AI时代,稀里糊涂的成功

这两天我想了一个词，叫做”稀里糊涂的成功”。

啥意思呢，就是你其实并没有搞清楚为什么成了，但事情好像已经结束可以收尾了。

有点像以前，电视机不显示了，你拍一拍，嘿，好了！但为什么好不清楚，下次出现同样的问题，再拍一拍，好不好使，也不清楚。

这种感觉，现在越来越多了。

2025年2月，AI研究者Andrej Karpathy提出了一个词叫”vibe coding”，描述的是一种新的编程方式——你用自然语言告诉AI你想要什么，它把代码生成出来，你不用懂语法，不用懂逻辑，感觉对了就行。这个词火得很快，当年3月就进了韦氏词典的流行语榜单，后来还被评为柯林斯词典2025年度词汇。Y Combinator的数据显示，其2025年冬季批次中大约四分之一的初创公司，代码库95%以上是由AI生成的。

工具越来越强，门槛越来越低，更多人能把脑子里的想法变成可以跑起来的东西，这当然是好事。但问题也藏在这里——我们越来越擅长得到结果，却越来越说不清楚这个结果是怎么来的。

拍了一下，好了。但为什么好，不知道。

我带数学建模的学生，这种情形见得不少。有学生用AI写完整个模型的代码，结果跑出来了，图也好看，竞赛也拿了奖。但问他：你知道那段优化算法是咋运行的？他也会打不出来。这种感觉就有点不太对劲。当然也别只说学生，我自己很多时候也是这样。

但建模本来就是一件需要反复追问”为什么”的事情。你选了一个模型，得先说清楚为什么选它，假设是什么，适用范围在哪里。AI能快速给你一个看起来专业的输出，但它给不了你对这个输出的判断力。一项发表于学术期刊、针对469名数学专业预职教师的研究发现，对AI工具依赖程度越高，批判性思维、解决问题的能力和自信心受到的负面影响越显著。另有研究指出，AI生成的建模解答有时听起来思路清晰、颇为专业，实际上可能是不完整甚至是错误的——而且这种错误很难被没有扎实基础的人识别出来。

还有个更底层的问题。AI系统内部的运作，研究者们把它叫做”黑箱”——你能看到输入，能看到输出，但中间发生了什么，连开发者自己也说不清楚。这不是AI故意藏着，而是系统本身的复杂程度就已经超出了人类直接理解的范围。我们用了一个连制造者都没有完全搞明白的工具，做出了一个我们自己也说不清楚的结果，然后交了卷。

这就是”稀里糊涂的成功”的结构。

当然事情也不是那么悲观。

哈佛大学教育学院的Karen Brennan教过一门vibe coding课程，她说了一个角度让我觉得很值得琢磨：AI工具实际上降低了”动手做”的成本。以前要搞懂一个东西，往往需要先学很久才有机会动手；现在可以先做出来，再回头去研究它为什么这么运作。她说，理解一件事，往往需要先把它做出来。

这个逻辑，其实早就有人说过。杜威一百多年前就提出”做中学”——做与学同时发生，相互推动，不是先学完再做。这个思路放到今天一点不过时，只是换了场景：AI时代的”做中学”，是边用AI做出东西，边反过来追问这个东西是怎么来的。

我自己更喜欢把这叫做”用以致学”。先用起来，用着用着，问题自然就来了。为什么这个模型跑出来的结果和预期不一样？为什么AI选了这个参数？这段代码里的约束条件是什么意思？这些问题，不是坐在那里等着被教出来的，是在使用过程中被逼出来的。从这个角度看，AI工具反而可以是一个很好的”问题发生器”——它先帮你把东西做出来，然后你带着真实的困惑去钻研，比凭空对着教材学，往往更有劲头。

但这有一个前提：你得意识到自己是稀里糊涂的。

听起来像废话，但其实不容易做到。拿到一个运行正常、图表好看的结果，很容易就停下来觉得”成了”。难的是在这个时候继续问：我真的明白这是怎么回事吗？这个结论可靠吗？如果换个数据、换个场景，它还成立吗？这种追问的习惯，才是建模思维的核心，也是AI没有办法替你养成的东西。

电视机拍一拍好了，如果你就此打住，下次还得接着拍；如果你追一句”为什么好了”，说不定这次就真的搞清楚了。

AI时代的成功，确实可以来得很快，有时候快得让人有点懵。”稀里糊涂的成功”不应该是终点，它应该是一个起点——一个让你有机会回过头去，把那些糊涂的地方慢慢搞清楚的起点。数学建模这件事，本来就没有捷径；只是现在，进门的门槛低了很多，门后面的那条路，还得一步一步自己走。（作者：王海华）

本文作者长期从事数学建模教学与竞赛辅导工作，致力于推动建模思维在基础教育阶段的普及与实践。