课堂互动与个人练习承担不同任务
查看原文 07:09在与 Peter Yang 的对话中，Brilliant 联合创始人 Sue Khim 讨论了怎样用 AI 帮助学生学习，而不是替他们完成学习。访谈从一次辅导实例，进入背后的产品机制，以及团队希望衡量的结果。
Khim 重视课堂里人与人能一起完成的事：同伴互相学习，以及老师用热情带动群体。与此相对，在大班里给每个学生提供个性化练习和反馈，是另一项困难。
她认为，软件可以降低某些个人辅导的获取门槛，并在学生操作时调整图形交互。这是她看到的产品机会，同时保留了老师和同伴的独特价值，并不等于所有教育功能都应由软件替代。
给出解释，也可能拿走学生自己的工作
查看原文 09:58Khim 用健身作类比：用 AI 跳过学习，好比带机械臂替自己举重量。她希望家教的智能用来保护学生自己思考的时间。
在一段真实辅导回放中，学生通过给图形的一部分涂色学习分数。误解在于，不同形状的小块，并不代表相同的量。Khim 不希望家教直接给答案，甚至不希望马上说出成年人觉得显然的解释。
她认为，解释可能让人感觉理解了，却没有让学生自己发现关键。家教因此尝试让学生继续探索，为什么原答案不对。出于隐私原因，片中没有分享语音互动，所以可见回放并不是双方所有发言的完整记录。
11:56 的原视频回放展示同一图形中不同大小的部分；本文没有重建未公开的语音。
有效困难需要节奏和判断
查看原文 13:52保护努力，不等于无限期放任学生卡住。Khim 介绍了非 AI 部分的节奏、反馈和提示设计，以及家教对下一步的判断。
错误是小失误，还是更深的概念误解？现在应该给提示、简化问题，还是请学生画出来？是否应该再让学生尝试一分钟？需要平衡的是有用的努力，与挫败到彻底离开的风险。
她说产品仍处于早期，这种判断也是正在积极改进的部分。直接给答案，可能让短期互动指标更好，但团队声明的优先事项是让学生坚持困难、思考得更好。这要求超出对完成互动数量的追求。
人设计教学顺序，AI 负责实现
查看原文 18:05Khim 展示了一位学习设计师为坐标平面课程画的草稿。人决定教学主线、问题及其顺序，AI 帮助把设计做出来。
她说，尝试让模型生成完整学习体验时，结果可能看起来几乎正确，却达不到优秀老师安排顺序的水平。学生感受到的是混乱教学与挫败。即使其他部分很出色，模型不擅长的那项任务也可能破坏整套体验。
她的理解是，AI 可以很好地处理工作流程中间的一段。团队仍要选择哪些规划和验证由人参与。在这个例子里，课程工艺是实施时要遵守的条件，而不是语言流畅就会自动带来的东西。
18:30 的原视频演示说明了人工设计课程、由 AI 实现的区别。
模型的接口，也要像学生界面一样认真设计
查看原文 22:32学生看到的界面应清晰、好用，但智能体也需要适合产品的工具。Khim 描述了一套可组合的基础组件，模型可以通过各自接口创建题目、标注问题、突出显示内容，或提出小问题。
智能体可以把设计师草稿、工程师的绘图模块和学习团队规则组合起来，不必从零发明完整交互活动，以及所有辅导方式。
这种结构提供了依托，也限制了模型需要搜索的空间。Khim 将其与延迟、准确性和可靠性联系起来：模型根据学生输入推理下一步，但在准备好的组件和结构中操作。
内部工作也需要可用的智能体接口
查看原文 26:19同样的思路也改变团队工作。负责某个领域的人，要让专业知识、工具和文档便于使用智能体的同事获取。新员工应当能利用组织已有的经验。
Khim 将其描述为，从制造一件东西，转向改善制造东西的系统。她希望新人能够找到可靠信息、做出有效改变，而不必反复重建全部背景。
入职理念仍然是边做边学。技术人员和学习设计师要让工具链运行起来，走完一次面向用户的变更。她把第一天就产生影响作为团队努力的方向，并没有保证每位新人都能完美做到。
质量检查包含人工审阅与真实学生
查看原文 29:46基础组件有多个维度的评估，包括正确性、物理行为、视觉重叠和点击目标大小。Khim 也表示，发布的内容会经过多位人类审阅者，以学习设计师的工艺和判断衡量。
合成学生会走困难或失败路径，让团队观察家教应对是否合理。这些检查帮助在逐步放量之前发现严重问题。
她明确说，这不能替代真实学生数据。观察实际辅导、看到大量学生怎样卡在同一个概念上，会更充分地揭示如何教学。合成路径是额外检查，并不是已经证明可以取代真实学习观察的方法。
衡量学生之后还会不会做
查看原文 32:32被问到怎样平衡难度和完成率时，Khim 说完成率不是他们追求的结果。团队从一章结束时学生应该能做什么倒推，再评估那项能力。
如果学生已经掌握，少完成几个细步骤可能反而更好。如果正在挣扎，回到更早的前置知识，也可能比完成当前课程更有用。
问题还延伸到今天之后：一周或一个月后，学生还会不会做？学习时长和完成数量都可能增加，却没回答这个问题。评估需要区分表面进度与保留下来的能力。
作业被解出来，不等于学生学会了
查看原文 34:54Khim 对产品持久优势的看法，也建立在这个结果上。有用的数据包括真实误解、错误、注意力，以及哪些干预真正帮助学生学习。
答案机器的一次互动，可能只揭示作业上有什么，却不告诉你学生之后懂不懂。这一区别决定了团队想用什么反馈来改进家教。
对话也谈到激励。如果显眼目标只是交一张正确答题纸换分数，学生就有理由寻找最短路径。Khim 主张把练习和评估重新对齐到任务原本想建立的能力。这是她的教育观点，并不是对所有学校作业评分方式的通用描述。
帮孩子体验困难值得投入
查看原文 39:21谈到自己的年幼孩子，Khim 关注注意力、专注，以及沉浸于兴趣的空间。活动不必是数学，也可以是建造、国际象棋、攀爬架或魔术。
Peter Yang 提到，孩子喜欢制作游戏，却会因错误而灰心。Khim 将节奏合适的学习比作游戏中的困难跳跃：需要反复尝试，但又让人愿意再试一次。
她描述的目标是，愿意面对陌生问题，并发现努力可以让人满足。访谈当时，她说明 Brilliant 面向初高中学习者，虽然双方作为父母，也谈到了更年幼的孩子。
本文整理自 Peter Yang 与 Sue Khim 的访谈《AI Makes Cheating Easy. Here’s How It Can Make Kids Smarter Instead》。产品说法与教学选择均归属于对话；赞助内容及未经独立核验的全国考试趋势说法已省略。