← #803

LearnVector：吴恩达的新 AI 公司，要做一对一的学习体验

文章摘要

LearnVector 是吴恩达（Andrew Ng）在 2026 年创立的新 AI 公司，总部位于加州山景城，全员现场办公，获得 Coursera 的 1 亿美元投资。官网首页的开篇口号是：「传统观点认为 AI 会取代人。我相信恰恰相反。」公司的使命被表述为「加速人类发展」，判断是——如果做对了，AI 将成为人类发展最大的加速器。

问题定义。网站主张：在人类历史的绝大部分时间里，优质教学都是稀缺的，被成本、地理和时间所配给。我们一直都知道，一个人有一位好老师，学得比同一个人身处两百人的课堂里更多、更快；但我们还是建了教室，因为我们没法给每个人配一位家教。这不是学习本身的限制，而是经济学的限制。尽管 AI 已有巨大进展，我们学习的方式却仍然没有改变，学习体验依然是一对多的。网站还明确点名了聊天机器人的问题：没有护栏的聊天机器人有害于学习——机器人能给你一个答案，但答案不等于教育；认知卸载（cognitive offloading）意味着你最终学得更少，而且你没法总是信任聊天机器人告诉你的东西。与此同时，对可信学习（知道所学内容是准确的、重要的、相关的）的需求从未如此之高。

三个转变。网站把结果概括为三件事的改变：模式上，从一对多到一对一，让每个人都有个性化的学习体验；体验上，从劳作（Labor）到热爱（Love），让学习变得投入而有趣、是你想做的事；习惯上，从偶尔到每日，让学习像本能而非苦差。

产品形态。他们要做的是「一个值得信赖的学习向导」：聊天机器人给你一个答案就走了，而他们要做的一对一学习体验会（1）与你一起规划路径，（2）适应你的学习方式，（3）耐心地陪着你直到你掌握新技能。底层由智能体式 AI（agentic AI）驱动——能推理并行动的多步系统，而不是一次只回答一个提示。网站明确写了时间表：他们正在埋头开发，会在 2027 年初拿出产品。

吴恩达的自述。他写道，十五年前 Coursera 和在线课程改变了教育，效果比几乎所有人预期的都好，通过打开「在哪里学」扩展了可及性；但「怎么学」基本上还和几个世纪以来一样，是一刀切的课程，以同样的方式教给每个来上课的人。他认为现在有机会改变学习发生的方式：借助 AI 的进展，可以为每个人构建定制的学习向导，把学习从一对多变成一对一。他强调好的学习需要的远不止一个聊天机器人，研究表明没有护栏的聊天机器人有害于学习——它们帮助完成任务、让学生作业成绩更好，但认知卸载的结果是学生技能更差。他还提到有一件事始终没变：人们想要的是值得信赖的学习，材料要准确、相关、值得投入的努力，达不到这个标准就是在浪费学习者最宝贵的东西——时间。Coursera 拥有来自权威来源的可信内容库，LearnVector 计划与 Coursera 合作把这种可信学习带给所有人，同时也计划与 Udemy 密切协作。他感谢了 Coursera CEO Greg Hart 和整个团队。

Greg Hart 在网站上的表态是：对 LearnVector 的战略投资有潜力成为 Coursera 增长的力量倍增器，吴恩达无与伦比的 AI 专长把他的智能体 AI 与 Coursera 的平台和资产（把学习转化为经过验证的掌握）配对，形成他们相信能加速业务、扩大对全球个人和企业影响力的明确竞争优势。

网站的招聘部分列出了 AI Engineer、Learning Engineer、Learning Scientist 等少数几个岗位，全部要求在山景城现场办公。

HN 评论精华

这个帖子拿到 268 分、172 条评论。讨论明显分成几个阵营：对 EdTech 商业模式的结构性怀疑、对「AI 一对一」这个提法的哲学争论、对网站本身「一看就是 Claude 写的」的集体吐槽，以及一大批关于现有学习工具的实用推荐。

EdTech 到底能不能赚钱

isubkhankulov 开场说 EdTech 在风投回报上历来不如 SaaS、广告、火箭，但考虑到人们在教育上的花费，AI 教育软件没理由不成为一个巨大市场，而没有几个人比吴恩达更适合执行。
jkhdigital 给出了整个帖子最被认可的一段分析，他称之为 EdTech 的肮脏小秘密：改善学习本身赚不到钱，因为没有办法捕获这份价值。除了极少数高度专业化和封闭的行业，不存在可规模化的、客观评估技能掌握度的基础设施。大多数学习者并不想为学习本身而学，他们想要一份能向雇主证明自己价值的凭证。学习的全部价值都沉淀到了凭证上，而教育体制里的每个人都乐于把这项特权保留给认证过的大学——因为他们可以不断把更多产品和服务捆进学费标价里，而无需为此辩护；助学贷款体系又确保了足够多的学生对价格不敏感，永远不会去找替代品。bonoboTP 用更短的话说了同一件事：真正出于自身动机想学点东西的人并没有一个巨大的市场，想拿一纸文凭的才有；所以只有当颁发学位的机构采纳这类东西时，那个巨大市场才会兑现。
sseagull 从运营角度补充了 GitHub Classroom 和 Replit 教育业务关停的原因：服务教育者非常需要贴身跟进，教育有大量各不相同的需求（每个老师都需要那一个小功能），常有法律问题（学生隐私），而且和大学与政府打交道糟糕又官僚；多数公司会发现在别处赚钱更容易。chadash 补充了量化视角：人们常举的 EdTech 最大成功案例是 Duolingo，2011 年成立、2021 年上市市值约 65 亿美元，按任何标准都是大成功，但那是天花板；对比 800 亿的 DoorDash，更不用说万亿级的 AI 实验室，就明白为什么最大的 VC 几乎不碰这个领域。j5 则反驳说 EdTech 是个宽泛市场，K-12、高校、行业培训、成人学习、专家直接授课是完全不同的品类，学习者也完全不同，多数人只在其中一个里工作所以意识不到差别。
dataviz1000 讲了一个很好的故事：他在 2013 或 2014 年于迈阿密听 Luis von Ahn（CAPTCHA 发明者）讲 Duolingo，当时公司约 24 名员工。von Ahn 说自己的兴趣在众包，本以为大部分工程投入会花在众包翻译上，结果那时只有两个员工在管这块。他们请来了两位语言学习和语言学领域的顶尖顾问，第一个问题是：应该先向学习者呈现哪个词性？顾问答不上来。于是他们派工程师去收集数据来回答这个问题。「EdTech 的一个大问题是：我们不知道。」raddan 把这句话展开得很好：可能的教学方法空间巨大，我们不知道哪种最有效；把它当成一个优化问题很容易，但很快会撞上一堆现实障碍——不同的人学法不同，设计良好的研究耗时耗资源因而迭代很慢，好的教学似乎需要对学生动机和激励的深刻洞察，而这些很难量化；我们也没有很好的成果度量方式，成绩对未来成功的预测力很弱。「最好的老师似乎把对教学的深度思考与直觉和魅力结合了起来，这些配料很难复制。」
diskzero 提供了一个来自教育一线的数据点：他妻子做了 25 年高中数学老师，见过一波又一波技术名人描绘技术将如何彻底改善教育与学习的愿景，她说不出任何一家真正改善了学习成果的创业公司。bonoboTP 补充说这不是科技创业公司独有的问题——几乎没有任何明确的方法论对教育成果有影响，而且教育研究的文献质量也差得可怕。

「一对一」是不是在偷换概念

hmokiguess 提出了这条支线的起点：等等，你说的「一对一」是指 AI 对人？那不是一回事，抱歉。他后面把立场说得更完整：他根本上相信 AI 无法替代人与人连接的那一面，老师做的不只是教，还要与学生建立联系、形成关系；他反感这套营销话术，也反感把教育做成商品这件事本身——他来自教育免费的地方，这种把知识围起来做成产品的做法让他不舒服，而 MOOC 在他看来也没成就什么，他见过更好的效果来自 YouTube、免费课程和那些愿意付出额外努力的自造老师。不过他也承认 AI 在教育里有位置，只是应该在人类教育者身边。
Gathering6678 的回应是最被认可的辩护：如果你的意思是 AI 达不到一位好的人类教育者的水平，这是公允的论点，但也没多少人负担得起一对一的人类教育者。他说自己更乐观一些——如果 AI 能给他一位普通讲师九成的能力，而价格只有一成甚至更低，那大概是极其有价值的（对他而言，这意味着他可以去学那些原本在经济上说不通的东西）。他也澄清自己脑子里没有「取代」这个词，只是希望 AI 作为补充工具能做成很多事。Aurornis 用一句话概括了这个立场：我也希望我们有无穷无尽的专家老师，随时待命一对一辅导且只收象征性费用；可惜没有，所以这类东西只能作为更可及的备选。
raddan 讲了一段亲身经历来支持谨慎的乐观：他有计算机科学博士学位，读博给了他与某个小众领域少数专家之一的密切接触，他非常享受，但他没能学到所有想学的东西，也没法再抽出时间去读第二个博士。ChatGPT 3.5 刚出来时他拿自己是专家的题目去试，结果令人沮丧——模型的回答反映的是外行普遍的误解；而最近他评审同领域一篇论文时用较新的模型核对自己的工作，体验令人大开眼界，模型不再困惑，还找出了他长期存在的误解，并在他表示怀疑时用对原始工作的引用来支撑答案。他现在偏好的用法是这种 AI 版的「小黄鸭编程」。fluoridation 提出了必要的反问：你有没有去核对那些引用，确认它们真的包含了被引用的内容？「我永远不会信任 LLM 当老师。它们一直在编东西，而当你在学习时，你正处在最没有能力核查所获信息的位置上。」bonoboTP 补充了另一层限制：这类小众领域的大量知识从未被写下来，论文里没有——那是默会知识，藏在未公开的配置文件和未发表的实验里，在某位教授或博士生的记忆里，是那些「不值得发表」（不够花哨、不够新颖、或是负面结果）但对方法真正跑起来至关重要的东西；还有很多事人们只在啤酒之后才说。「Claude 和 ChatGPT 摄入的是经过消毒的表层版本、新闻稿/广告版本，因为论文基本上就是职业营销。真正的专长是被守卫和隐藏的。」他也说明这是博士层面的判断，对于以通过常规考试为目标的大学教育，现有模型已经绰绰有余。
UltraSane 说在某些方面 LLM 家教反而更好——你去给范畴论或 Lean 4 找个人类家教试试。Diogenesian 给出了这条支线里最有争议的一击：如果你需要人类家教才能理解范畴论或 Lean，那你就不具备必需的数学/CS 背景，人类或 LLM 家教都教不了你任何有意义的东西。他强调「有意义」这个词，说他对 LLM 深感忧虑的一点是它们提供的是「教育娱乐」（edutainment），而人们真的以为自己学到了东西——本帖里有人说把一份密集的线性代数 PDF 丢给 LLM 用苏格拉底式提问，他敢保证那人自己读 PDF 会学到更多，而不是被一堆关于线性代数的傻问题绕来绕去，「但感觉上像是学到了！」UltraSane 斥之为精英主义，Diogenesian 坚持说这是诚实：如果你没法读研究生水平的教科书自学范畴论，你就没有理解它的数学成熟度，你需要从更小的地方开始——抽象代数和点集拓扑，或者只想要 CS 应用的话是集合论和数理逻辑。
nicf 作为一位以教成人证明式数学为业的私人家教，给出了本帖最有分量也最不犬儒的一条：他本可以顺着大家的嘲讽走，但他并不这么想。他热爱教学尤其是一对一形式，但它真的无法规模化——不是每个人都负担得起人类家教，家教的数量大概也远不足以满足潜在需求。如果这样的产品真能做好，那太棒了。他基于经验提出了一个具体的疑问：有时一个新学生需要被告知，他们其实并没有自己以为的那么理解某件事，最好比他们想要的速度慢一些走。这段「温柔地劝退」的对话他很乐意谈（有时候错的还是他自己），但他很好奇一家非常想留住客户的公司做出来的 LLM 能不能、以及能多好地做到这一点。
antonyragleap 用一句话点出了同一个技术难点：最难的问题似乎不是内容生成，而是准确地建模学习者到底理解了什么。HarHarVeryFunny 认为持续评估每个学生以选择他们准备好的下一步内容是真正的挑战，但有了「LLM as judge」这似乎不是大问题，并推测你仍然需要人类设计的课程大纲，AI 只是充当老师。

「这网站一看就是 Claude 写的」

这是本帖热度最高的吐槽点。ashu1461 问「是不是只有我觉得这网站像 vibe coded」；sergiotapia 说首页完全是 AI 写的，满屏破折号；wxw 说这网站不如就把吴恩达那封信用默认的 <p> 标签放出来，「AI 的 slop 化触手可及」；jatins 说他希望人们干脆丢一个纯文本段落页面，因为「Claudism」一出现他就直接往下滚不读了；docheinestages 说希望产品本身别也长成 AI 生成的样子，他现在浏览 YC 创业公司时经常被草率的设计震惊，「对我来说这是个信号：产品背后的人不太在乎」；gffrd 只说了一句「这网站真够呛」；ghlancet 补了一刀「网站是 Claude 做的（Claude 喜欢米色）」。

另一处密集吐槽落在那句 slogan 上。sv123 引用「传统观点认为 AI 会取代人，我相信恰恰相反」后问：所以人会取代 AI？jpadkins 认真查了 replace 的反义词列表（hold、keep、precede、break、damage、deprive、forfeit、lose、penalize、remain、take、worsen），得出结论「也许他们该重新想想这句标语」。Nevermark 贡献了最好的段子：反-取代，他们要繁殖我们，是物种分化不是灭绝。haritha-j 说「不，反义词是补充（replenish），就像《黑客帝国》里那样增加人类供给」。alok-g 则给出了善意的解读：大意应该是「AI 会帮助人」——AI 学会人拥有的技能并取代他们（一种），对比 AI 帮助人更好地学习、更快地发展新技能（另一种）。

关于融资与结构的怀疑

BobbyTables2 问：1 亿美元是笔巨款，为什么这么早就要这么多？未来 5-10 年里 1 亿能做到而 2500 万做不到的是什么？Ozzie_osman 表达了同样的担忧：他很兴奋也很喜欢吴恩达，但「希望他们没融这么多钱——大额融资轮未必给他想做的事设定了正确的动力结构」。aphroz 提出了结构性质疑：Coursera 的创始人开了家新公司，由 Coursera 出资？这听起来像马斯克的剧本。他还问这有什么新的、甚至有什么「AI」的——你现在不就能让 Claude 教你东西吗？root-parent 更直白：这看起来像是又一次投资人操盘，为了救 Coursera 并给它的估值找一个（双关意义上的）vector；Coursera 和 Udemy 已经提供 AI 学习工具了，为什么要另开一家公司并投入 1 亿？产品、商业关系、所有权结构、IP 归属看起来都还不清楚。ElProlactin 对「这看起来很棒」的评论回敬道：到底什么看起来很棒？网站是 Claude 做的，没有关于产品/服务是什么、怎么运作的任何细节，全是大想法和大承诺，没有任何具体性。latenightcoding 数了数说他现在有大约 20 家 AI 公司了（有人列出了 deeplearning.ai、context hub、codream.ai、OpenWorker、LearnVector），「这人从不停歇」。imjonse 提出了最实际的时间线质疑：等到 2027 年初，前沿模型可能靠提示就能做这些了；即便现在，让聊天界面持续出题并适应你的水平、回答你的问题、总体上像个家教那样行动都已经很容易，缺的只是集成的统计/进度/游戏化/长期记忆，而这些要么可以 vibe code 一个小应用补上，要么对真正的学习来说本就不必要。
vnchr 对「不如把这 1 亿花在给学生提供免费早午餐」（jordanscales，自称 EdTech 校友）的提议做了算术反驳：那只够纽约市公立学校三周的早午餐；他个人更愿意看到投资于能给不止一个学区带来非临时改善的技术。

大量的工具与方法推荐

这个帖子的一个意外收获是社区自发整理出的现成方案清单。genghisjahn 说有人分享过一个苏格拉底式方法的 Claude skill，他试下来效果极佳——丢进一份密集的线性代数或 Postgres PDF，skill.md 的内容大意就是「这是一份文档，给我一段开场陈述并问我一个问题；随着我给出答案，把我引向更简单或更复杂的领域」。d4rkp4ttern 认领了原帖并给出了文档链接，mathisfun123 分享了 socrates-skill 并说自己刚用它准备面试拿到了 offer，Evidlo 和 westurner 各自补充了更多资源。epolanski 提出了这套方法的局限：AI 缺乏共情，不知道你真正卡在哪；当 JeremyNT 问能不能自己说明哪里不懂来引导模型时，他回答说那要求你这个学生能轻松识别出自己为什么不理解、以及多个概念中哪个是主要或次要的阻塞，「这并不容易」。ismailmaj 提到一个具体的产品缺陷：模型本身很擅长藏答案，但 AI 摘要会把答案泄露出去，而且据他所知无法关闭；genghisjahn 给出了解法（用 Claude Code 的话把 recaps 关掉）。

关于 Math Academy 的一段讨论几乎自成一篇小测评。zuzuleinen 作为 Anki 和 Math Academy 的日常用户表示很期待软件如何帮助学习，并分享了自己写的 AlgoTutor（教 Go 开发者算法和并发的 CLI 工具）。jbstack 问 49 美元/月的软件相比免费的 Khan Academy 是否值得。回答分成两派：sanswork 试了两次都无法理解这份热度，觉得每个主题包含的信息太少；而 abcd_f 说让两个孩子都过了两者，「远远优于 Khan」，唯一的问题是高阶部分有些只在美国体系里才需要的机械训练对欧洲人来说本该可选却不可选。zuzuleinen 说他给自己定了每天 20 XP 的规则并坚持了半年多，而 Khan Academy 他从来没能维持这个节奏，也许价格本身就是一个因素。rahimnathwani 做了单位经济学计算：每天学 30 分钟就是每小时 3.3 美元，只要把学习效率提高 10% 就值。jkhdigital 从教学设计角度给出了最高的评价：Math Academy 把间隔重复与知识 DAG 结合得很漂亮，但真正在几乎所有高等教育里缺失的，是他们那种极其细粒度的技能分解；他正在按 Math Academy 的样子给自己的本科 CS 课程编课程体系。
还有几条零散的：ilya_l 问 Karpathy 那家前提相似的教育创业公司后来怎么样了（无人接话）；benji8000 问这和 Khanmigo 有何不同——后者在全面 AI 学习辅助上并不特别成功；est 说听起来像 mathacademy 和许多同类服务；keithnoizu 半开玩笑地贴出自己的项目问「我有危险吗」；starlineventure 分享了他做的 Roblox 数学冒险游戏，并主张未来的一对一学习大概会有 80-90% 是游戏化的，因为他花了半年在亚洲旅行，看到所有人到处都在手机上打游戏。
hamburgererror 贴出阿西莫夫的短篇《他们那时多有趣》并留言「请别再为了个人财富用技术摧毁人类的日常生活体验」。orbital-decay 给出了一段很好的反驳：这是阿西莫夫较弱的作品之一，它只是把大众教育时代之前的教学方式投射到了未来；在一个有无限智能机器人的未来里，把大众教育和社会化混为一谈是相当短视的——你不必被以一刀切的方式教学才能拥有共同经验，自 90 年代以来许多教育体系和实验都在尝试把个性化学习与社会化结合起来。「不幸的是许多二战后的科幻预言变成了自我实现的预言，因为很多人被它们塑造了，再也无法想象打破那套如今已成为他们生活一部分的设定。」abcd_f 补充说如果那种体验本身就不合格（比如 30 多人的班里 80% 的人根本不在乎），那给想要替代方案的人提供一个选择并无害处。iknownthing 则给出了一个冷静的经验判断：以他的经验，人们并没有多大兴趣在基础 ChatGPT 聊天体验之外用 LLM 来帮助自己学习。epolanski 用一句话概括了另一种风险：又一个会被大实验室原生吞掉的 AI 产品。