一、竞品与平台深度调研

Synthesis / Astra Nova / Alpha School 三平台深挖 + AI 自学产品地图 + 中国市场（松鼠/学习机/双减）+ 可迁移成功要素。

一、竞品与平台深度调研

本篇汇聚 11 份调研报告：Synthesis / Astra Nova / Alpha School「同源三平台」的逐家深挖 [1][2][3][4][5][6][7]、2024–2026 全球 AI 自学产品地图 [8][9]、可迁移成功要素解构 [10]、以及中国市场（松鼠 AI / 双减 / AI 学习机）专题 [11]。目标是回答两个问题：别人把"AI 原生自学"做成了什么样？谁真正跑通了、谁死了、为什么？ 全篇坚持"事实 / 推测"分离，并在结尾给出对本项目的设计启示。

1. 同源三平台：Synthesis / Astra Nova / Alpha School

1.1 共同起源——一所 SpaceX 内部学校

三家公司共享同一条基因：2014 年秋，Elon Musk 出资、Josh Dahn 主持，在加州霍桑 SpaceX 总部一间玻璃墙会议室里创办了内部学校 Ad Astra（拉丁语"奔向星辰"），起步仅 8 名学生，服务 Musk 子女与少数 SpaceX 员工子女，峰值约 40–50 人，无成绩、无年级、无外语/音乐/体育课 [1][3][4]。IRS 文件显示 Musk 在 2014–2015 年向 Ad Astra 捐赠约 47.5 万美元 [1][4]。Musk 给 Dahn 的唯一指令是"把它做好（Make it great），没有任何借口"——没有课程要求、没有结构限制 [4]。华盛顿邮报称它"可能是世界上最排他的学校" [4]。

2015 年 Musk 公开两条教育原则，至今仍是三家的共同内核：① 不按年龄分组，按能力/兴趣个性化；② 教"问题本身"而非"工具"（不先上"扳手课/螺丝刀课"，而是直接拆一台发动机）[1][3][4]。

2020 年 Musk 子女毕业、举家迁往德州，Ad Astra 线下关停，基因随即分叉成三条路线 [1][3][4]：

三家共享"第一性原理重构教育"的气质（减少讲授、学生主动、用数据做掌握判断、成人从"讲课"转为"设计环境+追问+反馈+情绪支持"），但商业模式与证据透明度天差地别 [1]。

1.2 三家横向对比（事实）

维度 Synthesis Astra Nova Alpha School / 2HL
形态 产品公司（AI 数学 Tutor + 协作博弈 Teams）[1][3] 非营利全线上微型学校 [1][4] 营利学校网络 + 可授权引擎 TimeBack [1][5]
"AI"真实成分 中（自研 tutor，DARPA 精神）[1] 低（真人小班为主）[1] 低（多为现成自适应软件）[1]
护栏/不给答案 部分（无明确策略）[1] 强（问题导向）[1] 弱（刷题达标为主）[1]
掌握判定 课末关卡（粒度粗）[1][3] 非量化 [1] 90% 门槛 + MAP 闭环 [1][5]
家长仪表盘 缺失（被批）[1][7] 真人沟通 [1] 强（数据看板）[1][5]
独立证据 无可追溯同行评审研究 [2][1] 无 [1] 无、且争议最大 [1][6]
价格 $35–95/月 [1][3] $4.8k–36k/年（need-blind）[1][4] $40k–75k/年 [1][5]

关键事实：三家均无可追溯的独立、同行评审的学习效果研究 [1][2][6]。所有"X 倍速""Top 1%"宣称都来自内部分析。这是评估全部 AI 自学竞品时必须先记住的底色。

1.3 Synthesis——AI 数学 Tutor + 协作博弈 Teams

公司与商业（事实）：累计融资约 1,750 万美元（Balaji Srinivasan、Amjad Masad/Replit、Anthony Pompliano 等约 21 名投资者）[1][3]；上线 3 个月即从 0 冲到 100 万 ARR，2022 年底约 1,070 万美元年收入，2025–2026 服务 25,000+ 家庭、68,202 名学生 [3][9]。CEO Chrisman Frank 公开承认方法"unapologetically elitist"（不加掩饰的精英主义），走 Tesla 路线：先服务高端、用收入降成本、最终覆盖所有人 [3]；企业座右铭是"Embrace the Chaos" [3]。2025 年俄克拉荷马成为全美第一个与之合作的州政府，向全州三年级学生免费提供 Tutor——精英→普惠的路线验证 [1][3]。

Synthesis Tutor（产品形态）：面向 5–11 岁（K-5）的 AI 数学 1:1 掌握式辅导，纯数学；课程设计者是普林斯顿数学博士 Dr. James Tanton，主张"理解先行、算法后置"与 "Exploding Dots" 可视化 [1][3]。自适应引擎实时评估答题（对错+错误模式+理解断层），多模态回退（积木→数轴→数组方块换表征），同一课内实时调难度；遵循"体感先行"原则——从感知运动开始再上升到符号抽象，暗合皮亚杰发展阶段 [3]。AI 导师是语音 AI（老师名 "Oliver"），被刻意设计成"孩子会倾诉困难的那种老师"，对神经多样性友好（可调语速、朗读、诵读困难字体）[3][7]。答错时不直接给答案，给步骤分解/引导提示 [2][3]。

DARPA 数字导师（理论基础与争议）：Tutor 的理论根基是 DARPA "Digital Tutor / Education Dominance" 项目——让海军新兵 16 周内在专业测试上超越 99.9% 的课堂学生、超越 99.99% 平均 9 年经验的在役技术员 [1][2][3]。其核心原理是"模仿专家导师行为"：永不疲倦、即时反馈、从不给错误引导，学生把数字导师称为"他"而非"它" [2][3]。但独立研究者 Andy Matuschak（2025）认为 Synthesis 的实际实现远比 DARPA 四层架构浅，更接近 1970 年代 CAI，是"精神继承"而非"技术复现" [2][3]；课末关卡是"全通/全不通"二元判定，缺乏对具体知识点的精细诊断 [3]——这恰是本项目要超越的点。

Synthesis Teams（游戏化协作）：面向 8–14 岁，每周 1–2 次、每次 1 小时，定价 95 美元/月 [1][3]。核心机制 "in medias res"：孩子无规则说明直接进入游戏，规则有时在中途无声改变，模拟真实世界不确定性 [1][3]。9 岁孩子 Tess 原话："他们总在改规则，我必须随时准备适应。" [3] 已确认游戏（Constellation 博弈论、Fish 公地悲剧、Art for All 荷兰式拍卖等）背后都有预设"隐性概念"，孩子通过玩来发现而非被告知 [3]。技术上用 Google Sheets 编写关卡导出 JSON，非工程师每周即可迭代新内容——一条让学科老师不依赖工程师的低成本内容生产管线 [1][3]。

1.4 Astra Nova——Conundrums 与精英化批评

形态（事实）：全线上非营利微型学校，现 315 名学生来自 45 国、11–18 岁，已获 WASC 认证（学分可被大学认可）[1][4][7]；师资约 8 全职 + 25 兼职，每年创建 200+ 门独特课程并每学期全部重设 [4]。学费按每周时长分层 4,800–36,000 美元/年，need-blind 招生 + 100% 满足经济需求 [1][4]。三大培养维度：① 学习倾向与应对复杂性、② 团队有效协作、③ 伦理决策 [1][3][4]。

Conundrums（两难谜题）：无标准答案的伦理/决策思想实验视频，截至 2026.05 共 63 道，已通过 ClassDojo 触达全球数百万学生 [1][4]。设计原则：没有"正确"答案、3–5 个合理选项、冲突引人入胜、选项能把观众大致均分（真正两难）、不重复"电车难题" [1][4]。招生时申请者拍 30 秒–2 分钟视频回应谜题代替标准化考试，评估"思维方式"而非答案对错 [1][4]。Conundrums 是三平台里最值得低成本借鉴的资产——可异步、可规模化、契合"教问题而非工具"。

批评（事实+推测）：学术批评（Sandra Leaton Gray 2025）指 Conundrums 招生表面基于"推理能力"，实质筛选"在富裕、认知优越家庭已养成的文化倾向"，配合 3 万美元学费构成社会分层 [1][4]。Dahn 本人曾说"我们完全不在意这东西帮助顶层 10% 的孩子比底层 10% 更多"（Oligarch Watch 引用），与本项目的公益普惠定位形成尖锐对照 [7]。

1.5 Alpha School——证据争议最集中的反面教材

Alpha 是三家里最像"AI 自学平台 + 学习运营系统"的一家，也是独立证据最弱、争议最大的一家，本项目能从它身上学到的"必避坑"最多。

"2 Hour Learning"模式（事实）：上午约 2 小时用自适应软件完成核心学科（掌握率需 90%+ 才解锁、界面"变绿 Goes Green"），下午 4 小时自由探索 [1][2][5]。注意"2 小时"不是"每天只学 2 小时"，而是把核心学科压缩到 2 小时 [2][5]。没有传统教师，只有 Guides（负责动机与情感支持、不教学术内容），师生比约 5:1 [1][5][6]。金主 Joe Liemandt 投入约 10 亿美元开发自有平台 TimeBack [1][5][6]。

TimeBack 平台（事实）：组件包括 Dash 主页、Vision Model（摄像头/屏幕监控评估参与度）、Waste Meter（实时显示浪费时间）、XP 系统（1 XP=1 分钟高效学习，日目标 120 XP）、Mastery Map [5]。Liemandt 明确反 chatbot，称 ChatGPT 是"作弊机器（cheatbots），90% 学生用来作弊"，改用 Vision Model 监控屏幕 [5]。TimeBack 定位 "Shopify for Schools"，按约 2,000–6,500 美元/学生/年对外授权 [5][6]。

"AI"真实成分（关键推测）：R5/R6/R7 一致认定 Alpha 的核心其实是现成自适应软件（数学 4–12 年级用 Math Academy、科学用 Khan Academy、低龄曾用 IXL）+ 间隔重复算法，LLM 只是辅助层 [5][6][7]。一位家长（ACX）把系统描述为"涡轮增压的电子表格清单加上间隔重复算法"，而非传统意义的 AI 家教 [5][6]。2025.07，IXL 因 Alpha 违反 ToS（数据抓取）终止合作，并声明其产品"不打算也不建议用于替代受过培训的教师" [1][5][6][7]。

动机系统（Liemandt 称占"解决方案的 90%"）：核心是"时间换自由"（学完就下课）+ Alpha Bucks 内部货币（每天完成最低标准约得 2 美元现金价值）[1][5]。理论根基是哈佛经济学家 Roland Fryer 的休斯顿激励实验——奖励"输入行为"（读书/完成作业/出勤）效果显著优于奖励"结果"（成绩/考分） [1][5]。一位家长在 ACX 写道：同样的 IXL，在家强制做"每次都是一场战争"，在 Alpha 却变成"游戏"——差别在动机包装而非内容 [1]。MacKenzie Price 名言："EdTech 只是解决方案的 10%，90% 在于让学生有动力。" [1][5]

成效宣称 vs 独立验证（争议核心）：Alpha 宣称"Top 1–2% 全国 / 2x（部分口径 2.6x，甚至 10x）学习速度"，全部出自内部分析，从未经同行评议 [1][5][6]。独立质疑包括： - 统计缺陷（Naimoli 2025）：用"个人增长÷全国中位数增长再取均值"在统计学上毫无意义；高中阶段中位数≈0（MAP 天花板效应），任何略高于 0 的增长都能产生荒唐的"10x" [1][6]。 - 监管拒绝：其虚拟 charter Unbound Academy 在宾州、阿肯色、北卡被拒（亚利桑那批准）；宾州官方文件称"AI 教学模式未经检验，没有令人信服的证据" [1][5][6]。 - 内部文件爆料（404 Media 2026.02）：LLM 生成课程"有时弊大于利"、存在四选项无一正确的逻辑无解题；学生数据（含视频）存于"任何持链接者可访问"的 Google Drive；摄像头监控延伸至卧室 [1][5][6][7]。 - 真实伤害（WIRED）：Brownsville 一名 9 岁孩子为追赶 AI 指标体重骤降、拒食、精神崩溃，Alpha 回应"模式不调整，孩子需调整" [1][6][7]。

平衡视角（Scott Alexander / ACX，最接近中立的长篇调研）：底层教育科学（掌握式、间隔重复、检索练习、SDT）本身实证有效；真正起作用的可能是激励系统 + 高质量导师（5:1、薪酬显著高）+ 学校文化三者叠加，而非"AI"；Austin 校区 MAP 成绩确实统计异常高，但"公共证据基础在两个方向上都很薄弱"，无法排除选择效应 [2][6]。一个关键教训（对照 Khan Academy）：被要求使用平台的学生效果远不如自愿使用的学生——动机才是关键变量，而非平台技术本身 [6]。教育神经科学家 Jared Cooney Horvath 的质疑也值得记住："真正的学习是缓慢的、费力的、刻意的""把更快浏览内容与学习混为一谈并不新鲜" [6]。

1.6 三平台家长/学生真实反馈的横向规律

把 Trustpilot、WIRED、Substack、中英文一手体验放在一起，出现高度一致的模式：游戏化 + AI 个性化确实提升参与度和学习速度，但几乎无一例外在内容深度、基础知识缺口、缺乏人类支持三个维度遭遇挫折 [7]。

三方独立提及的共同盲区 = 社交/同伴缺失（Astra Nova、Alpha、Synthesis Teams 的家长/学生都独立提到）。纯 AI + 异步无法替代同伴归属——这是所有竞品的共性短板，也是本项目的机会与必须正视的难题 [1][7]。

2. AI 自学产品全景地图（2024–2026）

2.1 七大产品形态与"AI 原生"判据

2024–2026 主流 AI 学习产品仍以"聊天导师 + 学习材料增强"为主；真正"AI 原生"的少数共性是：活动结构内嵌 AI、每一步有学习目标、有反馈闭环和掌握信号，而不是把通用聊天框接到内容库 [8]。最接近"AI 原生学习体验"的不是单纯聊天，而是三类组合：生成式交互/仿真、结构化自适应题目路径、受护栏约束的提示式辅导 [8]。产品可分七类 [8]：① 聊天导师 ② 生成式交互/仿真 ③ 智能题目推荐/自适应路径 ④ AI 反馈/批改 ⑤ 学习教练 ⑥ 教师工具 ⑦ 同伴/角色扮演。

2.2 标杆产品逐个（事实+牵引力数据）

产品 形态 牵引力（事实） 关键判断
Khanmigo 聊天导师（有护栏） 2024-25 年 700,000+ 学生、380+ 区 [9] Sal Khan 承认"学生没有我们希望的那样使用它"；交互率低（大量"IDK IDK"），被批"学习版 Clippy" [9]
Google Guided Learning / LearnLM 苏格拉底对话 塞拉利昂 RCT（1763 人）+0.258 SD、约 1.2–1.7 年进度，91.4% 对话用于理解而非求答案 [9] 学习科学嵌进模型，方向先进；但形态仍是 Gemini 内对话，无项目级知识图谱 [8]
OpenAI ChatGPT Study Mode 学习教练 产品级发布，无公开 RCT [8] 是"通用工具 + AI 增强"，用户可退出，护栏依赖模式持续性 [8]
Duolingo Max 同伴/角色扮演 Q4 2025：52.7M DAU（+30%）、12.2M 付费、全年营收破 10 亿美元、Max 占付费约 9% [9] 最成功的 AI 原生消费级教育产品之一；AI 嵌进课程路径 [8][9]
Speak 口语 AI 家教 15M 下载、100M+ ARR、估值 10 亿美元、500+ 企业客户 [9] 独角兽、已跑通 B2B；"不卖多巴胺而卖学习旅程" [9]
Synthesis Tutor 生成式交互 25,000+ 家庭、68,202 学生、53M 融资 [9] 最值得借鉴：错误驱动、可视化、即时微评估 [8]
Sizzle AI 拍照答疑 1.7M 用户，2025.10 被 Campus.edu 收购 [9] C 端留存遇瓶颈，嵌入人类教育结构才存活 [9]
Quizlet Q-Chat 聊天导师 2023.03 上线（声称全球首个 ChatGPT 导师），2025.06.30 关闭 [8][9] 与核心闪卡体验割裂、留存差；随后改嵌 ChatGPT [9]
AllHere "Ed"（LAUSD） 学区聊天机器人 54 万学生、$12M VC、2024.08 破产、CEO 被联邦调查 [9] 政府合同+技术未成熟+管理失控（高管报销 $24.3 万）+数据安全=灾难 [9]
MagicSchool / Brisk 教师工具 MagicSchool 6M+ 教育者、$62.9M；Brisk 1M+ 教育者 [9] 解决教师"减负即时价值"易付费，但不能证明学生自学有效 [8][9]
Carnegie Learning / MATHia 自适应 ITS RAND RCT（7 州 18,700+ 学生）：第 2 年高中约 +0.2 SD [10] 认知模型步骤级反馈；违反掌握式（让学生跳过未掌握内容）与较差表现相关 [10]
ALEKS 知识空间自适应 元分析（33 研究 9238 人）：补充使用 g=0.43，替代≈0 [10] 掌握门控严格、定期重评估防遗忘；界面枯燥需外部动机 [10]
Math Academy 掌握+间隔重复 声称 4X 速度（180 课时压缩到 20–40 小时）[10] 解决"高动机、低效率"而非"低动机"；被批概念深度不足、XP 致"刷分而学" [10]
Anki / FSRS 间隔重复 间隔重复元分析 SMD=0.78；FSRS 比 SM-2 在 99% 用户上更优、复习次数减 20–30% [9][10] 自学者长期坚持的少数范式；只适合可原子化知识 [10]
PhET 交互仿真（非生成） 元分析 g 加权 0.94（最高 1.26）、增益比对照高 37% [10] "AI 实时生成高交互内容"理念的先行验证 [8][10]
Khan Academy（平台） 视频+掌握式题库 MAP Accelerator（n=20 万+）：推荐用量 +0.26；替代模式 -0.076 SD [10] 补充>替代；高成就学生受益更多；护栏薄弱、被动观看 [10]

2.3 生成式 UI / 实时生成交互（最大前沿机会）

这是与本项目"心脏"最贴近的方向。PhET 已证明交互模拟是长期有效范式 [8][10]；Google 的 Generative UI 与"Learn Your Way"实验（把静态教材转成思维导图/音频/交互测验，长期记忆测试高出对照组 11 个百分点）显示未来会把答案变成交互页面 [9]。已有早期玩家：VideoTutor（一句话生成个性化讲解视频，5 秒内生成，CZ 背书的 YZi Labs 领投 $1100 万）、Oboe（一个 prompt 生成 9 种格式课程）[9]。整体判断：技术可行性已证明，但规模留存和商业模式均未验证——这是 2026 年最大的前沿机会窗口之一，但不宜盲目跟风 [9]。

2.4 谁活下来、谁死了

2.5 可迁移成功要素（跨案例最一致清单，带证据强度）

把所有成功案例解构后，最一致、证据最强的可迁移要素是 [10]：掌握式进阶（强，平均 ES=0.52）、即时分步骤反馈（强）、间隔重复调度（强，SMD=0.78）、检索练习（强）、知识依赖图谱建模（中强）、自适应诊断定位（中强）、交互式探索模拟（强，g=0.94）、做中学（中强）、早期 7 天留存攻坚（中）、明确目标+进度可视化（中）、外部问责/社交压力（中）、苏格拉底式追问（中，本项目差异化点）。

一个反复出现的深层洞察：Duolingo 的 streak 是最强留存杠杆（4 年内 CURR +21%、DAU 增长 4.5 倍），但它驱动的是"每天打开 App"而非"深度学习"，是"成瘾钩子"而非学习质量指标——有人专门用 1 分钟最简单练习维持 streak [10]。而 Math Academy 的"4X 速度"解决的是"高动机、低效率"痛点，而非"低动机"问题 [10]——这条边界对本项目（目标用户自驱力参差）尤其重要。

3. 中国市场专题

3.1 松鼠 AI：中国最早的规模化自适应，也是最具争议的样本

事实：松鼠 AI（乂学教育，李浩创立）2014 年起步，约 2,000 个线下中心覆盖 200 城市，2019 年估值破 10 亿美元、融资超 1.8 亿美元 [11]。技术上把初中数学拆成 10,000+ 个知识点（比教科书 3,000、ALEKS 1,000 细得多）[11]。有 RCT 证据：勾股定理实验（90 vs 73，3 天 5 小时）学习增益是对照组的 4.19 倍，Hedges' g=0.68（中等偏上）[11]——这条证据也被产品地图报告引用为 ITS 有效性的支撑 [8]。

批评（事实）：哈佛 Chris Dede 指松鼠只做"自适应"（弄清学生会什么），不考虑学生想学什么；Jutta Treviranus 指它只做到"步调"个性化，没有"路径"和"目的地"个性化；爱丁堡 Jeremy Knox 称其实际"主要由一个题目推送系统驱动"，商业逻辑与新东方/好未来无本质差异 [11]。2026 技术分析进一步指它缺乏"门控闭合"——能诊断缺口，但无机制确保学生真正掌握前驱知识后再前进，依赖概率估计而非真正掌握验证 [11]。同一产品被一份报告当作"值得借鉴的有效自适应"、被另一些来源当作"伪 AI / 大数据刷题"的反面案例——这一矛盾本身就是设计警示。

3.2 双减政策：对开源公益项目反而是顺风

双减（2021.07.24）要求 K9 学科类机构注册非营利、禁止周末节假日学科培训、禁止外资持股上市 [11]。即时冲击巨大：离线机构 -83.8%、在线 -84.1%，新东方营收 -80%、猿辅导/新东方各裁员约 4 万人 [11]。各家转型路径几乎都是"AI 学习机硬件 + 公立学校 B 端" [11]。

对本项目的政策含义（利好）：开源、非营利、不做学科培训销售的项目完全不在双减打压范围内，且与政府"教育资源均等化""教育新基建"精神契合 [11]。需注意：须避免被认定为"变相学科培训"，非营利身份需合规路径，引入付费功能须严格遵守学科培训管理规定，须提前研究教育类 App 备案要求 [11]。

3.3 AI 学习机热潮与"买了吃灰"困境

市场（事实）：AI 学习机销量逐年攀升（2024 年 592.3 万台、销售额 190.6 亿元，预测 2025 全年 679 万台、未来破 1000 亿元）[11]；TOP6 品牌（作业帮、学大、科大讯飞、步步高、小猿、小度）合计占 74.4% [11]。科大讯飞是双减最大赢家：2024 年教育营收 72.29 亿元（占总营收 30.97%），HKU 独立实验（38 校 18 省）显示其 AI 设备使数学成绩提升约 3.9%、且对欠发达地区和差生更明显 [11]。

"买了吃灰"的真实困境（事实）：解放日报走访发现家长从点读机到家教机"一路踩坑，孩子从兴致勃勃到束之高阁的命运反复重演" [11]；多款学习机 AI 功能被指"只会直接给出答案，缺乏启发引导" [11]。核心悖论被一位教师一针见血："会自学的孩子不需要学习机；不会自学的孩子光有学习机也没用" [11]。决策者（家长）与使用者（孩子）分离、"自驱力决定一切"——这是中国市场最硬的现实约束 [11]。大模型（DeepSeek、豆包）已让许多家长直接拿来当私教，正在从下方侵蚀学习机的护城河 [11]。

4. 跨平台矛盾与争议（需保留的分歧）

研究内部存在若干真实分歧，不应被合并抹平 [1][6][11]：

  1. Alpha "AI" 真实成分：官方宣传"AI-powered" vs 独立验证认定核心是现成自适应软件 + 间隔重复，LLM 仅辅助层。
  2. Alpha 成效是否真实：内部"2.6x/Top 1-2%" vs Naimoli/O'Hagan 称统计方法"毫无意义"；但 Scott Alexander/Austin Scholar 又认为 Austin 校区 MAP 成绩确实统计异常高——"方法有缺陷"与"成绩可能确实高"两个判断并存 [6]。
  3. 松鼠 AI"真自适应"vs"伪题库推送"：RCT 证据 vs 学术批评，同一产品两极评价 [11]。
  4. "直接给答案"的双重定位：欧美研究将其作为"损害学习"的护栏论据（Bastani）；中国市场却同时是教师批评点与部分用户"查漏补缺刷题"的刚需——同一行为在"学习效果"与"应试需求"两个框架下结论相反 [11]。
  5. 游戏化的两面：Alpha 激励系统被 ACX 认为是"真正起效机制"，又被记录导致动机外化甚至自伤——"激励有效"与"激励有害"并存，差别全在设计 [6]。
  6. 可汗学院：既是有效案例（MAP +0.085 SD）又是"护栏薄弱"反例 [10]。

5. 对本项目的设计启示

以下把竞品调研直接翻译成对 AI 版可汗学院 v1 的可执行结论，分"可借鉴"与"必避坑"，并标注对应的现有设计决策。

可借鉴（有证据或真实正反馈支撑） [1][2][5][10]：

  1. 把护栏式解题做成架构级，而非聊天风格的口头约定——这是 Synthesis/Alpha 都没做透的品类级护城河，呼应本项目 FR-7。
  2. AI 的"语气/人格温度"值得优先投入——Synthesis Tutor "Oliver" 的温暖耐心是家长最高频好评，比任何功能更先打动孩子。
  3. 掌握闭环借 Alpha 的"高门槛(90%) + 即时纠错 + 无限重试 + ZPD 难度维持"，但掌握判定不能只看答对率，要看"脱离提示独立完成 + 能解释原理"（呼应本项目双主指标与费曼出口）。
  4. 动机设计借 Alpha/Fryer 的"时间/自由 + 输入行为微奖励"，但去掉现金、去掉摄像头监控。
  5. Conundrums 式情境化两难问题可低成本、异步、规模化引入（呼应本项目跨学科/项目化方向）。
  6. 关卡内容低成本生产管线借 Synthesis 的 Sheets→JSON，让学科老师不依赖工程师迭代（呼应本项目共创机制）。
  7. 间隔重复 + 提取练习作为复习机制（Dunlosky 最强证据，三平台都未明确做）。
  8. 家长仪表盘要"触发行动"而非堆数据——补三家共同缺口，呼应本项目 FR-9"鼓励式问责"。

必避坑（来自真实伤害 + 学术批评 + 监管） [1][2][6][7]：

  1. 绝不"AI 名不副实"——诚实标注哪里是自适应算法、哪里是 LLM（反 Alpha 的"涡轮增压电子表格"被揭穿）。
  2. 绝不让孩子"一个人卡死"——必须有 AI 兜底 + 人类升级路径（反 Alpha"卡 20 次哭崩无人管"），呼应本项目护栏的"退出条件"与传统兜底 FR-5。
  3. 绝不"either works or it doesn't"甩锅孩子——弱基础加脚手架，不是淘汰（直接对抗 EdTech 马太效应）。
  4. 绝不屏幕监控/摄像头认证学习——用 AI 苏格拉底引导替代监控（反 Alpha 隐私灾难），呼应本项目"鼓励而非监控"原则。
  5. 绝不用营销式 effect size 当目标——以"撤掉 AI 后独立后测/迁移测试"为真实掌握指标（反 Alpha 的 2.6x 统计游戏），呼应本项目双主指标。
  6. 直面社交/同伴缺失盲区——这是所有竞品的共性短板，本项目需主动设计（见主题六）。
  7. 内容深度要够——靠 AI 实时生成 + 知识图谱纵深，反 Synthesis"3 个月玩穿"。
  8. 中国市场对齐"刚需 + 下沉"——"查漏补缺 + 精准推题"是刚需，下沉市场机会最大（与公益定位契合、有 iFlytek 实验证据），但要警惕"买了吃灰"必须内置留存机制 [11]。

一句话总结：竞品们证明了"AI + 游戏化能提升参与度与速度"，但同样证明了"参与度 ≠ 学会"、"AI 标签 ≠ 真 AI"、"内部数据 ≠ 独立证据"。本项目的护城河，恰恰是它们集体没做透的那条——护栏式解题 + 自动验答 + 双主指标，把"真的学会"做成不可绕过的架构。

来源

  1. 三平台深度调研总报告（Synthesis/Astra Nova/Alpha 深挖汇聚层）
  2. Synthesis / Astra Nova / Alpha School AI 自学平台深度调研（概览）
  3. Synthesis 平台深挖（Tutor + Teams + DARPA）
  4. Astra Nova School 深挖（Conundrums / 招生 / 精英筛选批评）
  5. Alpha School 模式与实现（2hr / TimeBack / Guides / 动机系统）
  6. Alpha School 成效证据与争议（宣称 vs 独立验证）
  7. 家长/学生真实反馈（三平台）
  8. AI Tutor / AI 原生学习平台产品模式 2024–2026
  9. AI 原生自学新尝试 2023–2026 全景（谁活下来谁死了）
  10. 成功案例解构——可迁移成功要素（Duolingo/ALEKS/MathAcademy/PhET/Khan）
  11. 中国市场——松鼠 AI / 学习机 / 双减专题