01 时代背景：变迁与革新

宏观：AIGC带来的生产力革新

AIGC延伸扩展人脑智能，降低使用门槛，应用影响力无限泛化

麦克卢汉提出，媒介是人的延伸。AIGC技术作为一种人造工具（媒介），是对人脑计算、思考、判断、学习等内在能力的延伸，同时在巨量数据的加持下，AIGC在发现、认识、运用规律上有着明显的优势，是人的智能在机器形态上的规模化聚集、运作和反应，突破了人类能力的边界；而AIGC的问答式交互、无需下载和配置等特性，使得AI技术的使用门槛大大降低，AI技术走向平权化；同时，联网后的实时海量数据支持，模型开源及插件生态的开放，结合用户无限的创造力，AIGC的影响力渗透进各行各业的每个角落，影响力无限泛化和扩大。

宏观：AIGC带来的人力需求变革

AI成为基础设施，部分基础工作被替代，社会人力结构和人才需求重塑

技术的跃迁、生产效率的提升并不会自然带来社会整体福利水平的提升，相反往往以牺牲部分人的利益为前提，进而引发社会结构、人力需求的重塑。AIGC交互界面的用户友好性、大模型开源及API价格的降低、插件服务带来的应用生态繁荣等，都使得AI技术或将成为像水、电、网络一样的基础设施，渗透并改变千行万业。然而，大模型具有认知、分析、推理能力，不同于自动化浪潮下对蓝领的冲击，AIGC时代受AI影响更大的可能是初级专业人士和技术人员，即部分白领。据Challenger报告显示，2023年5月，美国因AI替代造成的失业人数达3900人，且都发生在科技行业。以及据麦肯锡数据预测，到2045年左右，有50%的工作将被AI替代，比此前的估计加速了10年。与此同时，具有创造力、深度思考等高阶智力的人才，将享受到AIGC带来的效率优势，成为AI的驾驭者，相应的工作需求也会增加，并同时在教育领域创造出大量专业和学科，对教育课程和专业设置、人才素养评价提出新要求。据世界经济论坛发布的《未来就业报告2023》显示，未来5年内，人工智能、商业智能分析师、数据科学等大数据相关职位的需求增长最快，且创造性思维、技术素养、好奇心和学习能力等通识素养是未来最需要培养的技能。智能时代背景下，传统的技能已无法满足社会需求，学科壁垒不断消融，跨专业人才需求紧俏。

中观：AI技术的发展及其教育推动

由教学辅助到自适应学习，AIGC技术变革推动大规模因材施教逐步落地

全球AI+教育经历了诞生期-摸索期-产业期三个阶段，在诞生期，AI和教育的结合主要围绕辅助教学进行探索，应用于答疑、练习、模拟测试等环节，代替部分教师的重复性劳动。在机器学习的兴起下，AI+教育进入摸索期，二者结合的探索主题为智能导学及自适应学习。随着深度学习技术的进步，人工智能技术步入商业化阶段，AI+教育也进入产业期。近几年大数据、云计算、算力能力提升，大规模语言模型急速发展，2022年ChatGPT的发布更是引发了海内外LLMs的军备竞赛，2023年各类教育垂类大模型的争相发布，打开了通向通用人工智能（AGI）之路，帮助师生大幅提升教学效率，推动大规模的因材施教逐步落地。

中观：AIGC与现代教育结合的必要性

内容标准化、效益规模化、交互自然化，现代教育与AIGC技术价值吻合

AIGC技术与现代教育，在教学内容、师资配置、交互方式方面有着巧妙的吻合之处，彰显着技术落地的必要性。现在的教育模式基本是在工业革命进程中形成的，规模化和标准化是其基本特征，基于社会分工的逻辑，旨在为社会各行各业的发展培养可用之才。与此相对应的，便是分专业的学科式架构、分级分班的规模化教学。AIGC技术应用下，大规模的通用数据与教育各学科的垂类数据并存，通识教育和专业教育所需的内容均可满足。同时，AIGC资源不像教师资源具有时空上的独占性，有望实现大规模的个性化教学。值得一提的是，在交互方式上，口语面授是主流的、学生习以为常的教学交互方式，而AIGC技术的独特之处也在于多轮自然语言交互能力，有来有回的问答式相比于知识的单向灌输，更接近孔子《论语》的对话体教学，也更接近苏格拉底的启发式对话教学模式。

AIGC+教育的时代瞩目-经济

全球资本开始布局早期创业项目，关注K12和职业培训领域

教育作为AIGC技术落地的典型场景之一，2023年间，全球AIGC+教育赛道共发生45笔投融资，其中半数项目来源于美国，且多集中在K12教育及职业培训两个细分领域内。从项目成熟度来看，当前全球AIGC+教育投融资集中在早期阶段，全球资本普遍关注用少量资金布局早期创业项目。虽然当前成熟项目较少，但相较种子及天使轮，VC的单笔融资金额更高。可以预见，随AIGC在教育领域的应用发展走向成熟，资本将切入对成熟、优质项目的关注之中。

AIGC+教育的时代瞩目-学术与社会

AIGC+教育成为社会各方及学术研究的关注焦点

受2022年11月ChatGPT发布影响，全球各地开始广泛关注AIGC及其相关应用。自2023年2月起，社会各界对生成式人工智能在教育领域的应用产生了浓厚兴趣，并在2023年6月达到了关注的高峰，且热度持续不减。同时，学术界也在这一年里开始高度关注AIGC技术，并推动了人工智能与教育研究的热度提升。“AIGC+教育”成为包括学术界在内的社会各界关注的焦点。

社会态度：与时俱进，守正创新

时代缩影：观望—禁止—反思—放开，澳大利亚应对态度的挣扎历程

ChatGPT自发布后很快受到学生们的欢迎，但随之出现的学术舞弊现象引发学者和教育部门的广泛担忧。经过短暂的观望期，美国、英国、澳大利亚等地区纷纷禁止公立学校使用人工智能工具，我国的香港大学也颁布了针对ChatGPT的禁令。但一纸禁令不能杜绝作弊现象，由此扩大的数字鸿沟也引起重视。对待新兴技术的更佳态度是“堵不如疏”，正确的引导与使用能够弱化AIGC与教育结合带来的冲击，在抓住变革机遇的同时守正创新。当前，美国、英国及香港大学已先后撤销了禁令，澳大利亚也发布《框架》以规范和引导校内人工智能的使用。

02 教育进化：教育框架反思

技术发展影响教育形态

教育的进化在于结合前沿生产技术与教育理论探索“如何实现更好的教学”

教育作为服务于人类群体传承的古老环节，其连续性、稳定性和继承性的本质特征，决定了它不会随着生产技术发展而快速进化。在传统教育模式的基础上，前沿生产技术主要带来了教育资源类型、教学组织方式以及教学交互方式方面的革新，其影响是累积、叠加和渐变的，而并非是全然替代性的，“老师讲授-学生吸纳-知识传承”的班级授课至今仍然是学校的主流教学模式，和千百年前并没有本质上的区别。而如何利用前沿科学技术结合现代教育理论，实现更大规模、更高质量、更高效率以及更好成果的教育，是当代教育研究领域一直致力于探索的问题。

AIGC影响教学主体

带来人机协同教学和师资强化的期待，也引发AI挑战教师主体地位的思考

AIGC技术在教育领域引发变革的讨论中，对教学主体的影响是个引人注目的话题。在传统的师生教学模式中，教师是权威的知识传递者，但这一模式面临师资力量不均、个性化教学难度大以及教师机械劳动繁重难以成长等现有问题和弊病。AIGC技术的介入被看作是一种契机，代表了传统教学形态向“师-生-机”模式转型的可能性。AIGC能够通过补充教师资源、实现大规模个性化教学和减轻教师负担等功能，加大了实现更好教学的可能性，从而被学术界和市场普遍认可，同时人类教师可以从传统的知识传播者向学习的陪伴者和价值观的引导者方向转变。然而对“AI完全替代人类教师”担忧之声也同时存在，当前AIGC价值观的非中立性、信息准确性的不足、版权问题以及无法复制的人类情感和文化价值等问题使其难以独当一面，另外AI完全抢夺人类教师工作的可能性也会引发教师就业的恐慌。正反两方面的讨论，说明AIGC对教师的支持应用需要慎重框定范畴，以确保其成为教育主体的助力而非障碍。

AIGC介入教学载体

有望赋能教师并实现规模化因材施教，也挑战传统学习模式和评价体系

教育载体层（包括软硬件基础和工具）一直是前沿技术渗透的先锋环节。得益于国内各级院校信息化基础设施的不断完善，AIGC技术对教育载体层面的影响日益明显：AIGC技术在教学层的介入使得大规模因材施教等先进教育理念变得更加切实可行；同时，AIGC在赋能教师教学和教研方面的可行性也受到广泛认同。然而，这项技术的应用也伴随着挑战和争议：AIGC在精准度和价值观偏见可能产生的误导、学生长期使用AIGC可能导致的技术依赖以及利用AIGC作弊给评价工作带来的压力，使得教育界对于学生（尤其是青少年儿童）直接使用AIGC持广泛的质疑或反对态度，更加强调AIGC作为学习工具的有条件使用和有效管控。因此在发展契机与挑战共存之下，教育工作者们在适应技术发展并采纳更先进、公正、全面且平衡的科技工具的同时，需要深入考量AIGC类教育载体的功能体系和伦理边界，确保该技术能够健康且有效地服务于整个教育系统。

AIGC改变教育内容

高阶通识能力、跨学科复合能力重要性被重提，辅以AIGC技术素养要求

新一代AI技术在显著提升社会生产力的同时，也引发了生产关系的变革，社会分工结构面临重组，一些传统岗位被AI取代，新兴职业快速出现，而部分旧有学科则逐步淘汰。AIGC时代给教育系统带来了一个庞大而艰难的研究课题：我们应该如何培养能够适应这一变革的有用人才？这不仅涉及到教育范畴、目标和内容的调整，还包括学科专业设置的改变。2023年3月发布的《普通高等教育学科专业设置调整优化改革方案》进一步明确了到2025年将新设一系列适应新技术、新产业、新业态、新模式的学科专业，同时淘汰那些不再适应经济社会发展需求的学科专业。同时，ChatGPT等大模型先后通过注册会计、律师资格等多种考试，在信息搜集和整合上的能力逐渐接近甚至超越人类，也让我们反思AIGC时代下，简单的专业知识教学的社会适应性。因此教育系统需要调整教育内容，重视信息素养和高阶通识能力的培养，逐渐增加跨学科融合式教育的权重，以加快前沿人才的供给速度。同时，教育系统还需要尽快明确围绕AIGC技术学习的范畴和规范，帮助学习者接受并适应AIGC时代的到来，并理解技术及其对世界的广泛影响，这将确保未来的技术人才能够驾驭技术走向及其发展节奏，并有能力利用AIGC技术更好地改变世界和造福人类。

AIGC与学习主体的竞争

引发近乎科幻但并非遥不可及的哲学思辩：教育人类还是训练大模型

AIGC技术的快速发展正为社会经济带来显著的提振。高盛预计未来 10 年生成式 AI 有望给全球GDP带来 7 万亿美元的巨量提振，使全球年均GDP提高7%；而2023年AIGC领域已经快速吸引了大量的资金投入，截至7月全球AIGC风险投资额已经达到了150亿美元。然而AIGC在劳动市场上的高效能力也引起了对就业安全的广泛关注。高盛预计，由于AI技术的应用未来全球将有3亿个工作岗位面临被取代的风险，虽然部分观点认为AIGC技术有助于缩短工作时间从而提升劳动者福利，但像谷歌这样的国际公司因适应AI在业务中的应用而裁减3万职位的举措，使得公众对失业的可能性感到更加担忧。虽然相比教育周期漫长而成本高昂的人类来说，AIGC似乎是更加高效且具有高性价比的学习和劳动主体，但过份依赖AIGC并忽视人类教育和劳动的价值，是一种危险的想法。面对技术发展的快速步伐，社会需要更加谨慎地规划技术应用的方向，并制定合理的教育和劳动保障政策，确保AIGC能给人类带来更多社会公平而不是扩大不公平，在追求技术创新的同时保持对人类福祉和社会稳定的长远视野。

03 商业实践：技术应用扩散

应用场景—师生—学术科研

在文献整理、校对润色等方面减负，在数据处理与预测方面助力基础研究

学术科研中，存在大量机械性的工作，耗费心神且占据研究人员大量时间，而这正是AIGC的用武之地。AIGC并不能替代研究员，而是作为一种辅助工具，在文献及引文整理、数据分析、图表生成、语法及错别字校对等方面解放部分人力，给予科研工作者一些喘息机会。同时，大模型与科研工具包结合，可加速科研计算，进行数据预测等 ，助力科研基础研究及探索。但需注意，AI生成的文章、数据分析结果等需要研究员进行校对及交叉验证，不可直接使用，尤其是研究结论及观点部分。同时，在应用AIGC技术时也需要注意数据隐私、知识产权等问题，以及对AI的使用情况进行披露声明。

应用场景—教师—备课规划

从依赖教师经验转向数据驱动，教师负责更多创造性工作

备课是一个兼具较大工作量和创造力需求的工作。工作量主要体现在不同学段、不同班级的课程大纲、教案的撰写、课程资源的搜集，以及课件的制作方面，创造力需求主要体现在根据各班级学情、进度的不同进行个性化修改和调整，以及师生互动设计等方面。AIGC技术的应用，使得教学资源搜集、课件制作等偏执行的工作在大数据驱动下，可以更加快速高效地完成，节省教师大量时间。由此，教师可以从事更多如师生沟通、学生关怀、互动设计等创造性、情感性、社交性的工作。

应用场景—学生—辅助练习

开放场景下，实现以学生为中心的多轮交互和拟人陪伴

在判别式AI技术下，学生在口语练习时常常存在对话简单、场景受限、难以多轮交互、个性化不足等问题。AIGC技术应用后，大模型参数的扩大、预训练架构的使用等，使得原本单向播报和简单问答的功能进一步拓展了多轮对话、逻辑推理、上下文理解能力。其次，基于新数据生成而非识别分类的逻辑，AIGC产品可应对的场景和任务范围更加广泛，可以满足用户对细分场景的需求。同时，与数字人、人形机器人结合后，多模态的大模型既可识别学生的声音、表情等特征，也可借助“似人”的外貌提供“类人”的交互陪伴。从不同细分场景的成熟度来看，当前口语、写作练习等，相较于数学、化学等逻辑类的练习任务，用户容错能力更强，应用成熟度和热度也更高。

各细分场景落地速度

C端>B端>G端，成人教育>高等教育>K12>幼教，教师>学生>管理者

就落地逻辑而言，AIGC主要影响内容生产环节，在教育行业就体现在课件和题目的生成、作业批改、学情数据分析、学习资源推荐等环节，基本是原有场景和产品的替代，原有技术功能的优化迭代，较少出现新的场景和功能。

就落地速度而言，创新技术的落地通常需要一个应用扩散的过程，尤其是对于教育这个古老的行业。根据创新扩散理论，更先尝试新技术的往往是部分技术爱好者和先驱，C端具有明显的长尾效应，而B端和G端属于集体和组织行动逻辑，灵活性较低，且G端传统惯性较强，往往相对滞后。同时，在技术应用初期尚不成熟时，则需要配套设施的辅助落地。如果把AIGC技术看作教学资源的话，则需要教学对象和评估标准的配合，学生辨别和思考能力越强，教学内容的评估标准越明确和统一，则技术落地的可能性越强。具体来看，由于成人的辨别能力强，评估标准相对明确，所以成人教育整体的落地速度更快。从使用者的视角来看，Quizlet的调研报告指出，使用过ChatGPT等AI技术的教师（占比65%）比学生多（占比61%），教师的应用需求更迫切，落地更快。同时，尽管AIGC技术应用对教学管理的影响重大，如对学情趋势的预测、管理决策的辅助等，但管理侧总体落地进程缓慢。

细分场景机会剖析一：全流程闭环

教师侧流程闭环重在落地执行，学生侧流程闭环重在及时、个性化反馈

AIGC具有图片、文本、视频、音频等多模态生成能力，同时具有信息整合和分析功能，对内容生产的各个环节都可发挥作用。但从当前应用来看，AIGC的功能落地仍以散点式功能为主，如特定类型题目、图片的生成，能真正形成全流程、全场景闭环体验的产品较少。从教师侧来看，在作业和教案生成场景下，教师需要单独生成每一种类型的题目或者教案素材，再逐项进行验证校对，并最终合并，全流程的参与度都较高。Agent在该场景落地后，基于其记忆、规划、执行的能力，可拆解教师的完整指令，并逐项生成、排序及合成，教师只需最后对成稿进行调整，工作量大幅减少。从学生侧来看，以作文写作练习为例，学生在话题理解、框架构思、素材运用、指导修改等多个环节都存在指导互动需求，全流程、及时、个性化的指导反馈将大幅提升练习体验和效率。

细分场景机会剖析二：触摸科研天花板

从K12到高/职教实训到学术科研，应用前景与落地难度同步提升

不同学段的AIGC技术应用有着不同的侧重点。在K12阶段，侧重技术对日常教学练评测、管理功能的升级迭代，且随着出生人数的持续下降，天花板总体可预见。其制约因素主要在数据层，数据质量、丰富度、颗粒度等决定教育模型的上限和使用体验。同时日常的应用中，会有数据的反哺回流，随着使用频率和时间的拉长，体验会逐步优化；在高/职教实训阶段，侧重AIGC工程师的培养，高职院校、普本、211院校等人才有着阶梯式的差异化诉求。其制约因素主要在产品层，如低代码平台的设计、实训环境的建设等，总体天花板较高，随着AIGC技术逐步成熟，相关工程师需求量较大；在学术科研阶段，除基本的文献阅读等工作减负外，更侧重AIGC支持下的基础研究及探索。通常以大模型为基础，与科研工具包结合，以加速科研计算和数据预测等。制约因素主要在于更加精细垂直的模型，以及懂专业又懂大模型的复合人才，但科研攻关一旦成功落地，商业潜力和价值极大。

企业图谱—按细分领域、国内国外划分

AIGC+教育商业模式探索

MaaS定制化服务探索、软件功能升级与硬件外化、传统技能培训服务

在底层技术创新驱动下，MaaS（Model As a Service）服务通常以技术大厂为主，可提供通用的API接口收取调用费用，也可向学校、教育局、教企等开放模型，支持客户的定制化服务，帮助客户做特定场景或区域的模型，这对厂商的技术、算力、数据能力是多重考验。在应用驱动下，商业模式包含软件增值服务和硬件整体售卖服务。软件增值服务通常为原有软件功能的升级迭代，通过会员订阅等形式收取费用，是当前主流的收费模式。硬件整体售卖通常将已实现的AIGC软件功能嵌入硬件中，从而提高硬件单价，但这种模式需注意发挥多硬件数据生态的协同效应，发挥硬件的独特优势。在传统教培内容驱动下，教学资源是核心竞争力，AIGC带来的“被替代恐慌”与能力提升需求持续升级，AIGC相关培训机构、课程资源层出不穷，是当前变现能力最强的落地模式。

技术落地关键及厂商占位

大模型和算力提供门槛，教育理解决定落地能力，教育数据决定能力上限

AIGC技术在教育行业落地的竞争要素主要体现在三方面，模型和算力资源、教育行业理解和经验、以及垂类教育数据。具体来看，模型和算力资源提供基础进入门槛，无论是API接口调用、调优还是自主开发大模型，有模型才能有入场券，但自主开发模型才能掌握主动权，需要企业对AI技术和教育相关数据都有长期积累；教育行业理解决定企业是否具有落地能力，如产品逻辑的设计、用户痛点的感知、语料库和工具的建设等，需要企业对教育业务和互联网产品都有深入理解；教育数据最终决定能力上限，大模型的竞争归根到底是数据的竞争，数据的好坏决定模型的好坏，进而决定用户的使用体验和学习效果，这需要企业在教育行业深耕多年才能形成自己的数据护城河。展望未来格局，AIGC技术具有显著的资源密集和依赖特点，大力出奇迹的暴力美学路径已被行业所验证，未来格局仍会以有着多类型资源积累的大厂占据主要份额，创新企业可以依据特定场景深入理解而切入，但若没有自主大模型仍然会受制于人。

通用大模型or教育垂类大模型

由通用大模型主导向通用与教育垂类各司其职、融合发展的方向演化

随着大模型在教育场景的逐步落地，准确性、针对性不足等问题日益凸显，开发针对教育领域的垂类大模型逐渐成为教育行业共识，但其与通用大模型并非互相排斥的关系，而是朝着各司其职，融合发展的方向演化。当前，通用大模型综合实力最为强劲，且随着多模态的逐步落地，仍处于主导地位，教育垂类大模型整体成熟度较低，尚处于应用探索期。随着教育大模型的成熟，不久的将来可能迎来通用大模型与教育垂类大模型各司其职的阶段，通用大模型凭借强大的基础能力和海量跨领域知识，可解决文本润色过渡、兴趣科普、基本问答和释义问题，教育垂类大模型根据场景的细化、区域及用户群体的划分，细分为不同垂类模型，各自解决特色问题。从更长远的视角来看，通用知识是专业知识的基础，通用大模型仍不可被替代。随着技术的累积发展与资源整合，通用模型与垂类模型的边界逐渐模糊，通用大模型可能与多个垂类模型存在交集，呈现出通用大模型与N个专家模型多重组合的形态，并不断走向融合。