手搓AI工具后,清华教授看到了传统教育的隐忧

最近，我和团队手搓了一个叫“Idea Gatekeeper”的AI科研平台。它做的事听起来有点意思：用AI来评估一个研究想法的潜力，甚至预测它可能发表在什么层次的学术期刊上。这个平台从构想、开发到初步上线，我借助了Claude code、codex、Gemini等工具，完整算起来只用了不到3天的时间。

它源于一个很具体的痛点。做研究的人常有各种想法，但那个想法究竟好不好，有没有可能做到顶级水平，很多时候靠的是一种近乎直觉的“学术品味”，说不清也教不会。我们让AI换了一种学法：不给它定规则，而是让它阅读大量论文从初始想法到最终发表的历史数据，让它自己去领悟其中的决策模式。

平台上线不到一个月，已有近千人注册。有博士生告诉我，她把自己纠结的几个选题放上去，结果AI的评估让她重新审视了自己的判断。效率的提升是百倍级的，但对我而言，更大的触动在于这件事本身何以能够发生。我是一个管理学教授，本科读的是工商管理，一行代码都没系统学过。就在几年前，我很难亲手将这样一个复杂的评估系统从构想变为现实。

正是这样的实践，让我对“AI时代，下一代该如何学习与成长”这个问题，有了从工具层面到理念层面的系统思考。当技术正在重写我们获取信息、构建知识乃至创造价值的方式时，人类最需要守住的核心，究竟是什么？

不会编程，也能手搓AI工具 

“Idea Gatekeeper”只是我手搓的一系列AI工具中的一个。我之所以不断尝试这些实践，不仅是为了解决具体问题，更想亲身验证：在AI时代，一个人把想法变成现实的路径，正在被大幅缩短并重新塑造。

很多人可能觉得，开发网站、搭建平台是程序员的事。但这其实是过去的思维惯性。在今天，借助AI，我手头同时推进的好几个项目，从构想到上线，都已成为现实。因为AI把技术门槛降到了新低。

对我这个零代码背景的人来说，AI带来的最大改变，是它把许多复杂任务从编程问题变成了表达问题、认知问题。你只要能把需求说清楚，它就可以帮你实现。真正的阻碍，往往不是技术，而是认知壁垒。

在领导力开发课堂上，许多互动环节都运行在我自己搭建的网站平台上。学生可以组队做模拟练习，跟AI驱动的角色进行对练。比如，在“艰难对话”课程中，可以模拟一个具体情境中的员工，让学生练习反馈、沟通甚至是处理冲突。

所谓“艰难对话”，其实不是简单地批评别人，而是领导在关系、责任和情绪之间找平衡的时刻。你既要把问题说清楚，又不能把人一下子推到防御状态；既要守住标准，又要让对方愿意把真正的问题说出来。过去课堂里我们也会做这种练习，但常常受限于同学之间互相扮演，角色很容易失真，张力也维持不住。AI进来以后，一个很大的变化是，它可以比较稳定地把那种真实的情绪阻力保留下来。

我印象很深的一个片段是，有位学生在谈“报告迟交”时，没有直接往下追问最后期限，而是突然对AI扮演的员工说：“要不我们先去喝杯咖啡，再聊这件事？”这个转变其实连我都没预料到。更有意思的是，AI没有跳出角色，它先愣了一下，然后顺着这个动作接住了，等于把一场原本可能走向对抗的绩效谈话，转成了一个先建立信任、再进入问题的对话。后来大家回头看这个片段时会发现，领导力有时候不体现在你多会讲道理，而体现在你有没有能力先改变场域、改变关系。

也有一些更具冲击力的时刻。有学生一路都在强调责任、流程和要求，几乎不给对方表达空间，结果AI扮演的员工最后真的“起身离开”了。教室里当时先是一阵笑，因为那个反应太具体了，但笑完以后大家其实一下子就明白了：当你只剩下管理动作，没有理解和连接的时候，对话表面上还在继续，实际上已经结束了。

我还有一个很喜欢的例子。曾经我让学生写一篇短文，主题是“AI时代，领导者发生了什么变化”。如果按传统方式，这件事做完大概就是给分、点评、结束。但我后来用嵌入模型把全班的想法做成了一张可视化地图：哪些观点聚在一起，说明很多人其实在重复同一套直觉；哪些观点站得更远一些，说明它可能有独特性，也可能还不成熟，但至少值得被看见。学生看到那张图之后，第一反应已经不再是“老师我得了多少分”，而是问我：“这个能不能做成交互界面？” 我说可以，然后就在课间开始做，几乎下课不久就把一个初步版本发给他们了。

这件事很有代表性。它说明评估不再只是一个终点判断，而开始变成推动下一步思考和行动的过程。也因为这些工具是我自己在教学现场一边用一边改的，所以它们会非常贴近学生的真实需要。某个功能如果没用，我就直接拿掉；如果它真的帮助学生理解自己、推进下一步，我就会马上把它做得更好。

总之，有了AI的辅助，我可以随时将新想法嵌入系统，让工具与教学节奏同步进化。这种深度定制，如果外包给开发团队很难实现，因为教学中最有价值的细节和即时反馈，外人难以捕捉。

回到Idea Gatekeeper，它的逻辑也是一样。我们不教它规则，而是让它从历史数据中学习那种微妙的“品味”。在这个平台上，用户可以先用自然语言描述研究想法。AI会像一个合作者一样，追问几个关键问题，再帮你把想法整理成标准的研究选题摘要；接着，几个模型会同时给出评估结果，包括期刊层级预测、概率分布、模型之间的共识度，以及详细的解读与改进建议。

让我兴奋的是，有些用户并不是上来试一次就走，而是把它当作一个反复打磨研究想法的工作台来用。我能明显感觉到，他们不是在索要一个结论，而是在用这个平台不断尝试不同的表达、不同的切口、不同的理论框架，借此逼近一个更值得做的方向。对我来说，这很重要，因为它意味着平台已经不是一个“新鲜的AI展示”，而是开始进入真实的研究流程。

当然，我最惊喜的变化，是学生们开始把自己从“使用者”转成“创造者”。以前很多非技术背景的学生，会天然觉得做工具、写代码、搭产品是另一类人的事，和自己关系不大。但用了这些AI工具以后，他们第一次真切地感受到：原来只要问题足够清楚、表达足够具体，自己也可以把一个模糊的想法变成原型，甚至变成一个可以被别人使用的东西。这种心理边界一旦被打破，带来的改变是深远的。

这会带来两个特别明显的转向。第一，他们的提问方式变了。不再只是问“正确答案是什么”，而开始问“这个机制能不能改”“这个流程能不能更顺”“这个想法有没有可能做成一个工具”“如果换一个用户场景会怎样”。第二，他们对项目的态度变了。过去很多课程作业做完就结束了，交上来、评分、存档；现在越来越多的作业开始呈现出另一种气质——它们更像一个起点，而非终点。学生会意识到，自己手里的东西也许不只是一个任务，它可能是研究项目、产品原型、服务模型，甚至是一个可以继续孵化的商业构想。

也正因为如此，我现在很希望让课堂里出现的这些好想法继续孵化。因为AI真正缩短的，不只是执行时间，而是“从一个念头到一个可测试原型”的距离。课堂里那些原本可能只停留在纸面上的好点子，现在有机会继续长出来，进入现实世界。

当答案唾手可得

教育更要守住“元能力”

从这些具体的实践出发，我越来越清晰地看到另一个层面的变化：当AI极大地增强了我们的执行与生成能力时，人自身的角色和价值，必须被重新锚定在一个更根本的层面。

AI时代潜藏着一个非常重要的风险，就是个体提升了，但集体的多样性可能在消失。

比如，让AI写10个创意故事，每一个单独看都不错：结构完整、表达流畅。但放在一起看，会发现它们惊人地相似。这是一种“无声的坍塌”：质量在提升，多样性却在收缩。

如果我们的教育，只是训练下一代更熟练地命令AI产出标准答案，那么我们可能就在系统性地制造这种“坍塌”。传统应试教育的很多做法，本质上就是在把人训练得更像机器：完美记忆、精确答题、标准化输出、追求唯一正确答案。

但一个颇具讽刺的事实是：当AI越来越擅长标准化试题、模式化任务和规范化表达时，我们过去花很多时间训练出来的能力，恰恰可能是最容易被AI替代的能力。

问题不在于学习本身，而在于学习方式太单一，目标太功利。我们为了效率，过度优化了学习过程，剔除了其中必要的“熵”——那些看似浪费时间的探索、试错、发散思维。最终，我们可能培养了知识结构优化但创造力脆弱、思维同质化的个体。

在这样的背景下，“元能力”变得尤为重要。也就是关于学习本身的能力。它不是记住多少知识，而是学会如何学习；不是掌握多少固定技能，而是保持学习新技能的能力；不是知道所有答案，而是会提出好问题；不是消除不确定性，而是能在不确定性中前行。

具体来说，这关乎四种核心能力：创造力、判断力、逻辑力和沟通力。创造力，是你能不能看到别人看不到的东西；判断力，是AI给了你很多选项以后，你能不能知道哪一个方向更值得走；逻辑力，则是你能不能把事情拆开、规划、推进；沟通力，是你能不能把需求讲清楚。

当工具可以生成内容，这些能力就成为真正的分水岭。

对下一代来说，这也意味着，培养的重点应该从“学什么内容”转向“如何保持好奇心与探索欲”。在这个急速变化的时代，今天看似无用的兴趣，明天可能成为一个人最独特的优势。我们需要有意识地守护思想的多样性和开放性：鼓励跨界交流、广泛阅读、尝试不同体验，甚至允许适度的走神与白日梦。孩子最可贵的就是那种“未过拟合”的状态——因为知道得少，所以不受限；因为好奇，所以勇于试错。

所以，不要把孩子训练成更高效的AI使用者。 相反，我们应该努力让他们在强大的技术面前，保持人的样子——充满好奇心、想象力、灵活性和从真实兴趣出发的持续探索力。

AI时代的分水岭不是能力

而是判断力

很多人会以为，AI工具越普及，人与人之间的差距就会被抹平。因为大家都能用同一个模型、同一种工具，看上去门槛越来越低。

但现实可能恰恰相反：技术的普惠，并没有拉平绩效，反而可能加剧“平庸者”和“卓越者”之间的鸿沟。对于顶尖人才，AI是倍增器，使他们的产出指数级跃升；但对于普通人，AI往往只是让他们更快地生产出更多“看起来正确”的内容。

问题的关键，不在于生成能力，而在于判断能力。

生成式AI的本质，是基于大规模数据进行概率预测，它天然倾向于输出符合统计规律的“平均值”：流畅、完整、稳妥，但往往也是最稳妥、最常见、最不容易出错的那一类内容。一个人如果没有自己的专业积累、判断标准和审美能力，就很难从AI大量“似是而非”的输出中识别出真正有价值的部分。结果就是，人并没有驾驭AI，反而更容易被AI的“概率平庸”所同化。

真正的高绩效者，在使用AI时，其实是在进行一种高强度的“标准博弈”。他们不会把AI的第一版输出直接当成答案，而是会不断挑战它、筛选它、否定它。他们知道AI默认会趋向平庸的正确，所以更需要人去注入非统计学的价值：语境、经验、判断、伦理感、弦外之音，以及那些无法被简单数据化的标准。

这种差异，如果放到组织层面来看，会被进一步放大。

过去的组织，本质上是围绕“人”来设计的：岗位分工、层级结构、流程管理，核心都是为了降低人的不确定性、协调成本和沟通成本。但当AI开始成为主要的执行力量时，这一套逻辑就会发生变化。

在未来的AI原生组织中，不再是“人做事、AI辅助”，而是AI做大部分执行，人负责关键判断与方向。这意味着，组织管理的重点，也会从“管人”逐渐转向“管AI”，从协调人的行为，转向管理AI的不确定性、上下文和能力边界。

在这样的组织里，人与人之间的差异不会被缩小，反而会被放大。因为同样的AI系统，在不同人手中，所能产生的结果完全不同。一个人是否具备判断力、创造力，是否有能力提出好的问题、建立自己的标准，决定了他能把AI带到什么样的高度。

也正因为如此，AI原生组织并不会拉平差距，而是会让真正有判断力的人获得更大的放大效应。AI时代真正稀缺的，不再是获取答案的能力，而是建立标准的能力；不是输出更多，而是判断什么值得输出；不是更像AI，而是能够把AI带到它本来去不到的地方。

thethinker@citicpub.com