51Talk技术副总裁兼AI研究院院长蔡林

出品 | 搜狐科技

作者 | 张莹

编辑 | 杨锦

教师节前后，教育企业争相向外界秀肌肉。“首个通过教师资格证考试的AI老师”冲上热搜。51Talk也在教师节前夕发布全球首个超拟人AI外教“考拉AI”。

据了解，“考拉AI”能够实时识别学生的专注度与情绪变化、精准定位知识薄弱点，并通过强互动方式营造轻松敢说的氛围，激发主动表达的兴趣。

发布会后，搜狐科技独家对话51Talk技术副总裁兼AI研究院院长蔡林。

“AI+教育”不算新鲜的话题。单在语言教育上，国内的AI产品就已经层出不穷，比如高途推出吴彦祖AI口语陪练相关课程、VIPKID也推出了Mastar虚拟人等等。

不过在蔡林看来，真正的AI老师的比拼还没有开始。

他指出，目前市面上的AI老师用到的技术仍是“TTS + ASR + LLM”三段式：语音转文字，文本给到大模型，大模型又吐出来文本，文本再转语音。蔡林用5G时代类比于我们所处的阶段，而这一技术只能算是4G时代的技术。

他认为，5G时代应该是speech-to-speech（端到端语音）的技术，一定是“端到端”，中间零转换，就像 OpenAI 的 GPT-realtime、Google 的 Gemini Live。

蔡林表示，只有当“realtime”类的技术大规模出现，且成本降低，AI语言培训类产品才会到达更高的境界。这一时刻可能最晚在明年第二季度到来。

“我们最早做 AI 老师，是去年在海外跑体验课，用的就是realtime的技术，一节课的成本是45美元，很夸张。”蔡林分享道，Open AI 的代理商、微软都说，“不知道你们教育行业为什么都这么疯狂？”“这个东西这么贵，为什么消耗那么多钱去测？”

他认为，这个问题的背后是大家还没有意识到，下一代技术对语言类产品影响有多大。蔡林透露，51Talk也准备了“纯 realtime”的考拉AI产品，目前考虑到成本还没有放开。

在AI教育赛道，教育企业不仅面临着教育行业内部的竞争，同时面临着豆包等AI工具的竞争。

蔡林最近经常听到一个问题——“我有豆包了，为什么还要买你的课？”

在蔡林看来，用豆包坚持学英语是一个伪命题。而对于教育产品而言，激发学生持续学习的动力最为关键，并且需要有人陪伴和提供服务，才能坚持下去。

此外，从用户的角度来看，学习是一件严肃的事情，希望能看到效果。因此科学地规划学生的学习路径，培养他们的学习习惯非常重要。这跟单纯使用豆包去学习完全不同。

“现在市面上很多纯对话、没有教材、没有老师的语言学习课程，完课率都非常低。”

蔡林表示，“AI+教育”行业必须回归教育的本质。尽管蔡林是“老程序员”，但他仍认为，这一行业并非纯技术的比拼，而是比拼企业在行业里的认知和综合运营能力。

关于多模态、幻觉、AI和人的关系：

等成本降到足够低，多模态会成为教育产品必选项

搜狐科技：在做“考拉AI”的过程中，实时语音模型、视频模型的成本是一大问题吗？

蔡林：说实话，视频的成本还是挺高的。但是很多视频其实是一次性的，做完之后，就不需要再去做那么多复杂的东西了，而且视频是预生成的。

搜狐科技：51Talk已经开始尝试融合多模态数据，比如课堂表情识别，去判断学生的学习状态，这方面的成本呢？

蔡林：我觉得还行。现在的多模态识别并不是全程实时采集摄像头，而是取巧地“抽帧”，隔几秒抓一张图，扔给模型去解读。行业里基本都这么干，OpenAI也是，不断截屏喂给模型，算下来成本可以接受。

搜狐科技：未来多模态能力会是教育企业的必选项还是加分项？

蔡林：等成本降到足够低，多模态一定会变成必选项。纯文本模型“看不见”人，通过抽帧图像，模型就能“看见”用户，产品逻辑完全换了一层。

举个例子，智能体提前获取你的位置信息，今天你们在朝阳，外面阳光好，它就先问“空气很棒，心情怎么样？”如果当地下雪，它会说“我看到你们那儿下雪了，开心吗？”AI其实在模拟人，目的就是拉近孩子与AI的距离。

搜狐科技：大模型仍然存在幻觉问题，语言教育会不会也面临幻觉问题？

蔡林：一定会。我们也在反复地去想怎么尽量减少幻觉。我们的课中做了多智能体的架构，有一个智能体来去判断AI有没有胡说八道，这是我们微调出来的小模型。

大模型如果在垂直任务上经过专门训练，其实可以做得非常精确；但如果只依赖通用模型的基本能力，它的幻觉可能会非常严重。

搜狐科技：但是幻觉和想象力相辅相成，我们怎么去做平衡？

蔡林：我们现在其实做了一个取巧，在不同的场景里面给大家的开放程度不一样。有些场景极其严谨，你不能乱聊；有的场景可以去开放一点。

搜狐科技：AI技术是否改变了对教师的需求数量和素质要求？AI是会替代部分教师，还是赋能教师，让他们更专注于情感互动、高阶思维培养等AI难以替代的领域？

蔡林：我认为AI带来的改变不仅仅限于教师领域，而是关系到我们每个人。

前阵子出现了很多编程智能工具，比如Claude Code。一开始很多程序员特别焦虑，担心是不是要被替代了。但我们内部讨论之后，大家反而特别开心。因为这相当于把以前我们不愿意做的那些重复劳动，全都交给AI去干。

对教师来说也是一样的。AI可以帮助教师摆脱重复性工作，从而更专注于提供人性中最温暖的东西。越是在AI强大的时代，人的价值反而越凸显。

搜狐科技：怎么平衡AI和人的参与度？

蔡林：我们现在是设计了真人的服务在里面，可以给学生提供一些情绪价值。真人教学目前还没有加，考拉现在还是一个纯粹的AI native的产品。

关于发展现状、行业竞争：

最晚明年Q2，AI老师的比拼会真正开始

搜狐科技：目前教育企业都在推出AI相结合的产品，比如高途的吴彦祖AI口语陪练等等，现在英语教育产品是否会面临同质化竞争？

蔡林：大家可能认为AI教育产品已经百花齐放，或者说大家都卷得差不多了。我反而认为真正的AI老师的比拼还没开始。

因为现在所有的公司用到的技术仍是“TTS + ASR + LLM”三段式：语音转文字，文本给到大模型，大模型又吐出来文本，文本再转语音。如果说我们现在是5G时代，这一代技术可能还是一个4G时代的技术。5G 时代应该是speech-to-speech的技术，语音进、语音出，中间零转换，就像 OpenAI 的 GPT-realtime、Google 的 Gemini Live。

我们现在要感知到这个学生的情绪，要去分析他的图像，把他的声音转成文字，来判断他情绪是不是饱满。下一代的技术一定是“端到端”，只听声音就能判断你是开心还是悲伤。

现在还没有达到（真正的AI老师）临界点。只有当“realtime”类的技术大规模出现、成本降低， AI 语言培训类的产品才会真正到达更高的境界。现在看到的产品都不是最终形态。

搜狐科技：您觉得这个临界点会在什么时候？

蔡林：可能会很快，我估计最晚明年Q2。

搜狐科技：到时候AI教育产品是不是会卷到另外一个程度？

蔡林：一定会。我们最早做 AI 老师，是去年在海外跑体验课，直接跟真人老师做 AB 测试。当时我们用的就是realtime的技术，云进云出，一节课的成本是45美元，很夸张。

当时我们跟Open AI 的代理商、微软去沟通，大家都说，不知道你们教育行业为什么都这么疯狂？这个东西这么贵，为什么每天消耗那么多钱去测？

因为大家还没意识到，下一代技术对语言类产品影响有多大。我们所有的努力都是试图接近 realtime的形态去提供教学。我们还有一个“纯 realtime”的版本，考虑到成本没有放开，只要条件具备，我们随时切换。

搜狐科技：不仅是教育企业，一些通用大模型同样可以进行英语对话，比如豆包等，那我们的优势在哪里？

蔡林：我有豆包了，为什么还要买你的课？这个问题很现实。但你真的能用豆包坚持学英语吗？这可能是一个伪命题。当然我不是说豆包的体验不好，我们背后也用了很多豆包的技术。

我们做过大量的调研，从用户的角度来看，学习是一件严肃的事情；并且希望能看到效果。所以，如何科学地规划孩子的学习路径，培养他们的学习习惯，这才是关键。

我们现在设计的场景是，学生进入我们的平台后，我们会为他们制定学习计划，并且有真人老师进行督导。AI必须与真人的服务结合，而不是一个单纯的工具就能学好。

我认为，“AI+教育”这个行业必须回归教育的本质。

搜狐科技：在您看来，未来教育的竞争是技术的竞争、资源的竞争，还是生态的竞争？

蔡林：肯定是生态的竞争。虽然说我是一个很资深的老程序员，梦想说用纯技术来去改变一个世界，但我认为单纯的技术肯定是不够的，未来的竞争一定是一个综合的竞争。