AI时代，教育何往？

王鹏腾讯研究院资深专家

你现在就可以做一个实验。

打开任何一个AI——ChatGPT、Claude、元宝、Kimi，几乎都可以——把你家孩子上学期的期末考试卷拍下来，喂进去。语文、英语、政治、历史，它大概率比大多数认真复习的学生得分更高。数学和物理，只要不是竞赛难度，它的速度和正确率也足以让人重新估计人与AI之间的差距。

再把公务员行测卷喂进去，随便哪个省的都行。它往往可以达到高分考生的水平。

这个实验不需要任何专业知识，也几乎没有额外成本，当天就可以完成。做完之后你会发现一个令人不安的事实——我们花12年培养出来的能力，AI用12秒就能超过。

但分数只是表象。

真正的问题在更深处：AI冲击的不是某一门课、某一种考试技巧，而是整个教育体系赖以成立的底层逻辑——经济学家称之为"人力资本的定价基础"。

过去两百年，教育体系的核心承诺是：你投入时间学习知识，社会回报你一份体面的工作和收入。这个承诺之所以成立，前提是人类垄断了知识处理的能力。

现在这个前提正在瓦解。

AI不是来给旧教育提效的。它是来宣布：旧教育的中心任务——把人训练成标准化的知识处理器——已经过时了。

教育的第一性原理，从来不是分数

教育的第一性原理，其实没有那么复杂。

教育说到底，就是传递知识和经验，让人获得自我生存与发展所需要的技能。

注意，是"生存与发展需要的技能"，不是"考试需要的分数"。

所以教育从来不是一个永恒不变的制度。它一直都是跟着生产力走的。社会需要什么样的人，教育就会慢慢把人往那个方向塑造。

手工业时代，最有效的教育是学徒制。师傅带徒弟，边做边学。因为那个时代最重要的，不是抽象知识，而是手艺、经验、火候和判断。

工业时代，学徒制不够了。工厂需要的是大规模、标准化、纪律化的人。于是普鲁士式教育出现了：统一教材、统一课程、统一时间表、统一考试、按年龄分班、按学科切割。今天我们看见的绝大多数学校制度，底色都来自这里。

后来大学扩张，专业分化，文理分科，所有这些变化，本质上也都一样：它们不是天经地义，只是对当时生产力诉求的响应。

回看历史，每一次都是社会的生产方式先变了，教育才被迫转向——而不是反过来。

所以问题就来了。

如果今天最重要的生产工具已经从蒸汽机、电力、计算机，变成了大模型、智能体和自动化系统，那么教育凭什么还能沿用上一轮技术周期留下来的方法？

归根到底，每一轮教育模式的大变革，背后都只有一个真正的推手：生产力的跃迁，重新定义了社会对"人的能力"的需求。

历史学家尤瓦尔·赫拉利在《今日简史》中表达过一个判断：没有人知道2050年的世界是什么样，但我们的学校仍在用19世纪的知识体系和20世纪的制度，试图为一个完全无法预测的未来做准备。

今天这股重新定义的力量，又来了。

而且它的速度和烈度，史无前例。

认知劳动的价格崩塌

过去我们默认一件事：知识是稀缺的，认知加工能力也是稀缺的。

老师掌握知识，学生去学习；大学提供认证，企业按学历筛人；谁记得更多、算得更快、答得更稳，谁就更容易赢。

经济学里有个概念叫"技能溢价"——掌握某种稀缺技能的人，可以在劳动力市场上获得超额回报。过去两百年，"受过系统教育"就是一种强力的技能溢价来源。

但这个溢价的前提是：人类是唯一的知识处理器。

现在这个前提不成立了。

到了2026年初，新一代推理模型再加上 OpenClaw 小龙虾、Manus 这样的智能体，已经不只是"回答问题"，而是在很多标准化认知任务上，稳定超过绝大多数人类。

换成经济学语言：知识获取、知识整理、知识生成、标准化推理——这些曾经构成"技能溢价"核心的能力——价格正在发生结构性塌陷。

你费很大劲才能做出的80分答案，现在一个月费20美元的订阅计划就能稳定给出。经济学家泰勒·科文在《平均时代的终结》里预言过这种趋势：当一种认知能力可以被技术大规模复制时，它的市场价格就会趋近于零——认知劳动正在被商品化。

更要紧的是，企业已经开始按照这个现实重写用人逻辑。

2025年下半年，摩根大通、高盛这样的华尔街巨头，已经把 AI 真正部署进业务流程里，不再只是内部测试。摩根大通的高管甚至直接告诉业务负责人：尽量避免新增招聘。

这背后的逻辑非常冷酷：凡是可以被规则描述、可以被拆解成流程、可以被标准化执行的脑力工作，都在被AI重新定价。

而当前学校体系，仍在大规模训练这种能力。

于是一个链式反应就开始了：AI先接管标准化认知任务，然后企业压缩初级岗位，再然后年轻人失去积累经验的入口，最后整个教育投资的回报率开始松动。

这已经不是某一个行业的局部震荡。社会学家会用一个更严肃的词来描述这种状态——合法性危机：当一套制度不再能够兑现它对社会的核心承诺时，它的存在本身就会被追问。

因为当越来越多人发现：十几年教育教给自己的东西，AI做得更快、更便宜、更稳定时，那个根本性的问题就无法回避了——

我们为什么还要按原来的方式，把孩子训练一遍？

四根承重柱，同时开裂

我们的教育体系，本质上是一个为工业时代设计的"认知标准化流水线"。

它的核心功能，是把千差万别的孩子加工成规格统一的"知识容器"。学科分割是模具，考试是质检，分数是产品标签，毕业证是出厂合格证。

这套系统过去200年运转得很好。因为工业社会确实需要大量规格统一的人——你是工程师、他是会计、她是医生，每个人掌握自己那一块标准化知识，在社会大机器里各就各位。

但现在，这套系统的四个底层假设全部失效了。

第一，知识不再稀缺。AI让知识获取的边际成本迅速趋近于零。你问AI任何一个事实性问题，0.3秒就可能得到一个在覆盖广度和系统性上超过多数课堂讲授的回答。

第二，记住知识本身不再自动转化为竞争力。当知识可以即时调用时，把它大量存放在脑子里，不再像过去那样构成优势——就像GPS普及之后，"记住所有路线"不再是出租车司机的核心竞争力。

第三，按学科分割知识的效率正在下降。真实世界的问题从来不按学科边界出现。设计一座桥需要物理、化学、数学、生态、美学，做一款产品需要工程、心理学、经济学、设计。AI没有学科边界，你问它一个问题，它会立刻跨领域整合；工具已经是全科的，人却还在按学科被分割训练。

第四，标准化的人才不再稀缺，反而最容易被替代。AI最擅长的就是80分的代码、80分的文章、80分的设计。如果你的能力也停留在"80分的标准水平"，那么一个月费20美元的AI订阅计划，就是你的直接竞争者。

四个底层假设正在同时崩塌。

需要澄清的是：这并不意味着知识本身不重要了。恰好相反——你仍然需要理解物理才能向AI提出有价值的工程问题，仍然需要懂经济学才能判断AI给出的商业分析是否靠谱。知识仍然是高阶能力的地基。但它的角色变了：知识从"目的"变成了"手段"，从"终点"变成了"起点"。教育的重心应该从"让学生记住知识"转向"让学生学会使用知识"。

这就像你发现一栋楼的四根承重柱同时出现了裂缝——你不是请人来补补裂缝就行了，你需要认真考虑：这栋楼还能不能住？

德鲁克早在半个世纪前就警告过：动荡时代最大的危险不是动荡本身，而是仍然用昨天的逻辑做事。

能力错配：

旧标尺碎了，人靠什么立足

旧的价值标尺碎了，人靠什么在新世界里站住？

管理学家克莱顿·克里斯坦森在研究颠覆性创新时发现过一个规律：被淘汰的从来不是最差的产品，而是在旧维度上做得最好、却忽略了新维度的产品。

这个规律放到人身上同样成立。

去观察那些真正在AI时代拿到高薪、做出成果的人。他们的共同点不是"知道更多"，而是"能做AI做不了的事"。

AI擅长"回答已定义的问题"，人类擅长"定义问题本身"。

有五种能力正在变得极其稀缺、极其值钱：

问题定义力——在混沌中识别真正的问题是什么。AI可以解题但不会出题，"问对问题"将成为最高杠杆的认知能力。

跨域整合力——把不同领域的知识、视角、方法连接起来创造全新解决方案。iPhone是通信加计算加设计的整合，特斯拉是电池加软件加商业模式的整合。AI可以在每个领域内做得很好，但跨领域的创造性整合仍然是人类的优势。

不确定性决策力——在信息不完整、后果不可逆、各方利益冲突的情况下做出"不完美但可行"的决定。这需要直觉、经验、勇气，全都是AI没有的。

人际影响力——说服一群观点不同的人朝同一方向行动。这需要共情、信任、个人魅力，全都不可编码。

自我驱动力——在没有外部指令、没有标准答案、没有确定回报的情况下，仍然持续探索和创造的内在动力。

这五种能力，没有一种能靠听课、做题、考试练出来。

偏偏我们的教育体系，最擅长的就是听课、做题、考试。

方法是错的，目标是旧的，然后我们把孩子推进一个要求完全不同的世界。

这才是当前教育危机的本质——不是哪个学校办得不好，不是哪个老师不用心，而是整个体系的培养方向和时代需求之间，出现了结构性的能力错配。

我们正在用工业时代的模具，批量生产AI时代不再需要的零件。

认知大分流：

一代人的命运岔路

很多家长讨论AI时，最容易聚焦的仍是提分、作业和学习效率。

这些影响当然存在，但仍属于表层。

社会学家曼纽尔·卡斯特尔在分析信息时代的社会结构时提出过一个判断：新技术不会均匀地改变所有人的命运，它会在人群中制造新的分界线——掌握新工具的人和被新工具替代的人之间，会形成一道越来越难跨越的鸿沟。

AI正在把这道鸿沟推进教育领域。

过去，教育的分层主要靠分数和学历：985还是二本，本科还是专科，分数线划出一道道台阶。这些台阶虽然残酷，但至少逻辑清晰——你努力，你就有可能往上走。

但AI制造的分层逻辑完全不同。它切的不是"知道多少"，而是"能不能做AI做不了的事"。

这意味着，一个985毕业生如果只会标准化执行，可能比一个没上过大学但能熟练驾驭AI工具、在真实场景中解决问题的人更脆弱。学历的保护伞正在漏雨——而很多人还没意识到自己已经淋湿了。

更严峻的是，这种分流具有自我加速的特征。能驾驭AI的人，借助AI进一步放大自己的生产力，拿到更好的资源、更高的收入、更多的机会；而被AI替代的人，失去入门级岗位，也就失去了积累经验的入口——然后更难追上。

经济学家把这种现象叫作"技能偏向型技术变革"——技术越进步，高技能者和低技能者之间的收入差距就越大。过去三十年，这个趋势已经在信息技术领域被反复验证。AI只是把它推到了一个更极端的程度。

这种分流不是未来的想象，它已经在中国发生了。2025年春招季，一个211金融系的应届生告诉我，他投了上百份简历，进到终面的只有三家。其中一家面试官当面问他："你能做的事，我用AI跑一遍就行，你比AI强在哪？“他答不上来。同一个月，深圳一个没上过大学的26岁年轻人，靠熟练使用AI工具帮跨境电商公司批量生成产品页面和客服话术，月收入两万五。两个人的起点、学历、努力程度完全不同，但在AI重新定价的劳动力市场上，传统意义上"更优秀"的那个人，反而更难落地。这当然不是普遍结局，也不是说学历突然没用了。它只是提醒我们：在越来越多行业里，能力定价正在从"你读过什么"转向"你做成过什么”。

这就是为什么基于学科分割和知识传递的教育，会快速收缩。

不是知识不重要了。

而是"单纯传递知识"这件事，不再值得成为教育体系的中心。

因为AI会比老师更快、更便宜、更个性化地完成这一部分。

以后真正稀缺的，可能是跨界的知识和技能，也可能是由独特经历形成的某一领域实践能力。它不一定体现在试卷上，却会决定一个人站在分流的哪一边。

而且，证明能力的方式也在变。过去你主要靠一张文凭告诉世界"我行"；未来在越来越多领域里，你还得拿出一个被多少人复用的开源项目、一款有多少真实用户和留存的独立游戏、一段被同行持续引用的内容，或者一份可以公开检验的项目记录来证明自己。文凭是别人替你背书，作品是你自己说话。在医生、律师、飞行员这类强执照行业，文凭和资格证当然仍然重要；但在大量市场化岗位里，单靠文凭已经不够了。当AI让知识获取变得廉价，越来越难伪造的信号，就是"你真的做出过什么"。

所以教育的新使命变了：不再是把孩子训练成一台更稳定的答题机器，而是让他长出那些AI替代不了的部分——那些无法被算法复制、无法被数据训练、无法被订阅计划购买的东西。

学校会从"教室"变成"车间"

如果教育目标变了，学校的职能也一定会变。

杜威一百年前就说过：教育不是为生活做准备，教育本身就是生活。这句话在工业时代被当成理想主义的口号，在AI时代却可能第一次成为可操作的现实。

未来的学校，不会再是一个以传递知识为中心的地方，而会越来越像一个协作和实践的车间。

孩子去学校，不是为了听别人把教材讲一遍。那部分内容，AI完全可以承担。

孩子去学校，是为了进入场景，进入项目，进入合作，进入真实问题。

也就是说，学校的核心价值会从"教你知道什么"，转向"让你在真实任务里学会怎么做"。

这时候，项目式学习就不再是一种锦上添花的教学实验，而会变成主流模式。

在 AI 的辅助下，学生完全可以通过项目式学习掌握基础教育阶段的通识知识。更重要的是，AI 还能在这个过程中同步识别每个人的特点、兴趣、节奏和差异化方向。

传统教育一直做不到这一点。不是因为老师不努力，而是因为人类教师不可能同时照顾 40 个学生的兴趣、能力、短板和节奏，再把所有知识点重新编织成一张个性化课程网络。

这种精度，人力做不到。

但这正是 AI 擅长的。

这不是理论推演。美国得州的 Alpha School 已经把这件事跑通了。他们的做法核心就三步：入学先用标准化测评定位每个孩子的知识边界，然后 AI 直接决定你今天从哪个知识点开始、打开哪个模块；学习过程中，AI 实时监控屏幕行为，识别无效学习并干预——你15秒就点答案、跳过解析视频，系统全看得见；最关键的是，AI 持续把每个学生的答题正确率锁定在 70% 到 85% 之间——高了就加难度，低了就退回去巩固。学习科学早就证明，人在"够一够刚好够得着"的难度下效率最高，但一个老师面对几十个学生根本做不到这种精度，AI 可以为每个人单独调节。

结果是：据 Alpha School 公布的数据，学生学习速度是同龄人的 2.3 倍，标准化测试成绩几乎全部在全美前 1%，每天只用两小时完成学科学习，剩下时间全部用于项目、生活技能和兴趣发展。

当然，Alpha School 争议也不小。年学费 6.5 万美元，“精英实验"的标签甩不掉；号称"无教师”，实际师生比 1:5，老师只是从讲台挪到了一对一谈话的位置上；美国教师联合会批评它用"去教师化"的叙事包装商业模式，本质上是在削弱专业教育者的地位；低龄学生长时间面对屏幕带来的社交能力和注意力发展担忧，也并非杞人忧天。

但这些争议反而说明了一件事：Alpha School 证明的不是"AI 可以取代老师"，而是当 AI 把知识传递接过去之后，老师的角色反而回到了教育最本质的部分：点燃动力、陪伴成长。它的创始人自己说得很清醒：AI 只负责 10%，保证孩子在对的难度和节奏上学习；剩下 90% 靠的是内驱力，而这件事必须靠人来完成。

自适应学习系统在全球创新学校里已经存在了十几年。Alpha School 用的技术并不神秘。真正值得追问的是：为什么大多数学校依然让学科学习占据 80% 的时间？差别不在技术，在于有没有勇气重新回答一个根本问题——学校的时间到底应该花在哪里。

AI 可以沿着每个学生独特的路径，把已掌握的、未覆盖的、容易卡住的知识点实时追踪出来，用苏格拉底式的方式，从已知一点点引向未知——以最小阻力，逼着你自己走到答案前面。

这才是 AI 在教育里最有价值的地方：可能第一次大规模实现个性化学习路径设计。

但学校之所以仍然不可替代，不只是因为协作。

还因为学校是一个实体空间。

实验室里的仪器设备，工坊里的材料和工具，社区里的真实用户，企业里的实习场景，这些都不在屏幕里。一个学生可以用 AI 设计出一套完美方案，但他得亲手搭过设备、见过真实用户、经历过方案落地失败，才算真正学到东西。

知识可以在线获取。

经验只能在物理世界里生长。

这会成为学校保留下来的硬价值。

文理分科、年龄分班、专业壁垒——全该拆了

学校一旦从"讲知识"变成"做事情"，很多今天看来天经地义的制度，就撑不住了。

第一，文理分科会越来越站不住。

MIT媒体实验室创始人尼古拉斯·尼葛洛庞帝有个观察：创新几乎总是发生在学科边界上，而不是学科中心。材料科学和AI、心理学和经济学、生物学和计算、设计和工程，边界正在变成创新本身。

所以教育会越来越去学科化、去专业化，重新回到通识。

不是不要深度，而是先把人的底层能力建起来，再在真实问题里长出方向。

第二，按年龄分班也会越来越不合理。

真实世界的协作从来不是按出生年份组织的，而是按任务、兴趣和能力组织的。一个14岁的孩子和一个17岁的孩子，如果能在同一个项目里互相补位，他们就应该在一起，而不是被年龄制度硬生生分开。

第三，研究型大学会变少，但会更重要。

大部分教育会回到通识、实践、就业、自驱学习这些基础能力上，但仍然会有极少数研究型大学承担一个特殊使命：把最少数、最能战胜自身惰性、最愿意在未知中钻进去的人，送到人类认知边界上继续往前推。

但谁该被送进去？用什么标准选？这就牵出一个更大的问题——选拔的逻辑本身也必须改写。这个我们后面专门讲。

12年读完，一个孩子应该带走什么

如果基础教育结束之后只能留下两样东西，我认为有两项是不可压缩的——无论技术怎么变，它们的价值只会增加，不会缩水。

第一样，一套能自己运转的学习系统。

AI时代没有任何知识是"学一次用一辈子"的。你今天学的编程语言，5年后可能被淘汰。2024年还被热炒的"提示词工程师"，到2025年底就已经被具备深度推理能力的AI直接淘汰了。

唯一不贬值的，是学习能力本身。

它不是简单的"学得快"或"记得牢"，而是一套完整的自我驱动循环：识别自己面对的问题，判断所需能力，识别缺口，找到学习路径，借助AI加速验证，再把所学投入真实场景，在反馈中不断修正。

这个循环必须在18岁前训练成本能。

如果一个孩子18岁走出校门，还需要别人告诉他"你应该学什么"——那过去12年教育中最该完成的任务，就是失败的。

不是考了多少分的问题。

是有没有装上一个能自己运转的学习操作系统。

第二样，真实世界的基础生存力。

如果追问一个18岁的人能否在社会上独立立足，现实给出的答案往往是否定的——于是只能继续读大学。18岁高中毕业，除了做题什么都不会；大学22岁，研究生25岁，博士28岁，人生前三分之一几乎都泡在学校里，从未在真实世界中独立生存过一天。

工业时代这说得通。社会变化慢，学历是入场券，你可以慢慢准备。

但AI时代这是致命的——等你准备好了，世界已经变了三轮。

基础教育结束时，一个人就应该能清晰表达想法并说服他人，能管理时间和推进项目，能使用AI和现代工具完成实际工作，能在一个完全陌生的行业里较快地理清基本逻辑、找到切入点，并开始产出价值。

18岁应该是一个真正的岔路口——可以继续深造，也可以直接工作，两条路都走得通。

这不是空想。中美科技公司已经在用行动证明这件事了。

OpenAI、Anthropic、Databricks等美国AI公司正在大量招聘一种叫FDE（Forward Deployed Engineer，前线部署工程师）的新角色——不坐在实验室里写论文，而是直接去客户现场，把最新的AI能力落地到真实业务里。这种人要懂最新技术，要有现场实施能力，还要能听懂行业语言。传统大学培养不出来，因为课程永远追不上技术迭代的速度。2025到2026年，FDE岗位的招聘增长超过800%。很多公司明确表示：不看学历，看你能不能上手干活。

中国这边，2026年3月，月之暗面Kimi团队发表了一篇引发业界震动的论文《Attention Residuals》，对大模型十年未变的残差连接结构提出全新方案——第一作者陈广宇，深圳一名17岁的高三学生。马斯克转发点赞。他不是通过高考进入这个位置的，是在技术社区持续输出高质量内容，被研究团队注意到的。

当最前沿的科技公司开始直接从高中生里选人的时候，"18岁必须能工作"就不再是一句教育口号，而是一个正在被市场验证的事实。

而不是现在这样：除了高考那根独木桥，脚下空无一物。

让18岁的人有权选择、有能力选择、有底气选择——这才是教育公平的真正含义。

选拔的逻辑必须改写

问题自然会落到高考和985上。

选拔仍然需要。社会永远需要一种机制来识别潜力、分配资源。

但选拔的标准必须从根上改。

现在的高考选的是谁能在标准化试卷上得高分。谁记得最牢、算得最快、失误最少，谁就赢。

工业时代这是有效的。

但在AI时代，这套逻辑面临一个根本性的悖论。

“又快又准地完成规定动作”，恰好是AI碾压人类的领域。

你选出来的高考状元，他最强的那些能力——精确记忆、高速计算、模式匹配——全是AI的强项。换句话说，现行选拔制度正在用筛选"最像AI的人"的方式，选拔人类的未来。这在逻辑上是自相矛盾的。

这并不是说传统教育中没有值得保留的东西。在AI可以替你写作业、替你做总结、替你通过考试的今天，一个人如果仍然选择自己去啃那本书、自己去推那道题、自己把知识真正装进脑子里——这种克服惰性、主动掌握知识的意愿，反而成了一种极其稀缺的品质。它背后是自律，是延迟满足，是"我不是为了分数而学，我是为了自己而学"的内驱力。

问题在于，高考并不是在筛这种品质。它筛的是"谁在高压下犯错最少"。一个被逼着刷题的孩子和一个发自内心想搞懂问题的孩子，高考分数可能一模一样，但他们是完全不同的人。

所以需要改的不是"要不要选拔"，而是"选拔什么"。

不是给你一张卷子，而是给你一个开放性的真实挑战，看你能走多远。

数学选拔：给你一个未解猜想的简化版本，三个月，看你能探索到什么程度——不要求解出来，要求展示思考路径、失败记录、在哪里冒出了原创性洞察。

工程选拔：给你原材料和真实需求——为偏远乡村设计低成本饮用水净化装置——看你能做出什么。

人文选拔：三个月深度田野调查，走进一个从未接触过的社群，观察、访谈、分析，写出一份有温度的社会观察报告。

当然，这类开放式选拔面临一个绕不开的问题：如何保证公平？标准化考试的最大优点恰恰在于它的刚性——同一张卷子、同一个标准、同一条分数线。而开放性评价天然带有主观性，也更容易被资源优势影响。这不是一个可以回避的挑战。但问题是，如果标准化考试筛出来的能力本身已经贬值了，那么坚守一个"公平但选错了人"的制度，公平本身也就失去了意义。方向对了再去解决公平性问题，和方向错了却坚持公平地走下去，代价完全不同。

这种选拔筛的不是"知识存量"，而是"在未知中持续探索的能力"和"面对失败不退缩的驱动力"。

哲学家卡尔·波普尔说，科学的本质不是证实，而是证伪。同理，新选拔的本质不是看谁答对了最多题，而是看谁在一次次被证伪之后仍然愿意继续追问。

只有这样选出来的人，才值得进入研究型大学，去做AI永远做不了的事——在人类认知的边界上，向前推一小步。

教师不会更少，只会更贵

每次谈到AI进入教育，几乎都会有人追问：教师会不会被替代。

答案恰好相反。教师的需求不会变少，只会更高，而且更贵。

这与教育技术史的规律一致：从教科书到广播电视再到互联网，每一波技术浪潮都被预言将取代教师，但最终改变的只是教师的角色定义，而非教师本身。

原因很简单：如果教育真的要转向项目式学习、小班化、个性化、实践化，那就意味着每个学生需要更多被看见、被引导、被纠偏的时间。一个老师不可能再像今天这样，对着几十个人统一讲同一套东西，就算完成任务。

未来需要的老师，会是知识面更宽、实践背景更强的人。

他们的主要职责，也不再是传授知识，而是监督和审核AI，判断AI给出的内容靠不靠谱，设计项目，组织协作。更重要的是，去做AI永远做不好的部分——德育、内驱力培养、边界感建立、长期陪伴。

比如价值观的对话。AI可以完美解释康德的道德律令，但当一个13岁的孩子问"我为什么要诚实"的时候，他需要的不是一段百科全书式的标准答案。他需要的是一个他信任的成年人，看着他的眼睛说：“因为我曾经说过谎，我后来非常后悔。”

从这个角度看，未来教师更接近苏格拉底的原始角色——不是知识的搬运工，而是灵魂的助产士。

他关心的问题从"这道题怎么解"变成了"你为什么不愿意学"“你真正擅长什么”“你在什么场景里会发光”“你该往哪里走”。

我在清华大学建筑学院参与过一门创新教学课程。那门课和传统课堂最大的不同，是学的东西太新了，新到老师和学生一样一无所知。

但这并不妨碍老师做出高质量的引导和评价。

因为老师真正的价值，本来就不在"比学生知道得多"，而在于"知道怎么提问、怎么判断方向、怎么在混沌里帮学生建立结构"。

韩愈说，弟子不必不如师，师不必贤于弟子。

在技术爆发期，这句话会第一次变成字面意义上的现实。

这也是为什么我一直觉得，人工智能的应用和普及，教育行业的优先级应该是第一位的。

不是因为教育最缺技术——而是因为只有老师们亲手用过AI，知道未来的工具长什么样、能做到什么程度，他们才会真正开始反思：我现在教给孩子的这些东西，到底还有没有用？

一个从没用过AI的老师，很难想象"个性化教育"不是一句空话。但一个亲手用提示词给班里每个孩子生成了不同学习路径的老师，会立刻意识到：原来工具可以这样为我服务，原来每个孩子真的可以有不同的成长节奏。

改变教育的第一步，不是改教材、改课标、改考试——而是让老师先成为AI的使用者，给他们尽可能多、尽可能好的token。只有当教育者自己站到了新工具的视野里，他才有可能把学生也带过去。

速度，是这一轮最残酷的变量

历史上每一轮技术革命，最终都创造了比它摧毁的更多的工作岗位。

但这句话有一个经常被忽略的前提条件：新岗位的出现需要时间，而在旧岗位消失和新岗位出现之间的空白期里，代价由活生生的人来承担。

霍布斯鲍姆写英国工业革命时提过，手织工不是突然消失的，而是在几十年里一点点被动力织机挤压、降价、耗尽，最后整个群体被历史抹掉。

波兰尼讲得更直接：真正的灾难不是机器，而是旧秩序已经碎了，新秩序还没建起来，夹在中间的人，就成了代价。

而决定这个代价有多大、过渡期有多长的，从来都是教育。

普鲁士学校制度把农民变成工人，美国靠社区大学和退伍军人教育体系把流水线工人变成白领中产。每一轮技术革命里，真正决定社会适应速度的，不是技术本身，而是教育能不能及时转身。

这一轮也不会例外。

但这一次与以往最大的不同，在于速度几乎没有给教育体系留下缓冲期。

蒸汽机从发明到广泛扩散，用了将近一个世纪。电力用了几十年。计算机从进入企业到重塑社会，也花了三十年左右。

而这一轮 AI，从 ChatGPT 横空出世，到大模型和智能体全面渗透企业、教育、办公和个人生活，只用了两三年。

教育体系甚至还没来得及反应过来。

教材没改，学校没改，选拔机制没改，家长的认知也没改。

但外部世界已经改了。

所以也许今天所有的在校生——从小学一年级到大学四年级——都有可能成为这次过渡的代价。

他们不是不够努力。

某种意义上，他们甚至可能是最努力的一代。

他们每天背单词、刷题、备考、考证、实习，一步都没少走。

我见过一个高三女生的时间表：早上五点四十起床，晚上十一点熄灯，一天十七个小时几乎全部用来做题。她妈妈说，孩子的手指关节磨出了茧子，眼镜度数一年涨了一百度。她不是不聪明，也不是不努力——她只是被放在了一条轨道上，用全部力气奔跑，却没有人告诉她：终点的工作可能已经不需要这些了。

我在清华待了十几年，什么样拼命的学霸都见过。说实话，他们中的大多数确实拿到了结果——好学校、好工作、好收入，努力没有白费。但今天题目已经换了。那套解法在当年是成立的，在今天却不再自动通向同样的结果。如果他们的孩子还在用同样的方式卷，同样的强度、同样的方向、同样的衡量标准——那就不是勤奋，是刻舟求剑。

问题恰恰在于，今天偏航的人，往往不是不努力，而是太相信旧地图。训练体系本身一旦偏了方向，他们越努力，反而可能离真正需要的能力越远。

这一轮AI冲击中最大的教育不公，不是有人用得起AI而有人用不起——而是我们还在用培养上一个时代的方法，把这一代人送进一个已经改了规则的世界。

如果在读这篇文章的你是一位家长，或者是一个正在迷茫的学生——

不用等学校制度变。制度永远是最后才变的东西。

你可以现在就开始转向。

把刷题节省下来的时间，拿去发起一个具体的项目，去带领一个小团队，去搞懂一个现代工具，去真实世界里赚第一笔钱、遭遇第一次失败。

教育的本质，从来不是让一个人记住更多答案。

教育的本质，是让一个人在没有标准答案的世界里，仍然知道自己该往哪里走。

如果学校暂时还不能提供这种教育——那就由你自己先开始。 AI时代，教育何往？图6