指定一座大山,与AI一起学习攀登之法 —— 2026学年创业者道场回顾

东京大学创业者道场是一门创业精神教育课程,2026学年的课程已经结束。

前半段S1(4月至6月)以讲座和嘉宾演讲为主,共7次;后半段S2(6月至7月)由团队实践,共7次。今年在这两个部分,我们都对课程设计做了大幅调整。本文是对此的记录与回顾。

背景与脉络

首先说明一下脉络。去年年底,我写过一篇题为《生成式AI将如何改变创业精神教育》的文章。使用生成式AI,学生只需30分钟就能做出外观相当不错的路演资料。也就是说,学生的努力和能力与成果的质量很容易出现巨大的偏离。此外,学生可使用的生成式AI套餐不同,成果的质量也会大不相同。这使得AI付费的差异和AI素养的差异对成果产生了很大影响。然而,如果继续限制课堂上使用AI,课堂与现实中需要创业精神的场景之间的偏离就会变得更大。

另外,我一直在说明创业精神教育有广义和狭义之分。本课程的设计相对偏向狭义的创业精神,同时也以培养广义的创业精神为目标。课程的目的并不是传授商业知识和技能,而是培养包含这些内容、在其他领域同样可用的素质与能力,例如假设验证和资源获取,但总体上仍相对偏向狭义。而且在处理狭义的创业精神时,我们谈的也不是一般意义上的创业,而是以高成长初创企业为前提。

在这样的环境下,创业精神教育应当教什么、评价什么?去年年底的文章就是在这样的问题上结束的。作为我们在2026年这个时间点对该问题的回应,我把这次尝试的记录分享出来。不过需要事先说明的是,这并不是能够适用于所有地区和所有教育目的的做法。

今年的重大变更:构想与AI

变更大致有三项。

第一,我们把教学的重心,从“发现眼前的课题并进行假设验证”,转移到了“描绘宏大的构想,并设计通往那里的战略”。

正如我此前所说,我认为精益创业和设计思维之类的传统方法论,在孕育日本的高成长初创企业这一点上存在局限。原因在于,它们容易以身边的创意为起点,而且在验证的过程中容易收敛为小型事业。

当然,寻找隐藏的课题、思考解决方案并加以验证,这样的做法对于小型企业的创业如今依然有效;即便描绘了宏大的构想,脚下依然是一连串的假设验证,这一点也不会改变。况且,假设验证的方法论容易教授,对教师来说也是一件令人高兴的事。

即便如此,考虑到日本初创企业生态系统所处的环境、后文将谈到的AI的发展,以及“容易教授=好”这一点,我目前的认识是:首先决定“要爬哪座山”正变得越来越重要(参见Fit Journey v2)。

以上说的是狭义的创业精神,但我认为广义的创业精神也处于同样的状况。因为在当前日本的产业构想、地区构想和国家战略等方面,各种宏大的构想已经开始被需要:在人口不断萎缩的情况下如何描绘新的格局并加以落实,在国际秩序动荡的情况下如何确立自己的位置。

第二,在S2中,我们改为由教师一方指定“使命”。 例如,我们事先准备好“在15年内,于水下机器人领域打造市值3000亿日元以上的企业”这样的宏大目标和约束条件,让学生从中选择并加以挑战。山的大小无法改变,但攀登的方式是自由的。

其实从几年前开始,S2的工作坊就不再从学生完全自由的创意出发了。原因是,自由发挥的话,容易冒出难以通过访谈等方式进行假设验证的创意。因为希望学生通过访谈进行假设验证,所以我们限制了对完全自由创意的选择(不过,只要领域相同,创意是可以修改的)。

这种限制的副作用是:有些同学会因为这不是自己的创意而丧失干劲,也很难体验由负责人带领的团队组建。但即便有这些缺点,我们此前仍然重视假设验证的体验。因此今年,我们降低了通过访谈进行假设验证这一体验的优先级,提高了挑战宏大目标这一体验的优先级。

此外,也许可以让学生自己来设定这样的宏大目标,但即便在支持社会人士创业的工作中我也体会到,决定“爬哪座山”是一件非常困难的事。正因如此,课堂上由教师承担选山的工作,让学生专注于“攀登大山的方法”的训练。

而且,试验自己创意的机会,在校内的课外活动和校外的项目中也越来越多。那么,大学的课程是不是更适合作为一个展示个人很难自行选择的、具有重大社会意义的山的场所呢?我是这样想的。在短时间内学会攀登大山的方法,过去很困难,但我也预期使用AI也许能够加速这一过程。

第三,我们以使用AI为前提,重新构建了整个课程。 从调研、模拟访谈、战略制定、融资计划到路演资料的制作,全都融入了AI;此外还自行开发了大约5个课程用的网页应用,在理论学习和实践之间加入了“模拟实践”的环节。

这三项并不是各自独立的变更。正因为生成式AI降低了调研和验证性试制的成本,决定前进方向的能力才相对变得稀缺,教育的重心也随之转移。而且同样得益于生成式AI,教师自己也能够制作支撑这种重心转移的教材和应用。“用AI提高探索和试制的速度,相应地要求人类去做山的选择、战略和判断”,把这一方针分为S1和S2来落实,就是今年的课程。

S1:强调描绘宏大构想

S1被定位为学习基础知识和“去学习”(unlearn)的学期。关于后者补充一句:很多学生对初创企业式的商业并不是“不了解”,而是“持有错误的知识”,所以首先需要把这些知识松解开来。这一定位与以往相同。7次讲座和嘉宾演讲的框架也没有改变,内容上主要替换了两处。

(1) 市场与战略

第一处是重视市场和战略性。FoundX一直使用的“初创企业适配之旅”(Startup Fit Journey)旧版,是从客户开始,依次累积课题、解决方案、产品、市场的路径。今年使用的新版,在这之前增加了“市场选择(Market)”和“战略构建(Market/Strategy Fit)”两个阶段。因为宏观层面的设定,事后很难更改。如果选错了市场,无论之后在微观层面的验证上多么努力,高成长的可能性都会极低。

课堂上,我多次谈到“在满分100分的考试中拿95分,还是在满分1万亿分的考试中拿95亿分”这个话题。初创企业的衡量标准不是成功的概率,而是成功时的规模。对于一直在训练如何在既定满分内不丢分的东京大学学生来说,这大概是最需要去学习(unlearn)的部分。

学期末的反思中,也有这样的记述:“此前我重视的是在给定的课题上取得多好的成绩,却几乎没有从一开始就考虑要去做哪个课题的视角。”这并不是作为知识获取反馈回来的,而是作为对自己一直在使用什么衡量标准的觉察反馈回来的。作为以“去学习”为目标的课程,这样的反应与目标相当接近。

(2) 借助AI的模拟实践

第二处是借助AI的模拟实践。今年我自己开发了一些网页应用,并融入课堂和作业中。例如以下这些:

• 实时转录讲座内容,并由AI对学生提交的提问给出改进建议的讲座用应用
• 与AI对练,体验销售和投资判断的访谈应用
• 通过6个步骤模拟体验创业流程的应用(Fit Journey 体验应用)
• 用于市场选择和战略制定的提示词集

我认为使用AI应用有几个好处。

以往,理论学习之后的下一步就直接是实战(虽然课堂上让学生之间做过模拟训练)。现在相当于在两者之间加入了一个失败成本几乎为零的练习场。

借助AI进行模拟实践的好处在于,AI可以随时给出建议。例如访谈应用会当场反馈改进提问的方案,以及“那样提问不行的原因”。学生反思中典型的内容是:“自己以为是好问题,结果却引导了对方,没能深挖到对方真正的困扰。”在理论学习时可以讲解“不要提引导性的问题”,但自己在引导对方这件事,不被指出就注意不到。然而,让教师逐一指出每个人的问题很困难,所以我的判断是,可以把AI等作为辅助手段来使用。

我们还注意设计了不收集个人数据、运营方看不到学生输入内容的机制(例如完成作业后会发放通关码,请学生通过Google Forms报告,等等)。另外,从应用开发的角度来说,战略类应用我还做了另一个,但没有做好,最终放弃了。让AI充当高度抽象思考的对象,感觉还很困难。

令人印象深刻的是对AI局限性的觉察。在一项设定了市值3000亿日元这一假想条件、使用AI进行市场选择的作业中,有位学生根据自己多次反复尝试的体会写道:“依赖AI,容易流向庞大而稳妥的市场中的平均化创意。”以AI的运用为主题的课程,其成果竟是切身体会到AI的局限,这多少有些悖论,但我认为这也是顺理成章的结果。

虽然只是些细枝末节的小技巧,但能和AI一起思考反思表的题目,对我帮助很大。反思的题目怎样设置,会让学习者的收获大不相同。以往是在团队内部讨论的反思题目设计,现在可以随时与AI商量,并获得基于教育学知识的反馈,这很有帮助。

S2:指定山,与AI一起攀登

S2是工作坊形式的7次课。学生分成团队,从初期调研开始,依次推进到事业假设的构建、战略与原型计划、融资计划与路演资料的制作。最后2次课邀请了5位现役创业者和5位投资人担任评委,并采用拼图法(jigsaw),让全体学生各自进行路演。这是为了让学生把自己的假设拿到创业者和投资人这些现实社会中的评价者面前接受检验,也就是教育学中所说的高真实性评价(authentic assessment)。

在此基础上,今年做了如下变更。

(1) 使命的设计

我们准备的使命,以海洋×机器人、天然氢、宇宙、风力、材料×AI、住宅×能源等偏深科技的领域为主。对营利性使命,统一设定了“15年内市值达到3000亿日元以上”的约束(社会创业类则设置了另一种形式的宏大目标)。每个使命都附有一份表格,汇总了项目方案示例、竞争对手、初期应验证的假设、约10万日元即可制作的原型方案,以及参考文献。项目方案可以更改,但领域和约束条件不可更改。

(2) 将AI融入各个步骤

AI被融入了每一个步骤。调研阶段使用NotebookLM和为课程准备的“AI Wiki”。这是一个包含提示词模板集的调研与整理环境:学生向AI提出的任何问题,所有交互都会保存到Wiki中,当Wiki页面积累到一定数量时,LLM会自动整理出洞见,可以说是LLM Wiki的小组版。AI是通过OpenRouter使用的,由我们这边视情况选用速度、性能和成本都较好的模型。

结果

整体感觉是,时间比以往更不够用了。看来在非专业领域,即便使用AI,要跟上进度仍然非常困难。另一方面,我觉得在没有AI的时代,是做不到这么扎实的调研的。

我觉得学生们的收获也有些不同。与以往“意识到了假设验证的重要性”这类收获相比,出现了这样的评论:养成了“即便是很高的目标,只要认真调研、一步步攀登,也能到达一定的高度”的感觉。我认为这也符合课程的设计。

评委一方的反应也变了。到去年为止,也许是因为学生那些“身边课题类应用”与投资人平时接触的创意相差太大,评委们会说“很难点评”。今年得到的感想是:“点评起来比较容易,但正因为被放在了同一个平台上,粗糙之处就显得更加突出。”也有评委因此建议学生应该多做访谈、多去现场,以提高分辨率。如果时间再多一些,也许能做到这一点。不过,我认为学生能够与一般创业者在同一个平台上接受评价,这件事本身就是一种进步。

舍弃的东西与困难之处

另一方面,为了这样的设计,我们也舍弃了一些东西。

首先,无法练习从零开始产生创意,因为使命是由教师指定的。此外,团队也是由运营方组建的,所以学生没有自己召集伙伴、组建团队的经历(不过团队内部的团队合作当然是必需的)。

这些方面之所以可以舍弃,是因为在校内的课外活动和校外的项目中,试验自己创意、寻找伙伴的机会相对较多;但我认为,正是因为身处东京这样机会众多的地方,才得以舍弃这些,这一面也相当明显。实际上,虽然我们说明了“想试验自己创意的人,请在其他课程或课外活动中进行”,但对这一变更感到不满的人和退课的人也确实存在。即便如此,如果所需的技能正在发生变化,我的判断是应当优先传授必要的技能,而不是顾及口碑。

最困难的是访谈。到去年为止,学生自己指定可能成为客户的创意,所以很容易通过客户访谈进行假设验证;但今年以使命导向的深科技领域为主,连找到访谈对象本身都变得困难。今年也有一家公司给予了协助,有的团队实际进行了访谈,但总体感觉仍有些困难。明年也许可以通过一些办法在一定程度上缓解,例如把使命限定在与东大技术相关的范围,或者减少使命的种类并事先请求潜在客户的配合。

生成式AI与创业精神教育

最后,我把从今年的经验中思考的内容总结一下。

第一,教师能够自己制作交互式教材,我认为意义重大。以往教育领域的软件是Zoom和LMS(学习管理系统)那样的提高效率的工具,能快速准确地处理既定流程,但并不会从根本上改变课程的内容。生成式AI则不同。几年前可能需要外包、花费数百万日元和几个月才能做出来的应用,现在教师个人就能做出来,并且每周都能修改。而且还能在一定程度上实现AI的个性化。专门为了自己课程、自己某一次课、想要传达的某一个要点而存在的软件,已经成为可能。我认为这并不仅限于创业精神教育。

第二,作为代价,课程设计变得更难了。因为在由学生、教师、教材三者构成的格局中,软件作为第四个要素正式加入了进来。如今不仅有通用工具,还能立刻制作出适配每一节讲座的专用软件,我想在主动学习(active learning)中应该如何定位软件和生成式AI,今后一段时间内仍将处于摸索期。

第三,即便如此,如果不使用AI,现实与教育之间的差距必然会扩大。正如上一篇文章中也提到的,正因为创业精神教育与现实社会距离很近,我觉得有必要重新持续思考:如何与现实社会取得协调,又如何在短时间内最大化学生的学习。

世界各地的类似尝试

如何与生成式AI相处,海外的教育现场似乎也在为之苦恼。

例如在2026年春季的斯坦福大学Lean LaunchPad中,8个团队在约10周内进行了978次访谈,所有团队都使用了生成式AI。据报告,那里出现的问题是,用AI制作产品的速度超过了向客户学习的速度。据说,学生几个小时就能做出精致的MVP,却有时无法说明它是为了验证哪个假设而做的。这与我所关注的“努力与成果的解绑”(unbundling)问题意识几乎是相同的认识。

指定使命的形式,斯坦福发起的Hacking for Defense走在前面。这是一门让学生团队挑战政府机构等带来的真实课题的课程,已推广到约70所大学。区别在于,Hacking for Defense处理的是“当下正在困扰的问题”,而道场是由教师设定“未来应当壮大的领域”。此外,沃顿商学院的Generative AI Labs开发了由AI扮演导师和投资人的路演练习模拟,甚至还构想了让教师能够为自己的课程制作专用模拟的环境。

也就是说,今年我们的课程可以定位为这样一次实验:把指定使命的课程、AI模拟、假设验证、从长期构想倒推,这些在世界上各自被尝试的要素,整合进“与AI一起攀登大山”这一个比喻和课程之中。不过,公平起见需要说明,海外的许多案例也还处于实践报告阶段,关于AI的使用是否提高了长期学习成果,严格的验证还有待将来。本文的主张,也请只当作“同一方向的实验正在世界各地同时展开”这一层面来阅读,而不是已被证明有效的方法。

总结

借助AI,围绕身边课题的假设验证循环变快了。在这样的世界里,如果说留给人类的工作是“决定爬哪座山、设计攀登的方式、并持续做出判断”,那么教育的重心也必须向那里转移。 今年的道场,就是其中的一次尝试。

课堂上我问学生:“是在满分100分的考试中拿95分,还是在满分1万亿分的考试中拿95亿分?”我想,同样的问题也是抛给我们教师一方的:是在既有的框架内把课上得稍微好一点,还是从该教什么开始重新构建。

而且,我认为我们这些从事创业精神教育的人自己,必须时常自问:“我们是否发挥了创业精神?”“在教育上,我们是否每年都在挑战?”今年的尝试,就是这样的尝试。

我们的假设也许是错的,明年也不一定还在上同样的课(大概会有所改变),但作为我们目前所做尝试的信息分享,我把它整理成了这篇文章。

另外,这次所用的应用目前没有公开的计划,但提示词集已在FoundX的网站上公开。如果有同样在摸索的教育工作者或政策制定者,希望能对你们有所参考。