AI 算出九圈难题后,孩子最该培养的能力是什么?

写在一道物理学家十多年没算完的题之后

AI 真的杀疯了。

数学家还没缓过神来，物理学家后脚就被“偷家”。而且这一次，AI 动的手，直接跟杨振宁先生 70 多年前提出的物理大厦地基有关。

人类顶尖科学家死磕了十多年的世界纪录，几周时间就被 AI 掀翻了。

更残酷的是，这并不是 AI 公司自己找了个题目自说自话，而是一位理论物理学家主动挑衅：你们别总拿有答案的题证明自己，来做一道人类自己都没算出来的物理题。

他出的题，叫“杨-米尔斯理论里的九圈散射振幅”。

听起来很专业，但大白话很简单：几个基本粒子撞在一起，撞完之后往哪飞？变成什么？概率是多少？

这类问题没法一步算到底，只能一层一层逼近。物理学家把每一层叫“一圈”。圈数越多，结果越精确，但计算量会指数级上涨。

一圈，像小学作业。

两圈，像高考。

三圈，像考研。

再往后，就开始折磨人。

在此之前，全球人类的最强纪录是八圈，由美国能源部下属 SLAC 国家加速器实验室和斯坦福大学教授兰斯·迪克森团队多年推进才完成。

于是这位物理学家对 AI 说：九圈，你来试试。

结果几周后，Anthropic 的研究员回复：算出来了。

物理学家第一反应是：你们烧了几百万美元？

答案是：几千美元。

更离谱的是过程。研究员给 AI 下了一个简单指令：把九圈跑出来，然后说了一句“我要去睡觉了，你自己干，每隔 4 到 6 小时汇报一次”。

然后他真的去睡了。

AI 在后台自己读论文、写代码、跑程序。内存爆了，它自己换算法；代码出 bug，它自己改；一条路走不通，它就换另一条。几天后，它用两套完全不同的逻辑，把九圈答案严丝合缝地交了出来。

Anthropic 把结果寄给了迪克森。这位守了十多年世界纪录的物理学家花了一段时间，一个符号一个符号地核对，最后确认：全对。

接着他说了一句让全网沉默的话：

“我身边大多数理论物理学家其实早就承认，大模型迟早会颠覆物理学，只是不知道哪一天会砸到自己头上。对我来说，那一天是 9 月 1 日。”

几乎同期，中国科学院理论物理研究所研究员何颂团队也在 AI 辅助下，完成了同类问题的九圈、十圈“符号”计算——比 Anthropic 的九圈还高了一圈。不过两者并不完全一样：Claude 得到的是一类振幅的完整函数结果，何颂团队则完成了两类振幅的“符号”计算，确定了更完整数学结构下的关键骨架，其中十圈符号的项数超过五千亿项。何颂特别强调，学生并非只是调用现成 AI，而是共同发展了把对称性贯穿每一步计算的新方法。在他看来，“现在稀缺的是注意力、科学上的品味和判断力”，让学生尽早形成物理直觉和科研判断力、能够提出新问题创造新方法，比展示 AI 能完成多难的计算重要得多。

也得泼一盆冷水。这次 AI 没有发现新物理，它用的全是人类已经提出的方法——自举、形式因子，一样没创新。能推到更高圈，靠的是更好的软件工程和更聪明的组织方式，算法本身没有新东西。

这件事真正让人后背发凉的地方，不是 AI 又解决了一道难题，而是它正在把人类最引以为傲的“深度计算能力”变成基础设施。

以前我们总觉得，AI 抢的是客服、文案、程序员、翻译、设计的饭碗。理论物理学家这么高级的岗位，应该安全吧？一个人读几十年书，博士、博士后，研究的是全世界没几个人看得懂的问题，总不至于被 AI 替代吧？

结果 AI 已经开始替他们读论文、写代码、跑计算、查 bug，甚至还能自己换思路、自己验证结果。

那你想想，你自己的工作里，有多少东西能比“九圈散射振幅”更难？

这才是这件事真正值得每个人警惕的地方。

AI 没有抢走答案，它只是把答案打成了白菜价

很多人还在用旧思路看 AI：它是个工具，帮我写邮件、做表格、查资料、改文案。

但九圈难题这件事说明，AI 的能力已经跨过了一个临界点。

它不再只是“辅助执行”，而是能在一个高度复杂的任务里，自己拆解步骤、自己纠错、自己换方法、自己完成闭环。

这意味着什么？

意味着以后“算得快、记得多、做得熟练”这些能力，会越来越不值钱。

因为你怎么干，都干不过 AI。

你背答案，AI 背得更多。

你写代码，AI 写得更快。

你做方案，AI 出得更多。

你查资料，AI 读得更广。

你改错误，AI 迭代得更勤。

如果一个人的竞争力还停留在“我会做题”“我能执行”“我比别人熟练”，那在 AI 面前，这些优势都会迅速被抹平。

AI 时代，答案会越来越便宜，甚至根本不值钱。

真正越来越贵的，是问题。

人类真正值钱的，只剩下三件事

AI 很强，但它还没有真正学会“为什么要做这件事”。

它擅长执行，却不擅长定义价值。

它擅长回答，却不擅长提出好问题。

它擅长优化路径，却不擅长选择方向。

所以，未来人类真正值钱的，其实是三件事：

第一，你能不能提出一个好问题。

第二，你能不能判断 AI 给的答案对不对。

第三，你能不能决定下一步往哪走。

这三件事，听起来很轻，但恰恰是最重的。

因为一个好问题，决定了 AI 往哪里发力。

一次准确判断，决定了你是否会被错误答案带偏。

一个方向选择，决定了你是在原地卷执行，还是在更高处建立优势。

AI 不会取代人类，但“会用 AI 的人”会取代“不会用 AI 的人”。

未来的竞争，也不再是人和人的竞争，而是一个人带着一群 AI，和另一个人带着一群 AI 的竞争。

你的竞争力，不再等于你个人能做多快，而等于：

你的判断力 × AI 的执行力。

如果你的判断力是零，AI 再强也只是放大混乱。

如果你的判断力很强，AI 就会把你的能力放大十倍、百倍。

普通人怎么和 AI 共存？

不要把 AI 当成敌人，也不要把它当成神。

最危险的态度有两种：一种是完全不用，假装它不存在；另一种是完全依赖，觉得它说什么都对。

正确的姿态是：把自己当成“指挥官”，把 AI 当成“参谋部”。

具体怎么做？

1. 先学会提问，而不是先学会操作

很多人一上来就问：AI 有哪些功能？怎么用提示词？怎么让它写得更像人？

但更关键的问题是：我到底想解决什么问题？

AI 不会替你决定目标。它只会把你给它的目标，执行得更彻底。

所以，训练自己提出清晰问题的能力，比训练自己写提示词更重要。

2. 建立自己的判断标准

AI 会犯错，会编造，会一本正经地胡说八道。

你不能因为它回答得快，就相信它是对的。

以后每个人都要有一点“审稿人意识”：这个结论有没有证据？逻辑是否自洽？数据是否可靠？有没有被遗漏的反面观点？

判断力，就是 AI 时代的免疫力。

3. 把 AI 嵌入你的工作流

不要只在偶尔需要时才想起 AI，而要让它进入你的日常流程。

写文章前，让它帮你拆结构；

做研究时，让它帮你找资料；

写代码时，让它帮你查错；

做决策时，让它帮你列出风险；

复盘时，让它帮你追问盲区。

AI 不是偶尔使用的工具，它应该成为你的第二大脑。

4. 保留人类的独特能力

审美、同理心、责任感、长期主义、跨领域连接、对真实世界的理解，这些仍然很难被 AI 完全替代。

尤其是“意义感”。

AI 可以生成一万条文案，但它不知道哪一条真正打动人心。

AI 可以给出十个方案，但它不知道哪一个值得你投入三年。

AI 可以算出复杂结果，但它不知道这个结果对谁有价值。

人，仍然是意义的最终裁判。

教育，必须换个方向

这件事最该警醒的，其实是父母。

如果你还在逼孩子刷题、背答案、比谁算得快、比谁记得准，那很可能从一开始就走错了方向。

因为 AI 比任何人都会答题。

你让孩子花十年练“标准答案能力”，AI 只用几秒就能给出更完整、更准确、更丰富的答案。

那孩子靠什么赢？

靠提出别人想不到的问题。

靠判断哪些答案值得相信。

靠把不同领域的知识连接起来。

靠对真实世界保持好奇。

靠知道什么值得做，什么不值得做。

未来的教育，不该只培养“会做题的人”，而应培养“会出题的人”。

会做题，只是在别人设定的赛道里跑得快。

会出题，才是能定义赛道的人。

AI 时代，人不能退场

九圈难题被 AI 算出来，并不意味着人类物理学家没有价值了。

恰恰相反，正因为 AI 能把计算做到极致，人类才更需要把精力放到更关键的地方：提出更重要的问题，判断更复杂的结果，选择更有价值的方向。

AI 不会取代人类。

但不会用 AI 的人，会被会用 AI 的人拉开差距。

答案会越来越便宜，问题会越来越贵。

真正拉开人与人之间差距的，不再是谁知道得更多，而是谁能问出更好的问题；不再是谁做得更快，而是谁更清楚该往哪里走。

但请记住，提问只是第一步。提出好问题之后，还要学会判断 AI 给的答案对不对；判断完之后，还要能决定下一步往哪走。这三层，一层套一层，缺一层都不完整。

这，就是 AI 时代人类的生存指南。

我是陈随，在这里记录我对 AI 时代变化的一些观点与思考。保持学习，不被时代抛弃。