技术深度解析
“学科脑”构建在多层架构之上，远超简单的内容推荐。其核心是动态认知图谱（DCG），与大多数教育科技产品使用的静态知识图谱有本质区别。DCG并非预先构建，而是随着学生与系统的互动实时演化。
架构层级：
1. 感知层： 该层捕获多模态数据——不仅包括答题正确/错误，还涵盖响应时间、犹豫模式、鼠标移动轨迹，甚至（通过可选摄像头）面部微表情，以推断困惑或无聊状态。这些数据通过轻量级边缘模型处理，以保护隐私。
2. 认知映射层： 一个生成式AI模型（基于微调后的Transformer架构，与GPT-4类似但不同）接收原始数据，构建学生当前知识状态的概率图谱。它不只是说“学生代数不及格”，而是识别出薄弱的具体概念节点（例如“负系数下的分配律”），以及这些节点之间的因果关系。
3. 路径生成层： 这是关键差异化所在。系统并非采用基于规则的推荐引擎，而是使用一个在数百万匿名学习轨迹上训练过的强化学习（RL）智能体。该RL智能体的奖励函数不仅是“答对题目”，而是一个多目标函数，平衡：（a）学习增益，（b）时间效率，（c）学生参与度（通过持续注意力衡量），以及（d）公平性校正——即主动补偿先前的知识缺陷，为学生之前遗漏的基础概念分配更多时间和资源。
4. 内容组装层： 一个生成式AI模型（类似于受控版本的GPT-4或Claude）动态创建解释、练习题和类比，贴合学生的文化背景和学习风格。例如，印度农村的学生可能得到用农耕类比解释的题目，而上海的学生则得到用城市案例解释的版本。
关键开源参考：
尽管天立启明尚未开源核心模型，但其底层方法与“思维图谱”（Graph of Thoughts, GoT）框架（GitHub: `graph-of-thoughts/graph-of-thoughts`，约5000星）一致，该框架将推理建模为图而非链。“学科脑”的认知图谱是该概念在实践中的规模化实现，并针对教育场景进行了适配。
基准性能：
| 指标 | 学科脑 | 传统自适应系统（如Knewton） | 通用LLM导师（如Khanmigo） |
|---|---|---|---|
| 学习增益（标准差） | +0.72σ | +0.35σ | +0.41σ |
| 掌握时间（小时） | 4.2 | 7.8 | 6.1 |
| 学生留存率（30天） | 91% | 72% | 78% |
| 公平性差距缩减* | 62% | 18% | 22% |
*衡量高社会经济地位（SES）与低SES学生群体之间表现差异的缩减幅度。
数据要点： “学科脑”62%的公平性差距缩减是最突出的指标。它证明，设计得当的RL智能体能够主动缩小公平差距，而不仅仅是被动适应现有差异。
关键玩家与案例研究
天立国际（母公司）： 中国领先的K-12教育运营商，拥有超过50所学校。其在课程设计和真实课堂数据方面的深厚领域专长，为天立启明提供了纯科技公司所缺乏的独特训练数据优势。
天立启明（子公司）： 成立于2022年，团队由王磊博士（前百度深度学习研究院AI研究员）领导，成员包括来自腾讯AI Lab和新东方教育科技集团的资深人士。其战略是构建面向教育的“垂直AI”，而非通用聊天机器人。
竞争格局：
| 公司/产品 | 方法 | 关键优势 | 关键劣势 |
|---|---|---|---|
| 天立启明（学科脑） | 动态认知图谱 + RL | 聚焦公平性，实时自适应 | 初期仅限中国课程 |
| Khan Academy（Khanmigo） | GPT-4 + 苏格拉底式辅导 | 全球覆盖，品牌信任 | 通用化，非个性化适配 |
| Duolingo（Birdbrain） | AI + 游戏化 | 高参与度，专注语言 | 领域狭窄，非深度学习 |
| 松鼠AI（中国） | 自适应学习 + 真人导师 | 应试辅导强 | 真人导师成本，规模化难题 |
| Century Tech（英国） | 基于神经科学的AI | 认知科学基础扎实 | 用户规模较小 |
数据要点： 天立启明“公平优先”的设计理念独一无二。大多数竞争对手优化参与度或考试成绩，这可能在无意中扩大差距。“学科脑”的RL智能体明确惩罚会加剧差异的路径。
行业影响与市场动态
入选AI for Good是天立启明的里程碑，也是全球教育科技市场的分水岭。据Grand View Research预测，该市场规模到2030年将达到7400亿美元。然而，当前市场高度碎片化，且多数产品未能解决核心公平问题。“学科脑”的入选向全球投资者和政策制定者释放了一个明确信号：能够量化证明公平性改善的AI教育产品，将在下一阶段获得资本和政策的双重青睐。