AI冲击中最大的不公,我们怎样面对

偶遇一篇探讨AI时代教育的好文（文章11060字），文中的所思所想与我最近的思考是不谋而合的，有几个观点忍不住揉开了与友友们交流。

首先，这篇文章一开篇就引发读者的思考。打开任意一个AI工具，投喂进去孩子的一张考试试卷或考公考编的行测试卷，很快就出来一份答案，大概率都比大多数认真复习的学生得分都要高。

你惊讶地发现，12年培养的能力（感觉这里应该强调一下，是应试能力），AI用12秒就能超过。

在这里，作者抛出了一个大胆的定论：“AI不是给旧教育提效的，它是来宣布，旧教育的中心任务——把人训练成标准化的知识处理器——已经过时了。”

作者紧接着抛出了十个重要的观点。我尽量用作者的原话表述。

第一，“教育的第一性原理，从来不是分数”，教育不是永恒不变的，是跟着生产力走的。从手工业时代的学徒制到工业时代的标准化、规模化、纪律化。生产工具从蒸汽机、电力、计算机转变成大模型、智能体和自动化系统，生产力的跃迁，让社会对人的能力的需求会有一个大的转变。

第二，认知劳动的价格崩塌。这里提到了一个经济学的概念叫“技能溢价”，掌握某种稀缺技能的人，可以在劳动力市场上获得超额回报。过去两百年，人类是唯一的知识处理器，所以受过系统教育的人理所当然是一种强有力的技能溢价来源。

而现在，AI可以把被规则描述，可以被拆解成流程、可以被标准化执行的脑力工作替代，企业已经按照这个现实改变用人逻辑。2025年下半年，摩根大通的高管直接告诉业务负责人：尽量避免新增招聘。意味着，受传统教育的技能溢价体系在逐渐瓦解。

第三，四根承重柱，同时开裂。作者提到的这四根承重柱是假设的系统的四个底层假设。

（1）知识不再稀缺。现在问AI知识点，一秒内有回应。

（2）记住知识本身不再自动转化为竞争力。AI存储的知识随时取用。

（3）按学科分割知识的效率正在下降。AI没有学科边界，可以理解跨领域整合。

（4）标准化的人才不再稀缺，反而最容易替代。AI能达到80分的水平，最容易取代标准化产品。

作者提出了一个观点，知识从目的变成了手段，从终点变成了起点，教育的重点应该让学生记住知识转向让学生学会使用知识。

第四，能力错配，旧标尺碎了，人靠什么立足，AI擅长回答已定义的问题，人类擅长定义问题本身。作者提出了五个能力，问题定义力，识别什么是真正的问题；跨域整合力，把不同领域的知识、视角、方法连接起来；不确定性决策力，如何在信息不完整、后果不可逆、各方利益冲突的情况下做出可行的决定；人际影响力，说服观点不同的人朝着同一方向行动。自我驱动力，在没有外部指令、没有标准答案、没有回报的情况下，仍然持续探索和创造的内在动力。

第五，认知大分流：一代人的命运岔路。社会学家曼纽尔·卡斯特尔在分析信息时代的社会结构时提出过一个判断：新技术不会均匀地改变所有人的命运，它会在人群中制造新的分界线——掌握新工具的人和被新工具替代的人之间，会形成一道越来越难跨越的鸿沟。

作者提到一个事例，2025年春招季，一个211金融系的应届生告诉我，他投了上百份简历，进到终面的只有三家。其中一家面试官当面问他："你能做的事，我用AI跑一遍就行，你比AI强在哪？“他答不上来。同一个月，深圳一个没上过大学的26岁年轻人，靠熟练使用AI工具帮跨境电商公司批量生成产品页面和客服话术，月收入两万五。

过去靠文凭取胜的年代，在AI时代则要凭能力，凭作品。

第六，学校会从教室变成车间。孩子去学校，不再只学书本上的知识。孩子去学校，是为了进入场景，进入项目，进入合作，进入真实问题。学校的核心价值会从"教你知道什么"，转向"让你在真实任务里学会怎么做"。项目式学习会是主流模式。

第七，文理分科，年龄分班、专业壁垒——全该拆了。MIT媒体实验室创始人尼古拉斯·尼葛洛庞帝有个观察：创新几乎总是发生在学科边界上，而不是学科中心。材料科学和AI、心理学和经济学、生物学和计算、设计和工程，边界正在变成创新本身。

第八，12年读完，一个孩子应该带走什么？

（1）一套自己能运转的学习系统。在18岁前，把自主学习，自我驱动循环训练成本能。

在知识都能通过AI轻易获取的情况下，一个人选择自己去啃那本书、自己去推那道题、自己把知识真正装进脑子里——这种克服惰性、主动掌握知识的意愿，反而成了一种极其稀缺的品质。 它背后是自律，是延迟满足，是"我不是为了分数而学，我是为了自己而学"的内驱力。

（2）真实世界的基础生存力。表达力、说服力、自我管理能力、可迁移能力。2026年3月，月之暗面Kimi团队发表了一篇引发业界震动的论文《Attention Residuals》，对大模型十年未变的残差连接结构提出全新方案——第一作者陈广宇，深圳一名17岁的高三学生。马斯克转发点赞。他不是通过高考进入这个位置的，是在技术社区持续输出高质量内容，被研究团队注意到的。

(3) 提拔的逻辑必须改写。高考状元，他最强的那些能力——精确记忆、高速计算、模式匹配——全是AI的强项。

作者大胆猜测，未来的选拔不是给你一张卷子，而是给你一个开放性的真实挑战，看你能走多远。

数学选拔：给你一个未解猜想的简化版本，三个月，看你能探索到什么程度——不要求解出来，要求展示思考路径、失败记录、在哪里冒出了原创性洞察。工程选拔：给你原材料和真实需求——为偏远乡村设计低成本饮用水净化装置——看你能做出什么。人文选拔：三个月深度田野调查，走进一个从未接触过的社群，观察、访谈、分析，写出一份有温度的社会观察报告。

第九，教师不会更少，只会更贵。未来需要的老师，会是知识面更宽、实践背景更强的人。主要职责，也不再是传授知识，而是监督和审核AI，判断AI给出的内容靠不靠谱，设计项目，组织协作。更重要的是，去做AI不擅长的部分——德育、内驱力培养、边界感建立、长期陪伴。

第十，速度，是这一轮最残酷的变量。

作者写道，霍布斯鲍姆写英国工业革命时提过，手织工不是突然消失的，而是在几十年里一点点被动力织机挤压、降价、耗尽，最后整个群体被历史抹掉。波兰尼讲得更直接：真正的灾难不是机器，而是旧秩序已经碎了，新秩序还没建起来，夹在中间的人，就成了代价。而决定这个代价有多大、过渡期有多长的，从来都是教育。

蒸汽机从发明到广泛扩散，用了将近一个世纪。电力用了几十年。计算机从进入企业到重塑社会，也花了三十年左右。而这一轮 AI，从 ChatGPT 横空出世，到大模型和智能体全面渗透企业、教育、办公和个人生活，只用了两三年。

看完这篇深度好文，我深刻地产生了共鸣，如果学校暂时还不能提供这种教育——那就先由自己开始。

从24年开始对AI产生兴趣，当时围绕AI撰写研究工作课题，没有太深入地探讨，到25年发现AI进展神速，开始产生学习的兴趣，但还是有惰性，没有主动地学习，到26年，意向真正地成为一名AI研究者。

也发现，现在的教育体系没办法一下子改变，但我们通过自己的力量可以学习成长。

比如，没有人逼着做课堂教学改革，在听了北大教授的讲座之后，把教授的课堂分组由以前的就近入座可以交流研讨的分组变成了可以隔空交流的微信群分组，以此适应与满足了同学们在分组后畅所欲言的交流。

比如，把教学课程里能够进行AI辅助的模块，转化为AI赋能的课堂，让同学们借助AI尝试数字人制作、简历优化、结构化面试与无领导小组面试，提升AI实践能力。

比如，试图让家里的娃通过AI自主学习，正在探索中。

就像上篇文章中作者提到的：教材没改，学校没改，选拔机制没改，家长的认知也没改。但外部世界已经改了。所以也许今天所有的在校生——从小学一年级到大学四年级——都有可能成为这次过渡的代价。他们每天背单词、刷题、备考、考证、实习，一步都没少走。这一轮AI冲击中最大的教育不公，不是有人用得起AI而有人用不起——而是我们还在用培养上一个时代的方法，把这一代人送进一个已经改了规则的世界。

所以，面对AI时代，我们可以做些什么，不能坐以待毙。我们不盲目，孩子才能有主心骨。

AI的到来是有利有弊，这个时代不会因为任何人停下前进的脚步，我们能做的是思考如何与时俱进，乘上AI时代的列车。