今天，飞象老师正式发布3.0版本。

这次升级最值得关注的变化，是新增了“教育应用生成”能力。

用户只需要在对话框里说清楚自己的需求和想法，几分钟后，就可以得到一个能够直接访问、调用AI、保存数据，并持续修改迭代的教育应用。整个过程中，不需要写代码，也不需要理解数据库、服务器和部署。

换句话说，飞象老师把过去需要产品经理、设计师和工程师共同完成的教育应用开发，进一步压缩进了一个AI对话框。

这是飞象老师上线9个月以来的第三次重要升级。

2025年12月，飞象老师1.0上线，一句话可以生成专业教学动画；2026年5月2.0上线，上传一份教案就能生成整套互动课件；如今发布的3.0，则进一步把生成能力从教学内容延伸到了完整的教育应用。

而这一变化发生的背景是，全球头部AI公司正在持续进入教育场景。

Google不断把面向学习场景的能力融入Gemini，Anthropic也推出Claude for Teachers。教育，正在成为全球大模型公司重点布局的垂直场景之一。

但不同公司的路径也开始出现差异。

全球头部大模型公司更多从通用模型出发，不断增强其在教育场景中的适配能力；而飞象老师走的是另一条路径——从教育场景出发，把模型能力、教育能力和应用生成进一步结合在一起。

这些教育应用，都不是程序员做的

人形机器人是近期科技领域的热门话题。一位物理老师想借这个机会给学生讲清楚机器人结构，于是用飞象老师制作了一个宇树G1人形机器人的3D部件拆解与语音导览应用。

深色科技风界面中，一台高保真G1模型可以自由拖拽和旋转。

左侧按照机器人结构排列不同部件，点击某个关节，右侧会显示对应参数；拖动底部滑块，机器人可以进入爆炸拆解状态，不同零件从机体向外展开；侧边栏还可以配合语音，对不同结构逐一讲解。

这已经不是一张教学动画，而是一个拥有完整交互逻辑的工程教学工具。

类似的事情也发生在班级管理场景。

一位班主任想给全班建立一套错题档案。生成后的应用中，每名学生都有独立档案，可以查看错题数量、知识掌握情况、最近正确率和待练题型。

随着错题不断录入，AI可以进一步进行错因诊断，并针对学生薄弱知识点自动生成后续练习。

应用背后还可以拥有用户体系和数据库，持续记录每名学生的学习情况。

这也不再只是一个展示页面，而是一个能够持续运行的教学管理产品。

我们也联合一所省重点中学的英语组老师们，用飞象老师开发了一个高考英语作文AI批改工具。

老师们的诉求非常实际：每次考试后都有大量作文需要批改，逐篇进行细致反馈成本很高，学生最终拿到的往往只是一个分数和几句评语。

于是，我们尝试把高考英语作文的完整评分逻辑直接做进一个应用。

在对话框里输入需求和界面要求之后，飞象老师开始自动生成。中间如果出现问题，可以继续通过自然语言修改、修复。

几轮对话下来，一个完整的“高中英语作文批改台”就被搭建出来。

真正值得关注的，不只是“AI又生成了一个网站”。

而是原来必须由产品经理、设计师和工程师共同完成的软件，现在开始可以由真正懂教学的人直接创造。

这种变化正在催生大量过去很难被单独开发出来的教育产品。

有人把英语单词学习做成带有课程地图、学习关卡、听说练习、积分奖励和个人进度的“英语冒险岛”；

有人把一张静态元素周期表变成可以搜索、筛选、比较和自主探索的交互式学习工具；

还有微观生命结构馆、星球纹理实验室、六足步态实验室、班级管理工作台、学习小搭子等形态各异的产品。

它们的共同点是，需求都非常具体，甚至非常细分。

过去，为这样一个需求专门开发一款软件，成本可能高到根本不值得做。

但当开发成本被AI大幅降低之后，大量过去停留在教案、PPT，甚至一个念头里的教育想法，第一次有机会快速变成真正可以使用的产品。

技术门槛下降之后，教育产品的创造者，也开始从少数产品和研发团队，进一步扩展到老师、学生和家长。

真正的门槛，不只是把应用“做出来”

Vibe Coding正在快速改变软件开发。

随着模型代码能力越来越强，“通过自然语言生成一个应用”本身，正在迅速从一项专业能力变成更加普遍的AI能力。

那么，当应用越来越容易生成之后，教育AI真正的门槛在哪里？

答案可能恰恰在“教育”两个字。

一个英语学习应用，可以拥有漂亮的页面、打卡、积分和排行榜，但真正决定它是不是一个好的教育产品的，是背后的单词怎么选、难度怎么分层、学生错在哪里、下一道题应该出什么，以及什么时候应该进入下一个学习阶段。

一个作文批改产品也是如此。

通用模型已经能够进行作文批改，也可以给出一般性的修改建议。但在真实教学中，老师更关心的是：这篇作文对应哪个年级、什么考试要求、具体失分在哪里、应该怎样修改，以及学生下一步应该进行什么针对性训练。

教育AI真正困难的部分，不是把一个页面生成出来，而是把教育能力做进这个页面背后。

这也是为什么，飞象老师3.0此次升级的重点并不只有“应用生成”。

在底层能力上，飞象老师同时增强了教材、试卷、教案等教育文档的高保真解析能力，以及3D互动、专业图式、音视频理解和资源调用等多模态能力。

与此同时，组题、命题、批改、错因诊断和学科讲解等真实教育任务，也在持续优化。

模型不仅需要知道一道题的答案，还要理解它在考查什么，学生为什么会做错，应该怎样解释，以及下一步更适合提供什么样的练习。

因此，在飞象老师3.0里，AI生成的不再只是应用的界面和交互，也包括应用运行过程中所需要的教育能力。

而这种能力并不是从3.0才开始建设。

飞象老师所在团队长期深耕教育场景。早在2014年，团队便开始组建AI Lab，技术人员与一线教研人员共同参与教育AI能力建设。

长期积累的题库、学情数据、知识图谱和教育任务，也逐渐成为其训练、评测和优化教育AI的重要基础。

这些积累最终解决的是一些仅仅依靠模型参数规模很难解决的问题。

比如，用户提出“生成一道适合北京西城区六年级学生的数学应用题”，模型需要理解的不只是数学知识，还包括教材体系、学段要求、知识范围和难度分层。

这也是垂直AI与通用AI之间正在出现的一种路径差异。

头部大模型公司更多从通用能力向教育场景延伸，而飞象老师则从教育场景出发，再把模型能力不断嵌入教学内容、教育任务和具体应用。

一个从模型进入行业，一个从行业走向模型。

两条路径的终点可能会越来越接近，但起点并不一样。

教育AI的竞争，开始从模型走向场景

过去两年，各行各业在AI落地过程中都在发生一个明显变化。

基础模型能力依然重要，但当模型越来越强，仅仅拥有一个“更聪明的模型”，已经不足以构成真正有竞争力的行业产品。

真正困难的部分，正在向行业内部转移。

有没有足够深入的场景理解，有没有专业的数据和评测体系，能不能进入真实工作流，以及产品在实际使用中出现问题之后，能不能不断修正。

教育尤其如此。

会做一道题，不等于会教学；能生成一份教案，也不等于真正理解课堂。

从这个角度看，飞象老师的产品能力实际上来自两股力量。

一股来自整个AI行业。基础模型的推理、多模态、代码和Agent能力不断增强，使应用生成、3D内容和复杂交互这些过去成本很高的能力快速普及。

另一股则来自教育场景本身。长期积累的教育数据、教学经验，以及真实使用过程中不断出现的新需求和Bad Case，又持续推动教育模型、评测体系和产品能力继续优化。

基础模型决定AI能做到什么，教育场景则决定这些能力最终应该怎样被使用。

这也是飞象老师3.0值得关注的地方。

从一句话生成教学动画，到一份教案生成整套互动课件，再到今天直接生成一个可以运行、可以调用AI、可以保存数据并持续迭代的教育应用，飞象老师9个月的三次升级，其实对应着教育生成式AI能力的不断向前延伸：

从生成内容，到生成交互，再到生成产品。

这背后还有一个更大的变化。

过去，教育软件通常由一家企业先判断用户需要什么，然后投入产品、设计和研发团队进行开发。

生成式AI出现之后，一个新的产品可能从一个老师、一个学生、一个非常具体的问题开始。

“微观生命结构馆”，可能只来自一个老师希望学生真正看清细胞结构的需求；

“星球纹理实验室”，也可能只是因为一个老师希望普通教室里的学生能够更加直观地探索太阳系。

当生产一个数字教育工具的成本被不断压低，过去那些因为市场太小、需求太细、开发成本太高而无法被满足的需求，也开始有机会被产品化。

这可能比“AI帮老师做一份PPT”更值得关注。

AI教育的下一站，可能不只属于巨头

全球大模型公司正在集体加码教育。

Google、OpenAI、Anthropic拥有全球最强的一批通用模型能力，也拥有巨大的用户和生态优势。

但教育这样的垂直行业也在提出另外一个问题：

当基础模型能力逐渐成为公共底座之后，下一阶段真正决定AI产品竞争力的，会不会越来越多来自对行业本身的理解？

从这个意义上看，飞象老师值得观察的并不只是它做出了一个“教育应用生成器”。

而是它试图把十余年的教育理解、教育数据和真实教学任务，重新封装进一个AI时代的产品入口。

从教学动画，到互动课件，再到教育应用，它正在把教育AI的能力边界不断往前推。

全球AI巨头正在从通用智能向教育深入，而中国的垂直AI团队也开始从真实行业场景向上生长。

谁会成为下一代教育AI的入口，现在还远未到下结论的时候。

但如果把视角从教育AI这个垂直赛道进一步拉到整个中国AI产业，或许，一匹真正从教育场景里长出来的AI黑马，正在开始显现。

*以上内容不构成投资建议，不代表刊登之观点，市场有风险，投资需谨慎，请独立判断和决策。