微软×UIUC：给每个学生造一个「数字分身」，AI教师终于有了陪练
User simulator 正在进入 AI agent 训练流程。客服、电商、医疗问诊、网页操作等场景里，研究者会构造模拟用户，让 agent 在上线前经历更多交互，测试策略、话术和鲁棒性。
教育场景也需要这样的模拟用户，只是这里的「用户」，也就是「学生」，更难模拟：一个学生有相对稳定的知识边界、错误习惯和学习轨迹；学生模拟强调的是学生认知动态的保真，同一句指导，可能让一个学生改正错误，也可能让另一个学生只学会套答案。
这也是 学生数字孪生 受到关注的原因。AI 教师要学习个性化指导，需要看到学生对教学内容、教学策略的反应。真实学生反馈可以提供这些信号，而获取往往要通过学生参与人类测试，成本很高。
直接让大模型扮演学生，看起来是省事的方案。如果告诉它「你是一个基础薄弱的小学生」，模型可以立刻换成小学生口吻，也能表现出犹豫和不确定。
但角色语气和认知水平不是一回事。 一个模型可以用低龄学生的语气回答「我不太懂」，下一句却给出微积分级别的推理。 它看起来在扮演学生，实际反馈仍然受模型自身知识储备影响。
用于 AI 教师训练时，这种偏差会带来问题。AI 教师得到的不是某个学生在当前能力边界下的反应，而是一个高能力模型经过人设包装后的反应。
微软和 UIUC 近期的合作研究 StudentSim，正是从这个问题出发。教育学里评价一次指导是否有效，不仅只看学生独立作答时的表现，也要看学生在接受帮助后能走多远。Vygotsky 提出的「最近发展区」讨论的就是这件事：学生当前能独立完成什么，和在教师支持下能够完成什么，中间的差距反映了教学可以介入的空间。
放到学生模拟器上，这个思想对应两类能力。 第一，模拟器要能复现学生独立作答时的状态，包括能力边界、错误习惯和常见选择。第二，模拟器要能在读到教师指导后产生相应变化，表现出这个学生在帮助下可能出现的认知状态的更新。
StudentSim 把这两类能力分别定义为 behavioral fidelity 和 guidance responsiveness，并用真实学生记录训练个性化学生模拟器。这样得到的 AI 学生，不只输出一个「像学生」的回答，还要能对教学指导作出可测的响应。