的, 然后呢Tutor Luna的这个团队他们进行了一个分析, 他们说这是因为孩子和那个AI老师去交流的时候嘛, 他们所感受到的那个压力其实是要小一些的。

#

按照常规的路线继续走到底, Tutor Luna会接着把英语学习市场这块业务做得更深入一些。如果是从更长远的未来趋势以及更加广阔的视角角度去考虑问题这样的话, 那么AI英语口语体系课就绝对不是Tutor Luna发展的最终终点。 #

Tutor Luna这个团队他们不把学习英语这事儿仅仅当成终点, 而是把它看作是开始, 他们先把学习的最基础的引擎给搭建好, 让商业化的循环能够转起来, 然后才能往上走一步, 登上能力提升的第一个台阶, 这样也就可以迈出扩大科目范围还有走向全球化的第一步了。 #

一、AI口语体系课：让孩子无压力大声开口说 #

在英语学习这块儿领域里面, 已经存在了好多种不同的类别了。如果我们从学生的人数规模这个角度去分一下的话, 就有小班课、大班课以及一对一这种形式。

要是从在线上课的模式来看呢, 就包括录播课和直播课这两种。再从发生的场景方面来区分，有线上的也有线下的。另外, 要说是从人工智能的视角去看的, 还有比如AI外教课、AI口语学习这样的东西。

#

新推出的那一款叫做Tutor Luna的产品, 并不属于前面说的那些分类之内。相反, 它通过这种全新的办法, 去定义了一个全新的品类, 这个新的品类就被命名为“AI口语体系课”。 #

在这个课程里, 整个上课的全过程都是依靠AI来进行驱动的。通过这样的方式, 就可以比较系统地、全面地去强化孩子在使用口语这方面的能力水平。

#

Tutor Luna的业务负责人名叫金钱琛, 英文叫做Henry, 他向芥末堆解释了一个问题, 虽然AI口语体系课表面上看和录播课有点像, 但是这两者的底层逻辑是完全不同的, 录播课其实就是更高级的互动绘本, 动画教学还是以输入为主, 而AI口语体系课模拟的是一对一个的模式, 重点强调的是互动和用户输出。

#

另外一点是, 要区别于那种AI口语陪练的情况, 这个AI口语体系的课程, 最关键的所在地方, 在于学习必须是经过系统设计的, 需要按照一套完整的流程去进行。 #

教研以及测评方面的负责人是亚捷, 他进行了分析, 他觉得AI口语体系课是有其必要的存在的, 在语言启阶段那个时间点, 孩子真正需要的是那种可以理解的输入内容, 还需要结构化的重复训练这个行为, 而不是去面对那些随机的、日常的对话场景, 零散的沟通这种方式缺乏难度上的分级安排, 也缺少复现的机制, 所以往往就停留在浅层应答的那个水平上, 而体系化的AI口语课程能够按照认知的规律来设计进阶路径, 这样做可以帮助孩子实现螺旋式积累的过程。 #

对于重视教育结果的中国家长来讲, 他们更加认为那种可以把学习成果看得见的过程, 是要比仅仅能够说上几句更让人有吸引力的。

眼下, 这个全新物种已经在市场环节受到了检验, 并且给出了它提交出来的第一份答卷。

在一节长度为20分钟的单课里, 能够促成60到70次有效开口练习, 这一数据水平是真人一对一教学场景下的1.5到2倍左右, 同时也是线下小班课环境中的6到8倍左右。 #

对于单个的知识点来说, 可以完成六次以上的针对性训练。 #

首次那个课程, 它的完成率, 它是达到了百分之九十。 #

第一次回答就得答对, 这个准确率得达到百分之七十。

那些一开始就回答歪了的朋友里头, 大半人都能等到人工智能老师出来再次指点的关头, 然后把问题给弄明白并给出正确答案。 #

单用户平均每人在一周之内学习四次, 时间大概是八十分钟。 #

截至二〇二六年八月的时候, 对于那些已经完成了三十天观察期的、有好几百名的付费学习者这样的样本来进行考察的话, 在这些人里面, 他们的第三十天的时候依然保持活跃并且留存下来的比例, 达到了百分之九十八那么高。

我们能够看清楚, Tutor Luna这种主要的评估标准, 其实就在于开口的次数高不高, 还有课程完成的比率能不能做到位, 而不是说孩子到底掌握了什么样的单词, 或者是弄懂了怎么样的语法。 #

这些数据的表面情况, 初步地向我们证实了三个方面的重要事实, 第一个方面是人工智能技术可以很全面地交付一套完整的、有结构的课程体系；第二个方面是能够用那些规模化产品所具备的成本, 去提供一种互动密度, 而这一种互动的密度其实是超过了普通的真人课堂的水平的；第三个方面是客户群体愿意持续地使用这些服务产品, 而并不会说只是进行了第一次体验以后就选择离开。 #

从上线这个时间点开始往后算, 在屏幕的后面区域, 发生了一系列事情。这些事情让负责Tutor Luna的工作人员感觉非常意外并且没有预料到。

尽管AI口语体系课所模拟的情况是真人进行的单对单的授课模式, 可是, 该课程相较于真人实施的授课方式而言, 更能够使得孩子处于一种没有压力的状态之中, 并且让孩子大声地开口进行说话的表达行为。 #

团队甚至用令人惊讶这个词来形容孩子开口的次数。孩子在跟着Tutor Luna学习的时候, 会大声朗读课文。孩子还会手舞足蹈, 整个人的精神状态非常活泼。亚捷对此进行了分析。他认为这种情形恰恰能体现出AI课堂与真人课堂教学方式存在的差异。 #

当真人老师出现在画面中时, 孩子会产生一种被监督的心理感觉。在这种感觉下, 孩子的表达行为会变得更谨慎。而面对AI老师开展的低压力互动环节, 孩子能够放下心理上的防备。因此, 孩子更倾向于进行主动的语言输出。

团队这边还发现有这么个情况, 就是一部分孩子在和那个AI去互动的时候, 他们更倾向于去很自然地把母语给用上了, 然后就是向这个AI去求助了, 正是因为看到了这样的现象, 所以对于Tutor Luna呢它也在进行探索, 这种探索的目标是要搞出一个有限度的, 那种可以用母语来辅助的一个相关的机制。 #

作为一款新的产品, Tutor Luna自然也是存在缺点的, 比如说现在这个情况是还需要真人顾问来起到鼓励学生作用的, 同时也是需要向家长那边去反馈一下学习的情况的。 #

另外一点呢, 是有相关的家长给过反馈了, 觉得他们的孩子更加偏好于那种偏真人的形象来进行互动, 因此从未来的情况来看, Tutor Luna的这个整体形象是可能会有调整改版的打算的。

#

二、底层学习引擎：模拟真人老师工作流

#

Tutor Luna这件事, 之所以要叫做“AI口语体系课”, 其原因是它确实是建立在了一整套非常完整的AI底层学习引擎的基础之上的, 并且整个这个App里面的所有代码、所有素材以及所有脚本, 全部都是使用AI来进行生成的。 #

这个学习引擎, 是由四个那种实际存在的关键能力, 共同组成的, 它模拟的, 是真人老师的那种完整的工作流程。

#

教学内容生成系统, 会根据用户提供的明确的能力目标, 去为对应的学生个性化地生成一些例子、还有一些问题、特定的场景、练习题以及相关的互动内容。 #

这位老师助手呢, 主要的工作任务就是专门负责去创造出那些随着情况变化而不一样的提问内容, 同时也负责去制定那些用于辅导和教学的具体方法与策略。 #

关于记忆系统的这个机制, 它会去持续不断地理解学生在当下的那种能力的具体状态, 并且这个理解的过程是涵盖了能力这一维度、记忆这一维度以及情绪这一维度的。

学习效果评估系统这个事儿, 它不仅仅是在看你的答案是对的还是错的, 它还在看你表达出来的是不是完整的, 还会去判断你犯的错误到底是属于哪一类, 还要看在老师给出提示之后, 你是不是真的掌握住了, 更要看这一次教学的行动到底是不是真的有效果。 #

然后呢, 模型会根据这些评估出来的结果去进行更新, 不断地来优化教学的策略。

这四项能力联手弄出一个完整的循环, 这个循环从能力态度的辨别做起, 接着变成动态任务的产生环节, 然后转成即时的互动和反馈阶段, 再往后就进入持续的能力建模过程, 最后才走到学习策略的优化步骤。 #

Agent产品的负责人梁漩智作了如下分享, 他指出Tutor Luna的团队在起步阶段就已经计划利用人工智能技术来构建完整的一节课, 这一过程需要涵盖人工智能对话生成内容。该过程同时也需要涉及图片生成能力以及动画生成能力。

#

然而在项目早期阶段的技術能力还未达到足够稳定的状态。工作人员仍然不得不手动编写大量的课程资料。当时的技术只能做出一些具有个性化特征的回复动作。在处理长上下文的理解功能方面表现并不理想。在执行指令跟随任务的环节中表现也不能满足线上实时教学场景的需求。 #

就是在去年第四季度的时候, 代码生成这个能力到了拐点, 内容生成这个能力也到了同一个拐点, 这种状况使得利用人工智能技术去大规模生产高质量课程这件事变得成为可能, 在这个时候, Tutor Luna团队察觉到了这一情况, 团队成员一致认为现在是启动项目的合适时间点, 基于此种共识, 该团队开始了大力度的推进工作。

这个团队是采用小步快走的做法, 先在课后, 花上了一两分钟的学习时间, 拿去对那个底层AI引擎进行实验, 等到验证了可行性之后, 才把它应用到整节课里面去。 #

目前为止呢, Tutor Luna这个团队的成员们, 已经将课程生成了多个级别的内容, 每一个级别所覆盖到的内容, 都是包含了相当丰富的主题, 以及相应的单元。

#

借助这套引擎, Tutor Luna 已经完成了一件事情, 这事情是让那些非常依赖真人老师的课程交付工作, 转变成为一款可以大规模进行复制操作的产品。 #

三、Tutor Luna的下一步：进化为能力成长基础设施

#

导师Luna从人工智能英语口语体系课程出发, 但是这并不意味着就会仅仅停留在这样的一方面情况上面。 #

在过去的时期之内, 大多数的教育产品都是主要围绕着教材还有大纲以及知识点来进行设计的, 可是如今人工智能的出现这种情况发生了变化, 它让这些教育产品有可能发生转变, 就是从内容的分发系统开始, 一步一步地升级成为能够建立模型来表现能力的系统, 并且是朝着那个方向逐渐去发展。 #

在将来的时候, 真正属于非常强大的那些产品, 它们之间互相竞争的地方不一定在于谁说所拥有的内容数量更多一些, 而更多的是说谁更有本领能够看清楚具体的能力状况, 还有谁能更好地把这种能力进行细致的描述和刻画下去, 最后再做到把个人的实际能力水平给切实提升上来这样一个过程。 #

导师卢娜所渴望抵达的那个目标点, 也就是她一心想要去成为的, 并且最终也成为的一种人工智能教育类产品, 就这样子。 #

想要实现这个目标, 一蹴而就基本上是办不到的。因此, Tutor Luna团队就把这件事分阶段来处理, 从L1到L4设置了明确的阶段性目标, 让大家一步一步地去升级能力, 以此来覆盖更长的时间周期, 最终提供出更加全面和完善的实际功能。

在L1这个阶段, 团队把重点放在了结构化课程的执行上面。他们做出了Tutor Luna这款课程。这款产品是面向全球市场的。它是一款少儿英语口语的体系课。 #

在L2这个阶段里, 重点是要对课程进行动态的编排工作。

也就是说, 人工智能系统不应当只是简单地调整一次教学讲解的内容, 也不应当仅仅是更改某一道练习题目的设置情况, 而是需要具备一种能够根据实际情况, 自行确定课堂整体顺序的能力, 同时还可以灵活地决定教学的难度水平、练习任务的总量、师生间互动的具体方式以及整个教学过程的节奏快慢。 #

这样一来, 关于个性化学习的概念范围就会得到进一步的扩展, 其内涵将从原先仅仅关注于如何针对单个知识点进行教授这一层面, 逐渐延伸到如何去合理安排和组织开展一整堂课教学内容这样一个更宏观的操作环节中。

关于L3阶段, 它会进一步覆盖更长的学习周期。此时, 系统会进化为动态路径规划。用户将从简单的购买一门课程, 逐渐变为持续订阅一条条个性化的成长路径。等到那个时候, Tutor Luna能够持续建立适合长期学生的模型。它会诊断能力的变化。它会制定阶段性的目标。它还会跨课程、跨学科地调整学习路径。 #

长期愿景之中的那个L4阶段, Tutor Luna它将不再只是一位AI Tutor, 它会成为一个可以长期去陪伴孩子的能力成长方面的智能体, 同时它也是一个面向全球的人类能力成长基础设施, 这一点具体体现在它能够去理解一个人的能力、兴趣、目标、优势以及长期的发展趋势, 并且还能够去协调相关的内容、工具、还有老师和家长等方面的资源, 从而持续地去帮助一个人完成那种能力的成长。

从这个角度来看, 一开始就把课程设计成体系化的模式是很有必要的。如果不进行对学生学习状况的长期追踪, 后面的关卡就不能够解锁, 那么能力提升这件事也就没办法说得上来了。

Tutor Luna的目标并不是说够不着, 从0到1这个突破做起来其实挺难的, 后面还得一步一步去演化, 然后朝着10甚至100这么个方向发展。

眼下看, Tutor Luna这项目已经把L1这一步给赶上了, 接下来的计划是在2027年进入L2的核心阶段里, 到时候要把动态编排能力再往更多的学科, 还有更多的国家那边去复用。 #

四、跑通商业化飞轮：不另起炉灶制度大全，全球化与扩科同时进行 #

因为有了明确的阶段目标, 因为有了能复用的底层引擎, 所以Tutor Luna不需要从零做起, 就能快速扩科, 就能走向全球市场。 #

Tutor Luna会继续把英语学习产品做得更深, 同时, 它也在面向海外市场研发中文识字产品, 并且它还在规划数学学习产品。

咱们得看看英语、识字还有数学这仨学科, 它们各自用的知识和能力衡量标准那都是不一样的。就说学英语口语, 它得去辨认发音, 还得看词汇和句法这些东西, 最后还要有表达能力, 怎么训练? 是通过对话, 再加上追着问, 顺便纠错, 这样才能做到高频练习。

#

再来说中文识字这一块儿, 它主要的事儿就是得把字的外形和声音还有意思, 跟阅读这事儿之间的那个联系给建立起来。至于数学这门课, 它更看重的是思考的过程是什么样的, 错误都是怎么出来的, 还有解题的策略都有哪些。 #

这三个学科的背后, 它们所指向的那个底层的、非常一致的问题, 到底是什么? 这个问题具体可以拆解为: 处于学习过程中的学生现在是什么样的状态?

接下来应该在训练环节上增加什么内容或做什么练习? 在使用的方法论方面, 什么样的方式才是最为有效的选择? 在完成相应的训练之后, 该生在能力维度上会产生何种性质的变化。

#

对于Tutor Luna团队来说, 每进入一个学科的时候, 底层问题交给底层引擎解决, 团队只需要建设新的能力图谱、学科策略和交互方式。 #

全球化的逻辑也还是跟这个是一样的。它靠着过去很长时间积累下来的海外市场那边的能力, 再加上Henry以前在好多国家的海外业务方面有的那些实际操作的经验, Tutor Luna这东西一出来的时候呢, 目标就定在了全球这个地方上面了。 #

在推进本地化工作之时, 咱们得先把事情掰扯清楚, 也就是要分明白, 哪些东西是必须在全球范围内保持统一的, 而哪些内容是必须做本地化处理, 从而去避免陷入到两种极端情况下去: 一种情况是让所有环节全部全球统一, 那么就会导致家长们觉得产品不够了解他们自己的孩子；另外一种情况是让内容彻底全面地本地化, 这会导致团队规模不断膨胀、产品变得极其复杂, 最终没办法实现复用。

Tutor Luna这个团队觉得, 一个更加合理的架构呢, 应该是说那个底层的各种能力要在全球范围之内达成统一的那个状态, 然后呢在那些内容的模块方面, 要采用那种比较轻量的并且适应本地情况的那种方式进行一些本地化的处理, 再就是说到那个市场进入策略的时候, 需要做得非常深入地去进行本地化的这样一个工作。 #

在内容方面, 全球统一的内容要占到百分之七十到百分之八十, 而本地化的内容包要占到百分之二十到百分之三十。这样的比例既能够确保产品具有一致性, 又能够让不同国家的家长感觉到这个产品是真的理解到了自己的孩子的心意, 从而去获取这些家长的信任。

#

以英语为例, 全球统一的主课是一套专门为4到12岁的儿童设计的、对标剑桥和CEFR能力框架的体系化课程。本地化的补充资料则要根据不同的市场情况来敲定。 #

比如, 中国市场的配置是校内词汇与阅读衔接的补充包, 以及开口表达强化补充包；日本市场采用的是低压力的口语启动补充包, 加上每日短时间练习或发音节奏的补充包；而在东南亚市场呢, 则适合添加基础口语的高频使用补充包, 还有针对学校场景和家庭日常生活的补充包。

#

GTM要根据, 每个市场的家长们的购买动机来进行设计, 这样的话, 才能够实现深度本地化。

同一个叫做Tutor Luna的产品。在不同的市场。不能使用同一句话来做销售宣传。在中国可以这样讲。AI外教陪练加上校内英语提升。词汇阅读也要同步。关键是让孩子真正开口说。

#

在日本它的卖点是每天只要15分钟。用低压力的方式。让孩子自然地把话说出来。在东南亚可以这样介绍。它是高性价比的AI英语私教。每天练习口语。进步情况大家都能看得见。 #

通过分析可以发现, Tutor Luna所采用的全球化发展战略, 其核心并不是简单地使用同一门课程来面对所有的国际市场, 而是致力于坚守同一种关于学习效果的坚定承诺, 并针对分布在不同国家的各个家庭群体进行针对性的服务交付。

Tutor Luna这个人, 他正在让那个商业化的循环机器转起来, 怎么样才能让它转起来呢, 就是每增加一个学科, 还要每增加一个市场，这样的话, 底层的这些能力就被重复使用上了, 每增加一批真实的、学生和老师互动的学习场景, 学生的模型和教学的策略就会被变得更好一点, 技术的这种复用会让扩展的成本降低下来, 而产品的这种扩张又会增加数据的积累和收入的增加。

人们得知, 自今年9月起步起之后, Tutor Luna将进入到更有范围的国际市场中, 该过程会优先实现对泰越、以及日韩这两个地区的拓展操作上海英语口语学习上海英语口语学习，紧接着再行进入北美与欧洲的市场领域。 #

五、全球化AI应用团队：像乐队一样创作、协作

#

正是由于团队组织方面发挥了极其关键且不能轻易忽略的积极影响, 所以才具备了开发针对全球市场、并且是AI原生形态产品的能力。所谓真正意义上的全球化, 其本质首先体现在人才的结构构成以及创作的具体方式上, 这种状况在得到确立以后, 才有可能最终演变成具备竞争优势的产品能力与销售进入市场的GTM能力。 #

这支团队是在一开始就把全球化这个事情写进了他们的基因里面的, 他们并没有选择走那个传统的国际化的老路子, 这种老路子的做法是先设计出来一个标准的范本, 然后再把这个范本交给各个不同的国家去翻译语言、替换内容以及寻找渠道。

#

Henry说了, Tutor Luna团队在做创作和协作的时候, 表现得很像是一个乐队一样, 其中的成员不仅能够独立完成自己的部分, 也能够理解整首歌曲的含义。

#

教研、算法、产品、工程、市场的成员拥有自己的专业优势, 这一点对于判定一个人是否能够独自开展价值创造工作而言, 是一个具有决定意义的关键因素。

教研活动必须要有非常优秀的教育专家才行, 这些人得弄明白儿童是怎么学会语言的, 能把能力的刻度给定义清楚, 能设计出学习的路径, 还能判断出教学到底是不是有效的；算法方面要求在模型、数据训练、评估这些环节都要表现得特别突出；产品设计需要拥有真正的产品判断力；工程层面要有扎实的系统能力；市场部分要懂得渠道和销售。 #

与此同时, 他们还得拥有那种能够跨出专业界限去进行学习和配合协作的本事。正因为如此, 这才牵扯到了一大堆表现得很出色的 到底能不能聚在一起, 然后共同去整出一个完整的产品来这个问题。 #

教研那边得搞明白模型到底能干啥, 还有它特别容易在哪些地方出错, 然后要把那些很厉害的老师平时靠经验才能做出来的判断, 给变成一种固定的状态, 再加上一套用来测试的东西；算法那方面呢, 得把真实的教学过程给弄清楚, 要能把孩子们那种是真的不懂、还是因为害怕不敢说、或者根本没听懂, 又或者是虽然当时学会了但是没办法用到别的地方去这么几种情况给区分开；产品这部分, 必须得知道那个叫Tutor的系统应该怎么去观察、怎么做出判断、接下来该怎么行动；工程团队需要对最后呈现出来的体验保持高度的敏感；市场这块就得深入到本地用户里去, 看得透彻一点, 既要理解产品本身, 也要了解AI是嘛玩意儿, 最后还要把在当地积累的那些经验给转化成对产品的各种判断。 #

拿评测这个东西举例子来说说看哈, 这个环节里头牵扯到了好几个方面的本事, 一个是产品的本事还有技术的本事以及教研的本事也是有的, 这些东西能让人清清楚楚地看到这个团队是怎么像是一个乐队一样一起搞创作的事情, 还得不停地尝试去听声音的效果, 大家互相之间调整自己的音准配合得更好一点, 并且这个过程中舞台的中心位置也在不断地变化着。

团队要先对问题进行观察, 看看这个问题需要具备什么样的能力, 然后就让合适的那个人走到最显眼的地方去把问题解决掉, 一旦觉得某种体验是有效果的, 大家就会在一起商量形成一个关于产品的最终判断, 把这些东西慢慢积累起来, 变成评测集、训练数据和行为标准, 这样做是为了让后续的工作能够很快且很稳地落地实施, 并且能够把这个经验进行复制和放大。 #

AI Tutor这个东西, 它并不是按照一个固定好的剧本, 然后把那些提前制作好的课程内容一个一个播放给小孩子看。相反, 它必须处在互动的环境里, 持续地去理解孩子的心思, 根据情况动态地选择下一步应该采取怎样的教学策略。

这个过程就是不断地进行一种循环操作, 具体来说是先理解用户的情况, 然后又去判断当前的状态, 接着选择一个适合的策略, 再去观察最终产生的结果, 最后再把新的判断更新进去, Tutor Luna之所以需要一支这样的团队来支持, 其根本原因就在于此。

#

这支团队还有一个与众不同之处这一点是不言而喻的。 #

在品牌的支持之下, 在海外运营的助力之下, 以及在组织资源的托底之下, Tutor Luna团队在上海这个地方是以内部创业的方式从0到1推进了这项工作, 并且, 他们在产品决策方面、在团队组建方面以及在全程迭代节奏的把控方面, 都保持了较高程度的自主性这一状态是确实存在的。 #

正是这支核心的团队, 它的规模保持在15人以下。用了大约8个月的时间, 他们完成了产品的定义。他们还做了研发的工作。上线也是在这个阶段完成的。并且进行了初步的商业化的验证。

Tutor Luna的上海办公室

这或许就是 Tutor Luna 团队之所以能够研发出 AI 原生产品, 所具备的关键因素。

在获得资源支持以及保持较高自主性之间的平衡中, 该团队摸索出了一套, 适合 AI 产品类型进行快速迭代更新的组织管理模式与协作手段。并且, 他们还把这种形成的团队组织能力, 成功转化成了, 面向全球市场的产品竞争力。

#

结语 #

Tutor Luna的AI英语口语体系课用初步结果验证, 这意思是说AI Tutor正在实现从回答问题到参与教学决策的这个跨越。 #

在这个过程中呢, Tutor Luna初步形成了可复用的产品与技术能力, 通过底层学习引擎这一件事, 把每一次教学互动沉淀为可评估的数据, 以此来持续改善学生模型、教学策略和内容生成系统。

在将来的时间里, 针对Tutor Luna这一点, 会依靠更多其他国家还有各个学科里面的学生所积累起来的学习数据, 采用更加严厉的规范标准, 去对时间跨度比较长的一个阶段进行效果方面的测评工作, 以此来尝试着解答这样一个疑问事情: 就是AI Tutor这类工具到底有没有能力从只负责提供课程内容的服务角色这种状态出发, 成功升级转型成为能够真正帮助学生获得自身能力提升这样的服务内容提供者这一角色。 #

导师Luna在今天解决的是接下来要上的一堂课, 未来还想要去解决某一个人提升能力的接下来的事。下一代的人工智能教育产品会是什么样子, 目前还没有人能知晓, 然而像是Tutor Luna这样的先行者已经确定了方向, 正准备朝着未来的样子去前进。 #