最近有個問題一直困擾著我。
我們現在都能使用相同的AI工具。ChatGPT、Claude、Gemini——隨便選。介面很簡單。輸入你想要的，得到結果。十歲的孩子和四十歲的軟體工程師用起來一樣容易。
相同的工具。相同的語言。相同的使用權限。
那麼問題來了：為什麼一位資深建築師請AI幫忙設計建築，得到的是真正能建造的方案——而學生得到的卻是看起來很酷，但一陣風就會塌的東西？
為什麼資深程式設計師用AI寫出生產級程式碼，而初學者得到的程式碼雖然能運行，卻可能在一週內導致安全漏洞？
答案令人不安：You don’t know what you don’t know——你不知道你不知道的。
看不見的鴻溝
讓我舉個具體的例子。
一位專業廚師問AI：「給我一個法式紅酒燉雞的食譜，8人份，醬汁部分可以提前準備，並且要有不喝酒的客人的替代方案。」
一位烹飪新手問AI：「給我一個雞肉食譜。」
兩個人都得到了答案。兩個答案在技術上都是正確的。但專業人士知道該問什麼。他們知道法式紅酒燉雞這道菜存在。他們知道醬汁可以提前準備。他們知道無酒精替代方案是個選項。他們知道份量很重要。
新手不知道自己不知道什麼。所以他們無法提出這些要求。
這就是AI工具的根本悖論：它們放大專業知識，而非取代專業知識。
你真正需要知道什麼
這裡就涉及到教育的核心問題了。
如果AI可以生成程式碼、寫作文、解方程、做設計——那人類還需要學什麼？
下意識的回答是「什麼都不用」。有些人真的相信我們現在可以跳過學習階段。只要告訴AI你想要什麼，得到結果，繼續前進。
但這完全搞錯了重點。
你需要知道足夠多，才能：
- 問出正確的問題
- 識別答案何時是錯的
- 知道「好」是什麼樣的
- 理解哪些約束條件很重要
- 首先看到需要解決的問題
讓我們逐一分析。
1. 問出正確的問題
AI是一台極其強大的答案機器。但它需要極其精確的問題。
一個從未學過物理的學生不可能問AI「優化考慮不同高度空氣阻力的彈道軌跡，並保留15%的安全裕度」。他們不知道這些參數存在。他們不知道這些參數重要。
而在該領域工作多年的專業人士？他們確切知道該指定什麼，因為他們見過不指定時會出什麼問題。
2. 識別錯誤答案
AI會產生幻覺。它會編造東西。它會以完全自信的態度呈現胡說八道。
如果你是專家，你會立刻發現問題。有些東西感覺不對。你去驗證。你提出質疑。
如果你是新手，你毫無防禦。錯誤的答案聽起來和正確的一樣可信。你接受它，使用它，然後承受後果。
3. 知道「好」是什麼樣的
我見過學生用AI生成的程式碼「能用」但簡直是維護噩夢。它確實能運行。但任何有經驗的開發者看到都會皺眉。
學生沒有判斷品質的框架。他們不知道乾淨的架構是什麼樣的，因為他們從未構建或維護過複雜系統。他們無法評判AI給的東西，因為他們不知道自己應該得到什麼。
4. 理解約束條件
每個現實問題都有約束。預算。時間。物理定律。人類心理。法規。相容性。
專家會自動把這些約束裝在腦子裡。當他們請AI幫忙時，這些約束會塑造他們的問題：「設計一個能在現有基礎設施上運行、不需要重新培訓員工、並能在兩週內實施的解決方案。」
學生不知道這些約束存在。所以他們得到的解決方案理論上完美，實際上不可能實現。
5. 看到值得解決的問題
這可能是最重要的一點。
在解決問題之前，你需要先看到問題。而看到問題需要經驗、領域知識和模式識別——這些只能來自於對某個領域的深度參與。
AI可以解決你交給它的問題。但它無法告訴你哪些問題重要。它看不到一個被錯誤執行了幾十年的工作流程中的低效率。它注意不到代表十億美元機會的市場空白。
問題識別是一種獨特的人類技能——而它需要深入了解該領域。
學習的新意義
那麼在2026年，我們應該學什麼？
不是事實。AI擁有所有事實。
不是程序。AI執行程序比我們快。
不是孤立的基礎技能。AI可以執行大多數基礎技能。
相反，我們需要學習：
心智模型。 理解系統如何運作的框架。物理直覺。經濟學推理。設計原則。這些幫助你問出更好的問題，評估答案。
模式識別。 看到不同情況之間相似和不同之處的能力。這來自經驗——來自看到足夠多的例子而發展出直覺。
判斷力。 在數據不完整、約束衝突、風險很高時做出決定的能力。AI可以列出選項。人類必須做出選擇。
約束意識。 理解在現實實施中什麼重要。預算。時間表。人為因素。政治。理論忽略的混亂現實。
問題感知。 注意到某些事情不對的能力，即使你無法清楚表達原因。這來自對某個領域的深度熟悉。
大學的問題
這就引出了Elon Musk和其他人一直在說的：大學教育的價值正在改變。
舊模式很簡單：大學掌握知識。如果你想獲得這些知識，你就去大學。教授教課，你聽講，你畢業時腦子裡裝著別人沒有的資訊。
這個模式已經死了。所有資訊現在都在網上。每一堂課。每一本教科書。每一篇研究論文。你可以學習大學教授的任何東西，而不需要踏入校園一步。
那為什麼還要去？
誠實的回答是：對某些人來說，也許不應該去。
但大學仍然可以提供的是——如果它們願意適應：
結構化的掙扎。 當你在能力邊緣被挑戰時，學習就會發生。好的教育環境會系統性地創造這種挑戰。AI本身不會推動你。設計良好的課程會。
專家反饋。 當你不知道什麼是對的時候，很難知道自己錯了。專家可以看到你的盲點並指出來。AI會告訴你你很棒，即使你並不棒。
問題暴露。 大學可以讓學生面對真實的、混亂的、未定義的問題。畢業設計。研究。實習。這是你培養AI無法給你的判斷力的地方。
社群和責任。 學習很難。有同路人——以及需要達到的期望——會在動力消退時讓你繼續前進。
問題是，大學是否真正提供了這些東西，還是只是提供可以成為YouTube影片的講座。
這對你的孩子意味著什麼
如果你是一位家長正在聽這個，這裡是實際的要點：
不要跳過基礎。 你的孩子仍然需要理解數學、科學、寫作，以及世界如何運作。不是為了執行計算——AI會做——而是為了問出正確的問題並發現錯誤答案。
優先選擇深度而非廣度。 許多領域的表面知識現在毫無價值。AI擁有所有領域的表面知識。重要的是在某件事上走得足夠深，以發展真正的專業知識。判斷力。直覺。模式識別。
專注於解決問題，而非遵循解決方案。 在沒有明確路徑時弄清楚事情的能力——那才是技能。不是遵循指令。不是記憶程序。而是與模糊性搏鬥並仍然取得進展。
建造東西。 沒有應用的知識只是瑣事。真正建造過東西——機器人、企業、軟體——的學生知道只學習過的學生永遠不知道的事情。他們遇到了約束。他們犯了錯誤。他們培養了判斷力。
擁抱有益的掙扎。 學習感覺很難是因為它確實很難。這就是重點。如果你的孩子從不沮喪、從不卡住、從不掙扎——他們就沒有在學習。他們只是在收集資訊。
真正的競爭
最後一個想法。
AI時代的競爭不是使用AI的人和不使用AI的人之間的競爭。每個人都會使用AI。這是基本門檻。
競爭是在擁有深厚專業知識的人——知道該要求什麼、該尋找什麼、什麼重要——和被AI放大的淺薄知識者之間。
淺薄的道路感覺更容易。只要問AI，得到答案，繼續前進。
但淺薄的道路通向虛無。你最終依賴一個你無法評估的工具，產出你無法判斷的工作，解決你甚至看不到的問題。
深度的道路更難。它需要多年的掙扎，建立心智模型，培養判斷力。當AI可以「直接幫你做」時，它感覺效率低下。
但深度的道路通向精通。在AI時代，精通比以往任何時候都重要——因為AI放大你帶給它的一切。
帶來專業知識，得到增強的專業知識。
什麼都不帶來，得到看起來很棒的虛無。
你不知道你不知道的。這就是為什麼學習仍然重要。這就是為什麼深度仍然重要。這就是為什麼掙扎仍然重要。
工具變了。基本原理沒變。
你怎麼看？AI改變了你的孩子應該學習什麼嗎？我很想聽聽你的看法。
