上海交大AI学院自曝＂被边缘化＂:AI最先替代的是使用AI的人 .在场 * 知止 = 长板 !

——————————————

在场 × 知止 = 长板

前面六天，我们一层一层往外看：数据成了第五大生产要素，确权通道修通了，市场长出来了，公司的边界在塌，组织在重新学怎么让数据和知识流动起来。

四层都在动，而且越往下，动得越快。

于是问题终于落到了你自己头上——当所有能被搬走的东西都在被搬走，人身上还剩哪一块，是搬不走的？

▎一、一张内部 PPT：跑在最前面的人，回头说了句实话

9 月初，教育圈被一张照片刷屏。

上海交通大学人工智能学院的一份内部 PPT，标题只有一行字——"人工智能学院面临的困难"。下面四条，句句扎心：

▸ 高校被边缘化、不在最前沿（不仅仅是算力问题）

▸ 许多前沿成果并不开放

▸ 年轻人尤其是学生发挥很大作用。我们的教育和科研体系跟不上这个新的形势（学生比老师更在前沿）

▸ 人工智能最先替代的就是人工智能

为什么这张照片有冲击力？因为这所学院不是普通院系。

它成立于 2024 年 4 月，由上海市与上海人工智能实验室共建，现有两院院士 2 名、外籍院士 1 名、IEEE Fellow 14 名，目标是做人工智能领域的"黄埔军校"——一个含着金汤匙出生的"特区学院"。

一个成立才两年多、配置顶格的新学院，在内部会上写下的第一句话是：我们被边缘化了。

这不是一所落后学校在承认自己落后。这是跑在最前面的那一批，回头说了句实话。

但更刺眼的是第四条："人工智能最先替代的就是人工智能。"

这句话应该这样读：最先被 AI 替代的，不是司机、不是会计、不是翻译，恰恰就是那些只学会了"用 AI 产出东西"的人。 他们会写提示词、会生成报告、会做 PPT——而这些，正是 AI 自己最擅长的。

所以那张 PPT 真正想说的，不是"我们很难"，而是：如果教育继续教这些，我们就是在批量生产最先被替代的人。

这位老师的无奈很具体。同一所学院的一门 AI 课上，学生做产业实践课题，期末交一份 30 多页的 PPT。结果是：学生花时间最多的地方，不是怎么用 AI，而是怎么把 PPT 做漂亮。一门 AI 课，被学生悄悄叫成了"PPT 制作课"。

评论区有人感叹了一句："老师现在真不容易。" 老师的结论也很直接："我们的课程设计和评价体系要变革。"

拆开看，每一环都对，合在一起却很荒诞：学校开的是最前沿的 AI 课；学生练的是最容易被 AI 替代的技能；老师知道问题在哪，但评价体系还没变，他只能在旧轨道上尽量教新东西。

这才是最扎心的地方——不是学生不努力，也不是老师不负责，是"考什么"这件事，还停在 AI 之前。 而"考什么"决定"学什么"，"学什么"决定四年后这个人身上长出什么。当 AI 已经能批量生产 PPT、报告、代码、方案，我们还在用"产出这些东西的能力"给人打分——那我们到底在培养什么？

面对这个困境，有的学校只是"知道该变"；有的学校已经开始变了。

第一场转向：还是在这所学院——老师也得下场。

学院正在推 PDT（项目驱动训练）：学生不是先学完再去做，而是直接扎进一个真实项目，边做边补。

这里最关键的变化不在学生，而在老师。项目没有标准答案，老师就不能再站在讲台上给答案了——他也得下场一起摸索。于是老师的角色从"答案的提供者"，变成了引导者。

有个比喻说得特别准：老师是现场的一个"超链接节点"。

超链接本身不生产内容，它生产的是连接：把学生、真实的产业问题、可用的数据、能调动的资源，一个个接起来。而当 AI 能近乎零成本地批量生产内容之后，连接恰恰成了最稀缺的东西——因为连接需要你知道谁在那儿、谁手里有什么、哪条线走得通。这三样，全都长在现场，长在关系里，长在你待过足够久的地方。

第二场转向：在复旦大学——学生要学的是"评判"。

肖仰华教授在《数据挖掘技术》这门课上，做了一个叫 "人考 AI" 的实验：期末考试不考学生，而是让学生每人出三道题考 AI——AI 得分越低，学生分数越高。

听起来像游戏，但结果很耐人寻味：全班 50 多人能考倒 AI，却只有 4 个人能让 AI 得 0 分。

差距在哪？低分学生只是把课本题换了个数字，AI 在训练时见过上百万遍，直接套模板就对了；高分学生则能命中 AI 的结构性缺陷——给出长链条、高精度、零容错的计算任务，让 AI 在某一环上露出破绽。

肖仰华在总结里说了一句很关键的话：

"不要做 AI 的执行者，要做 AI 的裁判官。"

这不是说不用 AI，而是说：算和写这些执行层的事，以后交给 AI；人真正要练的，是判断 AI 哪里会错、怎么让它错、怎么验证它对。

第三场转向：在福州。2025 年 2 月 21 日，教育部批复设立福建福耀科技大学（教发函〔2025〕14 号），批复函中定位为新型研究型大学。学校由福耀集团董事局主席曹德旺发起、河仁慈善基金会捐资创办，校长是原西安交通大学校长王树国，办学上自述"高起点、小而精、研究型、国际化"。它的逻辑不是再来一所综合性大学，而是直接对着产业里真实的研发与生产问题去组织教学。

第四场转向：在深圳。深圳职业技术大学工业中心（双创学院）以"真实需求、真实项目、真实效益、真实成果"为核心构建双创教育生态（媒体简称"四真"），搭起"工坊—工场—工厂"三位一体的实验、实践、实训体系，把学生放进真实场景里学；再经产品创新、创赛训练、创业孵化三个平台，串成从"创意"到"落地"的全周期孵化链。据校方披露，该校在中国国际大学生创新大赛国赛中累计获奖牌 36 枚、其中金牌 15 枚，金牌数与奖牌数均居全国职业院校第一。

一场危机，四场转向——路径和层次完全不同，按常识它们不该长成一样。

但它们抽出来的根因是同一个：都在把学习这件事，从"已知问题的已知解法"，拽回"未知现场里的判断"。

再往里看一层，这四场转向补的是同一个人的两个侧面：老师从"给答案"变成"做连接"，学生从"会计算"变成"会评判"。 一个管供给，一个管验收，缺了哪一边，AI 都只是换了个姿势的 PPT。

为什么非要拽回去？因为可编码的那部分，正在被 AI 一车一车地拉走。留在人身上的，越来越只剩下"在现场做判断"这一块。学校只是比大多数人更早承认了这件事。

▎二、数据、场景、算法：AI 拿走两样，人守住一样

要讲清楚"人该往哪儿站"，得先把 AI 这一轮的能力拆开看。

我们（尤其是做过数智化的人）习惯讲三个词：数据、场景、算法。这三个词的归属，今天正在发生一次安静但彻底的分家。

数据，正在加速集中。 越是有价值的数据，越往平台和有资质的数据集团手里聚。前面几天我们讲过：省级数据集团已基本实现全覆盖，国家数据产权登记系统上线后"一次登记、全国通用"，深数所累计交易额破百亿。对个人来说，这意味着一件事——你很难靠"我知道点什么"建立优势了，因为你知道的，系统里大概率也有。

算法，正在加速开源。 模型的调用成本三年跌了近千倍，能力在迅速商品化。今天你花几分钟就能调起一个两年前要花几千万训练的模型。算法不再是护城河，它是自来水。

只有场景，长在具体的现场，而且必须你在场。

注意，这里说的"场景"不是"行业"这种大词。行业是抽象出来的分类，场景是具体的：那台设备昨天为什么停了三分钟；那位老师傅看到某个参数时为什么皱了一下眉；这个客户嘴上说要便宜，其实最在意的是别出事。

这些东西的共同点是——它们没有被写下来过。它们活在人的身体里、关系里、具体的时空里。数据平台抓不到，算法也推不出来，因为你得在那儿。

数据归平台，算法归开源，只有场景需要你在场。 你越往"可编码"那一侧挤，越是在跟一台成本三年跌一千倍的机器赛跑；越往"需要你在场"那一侧站，AI 越帮得上你。

四所学校的做法完全不同，方向却完全一致：把人往"需要你在场"的那一侧搬。

▎三、为什么"现场"是 AI 结构性进不来的地方

有人会说：AI 现在能看图、能看视频、能读传感器数据，机器人也在下车间，"现场"它迟早能进。

这个反驳得认真接。我的判断是：能进一部分，但有一块它结构性地进不来。

能进的部分确实在变多：工业视觉检测、设备预测性维护、无人车的空间感知，都已经跑通了。凯文·凯利把它叫"空间智能"——AI 正在从"活在文本里"走向"活在世界里"。

但有一块它拿不走，因为那块东西从来没有被表达过。

二十世纪的思想家波兰尼说过一句很硬的话："我们知道的，远比我们能说出来的多。"（We know more than we can tell.）

骑自行车的平衡感，你说不出来；老师傅听声音判断轴承要坏了，他说不出来；一个做了十年采购的人，看一眼报价单就知道这家供应商是不是在糊弄，他也说不出来。

▎这种"说不出来"的东西，我们叫它「体感」

给它一个定义：

体感 = 你在一个具体现场待够时间之后，长在身上的那种"综合的、专业的、说不出口的判断"。

四个定语，一个都不能少：

▸ 综合：它不是一条规则，是很多信号同时进来的合流。就像骑自行车的平衡感——视觉、前庭、肌肉、车速同时进来，你答不出各自的权重是多少。

▸ 专业：它只在特定场景里成立。一个顶级采购对报价单的直觉，换到另一个行业就归零。

▸ 隐没：你平时意识不到自己在用它，直到换个人来做，你才发现"这个我怎么解释都解释不清"。

▸ 不可言说：就是波兰尼那句话——能写下来的，只是冰山露出水面的那一角。

所以体感是 AI 拿不走的第一样东西。 因为 AI 的训练材料，全是已经被表达出来的东西——文字、图片、视频、传感器读数。它吃的全是"已经说出来的"，而现场里最值钱的那部分，恰恰是"说不出来"的。这不是"AI 还不够强"的问题，是它的食物来源里，天然缺这一类。

凯文·凯利有个比喻讲得特别准：

"AI 知道'苹果'这个词，但它不知道苹果从树上摘下来会坏，不知道拿在手里的重量——它活在文本里，不在现实里。"

这也解释了你可能见过的现象：一份让 AI 写的方案，读起来挑不出错，拿给一线的人看，人家扫一眼就说"这玩意儿落不了地"。缺的，正是那些从没被写下来的东西。

他在《2049：未来 10000 天的可能》里还讲过一个更狠的分野：AI 非常擅长"爬山"——不断优化，找到一座已知的山顶；但突破性的创造力不是爬山，是"造山"，是去发现一座更大的山。

爬山不需要你在场，因为山已经在那儿了；造山需要你在场，因为新的山只能从一块具体的地里长出来。

（这本书我们不在这里展开，本期「大咖说」栏目会专门讲它。）

▎四、这一课其实不是新发明，是一次回家

把镜头拉长一点，你会发现这不是什么教育创新，而是一次螺旋回归。

学徒制时代（工业之前）：学习发生在现场。学徒跟着师傅在作坊里干，知识传递靠一起做事——你不是学会了才加入，你是加入了才学会。教育学者莱夫和温格 1991 年给这件事起了个名字，叫"合法的边缘性参与"：新手先在圈子边上打杂，慢慢往里挪，最后成为里头的人。

学校制时代（工业时代）：工厂需要大量能读会算、守时守规的人，于是知识被从现场抽出来，编成教材，切成年级，批量教。这是巨大的进步——教育从少数人的特权变成多数人的权利。但代价是：学习和"做事"被拆开了。

回到现场的当下：当可被编码的知识越来越便宜、越来越自动化，"先学完再去用"的性价比就塌了。你要学的那部分，AI 三秒钟就能给你；真正值钱的那部分，课堂上根本教不了——它只在现场长。

传导链是这样的：可编码知识被 AI 商品化 → "先学后做"的时间差变成纯损耗 → 学校把"做"塞回"学"里 → 人重新回到现场。

注意这个回归不是复古。 学徒制是没有选择的回归，今天是带着 AI 这个新工具回去的：可编码的交给 AI，人把精力全部投进"必须你在场"的那一块。这是螺旋上升，不是原地打转。

（说明：以上把学徒制、学校制、现场回归并列，是为了说明机制上的同构，不作精确史实断言；真实的制度演进远比这条线复杂。）

▎顺带把风险也说在前面

这类改革对症，但也有副作用，至少三条是硬的：

▸ 教育鸿沟可能扩大。 真实项目、师资、算力高度不均——有企业导师的学校跑得动，没有的只能做"模拟项目"。差距会不会从"分数差距"变成"项目差距"乃至"算力差距"？值得盯。

▸ 学生的考试数据归谁？ "人考 AI"会留下大量出题行为与 AI 错题数据。这些数据如何被采集、被谁使用、毕业后能不能带走，目前普遍没有清晰答案。

▸ 算力与数据偏见。 谁出得起算力、谁拿得到高质量数据，谁的模型就更好。这个问题不会因为是学校就自动消失。

药是对的，但别把它当补药吃。

▎尾声：一个思考题

前面六天，我们看到很多大东西：要素、市场、确权、组织。今天把它们收回你身上，问题只剩一个——

你现在的日常工作里，有哪些部分，是"必须你在场"才做得成的？那部分，你打算怎么让它更长？

想清楚这个，"在场"才有了落点。但还差一半。

因为在场给你的是体感：你开始看见别人看不见的东西。可"看见"不等于"做得到"——体感还只是一句判断，它得经过足够多次的重复，落到具体的操作环节上，才会变成别人拿不走的手感。

怎么把体感磨成手感？中间隔着一件事：你得先停下来。 那是下一篇要聊的。

关注「智多星链」，后台回复「资料包」，领取《数据二十条》权威解读与《数据生态图谱》 + 本系列「数据产权登记平台」思维导图。先把方向看清，后面咱们一篇一篇聊。

引用说明：上海交通大学人工智能学院内部 PPT（"人工智能学院面临的困难"）、"PPT 制作课"课程改革反思及 PDT（项目驱动训练）模式，据董事长提供的图文材料（原文标题、发布方及时间据截图判断，正文未能抓取，具体以原作者为准）；"老师是现场的超链接节点"为董事长提炼的表述。复旦大学"人考 AI"实验，据复旦大学官方微信推文《让学生出考题，让 AI 得 0 分？复旦"人考 AI"数据大公开！》（肖仰华教授），"50 人能考倒 AI，但只有 4 人能让它得 0 分""不要做 AI 的执行者，要做 AI 的裁判官"等表述出自该文。福耀科技大学获批设立据福建福耀科技大学官网《学校简介》及《教育部关于同意设置福建福耀科技大学的函》（教发函〔2025〕14 号，2025 年 2 月 21 日），批复函定位为"新型研究型大学"，"高起点、小而精、研究型、国际化"为校方办学定位表述，捐资方为河仁慈善基金会（发起人曹德旺），校长王树国；深圳职业技术大学工业中心（双创学院）"真实需求、真实项目、真实效益、真实成果"及"工坊—工场—工厂"三位一体体系、国赛奖牌数据，据深圳新闻网 2025-05-07 报道《"四真"模式驱动双创教育改革，深职大亮出双创教育"成绩单"》（记者何亚南，校方供稿）；波兰尼"我们知道的比我们能说出来的多"据《个人知识》（1958）；情境学习"合法的边缘性参与"据 Lave & Wenger（1991）；凯文·凯利"爬山与造山"等据腾讯科技《对话凯文·凯利》（36 氪 2025-08-01 刊发），并见本期大咖说；模型调用成本降幅为行业公开测算口径，不作精确断言。文中事件与数据均为公开报道整理，本号仅作趋势解读，细节以官方/原著为准。