El día 9 de noviembre por la noche, Chen Lin, ex vicepresidente senior de ByteDance y ex CEO de Toutiao y DaLi Education, publicó oficialmente un artículo titulado “¿Por qué sigo trabajando en educación?”, lo que generó gran atención en la industria. En estos tiempos en que las capacidades de los modelos de gran alcance son cada vez más comunes, ¿qué tipo de producto educativo de IA planea desarrollar el equipo de Chen Lin al volver a la zona profunda de la educación?
Dos días después, este problema fue analizado sistemáticamente a nivel técnico y académico. El 11 de noviembre, en la IX Conferencia sobre el Desarrollo e Aplicación de la Tecnología Educativa China en Wuxi, Jiangsu, el científico principal de Galaxy Zhixue, Dr. Deng Shujun, realizó una presentación titulada “Hacer que cada niño aprenda, pueda aprender y ame aprender: exploración y práctica de la educación personalizada a gran escala con apoyo de IA”, en la cual compartió en detalle la arquitectura técnica del producto de la empresa “Xiaolu Ai Xue” y el método de implementación en entornos escolares.
En opinión de Deng Shujun, los modelos grandes pueden generar rápidamente los pasos para resolver problemas, pero no necesariamente pueden responder a la pregunta “por qué los estudiantes no saben”. Cuando el modelo general se convierte en una infraestructura, la verdadera diferencia de la IA educativa radica en si puede profundizar el proceso de aprendizaje: comprender la lógica académica, identificar las diferencias cognitivas individuales y transformar la tecnología en efectos de aprendizaje verificables en el aula real.
Galaxy Zhixue fue fundada por Chen Lin en diciembre de 2024. Los miembros clave de Galaxy Zhixue han trabajado en los departamentos de educación de ByteDance y en equipos relacionados con los modelos grandes de datos de DouBao. El equipo ha desarrollado experiencia en la creación de productos de aprendizaje autónomo para estudiantes, en la enseñanza y investigación de cursos, así como en el entrenamiento a largo plazo de capacidades de memoria, resolución de problemas y explicación de temas mediante modelos grandes. Entre ellos, el científico principal Deng Shujun ha sido responsable de la escuela en línea de Tsinghua y Pekín y del algoritmo de educación de Dali. También ha participado en el desarrollo de DouBao Aixue y Hema Aixue.
Base tecnológica de doble núcleo: permite que la IA entienda a los estudiantes y estimule el pensamiento.
Aunque los modelos de gran tamaño universales poseen una poderosa capacidad general, en situaciones que involucran una lógica académica rigurosa, pueden surgir ilusiones. En respuesta a las necesidades del ámbito educativo, Galaxy Intelligence utiliza una arquitectura tecnológica de “doble núcleo” que combina el modelo de gran tamaño DouBao con su propio motor inteligente de aprendizaje, lo que permite integrar profundamente la capacidad de inteligencia general con los algoritmos especializados en educación.
Entre ellos, el modelo grande general asume principalmente tareas como la comprensión del lenguaje, la generación de contenido y el razonamiento básico. El equipo realiza ajustes especiales en escenarios educativos, que incluyen la construcción de cadenas de pensamiento para resolver problemas, la alineación inspiradora al estilo de Sócrates y el desarrollo de la capacidad del agente basada en la memoria a largo plazo. Al descomponer los pasos clave en el proceso de resolución de problemas, el modelo puede detenerse en los puntos adecuados y plantear preguntas inspiradoras, lo que guía a los estudiantes para que comprendan gradualmente los conocimientos y descubran los puntos ciegos del pensamiento.
Según la presentación, el motor de aprendizaje inteligente desarrollado por el propio instituto se basa en la ciencia del aprendizaje y el análisis de medición cognitiva. Integra tecnologías como el seguimiento del conocimiento profundo (DKT), la teoría de respuesta a proyectos (IRT), el modelo de diagnóstico cognitivo (CDM) y la teoría del espacio del conocimiento (KST). A través del análisis de las respuestas, preguntas y registros de correcciones de los estudiantes, determina qué conocimientos han sido adquiridos, cuáles son las debilidades actuales y qué contenido es adecuado para el siguiente paso, proporcionando así base para el diagnóstico del estado de aprendizaje, la evaluación de habilidades, la adaptación de dificultad de aprendizaje y la planificación de tareas posteriores.
Ambos forman una combinación complementaria: el modelo grande universal se encarga de la explicación del conocimiento, las preguntas inspiradoras y la guía del proceso; el motor inteligente de aprendizaje desarrollado por el propio equipo se encarga del diagnóstico del estado de aprendizaje y de la determinación de la ruta de aprendizaje. Como resumió el Dr. Deng Shujun en su discurso, el primero debe “ser bien guiado”, mientras que el segundo debe “calcular correctamente”. Sobre esta base, Galaxy Smart Learning extiende aún más las capacidades del Agent hacia la planificación de aprendizaje para estudiantes y el soporte docente para profesores.
El agente inteligente de planificación para estudiantes se basa en la memoria a largo plazo del gran modelo, y combina la situación de aprendizaje a largo plazo de los estudiantes para recomendarles las tareas de aprendizaje siguientes, junto con explicar las bases de dicha recomendación; el agente inteligente de asistente docente en el lado del profesor extrae indicaciones específicas sobre el esfuerzo y el progreso de los estudiantes de sus registros de aprendizaje, lo que sirve como referencia para que el profesor ofrezca orientación personalizada.
El ciclo cerrado de aprendizaje de la IA conecta aún más el comportamiento de estudio de los estudiantes, la orientación docente de los profesores y los comentarios de enseñanza de las escuelas. La calidad de aprendizaje de los estudiantes pasa a la siguiente fase de análisis del caso de estudio y organización de tareas, y los profesores también pueden ajustar sus estrategias de enseñanza según los comentarios, permitiendo que las capacidades de la IA continúen influyendo en el proceso real de aprendizaje.
El núcleo de esta arquitectura tecnológica consiste en combinar el conocimiento disciplinario, la medición cognitiva, el análisis del estado de aprendizaje y la guía interactiva de modelos grandes, y optimizar el soporte posterior a través de retroalimentación de aprendizaje continuo.
Desde responder preguntas hasta guiar la reflexión, la IA necesita entrar en un proceso de aprendizaje completo.
Para la IA educativa, las capacidades técnicas deben finalmente convertirse en interacciones de productos concretos, y esto debe materializarse en la comprensión del proceso de aprendizaje de los estudiantes, así como en la verificación continua de los efectos del aprendizaje.
En la actualidad, muchos productos educativos de IA siguen centrándose en el interrogatorio, donde los estudiantes introducen preguntas y la IA genera explicaciones. El proceso de aprendizaje a menudo se limita a obtener respuestas. Sin embargo, el verdadero aprendizaje incluye también comprender las preguntas, organizar los pensamientos, practicar su aplicación y verificar si se ha dominado el contenido. Estos aspectos juntos determinan si el conocimiento se convierte realmente en habilidades propias de los estudiantes.
En el diseño de Xiaolu Aixue, el equipo enfatiza “hacer que la tecnología se quede en segundo plano y permitir que los estudiantes vayan al frente”, y ha diseñado funciones específicas en torno al proceso completo de aprendizaje: la IA brinda apoyo en el momento adecuado, mientras que los estudiantes experimentan personalmente la selección, la práctica, los errores, la ajuste y la verificación. En el proceso de adquirir conocimientos, aprenden gradualmente a reconocer y gestionar su propio aprendizaje. El sistema permite a los estudiantes hacer múltiples preguntas y especulaciones alrededor del contenido de estudio, conectando la comprensión del conocimiento, la aplicación práctica y la verificación de efectos.
El Dr. Deng Shujun da ejemplos en su explicación: cuando la altura del cilindro permanece constante y el radio de base se duplica, el volumen debe ser cuatro veces mayor, pero algunos estudiantes podrían pensar erróneamente que el volumen solo se duplica. En respuesta a este tipo de malentendidos, Xiaolu Aixue introduce experimentos con conceptos dinámicos y una inspiración socrática: los estudiantes pueden observar directamente el efecto de la variación del radio en el volumen del cilindro mediante un palo deslizante, mientras que la IA hace preguntas progresivas sobre pasos clave como la fórmula de volumen y la variación de la superficie base, guiando a los estudiantes para que deduzan los resultados por sí mismos.
“Estas guías crean una ‘escalera’ para que los estudiantes comprendan el conocimiento, ayudándoles a encontrar el primer paso y permitiéndoles pensar de manera autónoma en los momentos clave y responder paso a paso.” A medida que se profundiza en la comprensión, el sistema retira los auxiliares en el momento adecuado, y a través de respuestas independientes, explicaciones y ejercicios variados, se verifica si los estudiantes pueden responder correctamente, explicar claramente y aplicar lo aprendido a nuevas situaciones. “El equipo espera que, al completar el proceso de superar dificultades, los estudiantes obtengan una revelación y un sentido de logro de tipo ‘ah, así es’, ‘logré hacerlo’.”
En el fomento del interés por el aprendizaje y la confianza, el equipo combina el seguimiento de conocimientos profundos con la teoría de la zona de desarrollo reciente. A través de modelos, se predice la probabilidad de que los estudiantes respondan correctamente al siguiente problema, ajustando así las tareas de aprendizaje que son adecuadamente desafiantes. El Dr. Deng Shujun, en su discurso, explicó que el sistema selecciona problemas cuya probabilidad de respuesta correcta es de aproximadamente el 70% al 80%, permitiendo a los estudiantes progresar mediante esfuerzo.
“Un pequeño avance logrado por uno mismo puede convertirse en ‘fuego’ para que los niños recuperen la confianza”. El Dr. Deng Shujun señaló que el sistema registra las demostraciones de aprendizaje de los estudiantes en diferentes etapas, mostrando avances concretos en comparación con el día anterior y la semana anterior, de modo que los pequeños esfuerzos y logros sean visibles. Los equipos de estudio permiten a los compañeros animarse mutuamente y enfrentar desafíos juntos, mientras que el agente de asistencia inteligente proporciona información para que los profesores ofrezcan aliento oportuno y específico. “El equipo quiere que el niño sienta que ‘este paso lo ha dado yo mismo’, acumulando gradualmente la confianza de ‘puedo aprender’. De esta manera, estará más dispuesto a enfrentar el siguiente desconocido y dar un paso adelante”.
Para el escenario escolar, una herramienta de IA única es difícil de constituir en una solución completa de enseñanza. Un estudiante puede completar rápidamente las tareas con la ayuda de la IA, pero si no comprende realmente el conocimiento, el aumento en eficiencia no implica necesariamente un mejoramiento en la calidad del aprendizaje.
El programa Xiaolu Aixue Position se diseña como una solución para las clases de educación conjunta entre humanos y máquinas en escuelas. Al registrar y analizar el proceso de aprendizaje de los estudiantes, proporciona apoyo al aprendizaje personalizado a los alumnos, y ayuda a los profesores a comprender la comprensión del conocimiento de los estudiantes y las diferencias individuales. Los profesores continúan desempeñando funciones como el diseño de enseñanza, la explicación de conocimientos clave, la orientación del aprendizaje y el apoyo emocional, y ajustan las estrategias de enseñanza según los comentarios de la IA.
Los profesores utilizan la pizarra de situación estudiantil para conocer el progreso de aprendizaje de los estudiantes, las dudas comunes y la situación de corrección, y llevan a cabo enseñanzas detalladas, orientación por niveles y asistencia individual. En el ámbito de la gestión escolar, el director resume los datos del proceso de enseñanza para proporcionar base para observaciones didácticas, revisión y gestión. La escuela incluye el aprendizaje autónomo, las evaluaciones independientes y la reparación específica en el plan de estudios diario, y los resultados de las evaluaciones se devuelven a la siguiente fase de análisis de situación estudiantil y organización de tareas, formando así un ciclo de enseñanza “liderado por el profesor, autónomo por los estudiantes y apoyado por IA”.
El verdadero desafío de la educación AI es cómo escalar el aprendizaje personalizado.
El aprendizaje personalizado no es un concepto nuevo. Durante mucho tiempo, la enseñanza adaptada a las capacidades de cada estudiante ha sido el objetivo de la educación. Sin embargo, en las aulas tradicionales, el tiempo y los recursos del profesor son limitados, lo que dificulta seguir el proceso de aprendizaje de cada estudiante y es aún más difícil proporcionar una orientación personalizada oportuna y efectiva para todos.
Las posibilidades que ofrece la IA, a través del proceso de aprendizaje y el análisis inteligente, reducen los costos de identificar las diferencias entre los estudiantes y proporcionan retroalimentación personalizada. Esto hace que parte del trabajo que antes dependía en gran medida de la experiencia individual del profesor sea más oportuna y sostenible. Sin embargo, pasar de la tutoría personalizada para un solo estudiante a su aplicación a escala escolar sigue enfrentando muchos desafíos.
Según se informa, en 2022, los miembros clave de Galaxy Smart Learning participaron en la exploración en la escuela familiar de Funan en Fuan, Anhui, durante el período de educación vigorosa. En el proceso de contacto a largo plazo con maestros y estudiantes de primera línea, el equipo descubrió que las dificultades de estudio de los estudiantes no se refieren únicamente al dominio del conocimiento, sino también a los métodos de aprendizaje y la confianza en sí mismos. Esta experiencia práctica en primera línea también influyó en el diseño de productos educativos de IA por parte del equipo, haciendo que presten más atención a cómo los estudiantes comprenden el conocimiento, dominan los métodos y si pueden construir confianza en su progreso continuo.
En el proceso de implementación a gran escala, existen diferencias en las condiciones de enseñanza, el progreso de los cursos y la base de conocimientos de los estudiantes entre las diferentes escuelas. Si los profesores pueden integrar la IA en la enseñanza diaria, si el producto puede funcionar establemente y si los comentarios de aprendizaje pueden convertirse realmente en acciones docentes, todo esto afecta el efecto práctico de la aplicación.
Tomando como ejemplo la Escuela Secundaria de Nayong Hongxing en Guizhou, el equipo, basándose en los tipos de clases existentes en la escuela, como las lecturas matutinas, las clases regulares, los ejercicios limitados en tiempo y el estudio nocturno, ha integrado gradualmente funciones como memorización y escritura, organización y distribución de exámenes, pruebas en línea, corrección por IA y retroalimentación sobre el rendimiento estudiantil en el proceso diario de enseñanza. Esto ayuda a los profesores a conocer en tiempo real el estado de aprendizaje de los estudiantes y a explicar las cuestiones comunes. Esta creación continua basada en las clases reales también permite que el sistema de IA pasé de ser una herramienta de aprendizaje puntual a formar parte de la organización de cursos, la retroalimentación pedagógica y la gestión diaria de la escuela.
Desde las soluciones técnicas hasta las aulas reales, la IA educativa está entrando en una fase de aplicaciones más profundas. Actualmente, Xiaolu AiXue, parte de Galaxy Smart Learning, ya se ha implementado en escuelas de diferentes regiones y tipos. Según lo revelado por Galaxy Smart Learning, el producto ha servido a más de 500 escuelas y colaboraciones, abarcando 24 regiones provinciales. En los últimos meses,银河智学 ha publicado gradualmente casos como la escuela de lazos familiares en Funan, en la Universidad Normal de la Capital; la escuela YuXin en Huilongguan, afiliada a la Universidad Normal de la Capital; la escuela secundaria superior Hongxing en Nayong, en Guizhou; la escuela secundaria superior Guoke en Qingdao; la escuela secundaria superior Lantian en Xincai, en Henan; y la escuela experimental Kuangao en SiZiwangqi, en Inner Mongolia. Estos casos muestran las exploraciones del modelo de educación colaborativa entre humanos y máquinas en diferentes contextos escolares.
Desde la adquisición de conocimientos hasta el desarrollo de habilidades, en la era de la IA es necesario reevaluar el valor del aprendizaje
Los modelos de gran tamaño están cambiando la forma en que se obtiene conocimiento. Si bien la tecnología educativa en la primera fase se centra más en la obtención de conocimientos y la eficiencia del aprendizaje, el siguiente cambio impulsado por la IA podría ser una revisión del propio proceso de aprendizaje.
En el pasado, los estudiantes tenían que invertir mucho tiempo en buscar información, comprender conceptos y obtener respuestas; ahora, la IA puede proporcionar información rápidamente, explicar conocimientos e incluso ayudar a completar tareas complejas. A medida que los requisitos para adquirir conocimiento disminuyen, el valor de la educación también debe pasar de la transmisión de conocimientos a la desarrollo de habilidades.
Por lo tanto, los criterios de evaluación para los productos educativos de IA también deben cambiar: no se debe centrarse solo en la velocidad de respuesta, la cantidad de ejercicios y la frecuencia de interacción, sino también en si los estudiantes pueden comprender realmente el conocimiento, formar métodos de aprendizaje efectivos y, gradualmente, desarrollar la capacidad de resolver problemas de manera independiente y explorar activamente. Además, es importante fomentar el interés y la confianza en el aprendizaje a lo largo del progreso continuo.
Esta es la razón por la que Galaxy Zhixue toma “aprender, entender y amar a aprender” como objetivo educativo, y este objetivo también está relacionado con la intención original de los fundadores, Chen Lin, de volver a entrar en la industria educativa para emprender negocios. En el artículo, Chen Lin revisa sus reflexiones sobre la educación en la era de la IA. Según él, frente a los cambios tecnológicos que trae la IA, la educación debe ayudar a los niños a manejar la incertidumbre y a resolver problemas reales. Al final del artículo, escribe: “En esta época, muchas personas están haciendo que la IA sea cada vez más poderosa, y yo quiero ayudar a las personas a ser cada vez mejor…”
Cuando la IA entra en el aula, lo que se logra finalmente es el crecimiento humano: permitir que los estudiantes, con la guía de los profesores y el apoyo tecnológico, desarrollen gradualmente la capacidad de comprender el mundo, tomar decisiones independientemente y resolver problemas, hasta convertirse en personas capaces de enfrentarse por sí mismas al mundo desconocido. Y cuando la tecnología deja de apresurarse a demostrar su “inteligencia”, y realmente se inclina para comprender las limitaciones cognitivas de cada niño, encendiendo su motivación para explorar por sí mismo, y se establece una colaboración a largo plazo con la práctica educativa de la escuela, la IA educativa puede realmente cumplir su valor.
Este artículo es proporcionado por Galaxy Intelligence, y QuantumBit tiene autorización para reproducirlo; las opiniones pertenecen al autor original.