最近有个问题一直困扰着我。
我们现在都能使用相同的AI工具。ChatGPT、Claude、Gemini——随便选。界面很简单。输入你想要的，得到结果。十岁的孩子和四十岁的软件工程师用起来一样容易。
相同的工具。相同的语言。相同的使用权限。
那么问题来了：为什么一位资深建筑师请AI帮忙设计建筑，得到的是真正能建造的方案——而学生得到的却是看起来很酷，但一阵风就会塌的东西？
为什么资深程序员用AI写出生产级代码，而初学者得到的代码虽然能运行，却可能在一周内导致安全漏洞？
答案令人不安：You don’t know what you don’t know——你不知道你不知道的。
看不见的鸿沟
让我举个具体的例子。
一位专业厨师问AI：“给我一个法式红酒炖鸡的食谱，8人份，酱汁部分可以提前准备，并且要有不喝酒的客人的替代方案。”
一位烹饪新手问AI：“给我一个鸡肉食谱。”
两个人都得到了答案。两个答案在技术上都是正确的。但专业人士知道该问什么。他们知道法式红酒炖鸡这道菜存在。他们知道酱汁可以提前准备。他们知道无酒精替代方案是个选项。他们知道份量很重要。
新手不知道自己不知道什么。所以他们无法提出这些要求。
这就是AI工具的根本悖论：它们放大专业知识，而非取代专业知识。
你真正需要知道什么
这里就涉及到教育的核心问题了。
如果AI可以生成代码、写作文、解方程、做设计——那人类还需要学什么？
下意识的回答是”什么都不用”。有些人真的相信我们现在可以跳过学习阶段。只要告诉AI你想要什么，得到结果，继续前进。
但这完全搞错了重点。
你需要知道足够多，才能：
- 问出正确的问题
- 识别答案何时是错的
- 知道”好”是什么样的
- 理解哪些约束条件很重要
- 首先看到需要解决的问题
让我们逐一分析。
1. 问出正确的问题
AI是一台极其强大的答案机器。但它需要极其精确的问题。
一个从未学过物理的学生不可能问AI”优化考虑不同高度空气阻力的弹道轨迹，并保留15%的安全裕度”。他们不知道这些参数存在。他们不知道这些参数重要。
而在该领域工作多年的专业人士？他们确切知道该指定什么，因为他们见过不指定时会出什么问题。
2. 识别错误答案
AI会产生幻觉。它会编造东西。它会以完全自信的态度呈现胡说八道。
如果你是专家，你会立刻发现问题。有些东西感觉不对。你去验证。你提出质疑。
如果你是新手，你毫无防御。错误的答案听起来和正确的一样可信。你接受它，使用它，然后承受后果。
3. 知道”好”是什么样的
我见过学生用AI生成的代码”能用”但简直是维护噩梦。它确实能运行。但任何有经验的开发者看到都会皱眉。
学生没有判断质量的框架。他们不知道干净的架构是什么样的，因为他们从未构建或维护过复杂系统。他们无法评判AI给的东西，因为他们不知道自己应该得到什么。
4. 理解约束条件
每个现实问题都有约束。预算。时间。物理定律。人类心理。法规。兼容性。
专家会自动把这些约束装在脑子里。当他们请AI帮忙时，这些约束会塑造他们的问题：“设计一个能在现有基础设施上运行、不需要重新培训员工、并能在两周内实施的解决方案。”
学生不知道这些约束存在。所以他们得到的解决方案理论上完美，实际上不可能实现。
5. 看到值得解决的问题
这可能是最重要的一点。
在解决问题之前，你需要先看到问题。而看到问题需要经验、领域知识和模式识别——这些只能来自于对某个领域的深度参与。
AI可以解决你交给它的问题。但它无法告诉你哪些问题重要。它看不到一个被错误执行了几十年的工作流程中的低效率。它注意不到代表十亿美元机会的市场空白。
问题识别是一种独特的人类技能——而它需要深入了解该领域。
学习的新意义
那么在2026年，我们应该学什么？
不是事实。AI拥有所有事实。
不是程序。AI执行程序比我们快。
不是孤立的基础技能。AI可以执行大多数基础技能。
相反，我们需要学习：
心智模型。 理解系统如何运作的框架。物理直觉。经济学推理。设计原则。这些帮助你问出更好的问题，评估答案。
模式识别。 看到不同情况之间相似和不同之处的能力。这来自经验——来自看到足够多的例子而发展出直觉。
判断力。 在数据不完整、约束冲突、风险很高时做出决定的能力。AI可以列出选项。人类必须做出选择。
约束意识。 理解在现实实施中什么重要。预算。时间表。人为因素。政治。理论忽略的混乱现实。
问题感知。 注意到某些事情不对的能力，即使你无法清楚表达原因。这来自对某个领域的深度熟悉。
大学的问题
这就引出了Elon Musk和其他人一直在说的：大学教育的价值正在改变。
旧模式很简单：大学掌握知识。如果你想获得这些知识，你就去大学。教授教课，你听讲，你毕业时脑子里装着别人没有的信息。
这个模式已经死了。所有信息现在都在网上。每一堂课。每一本教科书。每一篇研究论文。你可以学习大学教授的任何东西，而不需要踏入校园一步。
那为什么还要去？
诚实的回答是：对某些人来说，也许不应该去。
但大学仍然可以提供的是——如果它们愿意适应：
结构化的挣扎。 当你在能力边缘被挑战时，学习就会发生。好的教育环境会系统性地创造这种挑战。AI本身不会推动你。设计良好的课程会。
专家反馈。 当你不知道什么是对的时候，很难知道自己错了。专家可以看到你的盲点并指出来。AI会告诉你你很棒，即使你并不棒。
问题暴露。 大学可以让学生面对真实的、混乱的、未定义的问题。毕业设计。研究。实习。这是你培养AI无法给你的判断力的地方。
社区和责任。 学习很难。有同路人——以及需要达到的期望——会在动力消退时让你继续前进。
问题是，大学是否真正提供了这些东西，还是只是提供可以成为YouTube视频的讲座。
这对你的孩子意味着什么
如果你是一位家长正在听这个，这里是实际的要点：
不要跳过基础。 你的孩子仍然需要理解数学、科学、写作，以及世界如何运作。不是为了执行计算——AI会做——而是为了问出正确的问题并发现错误答案。
优先选择深度而非广度。 许多领域的表面知识现在毫无价值。AI拥有所有领域的表面知识。重要的是在某件事上走得足够深，以发展真正的专业知识。判断力。直觉。模式识别。
专注于解决问题，而非遵循解决方案。 在没有明确路径时弄清楚事情的能力——那才是技能。不是遵循指令。不是记忆程序。而是与模糊性搏斗并仍然取得进展。
建造东西。 没有应用的知识只是琐事。真正建造过东西——机器人、企业、软件——的学生知道只学习过的学生永远不知道的事情。他们遇到了约束。他们犯了错误。他们培养了判断力。
拥抱有益的挣扎。 学习感觉很难是因为它确实很难。这就是重点。如果你的孩子从不沮丧、从不卡住、从不挣扎——他们就没有在学习。他们只是在收集信息。
真正的竞争
最后一个想法。
AI时代的竞争不是使用AI的人和不使用AI的人之间的竞争。每个人都会使用AI。这是基本门槛。
竞争是在拥有深厚专业知识的人——知道该要求什么、该寻找什么、什么重要——和被AI放大的浅薄知识者之间。
浅薄的道路感觉更容易。只要问AI，得到答案，继续前进。
但浅薄的道路通向虚无。你最终依赖一个你无法评估的工具，产出你无法判断的工作，解决你甚至看不到的问题。
深度的道路更难。它需要多年的挣扎，建立心智模型，培养判断力。当AI可以”直接帮你做”时，它感觉效率低下。
但深度的道路通向精通。在AI时代，精通比以往任何时候都重要——因为AI放大你带给它的一切。
带来专业知识，得到增强的专业知识。
什么都不带来，得到看起来很棒的虚无。
你不知道你不知道的。这就是为什么学习仍然重要。这就是为什么深度仍然重要。这就是为什么挣扎仍然重要。
工具变了。基本原理没变。
你怎么看？AI改变了你的孩子应该学习什么吗？我很想听听你的看法。
