导语
2026年1月12日，Anthropic推出Cowork。这个由Claude Code能力延伸而来的产品，不再满足于回答问题，而是开始接管普通办公任务：读取文件夹、整理资料、从一堆票据截图中生成表格、把零散笔记组织成报告，并在执行过程中持续接受人的反馈。
AI由“聊天”转向“干活”，由生成一份内容转向完成一段工作流，迅速成为2026年办公软件最明确的产品方向之一。几个月内，腾讯WorkBuddy、阿里千问办公、字节跳动飞书等产品相继把Agent、企业知识和工作流推到前台。巨头之间的新一轮较量，不再只是模型能够写出什么，而是模型能够调动多少工具、处理多少真实数据，并最终交付什么结果。
类似的迁移也在教育领域发生，只是显得更低调。
2025年4月，Anthropic发布Claude for Education，在高校场景中引入Learning mode，以苏格拉底式追问引导学生思考，而不是直接给出答案；同年9月，Google发布Learn Your Way，将静态教材转化为互动学习指南、思维导图、音频课程和测验，早期研究中，使用该产品的学生在延迟记忆测试中比使用普通数字阅读器的学生高出11个百分点。2026年7月，Anthropic又推出Claude for Teachers，把全美50个州的课程标准、可信课程资源、班级数据分析和周期性教学任务接入教师工作流。
图1｜国际AI巨头的教育布局，正在从通用问答深入课程、教材与教师工作流。
国际AI巨头对教育的投入，已经越过了“给教师一个聊天机器人”的阶段，开始触碰课程标准、学习科学、课堂数据和教学执行。
反观国内，教育AI并非没有热度。学习机、作业应用、题库平台、备课工具都在接入大模型，拍照解题、作文批改、错题整理、口语陪练和资源生成不断升级。但如果抽离营销话术，许多变化依然集中在原有产品上叠加AI：答案更快了，讲解更细了，题目生成更多了，批改效率更高了。大厂往往把教育作为通用助手的一项功能，教育科技公司则继续在熟悉的“学、练、测、评”链条内打磨。
这不是说这些能力没有价值，而是它们大多没有改变教育软件本身的生产方式。教师依旧只能使用平台预先定义好的功能；一个具体的教学想法，仍然很难直接变成一款可运行的工具。
飞象星球选择从这里切入。
距离飞象老师2.0发布不到三个月，飞象老师3.0新增教育应用生成能力。用户不需要理解代码、数据库、模型接口和部署，只要在对话框中说清楚自己想做什么，系统就能在几分钟内生成一个可以直接访问、能够调用AI、保存数据并持续修改的教育应用，再通过独立链接上线使用。
从产品形态看，这不是一次常规的功能增加。飞象老师正在把AI在软件开发领域已经验证过的生成能力，进一步转译为专业教育能力：让教师第一次可以不经过产品经理和工程师，直接把教学创意变成软件。
01教育AI的差距，正在从模型参数转向产品范式
图2｜中国教育AI的产品分水岭：从在旧工具上叠加AI，走向根据需求即时生成应用。
过去几年，国内外教育AI产品看起来都在快速增长，但发展路径已经出现分叉。
一条路径是把AI嵌入已有工具。它最容易落地，也最容易形成规模：搜索框变成对话框，题库增加自动出题，批改系统生成评语，学习机根据错题推荐练习。产品的基本结构没有改变，AI主要负责提高某一个环节的效率。
另一条路径，是让AI重新组织教育任务。Claude for Teachers不仅生成教案，还能依据课程标准与学习进阶设计教学材料；教师可以交给它学生名单、诊断数据、出勤和课堂笔记，让它分析班级状态，也可以设置每天固定时间检查退出卡，根据学生当天掌握情况调整第二天的教学计划。Google Learn Your Way则不只是概括教材，而是把同一内容重组为多种可交互、可选择的学习形式。
两条路径的差别在于：前者把AI当作一个功能，后者把AI当作新的运行环境。
这也是当前国内教育AI最容易被忽视的差距。中国并不缺模型，不缺教育数据，也不缺数量庞大的师生用户；真正欠缺的是把模型、数据与课堂任务组织成一种新产品的能力。大量产品仍在回答“AI怎样把原来的功能做得更好”，而不是“有了AI之后，原来的软件是否还需要以同样的方式存在”。
飞象老师3.0值得关注，正在于它给出了一个不同答案。
过去，教师想制作一个互动元素周期表、机器人仿真实验或班级成长系统，需要找到现成软件，或者向学校和公司提出需求。即便需求足够清晰，它也要经过教研、产品、设计、前端、后端和测试等环节。真正能够进入开发排期的，通常是用户规模足够大的标准需求；只服务某一个章节、一次项目学习或一位教师特殊教法的想法，很难承担相应成本。
飞象老师3.0把这条链路压缩进一个对话框。教师提出目标，系统生成界面和交互，建立数据结构，按需调用AI，再完成部署。软件不再先被定义好、再交给教师使用，而是可以围绕教师眼前的教学问题即时生成。
图3｜飞象老师3.0把需求理解、应用生成、部署与迭代收进同一个对话框。
这一步看似只是从“生成课件”走向“生成应用”，实际上改变了教育AI的价值单位：过去交付的是一页内容、一份教案或一套题，现在交付的是一个能够运行和迭代的教学环境。
02九个月三次迭代，飞象老师为什么越走越“重”
图4｜从教学动画、互动课件到教育应用，飞象老师在不到九个月内完成三次形态跃迁。
如果把飞象老师自发布以来的三次版本放在一起，会看到一条十分清晰的产品演进路线。
2025年12月，飞象老师1.0从AI教学动画和游戏化课件切入。教师输入知识点与教学想法，抽象的公式、定理和课文场景可以被转化为3D动画、互动模型或课堂游戏。它解决的是知识如何被“看见”的问题。
2026年5月，飞象老师2.0进一步从单个教学资源走向整节课。教师上传教案后，系统能够组织知识讲解、互动练习、课堂数据回收和即时反馈。课件不再只是展示材料，而开始承担课堂运行的部分功能。它解决的是内容如何被“组织”的问题。
到了3.0，产品又向前跨了一层：不再预设教师只能生成什么，而是把界面、逻辑、数据、模型调用和部署能力整体开放出来。它要解决的，是教师的想法如何成为一款真正可以使用的软件。
不到九个月，从动画到互动课件，再到教育应用，飞象老师连续越过了三种产品形态。迭代速度固然值得注意，更重要的是，每次升级都在扩大教师的定义权。
在飞象老师3.0的应用广场中，这种变化已经能够被直观看见。
产品案例｜“英语冒险岛”用情境任务组织语言学习。
一款4×4×4立方体涂色应用，将64个小方块按顶点、棱、面和内部逐层拆分，学生可以旋转模型、剥离结构，观察8个顶点块、24个棱块、24个面心块与8个内部块之间的关系。它不是一段解释立体几何的视频，而是一个可以操作的空间实验。
一款交互式元素周期表覆盖118种元素，并继续延伸到同位素、分子、3D原子结构、电子层、化学史和测验。元素周期表不再只是墙上的一张表，而成为多个知识入口彼此连接的学习系统。
产品案例｜交互式元素周期表延伸至原子、分子、同位素与化学史。
在机器人与工程教育中，应用形态更为明显：六足机器人步态实验室可以调整步态和地形，观察逆运动学与遥测数据；智能电路实验室能够根据自然语言要求组织元器件、检查连接并显示电压、电流和电阻；火星机器人应用则把第一视角、激光雷达、碰撞检测、避障和重新规划路径放进同一个场景。
产品案例｜具身智能机器人在火星地表场景中完成感知、避障与路径任务。
语言和人文内容同样可以被重新组织。“英语冒险岛”把单词和语法嵌入闯关任务；“智者问”让学生分别进入孔子、庄子、王阳明、李清照、苏轼和苏格拉底的对话空间；传统民居应用把八类住宅与气候、材料和生活方式建立关联。知识不再沿着PPT页码单向展开，而是由学生的选择和操作推动。
这些应用并非来自同一学科，也没有固定模板，但都具备软件的基本特征：有界面，有操作逻辑，有状态变化，部分应用还需要AI调用、数据保存和持续迭代。它们与传统课件的根本区别，不在视觉是否更精美，而在学生能够改变过程，系统也能对过程作出回应。
飞象老师3.0由此迈过了一个关键分界线：AI生成的不再只是教育软件里的内容，而开始生成教育软件本身。
AI生成的不再只是教育软件里的内容，而开始生成教育软件本身。
03会写代码只是起点，真正的壁垒是“懂教育”
图5｜应用生成的三层底座：通用生成能力、教育模型与高质量数据、应用运行基础设施。
应用生成并非飞象老师独有的技术命题。通用大模型已经能够制作网页、写前后端代码、连接数据库。若只从技术演示看，用一句话生成页面正在迅速成为基础能力。
问题在于，教育应用不是普通网页。
一个元素周期表即使结构完整，只要电子排布、原子量或化学关系出现错误，就无法进入课堂；一个历史人物对话如果混淆史实与想象，会把沉浸感变成误导；一个自动评分工具如果不理解课程目标、题目意图和学生可能的错误路径，生成再多评语也只是表面热闹。
因此，教育应用生成的难点并不止于把自然语言转换成代码，还要把模糊的教学表达转换成严谨的学习任务。系统需要判断哪些内容适合做成3D演示，哪些适合比较、拖拽或模拟；需要理解学生可能卡在哪里，什么反馈能够推动下一步学习；还要遵循课程标准、教材边界与不同年龄段的认知规律。
这正是飞象星球过去积累开始显现价值的地方。
公开信息显示，飞象老师建立在十余年的教育专业能力和百亿级知识数据之上。高质量数据集并不是把更多教材投入模型，而是要把课程标准、知识关系、典型题型、教法、学法和考法组织成模型可以理解和调用的结构。只有这样，通用模型“什么都能生成”的能力，才可能被收束为教育场景中“生成得正确、合适且可用”的能力。
飞象老师3.0背后至少有三层能力同时工作。
第一层是通用生成能力，负责理解自然语言、编写代码、创建界面和调用工具；第二层是教育模型与高质量数据，负责判断知识边界、教学逻辑和学习任务；第三层是应用运行底座，负责数据库、AI接口、部署、版本迭代、长期记忆与问题修复。
少了第一层，应用做不出来；少了第二层，做出来的应用不一定能教；少了第三层，它就只能停留在一次演示，无法成为长期使用的产品。
这也是飞象老师3.0与通用“零代码建站”工具最重要的区别。前者需要解决的不是让教师成为程序员，而是让教师无需理解技术细节，也能把专业判断准确写进产品。飞象真正需要建立的领先优势，不是比通用模型多生成几个页面，而是让教育数据、模型与应用基础设施形成闭环，并在真实课堂反馈中持续提高生成质量。
从这个意义上说，高质量数据集与教育模型并不是3.0之外的另一条产品线，而是应用生成能够成立的前提。应用形态越开放，用户需求越复杂，对教育专业性的要求反而越高。
04当教师可以直接“造软件”，教育行业会发生什么
飞象老师3.0首先改变的，是教育软件长期存在的供给逻辑。
传统软件必须服务足够多的学校和用户，才能覆盖研发、销售、部署与运维成本。这决定了教务、题库、作业、考试等标准需求更容易被满足，而一节课、一个知识点、一种教法所对应的长尾需求，通常无人开发。
应用生成降低了长尾需求的软件化成本。一个应用可以只服务一次公开课、一个项目学习、一个班级甚至一名学生。它未必需要成为大规模商业产品，只要能够精准解决眼前的问题，就具备使用价值。
其次，教师的角色会发生变化。
过去，教师是软件菜单的使用者；未来，教师可以成为教学工具的定义者。教师说清楚目标、流程与反馈，AI完成技术实现。优秀教师长期积累的教学方法，也因此有机会从个人经验转化为可复制、可修改、可分享的应用。
这并不意味着教师要学习编程，也不意味着AI会取代教师。恰恰相反，技术表达成本下降之后，什么值得教、学生为什么会困惑、什么样的任务能够促进理解，会成为更稀缺的能力。AI降低的是代码门槛，而不是教育门槛。
AI降低的是代码门槛，而不是教育门槛。
更长远看，教育软件的产业结构可能由“少量大平台提供全部功能”，转向“平台底座承载大量教育微应用”。平台提供模型、账号、权限、数据、安全和部署，教师、教研员、学生与开发者则围绕具体场景持续创造应用。好应用可以被复制和二次编辑，形成新的教育应用生态。
对飞象星球而言，这既是机会，也是下一阶段最难的考验。
应用生成得越快，质量治理越重要。知识是否准确，交互是否真的服务于学习，3D与实时计算能否适配学校常见设备，摄像头与学生行为数据如何取得授权，模型更新后旧应用能否继续运行，教师创作成果归谁所有，都不能靠一次产品演示回答。
尤其当应用开始保存学生记录、分析班级数据或使用摄像头时，隐私保护必须成为默认设计，而不是上线后的补丁。数据最小化、本地优先、权限分级、可删除与可导出，将决定学校是否敢于长期使用。
教育效果也需要比“生成成功”更严格的证据。Google给Learn Your Way做延迟记忆测试，Anthropic为教学技能建立教育严谨性与课堂可用性评估，并计划进入学区进行真实研究。这些做法说明，教育AI最终仍要回到学习是否发生，而不能只看页面是否漂亮、教师是否惊叹。
因此，说飞象老师3.0跑到了国内教育AI产品创新的前沿，并不等于它已经解决了所有问题。更准确地说，它率先把一个新的命题摆到了行业面前：当模型可以直接生成教育应用，竞争焦点将从功能数量转向教育理解，从一次生成转向长期运行，从技术展示转向真实效果。
结语
过去一年，中国教育AI并不缺新品。大模型几乎进入了所有熟悉的教育产品，但多数升级仍围绕解题、批改、备课和练习展开。产品越来越聪明，软件的边界却没有明显变化。
飞象老师3.0的不同之处，是它没有继续在原有工具上增加一个AI按钮，而是把应用开发本身交给AI。教师不再等待平台提供功能，而可以直接提出需求；AI不再只生成内容，而是搭建承载内容、交互和数据的运行环境。
从2025年12月的一句话生成教学动画，到2026年5月生成整节互动课，再到三个月后生成可部署的教育应用，飞象老师用不到九个月完成了三次产品形态跃迁。在国内可观察到的教育AI产品中，这种迭代速度与方向都相当少见。
支撑这种领先的，也不只是代码生成能力。十余年的教育积累、百亿级知识数据、教育模型和真实学校场景，让飞象星球有机会把通用模型能力转化为专业教育能力。未来，这套能力能否继续经受课堂准确性、稳定性与学习效果的检验，决定了飞象老师3.0究竟会成为一次产品亮点，还是教育软件新范式的起点。
但至少现在，飞象已经向前多走了一层。
当海外巨头开始把AI嵌入课程标准、教学资源和教师工作流，中国教育AI也终于出现了一种更具想象力的回应：不是让AI再多做一道题，而是让每一位真正懂教育的人，都有机会做出自己的教育应用。