2026WAIC觀察：AI應用進入「可體驗時代」，AI原生公司與愛為舞給出樣本

編輯｜Sia

在今天的 WAIC 現場，學習已經變成醬嬸兒了：

拍題不搞「劇透」，AI 先追問你依據是什么？

寫作文不請「槍手」，反倒教你怎么「化妝」；

還能一鍵穿越，和「孔子」坐而論道......

沒錯，首次參展的 AI 原生企業與愛為舞，直接把一座開放式「AI 學習實驗室」搬進了世博展覽館 H2-E505 展位。

沒有大屏循環播片，也不是觀眾站一圈看完就走。你是真的能坐下來，親手一試：學習這件事，確實換了個打開方式。

這也是今年 WAIC 最值得琢磨的變化之一。

去年，大家還在集體圍觀大模型、人形機器人、AI 終端。到了今年，問題更深入到這些 AI 應用，到底有沒有真正走進生活？

展館里，垂直領域的專業智能體密集亮相，比拼工作流順不順、任務能不能跑起來、商業閉環到底有沒有。

教育與陪伴，成了觀察這場「務實躍遷」的最佳窗口。

畢竟，教育行業講了很多年因材施教，但真到了產品里，很多 AI 還是停在搜題、批改、生成講解。至于為什么一講就會、一做就錯，AI 沒真正看見。

現在，與愛為舞的學習 Agent 開始撬動這個僵局。

學習這個事兒，終于換了個姿勢

在「愛學 AI 學習智能體」體驗區，我們先試了試「愛學拍講智能體」。

拍照搜題，都不陌生：拍一下，出答案，抄步驟，下一題。還能玩出什么花兒？

現場體驗下來，打開方式確實變了：「搜題即答案」，變成了「搜題即思路」。

隨手拍了一道初中幾何題。

系統很快識別出題目，接著智能體開始帶著我們推理。

先問：

∠1 + ∠2 = 180°，同時 ∠1 和 ∠DGE 也是鄰補角，也能湊成 180°。那 ∠2 和 ∠DGE 為什么相等？

我們故意含糊其辭：它們都和 ∠1 有關系。

智能體沒放過我們，繼續追問：

這個依據叫什么？

直到說出「同角的補角相等」這個知識點，它才繼續往下推進：

∠2 = ∠DGE，所以可以根據同位角相等推出 AB ∥ EG；
再利用平行線性質，得到 ∠3 = ∠ADE；
結合題目給出的 ∠3 = ∠B，通過等量代換推出 ∠ADE = ∠B；
最后根據同位角相等，兩直線平行，推出 DE ∥ BC。

過程中，為了不讓你走神兒，幾乎每隔一兩分鐘，每到一個推理節點、一個知識要點，智能體都會 cue 你——

答得對，繼續推進；答得模糊，追問依據；答錯了，就降一階給提示，或者帶你回顧相關知識點。

講題，就這樣變成了一個可以交互、追問、糾錯的思維過程。

體驗完智能體如何講透一道題后，我們又上了一堂 AI 英語課：

一道題講得清楚，一節課也能 hold 住？

這是一堂英文寫作課，學習怎么潤色句子。

老師「 AI 心語」出現在屏幕右上角，很像真人，主區域則是一塊動態板書。

一句最樸素的英文句子放到黑板中央：

• A bird sat in the tree.

然后，「 AI 心語」帶著我給這句話「化妝」。

先在 tree 前加形容詞，比如 green，句子變成：

• A bird sat in the green tree.

再在動詞后加副詞，讓鳥兒坐得更具體；

繼續加介詞短語，補充這只鳥在哪里、來自哪里；

再加非謂語短語，寫出它當時正在做什么；

最后加原因從句，把動作背后的理由也補上。

十幾分鐘后，一個低配句子，被一層層「補妝」，變成更完整、更有畫面感的表達。

這節課最不同的地方是，「 AI 心語」沒有一路自說自話。

我會被不斷 cue 到：填一個詞，補一個短語，判斷哪部分是形容詞、副詞，甚至來場 PK 小游戲。

而且，可以自由回答。

比如，我故意堅持用 sadly 描寫鳥兒狀態，還反問：我覺得你的答案一點兒都不好，我就想用這個。

「 AI 心語」沒有直接判錯。

先肯定這個想法有自己的特點，再提醒題目希望使用更陽光、正向的詞匯，隨后把話題拉回「副詞修飾動詞」這個知識點。

我又故意說：哎呀，不記得你剛才講什么了。或者，什么是非謂語動詞呀？

她又會停下來重復或者解釋，再把課堂節奏接回去。

更有意思的是，沒有預制 PPT，「 AI 心語」會根據互動內容，現場板書。

需要填空的地方，會被標出來：

我的回答也會出現在板書上，并被高亮：

答錯了，錯誤答案會被劃掉；該給提示時，線索也會適時彈出來。

一節課下來，角色反轉：

• 學員被推到了 C 位：要開口，要選擇，要判斷，要犯錯，也要把自己的思路暴露出來。
• 
  
• AI 成了陪練：追問、提示、糾偏，帶著你一步步往前走。

而當我們轉頭和大屏上的「孔子」對話時，立馬感覺穿越了。

屏幕里是一間古色古香的書齋。竹簡、木案、舊墻、素色衣袍，一個長髯垂胸的孔子數字人站在中央。

https://mp.weixin.qq.com/s/U9CbR5dS_peZ-SzToK7G6A

他一開口，就有點穿越：

「今逢后世二零二六年……」

我們問他：如果看到今天 AI 的發展，未來學習會變成什么樣？

孔子微微停頓，很快接上：

吾昔倡有教無類，因材施教，今此智能體，正可彌資源之壑，順學子之性，令學皆得其所宜，人人皆能樂學善知，汝以為此智器于蒙童之教，最可補今之弊。

措辭、語氣、眼神、表情都撐住了，微微頷首、抱拳作揖這些小動作也很自然。一時間，真有點忘了自己面對的是 AI 。

幾輪對話下來，AI 教育里常說的個性化學習、因材施教，被放回孔子的語境里，突然有了跨時空的回聲。原來，傳統知識也可以變成一個可對話、可進入的現場。

從給答案到會教人，中間差了一個自研「大腦」

幾輪體驗下來，最值得注意的并不是某個功能有多炫，而是同一個變化反復出現：

AI 開始知道，學生給出反饋之后，下一步該怎么走。

這正是 AI 教育最難的地方。

過去很多產品解決的是有沒有答案、講解夠不夠完整。但真實學習里，更關鍵的問題常常發生在答案之外：

學生為什么卡??？這個回答算不算真懂？現在該繼續追問，還是換一種提示？該把知識點拆細，還是讓學生自己再試一次？

這些判斷，過去屬于資深教師的隱形經驗。現在，愛學試圖把它變成模型能力。

這也是愛學大模型在整套學習 Agent 里的位置。它并不只是負責生成一段講解，而是承擔教學決策中樞的角色：

先識別學生狀態，再判斷下一步策略，最后把策略落到語言、板書、互動節奏和課堂流程里。

拍講智能體里，這一點最直觀。

同樣是拍一道題，普通搜題產品會把答案和步驟直接攤出來。「愛學拍講智能體」沒有急著「劇透」，而是先追問，依據是什么。學生答得含糊，它繼續追問；答到關鍵知識點，才推進下一步。

看似只是多問了一句，背后其實是教學邏輯的變化。

它要判斷學生此刻缺的是知識點還是表達；也要判斷什么時候該提示，什么時候該停下來讓學生自己說。拍講從「結果導向」變成「過程導向」，學習才有可能真正發生。

英語寫作課上，也是如此。

當我們故意用 sadly 描寫鳥兒狀態時，「 AI 心語」沒有直接判錯，也沒有簡單給出標準答案。

它先接住這個表達，再把話題拉回「副詞修飾動詞」和寫作語境。這種處理，比單純糾錯更接近真實老師的反應。

再往下看，動態板書也不只是視覺效果。

過去很多在線課堂的板書，本質上還是預制 PPT 。講到哪一頁，播到哪一步。學生回答錯了，板書不會真的「看見」這個錯誤。

這次不一樣。

在寫作課里，學生填出的詞會出現在畫面上，錯誤答案會被劃掉，關鍵位置會被標注，線索提示也會適時彈出。板書開始跟著學生反饋變化。

這意味著，模型輸出的不只是「說什么」，還包括畫什么、標哪里、什么時候擦掉、什么時候提示。教學思路被實時攤開，學生也能看到自己的思考過程如何被修正。

再進一步，是課堂節奏。

真正的課堂不會按腳本一路播放。學生可能回答說「不記得了」、「什么是非謂語動詞」、甚至挑戰所謂的標準回答。

這時，AI 要判斷這句話是提問、跑題，還是沒聽懂；接下來要重復、解釋、推進，還是降階講。

能不能接住這些變化，才是學習 Agent 和普通問答工具的分水嶺。

所以，愛學大模型背后的技術重點，并不在于把一個大模型套進教育場景，而是把教學拆成一連串可感知、可判斷、可執行的動作。

為此，愛學大模型吃進了大量真實課堂里的教學因果鏈。學生怎么答，老師怎么接，哪種追問有效，哪種提示會直接泄題，這些都要被持續訓練和校準。

同時，它還搭了一套雙重評測體系。

一邊盯指令遵循，確保不透題、不跑偏；一邊用更強模型和教研標準評估回答質量，看它是不是語氣自然、簡潔明了、邏輯連貫、針對性強。

這套體系帶來的結果，是愛學大模型的指令遵循穩定在 99% 以上——我們體驗過的「追問依據叫什么」、「先肯定 sadly 修飾鳥兒的創意，再糾正語義方向」，背后都是這套機制的功勞。

對錯判斷變得更準，線上 badcase 率也大幅下降。

不過，如果只做到這里，它仍然只是一個「此刻很會教」的系統。

真正讓它更像學習 Agent 的是，自我進化。

為此，愛學還設計了一套數據飛輪。

• 線下小飛輪（安全試錯）：在上線前，讓模型在基于合成數據的虛擬課堂里反復「翻車」、反復修正，完成冷啟動和基礎策略迭代。
• 
  
• 線上大飛輪（實戰進化）：捕捉真實學生的每一次停頓、沉默、打斷和錯誤。這些行為變成了強化學習的「反饋信號」，轉化為新的教學技能（ Skill ），通過沙箱驗證后再反哺給線上模型。

至此，學習 Agent 完成閉環：懂學生，做決策，執行教學動作，再從真實反饋里長出新的教學能力。

這也是 AI 教育最值得關注的范式變化。

多模態加持：大腦有了，身體也得跟上

學習智能體光有一顆「大腦」，還不夠。

它要真正進入學習現場，還得能聽、能說、能看、能呈現。

這就是多模態身體的價值。

數字人讓 AI 有了形象；語音讓它聽得清、接得住；多模態生成則把知識從課本里拎出來，變成可對話、可進入的現場。

先看最直觀的數字人。

在教育場景里，數字人不能只是一個會動的頭像。它要能講課、互動、轉場、接話，還要撐住一整節課。

這件事并不輕松。

過去做高精度 3D 數字人，多少有點「棚拍工程」的味道。多視角采集、相機標定、復雜制作流程，一個都少不了。門檻高，周期長，成本也下不來。

愛學押注 3D 高斯路線，直接啃掉了兩塊硬骨頭。

一個是更容易做出來。

愛學提出的 AnyAvatar 算法瞄準的是一個長期制約高質量數字人落地的核心問題：如何在相機未經專業標定、拍攝條件不受嚴格控制的環境下，快速構建高保真的 3D 高斯頭部數字人。

傳統方案高度依賴精確的相機內外參數，輕微的位姿誤差都會導致面部幾何錯位、紋理漂移和跨視角不一致，AnyAvatar 將這一流程重構為統一的自校準建?？蚣埽?/p>

系統首先利用通用模型預測粗略相機位姿，再通過可行性引導的 FLAME 初始化定位合理的頭部空間，并將相機位姿、FLAME 參數和 3D Gaussian 屬性放入同一優化框架聯合求解，在過程中持續修正相機誤差。

簡單來說，過去構建高質量數字人依賴「準確的相機」，而 AnyAvatar 則讓系統具備了「自動校正相機」的能力，將拍攝幾何、人臉先驗和神經渲染統一到同一套優化體系中，使高保真數字人建模從專業攝影棚走向真實場景下的自動化生產。

最后落到產品上，就是門檻被打了下來。這項技術也已入選 ACM Multimedia 2026 。

另一塊硬骨頭，是長時間互動不出戲。

短視頻里臉偶爾飄一下，用戶可能劃走就算了。但一節 AI 課里，學生會一直看著老師。臉崩、口型飄、表情僵，沉浸感立刻掉線。

愛學提出的 MoGaFace 算法瞄準的正是這個問題。

它要解決 3D 高斯數字人里更細、更致命的質量問題：人臉幾何錯位、紋理模糊、跨視角表情不一致。最終落到觀感上，就是老師轉頭、講解、表情變化時，臉部結構更穩，皮膚紋理更清楚，動態表情也更連貫。

更現實的是成本。

據介紹，導師資產前期單獨建模，建好之后可以反復驅動調用；推理和渲染成本壓下來后，消費級 GPU 就能流暢運行。

這意味著，高保真數字人不再只適合展臺炫技，也有機會真正進入長期在線課堂。

但有形象還不夠。AI 進入學習現場，第一道門檻其實是「聽」。

展會現場很吵，旁邊有人說話、混合著嘈雜的背景音在一起?！?AI 聲紋降噪」體驗區展示的，就是在這種復雜環境里，把非目標人聲和背景噪音都成功過濾掉，只保留干凈清晰目標人聲。

https://mp.weixin.qq.com/s/U9CbR5dS_peZ-SzToK7G6A

與「先降噪、再分離、再識別」的多模塊拼接不同，愛學把「這是誰的聲音」與「降噪增強」合到一起訓練的端到端模型，從底層避免模塊間的精度損耗。實測目標人聲語音召回率 97%、精準率 98%，信噪比提升超過 15dB，降噪深度（降噪前后 delta 收益）達到40dB。此外，聲紋注冊門檻也已從 20 秒降到約10 秒。

這聽起來像是一個音頻處理技術，但是對于教育又非常關鍵，因為如果多人聲同時進入教學 Agent，學習就無法正常進行了。

AI 一旦聽錯，后面的追問、糾錯、評價全都會跑偏。尤其在低齡學習場景里，孩子說話慢、停頓多、表達不完整，系統既不能搶話，也不能把旁人的聲音當成學生回答。

最后，是多模態生成。

如果數字人和語音解決的是 AI 如何進入學習現場，那么多模態生成解決的，就是知識怎么從課本里走出來。

數字「孔子」就是一個典型例子。

它的難點不只是讓孔子開口。更難的是，讓這個歷史文化人物在形象、神態、語氣、知識邊界和思想氣質上都立得住。

為此，愛學在靜態上參考史料和經典畫像，重塑五官、身型比例與春秋背景；在動態上塑造客觀、沉穩、莊重又帶有豁達感的神態；更關鍵的是，結合典籍中的孔子言行，用愛學大模型為他構建一套穩定的精神內核。

所以，用戶面對的不是一個古風對口型頭像，而是一個可以持續追問、持續對話的文化人格 Agent。

名畫復原，也是類似邏輯。

愛學用自研 AI 短視頻生成框架，把畫作拆成故事線、場景、鏡頭和交互節點，讓《清明上河圖》、《千里江山圖》變成可以第一視角走入的歷史現場。

從「能演示」到「能交付」，全靠一副萬人并發的鋼筋骨架

前面講的，是學習 Agent 怎么會教、怎么聽、怎么說、怎么把課堂變成現場。

但真正落到產品里，還有一個更硬的問題：

這么復雜的一套系統，數萬人同時在線時，還能不能跑得穩、接得住、答得快？

這一步，決定它到底是展臺 Demo，還是能長期交付的產品。

一方面，AI 課堂的鏈路本來就長。

學生開口后，背后要經過語音識別、語言模型推理、語音合成、數字人驅動、音視頻推流等多個環節。每一環都可能帶來延遲，每一環都可能出錯。

更麻煩的是，真實課堂不是標準流水線。

一萬名學生，就有一萬條學習進度、一萬段上下文、一萬個實時變化的課堂狀態。有人卡在非謂語短語，有人正在追問，有人突然打斷，有人中途退出，幾分鐘后又回來。

系統既要把延遲壓到幾乎無感，又要記住每個人學到了哪一步?；貋碇?，不能從頭尬聊，還得接著剛才的地方繼續。

所以，愛學硬拼的，還包括這層看不見的工程底座。

第一件事，是死磕首句延遲。

在大語言模型側，愛學做了請求調度、安全審核和推理集群優化，再結合 KV Cache、PrefixCaching 等機制提升吞吐。面向教學場景里的結構化輸出，還專門做了解碼加速。

目的很直接：讓 AI 的第一句話盡快出來。

別小看這「第一句話」。課堂里，首句一慢，學生的注意力就掉了。

語音側也被拆開重做。

愛學把語音大模型里的 LLM 模塊和 Token2Wav 模塊分離部署，分別優化穩定性、首包速度、顯存管理和緩存復用。前者保證生成不亂，后者保證聲音盡快出來。

最終，語音大模型整體性能提升近 10 倍。即便疊加 ASR、語言模型、語音模型、數字人推理和音視頻推流，端到端延遲仍能控制在約 1.5 秒。

這就是 WAIC 現場「絲滑感」的來源。

但 AI 課堂只快還不夠。還得能恢復。

真實學習場景里，學生隨時可能退出、回來、打斷、跳步、答錯。系統如果丟了狀態，AI 就只能重新寒暄，課堂節奏直接斷掉。

所以，愛學做了可重入設計。

它要能恢復學生當前所處的知識點、教學目標、互動歷史和下一步策略。中途走開再回來，智能體知道剛才講到了哪，也知道下一步該怎么接。

這點很關鍵。學習 Agent 的連續性，靠的不是記住幾句聊天記錄，而是記住一整段教學狀態。

最后，還有一個容易被忽略的硬約束：安全上線。

學習 Agent 會不斷更新模型、策略和 skill，但教育場景不能無約束試錯。新策略上線前，必須先經過灰度、沙箱和安全校驗。否則一次錯誤提示、一次提前透題、一次不合適的反饋，都可能直接影響學生體驗。

講到這里，愛學 AI 學習智能體的核心技術拼圖，基本完整了。

一顆自研大模型，負責「因材施教」決策；
一副多模態身體，負責聽清學生、表達內容、呈現知識；
一層工程底座，負責把這套復雜鏈路穩定跑在真實課堂里；

這些事情合在一起，才讓每個人的 WAIC 現場體驗得以成立。

7 月 17 日至 20 日，世界人工智能大會世博展覽館 H2-E505。歡迎親自走進「與愛為舞愛學 AI 學習實驗室」，去見證，去感知。