DeweyLearn融资500万美元切入AI技能评估，押注多模态AI对烹饪、护理、临床治疗等实操技能
教育科技公司DeweyLearn完成500万美元A轮融资，押注多模态AI对烹饪、护理、临床治疗等实操技能进行过程评估，而不是停留在答疑、备课或选择题批改。SJF Ventures领投，Catalysis Capital、Morningside和Owl Ventures等参投；资金将用于扩展医疗教育、高等教育、劳动力培训和K-12场景。
DeweyLearn由前培生首席产品官、前2U首席学习官Luyen Chou与AI专家Dirk Liebich共同创立。其系统结合视频、音频、学习数据、课程要求、领域知识和学习科学，对学习者在真实或模拟环境中的操作过程做初步分析：不仅判断任务是否完成，还试图识别动作步骤、操作顺序、沟通方式、决策过程及是否符合院校定义的技能标准。
公司没有采用统一的通用评分模型，而是为合作机构构建定制化知识图谱和评估框架。学校将课程目标、能力标准、评分量规、行业规范和教师经验输入系统，AI再将学习者的实际表现与该机构标准比对；在烹饪场景中，系统可辅助分析刀工、流程和成品准备过程，在护理与临床培训中，则关注操作规范、沟通质量、干预步骤及情境判断。
DeweyLearn目前最具代表性的落地案例是Auguste Escoffier School of Culinary Arts。平台已对超过2万份学生作业进行初步评估，教师仍保留审核、修改和最终判断权；公司称，这一工作流已为讲师节省数百小时评分时间，并将反馈周期从数周压缩至数小时，使教师能将时间转向一对一辅导和复杂教学问题。
公司还在拓展非传统学校场景：与Riverside Insights探索评估产品合作，在NeuroAffective Relational Model临床培训体系中支持治疗师继续教育，并计划进入企业技能认证、医疗培训、职业教育和K-12课堂。DeweyLearn称，其目标是建立“Learning World Model”，即通过跨领域、多课程、多人群的学习行为数据，逐步形成对人类技能学习与表现过程的底层理解。
DeweyLearn此前从超过3000家教育科技公司中脱颖而出，获得2026年ASU+GSV Cup认可。该奖项本身不等于商业规模，但说明其“AI观察真实学习过程”的路线，已从以聊天机器人和自动内容生成为主的教育AI赛道中被单独识别出来；ASU+GSV对其的定义是，可在在线与线下环境中评估学习表现的多模态AI系统。
市场机制上，职业院校、护理学校、医疗培训机构、大学、企业培训部门和评估机构是DeweyLearn的买方；平台出售的是更快的技能反馈、更大规模的过程性评价和教师时间释放。传统实操课程的瓶颈不是缺少教学内容，而是专家观察与评分的人力不足；AI若能承担第一轮记录、比对、证据整理和初评，就能将有限教师资源重新分配到反馈解释、异常案例、伦理判断和个性化指导。受益者包括具备明确评分标准的教育机构、教师和学习者；承压者则是单纯依赖人工观察、难以规模化输出技能评估的培训体系。
来源：公开信息
ABAB AI 解读
教育AI的第一阶段主要围绕“知识交互”展开：智能问答、个性化练习、作业批改、内容生成和学习计划。其基本输入是文本、题目、选择题答案或代码，评估对象是学习者“知道什么”。DeweyLearn切入的则是更难数字化的第二阶段：学生是否能在现实环境中正确完成任务、是否遵守程序、能否在不确定情境下沟通与决策。这相当于把教育AI从“认知评估”推向“行为评估”。
这一变化与职业教育长期存在的结构性问题直接相关。烹饪、护理、临床治疗、技术工种和企业岗位培训，都需要专家观察实际操作；但专家评估成本高、反馈慢、评分一致性有限，且难以覆盖大规模学习者。传统考试可以用标准化题库扩大规模，却很难回答“学生是否真正掌握了操作能力”。DeweyLearn试图把视频、音频、现场记录和课程评分量规组合成可审计的表现证据，让AI先完成重复性观察，再将高风险判断保留给教师。
其技术路线的关键不在于使用一个更强的视觉模型，而在于把每所学校的“隐性教学标准”显性化。通用模型可以识别刀、锅、病床、听诊器和人体动作，却未必知道某一护理学院如何定义无菌操作、某一烹饪课程如何评价刀工、某一治疗训练如何判断干预是否恰当。DeweyLearn为院校构建定制知识图谱，本质上是把教师的评分语言、行业规范与课程目标变成模型可调用的判断框架；这也是其比通用视频分析工具更容易形成付费壁垒的部分。
资本路径上，公司先从标准明确、过程可记录、教师评分负担重的垂直场景建立数据和评估能力，再向医疗、高等教育、劳动力培训和K-12扩展。Auguste Escoffier烹饪学校的2万份作业并不只是一个客户案例，也为公司积累了“任务—动作—评分—教师修订—学习结果”的闭环数据。教师对AI初评的批准、修改和否决，会持续校正模型对特定课程标准的理解；公司因此不是单纯出售一次模型调用，而是在构建可随机构使用而增强的评估数据资产。
类似逻辑已在语言测试、编程评测和在线监考中出现：Duolingo通过大量学习行为数据改进语言能力判断，CodeSignal和HackerRank通过代码提交和测试用例评估技术能力，Prometric等机构则依赖标准化考试与监考流程维护认证可信度。DeweyLearn试图进入的是这些系统尚未充分覆盖的领域——需要“看见、听见并理解操作过程”的技能认证。它与传统考试公司的竞争不只是评分速度，而是谁能定义实践能力的证据标准。
这属于技术替代，但替代对象不是教师本身，而是教师最耗时、最可重复的观察与初评工作。AI能够扩大反馈覆盖面，却无法天然承担高风险场景中的最终责任：护理操作是否安全、临床沟通是否恰当、学生是否应获得资格认证，都需要人类专家审核、申诉机制、数据治理和明确责任边界。未来的教育AI竞争，不会只看模型能否给出评分，而要看它能否在教师审核下提供可解释证据、保持评分一致性，并在不同学校标准间安全部署。
ABAB News · 认知定律
知识可以答题，技能必须被看见
AI替代评分时间，教师保留判断责任
通用模型识别动作，行业标准决定价值