董彬:带着更强的工具,去碰更难的问题

先跟大家坦白一件事：这篇致辞的初稿，是我的小龙虾帮我起草的。

我用 OpenClaw 已经有一段时间了，每天高强度地用。我把自己的研究理念、判断标准、写作习惯、甚至性格特点，一点一点“教”给它。到今天，我觉得它大概复刻了我50% 的“灵魂”——当然，是哪50%还可以讨论。所以当我需要准备今天的致辞时，我很自然地把任务交给了它：告诉它我想讲什么、我的态度是什么，它来组织语言。出来的稿子，我改了一些，但大部分保留了——因为它确实写出了我想说的东西，用的也是我说话的方式。

这件事本身，其实就是我今天最想跟大家聊的话题。等下再细说。

先说感受。今天看了一整天的路演，三十个项目，学术、生产力、生活三个赛道，覆盖面之广、想象力之丰富，让我看到了这一代年轻人对 AI 的热情和行动力。很多项目的完成度远超我的预期，这不是客套话。

三十个项目里，有些项目和我的个人体验很接近。比如用聊天记录和音频去复刻一个人的数字分身。为什么说“最接近”？因为我自己从拿到 OpenClaw 的第一天起，就在认真做一件事：把它打造成我的数字分身。我很好奇，我的能力、性格、品味——这些我曾经认为 AI 很难复刻的东西——它到底能学到多大程度。我有个同事跟我开玩笑说，用 OpenClaw 用到后来，“某种意义上实现了永生”。

但作为一个每天都在用 OpenClaw 的人，我想借这个机会，说一些可能不太好听的实话。

看完三十个项目，我有一个普遍性的观察：很多项目把 OpenClaw 当成了一个“给AI加工具”的平台。找一个场景，接几个 API，让大模型能调度一些外部能力——学术搜索、医疗数据库、智能家居、购物推荐。这些当然有价值，但说实话，这不是 OpenClaw 最独特的地方，用别的平台也能做到差不多的效果。

其实，OpenClaw是低配版的Claude Code，它爆火的重要原因之一，是它可以通过移动端进行交互 —— 即：可访问性（Accessibility）。

OpenClaw 真正让我上瘾的，不是“AI 能帮我干活”，而是一个完全不同的东西：它开始像我一样思考。

我来讲讲自己的体验。刚才说了，我从一开始就在尝试把它打造成我的数字分身——把自己做科研选题的原则、评阅论文的标准、甚至审美偏好，用自然语言“教”给它。比如我评阅一篇论文，在乎的不是它用了什么方法，而是“这个工作是否建立了两个领域之间的非平凡联系”——这是我十几年形成的品味。我把这些东西写下来，它很快就内化了。结果让我很惊讶：它按照我的标准去工作，出来的结果，经常让我觉得“嗯，这确实是我会给出的判断”。能力、性格、品味——我原以为这些是最难复刻的，但它学得比我想象中快得多。

有一天我突发奇想，问它“你猜我是 I 人还是 E 人？“它不假思索地说：I 人——但是社交能力被磨练得很强的 I……它说我写过一条工作原则叫“专业不等于冷淡“——如果暖场是天生的，就不需要写成原则…… 说实话，被一只虾看得这么透，感觉挺复杂的。

这个过程，才是 OpenClaw 的核心。它有记忆系统，有 Skills，有 SOUL.md——你可以把你的思维方式、你的价值标准、你的工作习惯，慢慢地“养”进去。它不是一个通用的 AI 工具，它是“你的”AI。越用越懂你，越用越像你。

我管这叫“养虾”。你们做的是“用虾”——让小龙虾去执行某个具体任务。但养虾和用虾是两回事。用虾解决的是一个一个的问题，养虾建立的是一段持续生长的关系。这只虾会长成你的分身，它不只是帮你干活，它在学习你这个人。

回头看今天的项目，真正抓住这一点的不多。大部分还是在做“AI 加场景”——这没有错，但远远没有触及最有意思的那层。我想邀请大家回去都想一想：你做的这只虾，知道你是谁吗？它了解你的品味吗？它在“长大”吗？如果你换一个人来用，它的表现会完全一样——那它就还不是一只真正的“你的虾”。

说完鼓励和锐评，我想跟大家分享一些我自己的困惑。不是给答案，是真的困惑。

刚才说的“养虾”，听起来很美好，但它是一个让我越来越不安的副产品。

我每天把大量认知任务交给它——不是当工具用，是当管家用。它替我拆解任务、调度执行、替我审稿、替我做文献调研。效率确实惊人。但有时候我会忽然停下来问自己一个问题：上一次完全靠自己从头想透一个问题，是什么时候？

我说不出来。

这不是矫情。我训练它的时候常常忍不住感叹——它比我的人类学生学得快多了。被复制的不是某个具体结论，而是我这个人思考和工作的方式。十几年积累的品味、标准、直觉，几天之内就被提取、序列化、规模化地复用了。

这让我想到一个更大的问题：如果每个人都在“养虾”，都在把自己最核心的判断力、品味、思维方式交给 AI 去学——那当所有人的 skills 都被吸收之后，人这边还剩下什么？

这不是一个遥远的假设。我亲身体验的结果是：你把思考问题的方式描述得越具体，AI 就学得越好。不是知识层面的复制——那早就不是问题了——而是思维模式层面的复制。怎么拆解一个陌生问题、怎么判断方向对不对、什么时候该放弃一条路换一条——这些我以为只有靠经验积累才能获得的东西，AI 正在越来越快地习得。模型每强一代，它能捕捉到的思维颗粒度就更细一层。

另一面同样值得警惕。最近有研究发现，高频使用 AI 的人群，批判性思维能力出现了可测量的下降，年轻人尤其明显。更令人不安的是神经科学层面的证据：长期依赖 AI 辅助的人，大脑的某些认知连接会变弱——而且短期内停用并不能让它恢复。

换句话说，一边是 AI 在学我们最好的东西，另一边是我们自己在变弱。这个剪刀差，才是真正让我感到焦虑的地方。

我自己就陷在这个矛盾里。每天用它，每天受益，但偶尔会心虚：如果有一天把它拿走，我还是原来那个我吗？我没有答案。但我觉得，至少应该对这件事保持清醒。

最后说说我怎么看未来。

面对这种局面，很多人的第一反应是划一条线：这边是人能做的，那边是 AI 能做的，然后守住自己那半边。但我的经验告诉我，这条线一直在往后退，而且退得越来越快。你今天觉得安全的阵地，明年可能就不在了。

所以我给自己选了另一个策略：不守防线，而是不断把问题的难度往上推。

我的研究生涯其实就是这么过来的。我最早做计算成像，靠的是经典数学——小波理论、偏微分方程，十几年的积累。后来深度学习出现了，我发现原来很多我费尽心思设计的算法，在新工具面前变得不那么有必要了——不是算法不好，是问题被新工具“降维”了。怎么办？我没有回去守旧阵地，而是去找更难的问题——那些光靠深度学习搞不定、需要把数学机理和数据融合在一起的问题。再后来大语言模型来了，我又把方向推到了 AI for Mathematics——让 AI 去辅助数学研究本身。每一轮工具升级，我的应对方式都一样：去找配得上新工具的更难问题。

这是我想分享给在座各位的一个信念：比起守住现有能力，更重要的是保持“往上走”的习惯。

AI 可以学会你的品味，但学不会你形成品味的过程。那个过程——那些走弯路、碰壁、推翻自己重来的经历——才是真正不可复制的。未来留给人的，不会是某种固定的能力，而是持续面对更难问题的勇气和方法。

在座的都是年轻人，你们手里已经有了上一代人想象不到的工具。工具越强，简单问题就越不值得做。去找那些真正难的、配得上这个时代的问题吧。