当AI重新定义能力,我们该把孩子的时间花在哪里?

——当分数不再是最值钱的能力凭证

最近一段时间，我越来越强烈地感觉到：AI改变的可能并不只是工作效率，而是在重新给“人的能力”定价。

最开始，我把AI当成一个更好用的搜索框：查资料、改文字、做分析。后来我把它放进工作、创作、产品设计，甚至孩子的学习里。很多过去我会因为“不会”而放弃的事情，现在变成了另一个问题：我能不能先把它想清楚，再让AI和工具帮我做出第一版？

我不是程序员，也不是设计师，更不是教育技术公司的产品经理。但我可以和AI一起拆产品逻辑、做交互原型、做图、写代码；我甚至开始尝试让AI陪孩子学数学。我没有给它准备题库，也没有把每道题的标准答案预先录进去，只给它设定一些教学原则：一次问一个问题，不直接给答案，先判断孩子卡在哪里，再决定下一步怎么讲。它居然真的可以工作。

这也让家里的教育分歧变得更尖锐。我的妻子更相信传统而稳定的路径：学校、分数、排名、补习，不要掉队。这套逻辑我完全能理解，因为过去几十年，它确实帮助无数普通家庭完成了向上流动。可我越来越担心另一件事：如果未来的职业世界已经在换底层规则，我们今天还把孩子最宝贵的时间，大量投入到记忆、套路、重复练习和标准答案里，会不会像在一个资产逻辑已经变化的时代，仍然沿用上一轮上涨周期的估值方法？

房子不是突然没有价值，分数也不会突然没有价值。真正的问题是：当底层条件发生变化，我们是不是还在把“过去最值钱的东西”，当成“未来一定最值钱的东西”？

一、AI先拿走的，不是职业，而是职业里“可复制”的那一层

谈“AI会不会取代医生、律师、会计”，最容易掉进两个极端：要么说它马上把人全部替掉，要么强调责任、经验和情感，于是认为这些职业不会被真正改变。现实更细，也更残酷：AI不是先把职业整体消灭，而是在把职业拆开。

先看会计。过去一家小公司的日常，发票要分类、流水要匹配、月底要对账、异常交易要找出来，再汇总成报表。一个熟悉规则、科目和软件的人，价值很大一部分来自“我知道怎么做，而且我不容易做错”。现在，Intuit 的 Accounting Agent 已经把记账、交易分类、对账辅助等能力做进产品；2026年，PwC与OpenAI公布的“AI原生财务职能”合作，更直接把规划、预测、报告、采购、付款、资金、税务和结账列为智能体化的目标流程。[1][2]

这并不意味着会计消失，而是“把账做对”这件事本身正在变便宜。人的价值被推向更靠近业务的一层：为什么这样安排交易？风险在哪里？数字背后的经营问题是什么？哪里必须由人做判断并承担责任？

律师同样如此。传统初级法律工作里，大量时间花在找法条、查案例、比合同、读材料、做第一轮摘要。生成式AI天然适合在大量文本中找模式、抽义务、比差异、生成初稿。汤森路透2025年《Future of Professionals》报告中，法律专业人士预计AI未来一年可释放接近240小时的工作时间。[3] 真正稀缺的因此不再只是“我能找到资料”，而是“我知道什么资料重要、事实冲突时如何判断、谈判如何设计、最终意见由谁负责”。

医生也呈现类似结构。普通门诊中有一条很长的信息处理链：听症状、抓关键词、联想到可能疾病、继续追问、列出鉴别诊断、结合检查再缩小范围。JAMA相关研究已经显示，大语言模型在临床推理和鉴别诊断任务上可以提供有价值的辅助，但这不等于它具备现实医疗中的独立执业能力。[4] 体格检查、复杂共病、伦理取舍、患者沟通和最终责任，仍然不是“模型答对一道题”可以替代的。

把三个职业放在一起看，会得到一个更重要的结论：AI最先冲击的，未必是最没有知识的人，反而可能是那些工作高度依赖知识检索、规则调用、模式识别和标准化输出的人。因为这些东西一旦能够数字化，就能够规模化复制。

二、第二种替代更隐蔽：人与人之间的“技能协作层”正在被压缩

如果只看专业职业，我们仍然容易把AI理解成“一个更聪明的软件”。真正让我感受更深的，是另一种变化：以前很多事情之所以做不了，不是因为我想不到，而是因为我缺少执行它的技能，所以必须去找另一个人。

比如我最近刷到一个十几分钟的3D游戏制作教程。过去，一个没有游戏开发背景的人想做一个类似卡丁车的3D小游戏，第一道门槛就足以让大多数人停下：建模、引擎、脚本、碰撞、材质、灯光、动画……你需要知道很多工具，甚至需要多个角色协作。

但到2026年，Unity已经把AI Assistant、MCP Server等能力直接带进编辑器：自然语言可以用来搭场景、写脚本、调试错误，也可以让外部AI代理读取项目上下文并触发部分编辑器操作。[5] 这不意味着一个完全不懂游戏的人一句话就能做出成熟商业游戏，但它改变了“第一版”从哪里来。

过去的协作链是：我有想法——找设计——找程序——反复沟通——等第一版——再修改。现在越来越多时候变成：我有想法——AI和工具做第一版——我体验——我指出问题——继续迭代。

这就是一个很容易被忽略的变化：AI压缩的不只是某个岗位的工作量，还压缩了人与人之间因为技能不同而产生的协作成本。一个高效的秘书、助理、初级员工过去很值钱，是因为他能搜资料、做表、整理、写初稿、跟进流程。今天这些能力仍有用，但只要任务能被清楚描述，AI就越来越有可能先把第一版做出来。

于是人的价值又向前移动了一层：你能不能把事情定义清楚？你知不知道该调用什么工具？你能不能发现第一版哪里不对？你能不能连续试错，把一个模糊想法变成可用的东西？

三、最值得警惕的是：应试教育最擅长训练的“技巧库”，恰恰也是AI的强项

传统教育当然不只是背知识，它还花了大量时间训练技巧：看到这种题用这个公式，遇到这种阅读理解按几个得分点回答，议论文怎么搭结构，英语作文背哪些句型，面试时怎样组织标准答案。过去这些技巧很有价值，因为一个学生要靠几年训练，把老师和前人积累的“捷径”装进自己脑子里。

但对AI来说，“技巧库”天然就是优势。它可以同时调用很多解法、很多写作结构和很多解释方式。一种讲法没听懂，它可以换另一种；一种解题路径不合适，它可以重新拆。技巧当然不会变得毫无价值，但它的稀缺性在下降。

这会让一个很刺痛的问题越来越突出：如果我们花几年时间，把孩子训练得最熟练的能力，主要是“看到A型问题，就调用A型套路”，而AI可以瞬间调用更多套路，那么教育的重心是不是应该变化？

过去我们很容易把“做得快、做得准”叫聪明；AI时代，聪明会越来越接近另一组词：看得深、问得好、选得对、改得动。

四、最难的一仗：既然AI都会了，孩子为什么还要苦学基础？

这是这篇文章最容易被反驳、也最应该正面回答的问题。如果AI可以解题、写作、查资料，孩子为什么还要学数学、语文、物理、历史？是不是以后什么都问AI就行？

我的答案恰恰相反：基础知识仍然重要，甚至在某些时候更重要。只是我们过去理解的“为什么要学”，需要改变。

以前学数学，一个很重要的目的，是让自己拥有独立完成计算和解题的能力。未来，AI当然会承担更多计算和推导，但一个人如果连比例、概率、函数、变量这些基本概念都没有，他就很难判断AI给出的数字荒不荒谬，也不知道应该追问哪一个假设。

语文也是一样。未来一个人的文字未必需要全部从空白页开始手写，AI可以帮他整理、润色、改写。但如果他缺少阅读理解、逻辑和语言感受力，他就不容易识别偷换概念、情绪操纵和低质量表达，更谈不上判断一篇文章有没有真正的观点。

物理、化学、历史也一样。知识不只是为了“把答案做出来”，还在人的脑中搭建一套理解世界的坐标系。没有坐标系，AI给你再多答案，你也只能被答案牵着走。

所以真正应该减少的，不是基础，而是把大量时间耗在“把已经理解的东西再机械重复几十遍”，只是为了把标准题的熟练度从95分磨到98分。基础的价值没有消失，重复训练的边际价值却可能在下降。

五、当我真的把AI放到孩子身边，我第一次看见“教师角色”也可以被拆开

这件事对我冲击最大，不是因为我读了多少教育报告，而是因为我自己做了一个很简单的AI伴学实验。

我没有给它接专门题库，也没有预先录入教材答案。我只是告诉它怎么当老师：一次只问一个问题，不急着告诉孩子答案；先判断孩子卡在哪里；必要时把问题拆小；听完孩子的回答，再决定下一步。

孩子做一道行程题，AI会先问：“你现在已经知道哪两个量？”孩子答错，它并不只说“错了”，而是继续判断：是概念没懂、计算出错，还是把两个对象的速度关系弄混。换一道没见过的题，它仍然可以现场拆。

这也是大模型和传统题库软件最大的不同之一：它不一定需要提前见过“这一道题”。它学到的是大量语言、概念和问题模式之间的关系，面对新题时，可以把问题映射到相关概念，再根据孩子当前的回答动态组织解释。题库仍然重要，尤其用于课程边界、练习、评价和质量控制，但它已经不再是“能不能教”的唯一前提。

但我也越来越清楚地看到AI的边界。2026年NBER对18所田纳西中学进行的两年随机实验中，Khanmigo带来了小幅数学成绩提升，但学生真正高频、深入地与AI进行数学对话并不多；研究者认为，真正的瓶颈之一是参与度：把工具放到学生面前，不等于学生会主动把它用好。[6]

这恰好提醒我：教师角色不会因为AI出现而简单消失，它会被重新拆分。知识讲解、基础答疑、重复练习、个性化纠错，越来越适合交给AI；激发兴趣、设计问题、观察学生、建立关系、塑造价值观、让一个孩子愿意继续探索，这些反而会越来越珍贵。

如果真实世界最终是“人和AI一起工作”，评价方式也迟早会被迫变化。未来的考试未必一定取消闭卷和基础测试，但我越来越相信，我们最终会需要另一类考题：同样给每个人AI，看谁能定义问题、索取信息、质疑假设、比较方案、发现AI的漏洞，再把结果变成自己的判断。

六、我后来才明白：想象力不是天马行空，而是一张不断扩大的“能力地图”

以前我也会把“想象力”理解成一种天赋：有人脑洞大，有人脑洞小。但这段时间真正高频地和AI做东西以后，我的理解变了。

当我做一个自己并不熟悉的产品时，我并不是先把编程、设计、动画、数据库全部学会，再开始。恰恰相反，我先提出一个想法，然后去试。做不出来，就问为什么；效果不好，就换方法；工具到边界了，就找另一个工具。每一次试错，都在告诉我：这个模型能到哪里，这种接口能到哪里，手机权限能到哪里，哪一步还必须由人完成。

久而久之，脑子里会长出一张“能力地图”。你不一定掌握每一种技能，但你开始知道这个世界有哪些积木、每块积木大概能干什么、哪些积木可以拼在一起。

这时候，想象力就不再是凭空冒出来的。看到别人用AI做3D游戏，我想到的不是“好厉害”，而是“这种能力是不是也能放进我想做的产品里”；看到AI可以辅导孩子，我想到的不是“以后不要老师了”，而是“教师这个角色里，到底哪一部分可以交给机器，哪一部分应该更强调人”。

所以试错本身就是一种学习。过去试错很贵：请人、开发、返工都要成本，很多普通人只能在脑子里想。现在AI把第一版的成本压低了，一个人可以更快做一个粗糙版本，再从失败里理解现实边界。

理解力和想象力因此并不是两种分开的天赋。理解越深，你看到的可组合元素越多；边界越清楚，你越知道哪里还有空白；试错越多，你的判断越可靠。最后，想象力不再只是艺术家的加分项，而开始直接连接生产力。

七、所以我真正想给孩子的，不是一张“未来能力清单”

写到这里，如果最后只是列出“好奇心、创造力、批判性思维、审美、沟通能力”，这篇文章其实就又回到了最普通的教育口号。因为这些词每个人都赞成，真正困难的是：它们到底是怎么长出来的？

我现在更愿意把答案放回日常。孩子看到一个3D游戏，不一定马上去学完整的游戏开发课程，但可以和AI一起拆一拆：它为什么能转弯？碰撞怎么发生？赛道是怎么搭出来的？能不能改一个规则，做出自己的版本？

遇到一道数学题，也不只是追求尽快做对。可以多问一句：这道题为什么这样设？换一个数字还成立吗？有没有另一种做法？如果AI给出两个答案，我们怎么判断哪一个靠谱？

写一篇文章，也不一定要求孩子完全拒绝AI。真正重要的可能是：观点是不是自己的？证据靠不靠谱？AI写出来的句子为什么显得空？哪一句应该删？哪一句虽然不漂亮，却最像自己？

这些过程看上去“不像学习”，甚至不一定马上提高考试分数。但它们在不断训练一个更底层的能力：面对未知，不害怕；面对工具，不盲信；面对答案，会判断；面对一个模糊的念头，愿意动手把它变成东西。

这也是我现在对教育最大的担忧：不是孩子学得太多，而是所有学习都被压缩成一个单一目标——更快地得到标准答案。一旦孩子习惯了“有人告诉我该学什么、该怎么做、最后答案是什么”，即使未来给他最强的AI，他也可能只会让AI替自己完成别人布置的任务。

结语｜重新配置孩子的“能力资产”

我和妻子关于孩子教育的分歧，也许只是很多家庭正在经历的一种缩影。传统路径让人安心：分数看得见，排名能比较，补习有进度，学校有标准。理解力、判断力、想象力却很难量化，也很难在一次考试里证明。

所以我并不想简单地说“应试教育错了”。它在过去有自己的经济基础：知识获取昂贵、专业技能稀缺、组织需要大量稳定执行者，标准化考试因此是一套高效率的筛选工具。

问题是，AI正在改变这些前提。它把知识检索、技巧调用和标准化执行的价格不断压低，也让普通人跨越技能边界的成本越来越低。这个时候，如果家庭教育仍然把几乎全部筹码押在“更快地做对标准题”上，就像在资产环境已经变化之后，仍然只看上一轮最成功的收益曲线。

房子不会因为不再单边上涨就失去居住价值；分数也不会因为AI出现就失去筛选价值。真正需要重估的，是它们在整个“能力组合”里的权重。

也许未来最危险的，不是一个孩子少做了五十道题，而是他在十几年的教育里慢慢失去了提问的欲望；不是他没有背熟某一种作文模板，而是他习惯了等待别人告诉他什么问题值得解决；不是他不会某一款软件，而是工具一变，他唯一的反应仍然是：“这个我没学过。”

工业时代，我们花大量时间训练人正确地完成别人定义好的问题；AI时代，我们也许更应该训练一个人发现问题、理解问题、判断答案，并定义一个真正值得解决的问题。