字数 2294，阅读大约需 12 分钟

     

AI 什么都会，那读博到底在学什么？

最近我经常有一种割裂感。

抽空写写代码，想法发给AI，等者就行；

读文献，丢给 AI 一个 PDF，几秒钟就能得到摘要、方法和结论；

讨论研究想法，刚开始自己还还有自我意识，聊着聊着就丢失自我了；

效率高得吓人，爽也是真的爽，爽了过后却是无尽的空虚。

如果未来 AI 什么都能写，那我这几年的训练，到底在训练什么？

一、AI 给了我答案，却没给我判断力

我是一个 vibe code 爱好者，早期也粗浅学过编程，但一直没有项目实战经验，现在ai出来，倒是补全了这一块。

遇到一个没写过的功能，先让 AI 生成一版；遇到一个不熟的库，先让 AI 给个示例；遇到一个报错，先让 AI 解释一遍。大多数时候，它都能给出看起来非常正确的答案。

问题也恰恰在这里。

它给得太快了，快到我还没来得及困惑，答案就已经摆在面前。代码跑通了，功能实现了，但我心里清楚：我并没有真正理解为什么这样写。如果明天需求变了，如果性能出了问题，如果这段代码需要重构，我可能根本不知道从哪里下手。

AI 能告诉你这段代码能不能跑，但它不会告诉你：这个 socket 应该由谁创建？线程之间应该用共享状态还是消息传递？这个抽象是不是过度设计？这个类型到底该不该放在 Arc 后面？

这些不是语法问题，是设计问题。

语法问题，编译器会冲你大喊。设计问题，编译器一声不吭。

而设计判断力，恰恰是 AI 最不容易替你长出来的东西。

二、读博最痛苦的部分，恰恰是最不能外包的部分

写论文也是一样。

AI 可以在几分钟内总结一百篇文献，但你不等于理解了那一百篇文献。AI 可以帮你生成一段漂亮的讨论，但你不等于真正想清楚了那个论证。

真正让我成长的，从来不是那些顺利的时刻。

是花三个小时读一篇看不懂的论文，反复查术语、画框架图，最后终于隐约摸到作者的问题意识；是写了五千字，突然发现整个论证链条是断的，只能推倒重来；是组会上提出一个自以为漂亮的观点，被导师连续追问五次，最后只能承认“我不知道”；是发现自己信了很多年的东西可能根本站不住脚，只能重新找证据、改观点。

这些事情效率都极低。

但正是在这些低效、痛苦、反复推翻自己的过程中，我的理解力、表达力、逻辑能力和判断力，才一点点长出来。

AI 可以制造出“学习已经发生”的外观，却绕过了真正发生学习的过程。

一篇论文可以看起来很完整，但如果论证不是你自己搭的，你就没有真正学会论证。一段代码可以跑得很完美，但如果设计不是你自己想的，你就没有真正学会设计。

三、如果大学只是知识仓库，那它早就输了

我有时候会想，如果读博只是为了获取知识，那这件事在今天已经越来越不划算了。

互联网早就把知识变得触手可及，AI 正在把知识的获取成本压到接近于零。一个本科生，一部手机，就能随时拥有一个耐心无限、随叫随到的私人教师。

那大学还剩下什么？读博还剩下什么？

如果大学只是知识仓库，互联网已经削弱了它。如果大学只是论文工厂，AI 正在冲击它。如果大学只是职业培训机构，在线教育、企业培训和新的认证体系，迟早会分走它的功能。

但反过来想，如果大学是一个社会专门保留下来的地方，让年轻人在进入一个越来越快、越来越功利、越来越碎片化的世界之前，有几年时间认真阅读、写作、质疑、争论、失败、修正自己，认识完全不同的人(非常重要，最重要没有之一)，并最终形成独立判断——那么 AI 越强大，这种地方反而越重要。

读博也是一样。

它真正应该训练的，不是“知道很多”，而是“会判断”。知道很多，不等于会判断；会考试，不等于会判断；会熟练使用 AI，更不等于会判断。

甚至恰恰相反。当获得答案越来越容易，判断答案的能力反而越来越珍贵。

四、AI 应该当导师，而不是代笔者

我并不是反对 AI。恰恰相反，我觉得它是我这几年最重要的工具之一。我写论文，写基金，写项目，都依赖这个天才程序员。

但我越来越警惕一种用法：让 AI 替我做那些我本该自己做的决定。

写代码时，如果 AI 直接生成了架构，我就失去了思考架构的机会。写论文时，如果 AI 直接生成了论证，我就失去了搭建论证的机会，甚至到看不懂的情况，直接失去论证资格。做研究时，如果 AI 直接给出了结论，我就失去了判断结论是否可靠的机会。

这些决定，才是真正塑造我的东西。

所以我慢慢调整了用法：先自己来。

先自己想一个方案，先自己写一版，先自己搭一个论证。哪怕很粗糙，哪怕很幼稚，哪怕最后被推翻。然后，再让 AI 来挑战它。

问它：这个设计可能哪里出问题？这个论证有没有漏洞？这个所有权模型合理吗？如果是一个有经验的开发者，他会怎么做？如果是一个严格的审稿人，他会怎么质疑？

让 AI 当导师，而不是代笔者。

让它帮我学得更快、更有效，但始终由我来做那些我正试图学会做的决定。

五、去真实世界里，让问题来找你

我还发现一件事：练习题是有边界的，真实世界没有。

以前我总想找更难的题、更高级的教程、更复杂的项目。后来才意识到，真正让我进步的，不是难度，而是真实。

真实的项目会逼你面对那些没人能提前设计好的问题。你会遇到所有权问题、并发问题、抽象泄漏、接口设计、同步机制、错误处理、部署运维……这些问题不会出现在任何一本教材的习题里，因为它们是长出来的，不是编出来的。

所以，如果你也在读博，也在写代码，也在用 AI，我的建议是：选一个你真正感兴趣的领域，用你的技术去探索它。

去学网络，去学嵌入式，去学并发，去学机器人，去做一个你一直想做但觉得太难的东西。不要只做那些有标准答案的练习。去真实世界里，让问题来找你。

你会被卡住，会写出丑陋的代码，会推翻自己的设计，会发现自己什么都不懂。但你也正是在这些时刻，长出真正属于你的判断力。

六、AI 越强大，越要亲自经历判断的形成

未来最不缺的，就是答案。

AI 可以几秒钟给你一个答案，几分钟给你一篇论文，几个小时给你一个项目。答案会越来越便宜，越来越丰富，越来越“看起来正确”。

但真正越来越稀缺的是：当所有人都可以轻易得到一个答案时，你有没有能力判断哪个答案值得相信。

读博也好，写代码也好，最终的目的都不是产出论文或代码。那些只是副产品。

真正的产品，是你自己。

是一个能够阅读复杂材料的人，一个能够独立思考的人，一个知道证据比立场重要的人，一个能够与不同意见相处的人，一个面对不确定性不会立刻寻找标准答案的人，一个在机器给出答案之后，仍然会追问“为什么”的人。

AI 越强大，我们越需要保护那些低效的、缓慢的、痛苦的、不能外包的过程。

因为正是那些过程，在塑造我们的判断力。

而判断力，才是这个时代最贵的东西。