夸克學習產品突圍：越硬的骨頭，越值得啃

在大模型加速平權化的時代，很多賽道都開始走向內容泡沫化和產品同質化。但也總有一些場景，不輕易追熱點，但有更加扎實的場景。

AI 學習，就是其中之一。表面上看，它是一個高度非標、低度復利的慢賽道。而正是慢，才讓其意義有新的浮現。

前幾天跟夸克學習負責人程飛進行了對話，有一些體會，跟各位分享一下。或有啟發。

Part1 為什么說學習 ≠ 教育？

乍一聽，會誤以為學習即教育，教育即學習。但夸克學習給出了不一樣的視角：教育是體系化供給，學習是個體化選擇。教育是外部輸入，而學習是內部驅動。

從這個角度看，夸克學習產品關注的不是課堂、教材、教研體系，而是一個場景：主動學習。

誰是這個場景下的典型用戶？

- 作業之外要進階的中學生、大學生

- 忙于工作，但要尋求提升的職場人，比如醫師資格證這樣的職業考試

- 想要輔導孩子但力不從心的家長

他們的共同特征是：不等著老師講，而是先開始自己找答案。

像搜題這樣的場景意義就變了。

一開始，搜題、講題、批改這些，是效率工具，幫忙解決被動作業、被動教育的問題；

接下來，則是在搜題、學習過程中，提供的「服務」。

從搜索一個問題，到理解一個知識點，到掌握一類解法，再到構建認知結構。

這個過程中，工具負責觸達，服務決定留存。

這恰恰對應了夸克做學習產品的起點：工具型產品做流量，服務型產品做留存。

夸克學習把這類用戶定義為「主動學習人群」。他們不是平臺的被動受眾，而是可以通過產品產生反復關系、長期留存的核心用戶。

在這種從路人用戶，到核心用戶的邏輯之上，就有了產品與服務的層次。

Part2 從產品到服務

夸克學習的產品布局可以劃分為三個層級：

1. 基礎層：解決問題的效率工具

這一層解決的是「用戶有沒有用」的問題。比如：

- 拍照搜題，快速定位題目與答案；

- AI 講題，提供過程性解析與考點標注；

- 作業批改與資料查詢，提高學習閉環效率。

這是入口，也是底座。基礎服務是否穩定高效，直接決定了產品能否建立使用習慣。

2. 進階層：從工具到陪伴

這一層解決的是「用戶愿不愿長期用」的問題。

2025 年初上線的 「AI 解題大師」和「小靈老師」，標志著夸克學習從「AI 工具」邁入「AI 陪伴」。

看似都是工具，但一個人格化的老師的意義就不同了。AI解題大師和小靈老師的目標不是直接告訴你答案，而是以「一個老師的口吻」講清楚這道題的本質、考情、難度、易錯點和變式練法。

之前與在線教育和在線醫療的朋友溝通，發現都有一致的行業痛點：用戶在功能之外，需要有情感化的交互。正如我們看到一位老大夫的安全感，我們需要看到一個具象的安全感。

同時，這種交互并不是單向的，還是反復來回交互的。這在剛剛說的功能價值之外，又疊加了一層有意思的情緒價值。

3. 未來層：從陪伴到個性化家教

如果說前兩個層級解決的是「點狀能力」，那么 AI 家教要做的就是「路徑規劃」。

它會基于用戶畫像，設定學習目標、拆解任務路徑、推送每日任務，包括通過 AI 測試題評估掌握程度，形成完整的「目標 - 方法 -反饋」閉環。過去的老師很難確保照顧到每個同學，只能以最大公約數去授課和講題、安排路徑。而只有少數人有條件請家教，定向指定學習計劃。而 AI 就是更好解決這個問題的方式。

這跟前面提到的，主動學習才是核心用戶，就有巧妙的關聯。正因為是有積極性的學習用戶，才更有訴求得到個性化的學習方案和學習指導，而不是隨意地接受被動式的填鴨教育。

而這種個性化的能力，要比推薦商品、推薦短視頻的復雜度高得多，更需要時間和數據的沉淀。

Part3 產研支持：厚積才能薄發

要實現上面提到的分層結構，背后至少要有四件事在底下撐著：

1. 題庫系統

夸克不是傳統意義上的教育內容平臺，但卻是全國最大規模的動態題庫供給方之一。題庫背后，是用戶不斷拍題、提問、修正、講解形成的「實時語料」庫，而非死板的教輔導入。這種語料結構天然適合訓練生成式 AI 的「解釋能力」，也構成了夸克大模型教育場景的基礎。

2. 多模態支持

AI 講題的過程不僅需要 NLP（自然語言處理），還需要：

- OCR能力（圖文識別、版式解析）

- 數學公式結構還原能力

- 圖形題可視化能力

- 語音/視頻輸出能力

講題不是生成一段話，而是生成一個過程。這對 AI 的要求不只是語言理解，而是跨模態的教學能力構建。

目前，夸克的智能中樞可以調用多個Agent去進行協作，以幫助用戶解決實際問題。在學習場景上，深度思考可以更好地理解題目和知識點，然后把掃描、解題等專業Agent串聯在一起，形成一個完整的任務流，最終把思考過程、解題方法和答案封裝，呈現給用戶。

其中，多模態的 AI 學習過去并沒有太受到重視，還是因為思考深度不夠，不足以支持動態教學。夸克正在重點解決這方面的體驗。

3. 深度思考

年初我們對 DeepSeek 出世的興奮，不僅源于對其性能的意外，還源于，門檻降低后，能覆蓋的場景將會大有變化。

而正如我在之前聊到 Manus 時提到的，深度思考原本應該能夠幫助我們解決很多任務。目前的 ChatBot 只是讓他局限在提供信息的對話之中了。

落到場景里，才是深度思考的歸宿。很多錘子找釘子的場景之外，學習的確是難得適配的好場景。

在多模態的更多復雜交互基礎上，深度思考也會發揮更拔群的效果。

4. 學習畫像

想要達到個性化家教的水準，必須有三個要素：

- 用戶行為數據（錯題、提問、查找路徑）

- 用戶知識掌握度（什么學會了，什么還不會）

- 用戶目標導向（中考、高考、考研、職考、小孩家教等）

夸克學習天然有這些場景數據的優勢，以及用戶日常習慣的記錄。通過日常行為構建不同用戶的「學習畫像」，就能理解用戶接下來需要什么樣的內容，以及需要走什么樣的路徑。

Part4 慢賽道的硬骨頭

總的來說，學習看似簡單，實際是臟活累活。做好學習就要求：

- 內容所要求的準確率和適配度；

- 用戶所要求的信任感和情緒價值；

- 場景所要求的非標交互和個性響應。

夸克學習積累下的臟活累活之上的壁壘，也是三方面：

- 作為搜索起家的內容調度與分發能力；

- 多年垂直領域里， AI 產品的能力結構與技術中臺；

- 以實際場景，效率工具為入口沉淀下來的龐大「主動學習人群」。

AI 浪潮把很多事情變得看起來都能做，但真正做得成的，還得是有沉淀和積累，并且長期頗有價值的領域。

硬骨頭難啃，但啃下來，就能成為護城河。

AI 的未來，不會靠誰發模型發得多，而是靠誰能在一個垂直場景里，把模型打磨成「真實可用」的服務體驗。就像之前跟莊明浩老師聊的，2025 年必然會成為 AI 場景元年。

題圖由 Midjourney 繪制。