文｜杨媛

编辑｜彭孝秋

一个中学生想理解具身智能，不一定要先从 " 感知 "、" 决策、" 执行 " 这些抽象概念开始。在飞象老师的 " 具身智能实验室 " 里，机器人本身成为学习对象。学生可以在仿真或任务驱动环境中，通过路线规划、行为控制和任务协作，观察机器人如何感知环境、做出决策并执行动作。

生物课上的细胞也可以从课本插图里 " 走出来 "。在飞象老师另一个 " 微观生命结构馆 " 中，细胞、神经元、白细胞等微观生命结构被转化成三维标本，学生可以旋转、拆解和观察不同结构，在 3D 展示、知识问答和笔记之间切换。这些过去需要专门开发的交互式教学工具，现在正在成为可以通过自然语言生成的教育应用。

近日，教育大模型产品飞象老师上线 3.0 版本。与三个月前的版本相比，这次最明显的变化，是生成内容的形态进一步从动画、课件和教学资源，延伸到可以直接运行的教育应用。

按照飞象老师的产品设计，用户只需要用自然语言描述需求，几分钟后就可以得到一个拥有独立访问链接的应用，无需编写代码或自行部署。生成后的应用可以调用 AI 模型，也支持用户注册、数据保存，并能够继续修改和迭代。

从生成一份课件，到生成一个能持续使用的应用

过去两年，生成教案、PPT、习题和教学动画，已经成为大模型进入教育场景的一种常见产品形态。但这类产品主要解决的仍然是内容生产问题：AI 帮助老师更快地得到一份教学材料。

飞象老师 3.0 试图再往前走一步。

例如，一位老师想让学生每天闯关背单词，只需要描述自己的教学设想，系统就可以生成一个 " 英语冒险岛 "，其中包括课程地图、学习关卡、听说练习、积分奖励、连续学习记录和个人进度。学生完成当天任务后，第二天重新进入应用，仍然可以从此前的学习进度继续。

这意味着 AI 生成的不再只是一份使用完就结束的教学材料，而是一套可以被反复进入、记录用户状态并持续运行的应用。

类似的逻辑也可以用于更具体的教学任务。在飞象老师展示的案例中，" 班级错题档案 " 可以自动归集全班学生的错题，并按照知识点、题型和学生维度沉淀错因；" 全校作业 " 则可以围绕统一知识点生成基础、进阶和挑战三档练习，并按照不同学生水平进行适配。

过去需要由老师分别寻找工具、整理数据甚至依赖软件系统完成的工作，开始可以被重新封装进一个根据需求生成的应用中。AI 不再只是生产一份内容，而是在尝试搭建一套能够持续运转的教学流程。

当应用可以即时生成，教学内容也开始发生变化

但降低教育应用的开发门槛，带来的可能不只是老师多了一种提高效率的工具。更值得关注的变化是：当制作一个教学应用的成本下降，一些过去开发成本较高、更新速度较慢的教学内容，也有机会以更轻量的方式出现。

具身智能实验室就是一个典型案例。

具身智能本身仍处在快速发展的阶段，涉及机器人感知、决策、执行以及任务协同等多个环节。飞象老师展示的 " 具身智能实验室 "，则试图把这些概念转化为可以操作和观察的学习过程。学生面对的不再只是一组概念，而是一个机器人任务场景：观察机器人的行动，通过路线规划、行为控制和任务协作理解背后的运行逻辑。

这至少展示了一种可能性——当教育应用可以通过 AI 更快生成，现实世界不断出现的新技术、新知识，也可能更快被重新组织成可交互的学习工具。

另一种变化，则发生在传统学科内部。生物学中的细胞结构、物理实验中的动态过程、数学中的空间几何，本身并不新，但长期以来，其中相当一部分知识依赖二维图片和文字解释。

飞象老师 3.0 增强了 3D 互动与专业图式生成能力。一张平面的细胞结构图，可以被转化成可旋转、可拆解、可点击查看标注的 3D 模型；复杂的物理过程，也可以进一步转化为动态演示。" 微观生命结构馆 " 正是这种能力的具体呈现。学生可以在不同细胞结构之间切换，从整体到局部观察其形态和功能。

类似的产品还有 3D 星球知识图谱、星球纹理实验室等。前者可以把教材中的章节和知识点重新组织成星球与卫星构成的知识图谱，后者则通过 3D 模型展示太阳系行星、卫星及其表面纹理。

从这个角度看，AI 生成教育应用带来的变化，并不只是 " 开发一个 App 变容易了 "。教育内容本身，也开始从标准化、静态和预制，向更即时、更交互、更可视化的形态延伸。

教育版 "Vibe Coding"，难点不只是把应用做出来

从技术形态来看，这并不是一个完全陌生的故事。随着 AI Coding 能力提升，用自然语言生成网页和简单应用的门槛正在下降。飞象老师 3.0 所做的事情，可以理解为把类似能力进一步放进教育场景。

但教育应用的问题也恰恰在这里：一个应用能运行，不等于它能用于教学。通用模型可以生成一个错题本页面，也可以画出一张漂亮的细胞结构图，但真正进入教学环节后，还需要回答另一组问题：一道题考查哪个知识点？学生为什么做错？应该如何解释？接下来应该提供什么难度的练习？

因此，相比单纯生成应用界面，飞象老师试图建立的差异化，是把教育能力放进应用运行的底层。

据飞象老师介绍，其生成的应用可以调用题库和教育资源库，并进一步调用组题、命题、作业批改、错因诊断和个性化出题等能力。模型不仅需要知道一道题的答案，还需要理解它考查什么、学生错在哪里，以及下一步应该提供怎样的学习内容。这也是教育垂类模型面对通用大模型时必须回答的问题。

当基础模型越来越擅长生成网页、PPT、图片甚至完整应用后，单纯的 " 生成能力 " 很难长期构成教育 AI 产品的壁垒。真正决定产品能否留在教学场景里的，仍然是对教材、题目、学生状态和教学流程的理解。

围绕这一点，飞象老师 3.0 同步升级了高保真文档解析、3D 互动图式、音视频理解以及教育数据和资源调用等能力。例如，在文档解析环节，教材、试卷和教案中的原题、公式、插图需要尽可能得到保留；老师和学校过去积累的课件、素材以及其他软件中的数据，也可以进一步进入新的应用生成流程。

飞象老师还加入了分层记忆、个人资源库、历史版本等能力，使系统能够调用过去使用过的素材，并对生成后的应用持续修改和回退。这些能力最终服务的仍然是同一个目标：让 AI 生成的不只是一个 " 看起来像教育产品 " 的网页，而是一个能够持续处理教学任务的工具。

当老师也能成为教育应用的创造者

应用生成带来的另一个变化，是教育软件的生产者可能开始发生变化。

过去，一套教育软件从需求提出到正式上线，需要产品经理、设计师和工程师参与。真正了解课堂问题的一线教师，更多承担需求提出者和最终用户的角色。

现在，一个老师发现班里学生水平差异较大，可以生成分层作业工具；一个学生觉得现有的元素周期表不好用，可以按照自己的学习逻辑重新做一个；一个家长可以为孩子制作阅读打卡工具；学校也可以生成社团报名、设备报修和数据采集等管理应用。

飞象老师希望把这种能力进一步开放给教师、学生、家长、研究者和教育机构。这意味着，教育 AI 竞争的下一阶段，可能不只是 " 谁能做出一个覆盖更多用户的教育产品 "。另一种可能性是：平台提供模型、教育能力和基础设施，而真正身处教学现场的人，自己完成最后一公里的产品定义。

当然，从 " 能生成 " 走到 " 真的有人长期使用 "，中间还有相当长的距离。教育场景对于内容准确性、数据安全、教学效果和学校既有系统兼容性的要求，都远高于制作一个普通网页。老师是否愿意持续维护自己生成的应用、学生是否真的会长期使用，以及大量碎片化应用能否形成稳定的产品生态，都仍需要真实使用数据验证。

但至少，AI 进入教育的方式正在发生变化。当教育应用也可以被即时生成，变化的可能不只是老师手里的工具。什么知识能够进入课堂、知识以什么方式被理解，以及谁有能力创造一种新的教学方式，都可能随之发生变化。