夜雨聆风AI时代，人的主体性在哪里？
从高中晚自习前第一次听见 ChatGPT，到今天让 AI 参与写代码、搭服务器和检查结果，我对它的认识已经变了几次。当执行能力越来越容易获得，人还要学习什么，又该把自己的判断放在哪里？我的答案是：体系结构。
01 从晚自习前的一句话开始
2023 至 2024 年，我还在读高中。
晚自习前，班主任照例进行一轮学习动员。有一天，他提到 ChatGPT，说这一定是未来的方向。隔壁班发下来的英语单词单上，也出现了一项关于 GPT 英语文章的作业。
这两件小事当时没有给我留下多深的震动。我听过，也看过，随后继续做题。那时的 AI 对我来说很远，只是新闻里刚刚出现的一个名词。我完全没有料到，几年以后，它会参与我的学习、写作和工程实践，还会迫使我重新考虑一个很旧的问题：人究竟凭什么成为行动的主体？
技术进入生活，往往没有一个清晰的分界日。最初只是偶尔听见，后来开始试用，再后来，它悄悄进入每天的工作流程。等我意识到变化时，许多习惯已经不同了。
图 1 校园傍晚。技术进入学习生活，往往没有一个清晰的分界日。（AI 生成配图）
02 那时，我只让 AI 润色文字
2024 至 2025 年，我刚上大学。
大一基本做了三件事：学数学、背英语、敲代码。
工科数学分析刚开始就是 - 语言，高等代数里又有抽象的秩、线性空间和线性映射。初学时确实痛苦。许多概念很难靠直觉蒙混过去，只能一行一行地看定义，再一题一题地确认自己究竟懂了多少。英语当时也背得勤快，当然现在已经懒了不少。程序设计基础则让我第一次持续地把想法写成可以运行的代码。
那时国内已经有不少大语言模型。文心一言我也用过，后来用得少了，不知道它现在去哪发财了。
我当时对 AI 的认识很朴素：写课程作文，润色表达，翻译英语，顺便搜索资料。某门电子信息工程导论课需要交文章，它可以帮忙组织文字；参加学校某个杯赛时，遇到复杂的数学过程，我仍然坚持自己计算，只把最终文字交给 AI 润色和翻译。
现在回头看，这种用法带着明显的时代痕迹。模型当时的推导精度、上下文长度和任务执行能力都有限，我对它的信任也有限。更重要的是，我还没有形成让 AI 真正参与复杂工作的流程。它只能在最后一段接手文字，无法进入问题的结构。
03 当 AI 开始真正做事
2025 至 2026 学年，我偶然开始频繁使用 GPT，熟悉一段时间后订阅了 Plus。后来，我出于好奇从官网安装 Codex，以为它只是一个更方便的代码生成程序。
很快，我发现自己的理解又落后了。
图 2 OpenAI 官方 Codex CLI 界面图。界面中的任务、计划与执行记录，已经超出单次代码补全的范围。（来源：OpenAI Codex 官方仓库，Apache-2.0）
今年龙虾爆火时，我最初觉得这个想法过于大胆。让模型操作电脑，接触磁盘上的重要资料，还能调用各种工具，这种权限交付让我本能地警惕。可在 Codex 里工作一段时间后，我也开始采用相似的任务方式：先说明目标和边界，让 AI 执行；再检查结果，指出偏差；必要时补充测试或让另一个 AI 做安全审查；最后根据反馈继续修改。
这个过程很容易写成一个控制论中的闭环：
目标与约束 → AI 执行结果与环境变化 → 检查 → 修正指令
检查产生的信息重新进入下一轮执行，系统的输出才可能逐步接近目标。这里的检查既可以来自编译器、测试、数据和日志，也可以来自人的阅读与判断。AI 复核能够减少一部分疏漏，但它无法自动消除同源偏差，最终验收仍然需要明确的标准和责任归属。
这次变化对我的触动很大。模型正确率的提升当然重要，体系结构同样重要。一次回答是否精彩，只能说明一个局部结果；一套工作流程能否留下记录、暴露错误、接受反馈，决定了它能不能承担更复杂的任务。
于是我开始理解，AI 的能力不能只用模型参数或单次回答衡量。任务如何拆分，权限如何设置，结果如何评价，失败怎样回退，检查由谁完成，这些问题共同决定了实际可用性。自动化科学早已习惯用结构、状态、反馈和稳定性理解系统，AI 工作也需要类似的严谨。
订阅 Pro 对我来说也就在这个阶段从消费问题变成了效率问题。它值不值得，取决于我是否真的建立了足以使用这些能力的流程。
04 当执行能力不再稀缺
如今，GPT 仍在推进，DeepSeek、Qwen 等模型也在降低使用成本。更轻的模型、更便宜的调用和更完整的工具链，让 AI 继续进入学习、研究和工作。
接下来的问题就很现实：人还要怎样学习？知识面的广度和深度应该如何平衡？
这很像一道高考作文题，常见答案总要把广度和深度各说一遍。可真正排课程、做项目时，这句话还不够用。时间有限，课程很多，任何选择都会挤占另一些选择。我们需要一套更具体的知识结构。
在我的理解里，可以暂时把它写成一个正态形函数与门函数的乘积：
核心方向附近的深度再写成：
这里， 表示不同知识领域， 表示对相应领域的理解深度， 表示核心方向附近的深度分布； 是长期深入的核心方向， 决定中心能够达到的高度， 表示围绕核心方向形成的有效知识宽度，区间 表示愿意接触的知识范围。
对我来说，中心峰值要尽量高，门函数的窗口也要尽量长。即使到了 之外，曲线已经很低，我仍希望自己对那些领域保留基本概念、常用语言和判断入口。
这个函数只是一种个人化表达。它提醒我：广度负责发现联系和识别问题，深度负责把问题做实。只有窗口，理解容易停留在名词；只有中心的高峰，遇到跨领域任务时又可能连问题属于哪里都看不出来。
05 我的神秘课程计划
以我的大二课程为例。
大二上，我学习理论力学、工程图学、电路与模拟电子、概率统计，还自选了数字电路、信号与系统；大二下又接触材料力学、机械原理与设计、可靠性导论、常微分方程，并自选数字信号处理。
这个安排覆盖机械、电子、通信和数学，看上去确实有些神秘。我对每门课的分数也没有同等执念。学材料力学时，有些作业当下就是不会做。到了期末，我会把整门课的笔记重新整理一遍，先看它从哪里开始，依赖哪些假设，怎样从受力走到应力、变形和强度条件，再看每类题目处在体系的什么位置。
这种总结经常比单独做出一道题更让我安心。因为一道题做对，有时只是刚好找到了公式；课程结构梳理清楚以后，我才知道公式为什么出现在那里，又能解决多大范围的问题。
材料力学和信号与系统原本属于两套相隔很远的课程。我把它们放在一起看时，发现二者都能在一定条件下写成输入、系统、输出之间的关系。
在小变形、线弹性等假设下，材料结构对载荷的响应可以利用线性和叠加来分析；在线性时不变系统中，输出可以由输入与单位冲激响应的卷积得到。材料力学中的单位载荷法与单位冲激响应并不等同，二者却共享一种组织思路：先研究单位激励造成的响应，再借助线性关系组合出一般情形。更接近的数学对应，还可以在格林函数中看到。
图 3 信号与系统教程中的两个基础连续时间信号：有限时长的正弦信号与单位阶跃信号。（来源：Wikimedia Commons，公有领域）
材料均匀、各向同性等条件有助于建立简洁的本构关系，结构响应仍会受到几何形状和边界条件的影响；信号系统的时不变性也有自己的严格条件。把两门课联系起来，不能抹掉各自的前提。这个联系真正带给我的，是一种阅读课程的方法：先找对象、假设、输入输出关系和叠加规则，再看体系在哪些边界上失效。
图 4 Euler–Bernoulli 梁理论的典型教程图：变形前后的梁轴线、截面与转角关系。（来源：Wikimedia Commons，公有领域）
机械、通信、控制、计算机都有各自的体系结构。广度的价值由此变得具体。多学一个领域，并不等于多记一批术语；它让我多获得一种组织问题的方式，也多获得一套检查 AI 输出的方法论。
06 AI 可以超出行为的极限，但不能超出认知的极限
最近在 AI 的帮助下，即使我没有计算机科班背景，也能完成一些过去很难独立完成的事：搭建服务器、部署网站、修改程序、分析报错。AI 确实扩展了我的行为能力。
我也越来越相信一句话：
AI 可以超出行为的极限，但不能超出认知的极限。
这句话需要说得更准确一些。AI 给出的内容当然可能超过我已有的知识，甚至把我带到完全陌生的领域。可这些内容能否进入我的学习和研究，仍然受我的认知结构约束。我是否知道该问什么，能否判断结果是否合理，能否发现遗漏的假设，能否为真实后果负责，这些环节不会随着一段高质量输出自动完成。
一个人不知道操作系统怎样管理进程、权限和文件，即使 AI 帮他把服务跑了起来，也很难判断故障与风险来自哪里；不了解电路的基本约束，得到一张连接图时，也很难确认它在真实器件上会发生什么。
所以我计划在大三学习计算机组成原理、操作系统等课程。目的很简单：继续补充新的体系结构。以后再让 AI 写程序、配置服务器时，我希望自己看到的不只是一串可以复制的命令，还能理解它们调用了什么、改变了什么，以及出错后应该从哪一层开始检查。
07 我的答案：体系结构
回到最初的问题：AI 时代，人的主体性在哪里？
我的答案：
体系结构。
这里的体系结构既包括知识如何组织，也包括任务如何展开。人要决定什么值得做，用什么模型理解问题，把任务分成哪些部分，依据什么证据验收结果，还要决定自己愿意承担什么后果。
AI 能快速生成文字、代码和方案，也能在许多局部任务上超过个人。主体性无需靠与 AI 比拼任务数量来证明。它体现在目标的来源、结构的选择、判断的标准和责任的落点。
这也解释了为什么基础学习仍然重要。学习一门课，最终留下的应当是一套能反复调用的结构：基本对象是什么，核心关系是什么，结论依赖哪些条件，遇到异常时如何检查。公式会忘，软件会换，模型也会继续升级，这套结构能够帮助人重新进入问题。
从高中晚自习前听见 ChatGPT，到今天让 AI 参与完整任务，我感受到的最大变化，是执行的门槛正在快速降低。与此同时，定义问题、连接知识、设计反馈和承担责任的要求变得更清楚。
技术还会继续变化。我真正想长期建设的，是自己理解问题、组织知识和安排生活的方式。
