吴恩达亲自下场，聚焦 AI 原生一对一教学

2026 年，全球在线教育已深度渗透，但“大规模个性化”始终是未完成的承诺。Andrew Ng 创办的 LearnVector 试图用生成式 AI 彻底重构一对一学习：不再把视频切片或题库推荐当作个性化，而是让 AI 扮演一个具备教学法意识、能实时调整策略的导师。其底层信念很清楚——当前大模型已经足够强，缺的是一套能持续理解学习者、并安全地执行教学决策的系统。LearnVector 选择从高中数学与编程两个高结构化领域切入，正是为了在可验证的知识体系里，把“AI 教师”做到可评估、可干预、可信任。

话题热度之所以迅速攀升，是因为它踩中了两个方向的交汇点：一边是公众对 AI 替代部分教育工作的期待与焦虑，另一边是教育科技公司迟迟无法用传统推荐系统突破效果天花板。吴恩达的号召力让这个概念获得了远超一般创业公司的关注，而 LearnVector 发布的首份技术白皮书也展示了不少扎实的工程选择，使其不会沦为空谈。

技术细节

LearnVector 的一对一学习并非单模型对话，而是一个多模态、多阶段的推理流水线。

输入侧 系统同时采集三类信号：第一是显式行为，包括作答记录、停顿时间、回看频次、解题草稿的编辑序列；第二是学习历史，以图结构存储知识点掌握度、遗忘曲线和先决依赖；第三是实时情绪与困惑信号，通过摄像头采集的面部微表情、语音语调（可选）以及文本犹豫标记（如反复修改输入框内容）推断出当前的学习状态。这三类信号被编码为统一的“学习者状态嵌入”，作为每次交互的上下文前缀。

推理/执行侧 采用多模型路由加教学策略库。简单事实性提问走一个精调的小模型以降低延迟和成本；需要多步推理、错误归因与认知诊断时，调用能力更强的大模型，并在提示中注入学生当前知识图谱与历史误解。核心创新是一个“教学策略规划器”，它不直接生成回复，而是先选择教学动作：直接解释、苏格拉底式追问、举一反三练习、正面激励或策略性沉默。规划器的输出会约束后续语言生成的方向。为了保证内容严谨，数学领域的所有推导都绑定一个符号计算引擎做验证，编程领域则与代码沙箱联动，即时运行学生代码并分析错误。

输出/评测侧 输出不仅是一段文字回复，还可附带交互式组件：可拖动的几何图形、补全代码片段、引导式提问卡片等。评测维度超越“答案对错”，引入认知诊断模型：通过学生在一组关联题目上的表现，更新其在每个子技能上的掌握概率，并据此动态生成后续任务。学习闭环由离线评估、在线 A/B 测试与人类教学专家审核三重机制保障，确保模型的指导不至于偏离有效教学路径。