2026WAIC觀察：AI應(yīng)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(xiàn)場，學(xué)習(xí)已經(jīng)變成醬嬸兒了：

拍題不搞「劇透」，AI 先追問你依據(jù)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(yè)與愛為舞，直接把一座開放式「AI 學(xué)習(xí)實驗室」搬進了世博展覽館 H2-E505 展位。

沒有大屏循環(huán)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(xué)習(xí)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(yīng)用，到底有沒有真正走進生活？

展館里，垂直領(lǐng)域的專業(yè)智能體密集亮相，比拼工作流順不順、任務(wù)能不能跑起來、商業(yè)閉環(huán)到底有沒有。

教育與陪伴，成了觀察這場「務(wù)實躍遷」的最佳窗口。

畢竟，教育行業(yè)講了很多年因材施教，但真到了產(chǎn)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(xiàn)在，與愛為舞的學(xué)習(xí) Agent 開始撬動這個僵局。

學(xué)習(xí)這個事兒，終于換了個姿勢

在「愛學(xué) AI 學(xué)習(xí)智能體」體驗區(qū)，我們先試了試「愛學(xué)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(xiàn)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(tǒng)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(guān)系。

智能體沒放過我們，繼續(xù)追問：

這個依據(jù)叫什么？

直到說出「同角的補角相等」這個知識點，它才繼續(xù)往下推進：

∠2 = ∠DGE，所以可以根據(jù)同位角相等推出 AB ∥ EG；
再利用平行線性質(zhì)，得到 ∠3 = ∠ADE；
結(jié)合題目給出的 ∠3 = ∠B，通過等量代換推出 ∠ADE = ∠B；
最后根據(jù)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(jié)點、一個知識要點，智能體都會 cue 你——

答得對，繼續(xù)推進；答得模糊，追問依據(jù)；答錯了，就降一階給提示，或者帶你回顧相關(guān)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(jié)課也能 hold 住？

這是一堂英文寫作課，學(xué)習(xí)怎么潤色句子。

老師「 AI 心語」出現(xiàn)在屏幕右上角，很像真人，主區(qū)域則是一塊動態(tài)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(xù)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(dāng)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(jié)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(tài)，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(fù)或者解釋，再把課堂節(jié)奏接回去。

更有意思的是，沒有預(yù)制 PPT，「 AI 心語」會根據(jù)互動內(nèi)容，現(xiàn)場板書。

需要填空的地方，會被標(biāo)出來：

我的回答也會出現(xiàn)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(jié)課下來，角色反轉(zhuǎn)：

• 學(xué)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(dāng)我們轉(zhuǎn)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(shù)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(fā)展，未來學(xué)習(xí)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(xué)子之性，令學(xué)皆得其所宜，人人皆能樂學(xué)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(xué)習(xí)、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(tǒng)知識也可以變成一個可對話、可進入的現(xiàn)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(fù)出現(xiàn)：

AI 開始知道，學(xué)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(chǎn)品解決的是有沒有答案、講解夠不夠完整。但真實學(xué)習(xí)里，更關(guān)鍵的問題常常發(fā)生在答案之外：

學(xué)生為什么卡住？這個回答算不算真懂？現(xiàn)在該繼續(xù)追問，還是換一種提示？該把知識點拆細(xì)，還是讓學(xué)生自己再試一次？

這些判斷，過去屬于資深教師的隱形經(jīng)驗。現(xiàn)在，愛學(xué)試圖把它變成模型能力。

這也是愛學(xué)大模型在整套學(xué)習(xí) Agent 里的位置。它并不只是負(fù)責(zé)生成一段講解，而是承擔(dān)教學(xué)決策中樞的角色：

先識別學(xué)生狀態(tài)，再判斷下一步策略，最后把策略落到語言、板書、互動節(jié)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(chǎn)品會把答案和步驟直接攤出來。「愛學(xué)拍講智能體」沒有急著「劇透」，而是先追問，依據(jù)是什么。學(xué)生答得含糊，它繼續(xù)追問；答到關(guān)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(xué)邏輯的變化。

它要判斷學(xué)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(xué)生自己說。拍講從「結(jié)果導(dǎo)向」變成「過程導(dǎo)向」，學(xué)習(xí)才有可能真正發(fā)生。

英語寫作課上，也是如此。

當(dāng)我們故意用 sadly 描寫鳥兒狀態(tài)時，「 AI 心語」沒有直接判錯，也沒有簡單給出標(biāo)準(zhǔn)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(yīng)。

再往下看，動態(tài)板書也不只是視覺效果。

過去很多在線課堂的板書，本質(zhì)上還是預(yù)制 PPT 。講到哪一頁，播到哪一步。學(xué)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(xué)生填出的詞會出現(xiàn)在畫面上，錯誤答案會被劃掉，關(guān)鍵位置會被標(biāo)注，線索提示也會適時彈出。板書開始跟著學(xué)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(biāo)哪里、什么時候擦掉、什么時候提示。教學(xué)思路被實時攤開，學(xué)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(jié)奏。

真正的課堂不會按腳本一路播放。學(xué)生可能回答說「不記得了」、「什么是非謂語動詞」、甚至挑戰(zhàn)所謂的標(biāo)準(zhǔn)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(fù)、解釋、推進，還是降階講。

能不能接住這些變化，才是學(xué)習(xí) Agent 和普通問答工具的分水嶺。

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

為此，愛學(xué)大模型吃進了大量真實課堂里的教學(xué)因果鏈。學(xué)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(xù)訓(xùn)練和校準(zhǔn)。

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(biāo)準(zhǔn)評估回答質(zhì)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(jié)果，是愛學(xué)大模型的指令遵循穩(wěn)定在 99% 以上——我們體驗過的「追問依據(jù)叫什么」、「先肯定 sadly 修飾鳥兒的創(chuàng)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(zhǔn)，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(tǒng)。

真正讓它更像學(xué)習(xí) Agent 的是，自我進化。

為此，愛學(xué)還設(shè)計了一套數(shù)據(jù)飛輪。

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

至此，學(xué)習(xí) Agent 完成閉環(huán)：懂學(xué)生，做決策，執(zhí)行教學(xué)動作，再從真實反饋里長出新的教學(xué)能力。

這也是 AI 教育最值得關(guān)注的范式變化。

多模態(tài)加持：大腦有了，身體也得跟上

學(xué)習(xí)智能體光有一顆「大腦」，還不夠。

它要真正進入學(xué)習(xí)現(xiàn)場，還得能聽、能說、能看、能呈現(xiàn)。

這就是多模態(tài)身體的價值。

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

先看最直觀的數(shù)字人。

在教育場景里，數(shù)字人不能只是一個會動的頭像。它要能講課、互動、轉(zhuǎn)場、接話，還要撐住一整節(jié)課。

這件事并不輕松。

過去做高精度 3D 數(shù)字人，多少有點「棚拍工程」的味道。多視角采集、相機標(biāo)定、復(fù)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(xué)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(xué)提出的 AnyAvatar 算法瞄準(zhǔn)的是一個長期制約高質(zhì)量數(shù)字人落地的核心問題：如何在相機未經(jīng)專業(yè)標(biāo)定、拍攝條件不受嚴(yán)格控制的環(huán)境下，快速構(gòu)建高保真的 3D 高斯頭部數(shù)字人。

傳統(tǒng)方案高度依賴精確的相機內(nèi)外參數(shù)，輕微的位姿誤差都會導(dǎo)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(gòu)為統(tǒng)一的自校準(zhǔn)建模框架：

系統(tǒng)首先利用通用模型預(yù)測粗略相機位姿，再通過可行性引導(dǎo)的 FLAME 初始化定位合理的頭部空間，并將相機位姿、FLAME 參數(shù)和 3D Gaussian 屬性放入同一優(yōu)化框架聯(lián)合求解，在過程中持續(xù)修正相機誤差。

簡單來說，過去構(gòu)建高質(zhì)量數(shù)字人依賴「準(zhǔn)確的相機」，而 AnyAvatar 則讓系統(tǒng)具備了「自動校正相機」的能力，將拍攝幾何、人臉先驗和神經(jīng)渲染統(tǒng)一到同一套優(yōu)化體系中，使高保真數(shù)字人建模從專業(yè)攝影棚走向真實場景下的自動化生產(chǎn)。

最后落到產(chǎn)品上，就是門檻被打了下來。這項技術(shù)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(jié) AI 課里，學(xué)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(xué)提出的 MoGaFace 算法瞄準(zhǔn)的正是這個問題。

它要解決 3D 高斯數(shù)字人里更細(xì)、更致命的質(zhì)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(zhuǎn)頭、講解、表情變化時，臉部結(jié)構(gòu)更穩(wěn)，皮膚紋理更清楚，動態(tài)表情也更連貫。

更現(xiàn)實的是成本。

據(jù)介紹，導(dǎo)師資產(chǎn)前期單獨建模，建好之后可以反復(fù)驅(qū)動調(diào)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(shù)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(xué)習(xí)現(xiàn)場，第一道門檻其實是「聽」。

展會現(xiàn)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(qū)展示的，就是在這種復(fù)雜環(huán)境里，把非目標(biāo)人聲和背景噪音都成功過濾掉，只保留干凈清晰目標(biāo)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(xué)把「這是誰的聲音」與「降噪增強」合到一起訓(xùn)練的端到端模型，從底層避免模塊間的精度損耗。實測目標(biāo)人聲語音召回率 97%、精準(zhǔn)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(shù)，但是對于教育又非常關(guān)鍵，因為如果多人聲同時進入教學(xué) Agent，學(xué)習(xí)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(xué)習(xí)場景里，孩子說話慢、停頓多、表達不完整，系統(tǒng)既不能搶話，也不能把旁人的聲音當(dāng)成學(xué)生回答。

最后，是多模態(tài)生成。

如果數(shù)字人和語音解決的是 AI 如何進入學(xué)習(xí)現(xiàn)場，那么多模態(tài)生成解決的，就是知識怎么從課本里走出來。

數(shù)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(tài)、語氣、知識邊界和思想氣質(zhì)上都立得住。

為此，愛學(xué)在靜態(tài)上參考史料和經(jīng)典畫像，重塑五官、身型比例與春秋背景；在動態(tài)上塑造客觀、沉穩(wěn)、莊重又帶有豁達感的神態(tài)；更關(guān)鍵的是，結(jié)合典籍中的孔子言行，用愛學(xué)大模型為他構(gòu)建一套穩(wěn)定的精神內(nèi)核。

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

名畫復(fù)原，也是類似邏輯。

愛學(xué)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(jié)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(xiàn)場。

從「能演示」到「能交付」，全靠一副萬人并發(fā)的鋼筋骨架

前面講的，是學(xué)習(xí) Agent 怎么會教、怎么聽、怎么說、怎么把課堂變成現(xiàn)場。

但真正落到產(chǎn)品里，還有一個更硬的問題：

這么復(fù)雜的一套系統(tǒng)，數(shù)萬人同時在線時，還能不能跑得穩(wěn)、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(chǎn)品。

一方面，AI 課堂的鏈路本來就長。

學(xué)生開口后，背后要經(jīng)過語音識別、語言模型推理、語音合成、數(shù)字人驅(qū)動、音視頻推流等多個環(huán)節(jié)。每一環(huán)都可能帶來延遲，每一環(huán)都可能出錯。

更麻煩的是，真實課堂不是標(biāo)準(zhǔn)流水線。

一萬名學(xué)生，就有一萬條學(xué)習(xí)進度、一萬段上下文、一萬個實時變化的課堂狀態(tài)。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(tǒng)既要把延遲壓到幾乎無感，又要記住每個人學(xué)到了哪一步。回來之后，不能從頭尬聊，還得接著剛才的地方繼續(xù)。

所以，愛學(xué)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(cè)，愛學(xué)做了請求調(diào)度、安全審核和推理集群優(yōu)化，再結(jié)合 KV Cache、PrefixCaching 等機制提升吞吐。面向教學(xué)場景里的結(jié)構(gòu)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(xué)生的注意力就掉了。

語音側(cè)也被拆開重做。

愛學(xué)把語音大模型里的 LLM 模塊和 Token2Wav 模塊分離部署，分別優(yōu)化穩(wěn)定性、首包速度、顯存管理和緩存復(fù)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(shù)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(xiàn)場「絲滑感」的來源。

但 AI 課堂只快還不夠。還得能恢復(fù)。

真實學(xué)習(xí)場景里，學(xué)生隨時可能退出、回來、打斷、跳步、答錯。系統(tǒng)如果丟了狀態(tài)，AI 就只能重新寒暄，課堂節(jié)奏直接斷掉。

所以，愛學(xué)做了可重入設(shè)計。

它要能恢復(fù)學(xué)生當(dāng)前所處的知識點、教學(xué)目標(biāo)、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(guān)鍵。學(xué)習(xí) Agent 的連續(xù)性，靠的不是記住幾句聊天記錄，而是記住一整段教學(xué)狀態(tài)。

最后，還有一個容易被忽略的硬約束：安全上線。

學(xué)習(xí) 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(jīng)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(xué)生體驗。

講到這里，愛學(xué) AI 學(xué)習(xí)智能體的核心技術(shù)拼圖，基本完整了。

一顆自研大模型，負(fù)責(zé)「因材施教」決策；
一副多模態(tài)身體，負(fù)責(zé)聽清學(xué)生、表達內(nèi)容、呈現(xiàn)知識；
一層工程底座，負(fù)責(zé)把這套復(fù)雜鏈路穩(wěn)定跑在真實課堂里；

這些事情合在一起，才讓每個人的 WAIC 現(xiàn)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(xué) AI 學(xué)習(xí)實驗室」，去見證，去感知。