11月17日至18日，芥末堆在北京舉辦以“教育有AI，學(xué)習(xí)無界”為主題的GET2025教育科技大會。阿里云智能集團公共云事業(yè)部華北大區(qū)教育行業(yè)解決方案總監(jiān)張博就《全棧AI助力教育全場景創(chuàng)新》進行了主題分享。

以下為演講實錄，經(jīng)編輯：

今天我?guī)怼比珬I如何助力教育全場景創(chuàng)新”的分享。

為什么提“全棧AI”呢？首先要從教育最難的難題——“不可能三角”講起，即很難同時做到個性化、高質(zhì)量和大規(guī)模。個性化的輔導(dǎo)怎么去規(guī)?；?、怎么去提高質(zhì)量？AI時代的到來，為解決這個難題提供了重要的思路。

為什么說在線教育是大模型賦能最快的行業(yè)？首先，在線教育擁有廣泛的需求及清晰的目標，這能讓大模型更好地做到因材施教。其次是高質(zhì)量數(shù)據(jù)沉淀。教學(xué)過程中沉淀了大量的高質(zhì)量數(shù)據(jù)，這些數(shù)據(jù)往往優(yōu)于基礎(chǔ)模型的訓(xùn)練數(shù)據(jù)。

基于此，阿里云全棧AI之所以能提供強勁賦能，主要是因為以下四點。

首先是通義千問的模型能力。阿里云堅持模型的開放開源，整個模型智能程度始終保持高水平，在國內(nèi)外都受到廣泛歡迎。

其次，AI基礎(chǔ)設(shè)施的投入非常高。

另外，阿里云是全球領(lǐng)先的全棧人工智能服務(wù)商，所以在PaaS平臺和模型的配套方案，阿里也是有所長。舉個例子，現(xiàn)在開發(fā)智能體，往往需要歷史對話，用戶畫像，以及向量檢索，甚至是一些知識圖譜。阿里云PolarDB等數(shù)據(jù)庫產(chǎn)品能一站式地解決上述問題，這就是整個PaaS能力的體現(xiàn)。

最后一點就是，服務(wù)和生態(tài)賦能?，F(xiàn)在幫助客戶做模型或迭代時，我們可以提供高水平的模型交付團隊。

接下來，我會介紹阿里云針對教育行業(yè)的全棧AI解決方案。包括這四個方面：教育增長運營、教學(xué)內(nèi)容生產(chǎn)、教學(xué)互動和評估，以及課后的知識鞏固。

首先是增長運營。教育公司的核心是業(yè)務(wù)的增長。教培的運營，包括體驗課，轉(zhuǎn)正價課，續(xù)報等；如果是做在線教育App，需要進行拉新、留存等運營動作，這兩者的本質(zhì)邏輯都是一樣的?；谕x千問大模型強大的分析、生成能力，在公域、私域的運營數(shù)據(jù)上，可以實現(xiàn)文、圖、視頻等種草內(nèi)容的生產(chǎn)，對用戶原聲進行分析和歸納，設(shè)計智能體與潛在用戶對話，引導(dǎo)轉(zhuǎn)化。

場景一：教育增長運營

第一個場景，VOC（用戶原聲）。很多時候，我們在處理運營相關(guān)數(shù)據(jù)的時候，會做打標分析，用來提高轉(zhuǎn)化率。我們在實踐中發(fā)現(xiàn)，標簽可能需要分多個層級，最底層的標簽數(shù)量可能會達到100多個。這樣就會導(dǎo)致基礎(chǔ)模型打標簽準確率較低，這時我們可以在Qwen3小尺寸開源模型進行后訓(xùn)練，訓(xùn)后的模型打標，準確率大幅度提升。這就是Qwen3模型后訓(xùn)練的一個最佳的實踐落地場景。

打標后訓(xùn)練還有個“意圖識別”場景，例如，在對話智能體中，我們要教學(xué)生知識。首先要判斷問題是閑聊還是哪個學(xué)科。這時候就需要我們做前置的意圖分類。我們可以使用Qwen3的基礎(chǔ)模型做微調(diào)，會獲得比基礎(chǔ)模型更好的效果。

發(fā)文、發(fā)圖、發(fā)視頻的場景同樣適用。發(fā)文簡單，用大模型和提示詞就差不多了；發(fā)圖有三個方式：生圖、選圖和編輯圖。如果是發(fā)視頻的場景，很多客戶已經(jīng)使用Wan2.2和2.5生成視頻，包括Wan2.5已經(jīng)支持最大長度10秒的視頻，且視頻自帶聲音。用戶可以拼接拼成一個更長的視頻。還有就是AI剪輯視頻，包括剪輯視頻時，用工作流加模型的方式串聯(lián)起來。比如，先拿模型去生成講解腳本，然后再把講解腳本做一個語音合成，最終結(jié)合數(shù)字人的技術(shù)，加上云剪輯的能力，拼成一個完整的視頻。這些都可以實現(xiàn)的。

客服Agent是我們在大模型落地很重要的場景，這里面包括了意圖識別、查詢改寫以及公域、私域的各類回答。像客戶在小紅書上發(fā)文章后，下面可能有用戶來咨詢。這時候需要有一個機器人接洽這些咨詢，把他們轉(zhuǎn)化為用戶。

場景二：內(nèi)容生產(chǎn)

內(nèi)容生產(chǎn)是最近幾年越來越多教育公司在做的事情。主要包括以下內(nèi)容的生產(chǎn)：題目教案、解題視頻、繪本動畫和課堂素材剪輯。題目的生產(chǎn)，用文本模型去產(chǎn)題，客戶采納率越來越高，也包括用教育領(lǐng)域OCR模型將線下的試卷或者講義數(shù)字化。那解題視頻和繪本動畫方面，前文也有所涉及。上課視頻的生產(chǎn)，和銷售場景類似，都是用模型的生成能力或工作流的拼接能力，去生成相關(guān)嚴肅的講課視頻、動畫的繪本；如果做低幼賽道，很多APP都用動畫繪本去講知識，動畫繪本的知識里用模型生成的量和占比以后會越來越多。

課堂素材的剪輯指的是將老師和學(xué)生的高光時刻剪輯出來。比如說老師的高光時刻，我們可以發(fā)到小紅書上去種草，學(xué)生的高光時刻我們可以發(fā)給家長，表示學(xué)習(xí)的成果。這些其實都能用qwen3的多模態(tài)模型能很好的處理。

場景三：教學(xué)互動和評估

第三個方向是用全棧AI提效教學(xué)互動和評估。主要分為兩類方案，一類是借助阿里云AI實時互動的編排能力+Qwen全面的模型能力，快速搭建AI老師實時對話智能體。第二類是借助Qwen3多模態(tài)模型，對老師教學(xué)質(zhì)量和學(xué)生學(xué)情進行評估。

具體包括以下這些場景。首先是字幕上屏，可以使用最新的Qwen3-ASR模型識別上課語音，可以實現(xiàn)自動上屏、錄播課的切片，以及課程質(zhì)量評估。

其次是AI課堂的互動。這里有兩套解決方案。一是基于AI實時互動RTC搭建任務(wù)的編排，可以快速幫客戶搭建智能體。另一套是直接用模型能力。Qwen3-Omni直接搭建智能體，還可以基于這個開源的模型進行后訓(xùn)練智能體的強化。

AIGC的實訓(xùn)課：現(xiàn)在教小孩學(xué)AI也是很重要的賽道，學(xué)AI一般都要體驗生文、生圖、生視頻，真實上課場景很多時候就是幾千甚至上萬個學(xué)生同時操作，這個時候?qū)δＰ偷牟l(fā)能力有非常高的要求。百煉平臺的彈性算力單元（PTU），可秒級應(yīng)對萬級并發(fā)，輕松應(yīng)對這一場景。

還有一個就是多元模態(tài)的學(xué)情評估。很多時候?qū)W情評估質(zhì)量，或是用視覺模型評估專注力，或是用文本模型評估講課質(zhì)量。這時候就可以基于Qwen3多模態(tài)模型，對學(xué)情和教學(xué)質(zhì)量進行評估，保障教學(xué)質(zhì)量。

場景四：課后鞏固與自學(xué)

這個場景我總結(jié)為解題、批改、改題、推題、對練這幾個細分方向。我們在大量落地實踐中總結(jié)出一個規(guī)律，這個場景是非常適合去做Qwen模型的后訓(xùn)練。

首先基礎(chǔ)模型肯定涵蓋不了所有客戶自己的高質(zhì)量題目數(shù)據(jù)；其次剛需高頻高DAU場景；還有一點，它是實時在線業(yè)務(wù)，對于推理成本非常敏感，對于延遲要求很高。打個比方，本來需要萬億參數(shù)才能解決的問題，現(xiàn)在把它訓(xùn)練到可能只有8B的小模型上，最多32B，就能達到比基礎(chǔ)模型還要高的準確率，同時獲得極低的推理成本和延時，這就是這個場景Qwen模型后訓(xùn)練的價值。

還有一個點，我們面臨著客戶們很現(xiàn)實的需求，基礎(chǔ)模型解題能力不錯，但不是期望的講課風(fēng)格，我們想要AI像真人老師一樣講題。如何實現(xiàn)？

現(xiàn)在所有的模型都越來越會說人話，其實就是強化學(xué)習(xí)在里面注入了人類偏好。通過偏好選擇的方式，來強化這個模型的風(fēng)格，所以我們可以在后訓(xùn)練階段加入Qwen模型的強化學(xué)習(xí)來解決這個風(fēng)格問題。

剛才介紹了全棧AI場景，場景具體是怎么交付？今年9月云棲大會我們發(fā)布了大量的新模型，Qwen3-Max，可以對標海外最優(yōu)秀模型的文本模型，Qwen-Flash，如果你想追求推理速度，就用Flash。還有Qwen-Image和Wan2.5等優(yōu)秀的生圖生視頻的模型，以及Qwen3-ASR和Qwen3-TTS的語音交互模型也都獲得了客戶的高度認可。百煉平臺除了能夠體驗、調(diào)用模型以外，還有一點比較重要，如果客戶自己想做模型后訓(xùn)練，我們可以提供訓(xùn)練和推理的托管。相當于訓(xùn)練過程中，你既可以用到Qwen3非開源的模型訓(xùn)練，還能結(jié)合Qwen3原始的數(shù)據(jù)，自己的模型還可以低成本的托管在百煉上做推理，這是很多客戶非常喜歡的一點。

剛才在教學(xué)鞏固場景提到了后訓(xùn)練的價值，如果是后訓(xùn)練這個場景，千問模型具備很大的價值。大家知道為什么一提“后訓(xùn)練”必談千問嗎？因為Qwen的開源涵蓋參數(shù)從大到小、各個模態(tài)的模型，模型的能力在開源榜單也很靠前，同時大量的后訓(xùn)練衍生模型構(gòu)筑了完整的生態(tài)，目前Qwen的全球衍生模型數(shù)量已經(jīng)達到17萬。為了獲得更低的推理成本和延遲，用小參數(shù)模型的模型結(jié)合優(yōu)質(zhì)的場景數(shù)據(jù)，Qwen系列模型是大概率的選擇對象。整個訓(xùn)練過程也逐步從Dense+SFT簡單的微調(diào)逐步走向了MoE+SFT。后訓(xùn)練模型在阿里云有好多種不同的部署方式，可以在百練上提供后訓(xùn)練模型的托管，也可以用PaaS平臺去做GPU形式的托管。

最后，AI在教育領(lǐng)域的價值并非取代教師，而是通過承擔(dān)批改作業(yè)、內(nèi)容生成等重復(fù)性、事務(wù)性工作，將教師從繁重的機械勞動中解放出來，讓教師回歸教育的本質(zhì)——成為學(xué)生情感的陪伴者、思維的引導(dǎo)者和人格的塑造者。這些高階育人職責(zé)，是任何技術(shù)都無法替代的。

阿里云全棧AI所追求的，正是以技術(shù)之力賦能教育，讓人與人之間的溫度、智慧與創(chuàng)造力，在課堂中重新閃耀。