AI把知识做成3D互动网页以后，最危险的不是画面难看，而是“动画很对、物理很错”：教学可视化必须把可交互性和知识真实性分开验收
AH-0581推荐的是 AetherViz Master。 原素材说：输入“牛顿第二定律”“三角函数”等主题，就能生成3D/SVG交互教学网页，带学习目标、公式、调速、单步和小测验。 截至2026-08-15，官方仓库真实存在，MIT，当前只有少量commit，核心形态更接近一个Skill/教学页面生成规范，而不是成熟的教学平台。README确实描述了Three.js、SVG、KaTeX、D3和多
AI把知识做成3D互动网页以后，最危险的不是画面难看，而是“动画很对、物理很错”：教学可视化必须把可交互性和知识真实性分开验收
AH-0581推荐的是 AetherViz Master。
原素材说：输入“牛顿第二定律”“三角函数”等主题，就能生成3D/SVG交互教学网页，带学习目标、公式、调速、单步和小测验。
截至2026-08-15，官方仓库真实存在，MIT，当前只有少量commit，核心形态更接近一个Skill/教学页面生成规范，而不是成熟的教学平台。README确实描述了Three.js、SVG、KaTeX、D3和多学科主题。
真正值得留下的不是“自动生成教学网页”。
而是一个更严格的问题：
Interactive ≠ Instructionally Correct。
1. 动画流畅，不代表模型正确
牛顿第二定律页面可以有小球、速度滑块、矢量箭头。
如果： 质量没进入公式； 力的方向错； 单位错； 初始条件不一致； 数值积分不稳定；
页面越流畅，错误越容易被学生相信。
所以教学互动资产必须有两套QA：
Visual/Interaction QA； Concept/Model QA。
2. 可视化必须先声明“它简化了什么”
任何教学模型都会简化现实。
例如匀速运动可能忽略： 空气阻力； 摩擦； 测量噪声； 三维环境。
简化不是问题。
隐藏简化才是问题。
每个互动实验都要写：
Assumptions； Included Variables； Excluded Variables； Valid Range； Failure Case。
学生才知道模型何时适用。
3. 公式不是装饰组件
AI网页最容易生成一段KaTeX，看起来专业。
但公式必须与交互控件同步：
滑块改变哪个变量？ 单位是什么？ 公式是否实时更新？ 图形是否使用同一值？ 小测答案是否来自同一模型？
因此需要：
Equation-to-Interaction Contract。
不能公式写一套、动画跑另一套。
4. “支持物理、化学、生物、数学……”不能等于同等可靠
不同学科可视化难度完全不同。
三角函数曲线可以直接由确定公式生成。
生物过程、量子概念、相对论、化学反应如果被过度动画化，容易把比喻当机制。
因此主题需要Risk Tier：
Low-risk deterministic； Model-based； Conceptual analogy； High-misconception risk。
越抽象，越需要教师/专家复核。
5. 学习目标必须能被测
“理解牛顿第二定律”太宽。
更好的目标：
给定质量和合力，能计算加速度； 改变质量时能预测加速度方向/大小； 能解释力为零与速度为零不是同一件事。
然后Quiz和交互必须对准这些目标。
Learning Objective → Interaction → Assessment Alignment。
6. “看懂了”不等于“学会了”
3D动画很容易制造熟悉感。
学生觉得：
“我明白了。”
但如果关掉动画后不能： 解释； 计算； 迁移到新题； 指出边界；
就只是Perceived Fluency。
所以V3必须比较： Pre-test； Interaction； Post-test； Transfer Task； Delayed Recall。
不看“页面好不好玩”一个指标。
7. 互动控件也可能制造错误直觉
如果用户把速度调快，动画中的时间尺度被压缩； 如果把力调大，视觉位移可能为了好看被非线性缩放。
这些设计会改变直觉。
因此所有视觉映射要标：
Physical Scale； Visual Scale； Time Scale； Clamping； Nonlinear Mapping。
Visual Convenience ≠ Physical Scale。
8. Accessibility不是附加项
如果知识只存在于3D画布： 键盘用户； 屏幕阅读器； 低性能设备； WebGL失败； 减少动态效果用户；
可能完全拿不到信息。
因此互动页需要：
Text Equivalent； Keyboard； Reduced Motion； Static Diagram； Fallback； Mobile QA。
9. AI生成教学资产必须有Source Layer
每个核心概念、公式和定义最好能回到：
教材； 课程标准； 官方文档； 同行评议资源。
AI写出的“原理讲解”只是Draft。
不能因为页面漂亮就成为Source of Truth。
10. 商业机会：Interactive Lesson Evidence Contract
真正可产品化的是：
Topic → Learning Objectives → Source → Model → Assumptions → Equation → Interaction → Assessment → Accessibility → Expert Review → Learner Evidence。
这和alphahole“工具 + 互动实验 + 教学内容”高度契合。
11. 对alphahole的直接启发
以后我们的金融、AI、工作流实验页也应按同样原则：
动画/交互不是为了显得高级。
它必须让用户做一个更好的判断。
如果工具只是“拖动滑块很酷”，没有Decision Delta，就不值得维护。
Stop Rule
如果互动资产： 公式与动画不一致； 没有假设/适用边界； 不能测学习目标； 只有视觉刺激； 移动/无障碍fallback失败； 无法定位知识来源；
就不发布为教学实验。
AI最容易生成的是“像教学的互动页面”。真正难的是让每一个可点、可拖、会动的东西，都忠实地对应一个可验证的知识关系。
12. 教学交互还要区分“控制变量”和“展示参数”
页面里有很多滑块，不代表用户真的在做实验。
如果多个变量同时变化，学生无法知道结果由谁导致。
因此教学交互最好明确：
Independent Variable； Dependent Variable； Controlled Variables； Observation； Reset State。
这让“拖动滑块”从玩具动作变成可解释实验。
13. 错误答案也应该被设计
优秀教学不只是让正确路径顺畅。
还要考虑学生常见误解：
力为零所以速度为零； 更重的物体一定下落更快； 相关等于因果。
互动资产可以专门构造Counterexample，让错误直觉暴露。
Misconception Test > Decorative Quiz。
14. 生成式教学页面还需要版本与审校记录
知识页一旦被课程使用，后续模型/Prompt更新可能改变公式或解释。
因此保存：
Generator Version； Source Version； Reviewer； Correction； Published Version。
这样教师发现错误时可以追到是哪一版生成，而不是静默覆盖。