scan_date: 2026-08-07 mode: 後續深挖（master-teacher-perception-2026-08-07 的延伸） tier: focused（主 session 直跑，6 發 WebSearch）

深挖報告：松鼠AI 實體學習中心經營型態 ＋ Brian 雙房型設計對照 ＋「循循善誘引擎」先例地圖

依報告格式規則寫成白話版，名詞隨用隨解釋。三個部分： §1-3 松鼠AI 到底怎麼經營（Brian 問題一）；§4 對照 Brian 的雙房型設計；§5 循循善誘引擎的先例（Brian 問題二）。

行動清單（先看這裡）

1. 最重要的洞察：松鼠AI 現在的型態（自習室＋督學師不得教學）不是教學最優解，是中國監管的產物——2021 年「雙減」政策禁止 K-9 學科補習後被逼出來的合規形狀。Brian 設想的「房型一」（真人老師面對面教學）在今天的中國反而是違規做不了的；新加坡沒有這個限制，等於 Brian 可以做松鼠AI 想做而不能做的型態。
2. 松鼠AI 的錢主要賺在賣硬體差價（學習機進價約 1,500 人民幣、建議售價 5,780）——它本質上更像「賣鏟子給加盟商」的生意，不是「教學效果」的生意。參考它的營運細節可以，不要參考它的商業模式當教學品質的背書。
3. 「循循善誘引擎」（引導揭露到什麼程度）在學界有正式名字：援助兩難 (assistance dilemma)，Koedinger 與 Aleven 2007 年定名，是 ITS 領域二十年的核心難題——你的直覺完全正確，這確實是大學問，而且有一整套現成的先例組件可以抄（§5 有地圖）。
4. 這個引擎正好是 telemetry 遙測鏈的消費端：「該揭露多少」的最佳答案取決於「學生現在的狀態」——沒有狀態感知，引導引擎只能瞎猜。兩條線在這裡會合。

§1 松鼠AI 實體中心：兩個時代的兩種型態

時代一（2016-2021）：學習中心——「AI 上課＋真人輔導」

雙減前的原始型態：學生到中心，主要跟 AI 系統學（AI 出題、AI 講解、AI 規劃路徑），現場有真人老師，一位老師同時照看約 6 名學生，角色是情緒支持＋回答 AI 解決不了的問題。人是「輔助」，AI 是「主教」。這個型態後來原封不動搬去了美國。

時代二（2021 至今，中國現行）：AI 自習室——「賣學習機＋督學服務」

2021 年中國「雙減」政策（禁止義務教育階段的學科類校外培訓）把整個補教業炸平。松鼠AI 的合規解法：

• 定位改成「自習室」——法律上跟付費自習室、圖書館同類，不需要辦學許可證。
• 店裡的真人從「老師」改叫「督學師」，職責被硬性限制在：督導學習習慣、監督計畫、關注狀態、給予鼓勵——明文禁止講授學科知識。總部定期巡店，違規零容忍（因為一家店違規教學，整個品牌都可能被監管點名）。
• 學生的「教學」全部由學習機（平板）上的 AI 系統完成：測—學—練—測四步閉環（先測出漏洞→推送對應知識點影片→邊學邊練→再測驗收），配「家長通」讓家長遠端看數據。
• 規模：松鼠AI 約 3,000 家門店，全部是加盟店（不是直營）；整個「AI 自習室」行業更誇張——2024 年 7 月全行業已約 5 萬家，一年暴增 106%。

美國版（2025 至今）：把時代一的型態出口

美國沒有雙減，所以美國加盟方案回到「真人老師（現場或直播）督導約 6 名學生＋AI 系統主教」的原始型態。加盟總投資約 11-13.7 萬美元。

給 Brian 的判讀：松鼠AI 自己的行為證明了它認為「有真人教師在場」是更好的型態——一有機會（美國）就恢復。中國的自習室型態是戴著鐐銬跳舞。

§2 錢從哪裡來（以及風險的真實樣子）

加盟商的三個收入來源（中國自習室型態）：

1. 硬體差價（大頭）：學習機進價約 1,500 元人民幣，建議售價 5,780 元——一台賺四千多。
2. 督學服務費：月費全國多數地區約 1,000 元人民幣，100% 歸加盟商。
3. 系統訂閱費。

加盟門檻：號稱「零加盟費」，但首批學習機貨款約 20 萬起，加租金裝修，單店總投入約 25-40 萬人民幣。官方話術是「最快 1 個月損益兩平、平均 3-6 個月回本」。

陰暗面（媒體實查）：騰訊記者調查北京某店——47 平米、開了半年、只收到 5 名學生；另有記者「潛伏」報導揭露灰色操作；江西省教育廳 2024 年底點名多家 AI 自習室品牌「違規開展學科類培訓」（掛自習室的皮做補習的事）；招商時教加盟商避用「招生」字眼規避監管。「加盟商賺不賺錢」與「總部賺不賺錢」是兩回事——總部賣機器就賺了，店虧是加盟商的事。

給 Brian 的判讀：松鼠AI 值得抄的是營運零件（督學師的培訓體系、四步閉環流程、家長數據透明），不值得抄的是商業結構（硬體差價驅動＋監管套利）。這呼應主報告的死案存活律：它活著靠的是通路與合規操作，不是教學效果的硬證據。

§3 店內一天長什麼樣（拼出來的實際流程）

學生到店 → 在學習機上做入門測（AI 用少量題定位薄弱知識點，生成「補漏清單」）→ 照清單推送影片講解＋練習 → 督學師在座位間巡走，看的是狀態不是內容（發現分心、卡住、情緒不佳時介入關懷或調整計畫）→ 課後數據同步到家長手機。家與店的分工：居家用學習機診斷、到店強化、回家復盤——「三步閉環」。

注意這個分工的本質：AI 管認知（教什麼、怎麼教），真人管狀態（有沒有在學、心情好不好）。這是被監管切出來的分工，但意外地跟學術文獻的發現吻合——主報告提過 LearnLM 獅子山實驗（老師主導、AI 僅 2% 直接給答案）和 Tutor CoPilot（真人上場、AI 當軍師），有效的配置都是「人機分工明確」，只是刀切在不同位置。

§4 對照 Brian 的雙房型設計

Brian 設想的實體學習中心：一間間一對一學習間，兩種房型——

• 房型一（真人主導）：真人老師與學生面對面。學生介面＝Boox Note Max（主介面，手寫）＋平板（播教學影片、2D/3D 操作型動畫）。老師介面＝呼叫 AI 軍師、pointer/直接書寫講解、題目傳送、時間控制、講解材料推送選擇（影片/動畫/文字/語音）。
• 房型二（AI 主導的自學型）：AI 老師輔助，學生自選講解形式；核心難題＝引導揭露程度的拿捏。

對照表：

四個判讀：

1. 房型一＝Tutor CoPilot 的實體加強版。「呼叫 AI 軍師」正是 Tutor CoPilot 的核心互動（家教卡住→按鈕→AI 用專家決策邏輯給建議），而那個實驗證明了這個配置有效、且對新手老師增益最大。Brian 的加強在於：軍師的情報來源多了手寫遙測（全世界文獻裡沒有的資料）。
2. 房型一在中國做不了（真人一對一學科教學正是雙減打擊對象），新加坡無此限制——這不是小事，等於 Brian 的型態天然避開了全球最大競爭者被鎖死的賽道。
3. 雙屏分工（Boox 手寫＝作答思考、平板＝多媒體講解）與 2026-07-30 拍板的講解視覺化雙路線（預渲染 Manim＋即時互動引擎）嚴絲合縫——操作型動畫的載體問題已經有答案了。
4. 「講解材料推送選擇」（影片/動畫/文字/語音）：注意 telemetry 計畫裡本來就有「教學形式接受行為」這個訊號——學生對哪種講解形式吸收得好，是可以從行為數據學出來的。房型一由老師手動選、系統記錄效果；累積夠了，房型二就能自動選。房型一是房型二的訓練資料工廠——這個結構值得在設計時就刻意保留。

§5 「循循善誘引擎」的先例地圖——它叫援助兩難 (assistance dilemma)

5a. 這個問題有名字、有定義

Brian 原話：「在觀念與步驟引導時，到底要揭露到什麼程度？」——這在學界叫 assistance dilemma（援助兩難），Koedinger 與 Aleven 在 2007 年的論文正式定名（兩位都是卡內基美隆大學、Cognitive Tutor 系統的核心人物）。定義白話版：

• 給太多（直接講答案）→ 學生看似順利，實則淺層學習，下次自己不會做，而且失去自己想的動機。
• 給太少（死不提示）→ 挫折、浪費時間、放棄。
• 更麻煩的是：學生自己不擅長在對的時機求助——該問的時候不問（怕丟臉/不自知），不該問的時候狂問（想混答案）。所以「等學生主動求助再給」也不是解。

5b. 二十年累積下來的組件（引擎不用從零發明）

1. 提示階梯 (hint ladder)：Cognitive Tutor 的經典設計——提示分層級，從最含糊到最具體：先給「對/不對」的回饋 → 再給方向性提示（「想想這一步用哪個公式」）→ 再給解釋性提示 → 最後一層叫 bottom-out hint（保底提示，等於直接示範這一步）。原則：先扣住資訊，按需一層層releasing。
2. 提示濫用偵測 (gaming the system)：有了提示階梯，馬上出現新問題——學生狂按提示直接拿保底答案（把系統當答案販賣機）。Baker 系研究（主報告 07-31 提過的四態偵測同一批人）發展了偵測「鑽系統」行為的方法。設計引導引擎時必須同時設計反濫用。
3. 主動求助預測 (HelpNeed Predictor)：既然學生不會在對的時機求助，就讓系統預測「這個學生現在需要幫助但沒開口」，主動遞提示——North Carolina State 的 Hint Factory 延伸研究。這正是手寫遙測的用武之地：落筆停頓、反覆塗改、長時間空白，都是「需要幫助但沒開口」的訊號，而且比打字介面的訊號更豐富。
4. 揭露程度的現代訓練法：主報告講過的 PedagogicalRL／PEARL——用「多輪之後學生真的會了」當獎勵訓練 AI 忍住不報答案；LearnLM 獅子山實驗的實測配置是 AI 僅 2% 的情況直接給答案（一個可以直接參考的數字錨點）。
5. 決策的骨架：Bridge 的三步決策模型（先診斷錯誤類型→再選策略→才生成回應）裡的「選策略」那一步，本質上就是揭露程度的選擇（反問=揭露 0%、方向提示=30%、示範=100%）。把 Bridge taxonomy 和提示階梯疊起來，引導引擎的決策空間就畫出來了。
6. 評分軸：MRBench／BEA 2025 的五個評測維度裡「providing guidance（引導品質）」和「actionability（回饋可執行性）」正好是給引導引擎打分的現成量尺。

5c. 兩房型與引擎的關係（把 §4 判讀 4 說完整）

引導引擎最難的不是「有哪些揭露檔位」（上面的組件已給出檔位表），而是「此刻該掛哪一檔」——而這取決於學生此刻的狀態（卡在觀念還是粗心？挫折累積到哪了？這孩子吃軟還是吃硬？）。這正是「名師學習狀態感知」radar 的原點：名師厲害的不是招式多，是換檔準。

所以三條線在此會合：telemetry 遙測鏈提供狀態訊號 → 名師萃取（Bridge 方法）提供換檔的決策邏輯 → 提示階梯＋反濫用提供檔位硬體。房型一運轉時，老師的每一次實際換檔（何時給了哪種材料、揭露到哪一層、學生後續表現）都被記錄下來——這就是在生產「k=1 名師換檔資料集」，全世界沒有人有的東西。房型二的引導引擎，就從這個資料集裡長出來。

§6 證據連結

松鼠AI／AI 自習室：界面新聞：加盟8大注意事項／新浪財經：盈利模式全拆解（2026-07）／觀研報告：AI自習室行業分析／騰訊新聞：督學師月入過萬（2024-12）／虎嗅：2025 年門店預計 5 萬家／騰訊新聞：北京門店 47 平半年 5 名學生（2025-03）／騰訊新聞：潛伏 AI 自習室（2025-09）／央視網：AI+督學模式／Squirrel AI 美國加盟頁／Forbes：Derek Li 專訪（2025-02） 援助兩難：Koedinger & Aleven 2007 原文 PDF（CMU）／Educational Psychology Review 期刊頁／HelpNeed Predictor（arXiv 2010.04124） 主報告交叉引用：Bridge／Tutor CoPilot／PedagogicalRL／獅子山 RCT／MRBench／gaming the system → 見 master-teacher-perception-2026-08-07.md §5

覆蓋聲明＋查詢原文

focused 檔（非完整 radar）：WebSearch 6 發——①松鼠AI 线下学习中心 加盟 经营模式 门店②松鼠AI 加盟费 师资 AI老师 真人督导 学习规划师③Squirrel AI learning center business model offline franchise human teacher role④松鼠AI 自习室 学生 学习流程 学习机 督学 体验 一天⑤AI自习室 收费 会员 盈利 乱象 双减 学科培训 争议 2025⑥assistance dilemma Koedinger Aleven when to give help intelligent tutoring hint。全數有結果。未覆蓋：松鼠AI 財報級數字（未上市，無公開財報）、雙減前學習中心時代的第一手營運細節（訓練資料＋美國加盟頁旁證，標 unverified 級）、加盟商實際回本率統計（僅有個案報導）。

本報告為 master-teacher-perception-2026-08-07 的後續深挖，2026-08-07 時間快照。