ARTICLE · 1072755
AI来了,学生就“没用”了吗?
AI来了,学生就“没用”了吗?不妨设想这样一幕：一个课题组里，原本需要学生忙上几天的工作，AI很快就做完了，而且质量过关。导师看着屏幕，感叹了一句：“以后还要学生干什么？” 坐在旁边的学生，大概会有点尴尬。他本来是来学做研究的，一转眼，却需要证明自己比一款软件更有用。 “强大的AI面前，老师不需要学生，学生也不需要老师。”这句话最值得琢磨的地方，就在这里。先不争论AI究竟有多强，单说“老师不需要学生”——不需要的，到底是一个等待培养的人，还是一个替自己干活的人？ 如果是后者，那么我们谈论的，恐怕就不只是未来的技术，而是眼下某种已经出了问题的师生关系。 一个研究者当然可以不带学生，独自研究，也可以借助各种工具完成工作。这没有什么需要指责的。但承担了导师的职责，事情就不一样了。学生不是因为导师手头缺人，才有接受教育的资格；也不能因为导师不缺人了，培养学生就成了一件多余的事。 AI可以让导师不再需要某些人手，却不能据此证明学生不值得培养。 这本来不难理解。一个刚入学的研究生，读文献抓不住重点，做实验手忙脚乱，写出来的东西需要反复修改，效率不高，问题倒不少。带这样的学生，自然比直接拿到一份合格结果麻烦。可他正是因为还不会，才来学习的。假如招生时想要的，是一个立刻能用、最好不用教的人，那么“培养”从一开始就被悄悄换成了“使用”。 这也是研究生把导师叫作“老板”时，那个称呼背后值得追问的东西。 称呼本身说明不了太多。有的师生相处融洽，“老板”不过是句玩笑；有的团队分工明确，学生也确实在合作中获得了成长。真正让人不安的，是关系里只剩下了派活和交活：导师发来一个任务，学生回复“收到”；学生交上结果，导师问“下一项什么时候完成”。来往很频繁，指导却未必发生。 设想一个学生拿着实验结果来讨论，说：“我觉得原来的假设可能有问题。” 得到的回答却是：“先别想那么多，把安排的做完。” 一次两次，也许是项目确实紧急。可如果每一次疑问都被这样挡回来，学生迟早会学会少问。组会上的汇报越来越熟练，真正想讨论的问题却越来越少。他知道怎样让导师满意，却未必知道怎样说服自己。 这时，问题已经不在导师是不是被叫作“老板”。哪怕每一句都恭恭敬敬地叫“老师”，教育也可能只剩下一个称呼。何况，员工同样不是可以随意支配的工具，不能用“像公司一样管理”来解释一切。 不过，反过来说，研究生不参加具体工作，难道坐着听几次讨论，就能学会研究吗？ 当然不能。查资料、改程序、重复实验，有时枯燥得很，却不意味着没有价值。不能把所有辛苦都叫作压榨，也不能把所有重复都交给机器之后，再指望研究能力凭空长出来。真正需要分清的，是学生在这些工作中究竟学到了什么。 同样是一个实验反复失败，导师可以坐下来和学生一起翻记录，找出被忽略的条件，让他想一想下一步该怎么验证；也可以只留下一句“再做”，直到得到需要的结果。前一种情况下，学生有机会慢慢明白自己为什么失败；后一种情况下，他可能只是越来越熟练地执行步骤。 《实践论》讲“实践、认识、再实践、再认识”。借这个过程来看科研训练，中间的“认识”不能总被省掉。学生不是只要忙过、累过，就自然受到了充分的教育。 尤其不能一面说“让你干活就是培养你”，一面又嫌他追问原理耽误进度。如果一个人做了几年，仍然只能等着别人告诉他下一步做什么，那么任务也许完成得不少，培养却还有一笔账没有算清。 这笔账，不只是知识教了多少，还包括学生有没有机会开口。 导师经验丰富，当然可以指出学生的想法哪里幼稚、方案哪里走不通。但指出问题，和用身份结束讨论，是两回事。“这个想法不成立，因为……”后面跟着的是指导；“按我说的做”后面如果永远没有解释，学生学到的就可能只是服从。 毛泽东在原本讨论领导工作的《党委会的工作方法》中说过：“先做学生，然后再做先生。”这句话放到课题组里，不妨落成一个很小的动作：学生说出不同意见时，先听他把话讲完。 一个导师愿意说“这一点我也没有把握，我们再查一查”，并不会因此失去教师的身份。倒是一个永远不能被追问的人，很难把学生带到独立判断的地方。学生迟早应该能够拿着证据说：“老师，这一次我认为您不对。”这不应被看作培养失败。 所以，反驳“学生不需要老师”，也不必走向另一个极端，仿佛学生必须永远离不开某位导师，才能证明教师有价值。学生可以借助AI解决一些基础问题，可以自己寻找材料，可以逐渐不再事事请示。导师少被需要一点，有时恰恰意味着学生多长大了一点。 真正值得保留的，不是依赖本身，而是认真讨论、实际指导和彼此尊重。 从这个角度看，AI原本可以带来一件好事：把一部分不得不做、却不必反复耗费师生精力的工作接过去，让大家腾出时间。 但腾出来的时间给谁，才是关键。 假如学生用AI提高了效率，导师随即把任务量翻了一番，他依然没有时间读自己想读的文献，没有机会琢磨一个暂时不能写进论文的问题，那么技术的确进步了，学生的处境却未必改变。他只是从手工赶进度，变成了带着AI赶进度。 另一种安排则可能是：“这部分不用再反复整理了。你把方法弄清楚，剩下的时间试试自己的方案。” 同一种工具，进入不同的培养关系，会被用来做很不一样的事情。这里不能只问AI替课题组省了多少工时，还要问，省下来的时间有没有一部分真正还给学生。 当然，不能把这一切都寄托在导师某天愿意体谅学生。假如一个学生只是想问“这个任务和我的研究有什么关系”，就必须先担心会不会影响毕业，那么再漂亮的“欢迎交流”，也难以让他放心开口。 任务与培养目标的关系，应该说得明白；成果里的贡献，应该认得清楚；师生有了分歧，也应当有不完全依赖导师本人判断的处理渠道。学校了解一个课题组时，除了问出了什么成果，还可以认真听听学生讲：这些工作做下来，哪些东西真正学会了，哪些地方一直没人指导。不能只看项目往前走了多远，却默认学生一定跟着成长了。 说到底，研究生教育里有两件事很容易被混在一起：把研究做出来，和让一个人学会做研究。它们可以相互促进，却不是同一件事。一个项目可以完成得很好，其中某个学生仍然可能只学会了很窄的一道工序；一次探索也可能没有得到预想的结果，学生却第一次知道了如何怀疑假设、核查证据、承认失败。 如果眼里只有前一件事，AI越强，学生确实越容易显得“麻烦”：需要解释，需要试错，需要时间，有自己的想法，还终究会毕业离开。可这些恰恰说明，他是一个正在成长的人，而不是一件设备。 因此，为学生辩护，不能只是说“学生还有AI做不了的事”。那仍然是在证明学生比较好用。今天证明他有某种优势，明天技术追上来了，难道他就又不值得培养了吗？ 学生不应该先在与机器的比赛中获胜，才能保住自己作为学生的位置。 这也是“技术的威胁背后是人的问题”在这里最具体的含义。不是AI自己走进实验室，宣布某个年轻人没有价值，而是有人先把他的价值缩减成了能完成多少工作，再拿他与机器比较。技术没有发明这种眼光，却可能让这种眼光更加理直气壮。 与其追问“有了AI，还要学生干什么”，不如把问题倒过来：有了AI，我们终于可以少让学生干些什么，又可以多教给他些什么？ 回到开头那个场景。同样看见AI完成了原本需要学生忙上几天的工作，导师也可以不急着感叹学生没用了，而是关掉任务页面，对旁边的人说： “这部分不用你再忙了。你上次提的那个想法，我们接着谈。”