把主题知识变成一门学习课程。
现在想入门一个陌生话题已经很容易了。
打开ChatGPT问一句，几秒钟能得到解释。把资料丢进NotebookLM，也能很快生成总结、播客和思维导图。
但是得到答案后和把一件事学进去之间，还隔着一段很长的距离。
该先学什么，按什么顺序学，学完怎么巩固，过几天还记不记得住，这些问题，大模型都不会主动替你排好。
最近注意到一款叫Wondering的产品，用户只需要输入一个想学的主题，它就会把这个主题拆成由三分钟课程、视觉内容、播客和互动练习组成的一条学习路径，并且事后还会记录打开，生成学习报告等等。
Wondering的创始人胡程维，早些年在Google Labs的NotebookLM团队做工程师，参与过Mind Map这个功能的开发。
这个功能会根据用户上传的资料，生成一张可以点开、可以缩放的知识结构图，帮用户看清楚不同概念之间怎么连着。
离开谷歌之后，他没有换赛道，仍然围着学习做产品。
NotebookLM的起点是用户已经攒好的一堆资料，Wondering的起点换成了用户脑子里那个想弄懂、还没找到资料的主题。
NotebookLM帮用户把手头的信息理清楚，Wondering则想直接替用户安排好一整段学习过程。
另一位联合创始人Angelica Kosasih此前在Meta做工程师，两人在大学读书时就认识，团队目前只有两个人。
有意思的是，胡程维在个人网站上维护着一份叫Weekly I/O的周刊，写了很久，攒了三千多订阅者，主题几乎全部围绕学习科学、认知科学和写作展开。
他在笔记里反复提到一个判断，书里装的仅仅是信息，信息只有经过主动解释和消化才会变成知识。
他还整理过一套框架，知识分成事实、程序、概念和策略四种。
而这些笔记像是提前写好了Wondering后来新推出的每一个功能。
打开Wondering，用户可以直接打一个主题，也可以粘贴一个链接，或者写清楚自己已经会什么、想学到多深。
比如输入Kimi K3报告、量子力学或者产品设计，AI会照着这些背景生成一门课。
除了自由输入，Wondering同时留了一个课程库入口，里面按自我提升、人工智能、商业战略等等这些分类摆好，方便还没想好要学什么的人先逛一逛。
在一个大主题被拆开之后，会变成好几个知识点，排成一条像游戏关卡一样的路径，得学完上一节才能解锁下一节，这个设计和多邻国那套关卡机制基本一致。
点开一节课，内容控制在大约三分钟，每一小节都会有一些手绘风格的图表和一段解释文字，阅读完完后会进行判断题考察，错了也可以反复学，跟NotebookLM的知识卡片很像。
学完一节，还能顺手记笔记，或者用Magic Insights这个功能，让AI根据聊天记录和收藏内容自动整理出一份笔记。
此外，Wondering还有它的记忆系统，用来记住用户已经掌握了什么、哪里还薄弱，随之调整接下来该学的内容；
还有一个叫下一关的功能，根据已经学会的知识点自动生成下一个挑战，专家模式则更进一步，直接把课程变成一段开放式对话，实时给反馈。
Wondering还得考虑用户明天愿不愿意再打开一次。用户可以对着整门课提问，把不同小节的知识点连起来，将学到的东西套进自己的目标里。
除此之外，Wondering的播客功能，可以把任何一门课转成一段个性化的播客，配着原来的图表和互动练习，方便走路或者通勤的时候听。
Wondering和多邻国都把内容切成短课，一次学习时间不长，都靠连续学习天数和进度反馈拉着用户回来，用互动题目代替单纯阅读，靠游戏化机制养成习惯。
但多邻国的课程体系都是提前设计好，用户能选的只有语言这一个学科。Wondering没有固定学科，用户提出什么，它就现场生成什么，同时也留了一个课程库当作起点，供不想自己想主题的人挑选。
不过现在市面上的AI学习工具实在是太多了，最终它覆盖所有领域到什么程度，还是个需要继续验证的问题。
对于今年在硅谷拿到种子轮融资规模最大的教育项目VideoTutor，VideoTutor通过用户上传一道题目，选一个自己喜欢的讲解角色，系统会用几何解析器识别题目里的文字、公式和图形，转成结构化逻辑，再用大语言模型加Manim动画渲染引擎，生成一段带语音讲解的动画视频，专门针对K12、SAT、ACT这些标准化考试和STEM学科。
创始人赵凯自己说过，多邻国是语言学习领域的世界级产品，理科场景过去一直没有出现过对应的产品，他觉得基础模型的能力已经够用了，下一个多邻国应该诞生在理科这个方向。
这句话和Wondering创始人当年在NotebookLM时期琢磨的问题很相似，都盯着同一个位置，但切入的角度完全不同。
VideoTutor主打的是精度，一道题的识别和讲解，尽量做到跟真人老师一样准确，学科限定在STEM，用户群体也更聚焦在备考的学生。
而Wondering是广度，任何主题都能生成一条课程路径，不局限于某个学科，也不绑定某种考试场景，代价是覆盖面越广，单个知识点讲解的精确程度就越难保证。
胡程维曾在自己的写作宣言里提过一句话，学习卡住的原因很少仅仅是知识不够，动机、习惯、环境同样重要。
能生成一节课不难，让人学完之后把学到的东西用起来，才是这类产品最终要做的事。
大模型已经把找答案这件事做得又快又便宜，剩下的难题集中在两个环节：前期如何帮用户筛选出真正该学的内容，后期又怎样让这些内容在记忆里留下来。
文章来自于“虾蛄AI”，作者“虾蛄内容部”。
