WAIC之后，重新理解与爱为舞：一家AI原生企业的学习场景验证

今天，为期四天的WAIC落幕。逛完今年的展区，发现一个信号已经相当清晰：AI竞争的焦点，正在从“概念成立”走向“场景成立”。

这背后是两重现实的叠加。

一边是“堆算力、叠参数”的Scaling路径，边际收益越来越薄；另一边，行业也逐渐认识到模型能力强，并不等于产业价值高。AI能不能成为生产力，不在于它在Demo里有多惊艳，而要看它能不能进入真实流程、扛住真实任务、在持续使用中交出稳定价值。

这种转向，从本届WAIC“智能伙伴·共创未来”的主题中也能读出端倪。所谓智能伙伴，不再是答你所问的工具，而是一个能参与任务、理解场景、持续反馈，并与人建立协作关系的智能体系统。

正是在这一语境下，国内首批AI原生企业与爱为舞在WAIC现场落地了一座“爱学AI学习实验室”，将 Agent、数字人、语音交互、多模态生成等技术能力，组织为可体验、可交互的学习过程，让观众提前触碰AI时代的学习方式。

与此同时，我们也不禁要问，在教育巨头林立的学习场景，为什么是一家成立仅三年的年轻公司，率先在WAIC现场呈现出这样一个具备前瞻性的AI学习场景？

答案不在产品本身，而在其背后的企业范式。进入 AI 时代，谁能把 AI 从外部工具变成系统底座，谁就更有可能在复杂场景中跑出新的产品形态和服务关系。与爱为舞首次亮相WAIC的意义，在于这是一次AI原生企业能力的场景化证明，让外界看到，围绕 AI 重构的组织、技术与产品体系，如何进一步转化为真实场景中的产品形态与服务价值。

生而AI，AI原生企业的范式竞争力

纵观历次技术革命，真正推动范式变化的，往往不是简单沿袭旧路径的既有玩家，而是那些从新技术体系中生长出来的原生企业。

互联网时代，是亚马逊、阿里巴巴等企业重塑了商业流通方式。移动互联网时代，又是Uber、字节跳动等公司创造了新的产品形态和增长模型。进入 AI 时代，这一规律仍然成立。

原生企业的优势在于，它们没有沉重的旧流程、旧组织和旧商业模式包袱，可以从新技术出发，重新设计产品、组织、数据和服务系统。

同样的，AI原生企业与传统企业的区别，不在于用不用AI，而在于AI在企业中扮演的角色。传统企业倾向于将AI视为优化工具，嵌入既有业务链条的某个环节；AI原生企业则从一开始就以AI为核心驱动力，将AI作为系统底座来构建产品、流程和组织的运转方式。

与爱为舞正是这样一家AI原生企业。2023年成立之初，就以人工智能作为核心驱动力，深度嵌入企业产品设计、业务流程与组织框架。

不同于传统机构把 AI 用作效率工具，用来提升内容生产、流程管理或服务响应效率；与爱为舞要做的，是把 AI 放到学习系统的中心，让其参与学习状态识别、路径规划、内容生成、互动反馈和长期陪伴。

这种“生而AI”的基因，既塑造了与爱为舞独特的产品观，也决定了其技术路径的选择。

AI原生的产品观：不让AI替代思考，而是激活思考

AI 原生企业的优势，首先不体现在用了多少 AI 功能，而在于其能够跳出旧的产品范式，从新技术出发重新定义关系和场景。

在学习领域，“老师讲、学生听”长期被视为默认前提，大多数AI应用的角色是在这个框架内提效。但作为一家 AI 原生企业，与爱为舞试图解决的，是一个更本质的问题：如何借助 AI 的理解、判断与持续互动能力，让学习者不只是获得答案，而是在这个过程中真正掌握知识和方法，实现从“授人以鱼”到“授人以渔”。

在「爱学 AI 学习实验室」现场，这种思路被转化为一组更具主动性的体验。AI 不再只是输出答案的一方，学习者也不再只是被动接收的一方。很多体验的起点，恰恰是把主动权交还给学习者。

走到爱学拍讲智能体体验区，这里早就围满了好奇的家长和孩子。

在日常学习中，解题无疑是最高频的场景，而最省事也最糟糕的辅导方式，莫过于直接把答案甩给孩子。为了验证这款智能体与传统搜题工具有何不同，我们在现场随机拍下了一道英语单选题：

In the south-east of Nantong ______ the Wolf Hill，which attracts visitors from all over the country.

A. lies B. runs C. stays D. spreads

仅仅几秒后，屏幕里传来了一个极具亲和力、讲解流畅的老师声音。她并没有机械地给出正确选项，而是先抛出了线索：这道题的突破口其实藏在细节里。你看，句子开头是地点状语，咱们可以先把它还原成正常的陈述语序。你能说说，还原之后的主语是什么吗？

我们试探性地给了一个不完整的答案：Wolf Hill。

老师没有立即指正，而是先肯定再纠偏：方向是对的！你提到了 Wolf Hill，这是主语的一部分，但我们需要找全，还原后的完整主语是The Wolf Hill。现在，我们需要找一个能准确表达狼山位置、适配“山”这个主语的动词。回忆一下，表达某个地点“坐落于”某处时，通常用哪个词？

我们故意给了一个选项外且容易混淆的错误答案：locate。

老师依然循循善诱：“locate”表示“定位”的意思，而且它不在我们的四个选项里哦。你可以再看看原题，想想如果用 run、stay 或者 spread 来描述“山”的位置，合适吗？

“不合适。”我们顺着思路回答。

话音刚落，得到肯定的同时，屏幕上同步浮现出了清晰的知识点与选项辨析图。在这一步步的启发下，正确答案“lies”已经水到渠成。

最后，老师对这次解题进行了一次完整的复盘：同学，这道题的核心考点是地点状语开头的完全倒装句，以及表方位的动词辨析。下次遇到类似描述地理位置的题，记住先把倒装句还原找准主语，固定用“lie”来表示“位于”。

整个流程体验下来，不难发现它已经完全摆脱了过去那种“拍照搜题”的范式，而是一场抽丝剥茧的1对1启发式教学。

展台上面向低龄儿童的虾宝 AI 通识课，则把这种主动参与的逻辑放到了 AI 启蒙场景中。现场，一名小朋友刚在屏幕前坐下，虾宝便主动打起招呼：“你好，我是你的伙伴虾宝。”随后，一堂关于 AI 生图的互动课开始。

虾宝用孩子能听懂的话引导他：“提示词就是你写下来的一段描述，告诉AI你想画谁、什么风格、有什么特别细节。”小朋友说出他想要的内容后，虾宝立刻回应：“真棒，提示词写得越具体，AI生成的就越准确。”

写好的句子随即被屏幕上的“切词机”拆成几个部分，虾宝告诉这位小朋友，这些被 AI 逐个理解的基本单位叫作 Token。解释完Token，画面又切换到一片杂乱的噪点。小朋友拖动屏幕上的橡皮擦，看着人物轮廓一点点从噪点中显现出来，直观体验了图像生成中的“去噪”过程。

当卫兵形象最终出现时，虾宝并没有宣布任务结束，而是追问：“你觉得这张图有什么问题？”小朋友指出人物是倒过来的。由此，体验自然进入“骨架”讲解环节，AI继续用易懂的比喻告诉小朋友“骨架的作用就是约束生成结果的结构、姿态和构图。”

通过图像演示和友好、适龄的引导，这个小朋友全程没有任何障碍地完成了这一体验，学习了AI文生图过程中关于提示词、去噪和骨架几个核心概念。完成挑战后，小朋友还获得了创作专属作品的资格，他自己绘制了一棵向日葵的轮廓，然后AI引导和辅助他补充细节、设计动作。对他而言，这不是一堂从定义开始的技术课，而是一次边玩、边试、边创作的 AI 初体验。

当 AI 原生的产品想象力进一步释放，它甚至开始重新定义知识被体验的方式。在爱学AI穿越古今体验区，观众可以坐下来与孔子的数字人进行一场沉浸式的、富含情感厚度和思想深度的对话。转身，我们又能通过古籍复原技术，走进《清明上河图》或《千里江山图》所呈现的历史与文化场景，以第一视角漫步街边桥头，原本需要通过讲解、图文注释才能理解的文化内容，被转化为可以进入、可以对话、可以探索的交互体验。

这些体验最终指向的，不是AI 能替学习者做多少事，而是AI 能不能让学习者更好地完成自己的事。它没有把 AI 放在学习者前面，而是把AI放回学习过程之中。

AI原生的技术路径：从系统能力出发，而非从单点技术出发

AI原生企业的产品设计为何如此不同？

答案在于，它们的技术路径从起点就与传统企业分道扬镳。

传统企业的技术策略是“集成”：采购模型、调用API、接入云服务。AI原生企业的技术策略却是“内生”：从模型到工程、从内容到呈现，必须构建自己的系统闭环。因为当AI成为产品本身而非辅助功能时，借来的能力无法支撑自身的进化。

一个 AI 学习智能体要在真实场景中发挥作用，需要同时完成感知、判断、表达、反馈和迭代：听清学生说了什么，理解学生卡在哪里，判断下一步该讲、该问还是该停，再用合适的方式把引导呈现出来，并在后续使用中不断优化教学策略。

爱学的技术路径，正是围绕这条链路展开的。

链条的起点，是一颗“懂学生、会教学”的大模型底座。与通用大模型不同，爱学大模型并不只是追求给出一个正确答案，而是把学生状态、学习记忆、教学目标和反馈评价纳入同一个决策过程。

为了适配真实学习场景中不同复杂度的任务，爱学大模型采用快慢双系统架构。高频、即时的互动由快系统完成，用于快速反馈和常规引导；复杂的学情诊断、跨知识点推理和路径规划，则交给慢系统处理。

WAIC现场的爱学拍讲智能体体验环节，可以直观感受这种“按需分配算力”逻辑带来的好处。面对我们拍照输入的题目，系统会根据学科、题型、知识点及图片复杂程度等，先做一次评估和分流。简单题走快通道，10秒即可提供准确回复。复杂题才启用慢通道深度思考，配合解题与讲题的流式并行，端到端等待时间大幅压缩。

这样的设计，让 AI 既能在课堂中保持自然响应，也能在需要深入判断时进行更复杂的推理。

有了会教学的“大脑”，智能体还需要一副能自然进入学习场景的“身体”。爱学构建了一套完整的多模态交互技术体系，每一项都指向真实学习需求。

学习场景天然依赖高频语音互动，但真实环境往往并不安静，尤其是低龄儿童的表达还伴随着停顿、重复、语义不完整等情况。通用语音方案很难同时解决“听得清”、“听得准”、“不抢话”这几个问题。

爱学自研了声纹降噪的端到端联合建模，在嘈杂环境中像专属麦克风一样只提取目标人声。配合自研ASR和语义VAD，即便孩子边想边说、中途停顿，AI也能准确判断、不抢话。在WAIC现场嘈杂的展馆里，周围人声鼎沸，与爱为舞的声纹降噪展区却像划出了一道声音的结界，系统能够从嘈杂的环境中精准抓取体验者的声音，将一切干扰滤除在外。

数字人技术则解决了 AI 如何以更自然、更稳定的方式在场的问题。与爱为舞自主研发了分钟级生成数字人以及3DGS高拟真实时驱动技术，能够支持 360 度高拟真呈现与实时驱动，并通过口型、表情和动作的多模态协同，保持长时间互动中的形象与时序稳定。

支撑这一体验的，是爱学在数字人技术上的持续投入。过去两年，与爱为舞在数字人领域连获国际顶级学术会议认可。近期，与爱为舞的3D高斯数字人研究成果入选ACM Multimedia 2026，从侧面印证了其在这一领域的技术领先性。

上述所有能力的稳定交付，离不开一层隐形的工程底座。它将语言大模型、语音大模型、数字人推理与音视频推流等多条链路压进人几乎感知不到的延迟里。通过全链路极致优化，端到端延迟控制在约1.5秒，支持教学状态可重入、可恢复，支持万人级并发，让大规模实时AI一对一学习交互具备商业可持续性。

在此基础上，爱学还构建了“离线仿真 + 在线反馈”的双飞轮机制。离线侧通过仿真系统预演极端场景，提前覆盖长尾风险；在线侧则从真实互动中归因问题、提炼有效策略，并沉淀为可复用的教学 Skill。由此，AI 学习智能体不再是交付即定型的产品，而是一个能够在真实场景中持续优化的学习系统。

从技术角度看，AI 原生企业的优势不是“自研”两个字本身，而是通过自研形成对核心场景的深度掌控和持续优化，这也是AI智能体落入真实场景必须跨过的门槛。

AI原生的价值，创造过去不存在的

回看与爱为舞的发展路径，其以真人级AI一对一导师切入教育场景，率先验证了 AI 在高频、多轮、实时互动学习中的可行性。随着产品走向规模化应用，爱学在不到一年内覆盖全国 342 个城市，服务用户达到百万级，真实互动也由此成为产品与模型继续进化的数据基础。

在此基础上，与爱为舞进一步将产品升级为 AI 学习智能体，能力边界拓展至覆盖全年龄段、更多学习需求的产品体系，并通过 AI 思维、AI 双语、AI 人文素养等解决方案系统落地低龄学习场景。技术能力也从感知、理解、表达与互动，进一步走向能够基于离线仿真与在线反馈持续优化、越用越好的自进化系统。此次 WAIC 所呈现的学习智能体、数字人、语音交互和多模态体验，正是这一演进路径在真实场景中的外化。

这条演进路径背后，是与爱为舞始终坚持的 AI 原生逻辑。它并非简单叠加技术模块，而是围绕真实学习需求，协同重构产品形态、技术架构、数据闭环和交付体系。也正因此，与爱为舞为“当 AI 真正进入学习场景，会发生什么”提供了一个极具参考价值的样本：让学习真正成为千人千面、持续生长的智能体验。

当 Agent 成为重构场景的核心变量，企业之间的竞争也将不再局限于模型性能或功能数量，而在于谁能把技术能力沉淀为可长期运行、可规模化交付、可持续进化的系统能力。

从这个角度看，与爱为舞的发展路径也提供了一个观察 AI 原生企业的切口。AI 原生企业的价值，不在于用新技术更高效地复制过去，而在于沿着技术能力的边界，创造此前难以成立的新体验、新流程和新关系。

本文由与爱为舞提供，量子位获授权转载，观点归原作者所有。

版权所有，未经授权不得以任何形式转载及使用，违者必究。