AI教育2.0，这两年被反复提及。我见过很多打着这个旗号的产品，但真正让我停下来琢磨的一句话，是“把课程的最小单位改成一个孩子”。这句话不是一句口号，它意味着教学设计的主语，从“课”换成了“人”。以前我们讨论的是“这节课怎么上、讲什么、练几道题”；现在要讨论的是“这个孩子当前最需要学什么、用什么方式学、学到什么程度算学会”。从“一课解百人”变成“一人一条学习流”，背后涉及知识图谱、学习者画像、动态路径推荐、生成式对话辅导，也涉及老师和家长的角色重构。这篇文章，我结合自己做AI课程设计的实际体会，拆一下这套逻辑到底怎么落地，给一线教师、教育产品经理、关注个性化学习的家长，以及做AI教育的开发同学，都做个参考。

1. 从“一课一进度”到“一人一进度”：变的不是工具，是主语

1.1 传统课程的默认单位是“课”，它先天照顾“平均学生”

这几年我经常提醒同行的第一句话是：别急着谈算法，先把“课程的最小单位”这件事想清楚。为什么？因为过去几百年的教学系统，默认单位从来不是孩子，而是“课”。班级授课制设计之初，核心诉求可以用四个字概括：规模化授课。一个老师面对几十个学生，必须把知识切成课时，再按统一进度往前推。在这个系统里，所有配套的东西——教案、教材、练习、考试——都是以“课”为逻辑起点设计的。

这带来一个隐藏的假设：全班孩子在同一时间点，对同一知识点的起点差不多、接受速度差不多、需要练的量也差不多。可只要当过老师，就知道这个假设有多脆弱。我见过一个五年级班里，有人已经在用方程解应用题，有人连“分数的分子分母哪个在上”都要犹豫。让这两种孩子用同一份课件听同一段讲解，本质上是让其中一部分人陪跑，另一部分人硬撑。传统课堂不是不知道个体差异，而是没有能力在同一时空里处理几十种差异。老师只能面向“大多数”的平均水平。

我并不是要否定传统课堂的价值。它解决了人类历史上教育供给不足的问题，把一个国家或地区的整体识字率、基础科学素养拉到了一个可用的水平。但它的代价同样清晰：课程最小单位是“课”，孩子只是课程里的一个乘客。AI教育2.0想做的事情，就是把这辆车改成一套可以每人一条路的导航系统。

1.2 同一个班里的孩子，差异远比课程表想象的大

我参与过一个自适应学习模拟项目，当时团队用同一套诊断题测了一个班，结果特别有冲击力。同一个分数除法单元，有的孩子卡在“倒数”概念，有的孩子是整数除法不过关，有的孩子乘法分配律和分数运算混淆，还有的孩子其实全会，只是不爱做题。传统课堂里，这些孩子可能都会被贴上同一个标签：“分数除法学得不好”。但学得不好和学得不好之间，差着三种完全不同的干预策略。

这就像生病发烧，可能病因是病毒，是细菌，也可能是自身免疫问题。传统教育只看温度计上的刻度，AI教育2.0要做的则是先做病因鉴别，再开个性化处方。如果课程最小单位还是“一节分数除法课”，那不管AI多聪明，它都只是在同一碗药里调整剂量。真正的变化，是把课程的最小单位拆到“每一个孩子的具体知识漏洞、学习风格、情绪状态和当下目标”，然后生成一条只属于他的学习路径。

我常打一个比方：传统的课像是食堂配餐，今天的菜谱是什么，大家都吃什么。AI教育2.0则像是一个懂你的私厨，先问你想吃什么、需要什么营养，再根据手头食材给你配一道菜，而且吃完还能调整下一道。这不是把食堂变得更好吃，而是把“吃饭”这个最小单位，从“一餐饭”变成了“一个人。

1.3 把最小单位换成“一个孩子”，设计原则就变了

如果承认最小单位是孩子，那么课程设计的基本原则就需要重写。我总结过五条，每条背后都有实际项目经验，不是理论推导。

第一，目标跟着孩子走，不跟着教材走。教材目录只是公共知识序列，不是每个孩子的通关顺序。某孩子可能当前最该补的是三年级的分数量感，而不是五年级的分数除法，系统要允许这种“回退”。

第二，节奏跟着掌握度走，不跟着时钟走。35分钟一节课是管理便利，不是学习规律。有的孩子10分钟能搞定，有的孩子需要45分钟。AI教育2.0的心跳是“状态更新”，不是“下课铃”。

第三，内容跟着偏好走，不跟着统一介质走。有的孩子看视频学得快，有的孩子读文字才踏实，有的孩子必须动手算才能理解。同样一个知识点，应该有不同的表达方式。

第四，反馈针对具体错误，而不是整体对错。一道题做错，传统系统只会打个红叉；AI教育2.0要做的是定位错因：是概念混淆，是计算失误，是题意理解偏了，还是纯粹粗心。每一条错误原因都应该映射回知识图谱。

第五，评价参照“自己过去的自己”，而不是班级排名。每个孩子的进展曲线不同，起点不同，用横向排名评价不科学，也不利于学习动机。

这五条原则写起来简单，真要在系统里实现，就需要准确回答几个技术问题：知识拆到什么粒度、画像怎么建、路径怎么推、内容怎么生成。这也是下一节要展开的部分。

2. 一人一课的系统怎么搭：知识图谱、学习者画像、路径推荐缺一不可

2.1 知识图谱：没有原子颗粒，个性化就是空话

AI教育2.0的第一个地基不是大模型，而是知识图谱。知识图谱的作用，是把学科知识拆成有明确前后关系和依赖逻辑的“最小知识点”，让学生卡在哪一步，系统一眼就能定位。

我见过太多团队一上来就做大模型讲题，结果孩子做错一道题，系统只能告诉他“答案是3”，或者重新讲一遍教材原话。这不算个性化，这叫更聪明的教材扫描仪。知识图谱应该像乐高的积木说明书，每个积木颗粒都有唯一的编号和连接关系。没有这个说明书，AI就不知道一个孩子不会分数除法，到底是因为不会倒数，还是不会约分，还是不理解除法本身。

我常用的一个知识点节点模型大概长这样：

{ "node_id": "FracDiv_01", "name": "分数除以整数", "prerequisites": ["分数乘法", "倒数概念", "整数除法"], "learning_objectives": ["能说明除以一个数等于乘它的倒数", "能正确计算分数除以整数"], "difficulty": 0.6, "common_misconceptions": ["混淆分子分母", "忘记把整数化成分数"], "media_types": ["video", "text", "interactive"] }

这里的“prerequisites”决定了孩子能不能解锁当前节点，“common_misconceptions”则用来匹配错因。字段听起来简单，真正难的是拆粒度。颗粒太粗，一个节点里包含太多子技能，出错了仍然定位不到根因；颗粒太细，图谱会变得极其庞大，维护成本高，学生也会被频繁的路径切换搞得很累。我个人的经验是，一个知识点的学习时间以3到5分钟能完成一个练习为宜。这不是绝对标准，而是从十几个项目里摸出来的“可解粒度”：太短的没有训练价值，太长则说明内部还藏着多个子能力。

构建知识图谱的方式，目前比较可靠的是三步法：先拉一个骨干结构，按教材目录把章、节、知识点排出来；再让一线老师标注前置关系和常错点；最后用真实学习数据反推，比如发现大量学生在学B之前会卡在A，就把A和B明确挂了边。不要指望一次性把图谱做完美，它更应该像一个持续生长的活结构。

2.2 学习者画像：记录“现在的他”，不是贴一张“差生”标签

知识图谱解决的是“学科怎么组织”，接下来要解决的是“这个孩子怎么描述”。很多团队把学习者画像做成了标签库：“小明，五年级，数学薄弱，注意力不集中”。这种画像基本没用，还会造成标签固化。真正的学习者画像应该是动态的、多层次的，而且必须有时效性。

我在实操中会把画像拆成四层数据。第一层是知识层：每个知识点上的掌握度、正确率、最近三次作答耗时。第二层是过程层：孩子的求助行为、改错顺序、跳过哪些题目、在哪个页面停留过长。第三层是偏好层：视频、文字、互动模拟三种介质各看几分钟，什么时段状态好。第四层是状态层：今天的做题用时、自我报告的情绪和体力。

其中最容易忽略的是时效性。孩子的状态不是恒定的，昨天状态好，今天可能很疲惫；前天刚学会的知识点，一周不复习就会出现遗忘。我常用的更新规则是：每次学习任务结束后立即更新画像，画像区块的有效期不超过7天，超过期限没有新数据的维度要衰减权重。换句话说，画像里的数据不是存到数据库就完了，要在每次交互中不断重新确认。

这套画像的作用是提供“当前值”，而不是永久标签。我特别避讳“这孩子阅读理解差”这种定性描述，更愿意记录成“该生在说明文段落概括这一知识点，掌握度0.45，最近三次作答中，两次选择‘不看文章直接回答’”。前者是审判，后者是可以干预的事实。AI教育2.0要把孩子当成“正在变化中的学习者”，而不是“一个带着历史缺陷的对象”。

2.3 学习路径推荐：用最近发展区算出下一步学什么

有了知识图谱和画像，下一步就是决定“接下来学什么”。这块不能简单理解成个性化刷题，更不能让孩子在内容库里自由逛，而是应该根据最近发展区来做动态决策。维果茨基那套理论用大白话说就是：给孩子安排他跳一跳够得着的内容，太简单会无聊，太难会挫败。

我在项目里用过一个非常朴素的推荐规则，效果很不错。第一步，从知识图谱中筛出所有“前置条件已满足、但当前未掌握”的知识点；第二步，按难度排序，选出难度在0.4到0.7之间的候选；第三步，用画像中的掌握度和历史完成率做预测，优先推预测完成概率在0.6到0.8之间的任务；第四步，如果孩子连续两次做错，就自动降一个难度级别，并补一道前置诊断。这套规则不依赖复杂的强化学习，但对冷启动项目足够稳定。

真正有意义的是同一个知识点，不同孩子会得到完全不同的路径。同样学“分数除以整数”，孩子A的图谱显示“倒数”没掌握，系统会先给他补倒数概念，再回到正题；孩子B已经会分数乘法和倒数，系统直接给他推探究式任务，让他从例子中总结规律；孩子C对文字题有畏难情绪，系统会先给他看图填空，再逐步过渡到应用题。你看，表面上是同一个知识点，实际是三条完全不同的课。

这里有一个必须注意的点：推荐不是越准越好。如果系统基于历史数据把孩子的所有选择都预测出来，孩子就失去了探索的机会。我更倾向在推荐里加入一定的随机度和可选项，让孩子偶尔可以选“今天不想学这个，想看看后面有什么”。个性化不等于替孩子做所有决定。

2.4 大模型做的那份工：把标准讲解变成对话式个别辅导

知识图谱、画像、路径推荐解决了“学什么”，还没解决“怎么讲”。传统教育里，差的老师照着课本念，好的老师能把同一个道理用三种例子讲明白，还会追问、点拨、等待。大模型的出现，让“生成式一对一辅导”第一次可以规模化。

但它不是用来直接输出答案的。我常和团队说，大模型更像一个“苏格拉底式助教”，它的任务不是告诉孩子“答案是3”，而是通过追问让他自己发现“为什么除以一个数等于乘上它的倒数”。我写过一个比较稳定的提示词模板，方向大概是：

你现在是一位小学数学老师。请帮助一个五年级孩子理解“分数除以整数”。 要求： 1. 不要直接给出计算步骤或答案； 2. 先问孩子对“倒数”的理解； 3. 根据孩子的回答，选用一个生活化的例子； 4. 通过提问，引导孩子自己说出“除以2等于乘以1/2”； 5. 每次回应不超过80个字，语气口语化。

这样生成的对话，孩子会觉得有一个人在等他思考，而不是AI在表演知识。但大模型生成的讲解不能默认可信，必须做两层把关：一是事实性把关，涉及公式、概念要接知识图谱数据，不能让模型自由发挥；二是教学法把关，如果孩子连续几次听不懂，系统要降低讲解难度并切换到另一种介质，而不是换一套同样难的话术再来一遍。

在实际落地中，我强烈建议保留一个“教师可见”的跨栏。大模型和孩子的对话记录要全部保存，并且对有争议的讲解打上"需复核"的标记。不是不信任AI，而是教育领域一旦发生教学错误，纠错成本远比普通推荐系统翻车高得多。

3. 实操记录：一堂“只服务一个孩子”的学习流这样设计

3.1 先别急着录课，先给这个孩子建立“基线”

刚才说了很多系统层面的东西，这一节我带你看一个具体实操场景。假设我们要为五年级孩子小晨设计一次关于分数除法的学习，目标不是“完成第5课”，而是“让小晨解决他当前最卡的概率最高的问题”。

第一步不是做课件，而是采集基线。小晨进入学习终端后，先做一组自适应诊断，系统根据他上一章的表现逐步调整题目难度，不用10题就给出一份知识状态快照。结果发现，他的整数除法正确率很高，分数乘法掌握度0.72，但“分数除以整数”的掌握度只有0.25。再往下挖，诊断里有一道题要求解释“为什么除以2等于乘以1/2”，小晨答不上来，说明他的卡点不是计算能力，而是对“倒数关系”的理解。

同时，我还让小晨自己选三个选项：今天大概能学多久、更喜欢看视频还是自己算、心情状态如何。这些主观信息会和画像数据合并，形成一条基线记录。这个过程大概只需要5分钟，但对后续35分钟的质量影响巨大，因为你知道他不是从零开始，也不是从教材设定好的“本章起点”开始。

3.2 35分钟动态学习流：诊断、导航、个性化内容、主动练习、复盘

课程最小单位改变后，时间结构也变了。传统课是“新知导入-例题示范-练习-作业”，所有孩子共用同一个模板。我设计的动态学习流则更像一个可以自由伸缩的工作流，下面这套35分钟结构是通用骨架。

你可能注意到，教师没有消失，只是角色从“主讲者”变成了“协作者”。AI承担了大量个性化诊断、内容分发和常规反馈，而教师只做三件事：确认目标、介入卡点、组织复盘。以小晨为例，在这35分钟里，AI发现他卡在对“倒数概念”的理解上，系统自动切换到一个动画演示，把一个长方形平均分成两份，让他感受“除以2”和“乘1/2”是同一件事。教师则在小晨完成演示后，带着他用乐高积木再摆一遍，把抽象规则做成了身体记忆。

如果按传统课，小晨可能整节课都在练分数除法，而会做的学生也会在重复中失去兴趣。动态学习流允许两人同时学同一单元，但身处完全不同的学习路径和深度。

3.3 课后产出变成“学习证据集”，而不是一张成绩单

现在很多家长拿到学习报告，第一眼看的是分数、正确率、班级排名。说实话，这些东西对下一步学习几乎没有任何指导意义。所以在我参与的课程里，课后会生成三种不同视角的“学习证据”，而不是一张成绩单。

给孩子看的版本很朴素：你今天从哪里出发、路上遇到了哪个难点、你是用什么方法跨过去的。小晨的报告里会有一句话：“你发现除以2和乘1/2有关系，是通过切披萨动画想到的。”让他觉得自己今天有所突破，而不是“又刷了20道题”。

给老师看的版本是整个知识图谱上的变动：哪些节点掌握度提升了，哪些节点出现了新的错因信号，明天最适合做什么干预。它不需要罗列所有数据，只需要告诉老师在一个班40个孩子里，有哪3个人最值得人工关注，哪5个人可以放手自主学。给家长看的版本则是孩子学习习惯和状态的晴雨表：今天学习时长多少、有效专注时间多少、有没有频繁求助、情绪曲线如何，以及孩子最近偏好什么样的学习方式。家长拿到这个版本，才知道该鼓励孩子什么，而不是只会说“你要努力”。

这套三位一体的报告逻辑，核心是让不同角色各取所需。评价的目的不是把人分成三六九等，而是为下一步行动提供依据。

3.4 实操中最容易踩的三个岔路

第一个岔路：只做了题库，没做知识图谱。很多团队把几百道题按章节排好，然后用规则匹配错题，就敢说“个性化”。这实际是在旧地图上开了辆新车，孩子做错了仍然不知道为什么。我建议先把知识的最小单元拆出来，再谈刷题。

第二个岔路：画像更新不及时。有个项目在测评后把所有数据写进画像，后续两周不再更新，结果系统一直推高难度题，孩子状态明明已经疲惫、连续三次做错，系统还在原地坚持。后来我们加了“最近三次作答连续错误即降难度”的熔断机制，情况立刻好转。

第三个岔路：让教师退出系统。有一版方案完全做成“AI辅导机器人”，老师只在后台看报告，结果半个月不到，老师就不信任系统了，因为学生到底怎么想、卡在哪个瞬间，老师完全不清楚。后来我们改成人机协同：AI负责7x24小时的常规陪伴，但所有阶段性决策必须由老师确认，系统只是提供建议，老师有一票否决权。这样运行了一个学期，老师的接受度明显提高。

4. 别盲目铺开：哪些场景见效快，哪些被高估

4.1 最容易落地的三个场景

如果要判断AI教育2.0现在最值得尝试的地点，我不会优先推荐全日制教室，而会看三类场景。

第一类是课后补救和补差。孩子在正常课堂里落下来，最需要的是精准补漏。课后时间有限，传统补课只能重讲一遍教材，AI个性化系统却能先定位到具体卡点，用最短路径补上。这个场景学习目标明确、反馈快、见效周期短，非常适合小步快跑。

第二类是项目式学习和素质拓展。比如一个“建造一个降雨模型”的项目，有的孩子擅长用数据，有的孩子擅长动手搭建，有的孩子对天气原理感兴趣。AI可以给每个人提供不同的资料包和任务建议，让同一个大主题长成完全不同的个体成果。这种场景本来就强调差异化，和个性化系统天然匹配。

第三类是特殊学习需求。我在一个阅读能力提升的模拟项目中试过，一个孩子总是读不懂整段文字，后来诊断发现他卡在拼音与文字的自动对应上，并不是阅读理解能力差。传统课堂里他只会被说“读书不专心”，AI系统通过语音交互和逐句拆解，帮他补上了这个底层短板。

4.2 被高估的三个场景

我同样要泼几盆冷水。第一，统一的考试冲刺班并不适合完全个性化。如果一个班必须在同一周内完成同一张模拟卷，那系统的个性化空间会被极大压缩。AI能做的更多是分析错因和推荐专题练习，而不是为每个人生成完全不同的进度。

第二，把AI教育2.0直接塞进大规模全日制课堂，短期内会遭遇大量管理问题。进度松散、教师备课复杂度上升、家长对屏幕时间敏感，这些都不是纯技术问题。如果学校的基本治理结构还是以班级为单位推进，那再好的个性化引擎也只能在边缘尝试。

第三，AI替代不了真实的人际温度。孩子会因为喜欢一个老师而喜欢一门课，会因为同伴的目光而坚持做完一道题，这些情感交互不是大模型能完全模拟的。个性化系统可以成为那个最懂他学习状态的人，却很难成为那个给他一个拥抱的人。把AI当成情感支持用，容易翻车。

4.3 判断一个AI教育项目值不值得做的三个问题

我参加评审时，一般就用三个问题过滤项目。

第一，你有没有数据闭环？如果孩子做了一遍内容之后，系统不能产生新的数据并用于下一轮路径调整，那不管这个系统叫不叫AI，都只是一个数字题库。真正的个性化，要求每一次交互都同时是“学习行为”和“数据采集行为”。

第二，老师有没有决策权？一个系统如果所有决策都由算法完成，只给老师推送通知，最后一定会被抵制。老师需要能看到系统建议背后的依据，并且有能力推翻它。不是老师比AI强，而是教育责任的最后承担者应该是人。

第三，你是否愿意把孩子看成一个动态的人？如果你还在用“聪明、笨、差、好”这种一次性标签来描述学生，那AI系统再先进也只会把偏见放大。项目上线前，先检查一下产品文案和算法特征，有没有把学生分类定义得太死。

5. 常见问题与排查手记：这是最难写的一章

5.1 高频问题速查表

我在实际项目里遇到过大量重复性问题，这里直接给一份速查表，按“现象-原因-排查方向”展开，方便你对照。

排查的底层逻辑不是看单条日志，而是看“画像-推荐-行为-画像”这条闭环是否在正常转动。

5.2 排障时我常用的三个笨办法

一是找三个极端学生试跑。每次系统迭代，我会特意找班里学得最快、学得最慢、以及处在中间摇摆的三个孩子做小范围测试。如果他们三条路径都能走通，说明知识图谱的连通性大体没问题；如果其中一条卡死，往往就是前置关系或者难度标注出了问题。

二是看学习轨迹，而不是看报告。报告会平滑掉很多细节，轨迹不会。有一次孩子报告显示正确率提高，但我看轨迹发现他用了大量“查看提示”，实际上并没有真正掌握。修正策略后，系统增加了提示次数的权重，才让数据回到真实状态。

三是每周只给老师三条建议。信息过载是教育产品的大忌。系统每天可以产生几十条数据，但老师不可能逐一阅读。我后来的标准是：每周帮老师从全班里筛出“最值得人工干预的三个人”，每个人附上一句话的干预方向。老师看得完，才可能真正用起来。

5.3 数据隐私与算法公平，不能等问题暴露再补

AI教育2.0采集的数据非常敏感，有些甚至是孩子一两分钟的犹豫时间、改了几次答案。这些数据如果被滥用，伤害的不是成年人，而是尚未完全形成自我保护能力的孩子。我把隐私问题分成三层看。

第一层是采集层，只采集完成任务所必需的数据。判断学没学会，不需要知道孩子的家庭住址，也不需要对孩子的脸做表情识别。我参与的项目里，画像数据只保存答题结果、学习时长、求助行为，所有涉身份信息都做了分离匿名化。

第二层是权限层，默认最小可见。孩子自己的数据，只有孩子本人、家长和直接任课教师能看，而且不同角色看到的字段完全不同。教师能看到孩子的知识漏洞，但看不到孩子的心理健康问卷答案，这类敏感信息单独设置授权。

第三层是算法复盘层，要定期检查推荐结果是不是在被某个单一维度主导。有一次我们发现，系统给阅读习惯一般的孩子频繁推送纯视频课程，结果他们学得更差。原因是训练数据里“喜欢视频的孩子”占大头，算法误把介质偏好化成了覆盖所有场景的规律。后来在推荐公式里加入了“文本阅读训练”的加权，才把这股偏倚压回来。

6. 最小单位变成人之后，师生关系也要跟着变

6.1 教师的新定位：课程裁缝加学习教练

AI教育2.0最容易让老师产生焦虑的一句话是“系统比老师更懂学生”。我从实践中得到的结论是，系统可以做“更准的学情监测器”，但很难做“更懂人的教育者”。当课程最小单位变成孩子之后，教师反而更重要，只不过角色变了。

原来的教师是一个“知识广播员”，站在讲台上把同样的内容播给所有人。新的教师更像是课程裁缝，要根据系统的知识图谱画像，为一个孩子剪裁出一条适合的路径；同时还是学习教练，要在孩子遇到挫折时问一句“你觉得卡在哪”，让孩子自己说出策略，而不是上来就讲。AI把重复劳动接走之后，教师省下来的时间，不应该用来批改更多试卷，而应该用来和学生进行高质量对话。

6.2 个体化不等于孤岛化：临时学习共同体怎么组

一个容易走偏的方向是：既然每个人课程都不同，那就各自为政，每个人抱着一台设备孤独学习。这会牺牲掉合作、讨论、表达这些重要的学习能力。我在设计学习流时，会在个性化路径里保留“协作入口”。

比如小晨和小恬都在学分数除法，但卡点不同，一个需要对“倒数”的直观理解，一个对应用题建模发怵。系统会建议两人组一个5分钟的小组任务：小晨负责用披萨模型讲清楚倒数，小恬负责编一道应用题并解释为什么这样列式。每个人都有一块自己擅长的拼图，拼在一起才完成整个学习目标。AI在这里扮演的是“临时共同体撮合者”，通过画像找到可以互相补充的两个人。

这样的设计让个体化与集体感共存。孩子依然是独立的学习者，但他知道旁边还有同行者，学习不是孤军奋战。

6.3 终极目标：让孩子学会自己给自己排课

讲到最后，我一直在说系统如何帮孩子学习，很容易让人忽略一个更重要的方向：AI教育2.0的终点，应该是孩子越来越不需要系统替他排课。

一个孩子如果一直依赖AI告诉他下一步学什么、看什么视频、练几道题，那么他只是换了一种被喂养的方式。真正有效的个性化学习，应该让孩子逐渐看到自己的知识地图、理解自己的学习偏好，最终能够自己判断：“我这次没做对，是因为我没有理解倒数的含义，我需要先回去看一下那个动画。”这才是元认知的成长。

所以我在项目里会刻意保留“孩子自主选择”的入口，哪怕系统推荐了A，也要允许孩子选B，并且把选择的后果如实反馈给他。AI可以像一个越来越退后但仍存在的教练，而不是一个永远抢方向盘的控制者。这也是我对“最小单位改成一个孩子”更深一层的理解：课程的最小单位，最后应该是孩子脑袋里那个会自我导航的自己。

我印象最深的是一次迭代结束后，一个小男孩跑过来跟我说：“老师，今天我知道我卡在哪儿了，先不用帮我，我自己补一补。”那一刻我意识到，AI教育2.0真正要改变的不是技术，不是课程表，而是我们看孩子的视角。当一个系统真的以一个个孩子为单位运转时，教育才算开始了它该有的样子。