AI 如何打进美国教育生态？

上一篇《一篇文章看懂美国教育全生态》梳理了美国教育的全生态，把K-12、大学、研究生、就业四块拆开看了一遍。一个核心结论是：这个生态没有统一主干道，由公立学校、宗教私立学校、独立精英私校、在家教育、特许学校、社区大学、四年制大学、trade school、学徒制、军队、企业培训等多个子系统并行运作。每个子系统有自己的资金来源、决策机制、服务人群、文化属性。

这种分散性对AI进入美国教育是个双刃剑。机会在于每个子系统都是潜在切入点，AI不需要颠覆整个体系就能找到位置。约束在于没有任何单一策略能通吃整个市场，每个子系统的逻辑都不同，得分别分析。

很多AI教育创业项目失败的根本原因，是把这个生态当成一个整体来打。"做一个AI老师"听起来很美，落地立刻碰到子系统之间完全不兼容的现实。这篇文章要回答的是：在这样的分散生态里，AI究竟能打开什么样的增量市场？哪些方向看似有机会但实际是坑？哪些方向被严重低估？

为什么是增量市场，而不去看存量市场？因为存量市场里大公司有先天优势。Duolingo、Chegg、Pearson、McGraw-Hill、Khan Academy这些跑了10到20年的教育公司，手里都有用户、有内容、有渠道、有品牌。它们做AI的逻辑很简单，把AI当功能补丁加在已有产品上（AI Powered），用户和现金流都是现成的。一个新团队想做"AI题目讲解"去硬刚Chegg几千万付费用户加几十年试题库，赢的概率接近零。

新兴团队要切进美国教育这个生态，路径只剩一条：找增量市场。增量市场里没有现成的供给，大公司的存量优势消失，所有人都从零开始建用户、建内容、建渠道。这种条件下，小团队的产品速度和对细分场景的敏感度反而可能压过大公司的资源优势。

下面要分析的，就是这种增量赛道在美国教育里到底长什么样。先建立一套判断标准。

一、判断标准：什么是真正的增量市场

要回答上面的问题，先建立一套判断框架。任何AI教育方向被推到面前，套这套框架过一遍，就能筛掉绝大多数伪机会。

1.1 增量市场的定义

先抛出核心定义。增量市场是指：需求一直存在，但供给被价格或资源约束压制。AI把约束打破之后，需求才被释放出来。

跟它对照的是存量替代：用户本来就能用别的方式满足需求，AI只是省一点成本或者改善一点体验。

两者的区别在于用户付费的强度。增量市场里用户的付费动机是"以前我做不到，现在能做到"，弹性大、客单价撑得起。存量替代里用户的动机是"以前能做但贵一点，现在便宜一点"，弹性小、容易被价格战拖死。

大部分AI教育项目失败是因为它们做的是存量替代，不是真正的增量。Duolingo用AI优化推送、批改、对话生成，这些都是存量替代，因为没有AI它本来也是个能跑的语言学习产品。Cursor是另一种类型，它的核心交互是LLM驱动的代码生成，没有大模型这个产品根本不存在，这是增量。同样面对"AI in X"的赛道，理解X在AI之前是不是已经被供给覆盖，决定了机会的真假。

1.2 三个必要条件

判断框架的核心是三个条件，缺一不可。

条件一，付费方=决策方=受益方。这是任何B2C教育产品能跑通的根本前提，也是公立学校市场为什么难做的根本原因。

公立学校采购的结构是这样：付费方是纳税人和州政府，决策方是学区官僚加校长，使用方是学生，影响方是教师工会。四方分离，每一方都有自己的目标函数。学区官僚看政绩、校长看本校能不能落地、工会看教师就业、学生看体验。AI产品要同时满足这四方几乎不可能。

真正能跑通的市场都是三方重合的：成人为自己付费学技能、家长付费给孩子用（决策方一致）、私校自主决策采购、工会出钱培训学徒。三方重合意味着决策链短、ROI能直接归因、不依赖中间方的政绩或政治考量。

条件二，ROI明确，不依赖教育焦虑。

美国教育付费市场可以分两类驱动力。ROI驱动指考过执照涨薪、晋升、转行、找工作，付费意愿稳定。焦虑驱动指担心被时代淘汰、孩子输在起跑线，付费意愿不稳定。

中国知识付费很大一部分是焦虑驱动的。得到、樊登读书、各种"年度大课"卖的本质上是认知焦虑的解药。专门做升学焦虑生意的张雪峰更典型，2024年高考前他的最高档"圆梦卡"志愿填报服务定价17999元一人，3小时卖出2亿元，核心叙事是"选错专业等于毁掉一辈子"，贩卖的本质就是中产家庭对孩子前途的不安全感。

但美国人没有同等强度的"知识焦虑"。美国成年人对学习的态度更接近工具性，是为了具体目标（考证、找工作、移民、升职），不为了缓解"我不学习就落后"的不安。

这个文化差异决定了美国学习市场以职业相关、考试相关、技能相关为主，通识性的"提升认知"付费非常少。Substack上做硬职业内容（投资、AI工具、医疗实操）的作者收入比做通识哲学、生活方式的高一个数量级。一个为AI教育做生意的人如果照搬中国知识付费的逻辑，几乎一定会失败。

条件三，AI Native而不是AI Powered。这是判断AI教育能不能赚钱的根本标准。

AI Powered指产品的核心功能是传统的，AI只是优化了某个环节。没有AI也能跑，只是体验差一点。AI Native指产品的核心功能依赖AI才能存在，没有AI这个产品根本不存在。

举几个例子。Duolingo本质是AI Powered，核心是十几年累积起来的游戏化语言学习课程，AI是锦上添花。Khan Academy的Khanmigo是AI Powered，核心是Khan的课程体系，AI是"个性化助手"。MagicSchool介于两者之间，本质是把GPT包装成教师界面，护城河是用户体验和场景认知。Cursor是AI Native，没有LLM就没有Cursor。

为什么这个区分这么关键？AI Powered的市场，AI创业公司挤不进去。这些市场早就有老玩家了，Pearson、McGraw Hill、Coursera、LinkedIn Learning、Cornerstone，他们有渠道、有客户、有数据，加个AI功能就够了。新创业公司说"我也是AI"，没有任何差异化。McGraw Hill 2024年推自家AI助手，直接卖给已有的几百所学校客户，新公司想从零去抢这些客户基本没机会。真正属于AI创业公司的机会，只在AI Native的市场。

判断框架到这里建完。下面把它套到具体子系统上，看哪些方向进不去。

二、哪些子系统AI进不去

下面逐个看进不去的子系统。"进不去"有几种性质不同的赛道级失败模式，对应不同的应对策略。三种mode都是赛道层面的结构性问题，意思是赛道本身就堵死了某种成功路径，不是单家公司执行不到位的问题。

做不到：AI本质上不擅长这件事，或者这根本不是真需求。市场本身不成立，对任何团队都进不去。

关系网锁死：市场能做大，但被几十年沉淀的incumbent、合规壁垒、政府关系锁死。新公司绕不过这些moats，除非团队本来就是incumbent。

做不大：赛道结构性天花板低，即使产品做到极致也撑不起venture-scale。这里讲的是赛道天花板。某些方向能做出年入几千万美元的小生意，但赛道结构注定撑不出独角兽。

下面9个子节按市场类型组织，每节开头点明它的主mode。

2.1 公立学校K-12

这是被关系网锁死的市场。最大的诱惑，最大的坑。

表面机会：5,000万学生，每年学校系统总开支约8,000亿美元，2024年开始硅谷把"AI in education"押上一波，多家学区抢着采购。看起来是个万亿级机会。

实际结构性问题：采购周期1到3年。决策方是学区董事会、校长、教师工会，三方各有诉求且经常冲突。学生数据隐私合规复杂，要符合COPPA（儿童在线隐私保护法）和FERPA（家庭教育权利和隐私法），任何一个细节出问题都可能被告。预算受政治影响，州长换届、教育局长换届都可能让前任的采购被推翻。即使签约也可能像LAUSD那样一年内被取消。

LAUSD的"Ed"是2024年AI教育最大的爆雷案例，值得细看。Los Angeles Unified是全美第二大学区，2023年校长Alberto Carvalho推动学区跟一家叫AllHere的创业公司合作，签下600万美元合同（实际付款300万美元），开发一个面向学生和家长的AI聊天机器人"Ed"，号称要给54万学生提供"个性化AI助教"。2024年3月Ed上线，三个月后AllHere因为资金链问题被迫遣散大部分员工，7月正式申请Chapter 7破产清算。LAUSD立刻关停Ed系统。2024年11月，AllHere创始人Joanna Smith-Griffin因涉嫌欺骗投资人和学区被FBI逮捕，面临多项欺诈指控。AllHere自己融过1,200万美元VC，跌得很彻底。

LAUSD的事故有代表性，反映的是整套K-12采购逻辑的必然产物。学区追的是"我们有AI"的政绩信号，对供应商的实际能力和财务健康审查不够。供应商被这种短期采购吸引，融资后烧钱扩张，跟不上学区的合规和实施要求就崩。任何想做K-12 SaaS的AI公司都该把这个案例打印出来贴在墙上。

K-12不是不能做。Newsela、ALEKS、Edmentum这些早期EdTech玩家做了很多年才进入主流学区。它们的成功靠的是十几年的内容沉淀、销售网络、合规积累，不是技术领先。AI创业公司不具备这些条件。这个市场的默认结论是：除非你有10年长期资金和成熟的教育出版背景，否则别碰。

2.2 K-12课后补习大众市场

关系网锁死叠加AI做不到核心需求。被传统机构覆盖得极彻底。

Kumon全美2,200多家分店，年营收估计10亿美元以上。Mathnasium 1,100多家，The Tutoring Center、Sylvan Learning加起来覆盖了几百万家庭。这些机构跑了几十年，建立了完整的本地网络、家长信任、招生渠道。

家长付钱给这些机构的真实需求拆开看是三层。一是有人盯着孩子定期做练习。二是孩子有同龄人一起学。三是有老师能解答具体问题。AI能解决的只有第三层，而且第三层在三层里是最次要的。

华人和印度裔的"鸡娃文化"强化了这套传统机构的稳定性。家长之间的口碑、孩子之间的攀比、固定时间的线下习惯，都是AI不容易替代的。AI进入大众课后补习只能做替代和降价，不能做真增量。

少数能做下去的方向是极垂直内容（比如AMC数学竞赛、AP物理特定章节、奥数）和高净值家庭的"AI补充家教"（不是替代家教）。但这两个细分加起来规模很小。

2.3 用AI取代普通家教

AI本质上做不到家长付家教时真正在买的那一半。表面看是个性化教学的完美场景，AI 24小时可用、按需互动、便宜得多。家长付家教一年5,000到2万美元，AI把客单价降到几十美元一个月，看起来增量空间巨大。

但家长付钱给家教的真实需求拆开看是两层。一是答疑、讲解、布置练习。二是"让孩子有人盯着、按时坐下、按时完成"。第二层占的付费比例比第一层高。一个孩子一周两次跟家教一对一面对面，家长得到的是"有人盯着我家孩子学习两小时"这件确定的事，至于这两小时里到底学了什么是次要的。

AI替代的只是答疑这部分功能。监督和陪伴AI替代不了。这就是为什么Sal Khan喊了十几年"每个孩子的AI家教"、Khan Academy 2023年砸资源做Khanmigo，到2025年底Khanmigo实际付费用户仍停留在百万量级，跟5,000万K-12学生比起来渗透率仍然很低。

少数能切进来的方向是高净值家庭的"AI补充家教"，孩子已经有真人家教，AI作为家教之间的练习工具或答疑接力。这是个真增量但规模很小，因为高净值家庭本身就是窄人群。

2.4 SAT/ACT类标准化考试辅导

能活但做不大的典型。用户两极分化加上三层挤压把天花板压得很低。

会做题的学生不需要AI解释。他们直接刷College Board的Blue Book官方题库、做Khan Academy的免费课程、跟同学讨论。这群学生的家长可能给孩子报Kaplan或Princeton Review的线下班作为习惯，但本质上AI产品对他们没有不可替代的价值。

不会做题的学生需要的是有人盯着、有人逼着、有人陪着，而非AI解题。学习障碍、注意力问题、学习习惯没建立的孩子，给他一个AI解题工具几乎完全没用。他们需要的是真人监督和正向反馈。

中间地带能活但天花板低，原因是三层挤压。最直接的一层是免费替代品锁住价格地板，Khan Academy跟College Board合作的Official Digital SAT Practice是完全免费的官方课程，把付费AI备考产品的客单价天花板压得很低。再上一层是通用LLM在压价，ChatGPT、Claude直接讲SAT题免费用户也够用，垂直AI备考产品的核心功能在通用LLM面前没差异化。底层还有单位经济问题，备考是季节性需求，秋季SAT高峰前2到3个月集中使用，用户拿到分数就走retention极差，家长愿意付的客单价在200到500美元一年这个区间，LTV撑不起持续的获客成本。

这个赛道里能活的公司不少。Acely还在B2C跑（同时也有给培训机构当工具的B2B线），UWorld靠题库和分析工具撑着，Khan Academy SAT是免费基础设施。但能做到5,000万美元ARR的几乎没有，更没有独角兽。对想做venture-scale项目的新团队来说，这是个坑。产品能做出来也没用，天花板撑不起VC数学。

更深层的原因是备考的核心矛盾是动力问题，会不会做题反而是次要的。AI解决不了动力问题。所有备考产品的根本壁垒都是"如何让学生持续打开APP"，AI在这一点上没有比传统培训班、刷题班、监督学习更好的方案。

2.5 传统升学服务

跟SAT/ACT一样的"做不大"型坑。能做小生意但做不出独角兽。压它的三层挤压结构跟SAT/ACT稍微不一样，但天花板的结论是同一个。

美国本科申请咨询市场每年几十亿美元，顶级机构客单价3万到8万美元，中产家庭基本付不起。看起来AI压缩成本之后是个明显的增量机会。但天花板被三层挤压压住。

最直接的一层是赛道塞满了。Crimson Education融了上亿美元、Empowerly融了2,300万、CollegeVine是垂直平台、AdmitYogi、PrepScholar、StudyIQ加起来几十家。ChatGPT本身就能改文书，免费产品已经把"AI文书修改"打到地板价。

更根本的一层是效果难验证。升学结果有强烈随机性，AI顾问无法证明它提高了录取率。一个孩子被Stanford录取了，原因可能是legacy、运动员特招、家长捐款、文书加分、面试发挥、运气，AI顾问最多占其中一小部分功劳。这种归因模糊性让用户的付费意愿不持久。

最难绕的一层是天花板被非AI因素决定。真正能让你进顶级大学的关键是legacy admission、运动员特招、需求让步admission、捐赠人加分，AI完全帮不上忙。把申请咨询做到极致也只能优化"文书和选校"这一块，对最终结果的影响有限。

2.6 大众化的在家教育市场

真实市场比宣传小一个数量级。看似300万到400万学生的大市场，实际付费层和组织层不重合。

前一篇拆过在家教育的四类家庭。第一类宗教保守派家庭占60%到70%，对世俗化教育内容天然抵触，对AI更是天然不信任。给他们做产品基本卖不动。第二类特殊需求家庭，前面讲过受医疗合规约束。第三类学术加速家庭和第四类生活方式家庭加起来只占10%到15%。

也就是说，宣传里"300万学生市场"实际可触达的付费人群是30万到50万家庭。再考虑这些家庭对工具的要求高、价格敏感度低但选择极挑剔，转化率不会高。

任何创业者去算"我做一个homeschool AI产品"的时候，先用这个修正系数把市场规模打到20%再讨论商业模型。这个市场不是不能做，但绝对不是宣传里那么大。

2.7 特殊教育

被合规和临床关系网锁死。需求强烈但创业可行性低。

美国有自闭症的儿童约1/36，加上ADHD、阅读障碍、学习困难，特殊教育人口巨大。家长付费意愿在所有教育市场里最强（孩子的"需要"是确凿的、可见的）。AI做个性化干预看起来是完美的产品方向。

但这个赛道横跨教育和医疗，门槛极高。自闭症、ADHD、阅读障碍属于医疗诊断范畴，干预产品受HIPAA（健康保险隐私法）和各州医疗法规约束。部分干预产品需要FDA审批（数字治疗类产品近年开始批），开发周期2到5年，临床试验成本数百万美元。

而且即使产品做出来了，需要跟治疗师配合使用、需要保险报销才能规模化。这是医疗器械创业逻辑，不是软件创业逻辑。一个不懂医疗合规的AI团队进去基本是送死。

用户极难服务。特殊教育家长群体里高投诉率、高退款率、需求差异极大、对产品要求精细到偏执。客服成本远高于一般SaaS。

少数能做下去的公司（比如Speech Buddies做发音障碍、Cognoa做自闭症筛查）都有医疗背景的团队和长期临床合作。普通AI团队几乎不可能跨过这道门槛。

2.8 传统企业技能培训

被老LMS的关系网锁死。看起来是B2B大市场，实际不需要AI Native。

企业培训市场美国一年约600亿美元，听起来很诱人。但拆开看，企业培训的核心痛点是"合规打卡"和"统一标准化"，不在"个性化学习"。一个员工每年要完成HR硬性要求的反骚扰培训、数据安全培训、行业合规培训，公司要的是"全员都完成了、有记录、过审"，不是"每个人学到的内容因人而异"。

这个需求结构决定了企业培训系统的核心功能是LMS（Learning Management System）：分发课程、追踪完成、生成报表、对接HR系统。AI能加上去的是"自动生成培训内容""AI辅导员"这种边缘功能，不动核心。

而LMS市场早就被老玩家占住了。Cornerstone OnDemand（被Clearlake私有化前估值40多亿美元）、Workday Learning、SAP SuccessFactors、Docebo、TalentLMS。这些公司有几千甚至上万家企业客户，加个AI模块就能宣称"我们也是AI企业培训"。新创业公司说"我们是AI Native培训平台"，HR没有任何理由换掉用了五年的Cornerstone去赌一个新公司。

这是典型的AI Powered市场，不是AI Native市场。除非你能在某个极垂直的培训方向（比如医疗合规、金融合规）找到老LMS没覆盖的空白，否则别碰。

2.9 成人通识学习

需求本身不存在。理论上是个超大市场，美国大学毕业生1.3亿，每个都可能想"再上点课提升认知"，哲学、文学、历史、艺术。AI把"个性化讲解经典"这件事的成本打到接近零，市场规模数据看起来很惊人。

实际付费比例极低。Coursera上人文类课程的complete rate不到5%。Audible上付费购买哲学有声书的人数远低于职场技能、个人理财、健康类。这跟AI无关，是人性问题。绝大多数成人愿意为具体收益（升职、转行、考证、移民）学习，不愿意为"提升自己"学习。

这条规则在中国也适用，只是程度不一样。中国知识付费焦虑驱动那一波，得到、樊登读书一开始也是"通识加焦虑"的混合体，但真正能跑出来的是窄定位（如薛兆丰经济学、李翔商业内参）或者直接的实用类（理财、亲子）。纯通识在哪个市场都难做生意。

AI在通识学习里能活下来的位置是工具。一个人愿意为通识学习付费的临界线很高，但愿意打开ChatGPT问"康德的绝对律令到底是什么意思"的临界线非常低。通用LLM已经把这个使用场景吃光，留给垂直产品的空间很少。

三、AI真正能切入的几个方向

把上面两章合起来，筛掉的市场已经覆盖了绝大多数"AI教育"的常见叙事。下面六个方向都绕开了第二章的三种赛道级mode。它们既能避开"做不到"，也没被"关系网锁死"，赛道结构也不属于"做不大"那种天生天花板低的情况。

但赛道成立不等于做就稳赢。每个方向都有自己的execution risk，比如产品能不能做出差异化、能不能跑通获客、能不能把单vertical打透后横向扩展。这跟第二章那种赛道结构性问题是两层不同的东西。第二章mode讲的是"赛道本身堵死，怎么执行都没用"。第三章execution risk讲的是"赛道成立，但单家公司执行不到位仍可能撞墙"。

下面六个方向每个用同一个分析框架展开：对应的子系统、用户画像、AI解锁了什么之前不可能的事、为什么是AI Native、商业化路径、关键execution risk。

3.1 极垂直的专业证照备考

对应的子系统是高中后职业路径中的执照体系。美国有1,000多种需要执照的职业，从电工、HVAC到护士助理（CNA）、注册护士（NCLEX）、CPA、Bar Exam、房产经纪、保险经纪，每一种都对应一个独立的考试市场。

用户画像高度集中：成人自费、有明确考试目标、考过即涨薪或上岗。一个准备考CNA的人愿意每月花50到100美元提高过关率，因为考过之后年薪能从3万涨到4万，ROI不言自明。

AI解锁了什么：之前的备考产品是"看视频加刷题"，Kaplan、Princeton Review这套已经做了几十年。AI能做的是动态生成针对个人薄弱点的题目、当场解释错误的具体原因、扮演考官做模拟、把学习路径动态调整。这种程度的个性化在AI之前根本做不到，需要1对1人类辅导才能接近，每小时100到300美元。AI把这个价格压到月费30到100美元，市场被显著释放。

为什么是AI Native：核心价值是对话式动态生成，没有大模型完全做不到。传统玩家（Kaplan、Princeton Review、Becker）的内容是静态视频化的，他们也在加AI功能但加的是边角，不是核心。新进入者如果用AI Native做出"陪你考过"的体验，老玩家的视频库不构成防守优势。

商业化路径：月费30到100美元针对成人自费。考过涨薪的ROI极其清晰。考试日期是硬截止线，自然推动付费转化（"还有3个月考试，月付59美元锁定通过率提升"是有效话术）。AMBOSS是已验证的案例：给医学生和医生做USMLE备考起家，2025年3月完成€2.4亿（约2.6亿美元）Series C，估值约8.6亿美元，累计融资约3.2亿美元。AMBOSS的模式是"AI Native知识库加题库加临床决策助手"，定位精准，没有去搞通用医学教育。

跟上一章的2.4节、SAT/ACT做个对比有用。两者表面相似，都是考试备考、都有现成的老玩家、都有人想拿AI做。但极垂直证照绕开了2.4那三层挤压。免费官方替代品在这里失效，CNA、NCLEX、Bar Exam、CPA都没有Khan Academy式的免费完整课程把价格地板锁死。通用LLM压价在这里也失效，专业内容（鉴别诊断、判例引用、税法细节）通用LLM经常出错或给过时信息，垂直产品有真实的准确性壁垒。单位经济反而比2.4好，成人自费、考过涨薪几千到上万美元、客单价支撑月费30到200美元，跟"家长付钱给孩子考SAT，分数到手就走"的季节性低LTV完全不是一回事。

关键execution risk是横向扩展能不能做好。单个执照市场规模有限，NCLEX全美一年约20万考生算大的，CPA约10万，小众执照只有几千。撑venture-scale估值需要做横向矩阵，从一个vertical打透再扩展下一个，每个新vertical都得重新做domain knowledge、合规审核、专家校验，迁移成本不小。AMBOSS估值8.6亿美元主要靠USMLE这一条线撑着，向其他执照横向扩展的尝试还在早期。这跟第二章那种赛道结构性天花板不一样，AMBOSS估值已经证明赛道有venture-scale的路径，问题在单家公司能不能把横向扩展执行到位。

3.2 高净值专业人士的AI思考伙伴

对应的子系统是高等教育之后的"终身学习"和"专业进阶"市场。这个市场在前一篇没怎么展开，因为它不是正式教育的一部分。

用户画像是律师、医生、咨询顾问、VP以上管理者、资深工程师、创业者、投资人。年收入20万美元以上、时间稀缺、对职业进阶有明确诉求。这群人在美国数量大约2,000万到3,000万。

AI解锁了什么：之前只有CEO级别才能负担的Executive Coach服务（每小时500到2,000美元）。AI让Director级别的人也能用上24小时可用的思考伙伴、决策辅助、压力测试工具。

举几个具体场景：一个律师准备一个庭审，AI扮演对方律师跟他做反驳演练，扮演法官给pushback。一个二线城市的内科医生遇到一个鉴别诊断很复杂的病人，AI扮演资深医生跟他过一遍可能性。一个新晋VP要跟下属做难谈话，AI先帮他过一遍对话推演、给情绪反馈。一个创业者要决定要不要pivot，AI扮演不同立场（CFO、VP Engineering、董事会）反驳他的逻辑。

为什么是AI Native：这些场景在大模型之前完全不可能存在。要做一次"我跟下属难谈话演练"，传统方式得花200到500美元请一个coach陪一小时。做"庭审对手扮演"得请一个mock trial团队，几千美元一次。AI把这种价格降低两到三个数量级，原来零星才能做的事变成日常可做。

商业化路径：客单价高。月费100到500美元完全可接受，因为目标用户对自己的时间和职业回报有明确认知。付费方=决策方=受益方完美闭环，自己付钱、自己用、自己受益。一次晋升等于5万到20万美元年薪差距，ROI不需要解释。没有教师工会、家长焦虑、政治敏感。

关键execution risk是跟通用ChatGPT/Claude的差异化。垂直产品需要在特定行业的深度上做出区隔。专业语料库（最新的判例、临床指南、行业deal数据）、专业prompt工程（针对庭审、鉴别诊断、董事会这类场景的多角色设定）、行业工作流集成（律师案件管理系统、医生EMR、销售CRM）三件事都要做。光是"包一个GPT界面"很容易被通用模型直接吃掉。

这个方向我自己也在做，对它的体感是：用户群确凿存在、付费意愿强、产品复杂度高。难点在行业垂直深度，不在技术。

3.3 服务主动学习者的AI工具

对应的子系统是游离于正式教育之外的成人自学群体。这群人在传统教育统计里是隐形的，不参加培训班、不买课程、不考证，但持续在学。

用户画像是有内在学习动力、对某个领域有真实好奇心、不为考试不为文凭而学的成年人。看起来抽象，实际有具体证据。Substack的崛起、newsletter经济、深度podcast的听众规模、Anna's Archive这种盗版图书馆的访问量、Hacker News和Lobste.rs这类技术社区的活跃度，都是这群人存在的证据。

AI解锁了什么：之前需要昂贵导师才能做到的"陪伴式深度学习"。具体场景包括：带着问题读书（古老的方法论，AI改变的是执行方式）、跨领域概念翻译（程序员读经济学论文，AI帮你把术语映射到熟悉的概念）、历史文献和原典的现代化阅读（陪你读《资本论》，每章给上下文）、个人化的知识地图（动态构建学习路径）、真正的写作训练（个性化、句子级的反馈，不是套模板的评分）、思考的压力测试（扮演不同立场反驳你）。

为什么是AI Native：这些场景在ChatGPT之前没有任何技术能做到。请一个人类导师陪你读《资本论》并每章对话，每小时100美元以上、找不到合适的人、约时间也难。AI把"陪伴式深度学习"从奢侈服务降到月费几十美元的工具。是被技术能力压制的需求，不是被需求压制的市场。

商业化挑战：这群人愿意试用，但转化付费需要产品做到"高频使用加不可替代"。美国不像中国有得到、樊登读书这种成熟的知识付费付费习惯，单用户ARPU不会太高，月费10到30美元是合理区间。市场规模不是VC案子的规模，但可以是一个好生意。年入100万到1,000万美元的indie hacker项目是这一层的合理目标。

我自己的Vibe Learning项目就在这个方向上做实验，目前的体感是用户群确实存在、增长慢但留存好。这不是个估值百亿美元的赛道，但可以是个有意义、能持续做的生意。

3.4 成人语言学习的细分赛道

对应的子系统是游离于正式教育之外的成人技能提升。这一块跟3.3不同，已经有头部玩家跑出来了。

用户画像是移民、专业人士、想深耕特定语言场景的人。

AI解锁了什么：之前1对1私教或线下班才能做的口语陪练加发音矫正加持续课程跟踪。Italki上找真人陪练每小时15到30美元，AI让月费10到20美元的"24小时陪练"变成现实。但通用LLM只能拿到一部分（开放式聊天练习），完整的产品体验靠垂直产品。

为什么是AI Native：Speak和ELSA的真壁垒在LLM之上的三层产品工程：专门trained的语音模型、课程引擎、retention系统。

已验证的案例：Speak 2024年12月完成Series C 7,800万美元、估值10亿美元、累计融资约1.6亿美元，OpenAI Startup Fund是早期投资者。ELSA Speak 2015年创立，专做发音矫正，累计融资数千万美元。Duolingo股价从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财报后管理层把重点从盈利转向用户增长引发的机构抛售，也有市场对通用LLM蚕食通用语言学习场景的担忧。

真正的机会在垂直深做：大众市场被Speak和ChatGPT两端夹击，新进入者难。垂直方向有几个壁垒更高的细分。

医疗英语，给医护移民群体用。来美国当护士、医生助理的非英语母语专业人士有几十万人，他们需要的是临床场景下的英语沟通能力（询问病史、解释治疗、跟同事交班），通用英语APP帮不上，ChatGPT也不够准。

法律英语，给律师助理培训用。Paralegal、legal assistant这一类岗位移民群体占比高，需要法律专业术语和文书写作能力。

商务中文，给在华工作的外国人用。这个市场近几年因为中国市场重要性反弹再次活跃。

技术英语，给跨国工程师用。一个班加罗尔工程师跟硅谷同事开会，需要的是技术沟通的精准度，不是日常英语流利度。

学术英语，给非英语母语博士生写论文用。这是个客单价能到月费50到100美元的市场，因为论文发表跟职业生涯直接挂钩。

垂直深做的壁垒来自三层：领域专业语料（医疗用语、法律判例、行业术语）、领域专家校验、用户群对准确性的高要求。通用LLM在专业场景准确性不够，这给垂直产品留出空间。

商业化路径：月费10到30美元已经被Speak、ELSA验证。垂直学术英语客单价能到50到100美元。用户画像清晰，获客渠道明确（移民社区、专业协会、留学中介、Reddit相关subreddit）。全球市场不限于美国，欧洲和东南亚同样有需求。

关键execution risk：大众市场的窗口正在被通用LLM关上，再做"通用英语APP"几乎确定会死。垂直深做的方向有空间但分散，需要团队同时有AI能力加领域专家网络加移民社群获客渠道，三块缺一不可。

3.5 服务"在英语环境的非英语母语高知"

对应的子系统不属于任何正式教育子系统，是一个跨系统的用户群。这是六个方向里最被忽视的一个，也是中文背景创业者最有相对优势的方向。

用户画像是在硅谷工作的印度和华人工程师、欧洲背景的金融人、拉美的医生、东南亚的创业者。英语足够好用于工作但读起来累，对深度内容有需求但被native内容供给忽略。这群人在美国估计有几百万规模，加上欧洲和澳洲是上千万。

为什么这个群体被忽视。

英语原生产品假设用户是native speaker。写作风格、用词、文化参照（橄榄球、棒球、二战美国史、福音派教会、各种典故）都为native设计。一个印度工程师读The Atlantic或者听This American Life，能听懂但需要不断查、需要消化文化背景，效率低。

中文/印地语/西语产品又不服务他们的工作场景。这群人在工作里用英语，需要的是"用英语处理高质量内容"的能力，不是回到母语环境。

这群人卡在两个市场中间，没人专门服务。

AI解锁了什么：AI增强的英语深度阅读，把一篇The New Yorker文章里的所有文化典故、政治背景、用词隐含意义一边读一边给你解释。把英语世界的复杂内容翻译成你的"认知母语"（用你熟悉的概念框架解释，而非简单翻译成中文）。帮助你用英语写作时找到native的表达，不仅仅是grammar check，是"如果一个native这件事会怎么说"。帮助你快速消化英语世界的高质量内容，每天15分钟跟上The Economist、Stratechery、Marginal Revolution。

为什么这个方向特别适合中文背景创业者：第一，跳过了"做native英语市场"的文化资本障碍。直接打native英语to C市场对外国背景的创业者来说极难，文化梗、社交链、口碑传播都隔了一层。这个方向的目标用户跟创业者本身画像接近，产品直觉更准。第二，这群人愿意付美元订阅，付费能力强。第三，跨文化壁垒变成了优势，"做出来给native用"很难，"做出来给我自己这种人用"很自然。

商业化路径：月费20到50美元，比通用语言学习APP高，因为目标是"深度认知能力提升"而不是"语言入门"。获客渠道靠Twitter、LinkedIn、Substack、Reddit的相关subreddit、专业社区。可以从一个细分群体（比如硅谷华人工程师）切入，跑通后再扩展。

关键execution risk：用户群虽大但分散在不同行业、不同母语背景。从硅谷华人工程师跑到孟买印度工程师再到圣保罗巴西金融人，产品需要适配的细节会变多。务实做法是从一个最聚焦的子群跑通付费模型，再横向扩展。

3.6 AI训练数据生态：教AI

对应的子系统严格说不算教育，是AI时代凭空创造的新职业。但本质上是"专家把专业知识转化成AI能学的形式"，是一种新形态的教学市场。

用户画像两端市场：需求端是AI实验室（OpenAI、Anthropic、Google、Meta、xAI），供给端是律师、医生、金融分析师、工程师、PhD研究员等专业人士。

已验证规模：Mercor 2025年10月完成3.5亿美元Series C，估值100亿美元，年化收入约五亿美元，单天向专家网络支付超过150万美元（最新数据已经超过200万美元），平台上有3万多名各领域专家，平均时薪85美元以上。Scale AI 2025年6月被Meta以143亿美元投资换49%股权，整体估值约290亿美元，创始人Alexandr Wang加盟Meta新设的Superintelligence Labs。Surge AI、Micro1是同模式的小一档玩家。

为什么放在AI教育这一章：因为它的本质是"专家把专业知识教给AI"，是一种新形态的教学市场。如果说传统教育是"人教人"，这是"人教AI"。从规模看，这可能是AI时代最大的"教育"市场。Mercor一家公司单年支付给专家的钱（按$1.5M/天估算超过五亿美元）已经接近一所中等规模大学的全部薪酬支出。

为什么是AI Native：整个市场在AI之前不存在。专家时薪能涨到85到500美元，是因为AI实验室愿意付溢价拿到高质量的标注、推理痕迹、对话样本。没有大模型训练需求，这个市场是零。

商业化路径。两端都难做：需求端只有几家头部AI实验室，议价能力极强、采购集中。供给端要管理数万名专家，做匹配、质检、合规、支付。建立平台的Capex和Opex都很高。这就是为什么头部玩家融资规模都在百亿美元级别，本质上是个资本密集型生意。

关键execution risk：入口已经被融了大钱的公司占住。Mercor、Scale AI、Surge加起来基本垄断了大头市场。新创业公司很难突破。

但仍有空间在哪：垂直专业领域的细分平台。专做某一类专业的训练数据平台，比如医疗（覆盖临床、影像、病理、罕见病）、法律（覆盖判例、法律推理、specific jurisdiction）、金融某子领域（量化、衍生品、合规）。这些垂直平台不需要跟Mercor正面竞争通用市场，做深一个垂直专业，吃这个专业里所有AI实验室的需求。

四、跨策略的判断

六个方向铺完，把它们放在一起看，几条横跨所有方向的判断浮出来。

所有可行策略都避开K-12。K-12涉及未成年人、家长决策、学校体制、教师工会、隐私合规（COPPA、FERPA）、政治敏感。这些难点都没有变，AI没有解决它们。LAUSD的Ed项目崩盘是一个非常具体的案例。任何创业者在判断AI教育方向时，K-12应该是默认排除项。如果创业团队的初衷是"帮助孩子学习"，把这个情怀放在心里就好，落地选成人市场。

所有可行策略都是成人市场。付费方=受益方=决策方在成人市场天然闭环。儿童市场的三方分离结构是难以克服的结构性障碍。这个判断跟创业者的"教育情怀"经常冲突。很多人想做的就是给孩子做产品，但现实是不可行。成人愿意为自己付费，孩子不愿意（也不能），家长付费是隔了一层的决策。

所有可行策略都不依赖传统教育渠道。不卖给学校，采购难。不卖给教培机构，他们自己也在做AI。不卖给企业培训部门，已被Cornerstone、SuccessFactors这类老玩家覆盖。传统教育市场的渠道对AI创业公司基本是死路。可行的渠道是直接to C（X、LinkedIn、Substack、Product Hunt、Reddit、Hacker News）、通过专业协会和行业社区、通过创作者经济（Substack作者推荐、podcast赞助）、通过专业资格考试机构合作。

能做的事比想象的少。经过严格筛选，真正能做的可能就这5到6个方向。每个方向的市场规模都不大（10亿到百亿美元级而不是千亿），都已经有玩家在试，不存在"无人区"。这跟"AI教育是万亿市场"的VC叙事相去甚远，但这是接近现实的判断。

中文背景创业者的特殊位置。直接打native英语to C市场极难（文化资本障碍）。翻译中文爆款到英文几乎一定失败（中国知识付费的焦虑驱动逻辑在美国不成立）。服务"在英语环境的非英语母语高知"是相对友好的方向（3.5）。AI训练数据生态对工程背景创业者友好（3.6）。工具型产品比内容型产品更容易跨文化，Cursor就是例子，一个华人创始团队做了个跨文化的工具产品，硅谷开发者完全不在乎团队是哪里人。

五、最后的判断

把所有内容收束到一句话：AI教育的整体赛道叙事被显著高估，但内部分布两极。

具体数字。2025年5月到2026年4月这12个月，AI in education赛道总融资约1.84亿美元，分布在21个公开deals里，平均每个deal不到900万美元，没有任何一轮超过5,000万美元。同期OpenAI单轮融资400亿美元、Anthropic单轮130亿美元。VC整体上不投AI教育是有道理的，"贴AI教育标签的项目"绝大多数没有VC可投。

当然，这是平均数。第三章六个方向单独看，分布两极。

最容易跑出venture-scale公司的方向是极垂直专业证照（AMBOSS估值8.6亿美元）、AI训练数据生态（Mercor估值100亿美元、Scale AI估值约290亿美元）、垂直深做的语言学习（Speak估值10亿美元）。这几个方向都已经跑出了估值10亿美元以上的公司，赛道结构里有venture-scale路径。execution risk在于横向矩阵、用户增长、通用LLM防守这些落地能力能不能做到位。

放弃做下一个Duolingo的幻想。Duolingo的成功是AI之前的累积，从2011年起跑了13年才上市，新创业公司很难复制这条路径。Duolingo自己2025年5月之后股价跌了近70%，过去那种"游戏化加广告变现"的语言学习模式正在被AI Native的产品（比如Speak）抢市场。"做下一个Duolingo"在2025年之后已经不是个好叙事。

最大的机会可能不在AI教育标签下。蓝领工作助手更像Vertical SaaS，专业人士思考伙伴更像生产力工具，AI训练数据生态更像AI基础设施。"AI教育"这个标签本身可能是个营销陷阱。一旦贴上这个标签，你会被对标到Khan Academy、Duolingo、Coursera这些老玩家，融资、定价、心智模型都被压住。真正能赚钱的产品往往不在这个标签下，但本质上做的是"让学习、认知、技能传递更高效"的事。

给创业者的最后建议。在做之前，先用文中两层框架自我筛一遍。

赛道层（第二章三种mode）问三个问题：是不是"做不到"？是不是"关系网锁死"？是不是"做不大"那种赛道结构性天花板？任何一个yes，赛道层就不成立，别做。

公司层（第三章execution risk）再问三个问题：差异化能不能做出来？获客渠道能不能跑通？横向扩展或垂直深耕的执行力团队有没有？这一层是落地风险，可以靠执行解决，但要诚实评估。

两层都过得去之后，几条硬原则反复套一遍。

客户必须是成人，且自己付钱。

ROI必须明确，最好挂钩考试、证书、晋升、转行这种硬目标。

产品必须是AI Native，没有AI不能存在。

不要碰任何需要卖给学校或政府的市场。

接受单一市场不会很大，准备做矩阵化或者深度垂直。

获客渠道用Reddit（相关subreddit是这两年最强的红利）、X、LinkedIn、Product Hunt、Facebook群组（移民社区、专业群、家长群尤其有效）、垂直专业社群和行业协会。早期不要指望Google SEO，AI Overviews抢点击加上新站没有domain authority，前几个月很难拿到搜索流量。

把这几条印在墙上，能筛掉80%的失败案例。剩下的20%里，能跑通的依然是少数。AI教育在美国不是个金矿赛道，但对找对方向的创业者还是一个能做出真东西的领域。

作者其它文章

• 一篇文章看懂美国教育全生态

• 马斯克把xAI并入SpaceX，到底意味着什么？

• Vibe Learning：AI时代，学习这件事被重新组织了

• 福特经济学和AI经济学

• 数学照妖镜：AI能发现新的数学定理吗？

• 手把手教你分析：你会被AI取代吗?

• 一篇文章讲清大语言模型发展史

• 气吞万里如虎：回顾十九世纪的数学英豪们

• Vibe Reading：AI时代读书的系统化方法

• 长篇分析：Manus案折射出的中国AI创业生态

• 别再被AI新词绕晕了：Prompt、Context、Agent背后的工程主线

• 两万字科普：AI为什么会编程——原理、历史与未来

• 兄弟们，真·Vibe Writing时代到来了

• 全网最详细的AI学习路线图

• 每个人都应该使用的三个最有用的Claude Skill

• SpaceX立志传（一）：赌上全部的最后一次发射

• 估值290亿美元的套壳公司，正在被自己的房东杀死

• 黄仁勋和主持人吵红了脸：芯片封锁中国，美国到底能不能打赢？

• AI将如何颠覆教育，普通人又应该如何抢夺教育新的生态位

• 学物理的八方英雄们，物理学已死，请转行搞AI

• 不会编程、没有融资、没有员工，他怎么一个人做到年入2000万

• 兄弟们想清楚：究竟是你为X打工，还是X为你打工？

• 一人公司盈利四亿美元：是骗子，还是可复制的红利？

• 2026第一季度大裁员，AI是背锅侠吗？

• 重返星辰大海：这次绕月飞行有意义吗？

• 张雪峰在美国为什么无法成功

• 2026 企业尸检报告：不用AI，你的公司能活过今年吗？

• 兄弟们，我创业失败了，人生完整了

本文参考文献

• 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，专家网络日付款金额

• 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投资Scale AI $14.3B

• Meta Finalizes $14.3 Billion Scale Investment, Hires Its CEO - Bloomberg，Meta-Scale AI交易细节

• LAUSD Shutters New AI Chatbot As Developer Goes Out of Business - GovTech，LAUSD关停Ed

• An Education Chatbot Company Collapsed. Where Did the Student Data Go? - EdSurge，AllHere倒闭和学生数据问题

• Feds Zero in on Maker of LAUSD's Failed AI Chatbot, Hint at Criminal Charges - The 74，AllHere创始人欺诈调查

• AllHere Set Meeting With LAUSD Leaders Months Before Landing $6.2M Chatbot Deal - The 74，AllHere和LAUSD合同细节

• AMBOSS 2026 Company Profile: Valuation, Funding & Investors - PitchBook，AMBOSS融资和估值

• Amboss Stock Price, Funding, Valuation, Revenue - CBInsights，AMBOSS财务数据

• 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市值历史

• AI in Education Startup Funding 2025-2026 - New Market Pitch，AI教育赛道12个月融资数据

• Top AI in Education Startups by Fundraising 2026 - New Market Pitch，AI教育头部融资排名

• COPPA Compliance - FTC，儿童在线隐私保护规则

• FERPA for Schools - 美国教育部，家庭教育权利和隐私法

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

• Kumon Number of Centers - Kumon官方，分店数量

• Mathnasium Franchise Information - Mathnasium官方

• Khan Academy Khanmigo - Khan Academy AI产品

• Mercor Experts Platform - Mercor官方，专家平台规模

• MagicSchool AI - MagicSchool产品介绍

• Cursor by Anysphere - Cursor官方

• Anna's Archive - 影子图书馆，主动学习者群体证据

• Substack Growth Report - Substack平台