夜雨聆风很多人相信，AI时代最重要的能力是“提问能力”。
理由也很直观：
AI负责回答，人负责提问。
谁更会提问，谁就能更好地使用AI。
于是，“学会提问”迅速成为一种新口号。学校教学生写提示词，企业培训员工如何把任务描述清楚，家长也开始提醒孩子：“不要只会问答案，要学会问一个好问题。”
但这里隐藏着一个巨大的误会。
把一句模糊的话改写得更准确，把一个复杂任务拆成几个步骤，把要求、格式和限制条件告诉AI，这当然是一种能力。但这主要是一种指令编写能力，还不是问题生成能力。
例如，一个人问AI：
请根据近三次考试成绩，分析学生的薄弱知识点，并设计一份两周提升计划。
这句话目标明确、条件充分、输出清楚，算得上一个不错的提示词。
可它并没有追问：
为什么我们认定这些学生最需要解决的是知识薄弱？
三次考试能不能代表学生真实的学习状态？
所谓“提升”，究竟是分数提升，还是理解方式发生变化？
两周计划会不会进一步加重学生对数学的厌恶？
如果学生的问题不是不会，而是不知道为什么必须学，那么继续增加练习是否有意义？
真正的问题，并不一定存在于那句话里。
它可能发生在一句话尚未被提出之前。
所以，AI时代最重要的，不只是把问题问清楚，而是：
让一个原本不存在的问题发生。
这两者之间，隔着整个教育的未来。
一、AI擅长回答问题，但更擅长遮蔽“问题从哪里来”
只要一个问题已经被清楚地提出，AI通常可以迅速展开工作。
它可以：
搜集资料； 整理信息； 识别规律； 建立模型； 比较方案； 生成解释； 修改表达； 预测可能结果。
一个问题越清楚、目标越明确、评价标准越稳定，AI越容易发挥优势。
因此，AI最喜欢的世界，是一个已经被整理好的世界。
在这个世界里：
什么是对象，已经确定； 什么是问题，已经确定； 什么是目标，已经确定； 什么叫成功，已经确定； 什么信息重要，也已经确定。
AI只需要在这些条件中寻找最优路径。
这也是今天大多数学校数学题的结构。
题目会告诉学生：
已知什么； 求什么； 使用什么单位； 哪些条件相关； 答案应该采取什么形式。
学生面对的，不是混乱的生活，而是已经被命题者加工完成的数学世界。
例如：
某班40名学生的平均成绩是82分，其中男生平均成绩是80分，女生平均成绩是84分。求男生和女生各有多少人。
学生不需要追问：
为什么要按男女划分学生？ 为什么平均成绩能够代表一个群体？ 为什么这个班级值得被比较？ 性别分类在当前问题中是否真的重要？ 有没有其他划分方式更有解释力？
这些问题已经被题目删除了。
学生只需要列方程。
这正是AI最容易替代的部分。
因为当一个世界已经被对象化、数据化、结构化之后，计算和推理只是后续工作。
真正困难的从来不是：
在已经完成的世界中寻找答案。
而是：
在一个尚未完成的世界中，什么差异值得被保留，什么关系值得被建立，什么事情值得成为问题？
二、问题不是被发现的，而是在关系中生成的
我们习惯说“发现问题”。
这句话暗示，问题早已存在，只是以前没有被人看见。
好像问题是一块埋在地下的矿石，只要观察得足够仔细，就可以把它挖出来。
但问题真的能够脱离人的活动独立存在吗？
一间教室里，有一个学生连续三次数学考试不及格。
有人看到的是：
这个孩子基础知识不扎实。
有人看到的是：
这个孩子缺少练习。
有人看到的是：
题目与他的理解方式不匹配。
有人看到的是：
他每次遇到难题都会迅速放弃。
还有人可能看到：
他从来没有在数学学习中获得过控制感，因此早已不再相信自己的思考有价值。
同一个现象，为什么会生成完全不同的问题？
因为问题并不是藏在学生身上的客观物品。
问题发生于观察者的经验、价值、位置与学生状态的互动之中。
当一个教师只关心考试成绩时，“不及格”会生成知识漏洞问题。
当一个教师关心学习过程时，“不及格”可能生成策略和习惯问题。
当一个教师关心人的成长时，“不及格”可能进一步生成主体性问题：
为什么这个孩子已经不愿意为自己的判断承担风险？
现象并不会自动告诉我们它是什么问题。
问题的生成，至少需要三种力量同时出现：
第一种力量是差异。
某件事情与预期不同，原有秩序出现裂缝。
第二种力量是关切。
有人认为这种差异值得被注意，而不是当作背景噪声。
第三种力量是行动可能。
人开始相信，这种差异不是只能接受，而可以通过重新理解和行动发生变化。
如果没有差异，一切都显得理所当然，问题不会发生。
如果没有关切，即使差异存在，也只会被忽略。
如果没有行动可能，差异可能只会被体验为命运，而不会成为问题。
因此，问题不是现实中独立存在的东西。
问题是差异、关切和行动在互动中形成的新结构。
三、不是所有差异都会成为问题
世界中充满差异。
两个孩子的身高不同，成绩不同，性格不同，家庭条件不同，理解速度不同，表达方式不同。
为什么有些差异会被转化为问题，有些差异却不会？
答案在于：谁拥有命名差异的权力。
在学校中，成绩差异通常会迅速成为问题。
因为成绩已经被制度定义为重要差异。
但一个学生长期没有好奇心，可能不会被视为问题；一个学生能够得到高分，却从不提出自己的判断，也可能不会被视为问题。
为什么？
因为当前教育制度更容易测量成绩，而不容易测量主体性。
凡是容易被测量的差异，就容易获得问题资格；凡是难以进入指标的差异，就容易从教育视野中消失。
一个班级平均分下降2分，学校可能立即开会分析。
但如果一个班级的孩子越来越害怕犯错，越来越依赖标准步骤，越来越不愿意表达不同意见，这些变化可能持续很久，却没有成为正式问题。
这说明：
问题从来不只是对现实的反应，它也体现了一个系统愿意看见什么。
AI会进一步强化这一趋势。
因为AI天然偏爱可以被记录、比较和计算的数据。
有数据的地方，AI容易分析；没有数据的地方，AI很难进入。
于是，教育者很可能越来越关注：
正确率； 完成速度； 错题类型； 知识掌握度； 注意力时长； 提分概率。
而忽略：
一个孩子为什么不再相信自己的感觉； 他为什么越来越害怕不确定性； 他是否能够感受到他人的困惑； 他能否判断一个目标值不值得追求； 他有没有能力拒绝一个不合理的任务。
AI并不会主动制造这种狭窄。
它只是高效放大了我们已经选择的问题结构。
如果教育者只把可量化差异定义为问题，AI就会帮助我们更精准地管理这些差异，同时让不可量化的部分更加沉默。
所以，问题生成的第一项能力，不是提问技巧，而是：
为尚未被看见的差异争取成为问题的资格。
四、真正的问题常常发生在“原来没问题”的地方
低水平的问题生成，常常从异常开始。
成绩下降了、计算错了、学生不会了、课堂纪律变差了，于是我们开始寻找问题。
但更高水平的问题生成，往往发生在一切看起来都很正常的时候。
一个孩子每次数学考试都能得95分以上。
在传统视角中，他没有问题。
他计算准确，作业认真，公式熟练，题型掌握全面。
可如果进一步观察，可能会发现：
他只做自己确定会做的题； 一遇到没有标准方法的问题就焦虑； 他很少提出与答案无关的问题； 他会反复问教师“这样写会不会扣分”； 他不愿意尝试不能立即判断对错的想法； 他把数学理解为避免错误的技术。
成绩没有暴露问题，反而遮蔽了问题。
这个孩子的困难不是不会做题，而是他的数学主体正在萎缩。
他越来越擅长在现成规则中获得正确，却越来越不敢在规则尚未明确时作出判断。
如果教育者只在成绩下降时寻找问题，就永远看不到这种变化。
因此，问题生成并不是对故障的被动响应。
它还包括对“正常”的重新审视：
为什么我们认为这种状态是正常的？
谁制定了正常的标准？
这个看似有效的系统，正在牺牲什么？
今天没有显现的代价，会不会在未来集中出现？
AI可以帮助我们更好地修复异常。
但人更重要的任务，是追问：
这个被AI维护得越来越顺畅的正常世界，是否值得继续存在？
五、一个问题的生成，就是一个世界的生成
当我们提出一个问题时，并不是简单地给现实加上一个问号。
问题会重新组织现实。
例如，一位教师提出：
怎样让学生更快地掌握分数加减法？
这个问题一旦成立，新的对象就会出现：
掌握速度； 练习数量； 正确率； 错误类型； 教学效率。
接下来，教师可能设计更多分层练习，AI可能分析学生错因，系统可能根据正确率推送题目。
课堂会围绕“更快掌握”重新运行。
但另一位教师可能提出：
为什么学生学习分数加减法时，总想直接把分母相加？
这个问题会生成另一种课堂。
教师开始关注：
学生如何理解单位； 分母变化意味着什么； 为什么整数加法经验在这里失效； 通分究竟改变了什么； 单位相同为什么是相加的前提。
如果进一步追问：
为什么孩子必须先学习规则，再去理解单位？
又会生成第三种课堂。
教师可能重新安排教材顺序，让分数运算从单位冲突中发生，而不是先给算法，再补解释。
同一个知识点，因为问题不同，会生成不同的对象、关系、教学活动和学生。
所以，问题不是现实的镜子。
问题是一种生成装置。
你问什么，决定了什么能够进入视野；你怎样问，决定了哪些关系能够出现；你把什么当作目标，决定了课堂会向哪里发展。
这也是为什么AI时代的问题生成如此重要。
AI可以沿着问题开辟的道路高速前进。
但道路通向哪里，往往在第一个问题出现时就已经决定了。
一个错误的问题，加上强大的AI，不会得到更好的教育。
只会更快抵达错误的终点。
六、好问题不是“难”，而是能迫使旧世界发生变化
我们经常把好问题理解为有难度、有开放性、有挑战性。
但难题未必是好问题。
一道奥数题可能非常难，却只要求学生在既定对象和规则中进行复杂组合。
学生虽然花了很长时间，数学世界却没有发生根本变化。
真正有生成力的问题，有一个明显特征：
它使原来的对象、单位、关系或立场不再够用。
例如，小学生已经会用自然数表示数量。
这时问：
5－3等于多少？
不会生成新对象，因为原有数系足够使用。
但当问题变成：
3－5等于多少？
原有数系出现裂缝。
如果学生只拥有自然数，这个运算无法完成。
这时，问题不只是考查减法，而是在迫使数系发生扩张。
再如，学生会比较两条线段的长短。
如果问哪一条更长，原有长度单位足够使用。
但当我们问：
一张细长的纸和一张接近正方形的纸，哪一张更大？
只比较长或宽都不再可靠。
“重叠”也无法处理所有形状。
原来的长度世界遇到边界，面积对象才有发生的必要。
所以，生成性问题不是为了把学生难住。
它要让学生感受到：
原来的世界已经无法完整容纳新的差异。
这时，学习才不再是把新公式装进旧头脑，而是旧结构真正发生变化。
七、问题生成不是教师设计一个“巧妙问题”
谈到问题教学，很多教师首先想到的是：
我要设计一个好问题，引导学生思考。
这种努力当然有价值，但仍然可能停留在发现学范式中。
教师已经知道知识是什么，也知道学生最终应该说出什么，只是把答案藏进一个精心设计的问题里。
例如学习乘法时，教师问：
3个4一共是多少？怎样列式更简便？
教师希望学生从4＋4＋4走向3×4。
表面上，乘法由问题引出；实际上，问题只是通向预设答案的通道。
发生式问题教学更关心的不是教师的问题有多巧，而是：
学生当前的结构为什么会在这里失效？
如果学生只计算3个4，连续加法并没有真正失效。
4＋4＋4非常方便。
乘法在这里缺少发生的必要性。
只有当重复数量不断增大，例如100个4、1000个4，或者每份数量和份数都发生变化时，连续加法的低效才真正暴露。
这时，学生不是因为教师暗示而“发现乘法”，而是原来的表达方式已经无法经济地组织问题。
因此，生成性问题设计需要满足三个条件。
第一，学生必须拥有一个真实可用的旧结构。
没有旧结构，就不会发生结构冲突，只会感到茫然。
第二，新情境必须让旧结构暴露边界。
难度不能只是数字变大，而要触及对象、单位或关系的变化。
第三，新结构必须能够解决旧结构无法解决的问题。
否则，新知识只是一种更复杂的装饰。
问题生成的关键，不是制造悬念，而是制造必要性。
八、学生不只是提出问题，也要学习修改问题
一个真正的问题很少一次成形。
它往往经历不断修改。
例如，学生最初可能提出：
为什么我们班数学成绩不好？
这个问题太大，也过早把“不好”当作事实。
进一步修改：
我们班平均分为什么比上学期下降了？
这已经更具体，但仍然默认平均分可以代表整个班级。
继续修改：
平均分下降，是多数学生普遍下降，还是少数极端成绩造成的？
问题开始触及数据分布。
继续追问：
即使平均分下降，是否有一部分原来成绩较低的学生取得了进步？
问题开始改变评价结构。
再进一步：
为什么我们把平均分上升当作数学学习改善的主要标志？
这时，问题已经从数据分析进入教育价值。
真正的问题生成，不是突然想出一句聪明的话，而是不断检查：
我预设了什么？ 我把什么当成事实？ 我忽略了哪些对象？ 我使用的概念是否清楚？ 这个问题会把行动引向哪里？ 有没有人因为这个问题的表达方式而被排除？
AI可以在这个过程中提供帮助。
它可以生成问题清单，可以指出隐含假设，可以从不同角度改写问题。
但最终，人必须决定哪一种差异值得被继续保留。
因为问题修改不是纯粹的语言优化，而是价值选择。
九、AI时代，教师最重要的工作是守住“问题发生之前”
过去，教师的重要职责是提供答案、解释知识和纠正错误。
这些工作正在被AI部分接管。
未来教师真正不可替代的位置，可能越来越集中在三个时刻。
第一个时刻，是问题发生之前。
教师要觉察学生尚未说出的困惑，也要看见制度没有命名的差异。
学生说“我不会”，教师要继续辨认：
是知识不会？ 是单位没有发生？ 是对象没有分化？ 是害怕犯错？ 是不理解为什么值得学？ 还是他已经习惯等待别人告诉下一步？
第二个时刻，是问题正在生成时。
教师不能急于把学生的问题翻译成教材中的标准问题。
一个学生问：
为什么除法有时候越除越大？
教师不能立即回答“因为除数小于1”。
这句话虽然正确，却可能关闭问题。
更重要的是让学生继续追问：
“除”在这里还是平均分吗？ 除以1/2究竟发生了什么？ 为什么问“里面有几个1/2”，答案会比原数大？ 同一个除法符号是不是连接了不同活动？
第三个时刻，是答案即将进入现实时。
教师要引导学生判断：
这个模型能不能直接用于行动？ 数据是否足够？ 哪些人没有被模型代表？ 结论会产生什么后果？ 是否需要保留不确定性？
AI可以参与回答问题。
教师更重要的责任，是保护问题不要过早死亡。
十、家庭教育最常见的错误，是替孩子提前生成问题
孩子写作业时停下来，家长很容易问：
你是不是不会列式？
是不是没有看懂数量关系？
是不是忘了公式？
是不是上课没听懂？
这些问题看似在帮助孩子，实际上已经替孩子定义了问题。
孩子原本可能只是隐约感觉“不对劲”，还没有弄清困难在哪里。家长却迅速把他的困惑命名为：
不会列式； 没看懂； 忘记公式； 听课不认真。
一旦问题被成人定义，孩子就不再需要生成自己的问题。
他只需要等待解释。
久而久之，孩子会形成一种深层依赖：
只要我卡住，就会有人告诉我卡在哪里。
真正有利于问题生成的回应不是立即诊断，而是帮助孩子让模糊差异逐渐显现：
你从哪一步开始觉得不确定？
题目中的哪些量你已经能确定？
哪两个说法让你觉得互相冲突？
你原来准备怎样做，后来为什么停下来了？
换一种表示方式，困难会不会发生变化？
这些问题不替孩子给出问题，而是在为问题发生提供空间。
教育不是更快地替孩子指出问题。
教育是让孩子逐渐拥有：
我能够感受到差异，描述差异，并决定下一步追问什么。
十一、问题生成能力怎样进入数学学习
问题生成不能靠一节“提问训练课”完成。
它需要改变整个数学学习的结构。
第一，不要总是给出完整问题
传统题目把对象、条件和目标都准备好了。
可以有意识地提供不完整情境，让学生决定：
哪些信息值得记录； 什么可以成为变量； 可以提出哪些不同问题； 不同问题需要哪些数据。
例如，不直接给出“哪一种收费方案更划算”，而是提供两种真实收费规则，让学生讨论：
对谁而言，什么叫更划算？
有人关心总费用，有人关心前期投入，有人关心使用频率，有人关心取消成本。
问题不会只有一个。
第二，让学生比较不同的问题，而不只是比较答案
同一个情境，可以生成多种问题。
课堂可以讨论：
哪个问题更容易计算？ 哪个问题更重要？ 哪个问题忽略了关键差异？ 哪个问题会导向不同的行动？ 哪个问题根本不适合用数学解决？
学生由此理解，问题本身也需要判断。
第三，让错误继续说话
不要一看到错误就立即纠正。
先追问：
这个错误建立在什么合理经验上？
原来的经验为什么在这里失效？
它暴露了哪个对象还没有发生？
结构性错误往往是最有价值的问题来源。
第四，让学生修改题目
改变一个条件、删除一个条件、改变目标或单位，观察原有关系会怎样变化。
学生由此不再把题目当作不可触碰的命令，而开始理解问题是可以被重新生成的。
第五，让数学结论返回现实
一道建模题不能在算出答案时结束。
还要继续问：
这个答案是否真的能用于决策？
哪些现实因素没有进入模型？
模型一旦被采用，会改变什么？
问题由此从纸面重新进入行动。
十二、真正的创造力，首先表现为不接受现成问题
我们常说要培养创新能力，却依然让学生解决别人提出的问题。
题目由教材提出，目标由教师规定，评价标准由考试确定，学生只负责寻找路径。
这种学习可以培养高水平的解题能力，却很难产生真正的创造者。
因为创造并不只是找到一个新答案。
更深的创造是：
改变原来的问题； 拒绝错误的目标； 重新划分对象； 创造新的单位； 让原来不可见的差异进入世界； 让一种新的行动成为可能。
AI可以生成无数答案。
甚至可以生成大量问题。
但它生成的问题，仍然依赖人类提供的语料、目标、反馈和评价标准。
人真正不可替代的地方，不是比AI多写几个问号，而是能够对一个世界产生关切：
这里有某种差异，不能继续被忽略。
这里有某种痛苦，不能只被当作数据噪声。
这里有某个目标，看似合理，却不值得继续优化。
这里需要一种原本不存在的对象与语言。
当一个人这样做时，问题才真正发生。
结语：不是所有答案之前，都已经有一个问题
AI时代最容易形成的幻觉是：
世界上已经存在无数问题，人类只要负责提出，AI负责回答。
但世界并不是一张等待完成的试卷。
很多真正重要的问题，在被人关心以前并不存在。
学生的沉默可以被看作纪律良好，也可以生成主体性正在消失的问题。
成绩差距可以被看作竞争结果，也可以生成资源分配是否公平的问题。
算法提高效率可以被看作技术进步，也可以生成谁正在被效率牺牲的问题。
同一个现实，会因为不同的关切而生成完全不同的问题；不同的问题，又会生成完全不同的数学、行动与世界。
所以，问题生成不是一种高级提问技巧。
它是一种更根本的能力：
在尚未被命名的差异中形成关切，
在看似正常的秩序中看见裂缝，
在现成目标面前保留拒绝的权利，
在旧结构失效时创造新的对象和关系，
并愿意对问题开启的新世界承担责任。
过去，我们把最聪明的学生定义为最会回答问题的人。
AI时代，这个标准必须改变。
未来真正重要的人，不一定拥有最多答案。
他可能是那个在所有人都认为“没有问题”的地方，第一次让问题发生的人。