一个被反复引用却很少被认真讨论的数字：到2030年，全球中小学教师缺口将达4400万（来源：联合国教科文组织，转引自《世界模型驱动的教育AGI白皮书》）。
个性化教学是解药，但它是出了名的贵。一份刚发布的行业白皮书给出了判断：现代教育长期受困于"个性化、高质量、普惠性"的不可能三角，传统一对一辅导成本太高，难以规模化（来源：《世界模型驱动的教育AGI白皮书》）。
AI能不能把这个三角拆开？
大模型会聊天，但不会教书
先泼一盆冷水。
大模型具备苏格拉底式的对话能力，但缺的不只是对话。白皮书指出，现有教育AI工具大多停留在知识分发的表层，难以对学习者内在的认知状态进行建模（来源：《世界模型驱动的教育AGI白皮书》）。真正的个性化教学要求持续诊断学生的认知状态、动态调整内容，这是现有工具做不到的。
李飞飞在最近的播客里从另一个角度印证了同一件事。一个孩子只见过3到10只猫，就能认出书架后露出的一截猫尾巴；AI做同样的事需要海量视频。学习机制的差距摆在那里，AI目前只是靠"看过太多"来做统计判断（来源：李飞飞 Huberman Lab 播客，转引自KimKB笔记）。教育恰恰是最依赖这种小样本认知理解的领域。
教育界的"世界模型"思路
白皮书给出的方案，是把自动驾驶那套世界模型搬到教育里来。
架构分三块：教育仿真器负责模拟认知状态的动力学，教育规划器在策略空间里求解最优的个性化路径，教育渲染器把决策变成学生看到的题目、讲解和反馈。外面套一个LAM主循环——Learning、Assessment、Modeling，观测、建模、规划、渲染、评估五个环节连成闭环（来源：《世界模型驱动的教育AGI白皮书》）。
这套设计针对的是两个老问题：一是教师带宽有限，无法持续追踪每个学生的认知变化；二是干预效果有长期延迟，今天教的东西几个月后才显出作用，靠人工经验很难归因。仿真器的价值在于能在虚拟环境中预演教学决策的长期后果，再交给规划器做全局优化。
李飞飞的态度为这个方向提供了注脚：她认为正确的做法是保住学生能动性的同时给工具，而不是在"放任"和"禁用"之间二选一。她甚至说，如果苏格拉底还活着，他会是最好的prompter——提问式教学应该从K-12阶段就开始教（来源：李飞飞播客笔记）。
图：从认知建模到路径规划，教育智能体试图把"因材施教"工程化。
深水区在哪
白皮书自己也承认前路漫长，列出了四个难点：认知状态不可直接观测、概念转变是非线性的、教学干预的反馈有长期延迟、认知数据涉及隐私伦理（来源：《世界模型驱动的教育AGI白皮书》）。
这四个难点没有一个是工程问题能单独解决的。认知状态怎么观测？目前只能靠答题、对话、行为数据间接推断。数据从哪里来？每一次作答和提问都是采集，边界在哪里，行业还没有共识。
产业判断上，白皮书认为未来三年是教育世界模型从概念验证走向规模化落地的窗口期。这个判断偏乐观，但方向上有依据：政策端的教育数字化战略、技术端的世界模型成熟度、需求端的师资缺口，三条线确实在往同一个交点走。
图：缺口是真实的，解药还在临床阶段。
源势AI观点
我们的判断是：教育会是AI落地最难、也最值得的领域，没有之一。
难，是因为教育的反馈周期以学期计，错误干预的代价是学生本人；值得，是因为4400万的缺口意味着再多的教师编制扩张也追不上需求，技术是唯一可能的杠杆。
对学校和机构，我们的建议是别急着上"全自动个性化"。先用AI把教师从重复劳动里解放出来——批改、学情统计、题目生成——把省下的时间投到只有人能做的事上：价值引导和情感支持。白皮书里那句话说得准：人类主导价值判断与共情引导，AI承担计算密集型推演。
补上4400万缺口的不会是一个超级教师模型，而是人机分工的新课堂。
