上周我帮一位中学老师做课件，想用 Midjourney 生成一张“植物细胞结构图”。生成的图很好看，叶绿体的绿色、线粒体的红色都挺对，但定睛一看，叶绿体长在了细胞核里，液泡小得看不见。这大概就是 AIGC 走进教育培训时的第一道坎：它不是不会画，而是会一本正经地画错。
后来我发现，这不是个例。教学配图、实验示意图、知识图谱，这三类被寄予厚望的 AIGC 教育应用，本质上都在解决同一个问题：让 AI 输出“正确”，而不只是“像”。下面我一个一个拆。
教学配图：为什么 AI 能把细胞图画得这么漂亮，却把叶绿体放错地方？
你现在用 Stable Diffusion 或 Midjourney 生成一张图，全程其实是“去噪”：模型从一张纯噪点图片开始，每步根据文本提示预测“更接近真实图”的方向，一步步把噪声擦掉，最终得到一张图。这套机制叫扩散模型。它之所以能画出“像照片”的东西，是因为训练时见过几十亿张图文对，学会了“看到什么文字，就往哪个方向去噪”。
但问题是，它学的是统计相关性，不是知识。模型见过无数张植物细胞图片，知道叶绿体通常出现在细胞质里，但它不知道“必须出现在细胞质里”。所以当它生成图时，只是把“最常共现的视觉元素”组合起来。于是你会看到：整体形态漂亮，局部关系混乱。
这个坑，教育行业尤其踩不得。一张装饰性插画画错了没人管，但一张细胞结构图画错了，学生记住的是错误的图。
那怎么办？目前比较实用的路线是“可控生成”。比如用 ControlNet 控制构图布局，或者先生成一张图再用局部重绘把错误区域替换掉。我自己的经验是，想让 AI 给教材配图，最少要三轮：生成、挑错、局部修。它更像一个“作图助理”，而不是“自动完成”。
实验示意图：不是让 AI 画图，而是让 AI 拼乐高
实验示意图比配图更严格。以化学实验装置为例：圆底烧瓶放在酒精灯上方，冷凝管要斜着接在烧瓶口，锥形瓶在冷凝管下端——每个部件的位置都有物理规则。让 AI 直接画一张“蒸馏装置图”，它大概率会画出“看着像装置但接不上”的东西。业界怎么做？至少三种探索，核心思路都不是“从零生成”。
- 组件拼装：先用目标检测、图像分割把器材从真实照片或标准图库里抠出来，再用预设规则摆放位置。AI 只负责识别和排序，不负责创造。
- 参数化模板：把常见装置做成可调参数的 SVG 或 CAD 模板。AI 读一段实验描述，决定用哪套模板、参数调成多少，最后渲染成图。
- 布局生成加人工约束：让大语言模型输出实验步骤里的装配关系，再用图布局算法生成连线，最后由人检查。
我最开始以为，实验示意图生成的难点是“画得像”。后来做了一次才发现，真正的难点是“连接关系正确”。AI 不是不会画橡皮管，而是不知道橡皮管该接到哪个口。这也解释了为什么很多产品宁可做“积木式拼装”，也不让模型自由发挥。
这条思路其实也适用于其他严谨学科：AIGC 的价值不是替代工程制图，而是把“查模板、调格式、画草图”的时间压掉，保住最重要的物理约束。
知识图谱：把教材拆成网，最大的坑不是抽不出，而是抽错
知识图谱是教育里最有想象力的一个方向。它把“光合作用”这类概念拆成节点，把“光反应产生 ATP”这种关系拆成边，有了这张网，就能给学生推荐学习路径、诊断知识盲区。过去构建图谱靠专家一根根连线，现在大语言模型可以帮你从教材里抽取。流程大致是这样：
- 把教材、讲义按章节切成长段，输入 LLM，让它抽取实体和关系，输出三元组：实体—关系—实体。
- 跨章节合并去重：比如“细胞呼吸”和“呼吸作用”是同一个概念，需要对齐。
- 叠加上下位关系和因果优先级等规则，过滤明显矛盾的三元组。
- 最后存入图数据库，人工抽样审核。
听起来很顺，但坑在第二步和第三步。先说幻觉：LLM 抽取出“线粒体是细胞的动力车间”没问题，但如果一句原文是“某些条件下，无氧呼吸也可能产生少量 ATP”，模型可能抽成“无氧呼吸一定产生 ATP”。这种“绝对化”错误，在知识图谱里是致命的。
再说对齐：“三羧酸循环”和“柠檬酸循环”是同一个东西，模型如果没有百科知识，可能会当两个节点。这些细节，决定了图谱能不能用。
我原来以为，知识图谱生成最难的是抽取算法，后来才发现，最难的是“关系可信度”。这也是教育 AIGC 和一般 AIGC 最大的不同：一般场景允许一个模糊答案，教育场景一个错误关系就可能带偏整条学习路径。
一张表看清三种 AIGC 教育应用的现实
| 应用 | 核心模型 | 最大风险 | 当前落地方式 |
|---|---|---|---|
| 教学配图 | 扩散模型（Stable Diffusion、DALL-E） | 视觉元素正确但空间逻辑出错 | 可控生成加多轮人工修正 |
| 实验示意图 | 目标检测加规则拼装或模板渲染 | 连接关系错误 | 组件拼装加参数化模板 |
| 知识图谱 | 大语言模型抽取加图数据库 | 关系幻觉、实体概念未对齐 | LLM 抽取加规则过滤加人工抽样审核 |
三个最常被问的问题
用 AI 生成的教学配图能不能直接用？
装饰性插画可以，知识性配图不行。你至少要做一轮“对答案”：把图里每个结构名称列出来，逐一手动核对。想省事，就把生成范围限制在已被反复验证过的提示词组合里，或者使用专门为教材训练的可控模型。
ChatGPT 能直接生成知识图谱吗？
它能生成一个“看起来像图谱”的 JSON 结构，但这个结构里的关系是否真实、是否完整，需要你自己校验。更靠谱的做法是让它输出候选三元组，再用规则引擎和知识库去验证。
AIGC 是不是会取代老师做课件？
它取代的是“从空白到初稿”的阶段，但把“初稿变成可用的教学内容”这件事，短期仍然是人的工作。一位懂 AIGC 的老师，做一份课件的时间可能从两小时变成二十分钟，然后花十分钟检查错误。这才是真实的效率提升。
它的能力边界，比你想象中窄，也比想象中有用
回到开头的问题。AIGC 在教育里到底能干什么？我的判断是：它能干好“辅助生成”，干不好“独立负责”。教学配图、实验示意图、知识图谱，三种应用有一个共同特征：都必须接受“正确性审查”。
技术边界也很清楚：目前的扩散模型没有推理能力，LLM 的抽取会按概率产生幻觉，实验装置的物理约束也不是纯数据驱动能学的。只有当多模态模型学会“先理解、再渲染”，或者教育知识库能和生成模型深度耦合时，端到端生成才可能变成现实。在那之前，所有宣称“一键生成可用教学资源”的产品，你都应该多问一句：错了谁负责？
如果你也被 AI 画出的漂亮错图坑过，那这次至少知道坑在哪了：它生成的是“最像答案的东西”，而教育要的是“确定正确的东西”。中间这条鸿沟，正是 AIGC 在教育培训中最真实的机会与最深的陷阱。
原创文章，作者：guanweilu，如若转载，请注明出处：https://guanweilu.cn/article/1847.html