WAIC第三天下午，我在展馆角落的教育展区看到一个17岁的高中生正在用平板做函数题。屏幕上的AI助教没有直接给出答案，而是先问：“你觉得这道题和昨天做错的第3题有什么联系？”孩子愣了一下，开始翻看历史记录。这个细节让我停下脚步。

这不是一个演示demo——系统后台真实地记录了该学生过去两周的3400次交互数据，而且模型正在实时调整下一步的追问策略。旁边的大屏上，教育版知识图谱以网格形式展开，每个节点都标注了最近一次“认知冲突”发生的时间。我注意到一个有趣的设计：当学生连续答对5道同类型题后，系统会自动降低该知识点权重，而非传统意义上的“推送更多同类练习”。

这家公司叫“与爱为舞”，名字很软，但技术栈相当硬。

[!info] 核心观察

从“算力堆叠”到“场景验证”的转变中，学习场景可能是当前最值得深挖的试验田。原因在于：数据闭环天然存在，且用户（学生）的每次点击都直接关联认知状态变化，这种高频反馈机制在电商、社交之外极为罕见。

从战略层面看，这背后是AI竞争逻辑的一次结构性迁移。去年WAIC所有人都在谈千亿参数、万卡集群，今年则普遍在问“你这个模型到底解决了什么具体问题”。边际收益递减的Scaling Law已经逼着市场重新思考：当基础模型能力趋同，真正的核心竞争壁垒在哪里？

与爱为舞的答案很清晰：在场景中建立“认知-反馈-迭代”的飞轮。他们选择的学习场景，恰恰是传统教育信息化厂商最头疼的领域——学生个体差异极大，标准化课件无法覆盖。但AI原生企业恰恰可以靠“数据密度”来破局。

我尝试用波特五力框架做一个粗线条的定位分析：

```

竞争维度	传统教育SaaS厂商	大模型API服务商	与爱为舞
供给方议价力	依赖教师/教研员	依赖算力/模型	自研小模型+场景数据，议价力中等
买方议价力	学校招标，价格敏感	企业客户，按token计费	直接面向C端学生，订阅制，转化成本高但粘性强
潜在进入者	低，渠道壁垒高	高，开源模型降低门槛	中，需要场景理解+数据积累
替代品威胁	线下辅导、纸质教辅	文心一言等通用对话	低，因为交互设计深度绑定学习流程
现有竞争者	科大讯飞、好未来等	豆包、Kimi等	差异化在于“非答题式”的认知引导

```

关键差异在于“非答题式”。传统AI学习产品本质是“题库+答案匹配”，与爱为舞的做法更像一个认知诊断系统——它不直接判断对错，而是通过追问来定位学生的思维盲区。这听起来像是一个教学法问题，但技术上实现起来极其复杂，需要对“错误路径”有足够多的标注数据。

他们在WAIC上展示了一个技术细节，我记了下来：

```python

简化的认知状态更新逻辑（非真实代码）

def update_cognitive_state(student_id, question_id, response_time, answer_sequence):

# 基于图神经网络推断当前知识节点掌握度

current_state = knowledge_graph.get_state(student_id)

# 如果连续3次在相同知识点上给出错误但接近的答案，怀疑是“概念混淆”

if detect_concept_confusion(current_state, answer_sequence):

return 'intervene_with_counterexample'

# 如果快速答对且无犹豫，则认为已掌握，不再推送同类题

elif response_time < threshold and answer_sequence[-1] == 'correct':

return 'skip_to_next_prerequisite'

else:

return 'provide_scaffolding_hint'

```

这个逻辑的核心是“反直觉”——大多数学习系统会鼓励学生刷题，而这里却主动停止同类推送。背后的假设是：过度练习会掩盖认知漏洞，真正的学习发生在“刚刚好”的认知冲突中。这个假设能否成立，取决于数据积累是否足够支撑精准的“认知边界”预测。

对标海外案例，我想到的是可汗学院的Khanmigo。但Khanmigo用的是GPT-4进行Socratic问答，成本高昂且容易产生幻觉。与爱为舞选择了自研的轻量级认知模型，

原文链接：https://www.qbitai.com/2026/07/455596.html