AI 如何打進美國教育生態？

上一篇《一篇文章看懂美國教育全生態》梳理了美國教育的全生態，把K-12、大學、研究生、就業四塊拆開看了一遍。一個核心結論是：這個生態沒有統一主干道，由公立學校、宗教私立學校、獨立精英私校、在家教育、特許學校、社區大學、四年制大學、trade school、學徒制、軍隊、企業培訓等多個子系統并行運作。每個子系統有自己的資金來源、決策機制、服務人群、文化屬性。

這種分散性對AI進入美國教育是個雙刃劍。機會在于每個子系統都是潛在切入點，AI不需要顛覆整個體系就能找到位置。約束在于沒有任何單一策略能通吃整個市場，每個子系統的邏輯都不同，得分別分析。

很多AI教育創業項目失敗的根本原因，是把這個生態當成一個整體來打。"做一個AI老師"聽起來很美，落地立刻碰到子系統之間完全不兼容的現實。這篇文章要回答的是：在這樣的分散生態里，AI究竟能打開什么樣的增量市場？哪些方向看似有機會但實際是坑？哪些方向被嚴重低估？

為什么是增量市場，而不去看存量市場？因為存量市場里大公司有先天優勢。Duolingo、Chegg、Pearson、McGraw-Hill、Khan Academy這些跑了10到20年的教育公司，手里都有用戶、有內容、有渠道、有品牌。它們做AI的邏輯很簡單，把AI當功能補丁加在已有產品上（AI Powered），用戶和現金流都是現成的。一個新團隊想做"AI題目講解"去硬剛Chegg幾千萬付費用戶加幾十年試題庫，贏的概率接近零。

新興團隊要切進美國教育這個生態，路徑只剩一條：找增量市場。增量市場里沒有現成的供給，大公司的存量優勢消失，所有人都從零開始建用戶、建內容、建渠道。這種條件下，小團隊的產品速度和對細分場景的敏感度反而可能壓過大公司的資源優勢。

下面要分析的，就是這種增量賽道在美國教育里到底長什么樣。先建立一套判斷標準。

一、判斷標準：什么是真正的增量市場

要回答上面的問題，先建立一套判斷框架。任何AI教育方向被推到面前，套這套框架過一遍，就能篩掉絕大多數偽機會。

1.1 增量市場的定義

先拋出核心定義。增量市場是指：需求一直存在，但供給被價格或資源約束壓制。AI把約束打破之后，需求才被釋放出來。

跟它對照的是存量替代：用戶本來就能用別的方式滿足需求，AI只是省一點成本或者改善一點體驗。

兩者的區別在于用戶付費的強度。增量市場里用戶的付費動機是"以前我做不到，現在能做到"，彈性大、客單價撐得起。存量替代里用戶的動機是"以前能做但貴一點，現在便宜一點"，彈性小、容易被價格戰拖死。

大部分AI教育項目失敗是因為它們做的是存量替代，不是真正的增量。Duolingo用AI優化推送、批改、對話生成，這些都是存量替代，因為沒有AI它本來也是個能跑的語言學習產品。Cursor是另一種類型，它的核心交互是LLM驅動的代碼生成，沒有大模型這個產品根本不存在，這是增量。同樣面對"AI in X"的賽道，理解X在AI之前是不是已經被供給覆蓋，決定了機會的真假。

1.2 三個必要條件

判斷框架的核心是三個條件，缺一不可。

條件一，付費方=決策方=受益方。這是任何B2C教育產品能跑通的根本前提，也是公立學校市場為什么難做的根本原因。

公立學校采購的結構是這樣：付費方是納稅人和州政府，決策方是學區官僚加校長，使用方是學生，影響方是教師工會。四方分離，每一方都有自己的目標函數。學區官僚看政績、校長看本校能不能落地、工會看教師就業、學生看體驗。AI產品要同時滿足這四方幾乎不可能。

真正能跑通的市場都是三方重合的：成人為自己付費學技能、家長付費給孩子用（決策方一致）、私校自主決策采購、工會出錢培訓學徒。三方重合意味著決策鏈短、ROI能直接歸因、不依賴中間方的政績或政治考量。

條件二，ROI明確，不依賴教育焦慮。

美國教育付費市場可以分兩類驅動力。ROI驅動指考過執照漲薪、晉升、轉行、找工作，付費意愿穩定。焦慮驅動指擔心被時代淘汰、孩子輸在起跑線，付費意愿不穩定。

中國知識付費很大一部分是焦慮驅動的。得到、樊登讀書、各種"年度大課"賣的本質上是認知焦慮的解藥。專門做升學焦慮生意的張雪峰更典型，2024年高考前他的最高檔"圓夢卡"志愿填報服務定價17999元一人，3小時賣出2億元，核心敘事是"選錯專業等于毀掉一輩子"，販賣的本質就是中產家庭對孩子前途的不安全感。

但美國人沒有同等強度的"知識焦慮"。美國成年人對學習的態度更接近工具性，是為了具體目標（考證、找工作、移民、升職），不為了緩解"我不學習就落后"的不安。

這個文化差異決定了美國學習市場以職業相關、考試相關、技能相關為主，通識性的"提升認知"付費非常少。Substack上做硬職業內容（投資、AI工具、醫療實操）的作者收入比做通識哲學、生活方式的高一個數量級。一個為AI教育做生意的人如果照搬中國知識付費的邏輯，幾乎一定會失敗。

條件三，AI Native而不是AI Powered。這是判斷AI教育能不能賺錢的根本標準。

AI Powered指產品的核心功能是傳統的，AI只是優化了某個環節。沒有AI也能跑，只是體驗差一點。AI Native指產品的核心功能依賴AI才能存在，沒有AI這個產品根本不存在。

舉幾個例子。Duolingo本質是AI Powered，核心是十幾年累積起來的游戲化語言學習課程，AI是錦上添花。Khan Academy的Khanmigo是AI Powered，核心是Khan的課程體系，AI是"個性化助手"。MagicSchool介于兩者之間，本質是把GPT包裝成教師界面，護城河是用戶體驗和場景認知。Cursor是AI Native，沒有LLM就沒有Cursor。

為什么這個區分這么關鍵？AI Powered的市場，AI創業公司擠不進去。這些市場早就有老玩家了，Pearson、McGraw Hill、Coursera、LinkedIn Learning、Cornerstone，他們有渠道、有客戶、有數據，加個AI功能就夠了。新創業公司說"我也是AI"，沒有任何差異化。McGraw Hill 2024年推自家AI助手，直接賣給已有的幾百所學校客戶，新公司想從零去搶這些客戶基本沒機會。真正屬于AI創業公司的機會，只在AI Native的市場。

判斷框架到這里建完。下面把它套到具體子系統上，看哪些方向進不去。

二、哪些子系統AI進不去

下面逐個看進不去的子系統。"進不去"有幾種性質不同的賽道級失敗模式，對應不同的應對策略。三種mode都是賽道層面的結構性問題，意思是賽道本身就堵死了某種成功路徑，不是單家公司執行不到位的問題。

做不到：AI本質上不擅長這件事，或者這根本不是真需求。市場本身不成立，對任何團隊都進不去。

關系網鎖死：市場能做大，但被幾十年沉淀的incumbent、合規壁壘、政府關系鎖死。新公司繞不過這些moats，除非團隊本來就是incumbent。

做不大：賽道結構性天花板低，即使產品做到極致也撐不起venture-scale。這里講的是賽道天花板。某些方向能做出年入幾千萬美元的小生意，但賽道結構注定撐不出獨角獸。

下面9個子節按市場類型組織，每節開頭點明它的主mode。

2.1 公立學校K-12

這是被關系網鎖死的市場。最大的誘惑，最大的坑。

表面機會：5,000萬學生，每年學校系統總開支約8,000億美元，2024年開始硅谷把"AI in education"押上一波，多家學區搶著采購。看起來是個萬億級機會。

實際結構性問題：采購周期1到3年。決策方是學區董事會、校長、教師工會，三方各有訴求且經常沖突。學生數據隱私合規復雜，要符合COPPA（兒童在線隱私保護法）和FERPA（家庭教育權利和隱私法），任何一個細節出問題都可能被告。預算受政治影響，州長換屆、教育局長換屆都可能讓前任的采購被推翻。即使簽約也可能像LAUSD那樣一年內被取消。

LAUSD的"Ed"是2024年AI教育最大的爆雷案例，值得細看。Los Angeles Unified是全美第二大學區，2023年校長Alberto Carvalho推動學區跟一家叫AllHere的創業公司合作，簽下600萬美元合同（實際付款300萬美元），開發一個面向學生和家長的AI聊天機器人"Ed"，號稱要給54萬學生提供"個性化AI助教"。2024年3月Ed上線，三個月后AllHere因為資金鏈問題被迫遣散大部分員工，7月正式申請Chapter 7破產清算。LAUSD立刻關停Ed系統。2024年11月，AllHere創始人Joanna Smith-Griffin因涉嫌欺騙投資人和學區被FBI逮捕，面臨多項欺詐指控。AllHere自己融過1,200萬美元VC，跌得很徹底。

LAUSD的事故有代表性，反映的是整套K-12采購邏輯的必然產物。學區追的是"我們有AI"的政績信號，對供應商的實際能力和財務健康審查不夠。供應商被這種短期采購吸引，融資后燒錢擴張，跟不上學區的合規和實施要求就崩。任何想做K-12 SaaS的AI公司都該把這個案例打印出來貼在墻上。

K-12不是不能做。Newsela、ALEKS、Edmentum這些早期EdTech玩家做了很多年才進入主流學區。它們的成功靠的是十幾年的內容沉淀、銷售網絡、合規積累，不是技術領先。AI創業公司不具備這些條件。這個市場的默認結論是：除非你有10年長期資金和成熟的教育出版背景，否則別碰。

2.2 K-12課后補習大眾市場

關系網鎖死疊加AI做不到核心需求。被傳統機構覆蓋得極徹底。

Kumon全美2,200多家分店，年營收估計10億美元以上。Mathnasium 1,100多家，The Tutoring Center、Sylvan Learning加起來覆蓋了幾百萬家庭。這些機構跑了幾十年，建立了完整的本地網絡、家長信任、招生渠道。

家長付錢給這些機構的真實需求拆開看是三層。一是有人盯著孩子定期做練習。二是孩子有同齡人一起學。三是有老師能解答具體問題。AI能解決的只有第三層，而且第三層在三層里是最次要的。

華人和印度裔的"雞娃文化"強化了這套傳統機構的穩定性。家長之間的口碑、孩子之間的攀比、固定時間的線下習慣，都是AI不容易替代的。AI進入大眾課后補習只能做替代和降價，不能做真增量。

少數能做下去的方向是極垂直內容（比如AMC數學競賽、AP物理特定章節、奧數）和高凈值家庭的"AI補充家教"（不是替代家教）。但這兩個細分加起來規模很小。

2.3 用AI取代普通家教

AI本質上做不到家長付家教時真正在買的那一半。表面看是個性化教學的完美場景，AI 24小時可用、按需互動、便宜得多。家長付家教一年5,000到2萬美元，AI把客單價降到幾十美元一個月，看起來增量空間巨大。

但家長付錢給家教的真實需求拆開看是兩層。一是答疑、講解、布置練習。二是"讓孩子有人盯著、按時坐下、按時完成"。第二層占的付費比例比第一層高。一個孩子一周兩次跟家教一對一面對面，家長得到的是"有人盯著我家孩子學習兩小時"這件確定的事，至于這兩小時里到底學了什么是次要的。

AI替代的只是答疑這部分功能。監督和陪伴AI替代不了。這就是為什么Sal Khan喊了十幾年"每個孩子的AI家教"、Khan Academy 2023年砸資源做Khanmigo，到2025年底Khanmigo實際付費用戶仍停留在百萬量級，跟5,000萬K-12學生比起來滲透率仍然很低。

少數能切進來的方向是高凈值家庭的"AI補充家教"，孩子已經有真人家教，AI作為家教之間的練習工具或答疑接力。這是個真增量但規模很小，因為高凈值家庭本身就是窄人群。

2.4 SAT/ACT類標準化考試輔導

能活但做不大的典型。用戶兩極分化加上三層擠壓把天花板壓得很低。

會做題的學生不需要AI解釋。他們直接刷College Board的Blue Book官方題庫、做Khan Academy的免費課程、跟同學討論。這群學生的家長可能給孩子報Kaplan或Princeton Review的線下班作為習慣，但本質上AI產品對他們沒有不可替代的價值。

不會做題的學生需要的是有人盯著、有人逼著、有人陪著，而非AI解題。學習障礙、注意力問題、學習習慣沒建立的孩子，給他一個AI解題工具幾乎完全沒用。他們需要的是真人監督和正向反饋。

中間地帶能活但天花板低，原因是三層擠壓。最直接的一層是免費替代品鎖住價格地板，Khan Academy跟College Board合作的Official Digital SAT Practice是完全免費的官方課程，把付費AI備考產品的客單價天花板壓得很低。再上一層是通用LLM在壓價，ChatGPT、Claude直接講SAT題免費用戶也夠用，垂直AI備考產品的核心功能在通用LLM面前沒差異化。底層還有單位經濟問題，備考是季節性需求，秋季SAT高峰前2到3個月集中使用，用戶拿到分數就走retention極差，家長愿意付的客單價在200到500美元一年這個區間，LTV撐不起持續的獲客成本。

這個賽道里能活的公司不少。Acely還在B2C跑（同時也有給培訓機構當工具的B2B線），UWorld靠題庫和分析工具撐著，Khan Academy SAT是免費基礎設施。但能做到5,000萬美元ARR的幾乎沒有，更沒有獨角獸。對想做venture-scale項目的新團隊來說，這是個坑。產品能做出來也沒用，天花板撐不起VC數學。

更深層的原因是備考的核心矛盾是動力問題，會不會做題反而是次要的。AI解決不了動力問題。所有備考產品的根本壁壘都是"如何讓學生持續打開APP"，AI在這一點上沒有比傳統培訓班、刷題班、監督學習更好的方案。

2.5 傳統升學服務

跟SAT/ACT一樣的"做不大"型坑。能做小生意但做不出獨角獸。壓它的三層擠壓結構跟SAT/ACT稍微不一樣，但天花板的結論是同一個。

美國本科申請咨詢市場每年幾十億美元，頂級機構客單價3萬到8萬美元，中產家庭基本付不起。看起來AI壓縮成本之后是個明顯的增量機會。但天花板被三層擠壓壓住。

最直接的一層是賽道塞滿了。Crimson Education融了上億美元、Empowerly融了2,300萬、CollegeVine是垂直平臺、AdmitYogi、PrepScholar、StudyIQ加起來幾十家。ChatGPT本身就能改文書，免費產品已經把"AI文書修改"打到地板價。

更根本的一層是效果難驗證。升學結果有強烈隨機性，AI顧問無法證明它提高了錄取率。一個孩子被Stanford錄取了，原因可能是legacy、運動員特招、家長捐款、文書加分、面試發揮、運氣，AI顧問最多占其中一小部分功勞。這種歸因模糊性讓用戶的付費意愿不持久。

最難繞的一層是天花板被非AI因素決定。真正能讓你進頂級大學的關鍵是legacy admission、運動員特招、需求讓步admission、捐贈人加分，AI完全幫不上忙。把申請咨詢做到極致也只能優化"文書和選校"這一塊，對最終結果的影響有限。

2.6 大眾化的在家教育市場

真實市場比宣傳小一個數量級。看似300萬到400萬學生的大市場，實際付費層和組織層不重合。

前一篇拆過在家教育的四類家庭。第一類宗教保守派家庭占60%到70%，對世俗化教育內容天然抵觸，對AI更是天然不信任。給他們做產品基本賣不動。第二類特殊需求家庭，前面講過受醫療合規約束。第三類學術加速家庭和第四類生活方式家庭加起來只占10%到15%。

也就是說，宣傳里"300萬學生市場"實際可觸達的付費人群是30萬到50萬家庭。再考慮這些家庭對工具的要求高、價格敏感度低但選擇極挑剔，轉化率不會高。

任何創業者去算"我做一個homeschool AI產品"的時候，先用這個修正系數把市場規模打到20%再討論商業模型。這個市場不是不能做，但絕對不是宣傳里那么大。

2.7 特殊教育

被合規和臨床關系網鎖死。需求強烈但創業可行性低。

美國有自閉癥的兒童約1/36，加上ADHD、閱讀障礙、學習困難，特殊教育人口巨大。家長付費意愿在所有教育市場里最強（孩子的"需要"是確鑿的、可見的）。AI做個性化干預看起來是完美的產品方向。

但這個賽道橫跨教育和醫療，門檻極高。自閉癥、ADHD、閱讀障礙屬于醫療診斷范疇，干預產品受HIPAA（健康保險隱私法）和各州醫療法規約束。部分干預產品需要FDA審批（數字治療類產品近年開始批），開發周期2到5年，臨床試驗成本數百萬美元。

而且即使產品做出來了，需要跟治療師配合使用、需要保險報銷才能規模化。這是醫療器械創業邏輯，不是軟件創業邏輯。一個不懂醫療合規的AI團隊進去基本是送死。

用戶極難服務。特殊教育家長群體里高投訴率、高退款率、需求差異極大、對產品要求精細到偏執。客服成本遠高于一般SaaS。

少數能做下去的公司（比如Speech Buddies做發音障礙、Cognoa做自閉癥篩查）都有醫療背景的團隊和長期臨床合作。普通AI團隊幾乎不可能跨過這道門檻。

2.8 傳統企業技能培訓

被老LMS的關系網鎖死。看起來是B2B大市場，實際不需要AI Native。

企業培訓市場美國一年約600億美元，聽起來很誘人。但拆開看，企業培訓的核心痛點是"合規打卡"和"統一標準化"，不在"個性化學習"。一個員工每年要完成HR硬性要求的反騷擾培訓、數據安全培訓、行業合規培訓，公司要的是"全員都完成了、有記錄、過審"，不是"每個人學到的內容因人而異"。

這個需求結構決定了企業培訓系統的核心功能是LMS（Learning Management System）：分發課程、追蹤完成、生成報表、對接HR系統。AI能加上去的是"自動生成培訓內容""AI輔導員"這種邊緣功能，不動核心。

而LMS市場早就被老玩家占住了。Cornerstone OnDemand（被Clearlake私有化前估值40多億美元）、Workday Learning、SAP SuccessFactors、Docebo、TalentLMS。這些公司有幾千甚至上萬家企業客戶，加個AI模塊就能宣稱"我們也是AI企業培訓"。新創業公司說"我們是AI Native培訓平臺"，HR沒有任何理由換掉用了五年的Cornerstone去賭一個新公司。

這是典型的AI Powered市場，不是AI Native市場。除非你能在某個極垂直的培訓方向（比如醫療合規、金融合規）找到老LMS沒覆蓋的空白，否則別碰。

2.9 成人通識學習

需求本身不存在。理論上是個超大市場，美國大學畢業生1.3億，每個都可能想"再上點課提升認知"，哲學、文學、歷史、藝術。AI把"個性化講解經典"這件事的成本打到接近零，市場規模數據看起來很驚人。

實際付費比例極低。Coursera上人文類課程的complete rate不到5%。Audible上付費購買哲學有聲書的人數遠低于職場技能、個人理財、健康類。這跟AI無關，是人性問題。絕大多數成人愿意為具體收益（升職、轉行、考證、移民）學習，不愿意為"提升自己"學習。

這條規則在中國也適用，只是程度不一樣。中國知識付費焦慮驅動那一波，得到、樊登讀書一開始也是"通識加焦慮"的混合體，但真正能跑出來的是窄定位（如薛兆豐經濟學、李翔商業內參）或者直接的實用類（理財、親子）。純通識在哪個市場都難做生意。

AI在通識學習里能活下來的位置是工具。一個人愿意為通識學習付費的臨界線很高，但愿意打開ChatGPT問"康德的絕對律令到底是什么意思"的臨界線非常低。通用LLM已經把這個使用場景吃光，留給垂直產品的空間很少。

三、AI真正能切入的幾個方向

把上面兩章合起來，篩掉的市場已經覆蓋了絕大多數"AI教育"的常見敘事。下面六個方向都繞開了第二章的三種賽道級mode。它們既能避開"做不到"，也沒被"關系網鎖死"，賽道結構也不屬于"做不大"那種天生天花板低的情況。

但賽道成立不等于做就穩贏。每個方向都有自己的execution risk，比如產品能不能做出差異化、能不能跑通獲客、能不能把單vertical打透后橫向擴展。這跟第二章那種賽道結構性問題是兩層不同的東西。第二章mode講的是"賽道本身堵死，怎么執行都沒用"。第三章execution risk講的是"賽道成立，但單家公司執行不到位仍可能撞墻"。

下面六個方向每個用同一個分析框架展開：對應的子系統、用戶畫像、AI解鎖了什么之前不可能的事、為什么是AI Native、商業化路徑、關鍵execution risk。

3.1 極垂直的專業證照備考

對應的子系統是高中后職業路徑中的執照體系。美國有1,000多種需要執照的職業，從電工、HVAC到護士助理（CNA）、注冊護士（NCLEX）、CPA、Bar Exam、房產經紀、保險經紀，每一種都對應一個獨立的考試市場。

用戶畫像高度集中：成人自費、有明確考試目標、考過即漲薪或上崗。一個準備考CNA的人愿意每月花50到100美元提高過關率，因為考過之后年薪能從3萬漲到4萬，ROI不言自明。

AI解鎖了什么：之前的備考產品是"看視頻加刷題"，Kaplan、Princeton Review這套已經做了幾十年。AI能做的是動態生成針對個人薄弱點的題目、當場解釋錯誤的具體原因、扮演考官做模擬、把學習路徑動態調整。這種程度的個性化在AI之前根本做不到，需要1對1人類輔導才能接近，每小時100到300美元。AI把這個價格壓到月費30到100美元，市場被顯著釋放。

為什么是AI Native：核心價值是對話式動態生成，沒有大模型完全做不到。傳統玩家（Kaplan、Princeton Review、Becker）的內容是靜態視頻化的，他們也在加AI功能但加的是邊角，不是核心。新進入者如果用AI Native做出"陪你考過"的體驗，老玩家的視頻庫不構成防守優勢。

商業化路徑：月費30到100美元針對成人自費。考過漲薪的ROI極其清晰。考試日期是硬截止線，自然推動付費轉化（"還有3個月考試，月付59美元鎖定通過率提升"是有效話術）。AMBOSS是已驗證的案例：給醫學生和醫生做USMLE備考起家，2025年3月完成€2.4億（約2.6億美元）Series C，估值約8.6億美元，累計融資約3.2億美元。AMBOSS的模式是"AI Native知識庫加題庫加臨床決策助手"，定位精準，沒有去搞通用醫學教育。

跟上一章的2.4節、SAT/ACT做個對比有用。兩者表面相似，都是考試備考、都有現成的老玩家、都有人想拿AI做。但極垂直證照繞開了2.4那三層擠壓。免費官方替代品在這里失效，CNA、NCLEX、Bar Exam、CPA都沒有Khan Academy式的免費完整課程把價格地板鎖死。通用LLM壓價在這里也失效，專業內容（鑒別診斷、判例引用、稅法細節）通用LLM經常出錯或給過時信息，垂直產品有真實的準確性壁壘。單位經濟反而比2.4好，成人自費、考過漲薪幾千到上萬美元、客單價支撐月費30到200美元，跟"家長付錢給孩子考SAT，分數到手就走"的季節性低LTV完全不是一回事。

關鍵execution risk是橫向擴展能不能做好。單個執照市場規模有限，NCLEX全美一年約20萬考生算大的，CPA約10萬，小眾執照只有幾千。撐venture-scale估值需要做橫向矩陣，從一個vertical打透再擴展下一個，每個新vertical都得重新做domain knowledge、合規審核、專家校驗，遷移成本不小。AMBOSS估值8.6億美元主要靠USMLE這一條線撐著，向其他執照橫向擴展的嘗試還在早期。這跟第二章那種賽道結構性天花板不一樣，AMBOSS估值已經證明賽道有venture-scale的路徑，問題在單家公司能不能把橫向擴展執行到位。

3.2 高凈值專業人士的AI思考伙伴

對應的子系統是高等教育之后的"終身學習"和"專業進階"市場。這個市場在前一篇沒怎么展開，因為它不是正式教育的一部分。

用戶畫像是律師、醫生、咨詢顧問、VP以上管理者、資深工程師、創業者、投資人。年收入20萬美元以上、時間稀缺、對職業進階有明確訴求。這群人在美國數量大約2,000萬到3,000萬。

AI解鎖了什么：之前只有CEO級別才能負擔的Executive Coach服務（每小時500到2,000美元）。AI讓Director級別的人也能用上24小時可用的思考伙伴、決策輔助、壓力測試工具。

舉幾個具體場景：一個律師準備一個庭審，AI扮演對方律師跟他做反駁演練，扮演法官給pushback。一個二線城市的內科醫生遇到一個鑒別診斷很復雜的病人，AI扮演資深醫生跟他過一遍可能性。一個新晉VP要跟下屬做難談話，AI先幫他過一遍對話推演、給情緒反饋。一個創業者要決定要不要pivot，AI扮演不同立場（CFO、VP Engineering、董事會）反駁他的邏輯。

為什么是AI Native：這些場景在大模型之前完全不可能存在。要做一次"我跟下屬難談話演練"，傳統方式得花200到500美元請一個coach陪一小時。做"庭審對手扮演"得請一個mock trial團隊，幾千美元一次。AI把這種價格降低兩到三個數量級，原來零星才能做的事變成日常可做。

商業化路徑：客單價高。月費100到500美元完全可接受，因為目標用戶對自己的時間和職業回報有明確認知。付費方=決策方=受益方完美閉環，自己付錢、自己用、自己受益。一次晉升等于5萬到20萬美元年薪差距，ROI不需要解釋。沒有教師工會、家長焦慮、政治敏感。

關鍵execution risk是跟通用ChatGPT/Claude的差異化。垂直產品需要在特定行業的深度上做出區隔。專業語料庫（最新的判例、臨床指南、行業deal數據）、專業prompt工程（針對庭審、鑒別診斷、董事會這類場景的多角色設定）、行業工作流集成（律師案件管理系統、醫生EMR、銷售CRM）三件事都要做。光是"包一個GPT界面"很容易被通用模型直接吃掉。

這個方向我自己也在做，對它的體感是：用戶群確鑿存在、付費意愿強、產品復雜度高。難點在行業垂直深度，不在技術。

3.3 服務主動學習者的AI工具

對應的子系統是游離于正式教育之外的成人自學群體。這群人在傳統教育統計里是隱形的，不參加培訓班、不買課程、不考證，但持續在學。

用戶畫像是有內在學習動力、對某個領域有真實好奇心、不為考試不為文憑而學的成年人。看起來抽象，實際有具體證據。Substack的崛起、newsletter經濟、深度podcast的聽眾規模、Anna's Archive這種盜版圖書館的訪問量、Hacker News和Lobste.rs這類技術社區的活躍度，都是這群人存在的證據。

AI解鎖了什么：之前需要昂貴導師才能做到的"陪伴式深度學習"。具體場景包括：帶著問題讀書（古老的方法論，AI改變的是執行方式）、跨領域概念翻譯（程序員讀經濟學論文，AI幫你把術語映射到熟悉的概念）、歷史文獻和原典的現代化閱讀（陪你讀《資本論》，每章給上下文）、個人化的知識地圖（動態構建學習路徑）、真正的寫作訓練（個性化、句子級的反饋，不是套模板的評分）、思考的壓力測試（扮演不同立場反駁你）。

為什么是AI Native：這些場景在ChatGPT之前沒有任何技術能做到。請一個人類導師陪你讀《資本論》并每章對話，每小時100美元以上、找不到合適的人、約時間也難。AI把"陪伴式深度學習"從奢侈服務降到月費幾十美元的工具。是被技術能力壓制的需求，不是被需求壓制的市場。

商業化挑戰：這群人愿意試用，但轉化付費需要產品做到"高頻使用加不可替代"。美國不像中國有得到、樊登讀書這種成熟的知識付費付費習慣，單用戶ARPU不會太高，月費10到30美元是合理區間。市場規模不是VC案子的規模，但可以是一個好生意。年入100萬到1,000萬美元的indie hacker項目是這一層的合理目標。

我自己的Vibe Learning項目就在這個方向上做實驗，目前的體感是用戶群確實存在、增長慢但留存好。這不是個估值百億美元的賽道，但可以是個有意義、能持續做的生意。

3.4 成人語言學習的細分賽道

對應的子系統是游離于正式教育之外的成人技能提升。這一塊跟3.3不同，已經有頭部玩家跑出來了。

用戶畫像是移民、專業人士、想深耕特定語言場景的人。

AI解鎖了什么：之前1對1私教或線下班才能做的口語陪練加發音矯正加持續課程跟蹤。Italki上找真人陪練每小時15到30美元，AI讓月費10到20美元的"24小時陪練"變成現實。但通用LLM只能拿到一部分（開放式聊天練習），完整的產品體驗靠垂直產品。

為什么是AI Native：Speak和ELSA的真壁壘在LLM之上的三層產品工程：專門trained的語音模型、課程引擎、retention系統。

已驗證的案例：Speak 2024年12月完成Series C 7,800萬美元、估值10億美元、累計融資約1.6億美元，OpenAI Startup Fund是早期投資者。ELSA Speak 2015年創立，專做發音矯正，累計融資數千萬美元。Duolingo股價從2025年5月峰值540美元跌到2026年4月的176美元附近，跌幅近70%，其中既有Q4 2025財報后管理層把重點從盈利轉向用戶增長引發的機構拋售，也有市場對通用LLM蠶食通用語言學習場景的擔憂。

真正的機會在垂直深做：大眾市場被Speak和ChatGPT兩端夾擊，新進入者難。垂直方向有幾個壁壘更高的細分。

醫療英語，給醫護移民群體用。來美國當護士、醫生助理的非英語母語專業人士有幾十萬人，他們需要的是臨床場景下的英語溝通能力（詢問病史、解釋治療、跟同事交班），通用英語APP幫不上，ChatGPT也不夠準。

法律英語，給律師助理培訓用。Paralegal、legal assistant這一類崗位移民群體占比高，需要法律專業術語和文書寫作能力。

商務中文，給在華工作的外國人用。這個市場近幾年因為中國市場重要性反彈再次活躍。

技術英語，給跨國工程師用。一個班加羅爾工程師跟硅谷同事開會，需要的是技術溝通的精準度，不是日常英語流利度。

學術英語，給非英語母語博士生寫論文用。這是個客單價能到月費50到100美元的市場，因為論文發表跟職業生涯直接掛鉤。

垂直深做的壁壘來自三層：領域專業語料（醫療用語、法律判例、行業術語）、領域專家校驗、用戶群對準確性的高要求。通用LLM在專業場景準確性不夠，這給垂直產品留出空間。

商業化路徑：月費10到30美元已經被Speak、ELSA驗證。垂直學術英語客單價能到50到100美元。用戶畫像清晰，獲客渠道明確（移民社區、專業協會、留學中介、Reddit相關subreddit）。全球市場不限于美國，歐洲和東南亞同樣有需求。

關鍵execution risk：大眾市場的窗口正在被通用LLM關上，再做"通用英語APP"幾乎確定會死。垂直深做的方向有空間但分散，需要團隊同時有AI能力加領域專家網絡加移民社群獲客渠道，三塊缺一不可。

3.5 服務"在英語環境的非英語母語高知"

對應的子系統不屬于任何正式教育子系統，是一個跨系統的用戶群。這是六個方向里最被忽視的一個，也是中文背景創業者最有相對優勢的方向。

用戶畫像是在硅谷工作的印度和華人工程師、歐洲背景的金融人、拉美的醫生、東南亞的創業者。英語足夠好用于工作但讀起來累，對深度內容有需求但被native內容供給忽略。這群人在美國估計有幾百萬規模，加上歐洲和澳洲是上千萬。

為什么這個群體被忽視。

英語原生產品假設用戶是native speaker。寫作風格、用詞、文化參照（橄欖球、棒球、二戰美國史、福音派教會、各種典故）都為native設計。一個印度工程師讀The Atlantic或者聽This American Life，能聽懂但需要不斷查、需要消化文化背景，效率低。

中文/印地語/西語產品又不服務他們的工作場景。這群人在工作里用英語，需要的是"用英語處理高質量內容"的能力，不是回到母語環境。

這群人卡在兩個市場中間，沒人專門服務。

AI解鎖了什么：AI增強的英語深度閱讀，把一篇The New Yorker文章里的所有文化典故、政治背景、用詞隱含意義一邊讀一邊給你解釋。把英語世界的復雜內容翻譯成你的"認知母語"（用你熟悉的概念框架解釋，而非簡單翻譯成中文）。幫助你用英語寫作時找到native的表達，不僅僅是grammar check，是"如果一個native這件事會怎么說"。幫助你快速消化英語世界的高質量內容，每天15分鐘跟上The Economist、Stratechery、Marginal Revolution。

為什么這個方向特別適合中文背景創業者：第一，跳過了"做native英語市場"的文化資本障礙。直接打native英語to C市場對外國背景的創業者來說極難，文化梗、社交鏈、口碑傳播都隔了一層。這個方向的目標用戶跟創業者本身畫像接近，產品直覺更準。第二，這群人愿意付美元訂閱，付費能力強。第三，跨文化壁壘變成了優勢，"做出來給native用"很難，"做出來給我自己這種人用"很自然。

商業化路徑：月費20到50美元，比通用語言學習APP高，因為目標是"深度認知能力提升"而不是"語言入門"。獲客渠道靠Twitter、LinkedIn、Substack、Reddit的相關subreddit、專業社區。可以從一個細分群體（比如硅谷華人工程師）切入，跑通后再擴展。

關鍵execution risk：用戶群雖大但分散在不同行業、不同母語背景。從硅谷華人工程師跑到孟買印度工程師再到圣保羅巴西金融人，產品需要適配的細節會變多。務實做法是從一個最聚焦的子群跑通付費模型，再橫向擴展。

3.6 AI訓練數據生態：教AI

對應的子系統嚴格說不算教育，是AI時代憑空創造的新職業。但本質上是"專家把專業知識轉化成AI能學的形式"，是一種新形態的教學市場。

用戶畫像兩端市場：需求端是AI實驗室（OpenAI、Anthropic、Google、Meta、xAI），供給端是律師、醫生、金融分析師、工程師、PhD研究員等專業人士。

已驗證規模：Mercor 2025年10月完成3.5億美元Series C，估值100億美元，年化收入約五億美元，單天向專家網絡支付超過150萬美元（最新數據已經超過200萬美元），平臺上有3萬多名各領域專家，平均時薪85美元以上。Scale AI 2025年6月被Meta以143億美元投資換49%股權，整體估值約290億美元，創始人Alexandr Wang加盟Meta新設的Superintelligence Labs。Surge AI、Micro1是同模式的小一檔玩家。

為什么放在AI教育這一章：因為它的本質是"專家把專業知識教給AI"，是一種新形態的教學市場。如果說傳統教育是"人教人"，這是"人教AI"。從規模看，這可能是AI時代最大的"教育"市場。Mercor一家公司單年支付給專家的錢（按$1.5M/天估算超過五億美元）已經接近一所中等規模大學的全部薪酬支出。

為什么是AI Native：整個市場在AI之前不存在。專家時薪能漲到85到500美元，是因為AI實驗室愿意付溢價拿到高質量的標注、推理痕跡、對話樣本。沒有大模型訓練需求，這個市場是零。

商業化路徑。兩端都難做：需求端只有幾家頭部AI實驗室，議價能力極強、采購集中。供給端要管理數萬名專家，做匹配、質檢、合規、支付。建立平臺的Capex和Opex都很高。這就是為什么頭部玩家融資規模都在百億美元級別，本質上是個資本密集型生意。

關鍵execution risk：入口已經被融了大錢的公司占住。Mercor、Scale AI、Surge加起來基本壟斷了大頭市場。新創業公司很難突破。

但仍有空間在哪：垂直專業領域的細分平臺。專做某一類專業的訓練數據平臺，比如醫療（覆蓋臨床、影像、病理、罕見病）、法律（覆蓋判例、法律推理、specific jurisdiction）、金融某子領域（量化、衍生品、合規）。這些垂直平臺不需要跟Mercor正面競爭通用市場，做深一個垂直專業，吃這個專業里所有AI實驗室的需求。

四、跨策略的判斷

六個方向鋪完，把它們放在一起看，幾條橫跨所有方向的判斷浮出來。

所有可行策略都避開K-12。K-12涉及未成年人、家長決策、學校體制、教師工會、隱私合規（COPPA、FERPA）、政治敏感。這些難點都沒有變，AI沒有解決它們。LAUSD的Ed項目崩盤是一個非常具體的案例。任何創業者在判斷AI教育方向時，K-12應該是默認排除項。如果創業團隊的初衷是"幫助孩子學習"，把這個情懷放在心里就好，落地選成人市場。

所有可行策略都是成人市場。付費方=受益方=決策方在成人市場天然閉環。兒童市場的三方分離結構是難以克服的結構性障礙。這個判斷跟創業者的"教育情懷"經常沖突。很多人想做的就是給孩子做產品，但現實是不可行。成人愿意為自己付費，孩子不愿意（也不能），家長付費是隔了一層的決策。

所有可行策略都不依賴傳統教育渠道。不賣給學校，采購難。不賣給教培機構，他們自己也在做AI。不賣給企業培訓部門，已被Cornerstone、SuccessFactors這類老玩家覆蓋。傳統教育市場的渠道對AI創業公司基本是死路。可行的渠道是直接to C（X、LinkedIn、Substack、Product Hunt、Reddit、Hacker News）、通過專業協會和行業社區、通過創作者經濟（Substack作者推薦、podcast贊助）、通過專業資格考試機構合作。

能做的事比想象的少。經過嚴格篩選，真正能做的可能就這5到6個方向。每個方向的市場規模都不大（10億到百億美元級而不是千億），都已經有玩家在試，不存在"無人區"。這跟"AI教育是萬億市場"的VC敘事相去甚遠，但這是接近現實的判斷。

中文背景創業者的特殊位置。直接打native英語to C市場極難（文化資本障礙）。翻譯中文爆款到英文幾乎一定失敗（中國知識付費的焦慮驅動邏輯在美國不成立）。服務"在英語環境的非英語母語高知"是相對友好的方向（3.5）。AI訓練數據生態對工程背景創業者友好（3.6）。工具型產品比內容型產品更容易跨文化，Cursor就是例子，一個華人創始團隊做了個跨文化的工具產品，硅谷開發者完全不在乎團隊是哪里人。

五、最后的判斷

把所有內容收束到一句話：AI教育的整體賽道敘事被顯著高估，但內部分布兩極。

具體數字。2025年5月到2026年4月這12個月，AI in education賽道總融資約1.84億美元，分布在21個公開deals里，平均每個deal不到900萬美元，沒有任何一輪超過5,000萬美元。同期OpenAI單輪融資400億美元、Anthropic單輪130億美元。VC整體上不投AI教育是有道理的，"貼AI教育標簽的項目"絕大多數沒有VC可投。

當然，這是平均數。第三章六個方向單獨看，分布兩極。

最容易跑出venture-scale公司的方向是極垂直專業證照（AMBOSS估值8.6億美元）、AI訓練數據生態（Mercor估值100億美元、Scale AI估值約290億美元）、垂直深做的語言學習（Speak估值10億美元）。這幾個方向都已經跑出了估值10億美元以上的公司，賽道結構里有venture-scale路徑。execution risk在于橫向矩陣、用戶增長、通用LLM防守這些落地能力能不能做到位。

放棄做下一個Duolingo的幻想。Duolingo的成功是AI之前的累積，從2011年起跑了13年才上市，新創業公司很難復制這條路徑。Duolingo自己2025年5月之后股價跌了近70%，過去那種"游戲化加廣告變現"的語言學習模式正在被AI Native的產品（比如Speak）搶市場。"做下一個Duolingo"在2025年之后已經不是個好敘事。

最大的機會可能不在AI教育標簽下。藍領工作助手更像Vertical SaaS，專業人士思考伙伴更像生產力工具，AI訓練數據生態更像AI基礎設施。"AI教育"這個標簽本身可能是個營銷陷阱。一旦貼上這個標簽，你會被對標到Khan Academy、Duolingo、Coursera這些老玩家，融資、定價、心智模型都被壓住。真正能賺錢的產品往往不在這個標簽下，但本質上做的是"讓學習、認知、技能傳遞更高效"的事。

給創業者的最后建議。在做之前，先用文中兩層框架自我篩一遍。

賽道層（第二章三種mode）問三個問題：是不是"做不到"？是不是"關系網鎖死"？是不是"做不大"那種賽道結構性天花板？任何一個yes，賽道層就不成立，別做。

公司層（第三章execution risk）再問三個問題：差異化能不能做出來？獲客渠道能不能跑通？橫向擴展或垂直深耕的執行力團隊有沒有？這一層是落地風險，可以靠執行解決，但要誠實評估。

兩層都過得去之后，幾條硬原則反復套一遍。

客戶必須是成人，且自己付錢。

ROI必須明確，最好掛鉤考試、證書、晉升、轉行這種硬目標。

產品必須是AI Native，沒有AI不能存在。

不要碰任何需要賣給學校或政府的市場。

接受單一市場不會很大，準備做矩陣化或者深度垂直。

獲客渠道用Reddit（相關subreddit是這兩年最強的紅利）、X、LinkedIn、Product Hunt、Facebook群組（移民社區、專業群、家長群尤其有效）、垂直專業社群和行業協會。早期不要指望Google SEO，AI Overviews搶點擊加上新站沒有domain authority，前幾個月很難拿到搜索流量。

把這幾條印在墻上，能篩掉80%的失敗案例。剩下的20%里，能跑通的依然是少數。AI教育在美國不是個金礦賽道，但對找對方向的創業者還是一個能做出真東西的領域。

作者其它文章

? 一篇文章看懂美國教育全生態

? 馬斯克把xAI并入SpaceX，到底意味著什么？

? Vibe Learning：AI時代，學習這件事被重新組織了

? 福特經濟學和AI經濟學

? 數學照妖鏡：AI能發現新的數學定理嗎？

? 手把手教你分析：你會被AI取代嗎?

? 一篇文章講清大語言模型發展史

? 氣吞萬里如虎：回顧十九世紀的數學英豪們

? Vibe Reading：AI時代讀書的系統化方法

? 長篇分析：Manus案折射出的中國AI創業生態

? 別再被AI新詞繞暈了：Prompt、Context、Agent背后的工程主線

? 兩萬字科普：AI為什么會編程——原理、歷史與未來

? 兄弟們，真·Vibe Writing時代到來了

? 全網最詳細的AI學習路線圖

? 每個人都應該使用的三個最有用的Claude Skill

? SpaceX立志傳（一）：賭上全部的最后一次發射

? 估值290億美元的套殼公司，正在被自己的房東殺死

? 黃仁勛和主持人吵紅了臉：芯片封鎖中國，美國到底能不能打贏？

? AI將如何顛覆教育，普通人又應該如何搶奪教育新的生態位

? 學物理的八方英雄們，物理學已死，請轉行搞AI

? 不會編程、沒有融資、沒有員工，他怎么一個人做到年入2000萬

? 兄弟們想清楚：究竟是你為X打工，還是X為你打工？

? 一人公司盈利四億美元：是騙子，還是可復制的紅利？

? 2026第一季度大裁員，AI是背鍋俠嗎？

? 重返星辰大海：這次繞月飛行有意義嗎？

? 張雪峰在美國為什么無法成功

? 2026 企業尸檢報告：不用AI，你的公司能活過今年嗎？

? 兄弟們，我創業失敗了，人生完整了

本文參考文獻

? Mercor quintuples valuation to $10B with $350M Series C - TechCrunch，Mercor 2025年10月Series C，$10B估值

? When you go from $2 million a month to $2 million a day - Mercor官方博客，專家網絡日付款金額

? How Mercor hit $500M revenue with a 30 person team in 2025 - Latka，Mercor年化收入$500M

? Scale AI's Alexandr Wang confirms departure for Meta as part of $14.3 billion deal - CNBC，Meta投資Scale AI $14.3B

? Meta Finalizes $14.3 Billion Scale Investment, Hires Its CEO - Bloomberg，Meta-Scale AI交易細節

? LAUSD Shutters New AI Chatbot As Developer Goes Out of Business - GovTech，LAUSD關停Ed

? An Education Chatbot Company Collapsed. Where Did the Student Data Go? - EdSurge，AllHere倒閉和學生數據問題

? Feds Zero in on Maker of LAUSD's Failed AI Chatbot, Hint at Criminal Charges - The 74，AllHere創始人欺詐調查

? AllHere Set Meeting With LAUSD Leaders Months Before Landing $6.2M Chatbot Deal - The 74，AllHere和LAUSD合同細節

? AMBOSS 2026 Company Profile: Valuation, Funding & Investors - PitchBook，AMBOSS融資和估值

? Amboss Stock Price, Funding, Valuation, Revenue - CBInsights，AMBOSS財務數據

? OpenAI-backed Speak raises $78M at $1B valuation - TechCrunch，Speak Series C

? Speak Series C announcement - Speak官方，Series C公告

? Duolingo Market Cap 2020-2025 - Macrotrends，Duolingo市值歷史

? AI in Education Startup Funding 2025-2026 - New Market Pitch，AI教育賽道12個月融資數據

? Top AI in Education Startups by Fundraising 2026 - New Market Pitch，AI教育頭部融資排名

? COPPA Compliance - FTC，兒童在線隱私保護規則

? FERPA for Schools - 美國教育部，家庭教育權利和隱私法

? Cornerstone OnDemand Acquisition by Clearlake - BusinessWire，Cornerstone被Clearlake私有化

? Kumon Number of Centers - Kumon官方，分店數量

? Mathnasium Franchise Information - Mathnasium官方

? Khan Academy Khanmigo - Khan Academy AI產品

? Mercor Experts Platform - Mercor官方，專家平臺規模

? MagicSchool AI - MagicSchool產品介紹

? Cursor by Anysphere - Cursor官方

? Anna's Archive - 影子圖書館，主動學習者群體證據

? Substack Growth Report - Substack平臺