2026WAIC观察：AI应用进入「可体验时代」，AI原生公司与爱为舞给出样本

编辑｜Sia

在今天的 WAIC 现场，学习已经变成酱婶儿了：

拍题不搞「剧透」，AI 先追问你依据是什么？

写作文不请「枪手」，反倒教你怎么「化妆」；

还能一键穿越，和「孔子」坐而论道......

没错，首次参展的 AI 原生企业与爱为舞，直接把一座开放式「AI 学习实验室」搬进了世博展览馆 H2-E505 展位。

没有大屏循环播片，也不是观众站一圈看完就走。你是真的能坐下来，亲手一试：学习这件事，确实换了个打开方式。

这也是今年 WAIC 最值得琢磨的变化之一。

去年，大家还在集体围观大模型、人形机器人、AI 终端。到了今年，问题更深入到这些 AI 应用，到底有没有真正走进生活？

展馆里，垂直领域的专业智能体密集亮相，比拼工作流顺不顺、任务能不能跑起来、商业闭环到底有没有。

教育与陪伴，成了观察这场「务实跃迁」的最佳窗口。

毕竟，教育行业讲了很多年因材施教，但真到了产品里，很多 AI 还是停在搜题、批改、生成讲解。至于为什么一讲就会、一做就错，AI 没真正看见。

现在，与爱为舞的学习 Agent 开始撬动这个僵局。

学习这个事儿，终于换了个姿势

在「爱学 AI 学习智能体」体验区，我们先试了试「爱学拍讲智能体」。

拍照搜题，都不陌生：拍一下，出答案，抄步骤，下一题。还能玩出什么花儿？

现场体验下来，打开方式确实变了：「搜题即答案」，变成了「搜题即思路」。

随手拍了一道初中几何题。

系统很快识别出题目，接着智能体开始带着我们推理。

先问：

∠1 + ∠2 = 180°，同时 ∠1 和 ∠DGE 也是邻补角，也能凑成 180°。那 ∠2 和 ∠DGE 为什么相等？

我们故意含糊其辞：它们都和 ∠1 有关系。

智能体没放过我们，继续追问：

这个依据叫什么？

直到说出「同角的补角相等」这个知识点，它才继续往下推进：

∠2 = ∠DGE，所以可以根据同位角相等推出 AB ∥ EG；
再利用平行线性质，得到 ∠3 = ∠ADE；
结合题目给出的 ∠3 = ∠B，通过等量代换推出 ∠ADE = ∠B；
最后根据同位角相等，两直线平行，推出 DE ∥ BC。

过程中，为了不让你走神儿，几乎每隔一两分钟，每到一个推理节点、一个知识要点，智能体都会 cue 你——

答得对，继续推进；答得模糊，追问依据；答错了，就降一阶给提示，或者带你回顾相关知识点。

讲题，就这样变成了一个可以交互、追问、纠错的思维过程。

体验完智能体如何讲透一道题后，我们又上了一堂 AI 英语课：

一道题讲得清楚，一节课也能 hold 住？

这是一堂英文写作课，学习怎么润色句子。

老师「 AI 心语」出现在屏幕右上角，很像真人，主区域则是一块动态板书。

一句最朴素的英文句子放到黑板中央：

A bird sat in the tree.

然后，「 AI 心语」带着我给这句话「化妆」。

先在 tree 前加形容词，比如 green，句子变成：

A bird sat in the green tree.

再在动词后加副词，让鸟儿坐得更具体；

继续加介词短语，补充这只鸟在哪里、来自哪里；

再加非谓语短语，写出它当时正在做什么；

最后加原因从句，把动作背后的理由也补上。

十几分钟后，一个低配句子，被一层层「补妆」，变成更完整、更有画面感的表达。

这节课最不同的地方是，「 AI 心语」没有一路自说自话。

我会被不断 cue 到：填一个词，补一个短语，判断哪部分是形容词、副词，甚至来场 PK 小游戏。

而且，可以自由回答。

比如，我故意坚持用 sadly 描写鸟儿状态，还反问：我觉得你的答案一点儿都不好，我就想用这个。

「 AI 心语」没有直接判错。

先肯定这个想法有自己的特点，再提醒题目希望使用更阳光、正向的词汇，随后把话题拉回「副词修饰动词」这个知识点。

我又故意说：哎呀，不记得你刚才讲什么了。或者，什么是非谓语动词呀？

她又会停下来重复或者解释，再把课堂节奏接回去。

更有意思的是，没有预制 PPT，「 AI 心语」会根据互动内容，现场板书。

需要填空的地方，会被标出来：

我的回答也会出现在板书上，并被高亮：

答错了，错误答案会被划掉；该给提示时，线索也会适时弹出来。

一节课下来，角色反转：

而当我们转头和大屏上的「孔子」对话时，立马感觉穿越了。

屏幕里是一间古色古香的书斋。竹简、木案、旧墙、素色衣袍，一个长髯垂胸的孔子数字人站在中央。

https://mp.weixin.qq.com/s/U9CbR5dS_peZ-SzToK7G6A

他一开口，就有点穿越：

「今逢后世二零二六年……」

我们问他：如果看到今天 AI 的发展，未来学习会变成什么样？

孔子微微停顿，很快接上：

吾昔倡有教无类，因材施教，今此智能体，正可弥资源之壑，顺学子之性，令学皆得其所宜，人人皆能乐学善知，汝以为此智器于蒙童之教，最可补今之弊。

措辞、语气、眼神、表情都撑住了，微微颔首、抱拳作揖这些小动作也很自然。一时间，真有点忘了自己面对的是 AI 。

几轮对话下来，AI 教育里常说的个性化学习、因材施教，被放回孔子的语境里，突然有了跨时空的回声。原来，传统知识也可以变成一个可对话、可进入的现场。

从给答案到会教人，中间差了一个自研「大脑」

几轮体验下来，最值得注意的并不是某个功能有多炫，而是同一个变化反复出现：

AI 开始知道，学生给出反馈之后，下一步该怎么走。

这正是 AI 教育最难的地方。

过去很多产品解决的是有没有答案、讲解够不够完整。但真实学习里，更关键的问题常常发生在答案之外：

学生为什么卡住？这个回答算不算真懂？现在该继续追问，还是换一种提示？该把知识点拆细，还是让学生自己再试一次？

这些判断，过去属于资深教师的隐形经验。现在，爱学试图把它变成模型能力。

这也是爱学大模型在整套学习 Agent 里的位置。它并不只是负责生成一段讲解，而是承担教学决策中枢的角色：

先识别学生状态，再判断下一步策略，最后把策略落到语言、板书、互动节奏和课堂流程里。

拍讲智能体里，这一点最直观。

同样是拍一道题，普通搜题产品会把答案和步骤直接摊出来。「爱学拍讲智能体」没有急着「剧透」，而是先追问，依据是什么。学生答得含糊，它继续追问；答到关键知识点，才推进下一步。

看似只是多问了一句，背后其实是教学逻辑的变化。

它要判断学生此刻缺的是知识点还是表达；也要判断什么时候该提示，什么时候该停下来让学生自己说。拍讲从「结果导向」变成「过程导向」，学习才有可能真正发生。

英语写作课上，也是如此。

当我们故意用 sadly 描写鸟儿状态时，「 AI 心语」没有直接判错，也没有简单给出标准答案。

它先接住这个表达，再把话题拉回「副词修饰动词」和写作语境。这种处理，比单纯纠错更接近真实老师的反应。

再往下看，动态板书也不只是视觉效果。

过去很多在线课堂的板书，本质上还是预制 PPT 。讲到哪一页，播到哪一步。学生回答错了，板书不会真的「看见」这个错误。

这次不一样。

在写作课里，学生填出的词会出现在画面上，错误答案会被划掉，关键位置会被标注，线索提示也会适时弹出。板书开始跟着学生反馈变化。

这意味着，模型输出的不只是「说什么」，还包括画什么、标哪里、什么时候擦掉、什么时候提示。教学思路被实时摊开，学生也能看到自己的思考过程如何被修正。

再进一步，是课堂节奏。

真正的课堂不会按脚本一路播放。学生可能回答说「不记得了」、「什么是非谓语动词」、甚至挑战所谓的标准回答。

这时，AI 要判断这句话是提问、跑题，还是没听懂；接下来要重复、解释、推进，还是降阶讲。

能不能接住这些变化，才是学习 Agent 和普通问答工具的分水岭。

所以，爱学大模型背后的技术重点，并不在于把一个大模型套进教育场景，而是把教学拆成一连串可感知、可判断、可执行的动作。

为此，爱学大模型吃进了大量真实课堂里的教学因果链。学生怎么答，老师怎么接，哪种追问有效，哪种提示会直接泄题，这些都要被持续训练和校准。

同时，它还搭了一套双重评测体系。

一边盯指令遵循，确保不透题、不跑偏；一边用更强模型和教研标准评估回答质量，看它是不是语气自然、简洁明了、逻辑连贯、针对性强。

这套体系带来的结果，是爱学大模型的指令遵循稳定在 99% 以上——我们体验过的「追问依据叫什么」、「先肯定 sadly 修饰鸟儿的创意，再纠正语义方向」，背后都是这套机制的功劳。

对错判断变得更准，线上 badcase 率也大幅下降。

不过，如果只做到这里，它仍然只是一个「此刻很会教」的系统。

真正让它更像学习 Agent 的是，自我进化。

为此，爱学还设计了一套数据飞轮。

线下小飞轮（安全试错）

线上大飞轮（实战进化）

至此，学习 Agent 完成闭环：懂学生，做决策，执行教学动作，再从真实反馈里长出新的教学能力。

这也是 AI 教育最值得关注的范式变化。

多模态加持：大脑有了，身体也得跟上

学习智能体光有一颗「大脑」，还不够。

它要真正进入学习现场，还得能听、能说、能看、能呈现。

这就是多模态身体的价值。

数字人让 AI 有了形象；语音让它听得清、接得住；多模态生成则把知识从课本里拎出来，变成可对话、可进入的现场。

先看最直观的数字人。

在教育场景里，数字人不能只是一个会动的头像。它要能讲课、互动、转场、接话，还要撑住一整节课。

这件事并不轻松。

过去做高精度 3D 数字人，多少有点「棚拍工程」的味道。多视角采集、相机标定、复杂制作流程，一个都少不了。门槛高，周期长，成本也下不来。

爱学押注 3D 高斯路线，直接啃掉了两块硬骨头。

一个是更容易做出来。

爱学提出的 AnyAvatar 算法瞄准的是一个长期制约高质量数字人落地的核心问题：如何在相机未经专业标定、拍摄条件不受严格控制的环境下，快速构建高保真的 3D 高斯头部数字人。

传统方案高度依赖精确的相机内外参数，轻微的位姿误差都会导致面部几何错位、纹理漂移和跨视角不一致，AnyAvatar 将这一流程重构为统一的自校准建模框架：

系统首先利用通用模型预测粗略相机位姿，再通过可行性引导的 FLAME 初始化定位合理的头部空间，并将相机位姿、FLAME 参数和 3D Gaussian 属性放入同一优化框架联合求解，在过程中持续修正相机误差。

简单来说，过去构建高质量数字人依赖「准确的相机」，而 AnyAvatar 则让系统具备了「自动校正相机」的能力，将拍摄几何、人脸先验和神经渲染统一到同一套优化体系中，使高保真数字人建模从专业摄影棚走向真实场景下的自动化生产。

最后落到产品上，就是门槛被打了下来。这项技术也已入选 ACM Multimedia 2026 。

另一块硬骨头，是长时间互动不出戏。

短视频里脸偶尔飘一下，用户可能划走就算了。但一节 AI 课里，学生会一直看着老师。脸崩、口型飘、表情僵，沉浸感立刻掉线。

爱学提出的 MoGaFace 算法瞄准的正是这个问题。

它要解决 3D 高斯数字人里更细、更致命的质量问题：人脸几何错位、纹理模糊、跨视角表情不一致。最终落到观感上，就是老师转头、讲解、表情变化时，脸部结构更稳，皮肤纹理更清楚，动态表情也更连贯。

更现实的是成本。

据介绍，导师资产前期单独建模，建好之后可以反复驱动调用；推理和渲染成本压下来后，消费级 GPU 就能流畅运行。

这意味着，高保真数字人不再只适合展台炫技，也有机会真正进入长期在线课堂。

但有形象还不够。AI 进入学习现场，第一道门槛其实是「听」。

展会现场很吵，旁边有人说话、混合着嘈杂的背景音在一起。「 AI 声纹降噪」体验区展示的，就是在这种复杂环境里，把非目标人声和背景噪音都成功过滤掉，只保留干净清晰目标人声。

https://mp.weixin.qq.com/s/U9CbR5dS_peZ-SzToK7G6A

与「先降噪、再分离、再识别」的多模块拼接不同，爱学把「这是谁的声音」与「降噪增强」合到一起训练的端到端模型，从底层避免模块间的精度损耗。实测目标人声语音召回率 97%、精准率 98%，信噪比提升超过 15dB，降噪深度（降噪前后 delta 收益）达到40dB。此外，声纹注册门槛也已从 20 秒降到约10 秒。

这听起来像是一个音频处理技术，但是对于教育又非常关键，因为如果多人声同时进入教学 Agent，学习就无法正常进行了。

AI 一旦听错，后面的追问、纠错、评价全都会跑偏。尤其在低龄学习场景里，孩子说话慢、停顿多、表达不完整，系统既不能抢话，也不能把旁人的声音当成学生回答。

最后，是多模态生成。

如果数字人和语音解决的是 AI 如何进入学习现场，那么多模态生成解决的，就是知识怎么从课本里走出来。

数字「孔子」就是一个典型例子。

它的难点不只是让孔子开口。更难的是，让这个历史文化人物在形象、神态、语气、知识边界和思想气质上都立得住。

为此，爱学在静态上参考史料和经典画像，重塑五官、身型比例与春秋背景；在动态上塑造客观、沉稳、庄重又带有豁达感的神态；更关键的是，结合典籍中的孔子言行，用爱学大模型为他构建一套稳定的精神内核。

所以，用户面对的不是一个古风对口型头像，而是一个可以持续追问、持续对话的文化人格 Agent。

名画复原，也是类似逻辑。

爱学用自研 AI 短视频生成框架，把画作拆成故事线、场景、镜头和交互节点，让《清明上河图》、《千里江山图》变成可以第一视角走入的历史现场。

从「能演示」到「能交付」，全靠一副万人并发的钢筋骨架

前面讲的，是学习 Agent 怎么会教、怎么听、怎么说、怎么把课堂变成现场。