AI 时代,大学到底该怎么学?|01 AI 会给答案之后,人还要学什么?

[编者按]“AI 时代，大学到底该怎么学？”系列第一篇

这是一组从一门“计算机通信网络”课长出来的教育札记。它试图回答一个正在困扰很多大学生、家长和老师的问题：当 AI 越来越会给答案，大学教育真正应该培养什么？

AI 会给答案之后，人还要学什么？

这几年，很多大学生都有一种很真实的困惑：

AI 已经这么强了，我还要学什么？

写代码，AI 会。查资料，AI 会。总结论文，AI 会。解释概念，AI 会。写报告、列方案、做 PPT，AI 也越来越会。

于是一个很自然的问题出现了：

如果答案越来越容易得到，那么大学教育的价值在哪里？

我这学期上了一门“计算机通信网络”课。表面上，这是一门工科专业课，讲的是网络协议、分层、buffer(缓存)、flow control(流量控制)、资源调度、系统架构。

最近几年AI冲击之下上这门课，我越来越觉得，这门课真正要回答的，不只是“计算机网络是什么”，而是一个更大的问题：

AI时代，人到底应该怎样学习？

我的阶段性答案是：

AI可以给答案，但人必须学会理解答案从哪里来、适用于哪里、背后有什么假设、现实中能不能成立。

换句话说，未来真正重要的，不是更快拿到答案，而是更深地理解问题。

一、AI 让答案变便宜，但没有让判断变便宜

很多学生第一次使用 AI 时，会有一种很强的兴奋感。

以前要查很久的知识，现在几秒钟就能得到解释。以前写不出来的代码，现在 AI 可以生成。以前不知道怎么组织的文字，现在 AI 可以帮忙整理。

这当然是好事。

但问题也在这里。

当答案来得太快，人很容易误以为自己已经理解了。

1. “知道一个解释”不等于“理解一个问题”

比如你问 AI：什么是 buffer？

AI 很快会告诉你：buffer 是缓冲区，用来暂存数据，以协调发送方和接收方之间的速度差异。

这个答案没有错。

但学生真的理解了吗？不一定。

因为他可能只是记住了一句话：

buffer 用来协调速度差异。

可是他未必真正感到：

为什么会有速度差异？

谁快了？

谁慢了？

数据为什么会来不及处理？

如果没有buffer会发生什么？

buffer放在哪里才有用？

buffer能解决所有问题吗？

buffer和flow control有什么区别？

这些问题，才是真正的理解开始发生的地方。

AI 可以给出定义，但定义并不自动变成学生的能力。

2. 答案越来越多，判断反而越来越重要

过去，学习的一个难点是“找不到答案”。

现在，很多时候难点变成了：

答案太多了，我不知道哪个能用。

AI 可能给你三个方案、五个定义、十种解释。

但你仍然要判断：

这个答案适合我的问题吗？

它是不是忽略了关键条件？

它是不是只在某个场景下成立？

它背后的假设是什么？

它在现实系统中能不能运行？

它会不会只是在文字上很漂亮？

所以，AI 并没有取消学习。

它只是把学习的重心从“获得答案”推向了“判断答案”。

二、一次遮脸交流：学生第一次感到“通信不是说出去就完了”

有一次课，我让学生做了一个很简单的实验。

两个人一组交流，第三个人观察。

但有一个条件：

用纸挡住彼此的脸。

也就是说，他们不能看见对方的表情、眼神、口型和微小反应。

平时我们聊天时，其实依赖很多隐含信息：

对方是不是听懂了；

对方是不是困惑了；

对方是不是想插话；

对方是不是准备结束；

对方是不是已经不耐烦；

对方是不是还愿意继续听。

这些信息很多时候不是通过语言传递的，而是通过表情、眼神、停顿、身体姿态传递的。

一旦把脸挡住，学生马上发现：

原来沟通没有想象中那么简单。

1. 说得太快，对方可能接不住

有的学生说着说着，会发现对方没有反应。

他不知道对方是懂了，还是没懂。

接收方也会发现：

对方一直在说，我好像还没处理完前面的内容，后面的内容又来了。

这时候，学生其实已经进入了通信系统里最基本的问题：

发送和接收的速度不匹配。

在计算机网络里，这会对应到 buffer、flow control 等概念。

但如果我一开始就讲：

buffer 是为了解决速率失配问题。

学生可能只是把它当成一句专业术语。

可当他们在遮脸交流中真的感到“对方接不住”“我来不及处理”时，buffer 就不再是一个冷冰冰的名词。

它变成了一个从真实困难中长出来的结构。

2. 看不见反馈，就需要更明确的规则

还有学生会发现：

平时聊天中，很多规则是隐含的。

比如：

我停顿一下，表示你可以说；

你点头，表示你听懂了；

你皱眉，表示你有疑问；

你看向别处，表示注意力可能走了。

但脸被挡住以后，这些隐式规则消失了。

于是双方就更需要明确地说：

“我说完了。”

“你听懂了吗？”

“我刚才那句再说一遍。”

“现在轮到你说。”

“我们先确认一下前面的意思。”

这其实就是协议的雏形。

协议不是计算机网络里凭空冒出来的复杂规则。

协议的本质是：

多个有限主体为了稳定协作而建立的共同约定。

人和人之间可以依赖大量默契。

机器不行。

所以计算机网络必须把很多人类沟通中默认的东西显式写出来：

报文格式；确认机制；超时；重传；窗口；流控；拥塞控制。

学生亲身体验过之后，才会更容易理解：

网络协议复杂，不是因为工程师喜欢复杂，而是因为稳定通信本来就不简单。

3. AI 可以解释协议，但体验能让学生感到协议为什么必要

这就是我想说的重点。

AI 可以非常清楚地解释 TCP/IP、buffer、flow control 和 protocol。

但如果学生从来没有感到过通信中的困难，他对这些概念的理解就容易停在文字层面。

真正的学习，不只是知道概念的定义。

真正的学习是：

我能感到这个概念为什么会出现。

当学生在遮脸交流中感到：

信息可能丢失；

对方可能接不住；

反馈可能不足；

双方需要规则；

速度需要协调；

他再去学计算机网络，就不只是背术语了。

他开始知道：

原来网络机制，是通信系统为了活下去自然长出来的结构。

三、洗杯子排队：真正的问题不是“排队”，而是资源错配

还有一次课，学生喝完茶要去洗杯子。

水龙头有限，大家集中去洗，于是排队出现了。

这本来只是课堂中的一个生活小插曲。

但我把它拿回来问学生：这里的问题是什么？

很多人第一反应会说：问题是排队。

但我想让他们再往深处想一层。

排队真的是问题吗？

不一定。

排队其实已经是一种解决方案。

真正的问题是：在同一时间，很多人都有洗杯子的需求，但可用水龙头资源有限。

也就是说，本质问题不是“排队”，而是：资源和需求在时间、空间上发生了错配。

1. 从“看到现象”到“看见结构”

这是很重要的一步。

很多时候，我们以为自己看见了问题，其实只是看见了现象。

比如：

看到学生沉默，就说问题是“不积极”；

看到系统卡顿，就说问题是“太慢”；

看到大家排队，就说问题是“排队”；

看到学生不会做题，就说问题是“不努力”。

但真正的工程思维，不能停在现象层。

要继续问：

为什么沉默？

为什么卡顿？

为什么排队？

为什么不会做？

背后资源、规则、能力、目标、反馈哪里出了问题？

当学生意识到“排队不是问题，资源错配才是问题”时，他已经从生活现象进入了系统思维。

2. 一旦重新定义问题，方案空间就打开了

如果问题被定义为“排队”，那方案可能只有：

让大家排好一点。

但如果问题被定义为“资源和需求错配”，方案就多了：

增加水龙头；

错峰洗杯子；

分流到其他地点；

改变洗杯子的流程；

规定不同小组不同时间洗；

临时增加清洗工具；

让部分杯子延后处理；

设计优先级；

甚至改变是否必须当场洗杯子的规则。

这时学生会发现：

重新定义问题，比急着找答案更重要。

AI 可以给很多方案。

但如果问题定义错了，方案越多，可能越乱。

3. 这就是 AI 时代更重要的能力

AI 很擅长回答：

有哪些排队算法？如何优化等待时间？有哪些资源调度策略？

但人要先判断：

我面对的到底是不是排队问题？还是资源分配问题？或者是规则设计问题？或者是公平和效率之间的取舍问题？

这才是关键。

未来学生不能只会问 AI：这个问题怎么解决？

更要学会先问自己：我真的把问题看清楚了吗？

四、倒茶时一句“快满了”：概念从身体经验里长出来

还有一个很小的课堂片段。

我带了茶具，学生倒茶。

当茶水快接近杯口时，旁边的同学自然会喊：

快满了！满了满了！

这句话看起来很普通。

但它其实包含一个反馈控制系统。

1. 状态、反馈、控制，都在这个瞬间发生了

我们可以拆一下：

杯子里的水位在变化，这是状态；

有人观察水位，这是监测；

有人喊“快满了”，这是反馈；

倒茶的人减慢或停止，这是控制；

茶没有溢出来，这是系统避免越界。

如果我直接讲“反馈控制”，学生可能会觉得抽象。

但在倒茶时，学生身体里已经知道：

如果没有反馈，茶会溢出来。如果反馈太晚，也会溢出来。如果执行者不根据反馈调整动作，系统仍然会失控。

这就是从生活经验中长出的系统概念。

2. 知识不是先进入大脑，而是先进入情境

这也是我越来越强烈的感受：

很多知识不是先靠定义进入学生，而是先靠情境进入学生。

学生先经历：

快满了；

接不住；

来不及；

排队了；

看不见反馈；

不知道谁是谁；

资源不够；

规则不清。

然后再把这些经验命名为：

状态；

反馈；

控制；

buffer；

protocol；

flow control；

resource scheduling；

system boundary。

这时概念就活了。

五、大学生真正要学的，是追问底层的能力

所以回到开头的问题：

AI 都会给答案了，大学生还要学什么？

我的答案不是：

大学生不用学知识了。

恰恰相反。大学生仍然要学知识，而且要学得更扎实。但不能只把知识当成“要背下来的结论”。

要学会问：

这个概念为什么会出现？

它解决了什么问题？

它背后的现实约束是什么？

它适用于什么场景？

它有什么边界？

它能迁移到哪里？

如果换一个目标，它还成立吗？

这就是我理解的“追问底层”。

1. 不是背第一性原理，而是学会找到第一性问题

很多人现在喜欢讲“第一性原理”。

但我越来越觉得，教育里最重要的不是让学生背一堆所谓第一性原理。

真正重要的是：

让学生学会在具体问题中找到那个最底层、最关键、最绕不开的问题。

比如：

洗杯子不是排队问题，而是资源和需求错配；

遮脸交流不是聊天问题，而是反馈、协议和速率匹配问题；

倒茶不是倒水问题，而是状态监测和反馈控制问题；

学习不是记答案问题，而是内部结构是否改变的问题；

AI时代不是工具使用问题，而是人如何保持判断力和创造力的问题。

这才是大学教育要训练的能力。

2. AI 可以帮助学习，但不能替代学生的追问

AI 很有用。

学生应该学会用 AI。老师也应该学会用 AI。但 AI 不应该让人停止思考。

恰恰相反，AI 越强，人越要学会：

提出更好的问题；

判断答案质量；

识别适用范围；

看见现实约束；

发现方案背后的价值取舍；

把知识迁移到真实情境中；

在复杂世界里做出自己的判断。

否则，人会变成一个“答案搬运工”。

看起来很高效，实际上越来越依赖外部生成。

六、未来真正珍贵的学生，是“架构型学习者”

我越来越觉得，AI 时代大学教育要培养的，不只是“会做题的人”，也不只是“会使用工具的人”，而是架构型学习者。

所谓架构型学习者，不是一个很玄的概念。

它指的是这样一种人：

1. 他不急着要答案，而是先看问题结构

面对一个问题，他会问：

这个问题的目的是什么？

表面现象背后的结构是什么？

哪些资源有限？

哪些约束不可绕开？

哪些规则正在起作用？

哪些变量最关键？

2. 他不迷信标准答案，而是知道答案有适用边界

他知道：

一个方法在这里有效，不代表到处有效；

一个模型一定有假设；

一个方案一定有代价；

一个系统一定有边界；

一个工具一定有使用场景。

3. 他不只是接收知识，而是能用知识构造新理解

他学习不是为了把知识存在脑子里。

而是为了：

看见更多结构；

生成更多方案；

拥有更多行动可能；

在复杂问题中不慌；

面对未知时能重新组织资源。

这才是大学最应该培养的能力。

七、真正的学习，是让人多一种看世界的方式

如果说这门计算机通信网络课给了我一个很深的提醒，那就是：

知识的价值，不是让学生记住更多名词，而是让学生多一种看世界的方式。

学过反馈控制，他看倒茶不一样了。学过资源调度，他看排队不一样了。学过协议，他看沟通不一样了。学过系统边界，他看组织和关系不一样了。学过架构，他看 AI 时代的学习也不一样了。

这才是大学教育最珍贵的地方。

不是把学生训练成一台更会答题的机器。

而是让他越来越能看见：

问题背后的结构；

结构背后的约束；

约束背后的目的；

目的背后的价值；

以及自己可以怎样行动。

结尾：AI 时代，答案不是终点

AI 会让答案越来越容易得到。

但也正因为如此，大学教育不能继续只围绕答案旋转。

未来真正重要的，是学生能不能：

感到真实问题；

追问底层原因；

理解适用边界；

判断现实约束；

构造新的方案；

形成自己的理解；

在复杂世界里负责任地行动。

AI 可以告诉你什么是 buffer。但你要知道，为什么人和机器都会“接不住”。

AI 可以告诉你什么是协议。但你要知道，为什么稳定协作需要共同规则。

AI 可以告诉你什么是资源调度。但你要知道，排队背后真正发生的是资源与需求的错配。

AI 可以告诉你什么是反馈控制。但你要知道，为什么一句“快满了”本身就是一个系统在避免失控。

AI 可以告诉你很多概念。但你要学会在真实世界里，看见这些概念为什么会出现。

所以，AI 时代大学生最应该学习的，也许不是比 AI 更快地回答问题，而是比过去的自己更深地理解问题。

真正的学习，不是把答案搬进大脑，而是让自己多一种理解世界、组织世界、回应世界的能力。

当一个学生能从倒茶里看见反馈，从排队里看见调度，从交流里看见协议，从一门课里看见自己未来的学习方式，他学到的就不只是知识点。

他开始拥有一种新的能力：

在复杂世界中，看见结构，判断边界，重新构造。

这也许才是 AI 时代大学教育最重要的价值。

AI 会越来越会给答案。

但人仍然要学会提出真正的问题，理解真实的约束，做出负责任的判断，并在现实世界中创造新的可能。

因为答案不是终点。

真正的学习，是让人从“知道答案”，走向“看懂世界”。

AI 时代，大学到底该怎么学？｜01 AI 会给答案之后，人还要学什么？