教育 AI
从功能竞赛到采用系统

01 · 研究范围

这份报告回答什么问题

本报告把教育 AI 看成一个由政策、学校、教师、学生、家庭、内容与基础设施共同构成的行业。它不把“发布了一个模型”当成教育结果，也不把“开了一门课”直接当成付费市场。报告追问的是：哪些变化已经发生，哪些变化只是计划；哪些需求正在变成课程、采购与服务，哪些数字还缺少真实使用证据；不同角色承担了什么成本，下一步应该用什么事实来检验判断。站内周刊第五期的学校采用分析提供了本报告的写作基准。

资料边界分为三层。第一层是站点截至 2026 年 10 月 11 日页面可读的资讯与日报，包括 2026 年 10 月 1 日至 10 日的最新记录。第二层是站内长期主题及其回答页，它们把分散资讯整理为问题、主张、证据和限制。第三层是产品雷达在 2026 年 10 月 11 日读取到的 20 个产品与 6 个事件快照，快照的 dataAsOf 为 2026 年 10 月 5 日；其中多数产品记录的 verifiedAt 仍为 2026 年 8 月 8 日。它适合观察机制与状态变化，不能与 906 条资讯简单相加。

报告中的“事实”只指来源明确、日期和主体可追溯的公开记录；“分析”指根据多条事实提出的机制解释；“判断”指在限定条件下给产品、学校或政策执行者的决策建议。每一类文字在结构上分开，避免把新闻稿里的目标写成结果。对于无法读取原文、只看到标题或媒体转述的材料，报告保留不确定性，不把它们当作核心因果证据。

时间是这份报告的重要变量。站点首页的统计是读取时的当前快照，资讯的发布日期、验证日期和产品状态日期各自含义不同。10 月 11 日的数字可能因新资讯发布、重复合并、回撤或主题重分类而变化。报告页面会保留 capture date、evidence through 与数据来源说明，后续扩展时可以在同一 URL 下新增修订记录，也可以按月份拆出新的报告。

02 · 执行摘要

行业正在从功能竞赛进入采用系统竞赛

报告的核心判断是：教育 AI 的下一阶段竞争单位，已经从单个功能转为“可被教育系统持续使用的一整套条件”。模型能力仍然重要，但它只解决了回答、生成、识别或陪练的局部问题。学校是否准入、教师是否能把功能放进任务、学生是否保留思考、家长是否接受数据边界、产品是否能承受支持成本，决定了功能能不能留下来。

线上数据呈现出一个值得重视的结构。站点当前收录 906 条记录，其中资讯列表显示 891 条，另有 114 条新产品线索和 581 个公开信源。2026 年资讯中，海外 618 条、中国 273 条；政策与治理是最大类别，产业与公司、研究、教师工具随后。数量说明观察密度，不说明质量或影响力。它最有用的地方是告诉读者，行业变化同时发生在规则、组织、工具和证据四条线，而不是只有模型发布一条新闻线。

近三个月的记录更像一次“从试点到制度”的加速。8 月有 326 条，9 月 354 条，10 月 1 日至 10 日已有 110 条，10 月 10 日当日为 7 条。10 月的政策与治理资讯占比仍高，课程全覆盖、年龄边界、教师培训和公共学习资源不断出现。江苏的 8、12、16 课时安排、北京按年龄分层的应用指南、纽约对低年级生成式 AI 的暂停，共同说明“是否使用”正在被拆成学段、任务、场景和责任主体。

产品侧的分化也在加深。硬件把语音、定位和家长控制放进一个设备，教材与学习平台把回答嵌入内容入口，AI 导师尝试记录长期学习过程，教师工具把提示、反馈和评价放进既有工作流。最可持续的产品不一定最会聊天，而是最清楚谁在什么任务中使用、谁能修改规则、数据去哪里、错误由谁复核，以及停止服务时如何退出。

研究证据给行业降温。马里兰大学随机试验中，课程内置 GPT-4o 助教班末成绩低约 4 个百分点，学习平台参与度下降 0.90 个标准差，实际使用约 15%，近 74% 的请求属于信息、解释或答案；站内研究记录保留了样本和限制。这个结果不等于 AI 导师无效，它提示产品价值需要与课程任务、使用深度和学习结果一起测量。与之相应，教师技术压力、职业认同和组织支持之间的关系，说明实施成本可能先出现在人身上。

因此，报告建议把行业机会分为三层：第一层是已有明确预算与责任人的基础设施和合规服务；第二层是嵌入课程、教师工作和学习过程的工作流产品；第三层是需要更强证据才能规模化的“学习成效承诺”。前两层适合做可逆试点，第三层需要对照、过程数据和长期跟踪。

03 · 数据底盘

先看观察规模，再看结构与口径

截至报告读取日，首页 DOM 的 total-signal-count 为 906，news-count 为 891，product-lead-count 为 114，source-count 为 581。资讯列表的更新时间显示为 2026-10-11 10:54，最近一次扫描时间为 2026-10-10T13:07:37.673Z。这里的 906 是当前收录总数，891 是可被资讯筛选器列出的条目，两个指标的分母不同，不能在标题中互换使用。

按 2026 年资讯的线上属性统计，政策与治理 412 条，产业与公司 234 条，研究 78 条，教师工具 64 条，学习工具 46 条，AI 导师 37 条，学习硬件 10 条，语言学习 7 条，儿童产品 3 条。按地区统计，海外 618 条，中国 273 条。站点把地区、类别、受众作为检索字段，读者可以从首页筛选器回到原始列表核对，也可以沿平台报告记录检查“组织采用”和“学习者使用”之间的口径差异。

月份变化显示，8 月和 9 月是资讯密度最高的阶段，10 月前十天仍保持较高频率。8 月 20 日和 24 日单日各 28 条，9 月 1 日、3 日、9 日各 24 条，10 月 10 日为 7 条。单日峰值往往包含政策发布、会议集中报道或批量入库，适合做事件扫描，不适合直接推导市场规模。

受众标签的扁平计数为产品 788、学校 755、教师 731、学生 601、家长 171。一个条目可以同时面向多个受众，所以总和大于 906 是正常现象。它反映“谁需要理解这个变化”，不反映真实用户数量。产品团队应把标签当作研究入口，再回到资讯正文确认决策者、付款人、执行人和受益人是否相同。

数据源也有层级。政府文件、学校公告、研究论文、企业正式发布和媒体报道各自擅长回答不同问题。政策原文适合确认范围和生效日期，学校项目公告适合确认实施动作，研究论文适合确认方法与样本，企业材料适合确认产品主张。行业分析必须把来源类型写在事实旁边，避免用一个“新闻”标签覆盖不同证据强度。

报告里的图表采用比例而非绝对规模时，会在图注中注明分母。凡是“覆盖”“使用”“报名”“培训人次”“作品数量”，都保留原文口径，不将注册量当活跃、培训人次当唯一教师、作品数当学习效果。这个口径纪律，是行业洞察可复核的基础。

04 · 政策与治理

政策从倡议进入课时、年龄与任务边界

中国的政策线正在出现三个层次。国家层面提供课程资源、通识框架和使用边界，地方层面把它转换为课时、平台和教师队伍，学校层面决定如何嵌入日常教学。中国中小学 AI 教育进程主题页持续整理这条链路，相关回答会把“目标、实施、结果”分开。

江苏秋季学期起实现中小学 AI 通识课程全覆盖，小学、初中、高中分别按每年 8、12、16 课时安排，南京 42 所试点学校引入机器狗；江苏省委新闻网转载原文明确了这些安排。这里最重要的变化不是一个设备进入课堂，而是 AI 从社团和展示活动进入稳定教学时间。设备是否有效，还要看教师是否能把机器人的感知、控制和伦理问题转成学习任务。

北京 2026 AI 应用指南按 0—3 岁、3—6 岁、小学、初中、高中划分禁止、有限和鼓励清单，站内指南记录显示其要求学校建立制度，教师声明作业可使用的范围。年龄分层把儿童保护从产品口号变成准入规则。对供应商，儿童产品不只需要低延迟和趣味性，还需要家长可理解的设置、学校可审计的日志以及在高风险内容出现时的人工介入。

纽约市的做法展示另一条路径。2026—2027 学年，约 60 万名公校学生面向学生的生成式 AI 暂停一年，覆盖学前至八年级；高中保留小规模 AI 批判性思维试点，并给所有高中生安排两个 45 分钟的 AI 素养模块。站内政策记录保留了年龄范围与课堂边界；公开报道补充了约 60 万名学生与两个 45 分钟模块的数字，政策把低龄工具使用和高年级批判性学习拆开，说明限制工具与教授判断可以同时存在。

Boston 与 NYC 的分化更能说明制度条件。Boston 投入 100 万美元做 7—12 年级课程，并培养 25 名教师 AI 大使，站内对照记录提供了预算与教师网络的来源边界；NYC 选择暂停低年级学生端工具。它们并不构成谁“更支持 AI”的排名，区别在于预算、教师网络、风险评估和行政执行路径。产品进入不同城市，必须重新核对年龄、数据和课程规则，不能把一个州的采购案例复制为普遍需求。

政策对市场的第一个影响是提高解释成本。学校要问清工具收集哪些数据、保存多久、谁可以查看、能否导出、如何删除、错误如何申诉。第二个影响是形成新的服务需求，包括制度模板、教师培训、工具白名单、审计报告和家长沟通。第三个影响是延长销售周期，试点可能先从低风险任务开始，预算批准和规模扩张要等待过程证据。

05 · 课程与素养

课程普及不等于能力普及

AI 素养至少包含五种能力：知道系统如何生成内容，能判断事实和不确定性，会描述任务并检查输出，理解数据与隐私边界，能在需要时拒绝或求助。把五种能力压缩成“会用一个聊天框”，会让学校获得可见活动，却无法回答学生能否迁移到新的问题。

越南最新计划把 AI 核心课放进 1—12 年级，每学年设置 12 节；站内报道转述试点调查称，超过 48% 的学生没有获得学校初步指导，超过 47% 缺少安全使用知识。高使用率与低判断力同时出现，是全球课程设计的共同难题。学生先学会使用工具，学校才开始补上来源核对、隐私和偏差教育。

国家资源、地方课程和课堂任务应当形成梯度。低年级可以从分类、感知、故事和人机边界开始；小学高年级加入数据、提示和事实核验；初中讨论模型、偏差、版权和社会影响；高中与大学进入项目、研究、职业场景和专业责任。每一级都应留下可观察作品或解释过程，而不是只记录完成了一次对话。

站内AI 素养与课程主题回答把课程目标、教材、课时和批判性判断放在同一框架内。相关AI 素养课程指南可以作为延伸阅读。报告建议采购方把“课时数量”“教师准备”“学生产出”“独立解释”列为四个独立指标，避免一个覆盖率数字遮住课程质量差异。

课程产品的价值在于把能力目标变成可执行的活动。一个好的活动会规定输入、允许的帮助、需要学生自己完成的部分、提交的过程证据和教师反馈方式。若产品只提供一键成稿，学生的任务完成速度可能变快，但教师难以判断学生是否理解。若产品能给提示层级、反例和追问，就更适合形成性学习，也更容易与不同学科规则衔接。

课程普及的另一个边界是教师时间。公开政策可以规定课时，不能自动生成教材、备课示例、设备配置和家长沟通。供应商若把所有实施责任交给一线教师，规模越大，质量波动越大。真正可扩展的课程服务必须把示例、评价量规、故障处理和更新机制作为交付物，而不是把它们留在售后阶段。

06 · 教师工作流

教师是采用系统的关键接口

教师同时扮演需求提出者、任务设计者、输出审核者和责任承担者。AI 可以帮助教师整理材料、生成练习、提供差异化提示和汇总学习过程，但教师仍需确认事实、判断难度、解释错误，并决定哪些任务应保留给学生独立完成。教师能力与工作流主题页记录了这一角色变化。

广西五所公立大学的研究显示，AI 技术压力与教师职业认同负相关，教学自我效能发挥部分中介作用，组织支持可以缓冲压力。原始论文采用横截面便利样本，只能支持相关判断，不能证明因果。它提醒产品团队，培训不是一次性功能发布会。教师需要知道工具为什么这么做、哪里会错、如何退回人工流程，也需要看到学校给出的时间、评价和责任安排。

Coursera 与 Udemy 的平台联合报告基于超过 3 亿学习者，称 75% 的组织已经试验或实施 AI，但只有 18% 表示大多数员工接受了培训；96% 的学生和教师使用 AI，只有 26% 的教育者表示所在机构有正式政策。数字的对比揭示了采用鸿沟：使用先发生，制度、培训和评价后到。

教师工具要避免增加隐性工作。自动生成教案若需要逐句核查，节省的时间可能被抵消；自动评分若无法解释依据，会增加申诉和复核；学生分析若只有一个风险分数，教师仍不知道该做什么。高价值的工具会输出可理解的证据、下一步建议和人工接管按钮，并允许教师修改默认规则。

产品验证应观察教师行为而非只看登录。可以记录完成一次备课所需时间、教师修改比例、学生任务是否按预期完成、错误反馈是否被采纳、教师是否在第二周继续使用。涉及学生数据时，应最小化字段、限制访问、保留删除和导出路径。站内教师 AI 工具指南可作为采购清单的基础。

教师支持的商业模式也会分层。学校级方案需要管理员、培训和持续运维；教师个人工具需要低门槛、透明计费和可迁移内容；区域项目则需要讲师团、示范课和本地化资源。供应商若只按账号收费，可能低估培训与支持成本；采购方若只看席位单价，也会低估停用、替换和数据迁移的成本。

07 · AI 导师

个性化的难点在于理解过程

AI 导师市场的叙事从“即时回答”转向“理解学生”。系统会记录学习历史、错误类型、提示依赖和参与方式，再决定下一步问题的难度与形式。这个方向有潜力，但长期记忆也放大了隐私和错误归因风险。一个过时的学生画像可能把偶然失误固化为能力标签，影响后续提示和家长判断。

马里兰大学随机试验是很有价值的反例。课程内置 GPT-4o 助教并没有带来更高的班末成绩，反而出现成绩下降、LMS 参与度下降和较低实际使用率；近 74% 的请求属于信息、解释或答案。原因可能包括任务设计、访问方式、学生依赖或工具与课程不匹配，研究本身不能单独证明哪一项，但它明确告诉行业，拥有入口不等于产生学习。

真正的个性化应当围绕错误与迁移设计。系统先识别学生在哪一步卡住，再给出最小必要提示；学生完成后，需要用自己的话解释、换一道题或向同伴讲解。产品指标可以包含独立答对率、提示层级、隔天迁移、错误修正和主动求助，而不是只看对话轮数和停留时长。

Neomind Learning 把产品称为 Personal Learning Intelligence，而不是 AI tutor，架构包括 Learning Genome 和 Instructional Mentor，并在企业材料中自称具备语音交互与儿童数据合规设计；企业原文与站内同类语音 AI 辅导记录可用于比较产品定位。命名变化反映产品从“一个会说话的老师”转向“持续观察学习方式的系统”，这些产品主张仍需回到企业原文与独立评估。长期价值要看画像是否准确、儿童是否理解系统边界、家长能否控制数据、教师能否查看和修正。

家长购买往往被“全科、全天、立即见效”吸引，学校采购更关注课程适配、责任与可管理性。两种需求不同，单一产品很难同时用同一套指标满足。家庭场景要解释价格、年龄、内容过滤和陪伴边界；学校场景要解释账号、权限、记录、退出和老师接管。站内AI 辅导与个性化学习回答页提供了相关证据节点。

AI 导师的未来更可能是多种形态共存。语音陪练适合语言和低年龄输入，文本追问适合概念解释，视觉反馈适合几何、实验和操作技能，教师侧的学习摘要适合课堂决策。产品团队不必把所有能力塞进一个聊天界面，而应选择一个可测量任务，先证明过程价值，再扩展到长期陪伴。

08 · 评价与证据

完成得更快，不代表学得更多

教育 AI 最容易产生误判的地方，是把效率指标当作学习指标。生成一份答案、通过一次测验、缩短作业时间，都可能是有价值的结果，也可能掩盖了理解减少、依赖增加和迁移下降。产品需要把即时表现、过程质量和长期结果分层记录，学校需要明确哪个指标对应哪个教学目标。

站内作业、测评与反馈主题把反馈速度、评价透明度和人工复核放在一起。教师可以让 AI 给出形成性建议，却不能把不可解释的机器输出直接当作开放性作业的最终评价。学生也应说明使用了什么工具、在哪些环节使用，以便教师判断作品与过程是否一致。

研究证据的等级决定结论强度。单个案例能说明一种实践已经发生，不能证明普遍有效；前后对比能提示变化，不能排除选择偏差；随机试验更适合判断平均效果，但仍受任务、样本和使用强度限制；长期跟踪才能回答技能是否迁移。报告把研究结果作为“证据”，把产品方的学习提升主张作为“待验证主张”，两者不混写。

欧盟 ENESET 的儿童社会情感与认知能力综述、以及高等教育学生参与、成绩与学术诚信综述，都把文献范围和证据局限写出来；站内 AI 素养框架可作为能力定义的对照，欧盟原始页面保留了儿童报告与高等教育报告的完整入口。对行业来说，这比单个显著数字更重要：没有一项研究可以替代所有年龄、学科和学习目标的验证。企业在宣传中应同时公开未改善的结果、未覆盖的人群和研究没有回答的问题。

评价产品的机会在于把过程证据变得可读。教师需要看到学生先做了什么、在哪里接受了提示、是否修改了答案；学生需要知道哪些地方需要继续思考；家长需要看到学习习惯而不是一张神秘分数。数据越细，隐私风险越高，所以系统应有最小化、分级权限和到期删除。

对于采购方，验收应写成可复核任务。例如要求学生在允许 AI 提示后独立解释一个新问题，比较提示前后错误类型；要求教师在真实作业上完成一轮设置、复核和反馈，记录耗时与修改；要求管理员导出和删除测试账号，检查数据是否真正清理。这样的验收比“模型回答准确率达到某个百分比”更接近教育价值。

09 · 产品与市场

市场机会从购买入口向交付能力迁移

教育产品的购买者、使用者和受益人经常不是同一个人。学校管理员决定采购，教师决定是否在任务中使用，学生决定是否依赖，家长决定是否续费，财政或基金承担支付。产品如果只优化其中一层，可能在演示时获得认可，却在日常使用中失去支持。

产品雷达当前保留 20 个产品和 6 个事件，分为中国头部、海外头部、儿童产品、新机制、新产品和人机协作等组。雷达中的核心观察、关注、常规观察与健康分数，是内部观察口径，不是市场份额。它适合提出问题：哪些产品的机制正在变化，哪些状态已有来源，哪些下一步需要回访。

国内产品线的优势仍集中在已有入口。小猿 AI、作业帮 AI、科大讯飞与有道等产品拥有用户、内容、硬件或家长关系，能够把 AI 嵌入原有学习流程。它们的挑战是证明“更方便”不会变成“更依赖”，同时满足儿童数据、家长控制和教师边界。站内产品与教育市场主题页提供了更完整的市场框架。

海外市场更常见的路径是平台、教材、课程和公共资源结合。ITU 官方说明列出 Google 10 万份奖学金和参与国分配机制，并要求追踪激活、参与、完成与证书；“80 多个国家、200 多门课程”中的课程数来自媒体转述，不能当成完成量。Google.org 官方公告另承诺 400 万美元面向美国约 600 万名 K-12 教师和高校教职培训。免费供给扩大了入口，却也把本地化、完成率、认证价值和持续支持留给实施方。

硬件产品把支付决策变得更具体。有道 AI 答疑笔 3 的价格、九大学科与亲子控制功能来自界面新闻二次报道，站内有道 AI Agent 生态记录可用于核对公司产品方向；价格与功能不应脱离原始报道单独引用。硬件能解决网络、入口和家庭使用便利，但产品价值需要通过独立答题、屏幕时间、家长控制有效性和售后内容更新来验证，预售销量不能替代长期留存。

新的竞争优势会来自交付。谁能提供课程资源、教师培训、账号治理、数据审计、故障处理和效果复盘，谁更可能进入学校长期预算。功能相近时，采购方会比较切换成本、服务响应和退出方案。行业从卖工具走向卖系统，意味着收入可能更稳定，也意味着供应商承担更多责任和人力成本。

10 · 中国与全球

共性问题相近，制度入口不同

中国市场的进入路径通常与地方教育行政、课程资源、学校平台和区域项目相连。江苏的全覆盖课时、北京的年龄清单、深圳职业技术大学的 384 个虚拟仿真实训场景，显示政策、学校和产业正在形成纵向链条；深圳数字工坊与专业规划属于学校和媒体披露的建设计划，中国教育报/新华网原文没有给出就业或学习增益。产品要适应统一要求，也要接受不同城市的课程节奏、资源条件和教师结构。

深圳职业技术大学拟布局智能体工程技术专业，建设 AI 职教大模型、“深职 i”学习平台、384 个虚拟仿真实训场景和 18 个海外深圳数字工坊。原文将其作为建设与培养安排披露，尚未提供毕业生就业率、企业满意度或海外学员完成率。职业教育把 AI 从通识素养推向岗位技能与产教协同，评价不再只看会不会使用工具，还要看需求分析、硬件搭建、算法调试、项目协作和安全责任。

全球市场的共同趋势是从禁止与放任之间寻找可执行的中间层。越南把 AI 作为中学课程并讨论学生判断能力，纽约暂停低年级端工具，Boston 训练教师大使，韩国在高校设置 AI 中心大学和 AX 研究生院。制度差异很大，但都在回答同一问题：谁有资格使用，在哪个任务中使用，发生错误后谁负责。

对跨境产品而言，语言不是唯一适配项。数据存储、未成年人同意、学校采购、教师劳动安排、课程标准、内容版权和高风险决策，都可能改变产品的默认流程。把在美国学校验证的产品直接复制到中国，或把中国的硬件销售案例直接复制到欧洲，都可能忽略合规与组织条件。

行业洞察可以借助全球案例寻找机制，不能借助全球数字做简单排名。一个国家的覆盖率可能来自强制课时，另一个国家的使用率可能来自自愿工具；同一个“培训人数”可能指注册、参与或完成。报告把机制、证据和制度背景分开叙述，方便读者判断哪些经验能迁移，哪些只能作为对照。

未来两年值得追踪三条跨境线：课程框架是否形成可互认的能力描述，教师培训是否从一次活动进入持续支持，产品是否能在不同司法辖区提供可审计的数据和退出机制。谁能把本地规则转译为产品设置与服务流程，谁就更有机会成为区域合作的基础设施。

11 · 从试点到常态

规模化不是复制演示，而是复制运营

试点最容易证明“有人愿意尝试”，最难证明“组织能够持续”。一所学校里，校长支持、教师热情和项目经费可能同时存在；规模化后，教师流动、设备故障、班级差异、网络条件和预算审批都会出现。试点报告需要把可复制条件写出来，而不是只展示最好的作品。

运营账至少包括五项：首次接入成本、教师准备和培训成本、学生账号与设备成本、内容和模型调用成本、持续支持与审计成本。免费工具也有总拥有成本，尤其是数据迁移、账号治理和停用时的善后。供应商要公开哪些服务属于基础包、哪些需要增购；学校要明确每项成本由谁承担。

评价要覆盖三段时间。第一周看能不能完成设置、登录和任务；一个学期看教师是否持续使用、学生是否形成稳定习惯、错误是否被及时处理；一个学年看课程结果、教师负担、数据事件和续费。不同阶段的指标不能混为一个“满意度”，否则早期热度会掩盖后期疲劳。

实施团队应准备退出机制。试点账号可以导出学生作品和教师材料，学校能够删除数据，课程可以回到人工流程，第三方服务中断时有替代方案。退出不是对产品缺乏信心，而是高风险教育场景的基本治理。只有可退出，学校才敢在低风险任务里开始使用。

站内学校落地与规模采用回答页把采购、账号、培训、数据和持续运营放在同一条链上。相关中国 AI 教育知识库和美国 AI 教育知识库可以帮助团队按制度环境比较案例。

最有效的规模化策略通常是“窄任务、可见证据、逐步扩张”。先选一个不涉及高风险评价的任务，定义教师和学生都能理解的成功标准，记录真实耗时和错误，再把经过验证的模板复制到相近班级。扩大范围时重新检查年龄、学科和数据边界，避免把局部成功包装成全校效果。

12 · 风险与责任

风险不是附录，而是产品机制的一部分

教育 AI 的风险可以分为五类：内容和事实错误，学生依赖和能力退化，儿童隐私与数据滥用，偏见与不公平，高风险评价和行为决策。每类风险都需要不同的预防、检测和补救方式。只写一段“请合理使用”的免责声明，无法替代年龄控制、日志、人工复核和申诉流程。

未成年人场景应采用最小数据原则。产品先确定完成任务所需的字段，再决定是否保留长期画像；语音、位置、家庭关系和支付数据应有明确目的和权限。家长同意需要让人读懂，学校管理员需要能查到访问记录，教师需要能纠正错误画像，用户需要能删除或导出自己的材料。

内容安全与学习安全不同。过滤掉不适当内容，只解决一部分安全问题；如果系统总是替学生直接给答案，学习目标仍可能被破坏。产品应支持提示强度、任务权限、教师锁定、引用来源和反思步骤，允许学校按课程关闭某些能力。安全设计必须进入任务流程，而不是只出现在设置页。

高风险决策要保留人工。招生、分班、奖学金、纪律、心理与行为判断不能依赖不可解释的模型分数。即使模型只做辅助，机构也应说明输入、依据、误差和申诉方式。站内安全、伦理与责任主题页持续收录相关政策、工具和证据。

供应商的责任边界也需要写进合同。发生错误时，谁发现、谁通知、谁修复、谁承担学生损失；模型更新后，谁重新测试；学校停止使用时，数据多久删除；第三方服务依赖变化时，是否可以替换。清晰的责任表会增加前期谈判，但减少事故后的互相推诿。

治理的目标不是让每个产品都承担同样多的流程，而是让风险与场景匹配。低龄、长期画像、高风险评价需要更高的控制；低风险、短期、教师可见的课堂实验可以采用较轻流程。用场景分级代替一刀切，既保护学生，也给小团队留下可试验的空间。

13 · 机会地图

哪些方向值得投入，哪些方向需要证据

第一类机会是合规与运营基础设施。年龄分层、学校白名单、数据最小化、日志、内容引用、账号生命周期和退出工具，未必具有炫目的演示效果，却直接影响采购。它们的买方比较清楚，需求也能通过验收条款验证。

第二类机会是教师工作流。备课、差异化练习、形成性反馈、课程规则、家长沟通和学习摘要都存在重复劳动。成功条件是减少教师操作，保留判断权，提供可修改的依据。单点工具可以先从一个学科或一个任务切入，再根据真实使用扩展。

第三类机会是内容与平台融合。教材、练习、技能路径和学习记录拥有上下文，能够降低学生寻找入口的成本。牛津把学习助手嵌进 Trove、Coursera 预览 Project Helix、平台型产品连接学习与技能验证，均说明内容资产仍然重要。新服务必须证明它提高了理解、反馈或迁移，而不是只增加一个聊天入口。

第四类机会是职业教育和产业实训。企业希望得到可验证技能，学校希望学生接触真实任务，AI 可以连接模拟环境、项目协作和技能评价。深圳职教大模型与虚拟仿真建设、世界技能大赛引入 AI 设计工具，都说明产业场景会反过来推动课程更新；建设数量仍需和学生完成、企业复核、就业去向分开记录。

第五类机会是证据与评估服务。学校和家长越来越需要知道产品是否有效、对谁有效、代价是什么。独立的试验设计、过程指标、隐私审计和结果解释，可以成为采购前后的第三方能力。它的难点是周期长、数据权限复杂、结论可能不够营销，但长期价值更高。

需要谨慎的方向包括无边界的全科聊天导师、没有教师接管的自动评价、把短期使用量写成学习效果、把融资与合作写成市场验证。它们可能拥有巨大流量，也可能隐藏较高风险。投资和产品路线应把“需求强度、可交付性、证据成本、责任边界”放在同一张表上。

14 · 决策框架

给不同角色的可执行判断

对教育管理者，先写清楚希望改变的教育结果，再选择工具。把课程目标、使用任务、年龄范围、数据边界、教师支持、预算与退出方式写进采购文件。验收时同时检查功能、实施、过程和结果，允许试点失败，但不允许没有记录地扩张。

对学校与教师，选择一个低风险、可观察的任务作为起点。让教师决定 AI 可以做什么，让学生说明使用过程，让家长知道数据和边界。每两周复盘一次教师时间、学生独立完成情况和错误类型，出现问题时调整提示与权限，而不是马上增加更多功能。

对产品团队，把“功能上线”拆成五张卡：使用者与付款人、真实任务、数据字段、人工接管、成功证据。每一张卡都要有负责人和验证日期。演示视频可以证明体验，不能证明持续使用；合同签署可以证明意向，不能证明学习效果。

对投资人和行业研究者，关注机制变化而非标题热度。可以追踪学校合同、教师培训、平台整合、复购、续用、数据事件和独立研究。对任何增长数字都问三个问题：分母是什么，时间窗口是什么，是否存在重复或选择偏差。

对家长与学生，优先选择能说明来源、给出提示而非直接代做、允许关闭和删除的工具。把 AI 当成学习过程中的一种支持，保留自己的解释、草稿和修改记录。遇到无法解释的评分、强迫上传敏感信息或不清楚的长期画像，应要求学校或产品方说明。

对内容与研究机构，建立可复用的事实卡片。每张卡写明事件、日期、主体、原文、证据级别、直接影响、未知项和下一步观察。这样才能把日报、周刊、主题回答和行业报告连接起来，避免同一事件在不同文章中被重复计数或重复解读。

15 · 场景拆解

同一个 AI 功能，在不同场景是不同产品

备课场景的主要用户是教师，价值是减少查找、改写和分层设计时间。它的风险是事实错误、难度失配和教师过度依赖默认答案。验收应看教师是否能快速发现错误、修改材料并解释为什么选择某项活动。一个生成速度很快、却让教师逐条重写的工具，实际价值可能低于一个生成较慢但提供来源和难度控制的工具。

课堂互动场景要求更强的低延迟和可见控制。学生可能在大屏、平板或小组设备上共同使用，教师需要随时暂停、改问或切换到人工讨论。产品要支持匿名化、分组权限、内容过滤和课堂记录，避免系统把个体学生的错误公开。课堂中的“有趣”只是一种体验指标，真正的教育价值在于它是否让更多学生解释、比较和反思。

课后辅导场景更接近家庭消费。家长关心学科覆盖、价格、时间和安全，学生关心是否快速得到答案。产品如果用连续奖励和无限对话拉长时长，可能与家长希望的独立学习相冲突。更合适的设计是把提示分层，鼓励学生先提交思路，再给局部帮助，并让家长查看学习过程而不是只看正确率。

学校采购场景关注合同与运营。管理员需要知道账号如何开通、数据怎样迁移、教师离职后权限如何回收、模型更新是否重新审查、服务中断是否有替代方案。一个功能简单但责任边界清楚的工具，可能比能力更强却没有退出机制的工具更容易进入学校。

技能训练场景要求任务与岗位连接。学生不是只回答一道题，而是完成需求分析、设计、调试、展示和复盘。AI 可以生成代码、模拟客户或提供故障线索，但评价要看学生能否解释选择、识别风险并把技能迁移到新项目。深圳职业技术大学的公开实训规划说明产业合作试图把课程从知识点带向完整工作过程，结果仍待后续跟踪。

公共资源场景强调可及性和公平。奖学金、国家平台和免费课程能扩大入口，却可能把设备、语言、网络、教师支持和完成证书的成本留给用户。衡量公共项目时，除了覆盖人数，还应看低资源地区的实际参与、课程完成、支持响应和结果差异。扩大供给以后，公平问题不会自动消失。

16 · 案例比较

把发布、采用、效果放在三条时间线上

江苏 AI 通识课程全覆盖属于制度时间线：政策给出课时和学段，学校开始安排教学，后续才会出现教师培训、课程作品和学生能力证据。若把 8、12、16 课时直接写成学习效果，会跳过最关键的实施过程；原始报道只支持课程安排和项目披露。报告把它放在政策与课程章节，是因为它最先改变的是学校的时间表。

纽约的生成式 AI 暂停属于准入时间线：政策先收紧学生端工具，再保留高中批判性思维模块。短期内，使用量可能下降；中期要看学校是否形成更清楚的规则、教师是否获得教学资源、高中试点是否产生学习证据。限制本身没有说明学习变好或变坏，它提供了观察政策边界如何影响产品和课堂的机会。

马里兰随机试验属于效果时间线：产品已经嵌入课程，研究者比较学期结果和参与度，发现需要谨慎解释的负向结果。它与产品发布之间隔了真实使用、任务设计和学生选择。行业若只引用发布会而跳过试验，就会把预期当成证据。

有道 AI Agent 生态属于消费时间线：发布、可用、内容更新、家长控制和学习表现是不同状态。站内产品记录可以证明发布动作，不能替代长期留存和学科帮助质量。

Google 与 ITU 的奖学金属于供给时间线：资金与课程让更多人获得入口。是否完成、是否取得证书、证书是否被学校或雇主认可，需要后续数据。公共项目常有高覆盖和低完成并存的情况，报告会分别记录“获得资格”“开始学习”“完成学习”“迁移到工作”四个节点。

教师技术压力研究属于组织时间线：教师的压力、效能与认同会影响产品能否留下来。它不是一个产品评测，却能解释为什么同样的工具在不同学校出现不同结果。行业分析要把个人体验、学校支持、政策边界和产品设计放在一起，才能理解采用的速度与阻力。

17 · 采购清单

一份可以带进评审会的检查表

问题一：谁提出需求，谁批准预算，谁每天使用，谁承担错误责任？如果四个答案分别是教研部门、财政部门、教师和校长，产品需要提供不同层级的说明、权限与报表。评审会应把每个角色的成功标准写下来，避免只由演示现场的一位决策者代表所有用户。

问题二：产品服务哪个真实任务？要求供应商展示一份学校正在使用的作业、备课单或实训项目，说明 AI 介入前后的步骤变化。只展示空白对话框无法检验课程适配。评审人员应要求学生解释、教师修改和管理员导出都在同一次演示中出现。

问题三：数据的最小集合是什么？评审需要看到字段表、保存期限、存储地点、第三方调用、访问日志、删除方式和备份策略。涉及语音、位置、支付或长期画像时，要求额外说明目的和家长、学生、教师的控制权。

问题四：如何处理错误和不适当内容？要求供应商展示模型给出错误答案、敏感内容或不适合年龄内容时的流程。系统是否提示不确定性，能否引用来源，教师能否一键暂停，管理员能否导出事件记录，用户能否申诉，都是比宣传词更实际的能力。

问题五：如何证明学习价值？把一个学期的验证任务写进合同：独立答题、迁移题、过程记录、教师时间、学生体验和数据事件。指标先定义，数据再采集。若供应商无法提供对照或基线，也应明确只是可用性试点，不能在结项时改写为学习成效。

问题六：怎样退出？要求提供账号回收、数据删除、作品导出、课程恢复、替代工具和费用结算方案。合同结束不应让学校失去学生作品，也不应让教师重新手工整理全部材料。可退出的系统，才具备可持续采购的信任基础。

18 · 时间线

从 2025 到 2026：行业关注点如何移动

2025 年的基础政策把 AI 通识课程、生成式 AI 使用边界、教师主导、学生作业声明和敏感数据保护写进公开指南。它解决的是“能不能进入学校”的最低规则。此时行业容易把课程资源和工具入口当成主要机会，学校则开始建立白名单和年龄边界。

2026 年春季，地方实施信息增加。北京、上海、广州、浙江等地公开课时、平台、试点校、教师培训和改革场景，政策从倡议转向实施。公开数字的规模更大，但质量和唯一人数仍需要进一步核对。市场机会开始从单个工具迁移到课程、平台和教师支持。

2026 年夏季，周刊记录 AI 课程、项目运营和学校采购的现实账本。学校的问题从“有没有 AI 课”变成“谁教、谁付费、怎样持续、效果如何证明”。产品团队面对的竞争也从功能对比变成服务成本、内容授权和教师工作流对比。

2026 年 9 月，学校合同保护、教材助手、作业规则和教师培训项目进入同一观察窗口。采购、教材和作业形成三个互相影响的入口，说明教育 AI 正在进入组织内部，而不是只在课外应用商店竞争。

2026 年 10 月，年龄清单、课程全覆盖、公共奖学金、智能体硬件、职业教育实训和 AI 导师研究同时出现。行业一边扩大供给，一边增加限制与证据要求。这个看似矛盾的阶段，其实是采用系统成熟的表现：规模越大，规则越细，验证越重要。

下一阶段的时间线应从发布日转向回访日。记录一个项目何时开始、何时进入课堂、何时被教师持续使用、何时出现独立学习证据、何时续费或退出。只有这样，报告才能从资讯汇编升级为行业状态跟踪。

19 · 后续观察

未来 90 天，哪些事实会改变判断

第一组观察是课程执行。江苏的课时是否进入学校课表，教师是否有持续培训，课程与设备是否产生可解释作品；越南的 AI 课程是否从计划进入正式教材，学生能否改善准确性和安全判断。若只出现更多发布会和展示，说明供给扩大，不能说明学习质量改善。

第二组观察是政策反应。纽约暂停政策是否产生高中试点的可评估结果，Boston 的教师大使是否形成稳定网络，北京的年龄清单是否被学校转化为工具准入与作业声明。政策变化的价值不在于“允许”或“禁止”的标签，而在于是否出现可执行、可复核的学校流程。

第三组观察是教师负担。技术压力研究已经提示风险，后续应看培训后教师准备时间、工具修改率、停用原因和教师留任。若产品的使用增长伴随着更多无偿加班，组织可能在短期活跃后收紧入口。教师的持续使用是比登录数更接近采用质量的信号。

第四组观察是学习证据。马里兰试验之后，其他学校是否能在不同任务、学科和使用强度下复现结果；AI 导师是否能在隔天和新题目中改善独立表现；企业是否愿意公开失败指标。只报告正向案例的市场，会越来越难获得学校和家长的长期信任。

第五组观察是商业交付。硬件是否持续更新内容，公共奖学金是否带来完成和认证，课程平台是否把技能记录连接到真实项目，学校是否续费并扩大。规模化的证据通常晚于发布，报告会在后续修订中记录状态变化，而不提前替市场宣布赢家。

未来 90 天可以用一个简单的状态表复查：已发生、已验证、部分验证、计划中、待核实、已纠正。每一条状态都附日期、来源和下一步。它既适合编辑团队维护，也适合产品和学校把自己的试点结果接入站内主题，形成从资讯到回答再到行动的闭环。

补充研究 · 产业链与商业模式

教育 AI 的钱从哪里来：从模型成本到学校五年运营

教育 AI 的产业链可以拆为五层：基础模型与算力、数据与内容、产品工作流、组织实施、效果评估。模型提供生成和推理能力，教材与题库提供受约束的知识边界，产品把能力放进备课、课堂、练习或实训，学校与社区负责把工具嵌入制度，评估服务则回答是否值得续用。产品生态主题提供了站内产品、内容与平台关系的长期索引。五层之间的价值不会平均分配，教育采购通常把实施、培训、数据管理和责任承担计入总成本。

模型调用是最容易被看见的成本，却未必是学校最难承受的成本。一次问答的推理费用可以按量优化，教师要逐份检查答案、管理员要处理权限、学校要在停用时导出作品，这些成本会随着用户数和学期长度累积。产品定价若只围绕 token 或账号数，容易把支持、集成、内容授权和复核工时留给学校，最后形成低单价、高服务负担的反向补贴。

永州公开遴选“人工智能+教育”场景建设实施主体，规定五年建设运营期、实缴注册资本不低于 500 万元、上一年度营收不低于 1000 万元、技术团队不少于 5 人，并覆盖教学、教研、管理、评价和服务。站内公告详情及永州市政府原文都没有公布项目总投资或学习效果。它能确认地方采购把“建设”与“运营”放在同一合同周期，不能据此推算行业市场规模。

五年运营的含义是买方购买一套持续服务，而非一次性软件。供应商需要承担版本更新、数据治理、教师培训、故障响应和政策变化后的重新配置。买方的议价重点会从首年折扣移动到服务等级、退出机制、数据迁移和第三方依赖。对小团队来说，联合体可以补齐内容、技术与实施能力；对学校来说，联合体成员变化又增加责任追踪的复杂度。

收入模型大致有四种。学校订阅按账号或校数收费，优点是预算简单，限制是登录数容易替代真实使用；项目制建设按里程碑收费，适合数据治理和平台集成，限制是交付后续运营常被低估；家庭订阅依靠月费或硬件销售，决策快但获客和退订成本高；公共项目采用政府购买、奖学金或企业赞助，入口更广，却要等待完成率和续约证据。一个产品可以混合使用，但必须分别报告不同渠道的用户与结果。

Coursera 与 Udemy 的全球技能报告称，超过 3 亿学习者样本中，75% 的组织已经试验或实施 AI，只有 18% 表示大多数员工接受过培训；相关站内记录引用了公开报告，原始报道见Diginomica。这些数字描述供给与培训缺口，不能直接转换为教育 AI 软件的可服务市场。市场规模需要价格、付费组织数、续费率和服务范围等分母。

单位经济模型应把一次“有效学习任务”作为观察单位。收入端记录每名付费学习者的实际回款，成本端拆出模型调用、内容授权、客服、教师培训、合规审查、平台集成和坏账；结果端再记录独立作答、教师节省时间、留存与安全事件。若一个学生每天产生大量对话，却没有独立完成任务，单位活跃用户收入看起来健康，单位学习收益可能很差。

商业化的关键不是把所有成本压到最低，而是选择能持续复核的承诺。低风险产品可以承诺节省备课时间并提供日志，高风险评价产品必须承诺审计、人工复核和申诉，学习成效产品应把样本、对照、测试题和期限写进合同。报告建议学校在采购前索要一页成本瀑布图，列出首年、续约年和退出年的现金与人力支出，再把它与学校采用主题中的实施条件逐项核对。

产业链还存在一个常被忽略的“反向服务层”：学校和地区会为供应商提供需求定义、内容标注、试用反馈与案例背书。若这些投入没有被写进合同，教师就会在课余承担产品测试，学生会成为未经说明的实验样本。成熟采购应明确试用周期、数据用途、反馈归属和退出后删除时间，避免把公共教育资源变成隐形研发补贴。

同一套产品在不同学校的毛利也可能完全不同。已有身份系统、内容授权和教师发展团队的学校，集成成本较低；需要从纸面课表、散落题库和人工账号开始的学校，实施成本更高。供应商公布平均客户数或总合同额时，应同时说明客户结构、交付周期和续费定义。只有把服务工时按学校类型拆开，单位经济模型才不会被少数成熟客户美化。

产业链的议价权也会随着数据沉淀变化。学校掌握课程目标、学生作品和教师反馈，平台掌握账号关系与使用日志，模型方掌握底层能力。合同若允许平台把教育数据用于训练，却不给学校可审计的用途说明，短期折扣可能换来长期锁定。买方应要求数据可导出、模型可替换、接口可迁移，并把关键内容版权和版本历史留在学校可控制的存储中。

当产品从试点进入区域规模，现金流和责任会一起放大。学校可能要求统一账号、统一报表和本地支持，平台则需要提前投入节点、培训师与客服。若合同按上线学校数付款，却把教师培训推迟到验收后，双方都会在第一学期暴露缺口。把验收拆成部署、可用、持续使用和退出四个里程碑，更接近真实服务价值。

补充研究 · 学习效果研究

从“有效”到“在什么条件下有效”：三类研究的对照读法

教育 AI 的研究不能只比较工具和没有工具。至少要区分即时作答、独立迁移、延迟保持、课程成绩、学习时间和教师工作量。不同研究的任务、年龄、学科、使用强度与对照条件不同，数字相同也不代表同一种效果。学习成效与证据主题把站内研究按研究设计、结果和限制拆开，适合在阅读单篇研究前建立分母意识。

哈佛 Gazette 在 2024 年 9 月披露的一项初步、尚未发表最终论文的物理学习实验包含 194 名本科生，每位学生都经历定制 AI 导师与主动学习课堂。站内摘要记录了两周交叉体验与约两倍的初步学习增益；报道原文来自India Today。这支持“精心设计的短时辅导可能带来即时增益”的判断，研究对象与物理任务限制了外推范围。

该哈佛实验的机制线索在于导师被设计成苏格拉底式对话，要求学生解释和反思，工具不只是答案搜索框。高动机和较短学习时间是结果的一部分，不能拆开只宣传分数。研究报道仍属于对实验的公开转述，报告未把它当成学校长期成绩证据，也没有据此推断低龄学生、语言学习或大规模开放平台会复制同样结果。

马里兰大学 2025 年秋季随机试验覆盖 2,379 名本科生和 30 名教师。获得课程内置 GPT-4o 助教的班级期末成绩低约 4 个百分点，即 0.37 个标准差，学习管理系统参与度低 0.90 个标准差，约 15% 的学生实际使用；近 74% 的请求是信息、解释或答案。站内全文链接到二手原报道。这是“提供课程内置 GPT-4o 访问”的意向效应，不能解释为活跃使用的因果结果；文章还指出课程成绩并非独立统一测验，多数教师仍沿用直讲。

马里兰结果与哈佛并不矛盾，它们把条件差异暴露出来。前者是课程平台中的可选入口，教师多数保留直接讲授模式，学生主要索取答案；后者是限定任务、限定材料和明确教学脚本的实验。相同的“有 AI”标签掩盖了引导方式、教师介入和学习目标的差异。采购评估应复刻真实课程任务，而不是只测试开放式聊天体验。

NUMI 研究把即时收益、过程成本和延迟测验放进同一试验。田纳西州汉密尔顿县 20 所学校的 6,997 名六至八年级学生使用同一练习平台，AI 导师使掌握组错后下一题答对率高 8.5 个百分点、少用 0.96 次尝试，却多用 2.88 分钟；一周后已练题答对率为 40.2% 对 37.0%，p=0.065，论文称证据具提示性且尚未同行评议。站内记录与原报道均保留这些限制。

三项研究共同提示一个产品设计问题：反馈深度有机会改善错后恢复，却可能减少单位时间内的练习量；直接答案会让对话看起来顺畅，却可能替代阅读、提问和自我解释。效果指标需要同时列出独立答题、错误修正、延迟保持、耗时和退出率。单独展示即时正确率，会把“当场做对”误读为“学会了”。

研究结果进入采购时，应把证据分成三层。可迁移证据是跨任务、跨教师和跨时间仍然出现的独立结果；可用性证据是学生愿意使用、教师能管理、系统稳定；主张证据是产品提供的演示或自报数据。只有第三层时，合同应写成探索性试点；有随机或准实验结果时，也要记录版本、对照、缺失数据和不适用人群，避免把一个实验变成普遍功效承诺。

研究还要面对“工具版本漂移”。模型、提示词、教材索引和教师配置任一项改变，都会改变干预本身。试点报告应保存部署日期、模型版本、检索语料、教师培训和功能开关，并在结束时记录退出学生的比例。若产品只给出一个跨学期平均值，读者无法判断改版带来的收益，或把新版结果误归因于早期版本。

外部效度也取决于未使用者。愿意试用的学生、擅长设计任务的教师和网络稳定的学校，往往更容易出现在成功案例中。研究者需要报告被邀请人数、实际使用人数、缺失测验和不同基础水平的结果；学校采购则应保留不使用或退出的原因。把拒绝使用当成失败，会掩盖产品与任务不匹配的信号。

研究者还应区分工具帮助和教师帮助。教师可能在 AI 试点中改变讲义、增加辅导或筛选学生，结果就不再是“单一工具效果”。这不削弱试点价值，却改变了问题：学校是在购买一个工具，还是购买一套新的教学方法。报告结果时，应把教师培训时长、任务改造和人工反馈纳入干预描述，否则后续学校无法复现条件。

研究设计也要承认负面结果的决策价值。若 AI 让作答更快却让迁移下降，学校可以把它限于复习而非新授；若效果只在教师强引导下出现，供应商就应销售培训与脚本，而不是宣传“开箱即用”。把失败条件写清楚，能帮助下一轮试点缩小问题，减少把同一错误复制到更多学生。

补充研究 · 国际路线与机会公平

全球路线分成三条：课程国家化、平台标准化、入口公共化

国际教育 AI 的政策路线并不收敛到同一产品形态。中国地方政策倾向于把 AI 素养写进课时、学段和学校制度；美国学区常以年龄边界、教师授权和工具准入管理风险；欧洲与国际组织更强调能力框架、儿童权利和可解释责任。跨国供应商面对的不是一个全球市场，而是一组不同的准入文件、教材体系和数据规则。

越南 2026—2027 学年计划把 AI 核心内容放进 1—12 年级，每学年设置 12 节；试点调查显示，超过 48% 学生未获得学校初步指导，超过 47% 缺少安全使用知识。站内的越南试点资讯记录了课程供给与指导缺口同时存在的事实。对产品方而言，翻译界面不等于本地化，教材短缺、教师培训和安全规则决定真实覆盖。

平台标准化路线以内容边界换取可审计性。牛津大学出版社把 AI Study Assistant 从 Law Trove 扩展到 Business、Politics 和 Science Trove，回答与测验只取自自有教材，Science Trove 还纳入教材图片、图表及原图注，并配套 AI 素养模块。站内详情链接出版社原文。它没有公开学习成效，因此可确认的是内容范围和治理方式，不能确认增分或留存。

公共入口路线通过奖学金、免费课程和社区组织降低价格门槛。Google 与加拿大 YMCA 合作，为社区学习者提供 AI 课程奖学金，站内记录说明交付依托 Coursera 并支持英法双语。免费入口仍有设备、网络、语言、照护和完成时间成本。衡量公平不能只数发放名额，应追踪低资源地区开始学习、完成、取得证书和迁移到工作之间的落差。

机会公平有四个常见断点。第一是接入断点，设备和带宽决定谁能持续使用；第二是理解断点，家庭语言与无障碍设计影响谁能读懂提示；第三是支持断点，教师或社区辅导决定谁能从错误中恢复；第四是回报断点，证书是否被学校、雇主或公共服务认可。产品若只把免费账号作为公平指标，容易把后续成本转嫁给最需要支持的人。

跨国扩张还会改变数据与责任的地理位置。模型调用可能在境外，教材授权由本地出版社控制，学校需要在本地保存学生记录，家长又要求删除和导出。供应商应把处理者、子处理者、保存地域、模型更新和事件通知写进合同。学校不能用“国际大厂”替代具体审查，公共项目也应公开选择标准和异常处理。

评估国际路线时，报告建议建立两张表。一张记录输入条件：课程课时、教师比、设备、语言、年龄、政策和付费方式；另一张记录结果：使用率、完成率、独立表现、教师工作量、申诉、退出和续用。只有同时拥有两张表，才能判断一个案例是在解决能力缺口，还是仅把已有资源包装成 AI。

公平与增长存在真实张力。统一平台便于更新和规模化，本地化内容便于理解和责任追踪；强安全限制能降低低龄风险，也可能减少探索机会；严格身份验证提高证书可信度，却会排除没有稳定证件的成人学习者。产品设计不应寻找一个万能折中，而要按场景公开取舍，并让用户知道哪些功能会因地区、年龄或设备而不同。

国际比较还应把语言质量和文化语境拆开。翻译准确不代表例题、隐喻和课堂互动适合当地学生；同一个“独立学习”指标，在高考制、学分制和职业资格体系中含义也不同。跨国试点应允许本地教师改写任务，保留原始版本与本地版本的差异记录，以便判断效果来自模型能力、教材适配还是教师重新设计。

机会公平的判断可以从“谁被看见”开始。报告应按地区、性别、残障、语言、家庭设备和基础水平分组，公开样本缺失，避免只展示平均数。若某组人数过少，应该明确统计不稳定，采取定性访谈和可及性审计补充，而不是用一个总体完成率替代组间差异。这样的披露会降低宣传空间，却能提前发现规模化后的风险。

国际路线还受采购能力影响。富裕地区可以购买本地化教材、专职管理员和连续评估，资源不足地区可能只能使用通用模型和一次性培训。相同的产品评分因此不代表相同的机会。公共项目若要缩小差距，应把设备、教师时间、技术支持和本地内容列入总预算，并要求供应商公开低资源环境下的降级方案。

补充研究 · 成人技能与就业

成人学习是第二条增长曲线，关键在技能可验证与岗位连接

教育 AI 的需求正在从学校延伸到职场转型、社区教育和继续教育。成人学习者通常带着明确任务进入课程：完成一次数据分析、写一份销售方案、通过资格考试或改变岗位。相比儿童产品，他们更在意时间回报、价格透明、已有经验能否被承认，以及证书能否帮助求职。成人场景的结果周期短，却更容易受到工作排班、照护和设备条件影响。

Coursera 与 Udemy 报告把 AI 技能与人类技能放在同一指数中，指出组织的试验速度明显快于系统培训速度。站内全球技能报告和原始报道没有提供每个国家的完整课程完成与就业因果链，因此可以支持“培训供给存在缺口”的判断，不能证明某个平台课程直接带来工资增长。成人产品应把注册、完成、证书、岗位应用和雇主复购分开记录。

公共培训的价值在于连接真实组织。Google、ITU、YMCA 等合作把企业课程、社区触达和多语言交付组合起来，降低成人学习者找到入口的成本。它的弱点也很清楚：企业课程可能围绕自家工具，社区组织可能缺少技术辅导，免费项目可能缺少后续岗位。采购方需要要求课程允许迁移到不同工具，并公开结课后的支持与认证规则。

技能评估产品的核心不是自动给分，而是留下可解释的任务证据。一次合格的成人项目应包括需求说明、过程版本、工具使用披露、错误修正和最终交付，让雇主看到候选人能否在新环境中完成工作。只测一套选择题会鼓励背答案，不能证明在没有同一提示词和模板时仍能工作。评价与反馈主题提供了站内关于过程披露和独立迁移的延伸阅读。

企业培训的单位经济与学校不同。雇主可能为团队购买席位，但真正的收益是减少返工、缩短上手时间或提高交付质量；学习平台若只追求完课率，可能与岗位绩效脱节。试点应选择一个可量化流程，例如客服总结、代码测试、财务核对或课程制作，比较使用前后的完成时间、错误率、复核工时和员工满意度。

成人学习也有明显的公平风险。高学历、稳定网络和有时间做项目的人更容易完成长课；临时工、照护者和低识字学习者可能在第一次登录之前就退出。语音、低带宽、离线材料、分段任务和人工答疑可以减少入口成本，但这些服务会提高运营费用。商业模式应说明谁为支持买单，公共项目则应把弱势群体完成率作为预算条件。

岗位连接不能被企业宣传替代。课程声明“掌握 AI”时，应说明对应岗位、工具版本、任务难度和评估日期；雇主招聘时，应允许候选人解释自己如何使用 AI、如何核验输出以及何时拒绝使用。技能证书需要与真实项目、行业标准或第三方评审建立关系，单纯完成视频和测验只能证明参与过课程。

未来 90 天可观察三类成人证据：免费或低价课程的实际完成与证书领取，证书持有者进入项目或岗位的比例，企业是否续购并扩大任务范围。若只有报名数和合作新闻，说明入口变多；若能看到独立任务、岗位迁移和雇主复购，才接近可持续市场。报告将这些问题接回站内知识库与后续专题，避免把尚未存在的成人指南 URL 当作证据。

成人产品还要处理“学会后离开”的问题。学习者可能只在换岗前集中使用，完成证书后不再回到平台；雇主可能只在一次项目中购买，任务结束就停止。留存不应被机械当作质量指标，应结合岗位任务是否完成、旧技能是否迁移和用户是否愿意为新任务付费。一次性高峰可以是有效的短课，也可以是没有后续服务的营销活动。

对成人学习者最有价值的反馈往往是可执行的下一步：缺少哪项基础、哪一步错误、下次任务如何验证、需要何种人工支持。AI 可以给出练习和解释，但就业决策仍需要教师、同行或雇主共同确认。产品若把推荐岗位当成自动结论，容易放大简历偏差；若把推荐理由、置信度和人工复核入口公开，学习者才有机会修正自己的路径。

成人学习的回报还包括降低转型风险。学习者可能在上岗前用 AI 模拟面试、拆解岗位要求和检查作品，但模拟表现不能代替雇主面试或真实试岗。平台可以记录练习主题、错误类型与改进轨迹，帮助学习者与辅导者定位下一步；涉及招聘的推荐则应允许查看依据、提出异议和删除记录，避免旧数据长期影响机会。

案例深描 · 区域课堂比较

同一项“普及”在不同城市，落在课表、平台和边界上

江苏把 AI 通识教育写成了省级课表。江苏省委新闻网转引新华日报报道，2026 年秋季学期起，全省中小学实现 AI 通识课程全覆盖；小学每年 8 课时、初中 12 课时、高中 16 课时，课程从低年级的感知体验逐步转向高中阶段的项目和前沿探索。原始报道 这是行政安排和学校执行的覆盖结果，不能直接推导学生能力提升。站内可回看同一事件的事实卡片，其中“全覆盖”应理解为课程进入学校安排，而非每所学校拥有同等师资、设备与评价。

江苏的课堂案例显示，课时只有在任务链上才会产生教育含义。南京科利华中学自 2020 年 9 月起给七年级开设每周 1 课时、每年 32 课时的 AI 课程，校方称六年累计惠及超过 4,000 名学生；课堂又延伸到“教师助手”、带人脸识别和温度传感器的班牌、机器人等项目。学校案例来源 这是学校自报的实施规模与项目产出，缺少对照组、学习增益和设备使用率。机制上，项目让学生看见数据、模型和伦理的连续关系；条件是教师能把硬件演示改造成可反思的学科任务，否则“机器人到校”只会成为展陈。

广州采取的是“课表加平台”路线。教育部 2026 年 5 月新闻发布会材料转述广州市教育局信息：一至八年级 AI 通识课实现全覆盖，一至二年级每学期不少于 3 课时，三至八年级每两周不少于 1 课时，平台接入 1,517 所学校。教育部原始问答 站内详情 1,517 是平台接入数，属于覆盖口径，不等于活跃学校数；课时是制度下限，也不等于完成了高质量项目。平台能降低教材、课件和仿真资源的分发成本，仍需要校内教研组把统一资源变成适合本地班级的任务。

北京把重点放在“何时允许使用”。北京市政府网站刊发的北京日报报道，2026 年 AI 教育指南按年龄设置边界：0—3 岁不建议直接使用，3—6 岁须由家长陪同体验，小学不建议独自使用，初中在监督下探索，高中在教师许可下研究；学校还要建立本校规则，教师须在作业中说明 AI 使用范围。北京日报原文 这是治理和任务说明的制度设计，不是全市学习成效。它的机制是把“能不能用”前移到作业发布环节，条件是教师有简短、可执行的模板；反例是只发布抽象禁令，学生仍会在校外使用而不留下过程记录。

三地的差异给采购和课程负责人一个可操作的判断表：江苏先问课时是否能被教研组持续承接，广州先问平台数据与资源能否进入日常备课，北京先问任务规则能否被学生和家长理解。若把“全覆盖”当作同一种结果，就会把政策执行、平台接入、教师授权混成一个市场数字。较稳妥的决策顺序是把覆盖、使用、作品、学习结果拆成四列，逐校记录；任何一列没有证据，都应保留未知。

区域比较还要看课时如何嵌入原有学科。江苏把低年级体验、中年级原理、高年级项目写入纵向结构，适合用综合实践、信息科技和科学课共同承接；广州以固定频率下发课时，便于平台安排资源，却可能让学校把 AI 课当作额外的“打卡课”；北京把年龄边界和教师许可放到作业规则，利于控制风险，却要求每个学科教师理解何谓合理使用。三种设计都有实施成本：纵向课程需要教研协同，频率制度需要资源供给，规则治理需要教师逐项标注。

对区域主管部门，反例来自统计口径本身。一个平台接入学校可以只完成账号开通，一个学校全覆盖可以只安排最低课时，一条年龄规则可以只停留在文件。决定是否扩展时，应抽查同一批学校的课表、课堂任务和学生作品，观察三个日期是否一致：政策发布、首次授课、最近一次使用。若只能找到发布会数字，报告应写“实施回报”或“计划”，不能写成“学习成效”。

因此，区域比较的最小单位应是“学校—年级—任务”，而不是城市总数。对同一所学校，可记录一个学期实际课时、使用的工具、教师批改方式和学生可见成果；对同一年级，再观察是否有转学、设备不足或教师替代。只有把这些条件写出来，江苏的纵向课程、广州的平台频率和北京的年龄边界才具有可比性。任何城市宣传中的“领先”，都应回到这张任务级证据表上复核。

给学校的启示是把区域政策翻译成一页课堂卡：本课目标、允许的 AI 步骤、必须独立完成的部分、教师核验点和课后反思。江苏的课时、广州的平台和北京的年龄规则都可以填进这五格。学生看到的是具体任务，教师获得的是可复用脚本，管理者获得的是能够抽查的实施证据，三方不必共享同一套宣传指标。

案例深描 · 学校采购与教材入口

学校真正买的往往是合同、内容连接和教师动作

微软与美国教师联合会 AFT、纽约教师联合会 UFT 发布学校 AI 安全与隐私标准，文件面向主要为教育设计或营销的生成式 AI 产品，允许学区在 2026 年 11 月 1 日起把保护安排加入新合同或现有协议。AFT 公告 标准说明 这是一条采购入口：学校先买可审查的合同条件，再决定是否扩大产品使用。它解决的是责任和数据处理的谈判成本，条件是供应商愿意提供可验证条款；反例是把标准当营销徽章，合同里仍没有删除、访问、事件通报和未成年人保护的可执行责任。

牛津大学出版社把 AI 助手放进既有教材平台。其公告称，AI Study Assistant 先在 2025 年 10 月的 Law Trove 上线，2026 年 9 月扩展到商业、政治和科学 Trove；回答会链接到平台教材来源。Oxford University Press 公告 这里的产品机制不是另起一个聊天应用，而是让学生在已采购的内容旁边提出问题、回到原文核对。采购方应检查引用覆盖、学科边界和教师能否看到学习过程。该公告没有提供留存率、考试成绩或付费转化，因此“嵌入教材”是产品部署事实，不是学习效果。

宾州州立大学的 Canvas 工具把“教师任务”变成第三个入口。校方介绍，教师可以在课程或单项作业上标记允许、有限允许或禁止 AI，工具将图标和说明插入 Canvas 富文本编辑器；教师自愿采用，工具本身不自动检测或拦截调用。Penn State 原文 站内详情 机制是减少教师在每次发布作业时重复写规则的动作，条件是规则与评分标准、学生申诉渠道同步；反例是只显示图标而不解释允许范围，学生仍无法判断哪些过程必须独立完成。

三个入口对应三个预算持有人。隐私标准通常由学区法务、采购和信息安全共同审核；教材助手由院系、图书馆或数字内容采购推动；Canvas 权限由一线教师在备课时间内决定。学校若把三者放进同一招标包，容易用统一“活跃用户”指标替代合同合规、内容准确和任务清晰。更好的验收写法是：合同查删除与事件响应，教材查可追溯引用，任务工具查教师设置完成率与学生理解度，三种证据分开。

这些案例也提供反例。合同有标准不代表每位教师会启用产品，教材有引用不代表学生会回到章节，任务图标存在不代表作业评价改变。采购决策可采用小规模门槛：先选一个年级或一门课程，记录教师设置耗时、学生提交的过程证据、错误引用率和家长或学生投诉，再决定扩容。对供应商而言，能把合规条款、内容出处和教师动作做成同一份可审计记录，才更接近学校真实的续约理由。

学校采购还受到“谁承担失败”影响。隐私事故由学校和供应商共同承担，教材错误首先由教师在课堂上解释，作业规则误读则会变成学生申诉。于是同一所学校可能愿意购买低风险的合同模板，却暂缓购买需要上传学生作品的 AI 工具；也可能采购高质量教材助手，却禁止它直接生成评分结果。供应商若只展示功能数量，忽略责任链，就会在试点阶段获得兴趣，在正式招标阶段失分。

可执行的评估表应把三种入口拆开：合同层面核验数据位置、保留期限、删除证明和安全事件联系人；内容层面抽测 20 个学科问题，核对引用是否指向当前教材章节；任务层面让不同资历教师各发布一次作业，记录设置时间、学生疑问和修改次数。这个数字样本不能替代正式评估，却能把“好用”转成可复核的采购证据，也能让学校发现真正的瓶颈是在法务、内容还是教师操作。

采购谈判还应把“退出”写进合同和课程计划。试点结束后，学校需要拿到学生账号、作品、日志和教师修改记录的可读副本，供应商需要说明删除周期与迁移格式；课程停用时，教师仍能用下载后的材料完成教学。没有退出条件，学校会因为沉没成本继续续约，即使实际使用只集中在少数教师。对教材助手和任务工具，最小可接受方案是能导出引用、作业规则和版本号，以便发生争议时重建当时的课堂语境。

学校还应把学生和家长纳入验收。合同条款由成人审核，规则理解却发生在学生提交作业时；教材回答即使有出处，也要让学生知道如何质疑。试点可以用短问卷和一组匿名作业检查学生是否能复述许可边界、指出引用位置、说明自己修改了什么。若学生仍把所有生成文本当作答案，入口设计就没有完成最后一公里。

案例深描 · 教师实施与持续支持

培训人数是起点，教师愿意改课才是实施指标

卡内基梅隆大学 AI4MiddleSchools 项目公告提供了一个可追踪的教师支持样本：项目此前培训 120 名教师、覆盖超过 1,700 名学生；新学年又在六个州培训 75 名以上教育工作者，并计划建设区域培训中心和在线专业学习平台，三年目标约覆盖 15,000 名学生。CMU 原文 站内详情 已培训、已覆盖、计划覆盖是三种状态，不能相加成“项目成效”。机制上，区域中心把一次讲座改造成同伴备课和持续答疑；条件是学校给教师留出共同备课时间，否则线上资源仍会停在下载层。

Thunkable 与洛克菲勒基金会公布的西弗吉尼亚州试点，把教师培训和学生作品放在同一条链上：四所高中约 120 名学生完成约 80 个应用，课程实施前有教师培训，随后每周进行开发与创业学习。基金会项目公告 站内详情 80 个应用是项目方的作品数量，不代表 80 个可持续产品或就业结果。它的实施机制是每周节奏和可见作品，教师角色从讲解软件转为安排迭代、用户反馈与创业表达；反例是只统计作品，不看学生是否理解数据、模型和责任。

江苏案例提醒我们，教师实施还包括把技术转译成学科语言。南京学校展示的 AI 课程、教师助手、智能班牌和机器人项目，说明学校已经有可触摸的任务载体；报道同时提到，校企合作的难点在于“不是安装，而是教师愿意每天使用”。江苏现场报道 这句话揭示了续用条件：设备维护、课堂脚本、故障替代方案和教研反馈必须同时存在。产品若只交付设备和一次培训，遇到课表紧张、教师调岗或网络故障就会失去使用频率。

教师负担有研究证据支持。广西五所公立高校 486 名全职教师的横断面便利样本中，所有受访者都使用过生成式 AI；研究发现 AI 技术压力与教学自我效能、职业认同负相关，组织支持会削弱这种负向关系。Frontiers 研究原文 研究模型报告技术压力到教学自我效能的路径系数约为 -0.336，不能据此推断因果，也不能外推到所有地区教师。决策含义是，培训采购至少要配套可获得的同伴支持、问题响应和任务模板，单纯增加工具选项可能扩大压力。

因此，教师实施的验收应由“参加过多少人”改成四个动作：教师能否在一周内完成一次任务设计，能否说明允许和禁止的 AI 步骤，能否核验一份学生过程记录，能否在下次教研中修改材料。CMU 的培训网络、Thunkable 的每周作品和 Canvas 的规则插入各自覆盖其中一段。若学校没有时间记录和匿名反馈，就无法判断培训是形成工作流还是完成签到；采购方应把续约条件写成可观察动作，而非口号。

教师实施的难点常发生在第二周。首场培训有讲师、有新鲜工具，第二周教师要把工具接到本班教材、学生差异和校内网络条件；第三周还要处理学生提交的幻觉答案、抄袭争议和账号权限。CMU 的区域培训中心与在线学习平台之所以有价值，正在于它们可能提供持续答疑和同伴示范。学校应要求培训方交付可编辑任务模板、失败案例和替代活动，而不是只交一套演示幻灯片。

教师工作流也需要区分使用者和审核者。一个教师可以用模型生成提问清单，另一个教师负责检查事实和年龄适切性，年级组再决定是否把任务放入公共资源库。这样的分工能减少单人承担全部风险，却会增加教研协调时间。若没有明确的版本负责人，模板很快过期；若只有一个“AI 骨干”负责全校，调岗后项目容易中断。实施证据应记录谁改过任务、依据什么改、学生出现什么问题。

教师支持的反例是把“自愿”误读成“无需服务”。自愿采用适合保护教师专业判断，却不能替代排课、设备、助教和技术响应。学校可以给教师保留不使用某工具的选择，同时规定一条统一的学生告知和替代活动流程；这样，课堂不会因个别教师退出而失去规则。供应商则应提供低带宽、无账号演示和人工评分路径，让教师在系统故障时仍能完成目标任务。

教师评价也不宜只看生成内容的数量。更有意义的是备课时间是否减少、反馈是否更具体、学生是否能解释自己的修改。学校可以抽取少量作业做前后对比，记录教师删改模型建议所花时间，并访谈没有使用工具的教师作为参照。这样的证据仍是校内试验，不能冒充普遍结论，却能帮助管理者判断支持服务是否值得续费。

案例深描 · 职业教育与产业任务

职教项目把 AI 从“会用工具”推进到交付一个能验收的任务

深圳职业技术大学的公开报道把 AI 人才培养拆成专业、平台和实训场景：学校规划“智能体工程技术”专业，建设 AI 职业教育大模型与“深职 i”平台，并称已形成 384 个虚拟仿真实训场景、建设 18 个海外深圳数字工坊。新华网原文 这些数字来自学校和媒体的项目披露，应标注为建设计划或项目方自报，不能解读为毕业生就业率、企业满意度或海外学生完成率。机制上，虚拟场景把企业任务拆成可重复练习，条件是场景与真实岗位工具、数据和验收标准同步更新。

福建省教育厅公布 2026 年人工智能赋能高职教改课题立项 29 项，其中重大课题 1 项、重点 10 项、一般 18 项，文件要求研究与教材、课程、实训资源联动改革。福建教育厅原文 站内详情 29 项是立项数量和资源投向，不是已经完成的课程数量。它给院校的信号是，AI 课程竞争将从单门课展示转向教材、实训和教改成果的组合；反例是申报材料写出“产教融合”，但企业没有提供真实数据、设备或评价人。

职业院校实训项目可以把需求分析、设备调试、模型迭代和现场答辩放在同一个交付周期里，适合观察“任务能否验收”，却不适合直接推断普通班级的学习效果。福建职教教改记录显示，课题立项与课程、教材、实训资源联动，是把竞赛式项目转成常规教学的一个入口；条件是教师和企业工程师共同定义验收指标，反例是只训练竞赛尖子，普通班级无法复用。

职业教育的采购对象也因此发生变化。学校需要的不只是一套聊天接口，还包括可复位的仿真数据、工位级设备、版本管理、教师故障手册和企业评价表。深圳案例的 384 个场景适合检验资源规模，福建 29 项课题适合观察教改资金流向，竞赛项目适合观察任务完成；三者不能用同一指标排序。决策者应分别询问“能否练习”“能否由教师维护”“能否由企业验收”，每一问都要求提供任务样本和时间记录。

产业任务也可能成为职业院校的反例来源。若模型和设备更新速度快于教材，学生练到的接口可能在实习时失效；若海外数字工坊只有建设公告，没有开放时间、学员数和完成率，覆盖就是计划而非结果。适合扩展的项目应保留版本化任务包：记录数据来源、学生修改、教师评分和企业复核，并把就业、证书或岗位转化单独追踪。这样，学校可以把竞赛亮点转为可复用课程，供应商也必须用持续维护证明续约价值。

职业院校还要面对专业结构的错配。智能体工程技术专业需要软件工程、数据治理、交互设计和行业知识同时出现，传统单一的“编程课”无法覆盖；企业真实任务又可能包含商业数据，不能直接拿来教学。深圳的虚拟仿真场景提供了脱敏和复位的可能，但学校仍须说明场景由谁更新、教师如何复核、学生能否看到真实约束。若课程只强调模型调用速度，学生容易学会提示词，却不会写需求、测风险和交付文档。

把竞赛成果转成普通课程，需要一次“去明星化”设计。先把获奖团队的完整任务拆成基础、进阶、协作和答辩四个层级，给每层规定最低材料、时间和评分，再让不同班级重复执行；比较的是任务完成率、返工原因和教师辅导时长，而非奖项数量。福建课题立项可以提供教改资源，深圳场景可以提供练习载体，企业复核可以提供岗位语境，三者结合后才有机会形成可持续的人才培养链。

职教项目的结果还要沿着毕业去向追踪。比赛获奖、课程结业、取得证书、进入实习、被企业录用是五个不同节点，学校不应把其中一个替代全部结果。对每个场景，至少保存任务版本、学生角色、返工次数、企业评分和后续岗位要求；对海外数字工坊，则另记开放批次、参与者和完成率。只有这些结果连续出现，才能判断“场景建设”是否转成了人才供给，否则仍应写成自报或计划。

对产业方而言，最可持续的合作是共同维护任务而非一次性捐赠设备。企业提供岗位变化和验收表，学校提供学生反馈和教师改课记录，平台负责版本和权限。三方每个学期复核一批场景，淘汰失效接口并保留旧版本供复盘，才能让学生同时学习技术更新和职业判断。

当项目无法提供这些连续记录时，报告应保留“建设中”的表述。它仍然有价值：能说明资金和组织正在向某类技能集中，也能帮助其他院校提前准备师资与设备；但它不能替代毕业去向、课程完成和企业复购等结果证据。

这条边界也保护了学生和教师，避免把一次展示误当成长期能力，便于后续复核、改进、公开讨论与持续追踪验证。

20 · 方法与边界

如何读这份报告，如何继续扩展

报告采用“扫描—核验—聚类—解释—回访”的工作流。扫描阶段从站点资讯、日报、周刊、主题、回答和产品雷达发现变化；核验阶段回到原始来源和站内详情页；聚类阶段按政策、课程、教师、产品、证据和风险归组；解释阶段区分事实、机制与判断；回访阶段追踪计划是否兑现、状态是否改变、原结论是否需要收窄。

内链是证据结构的一部分。每个章节都尽量链接到一个长期主题或知识库回答，具体案例链接到资讯详情，方法和边界链接到周刊或归档。读者可以从报告的判断回到事件，从事件回到主题回答，再回到同一主题的其他案例。这样的路径比把所有来源堆在页面末尾更容易发现反例和限制。

报告不把站点覆盖范围当成行业全貌。站点聚焦 AI 教育政策、公司、产品、课堂实践与研究，受限于公开信息、语言、来源可访问性和编辑筛选。未被收录的市场、私有学校数据、未公开合同和真实留存仍然未知。报告中的趋势是对可见证据的整理，不是对整个市场的普查。

数据读取记录为 2026-10-11。首页统计来自 edu.hhhh.life 页面 DOM；产品雷达使用公开导出快照，接口读取日为 2026-10-11，但产品记录的多数 verifiedAt 仍为 2026-08-08；最新资讯通过站点公开页面与日报核对，部分 10 月条目使用站内详情页作为链接证据。报告不会把公开 API 的响应限制、动态列表上限或媒体摘要当作完整全量导出证明。

修订规则保持公开。若后续发现原始日期、主体、数字或链接错误，更新正文并记录修订日期；若新证据改变判断，保留旧判断的适用范围和更改原因；若一条资讯被合并、回撤或标记为重复，更新统计口径并说明影响。这样，报告可以增长为月度系列，也可以拆成政策、课程、产品和证据四个专题版本。

本报告最终希望提供一种工作方式：面对快速变化的教育 AI，先明确事实发生在哪里，再理解它通过什么机制影响谁，最后用下一条可观察证据检验判断。读者可以从周刊归档阅读完整案例，从主题页查看长期回答，从知识库获得按角色整理的行动清单，也可以回到最新日报追踪新的事实。

21 · 附录问题

读者可以继续追问的十个问题

一，课程全覆盖以后，真正完成了多少课时？学校是否把 AI 写进稳定课表，还是仍依赖临时活动和竞赛？同一地区不同学校之间的教师、设备和课程资源差距多大？只有把开课证明、课表、教案和学生作品放在一起，覆盖率才有教育含义。

二，学生使用 AI 的主要目的是什么？是查找资料、理解概念、练习表达、获得反馈，还是直接代写？北京政府发布的相关指导页面转述调查称，近两成学生表示用于代写作业，20.5% 表示想依赖 AI 而不想自己思考，70.3% 相信 AI 内容。后续观察应区分自报态度、实际日志和任务结果，不能从一个调查数字推断所有学生行为。

三，教师培训改变了什么？培训人数和培训次数只能说明供给，不能说明教师是否在真实任务中减少准备时间、改进反馈或更敢于处理错误。培训后应跟踪一个学期的课程材料、教师修改、学生作品和教师自评，必要时加入同行观察与访谈。

四，AI 导师给了多少提示？学生是否能在第二天解决新问题？如果产品只公布对话量、留存和正确率，研究者仍无法知道学生是在学习还是在寻找答案。提示层级、独立作答、迁移任务和错误修正是更接近学习过程的指标。

五，学校怎样判断一个工具可以被信任？可信度不只来自模型评测分数，还来自来源引用、错误报告、人工复核、数据删除和供应商响应。采购文件应要求真实错误演示和事件处理记录，避免只审阅宣传材料。

六，谁从硬件中获益？答疑笔、学习机和语音设备可以降低交互门槛，也可能增加屏幕时间、家庭支出和儿童画像。评估时要把家长控制、离线能力、售后更新、内容适配和独立学习一并观察。

七，公共奖学金是否改善了机会公平？10 万份奖学金和 200 多门课程扩大了入口，但偏远地区的网络、语言、设备和导师支持可能仍是障碍。应比较获得资格、开始、完成和迁移四个阶段，观察不同人群的掉队点。

八，产业合作如何进入课程？职业教育项目若只把企业设备搬进校园，学生可能获得短期体验，却没有完整岗位能力。更值得追踪的是项目需求、调试过程、团队协作、成果展示、行业评价和毕业后的迁移。

九，政策限制是否产生了更好的教学设计？暂停工具并不会自动提升学习，但它可能促使学校重写任务、增加讨论和过程评价。观察政策效果应同时记录工具可得性、任务改变、教师负担和学生结果，避免把限制本身当成结果。

十，哪些结论会被新证据推翻？如果一个产品声称提高成绩，新的随机研究没有复现，判断应当收窄；如果教师持续使用并且过程数据变好，原先的保守判断应当更新。行业报告的质量，体现在它给自己留下了被修正的入口。

22 · 附录矩阵

从事实到行动的最小记录格式

事件卡的第一行写事实：谁在何时发布了什么，原文在哪里，日期属于报道、政策生效、产品发布还是研究披露。第二行写变化：相比此前状态，哪个条件发生了变化。第三行写影响：它可能改变谁的采购、课程、工作或风险。第四行写未知：还缺哪些数字、样本或独立证据。

主题卡的第一行写问题：读者究竟想知道什么。第二行写回答：在当前证据下可以给出的判断。第三行写证据：支持、限定、反驳和示例分别来自哪些资讯。第四行写边界：适用人群、地区、时间和制度条件是什么。这样，回答可以随着新证据修改，而不必重写所有背景。

产品卡的第一行写使用者、任务和入口。第二行写机制，例如追问、语音、内容嵌入、教师设置、硬件传感或技能验证。第三行写状态，包括已发布、可使用、持续使用和有效果是否有独立来源。第四行写下一步观察，包括留存、复购、错误、数据和退出。

学校试点卡的第一行写范围：学段、班级、教师和周期。第二行写实施：账号、设备、培训、课程和支持。第三行写结果：任务完成、教师时间、学生过程、迁移和反馈。第四行写决定：扩大、调整、暂停或退出，并说明谁作出决定、依据何在。

研究卡要保留样本、设计、比较组、结果、限制和适用边界。横断面研究可以说明关联，不能直接证明因果；单校项目可以展示实施，不能代表所有学校；企业内部数据可能拥有大样本，但需要审阅分母、选择和定义。报告在引用研究时会优先保留这些限制。

数据图卡要说明分子、分母、时间和来源。906 是当前收录总数，891 是资讯列表，618 与 273 是 2026 年资讯的地区分组，114 是产品线索，581 是公开信源。它们回答不同问题，不能拼成一个“市场规模”。图表脚注应比图形更清楚地告诉读者如何复核。

修订卡要记录旧版本、新版本、触发证据、影响范围和发布日期。若只是补充来源，保留原判断并标注补充；若事实错误，明确更正；若结论被新研究改变，说明哪些证据不再支持原说法。修订历史是报告可信度的一部分。

时间字段也需要单独记录。publishedAt 表示事件或文章公开的时间，verifiedAt 表示编辑重新核对来源的时间，capturedAt 表示本次报告读取站点的时间，dataAsOf 表示统计快照覆盖到哪一天。四个日期相同并不意味着事实同时发生，也不能用报告读取日替换产品原始核验日。后续修订应保留这四个字段，读者才能判断一条数字是新发生、新核验，还是只是被重新展示。

内链质量可以用四个问题验收：链接是否能回到与段落同一主体的资讯，主题页是否解释长期问题，回答页是否明确证据与限制，指南页是否给出可执行动作。每次发布还应抽查桌面和移动端的首屏、目录锚点、中文与英文 hreflang、外链来源和旧版 URL。这样，内链既服务阅读，也服务编辑复核；当一条资讯被合并或更正时，报告能快速定位需要同步的段落。

内链卡要记录目标类型、目标 URL、链接用途和回读日期。主题链接解释长期问题，回答链接提供结构化判断，资讯链接保留事件和来源，周刊链接展示完整分析，指南链接提供行动方法。内链建设不是把页面互相串起来，而是把读者的核验路径设计出来。