DeweyLearn融資500萬美元切入AI技能評估，押注多模態AI對烹飪、護理、臨牀治療等實操技能
教育科技公司DeweyLearn完成500萬美元A輪融資，押注多模態AI對烹飪、護理、臨牀治療等實操技能進行過程評估，而不是停留在答疑、備課或選擇題批改。SJF Ventures領投，Catalysis Capital、Morningside和Owl Ventures等參投；資金將用於擴展醫療教育、高等教育、勞動力培訓和K-12場景。
DeweyLearn由前培生首席產品官、前2U首席學習官Luyen Chou與AI專家Dirk Liebich共同創立。其系統結合視頻、音頻、學習數據、課程要求、領域知識和學習科學，對學習者在真實或模擬環境中的操作過程做初步分析：不僅判斷任務是否完成，還試圖識別動作步驟、操作順序、溝通方式、決策過程及是否符合院校定義的技能標準。
公司沒有采用統一的通用評分模型，而是爲合作機構構建定製化知識圖譜和評估框架。學校將課程目標、能力標準、評分量規、行業規範和教師經驗輸入系統，AI再將學習者的實際表現與該機構標準比對；在烹飪場景中，系統可輔助分析刀工、流程和成品準備過程，在護理與臨牀培訓中，則關注操作規範、溝通質量、干預步驟及情境判斷。
DeweyLearn目前最具代表性的落地案例是Auguste Escoffier School of Culinary Arts。平臺已對超過2萬份學生作業進行初步評估，教師仍保留審覈、修改和最終判斷權；公司稱，這一工作流已爲講師節省數百小時評分時間，並將反饋週期從數週壓縮至數小時，使教師能將時間轉向一對一輔導和複雜教學問題。
公司還在拓展非傳統學校場景：與Riverside Insights探索評估產品合作，在NeuroAffective Relational Model臨牀培訓體系中支持治療師繼續教育，並計劃進入企業技能認證、醫療培訓、職業教育和K-12課堂。DeweyLearn稱，其目標是建立“Learning World Model”，即通過跨領域、多課程、多人羣的學習行爲數據，逐步形成對人類技能學習與表現過程的底層理解。
DeweyLearn此前從超過3000家教育科技公司中脫穎而出，獲得2026年ASU+GSV Cup認可。該獎項本身不等於商業規模，但說明其“AI觀察真實學習過程”的路線，已從以聊天機器人和自動內容生成爲主的教育AI賽道中被單獨識別出來；ASU+GSV對其的定義是，可在在線與線下環境中評估學習表現的多模態AI系統。
市場機制上，職業院校、護理學校、醫療培訓機構、大學、企業培訓部門和評估機構是DeweyLearn的買方；平臺出售的是更快的技能反饋、更大規模的過程性評價和教師時間釋放。傳統實操課程的瓶頸不是缺少教學內容，而是專家觀察與評分的人力不足；AI若能承擔第一輪記錄、比對、證據整理和初評，就能將有限教師資源重新分配到反饋解釋、異常案例、倫理判斷和個性化指導。受益者包括具備明確評分標準的教育機構、教師和學習者；承壓者則是單純依賴人工觀察、難以規模化輸出技能評估的培訓體系。
來源：公開信息
ABAB AI 解讀
教育AI的第一階段主要圍繞“知識交互”展開：智能問答、個性化練習、作業批改、內容生成和學習計劃。其基本輸入是文本、題目、選擇題答案或代碼，評估對象是學習者“知道什麼”。DeweyLearn切入的則是更難數字化的第二階段：學生是否能在現實環境中正確完成任務、是否遵守程序、能否在不確定情境下溝通與決策。這相當於把教育AI從“認知評估”推向“行爲評估”。
這一變化與職業教育長期存在的結構性問題直接相關。烹飪、護理、臨牀治療、技術工種和企業崗位培訓，都需要專家觀察實際操作；但專家評估成本高、反饋慢、評分一致性有限，且難以覆蓋大規模學習者。傳統考試可以用標準化題庫擴大規模，卻很難回答“學生是否真正掌握了操作能力”。DeweyLearn試圖把視頻、音頻、現場記錄和課程評分量規組合成可審計的表現證據，讓AI先完成重複性觀察，再將高風險判斷保留給教師。
其技術路線的關鍵不在於使用一個更強的視覺模型，而在於把每所學校的“隱性教學標準”顯性化。通用模型可以識別刀、鍋、病牀、聽診器和人體動作，卻未必知道某一護理學院如何定義無菌操作、某一烹飪課程如何評價刀工、某一治療訓練如何判斷干預是否恰當。DeweyLearn爲院校構建定製知識圖譜，本質上是把教師的評分語言、行業規範與課程目標變成模型可調用的判斷框架；這也是其比通用視頻分析工具更容易形成付費壁壘的部分。
資本路徑上，公司先從標準明確、過程可記錄、教師評分負擔重的垂直場景建立數據和評估能力，再向醫療、高等教育、勞動力培訓和K-12擴展。Auguste Escoffier烹飪學校的2萬份作業並不只是一個客戶案例，也爲公司積累了“任務—動作—評分—教師修訂—學習結果”的閉環數據。教師對AI初評的批准、修改和否決，會持續校正模型對特定課程標準的理解；公司因此不是單純出售一次模型調用，而是在構建可隨機構使用而增強的評估數據資產。
類似邏輯已在語言測試、編程評測和在線監考中出現：Duolingo通過大量學習行爲數據改進語言能力判斷，CodeSignal和HackerRank通過代碼提交和測試用例評估技術能力，Prometric等機構則依賴標準化考試與監考流程維護認證可信度。DeweyLearn試圖進入的是這些系統尚未充分覆蓋的領域——需要“看見、聽見並理解操作過程”的技能認證。它與傳統考試公司的競爭不只是評分速度，而是誰能定義實踐能力的證據標準。
這屬於技術替代，但替代對象不是教師本身，而是教師最耗時、最可重複的觀察與初評工作。AI能夠擴大反饋覆蓋面，卻無法天然承擔高風險場景中的最終責任：護理操作是否安全、臨牀溝通是否恰當、學生是否應獲得資格認證，都需要人類專家審覈、申訴機制、數據治理和明確責任邊界。未來的教育AI競爭，不會只看模型能否給出評分，而要看它能否在教師審覈下提供可解釋證據、保持評分一致性，並在不同學校標準間安全部署。
ABAB News · 認知定律
知識可以答題，技能必須被看見
AI替代評分時間，教師保留判斷責任
通用模型識別動作，行業標準決定價值