人工智能在教育中的应用与波兰AI生态系统：学习、风险和“波兰制造”企业

AI在教育领域不再是“未来话题”。它在波兰和国外渗透到学生、教师、家长和教育服务提供商的日常实践中，其速度甚至超过了制定稳定使用规则的速度。 最重要的结论很简单：人工智能可以支持学习、个性化、可及性以及教师的工作，但前提是它必须植根于教学法、人工监督、数据保护和可靠的评估。如果它仅作为获取即时答案的捷径使用，它可以提高任务完成度，但不一定能提高学习本身。 NASK的数据表明，生成式AI在波兰的学校并非抽象概念。一份关于波兰学校生成式AI的报告指出，25%的四年级至八年级教师至少使用过此类工具一次，主要用于准备材料、情景剧本、翻译和组织工作。与此同时，学生们也在学校正式部署之外使用AI，这在学生的实践与机构规则之间造成了脱节。 这份报告对教育领域的AI进行了广泛的考察：从OECD、UNESCO、欧盟委员会和NASK的研究，到学校面临的实际风险，再到波兰本土的AI企业生态系统。纳入企业并非装饰。它表明，关于AI的教育不能止步于聊天机器人的提示词（prompts）。AI经济需要数据、语言、机器人技术、云计算、安全、数字健康、身份识别、语音、自动化和伦理等方面的能力。 什么是教育领域的AI？ 在教育领域，AI这个概念下隐藏着几类不同的工具。 自适应导师 根据学生的水平调整任务、节奏和提示。 生成模型 创建文本、摘要、问题、反馈、图像或对话模拟。 自动评分系统 支持检查答案、测试或文本特征。 学习分析 分析学生的进度和行为数据，以触发警报、推荐和教师干预。 这种区分具有实际意义。为特定数学领域设计的导师与通用聊天机器人具有不同的有效性和风险概况。分析仪表板本身不会教学，但它可以帮助更快地发现问题。自动评分提供了规模化能力，但这并不意味着它仅仅因为是算法驱动的就公平。 经合组织（OECD）强调，生成式AI不同于早期的教育技术：它通常易于获取、直观，并且可以在机构控制之外使用。联合国教科文组织（UNESCO）则将其置于以人为本的框架内：工具应该增强教育目标，而不是取代人类对儿童学习、安全和发展的责任。 研究现状如何？ 最可靠的老年研究体量涉及智能辅导系统。荟萃分析表明了对学习成果的积极影响，但其解释需要谨慎：它们涵盖了不同的技术时代、学科、年龄组和教学项目。它们并不能证明任何学校聊天机器人都是有效的。 对于生成式 AI 而言，证据还比较新。OECD 在 Digital Education Outlook 2026 中提出了一个关键警告：使用 GenAI 完成任务不一定意味着能力的提升。学生可能提交出更好的作品，但在脱离工具后却无法解释其推理过程。另一方面，那些在教育学上设计的、提出问题、引导和要求给出理由的工具，可以增强学习。 实际的结论非常具体：学校应该将 AI 设计为 思考的辅助伙伴 ，而不是生产现成答案的机器。最好的应用会要求学生尝试，询问“为什么？”，指出错误，提出类比并帮助改进推理过程。最差的应用只是替学生写答案。 AI 在学校已经如何运作了？ 波兰学校使用 AI 的第一波浪潮，更多是行政准备性质的，而非深层次的教学性质。教师使用工具来创建课程情景、练习、图表、测试、翻译和简单版本的材料。这具有实际价值，因为它节省了时间，但它本身并没有解决学习质量的问题。 同时，AI 可以支持融合教育。教师可以更快地准备出用更简单语言的版本、额外的例子、针对神经非典型学生的练习、为以波兰语作为第二语言学习的学生准备的材料，或为不同节奏的小组制定的工作计划。条件只有一个：人仍然评估材料的适当性。 在系统层面，波兰正在构建基础设施基础：我们拥有国家AI政策、教育数字化转型政策以及学校硬件项目。这是一个重要的开始，但国际经验表明，硬件和许可证只是进入系统的入口。决定质量的是原则、能力、评估，以及学校是否能够重新设计任务和评估。 风险与实际问题 隐私和数据。 学校处理儿童的数据、成绩、学习困难、行为，有时还包括健康和家庭状况。将此类信息输入公共模型可能会违反数据最小化、透明度和处理控制的原则。每一次部署都必须从一个问题开始：哪些数据进入工具，在哪里进行处理，以及供应商是否利用这些数据来训练模型？ 内容质量和幻觉。 语言模型在出错时会表现得非常肯定。在教育领域，错误尤其危险，因为学生往往还没有检测出错误的能力，而教师在时间压力下可能会将生成的材料视为成品。 认知依赖。 最大的风险不在于学生“使用AI”，而在于他们将关键的认知努力外包给了它。如果模型完成了分析、论证和编辑，学生可能会提交一份漂亮的作业，但没有真正发展能力。 差异性。 差异将源于设备、付费工具、网络质量、家长支持、教师准备和语言的可及性。模型通常更适用于训练数据中更常见的语言和风格。因此，公立学校不能只问“这个工具是否有效？”，而必须问“它对谁来说效果更差？”。 评估。 AI揭示了那些主要测试学生在无监督情况下内容重现能力的任务的弱点。如果作业可以用一个提示词（prompt）完成，问题就不只出在学生身上。问题在于任务的设计结构。 风险 水平 学校最合理的应对措施 公共模型中的学生数据 高 允许的工具清单、最小化数据、评估供应商、明确禁止粘贴敏感数据。 代替学习的现成答案 高 分阶段任务、口头辩护、作品集、要求论证和比较来源。 幻觉和实质性错误 高 人机循环（Human-in-the-loop）、强制验证和使用AI进行草稿，而非最终真相。 访问不平等 中 安全的机构级访问、培训、对基础设施较弱学校的支持。 评估或推荐中的偏见 中 对不同学生群体的测试、结果审计、限制AI在高风险评估中的使用。 工具过载对教师的影响 可管理 少量批准的工具、实践培训、共同模板和流程。 教育AI中的三种自主模型 人在回路中 (Human-in-the-loop) 意味着 AI 提供帮助，但决策由人做出。这应该是评估、教育推荐、与儿童工作和敏感数据处理的默认模型。 人在环路外 (Human-on-the-loop) 意味着系统部分自动运行，但人会监控结果、响应错误并可以停止流程。此模型适用于学习分析警报、资源自动标记或处理简单的行政查询。 完全自主权 (Pełna autonomia) 应限制在低风险任务：整理材料、生成工作练习变体、总结非个人文件或简单的后台流程。在教育领域，儿童的评估和学习路径决策上的完全自主权是具有风险且监管敏感的。 放大方法 (Podejście amplifikacyjne) 问：AI 如何增强教师和学生？ 简化方法 (Podejście redukcyjne) 问：可以从流程中消除多少人工工作？在教育领域，前者的方法建立能力；后者往往只是降低了表面生产力的成本。 目前已实现生产部署的领域 教学材料准备： 讲稿、练习变体、示例、测试问题和语言适应。 学生支持： 导师、分步提示、巩固练习和对话模拟。 可访问性： 文本转语音、语音转文本、翻译、简化语言和音频材料。 教育管理： FAQ聊天机器人、招聘、学生服务、提醒和后台流程。 学习分析： 风险警报、进度仪表板、干预建议和出勤率分析。 职业培训： 模拟、行业场景、带反馈的练习和技术教育工具。 将任务委托给AI的最佳实践 将草稿、变体或工作反馈交给AI，但不要将其视为真理和评估的责任。 未经学校批准，切勿将学生、员工或家庭的身份识别数据输入工具中。 在学生的作业中，要求他们描述过程：使用了什么、改进了什么以及学生自己能解释什么。 设计引导式提示：“问我三个问题”、“指出错误”、“不要立即给出答案”。 检查脱离AI后的效果：进行简短对话、课堂测试、辩护决策或不使用工具的类似工作。 将行政用途与教学用途分开。AI节省了教师的时间，并不意味着它自动改善了学生的学习。 这对家长意味着什么？ 家长不需要了解所有工具，但应该讨论实践经验。最好的问题很简单：你用AI做什么？你把什么东西粘贴进去？你是如何检查答案的？没有它你能做到什么？不沟通的禁令通常输给了现实。 此外，还应该教导孩子，模型提供的语气并非真理的证明。AI可以帮助解释主题，但必须与教科书、老师、来源或自身的推理进行核对。 这对教师意味着什么？ 教师不会从人工智能教育中消失。他们的角色变得更具项目化：选择工具，设计流程，检查结果，教授验证，并决定何时AI有帮助，何时有害。最大的价值出现在材料差异化、准备任务变体、工作反馈和融合教育方面。 最重要的变化涉及评估。必须将重点从最终产品转移到过程：草稿版本、学生的评论、决策的理由、课堂工作、口头辩护和植根于本地环境的任务。 这对公共政策意味着什么？ 人工智能素养应成为校长、教师、行政人员和学生的基础能力。《人工智能法案》引入了保护使用AI系统的个人能力的义务，而教育是部分应用可能被归类为高风险的领域。 国家不仅应该为设备和许可证提供资金，还应该为经过评估的试点项目提供资金。每个大型项目都应衡量工具移除后的学习效果、福祉、教师负担、对不平等的影响、隐私和维护成本。 波兰人工智能生态系统：为什么这对教育很重要？ 波兰人工智能生态系统表明，经济需要的不仅仅是聊天机器人用户。它需要理解数据、云计算基础设施、语音、安全、机器人技术、医学、身份识别、数字贸易、语言分析和合规性的人才。因此，AI教育应该结合人文学科、STEM、语言学、伦理学和项目工作。 公司 主要领域 对教育的意义 公开可见的融资或规模 ElevenLabs 生成式音频，TTS，STT，配音，语音代理 内容可及性，听觉学习，供学生和教师使用的语音工具 2026 年估值 110 亿美元的 D 轮融资，金额 5 亿美金 Spacelift 代码化基础设施和云自动化 间接：云计算、DevOps 和平台工程能力 B 轮融资 1500 万美元，C 轮融资 5100 万美元 Nomagic 物理人工智能和仓库机器人技术 间接：机器人技术，物理世界中的 AI，与大学的合作 2025 年 4400 万美元，以及 2026 年额外的 1000 万美元 Synerise 行为人工智能和数据基础设施 Synerise Academy，教育项目，学术合作 2025 年来自欧洲投资银行（EIB）的 2500 万欧元融资 Infermedica 临床人工智能分诊和症状检查器 间接：健康教育，以及在高风险领域设计 AI B 轮融资 3000 万美元，截至 2022 年总计约 4500 万美元 Tidio AI 客服，实时聊天，Lyro 教育支持，常见问题解答（FAQ），招聘，Tidio Academy B 轮融资 2500 万美元 Zowie 用于客户服务的 AI 代理平台 间接：学生服务和呼叫中心流程 A 轮融资 1400 万美元，总计约 2000 万美元 Alokai 用于可组合商务的前端即服务（Frontend as a Service） 间接：现代前端、架构和电子商务 150 万美元，A 轮融资 1740 万美元，以及 2023 年的 2000 万美元 Autholog ic eID, KYC, KYB, AML, 身份验证 间接：远程教育、考试和数字服务中的身份识别 2024 年 A 系列融资 820 万美元 SentiOne 社交聆听和对话式人工智能 间接：NLP、语言分析、信息监控 NCBR 对对话式人工智能开发的拨款；完整的轮次历史不太公开 Cosmose AI 零售智能和线上线下行为 间接：数据分析、预测伦理和人工智能经济学 2020 年估值超过 1 亿美元的 A 系列融资；后续估值来自二手资料 Sky Engine AI 合成数据和计算机视觉 间接：STEM、机器视觉、合成数据 2024 年 700 万美元 波兰制造公司概况 ElevenLabs ElevenLabs 是一家具有波兰血统、最知名的 AI 公司之一。它由 Piotr Dąbkowski 和 Mateusz Staniszewski 于 2022 年创立，开发生成式音频：text-to-speech、speech-to-text、配音（dubbing）、声音克隆（klonowanie głosu）、音效和语音代理。在教育领域，最实用的应用涉及无障碍功能：将文本转换为自然音频、为听觉学习者制作材料、语言学习和语音界面。 该公司已通过 ElevenReader 向学生和教师公开提供服务。同时，其教育材料提醒人们，如果项目条件不允许，不应将识别学生的身份数据或教育记录输入系统。这是 AI 在教育领域典型的张力的一个好例子：巨大的可用性必须与数据保护并存。 Spacelift Spacelift 专注于基础设施即代码（Infrastructure as Code）和基础设施自动化领域。它并非传统的教育公司，但展示了云能力、平台工程、安全性和自动化对于 AI 经济的重要性。对于技术学校和大学来说，这是一个信号：AI 教育不能局限于使用现成的应用程序。还需要理解如何启动、扩展和监控系统的人才。 Nomagic Nomagic 将人工智能与物理机器人技术和仓库自动化相结合。其系统在模型必须识别物体、做出决策并与设备协作的环境中运行。这对教育很重要，因为它表明人工智能不仅仅局限于文本。未来的能力将包括机器人学、机器视觉、物流、安全工程和现实世界流程设计。 Synerise Synerise 开发行为人工智能和实时数据基础设施。在教育背景下，它独特的之处在于其可见的能力行动：Synerise Academy、教育项目和学术合作。这是一个可以充当市场与职业培训之间桥梁的公司的例子：展示了数据、预测模型和决策自动化如何进入经济实践。 Infermedica Infermedica 是一家波兰的医疗科技公司，开发临床人工智能分诊和症状检查器。它不是教育技术公司，但具有教育意义，因为它展示了高责任领域中的人工智能是什么样的。医疗AI系统需要研究、验证、监管合规性和沟通谨慎性。学校和大学应该教导学生，并非所有AI应用都具有相同的风险水平。 Tidio Tidio 开发人工智能客户服务、在线聊天和 Lyro 助手。它拥有最直接的教育路径之一：处理候选人、学生、家长、常见问题解答（FAQ）、行政通信和 Tidio Academy。在学校和大学，类似的系统可以减轻秘书处和招生部门的负担，但必须与高风险决策和敏感数据严格分离。 Zowie Zowie 正在构建一个用于客户服务的 AI 代理平台。在教育领域，它的意义主要是间接的：类似的系统可以处理学生、学员和家长的问题，但在需要人类责任感的领域，它们无法取代教育咨询。然而，该公司展示了对话式 AI 已成为一种生产技术，而非实验。 Alokai Alokai 以前以 Vue Storefront 生态系统而闻名，现在正在为可组合商务（composable commerce）开发前端即服务（Frontend as a Service）。对于教育而言，它的重要性是间接的：它展示了前端技能、系统架构、API 集成和数字体验设计等价值。这些领域将与 AI 越来越紧密地结合，因为生成式模型需要良好的界面和稳定的架构。 Authologic Authologic 在数字身份、KYC（了解你的客户）、KYB（了解你的企业）和 AML（反洗钱）领域运作。在深度伪造和生成式语音、图像及文档伪造的世界里，身份验证对于教育也变得至关重要：包括远程考试、招聘、公共服务以及访问大学系统。这是公司触及数字教育基础之一——信任的例证。 SentiOne SentiOne 是几家开发 NLP（自然语言处理）、社交聆听和对话式 AI 的老牌波兰公司。对于教育而言，它的意义在于展示了自然语言分析在 ChatGPT 爆发之前就已经非常重要。语义学、情感分析、信息提取和构建多语言数据集等能力应该成为严肃的 AI 教育的一部分。 Cosmose AI Cosmose AI 处于消费行为分析、零售媒体和线上线下世界连接的交汇点。它并非教育公司，但它是人工智能教育必须涵盖数据伦理的一个很好的例子。影响人类行为的预测系统具有经济价值，但社会敏感性很高。学生不仅应该了解这类系统如何运作，还应该了解它们引发了哪些伦理问题。 Sky Engine AI Sky Engine AI 开发合成数据和计算机视觉平台。它的例子表明，现代人工智能需要数学、统计学、计算机图形学、模拟和数据理解。对于 STEM 教育来说，这是一个特别重要的信号：提示工程只是冰山一角。下面是整个数据表示、模型、验证和测试的世界。 结论 教育中的 AI 意义不在于取代学校，而在于作为一个通过四个过滤器的工具：教学法、人工监督、数据保护和效果评估。如果没有这些过滤器，它可能会加速生成漂亮的答案，同时减缓真正的学习过程。 波兰的 AI 公司生态系统强化了这一结论。如果学校要为人工智能的世界做准备，就不能只教学生如何使用聊天机器人。它必须教会理解数据、语言、来源、风险、基础设施、责任以及使用工具的方式，从而使人保持能动性。 资料来源 OECD: Digital Education Outlook 2026 UNESCO：教育和研究领域生成式AI指南 UNESCO：各国政府必须迅速规范学校的生成式AI NASK：波兰学校中的生成式人工智能 EU AI Act Service Desk：第4条AI素养 European Commission：教育领域关于AI和数据的教师指南 UNESCO：教师和学生的AI能力框架 ElevenLabs：D轮融资公告 ElevenLabs：学生版ElevenReader Nomagic：4400万美元资金宣布 Nomagic：追加 10 百万美元公告 Synerise：欧洲投资银行融资公告 Infermedica：B 轮公告 Tidio：关于 Tidio：教育行业页面 Zowie：A 轮公告 Alokai：A 轮公告 TechCrunch：Vue Storefront / Alokai 20 百万美元融资轮次 Authologic：官方网站 SentiOne：官方网站 Cosmose AI: 官方网站 Sky Engine AI: 700 万美元公告