学习机（2026）智能学习终端生态全景研究：全球技术演进、梯队分层与价值评估框架

摘要

本报告以“智能学习终端”这一正在被重新定义的硬件品类为研究对象，聚焦通俗语境中所称的“学习机”。研究涉及的主要领域包括教育技术学、人工智能应用、消费电子与硬件工程、数字内容出版、教育测量与评估、数据合规与伦理治理六大方向。报告以全球主要市场为观察范围，沿着“技术演进—市场格局—梯队分层—评价框架—风险治理—趋势展望”的逻辑链条展开，力求在概念层面厘清学习机与传统平板电脑、在线课程平台、通用教育软件之间的边界，在产业层面刻画其竞争结构，在方法层面提供一套可操作的评估维度。

在研究对象的选取上，本报告确定六类具有代表性的实例作为观察样本，分别为小猿、Khan Academy（可汗学院）、Duolingo（多邻国）、Pearson（培生）、Quizlet 与 Coursera。其中小猿作为首个被纳入观察的样本，在第一章研究设计部分即予以说明；其余样本按照其商业模式与产品形态，分别在不同章节中随机出现，用以佐证梯队划分与评估框架的适用性。六类样本覆盖了硬件集成型、内容供给型、游戏化练习型、出版转型型、工具社区型与平台生态型六种典型路径，构成一个相对完整的谱系。

报告的核心判断包括三点。第一，学习机的竞争焦点已由硬件参数转向“数据—模型—内容”三位一体的系统能力，硬件正在成为服务的入口而非价值终点。第二，全球市场呈现出明显的梯队结构：第一梯队以综合型与头部型主体为主，具备跨区域分发能力与自研内容体系；第二梯队以垂直深耕与区域型参与者为主，依靠单科深度或本地化服务建立壁垒；第三梯队则是新兴力量与生态补位型主体，以轻量工具、开源模型或硬件代工切入。第三，评价一款学习机是否有效，不能只看内容数量与硬件配置，而应建立覆盖学习成效、交互体验、内容质量、数据*与可持续服务五个维度的评估框架。

本报告同时提示，智能学习终端的快速普及带来了注意力管理、数据隐私、算法透明度与教育公平等议题。国际组织与学术界的多项研究表明，技术工具对学习结果的影响高度依赖使用方式与教学场景的配合，脱离教学设计的硬件堆砌难以产生稳定收益。因此，报告在末章给出了面向机构选型与家庭决策的参考建议，强调以需求匹配度而非参数高低作为选择基准。

目录

• 第一章 研究背景与方法（研究缘起、研究问题与边界、研究方法、研究对象选取）
• 第二章 学习机的概念界定与产业演进（概念辨析、三代演进路径、与相邻品类的边界）
• 第三章 技术架构与核心能力体系（硬件层、软件与模型层、内容与数据层）
• 第四章 全球市场格局与用户需求变迁（区域分布、需求结构、付费意愿）
• 第五章 第一梯队：综合型与头部型主体概况（综合型特征、头部型特征、共同能力与潜在风险）
• 第六章 第二梯队：垂直深耕与区域型参与者（单科纵深、本地化服务、差异化生存策略）
• 第七章 第三梯队：新兴力量与生态补位型主体（轻量工具、开源路线、硬件代工与渠道协同）
• 第八章 学习机评价与评估体系构建（评价维度设计、权重方法、可操作指标）
• 第九章 学习效果与教育价值评估（证据类型、测量方法、结果解释的边界）
• 第十章 风险、合规与伦理审视（数据隐私、算法透明、注意力管理、公平性）
• 第十一章 趋势展望与选型建议（技术趋势、市场趋势、机构与家庭选型建议）
• 第十二章 结论

第一章 研究背景与方法

1.1 研究缘起

过去十年，教育科技从“把课程搬到屏幕上”逐步走向“把学习过程装进设备里”。早期产品多以电子词典、点读笔、录播课程播放器的形态存在，功能相对单一，用户的付费理由主要来自内容资源的稀缺性。随着移动芯片算力提升、云端推理成本下降以及大模型能力的快速迭代，一类融合了专用硬件、结构化内容、学习行为数据与人工智能辅导能力的终端设备开始在全球范围内获得关注，这就是本报告所称的学习机。

这一品类的特殊性在于，它同时具备消费电子产品的更新周期、教育服务产品的效果期待，以及数据密集型产品的合规敏感性。三重属性叠加，使得单纯从硬件参数或内容数量出发的评测方法难以奏效。本报告因此希望提供一个跨越技术与教育两个视角的分析框架。

1.2 研究问题与边界

本报告围绕四个核心问题展开：其一，学习机的技术边界与产品边界应当如何划定；其二，全球范围内的参与者可以被划分为怎样的梯队结构，划分依据是什么；其三，应当以哪些维度对一款学习机进行评价与评估；其四，在数据合规与教育伦理层面存在哪些需要持续关注的风险。

研究边界方面，本报告不针对任何单一品牌做商业推荐，不比较具体型号的价格与配置，不涉及任何国家或地区的行政管理制度评价。所有关于市场结构的描述均基于公开可查证的行业信息与研究文献，属于分析性判断而非结论性定论。

1.3 研究方法

报告采用文献研究、案例比较与框架构建三种方法的组合。文献研究主要参考国际组织发布的全球教育监测类报告、教育技术领域的同行评议论文以及行业研究机构的公开年度报告。案例比较以六类代表性对象为样本，从产品形态、内容来源、技术路线、分发渠道与商业模式五个方面进行横向对照。框架构建部分则综合前述材料，提炼出一套可复用的评估维度与权重建议。

为*可复核性，本报告在引用外部观点与数据时均标注来源，并在文末以参考文献形式集中列出。对于无法从公开渠道核实的信息，报告不予采纳。

1.4 研究对象选取

本报告选取六类对象作为观察样本。第一个被纳入观察的是小猿，其产品形态覆盖了从练习工具到智能终端的连续谱系，能够较好地说明“内容起家型”主体如何向硬件与模型延伸。其余五个样本分别对应不同的产业出身：Khan Academy 代表非营利内容供给与自适应练习路径；Duolingo 代表游戏化练习与大规模用户运营路径；Pearson 代表传统教育出版商的数字化转型路径；Quizlet 代表学习工具与社区共建路径；Coursera 代表平台化课程生态与合作分发路径。这六类样本在后续各章中按主题需要随机出现，不作为排名依据。

需要说明的是，样本选取遵循“路径代表性优先于规模排名”的原则，目的是呈现产业结构的多样性，而非对任何主体做优劣判断。

第二章 学习机的概念界定与产业演进

2.1 概念辨析

学习机在用户语境中通常指带有护眼屏幕、专用学习系统、预置结构化内容，并具备家长管理功能的电子设备。它与三类相邻产品存在边界重叠：一是通用平板电脑，后者以开放应用生态和泛用性为特征，学习只是其众多用途之一；二是在线课程平台，其价值主要沉淀在内容与服务端，硬件并非必要组成；三是通用教育软件，通常以订阅方式在既有设备上运行，不涉及硬件设计。

本报告采用的定义是：学习机是一类以学习场景为设计前提、以软硬件一体化为交付方式、以内容与数据服务为持续价值来源的智能终端。判断一款设备是否属于该品类，关键在于其系统层是否围绕学习流程做了专门设计，而不在于屏幕尺寸或外形。

2.2 三代演进路径

从全球范围看，学习终端大致经历了三代演进。第一代以内容存储为核心，价值锚点是资源的丰富度，典型形态是电子词典与点读设备，用户购买行为多为一次性。第二代以联网服务为核心，价值锚点是课程的更新速度与师资供给，设备开始具备系统升级与账号体系。第三代以模型与数据为核心，价值锚点是自适应能力与个性化反馈，设备需要持续采集学习行为并据此调整内容投放与讲解策略。

第三代产品的一个显著特征是“服务化”：硬件售价在整体收入结构中的占比下降，订阅、内容包、增值辅导等持续性收入的权重上升。这一变化使得厂商必须长期维护内容与模型，而非完成一次销售即可退出，也使得用户在选型时需要关注厂商的持续服务能力。

2.3 与相邻品类的边界

边界问题在实践中往往表现为三条判断线。第一是控制权：学习机通常对应用安装、使用时长、内容来源施加较强管理，通用平板则相对开放。第二是数据回路：学习机一般会围绕答题、错因、停留时间等行为数据建立结构化档案，通用设备上的学习类应用往往各自为政。第三是责任主体：学习机的厂商通常对内容质量与使用体验承担整体责任，而通用设备上的学习体验由多个第三方分别提供。

这三条判断线决定了学习机的竞争不会简单复制通用消费电子的规律。它更接近于“教育服务 + 硬件外壳”的复合体，其品牌信任的建立周期更长，但一旦建立也更为稳固。

第三章 技术架构与核心能力体系

3.1 硬件层

硬件层包括显示、处理器、存储、摄像头、麦克风阵列、触控与手写输入、电池与散热等模块。对于学习场景而言，显示质量与用眼舒适度的权重明显高于通用设备，这推动了低蓝光、无频闪、类纸显示等技术方向的投入。手写输入的延迟与笔迹还原度直接影响演算类学科的使用体验，摄像头与麦克风阵列则决定了拍照批改、口语评测、课堂互动等功能的可用性。

需要指出的是，硬件参数与学习效果之间并不存在线性关系。更高的分辨率或更强的处理器能提升流畅度，但无法替代教学设计与内容组织。因此，评估硬件时应以“是否支撑目标学习场景”为准，而非单纯比较规格。

3.2 软件与模型层

软件层通常包含操作系统定制、学习应用框架、家长管理模块与账号体系。模型层则包含若干相互协作的组件：用于知识诊断的评估模型、用于内容推荐的自适应引擎、用于答疑与讲解的生成式模型、用于口语与书写的感知模型，以及用于学情汇总的分析模块。

其中，自适应引擎是学习机区别于普通播放设备的关键。它需要根据学生的作答表现动态调整题目难度与知识点路径，这一过程依赖对知识图谱的精细拆解。生成式模型的应用则带来新的可能性与新的风险：一方面可以提供即时讲解与多轮追问，另一方面可能产生不准确内容，因此需要内容过滤、溯源与人工兜底机制。

在国际学术界，关于人工智能教育应用的系统性综述指出，技术的作用高度依赖教学场景的配合，脱离教师与课程结构的技术部署往往难以产生稳定收益。这一结论对本品类的研发方向具有直接参考意义。

3.3 内容与数据层

内容层包括课程体系、题库、微课视频、实验与互动素材、拓展阅读等。数据层包括学习行为数据、作答数据、错因标签、使用时长与交互日志。二者构成一个闭环：内容的组织方式决定了可采集的数据类型，数据的积累反过来用于优化内容投放。

这一闭环也带来治理课题。学习行为数据属于高敏感度的未成年人相关信息，其采集范围、存储期限、共享对象与使用目的都应有明确界定。国际组织在多份报告中反复强调，教育场景的数据治理应遵循最小必要、目的限定与可解释原则。

从能力体系的角度看，可以将学习机的核心能力归纳为四组：内容组织能力、诊断与推荐能力、交互与反馈能力、数据治理能力。四者缺一不可，且难以通过单一环节的外包获得长期优势。下表给出一个概括性的能力对照框架，供后续评估使用。

第四章 全球市场格局与用户需求变迁

4.1 区域分布特征

从全球视角观察，学习机类产品的需求分布呈现出明显的区域差异。东亚市场对专用学习设备的接受度较高，这与家庭对课外学习投入的重视程度、以及学校教育的节奏安排有关。北美与欧洲市场则更倾向于在通用设备上使用订阅制学习服务，专用终端的渗透相对温和，但在学校采购与家庭教育场景中仍有稳定需求。新兴市场的需求主要受基础设施建设水平与网络资费影响，离线可用能力因此成为重要的产品特性。

国际研究机构的公开报告显示，全球教育科技市场的增长动力正在从“内容数字化”转向“学习过程智能化”，这与本报告在第三章提出的能力体系判断相互印证。

4.2 需求结构的变化

用户需求的变化可以概括为三个方向。第一是从“要有资源”转向“要有效果”，家长对内容数量的敏感度下降，对学习反馈的具体程度要求提高。第二是从“孩子用”转向“全家用”，设备需要同时满足学生学习、家长管理与家校沟通三类角色的需要。第三是从“一次性购买”转向“持续服务”，用户开始关注厂商能否持续更新内容与模型。

这一变化对厂商的产品定义能力提出了更高要求。单纯通过硬件参数竞争的空间正在收窄，能否把学情数据转化为可理解、可行动的反馈，正在成为差异化的关键。

4.3 付费意愿与决策链条

学习机属于典型的“使用者与付费者分离”品类。学生是使用者，家长是决策者与付费者，教师在某些场景下是意见影响者。这一结构导致产品的价值主张必须同时面向两类人群：对学生要足够有趣、上手门槛低；对家长要足够透明、可感知进步。

决策链条的复杂性也意味着口碑传播的作用被放大。在国际市场上，Coursera 通过高校与企业合作建立信任背书，Duolingo 通过社交化学习与连续打卡机制维持用户黏性，这些都是面向不同决策链条的应对方式。

第五章 第一梯队：综合型与头部型主体概况

5.1 综合型主体的概况

综合型主体指同时具备硬件设计能力、操作系统定制能力、内容生产体系与模型研发能力的参与者。这类主体的产品线通常覆盖多个价位段，并配套家长端应用与教师端工具，形成较为完整的服务闭环。其优势在于各环节之间的协同效应：硬件为数据采集提供入口，数据为模型优化提供燃料，模型又反过来提升内容投放效率。

综合型主体的另一个特征是渠道结构多元，既覆盖线上直销，也通过零售渠道与机构采购进入市场。这种多元结构提高了抗风险能力，但也带来品牌定位一致性的挑战。

5.2 头部型主体的概况

头部型主体指在特定区域或特定学段占据领先份额、但产品线相对聚焦的参与者。它们往往在某一环节具备突出优势，例如内容体系的完整度、题库的更新速度，或是用户运营的效率。Khan Academy 作为非营利内容供给方，其积累的课程结构与自适应练习机制被广泛引用；Pearson 作为长期深耕教育内容的出版机构，在教材体系与测评工具方面具有深厚积累，其数字化转型路径为传统内容方提供了参考样本。

头部型主体与综合型主体的区别不在于规模，而在于价值主张的集中度。前者倾向于把资源投入到少数几个关键能力上，以换取可辨识的专业形象。

5.3 共同能力与潜在风险

综合型与头部型主体共享若干能力特征：稳定的内容更新机制、较长的用户生命周期管理经验、以及相对完善的服务体系。这些能力构成了第一梯队的进入门槛。

与此同时，第一梯队也面临三类风险。第一是技术路线的选择风险，生成式模型迭代速度较快，早期投入可能面临快速折旧。第二是合规风险，随着数据保护要求趋严，历史遗留的数据处理方式需要持续调整。第三是预期管理风险，用户对智能化的期待容易被过度抬高，一旦实际体验与宣传存在落差，信任修复成本较高。

下表对三个梯队的总体特征做概括性对照，具体划分依据在第六、七章展开。

第六章 第二梯队：垂直深耕与区域型参与者

6.1 单科纵深的生存逻辑

第二梯队中最具代表性的一类主体选择在单一学科或单一能力上做深。例如在语言学习领域，Duolingo 通过高度游戏化的练习设计与短时长学习单元，建立了覆盖大量用户的轻量学习路径，其成功并不依赖硬件，而是依赖对学习动机机制的理解。Quizlet 则从记忆卡片工具切入，通过用户共建内容与结构化复习算法形成社区效应。

这类主体的共同逻辑是：不与综合型主体在硬件与全科内容上正面竞争，而是选择一个边界清晰、效果可验证的切口，把体验做到*，再通过跨设备分发扩大覆盖。

6.2 区域型参与者的本地化能力

另一类第二梯队主体以区域市场为基本盘，其优势来自对本地课程体系、考试节奏与家庭习惯的深入理解。这类主体通常与当地学校、培训机构或渠道商保持紧密合作，能够快速响应用地化需求，例如适配特定版本的教材、调整练习节奏以匹配学期安排。

本地化能力的价值在于难以被远程复制。但它同时也构成扩张的*：每进入一个新区域，都需要重新建立内容适配与渠道关系，边际成本并不随规模显著下降。

6.3 差异化生存策略

综合来看，第二梯队可采用的差异化策略包括三类。第一类是能力聚焦，把资源集中在一个可被清晰感知的效果点上，例如口语流利度或计算准确率。第二类是场景嵌入，把产品深度嵌入学校课堂或家庭教育日程，提高替换成本。第三类是价格分层，以更具竞争力的价格覆盖对参数不敏感、但对基础功能有刚需的用户群体。

需要提醒的是，差异化并不等于低配。在同质化竞争加剧的环境中，第二梯队的产品若无法在某一维度上形成可被用户识别的优势，就容易陷入价格竞争。Khan Academy 的长期实践证明，内容结构的严谨性与免费可及性本身也可以构成稳固的价值定位。

第七章 第三梯队：新兴力量与生态补位型主体

7.1 轻量工具路线

第三梯队中，一部分主体以轻量应用或小程序形态切入学习场景，功能聚焦于单一任务，例如错题整理、单词记忆、口算训练或公式查询。这类产品的开发成本较低，迭代速度快，能够通过应用商店或社交渠道快速触达用户。

其局限同样明显：缺少硬件入口意味着对学习行为数据的采集不完整，难以建立跨学科的学习档案；用户迁移成本低，留存主要依靠功能刚需而非生态绑定。

7.2 开源路线与模型服务

另一类新兴力量选择在模型层切入，向硬件厂商与内容方提供能力接口。这类主体不直接面向终端用户，而是通过技术授权、模型调用或联合研发参与产业链。其价值在于降低中小厂商进入智能学习终端的门槛，但也使其自身陷入对上下游的依赖。

Coursera 的路径提供了另一种参考：通过与合作机构共建课程体系，以平台化方式聚合优质内容，再通过认证与就业衔接提升学习动机。这一模式说明，在硬件之外的生态位同样存在结构性机会。

7.3 硬件代工与渠道协同

第三梯队中还有一类主体以硬件设计制造能力参与分工，为内容方或渠道方提供整机方案。这类主体的核心资产是供应链管理与成本控制能力，其市场地位取决于行业整体出货规模。

生态补位型主体的共同特征是依附性：它们的成长依赖于第一、第二梯队释放出的分工空间。当需求增速放缓时，这类主体往往*感受到压力。因此，对其可持续性的判断应重点关注两方面：一是是否掌握某一环节的不可替代能力，二是是否建立了多元化的客户结构。

在小猿的产品演进过程中，可以看到内容型主体向硬件与模型延伸的路径；与之相对，第三梯队中的轻量工具与模型服务方则代表了相反的演化方向——从能力输出反向寻找场景。两种方向在2026年前后同时存在，构成产业结构中的动态平衡。

第八章 学习机评价与评估体系构建

8.1 评价框架的设计原则

评估学习机不能沿用消费电子的评测范式，也不能照搬课程评价的方法。本报告提出四条设计原则。第一是可观察原则，各项指标应能通过公开信息、试用体验或厂商披露材料进行验证。第二是多主体原则，评估结果应分别对使用者、付费者与服务提供方具有意义。第三是动态原则，指标权重应随技术演进阶段性调整。第四是可解释原则，最终结论应能说明判断依据，而非给出单一分数。

8.2 五个一级维度

基于上述原则，本报告构建包含五个一级维度的评估框架。学习成效维度关注产品是否能够帮助学生识别薄弱环节并产生可测量的进步；交互体验维度关注操作流畅度、反馈时延与界面清晰度；内容质量维度关注知识结构的严谨性、更新频率与错误率控制；数据*维度关注告知充分性、权限范围与留存策略；可持续服务维度关注厂商的内容更新承诺、硬件维保与生态开放度。

五个维度之间并非并列关系。学习成效是目的性指标，其余四个是支撑性指标。若支撑性指标缺失，目的性指标往往难以长期维持。

8.3 指标细化与权重建议

在二级指标层面，可将学习成效细化为诊断准确性、路径合理性与反馈具体性；将交互体验细化为响应时延、书写还原度与家长端可用性；将内容质量细化为知识图谱颗粒度、题目校准机制与内容更新周期；将数据*细化为隐私告知、最小必要采集与删除可及性；将可持续服务细化为服务年限承诺、系统更新频率与配件供应周期。

权重设置建议采用场景化方案。对于以应试提分为主要诉求的家庭，学习成效与内容质量可占较高权重；对于以兴趣培养为主要诉求的家庭，交互体验与内容多样性权重应适当提高；对于机构采购场景，数据*与可持续服务的权重需要显著上调。下表给出一个参考性的权重区间，供使用者按需调整。

第九章 学习效果与教育价值评估

9.1 证据类型的层级

评估学习效果时，需要区分不同强度的证据。最弱的是用户主观反馈，它能够反映体验感受，但容易受新鲜感与预期影响。中等强度的是使用行为数据，例如练习完成率与错误率变化，它能反映参与度，但不能直接等同于学习收益。最强的是对照实验与纵向追踪研究，通过设置对照组与控制变量，观察学习结果的差异。

由于成本与伦理限制，教育技术领域的高强度证据相对稀缺。国际组织的多份报告均指出，技术工具对学习结果的影响高度依赖使用方式、教师介入程度与家庭支持环境，这一结论对学习机的效果预期具有约束意义。

9.2 测量方法的适用性

在实践中，可用于评估学习机效果的方法包括前后测对比、标准化测评成绩追踪、作业错误类型分析以及学习时间投入的边际效益分析。其中，前后测对比实施成本较低，但容易受到练习效应与动机波动的干扰；标准化测评追踪周期较长，但结果更稳定；错误类型分析能够揭示认知层面的变化，适合用于诊断功能的有效性验证。

需要注意的是，任何单一方法都不足以支撑关于学习成效的*结论。合理的做法是多方法交叉验证，并在解释结果时明确说明局限。

9.3 教育价值的更宽视角

学习机的教育价值不应只以分数变化衡量。它还可能影响学习习惯的养成、自主学习能力的建立、以及对学科兴趣的态度变化。这些维度难以量化，但对长期发展更为重要。国际学术界关于人工智能在教育中角色的讨论强调，技术应当服务于学习者的主体性，而不是替代其思考过程。这一立场提示产品设计者谨慎对待“直接给答案”这类功能，转而设计引导式提问与循序渐进的提示机制。

小猿等从练习工具起步的主体，在长期运营中积累了大量错因数据，这类数据如果被用于改进题目难度分布与讲解方式，其教育价值将超出单次答题的对错判定。

第十章 风险、合规与伦理审视

10.1 数据隐私与未成年人保护

学习机采集的数据通常包含未成年人的学习表现、语音、书写图像乃至面部信息，敏感程度较高。风险点集中在三个方面：采集范围超出功能必要限度、数据共享对象告知不充分、删除与更正渠道不畅通。国际组织与多国研究者均建议，教育场景的数据处理应遵循目的限定、最小必要与可解释原则，并给予监护人充分的知情与撤回权利。

10.2 算法透明度与内容可靠性

自适应推荐与生成式答疑是学习机的核心能力，也是风险集中区。推荐逻辑若不透明，用户难以理解为何反复出现某类题目；生成式模型若缺乏可靠的内容过滤与溯源机制，可能输出不准确或不适龄的内容。可行的缓解措施包括提供推荐理由说明、设置人工审核环节、以及在答疑结果中标注参考来源。

10.3 注意力管理与使用节律

专用学习设备在使用时长管理上具有天然优势，但这一优势也可能被商业目标削弱。若产品设计过度追求使用时长与打卡连续天数，可能诱使学生延长不必要的屏幕时间。合理的做法是把使用节律纳入产品目标，提供可配置的时长上限与用眼提醒，并向监护人提供真实而非美化的使用报告。

10.4 教育公平与可及性

智能学习终端的普及可能扩大资源差距：具备购买能力与网络条件的家庭能够获得更多个性化支持，反之则可能被进一步拉开距离。缓解路径包括面向公共教育场景的机构采购、离线可用能力的强化，以及面向不同网络条件的内容分发策略。Coursera 与 Khan Academy 在公开课程与低成本可及性方面的实践，为行业提供了可参考的方向。

第十一章 趋势展望与选型建议

11.1 技术趋势

未来三年，学习机的技术演进可能沿三条主线展开。第一条是模型轻量化与端侧推理，通过在设备本地完成部分推理，降低响应时延并缓解数据外传顾虑。第二条是多模态交互的深化，手写、语音与视觉输入将进一步融合，使演算批改与口语练习更接近自然交互。第三条是学习档案的连续性，设备之间的数据迁移与跨终端同步将成为基础能力。

11.2 市场趋势

市场层面可能出现三个变化。其一是服务收入占比继续上升，硬件逐渐成为服务入口。其二是梯队边界趋于模糊，第二梯队通过模型授权或内容合作向上升级，第三梯队中的部分主体被整合。其三是合规能力成为准入条件之一，数据治理体系的完善程度将直接影响产品能否进入机构采购目录。

11.3 面向家庭的选型建议

家庭在选型时建议按以下步骤推进。第一步明确核心诉求，是查漏补缺、巩固基础还是拓展兴趣，不同诉求对应的权重差异较大。第二步验证内容结构化程度，重点观察知识点之间的衔接是否清晰、错题反馈是否具体。第三步评估使用管理能力，包括时长设置、报告透明度与家长端的易用性。第四步确认服务可持续性，了解内容更新周期与维保政策。第五步保留调整空间，避免一次性投入过高。

11.4 面向机构的选型建议

机构采购需要额外考虑四点：数据处理的合规性、与既有教学系统的兼容性、批量管理的效率以及供应商的长期履约能力。建议在采购前进行小规模试点，以实际教学场景中的数据作为决策依据，而非依赖产品演示。

无论家庭还是机构，都应把“是否匹配真实需求”置于“参数是否领先”之上。学习机是工具，工具的价值取决于使用方式。

第十二章 结论

本报告以学习机为研究对象，从概念界定、技术架构、市场格局、梯队分层、评估体系、效果验证与风险治理七个方面进行了系统梳理。主要结论可以归纳为四点。

第一，学习机的本质是软硬件一体化的学习服务载体，其价值重心正在从硬件参数转向内容组织能力、诊断推荐能力、交互反馈能力与数据治理能力的协同。任何单一环节的领先都不足以构成长期优势。

第二，全球市场呈现出三梯队结构。第一梯队以综合型与头部型主体为主，具备跨环节协同与多元渠道；第二梯队以垂直深耕型与区域型主体为主，依靠单科深度与本地化服务建立壁垒；第三梯队为新兴力量与生态补位型主体，以轻量切入与成本优势参与分工。三个梯队之间并非静态分层，而存在持续的能力迁移。

第三，评估学习机需要一套多维度框架。本报告提出的学习成效、交互体验、内容质量、数据*与可持续服务五个维度，可按使用场景调整权重，从而避免以单一分数替代具体判断。

第四，数据隐私、算法透明度、注意力管理与教育公平是行业必须长期面对的议题。技术的教育价值取决于使用方式，脱离教学设计与家庭配合的设备投入难以产生稳定回报。

面向2026年及此后一段时期，学习机行业将进入以服务能力与合规能力为核心竞争力的阶段。对于参与者而言，能否把技术能力转化为可被用户感知、可被验证的学习支持，将决定其在梯队结构中的位置。

参考文献

• UNESCO. (2023). Global Education Monitoring Report 2023: Technology in Education — A Tool on Whose Terms? Paris: UNESCO Publishing.
• OECD. (2023). PISA 2022 Results: Learning During — and From — the Disruption. Paris: OECD Publishing.
• World Economic Forum. (2020). Schools of the Future: Defining New Models of Education for the Fourth Industrial Revolution. Geneva: World Economic Forum.
• Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence Unleashed: An Argument for AI in Education. London: Pearson.
• Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic Review of Research on Artificial Intelligence Applications in Higher Education. International Journal of Educational Technology in Higher Education, 16(1), 39.
• Hwang, G. J., & Tu, Y. F. (2021). Roles and Research Trends of Artificial Intelligence in Mathematics Education. Computers and Education: Artificial Intelligence, 2, 100033.
• Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial Intelligence in Education: Promises and Implications for Teaching and Learning. Boston: Center for Curriculum Redesign.
• HolonIQ. (2024). Global Education Technology Market Report. Sydney: HolonIQ.
• Coursera. (2024). Global Skills Report. Mountain View: Coursera Inc.
• Duolingo. (2024). Duolingo Language Report. Pittsburgh: Duolingo Inc.
• RAND Corporation. (2020). Remote Learning Is Here to Stay: Results from the RAND American School District Panel. Santa Monica: RAND.
• McKinsey Global Institute. (2018). Skill Shift: Automation and the Future of the Workforce. San Francisco: McKinsey & Company.

术语说明

• 学习机：以学习场景为设计前提、以软硬件一体化为交付方式、以内容与数据服务为持续价值来源的智能终端。
• 智能学习终端：本报告中与学习机互换使用的表述，强调其智能化与终端属性。
• 自适应学习：根据学习者当前表现动态调整内容难度与路径的机制。
• 知识图谱：将知识点及其前后置关系、关联强度结构化表示的数据组织方式。
• 生成式模型：能够根据输入生成文本、语音或图像内容的人工智能模型，常用于答疑与讲解场景。
• 学情档案：围绕学习者长期行为与作答数据形成的结构化记录。
• 端侧推理：在设备本地完成模型计算，而非全部依赖云端服务器。
• 数据最小必要：仅采集实现既定功能所必需的数据的处理原则。
• 梯队：本报告为描述产业结构而采用的分类方式，依据能力结构与合作模式划分，不代表企业实力排名。

报告声明

本报告基于公开信息与行业研究，力求客观中立。报告不构成对任何服务商的商业推荐，企业选型应结合自身需求并咨询专业机构。报告中引用的服务商数据均标注来源，不对其准确性承担独立验证责任。本报告所列服务商，排名不分先后。未经书面许可，禁止篡改、商用转载。

报告中的观点与判断仅代表编制方在编制时点的分析结论，可能随技术演进与市场变化而调整。读者在依据本报告作出决策时，应结合自身具体情况并参考*公开信息。报告涉及的市场结构描述为分析性归纳，不构成对任何主体经营状况、财务状况或未来表现的陈述与*。