當模型不再稀缺，教育科技的下一道壁壘是什么？

“從全國首單數據資產入表到教育能力出海，讀書郎正在重構教育數據價值鏈。

全國教育領域首單數據資產入表，落在了浙江諸暨。

2025年4月，浙江諸暨市傳媒集團聯合讀書郎完成全國教育領域首單數據資產入表，入表金額超過百萬元。圍繞這一項目形成的《教育行業數據資產入表藍皮書》，隨后由新華出版社出版發行，為教育數據資源盤點、治理、價值評估和會計處理提供了一套可供參考的實踐路徑。

但數據完成入表，是否就意味著教育數據的價值已經得到釋放？答案顯然是否定的。入表解決的是數據如何被識別、治理和計量的問題；對于教育行業而言，真正決定數據價值的，仍然是這些數據能否重新進入教學流程，轉化為教師可使用、學生可執行、結果可驗證的教育服務。

這也是讀書郎智慧教育總經理荊全齊反復強調的一點。

“入表只是把數據這本賬算清楚。教育數據最終有沒有價值，還是要看它能不能回到課堂，幫助教師和學生解決具體問題。”

從全國首單數據資產入表，到教育數據閉環、教育Agent工程化，再到海外市場的本地化部署，讀書郎正在嘗試建立一條更完整的教育數據價值鏈。這條路徑所指向的，也不只是單一企業的業務轉型，而是一個更具行業普遍性的問題：當基礎模型能力逐步普及，教育科技企業下一階段真正的競爭力，究竟來自哪里？

全國首單的意義

不只是“把數據寫進報表”

教育行業從來不缺數據。一次作業、一次考試、一節課的互動，以及一個學生長期的學習軌跡，都會不斷形成數據。問題在于，這些數據往往分散在不同設備、平臺和業務系統中，來源不一、標準不同，既難以持續管理，也很難直接用于教學和服務。學校真正缺少的，不是更多數據，而是一套能夠說明數據從哪里來、是否可信、可以用于什么、應由誰負責的治理體系。

諸暨項目所驗證的，首先就是這件事。自2021年起，諸暨持續推進區域智慧教育建設，逐步形成覆蓋全市1萬余名教師、18萬名學生的教育數字化基礎。依托長期運行的數據基座，項目對學校、教師、學生基礎信息及精準教學相關數據進行系統治理，并于2024年5月30日以成本法完成數據資產入表，相關數據產品隨后在浙江大數據交易中心掛牌。

此次入表涉及的核心應用包括“目標導向學習系統”和“即時響應學習系統”。系統基于學生學習過程和知識掌握情況，形成從基礎鞏固、專項突破到能力提升的分層學習任務。這意味著，數據治理并不是為了形成一項靜態資產，而是為了建立能夠持續支撐教學應用的數據基礎。

圍繞諸暨實踐，多方共同推動《教育行業數據資產入表藍皮書》的形成，對數據資源盤點、成本歸集、資產確認、會計核算和后續管理等關鍵環節進行梳理。2026年2月，《教育數據資產開發利用全過程管理》同樣由新華出版社發行出版，進一步聚焦教育數據從采集、治理、開發到授權運營和場景應用的全過程管理。

兩項實踐共同說明了一件事：教育數據要釋放價值，第一步不是尋找交易方式，而是先把治理基礎做扎實。

這一區別尤其重要。教育數據具有明顯的專業性、公共性和敏感性，部分數據還涉及未成年人個人信息、學校教學管理信息以及區域教育治理信息。教育數據開發利用，不能被簡單理解為原始數據的流通或售賣。更具現實意義的路徑，是在權屬清晰、授權明確、用途限定和安全可控的前提下，把經過治理的數據轉化為面向具體教學和管理場景的產品與服務。

因此，全國首單真正重要的地方，不只是多了一項財務科目，而是教育數據第一次以相對完整的治理、評估和應用鏈路，被納入可管理的資產體系。但從“可管理”走向“有價值”，中間仍然隔著最關鍵的一步：數據必須重新進入教學現場。

數據只有進入教學

才會從資源變成能力

如果數據只能停留在報表、看板和靜態分析中，其價值仍然有限。教育數據與一般消費數據最大的不同，在于它不僅要描述行為結果，還必須能夠解釋教學問題，并進一步支持教師和學生采取行動。

一次作業完成后，系統不應只停留在統計正確率，而需要繼續判斷：哪些錯誤集中在同一知識點，哪些學生反復出現同類問題，哪些錯誤反映的是概念理解不足，哪些只是計算或審題失誤。對教師而言，這些判斷可以轉化為講評重點、分層輔導名單和教學調整建議；對學生而言，則可以形成不同的鞏固任務和學習路徑。學生完成新的任務后，結果再次進入系統，成為下一輪分析的依據。

由此形成的，是一條持續運行的數據閉環：教學行為產生數據，數據形成學情判斷，學情判斷驅動新的教學和學習任務，新的學習結果再反向校正系統。

荊全齊認為，教育數據真正的壁壘，不在于積累了多少條記錄，而在于能否讓這些數據持續產生作用。這要求企業同時具備兩種能力：一是長期進入真實教育場景，持續獲得穩定、可信的數據；二是把數據解釋為可執行的教學任務。

教育數據具有明顯的過程屬性。一次考試或一次測評，只能反映某個節點的狀態，只有產品真正進入日常作業、考試和教學過程，系統才有可能逐步形成對學生學習狀態的連續理解。與此同時，數據價值也不只是描述一個學生“錯了多少題”，而是進一步識別錯誤背后的知識缺口、能力障礙和學習原因，并據此組織下一步行動。

生成式人工智能的進入，使這條鏈路開始從“分析問題”進一步走向“推動執行”。過去，教育數據系統主要負責記錄、統計和呈現，最終仍需要教師或學生自行理解并采取行動；教育Agent則有可能在數據、模型、教學規則和工具之間進行編排，把分析結果進一步轉化為具體任務。

如果說數據系統解決的是“看見問題”，教育Agent要解決的，就是“接下來做什么，以及由誰去做”。

在教師端，Agent可以結合班級作業、知識點掌握情況和教學進度，輔助形成講評重點、分層教學建議和學生關注清單；在學生端，Agent可以根據個人錯題、能力水平和學習反饋，動態調整學習任務，而不是簡單推薦更多內容。

但教育Agent并不等于在原有產品中增加一個對話入口。它更接近數據、模型、教學規則和工具之間的執行層：數據提供判斷依據，模型負責理解和推理，教學規則限定方向，工具完成任務執行，新的教學結果則用來驗證和修正系統。只有當這幾個環節被真正連接起來，Agent才可能進入常態化教學，而不是停留在演示性功能和短期交互體驗中。

當模型成為基礎設施

競爭轉向系統工程

教育智能硬件行業曾長期圍繞硬件配置、教育資源和課程內容展開競爭。生成式人工智能普及后，AI問答、互動輔導、口語訓練、拍照答疑和個性化推薦迅速成為行業常見能力。AI擴大了教育產品的功能邊界，也讓行業進入了新的同質化階段：當企業可以調用相近的基礎模型，單一功能的復制周期不斷縮短，“擁有AI”本身已經難以形成穩定壁壘。

這并不意味著通用模型不重要。恰恰相反，成熟基礎模型正在成為教育科技企業的重要技術底座。變化在于，競爭重點正從“有沒有模型”，轉向“能否把模型轉化為穩定、可信、可規模交付的教育生產力”。

對于多數教育應用企業而言，從零訓練一個通用基礎大模型，并不是最具投入產出比的選擇。更現實的路徑，是基于成熟模型，持續建設教育知識體系、場景數據、教學規則、評測標準、工具鏈和Agent工作流。模型解決的是通用理解和推理問題，教育企業需要解決的，則是模型如何進入真實教學。

什么問題值得干預，什么任務適合當前學生，什么建議能夠真正進入教師工作流，什么結果可以證明干預有效，哪些數據可以使用，又必須在哪些邊界內使用——這些問題并不天然存在于基礎模型中，而是來自長期的教學實踐、產品運行和教育服務積累。這正是教育行業Know-how的價值所在。

讀書郎的能力，也不是建立在某一個模型或某一項AI功能之上，而是來自多個環節的疊加：長期進入學校、家庭和區域教育場景，持續形成作業、考試和學習過程數據，將數據解釋為教學問題和學習任務，再通過終端、平臺和服務體系，把分析結果重新送回教學現場。幾個環節形成閉環之后，企業所積累的就不再只是數據，而是一套能夠持續運行的教育系統能力。

這一系統化能力也在更廣泛的產業交流中得到呈現。2026年，讀書郎受邀參加火山引擎Force大會，并圍繞“教學主陣地的教育Agent實踐：讀書郎全域學情數據流通智能體落地探索”分享實踐。相關展示并未把重點放在單一模型或功能演示上，而是呈現作業采集、智能批閱、學情分析、任務生成與反饋回流之間的協同關系，進一步說明教育Agent的落地，需要依托真實教學數據、業務系統和持續服務體系完成工程化組織。

這也是讀書郎試圖區別于單純流量競爭的地方。教育硬件行業曾長期依賴廣告投放驅動增長，但當基礎功能趨同、獲客成本上升，單純依靠營銷放大產品差異的空間正在收窄。行業最終仍要回到一個更樸素的問題：產品能否被持續使用，并產生可以驗證的教育價值？

對學校而言，產品能否減少教師重復勞動、提高反饋效率、支持教學決策，比增加多少項AI功能更重要；對學生而言，系統能否減少無效練習、持續識別問題并提供適當任務，比單純延長使用時長更有價值。從這一角度看，教育硬件不應只是一次性銷售的終端，而應成為數據和服務進入教育場景的入口，真正決定長期價值的，是設備背后的學情分析、教學支持、Agent能力和持續服務體系。

教育行業的商業模式，也可能因此逐步從硬件和內容的一次性銷售，轉向圍繞服務周期、應用規模和實際價值形成持續經營。所謂“以效果為核心”，并不意味著簡單承諾考試成績，而是建立更清晰的過程指標，例如教師工作量是否下降、教學反饋是否更及時、學生無效練習是否減少，以及知識薄弱點是否得到持續改善。只有當產品價值能夠被持續觀測和驗證，教育科技企業才有可能擺脫單次交易，形成長期服務關系。

從區域復制到能力出海

一套教育數據系統能否形成商業價值，還取決于它能否跨越單一項目，完成規模化復制。教育數字化項目具有明顯的區域屬性，不同地區在管理體系、教材版本、學校信息化基礎和服務組織方式上存在差異，僅依靠總部團隊，很難完成全國范圍內的持續交付。

讀書郎采用的是“核心能力自主建設、本地服務伙伴協同”的模式。總部主要負責數據治理體系、產品平臺、教育Agent、合規規范和運營標準；本地合作伙伴則承擔學校對接、項目實施、教師培訓和后續服務。這并不是簡單外包，而是把復雜項目拆解為兩部分：一部分是可以標準化、模塊化和平臺化的核心能力，另一部分是必須結合當地教育環境完成的服務適配。

這種模式能否真正成立，取決于三個條件：數據標準、產品能力和實施流程是否可以復制；本地伙伴是否具備長期服務學校的能力；總部能否對項目質量、使用效果和合規風險進行統一管理。當這些條件逐步成熟，區域項目才可能從單點案例走向規模化運營。

同樣的邏輯，也適用于海外市場。中國教育科技企業過去的出海，主要集中在硬件和內容出口。學習設備、教育終端和課程資源進入海外市場后，企業獲得的主要仍是產品銷售收入。但對讀書郎而言，海外市場更長期的機會，不只是銷售更多設備，而是驗證一套經過國內場景打磨的教育能力，能否在不同教育體系中完成本地化。

國際化產業平臺也為這套能力的對外展示提供了更直接的窗口。6月24日至26日，SSA 2026亞洲智能傳感器與應用技術博覽會在深圳會展中心（福田）舉行。本屆展會以“Connect the physical?Empower the digital”為主題，聚焦機器人、智能汽車、腦機醫療、消費電子、工業物聯網等重點賽道，匯聚來自全球30多個國家和地區的產業資源，300余家企業和機構集中亮相。讀書郎受邀參展，集中展示作業留痕批改機、AI愛學網、愛學網平板和愛學網小程序等智慧教育產品與解決方案。對讀書郎而言，這類國際化、專業化展會的價值，不只在于展示單一產品，更在于向不同市場的產業伙伴說明：人工智能、感知終端、教學數據處理與教育服務如何在具體場景中形成完整解決方案。

硬件仍然是最直接的入口，內容解決課程和語言適配，教育服務和數據能力則決定企業能否從一次性銷售走向長期運營。

這里需要明確一個關鍵邊界：教育數據出海，并不等同于將境內學生數據傳輸或遷移至海外。更合理的路徑，是輸出經過國內場景驗證的技術架構、產品能力和運營方法，在目標市場依據當地法律法規完成部署，在當地采集、治理和使用數據，并形成當地的數據閉環。真正輸出的，不是中國學生的數據，而是數據治理、教學分析、教育Agent和服務運營能力。

這也意味著，教育科技出海并不是簡單的渠道擴張。企業需要重新完成課程體系、模型能力、數據治理和未成年人信息保護的本地化適配，產品是否符合當地課程標準和教學方式，模型是否理解當地語言和教育語境，數據處理是否符合當地監管要求，Agent形成的建議是否具備可解釋性和明確邊界，都會直接影響產品能否真正落地。

讀書郎未來的海外布局，也將從成熟硬件產品切入，逐步疊加本地化內容、學習服務和教育數據能力。硬件解決進入問題，內容完成基本適配，數據治理和Agent能力則決定企業能否建立持續服務。

從這個意義上看，出海是同一條能力鏈路的延伸。在國內，讀書郎需要證明數據可以被治理、被使用、被轉化為教學行動；在海外，則需要進一步證明，這套能力可以脫離單一區域和單一教育體系，在新的文化、課程和監管環境中完成重構。

結語

從全國教育領域首單數據資產入表，到教育數據開發利用全過程管理，再到教育Agent和海外本地化布局，讀書郎正在驗證的，并不是一條從“擁有數據”直接走向“數據變現”的捷徑，而是一條更長、也更具工程復雜度的路徑：真實場景持續產生數據，規范治理形成資產基礎，數據分析支持教學判斷，教育Agent推動任務執行，新的服務結果再形成反饋。

在這條鏈路中，模型是重要能力，但不是全部；數據是重要資源，但不會天然產生價值；硬件是場景入口，也不是商業模式的終點。真正決定教育科技企業長期競爭力的，是能否把模型、數據、教研、工具和服務組織成一套持續運行的系統。

全國首單數據資產入表，證明了教育數據可以被規范治理和識別；諸暨實踐，驗證了數據可以進入真實教學；教育Agent，則為數據進一步轉化為行動提供了新的技術路徑。當基礎模型能力逐步普及，教育科技行業真正稀缺的，不會是更多AI功能，而是把數據持續轉化為教育行動，并通過結果反復驗證的系統能力。

教育數據價值是否走向成熟，最終也不取決于數據被確認了多少次、AI功能增加了多少項，而取決于數據能否在合規邊界內持續服務真實教學。從全國首單數據資產入表，到教育Agent與能力出海，讀書郎正在嘗試走通的，正是這條從數據資源走向教育生產力的路徑。