夜雨聆风文章封面来自 Alec Soth 的摄影作品 《Advice for Young Artists》
这是 样本效率决定一切 的续篇：
大学最近很担心学生用 AI 写作业。这当然是个麻烦，但可能是最小的那个。更大的变化是，AI 正在变得擅长解决别人已经定义好的问题；而这正是现在大学试图教会学生的事情。
一个任务如果反复出现，留下了大量样本，目标又比较清楚，结果可以迅速检验，就很适合交给 AI。写代码、做分析、算财务模型、检索资料，都包含大量这样的工作。
所以 AI 首先降低的，可能不是智能的成本，而是解决问题的成本。
这会把人的价值往脑力劳动的上游推。解决问题变便宜以后，围绕“做什么”的决策会变贵。
做题家和出题家
今天的大学主要培养做题家。它最常见的教学单位是一道由老师定义好的问题：老师出题，学生作答，老师评分。学生在这种循环里待得越久，就越擅长在目标明确时找到正确答案。
社会接下来会更需要出题家的能力：提出问题，并作出“哪些问题值得解决”的决策。哪个目标值得追求？哪个方案值得下注？信息不完整时应该先做什么？这些问题没有标准答案，却越来越可能决定大量 AI 朝哪个方向工作。
大学当然仍要教知识。没有专业知识，就做不出好的决策，问不出好的问题。但知识的角色会发生变化。它既是学生要掌握的内容，也是他们形成决策时使用的材料。
于是大学的培养目标需要扩展。学生既要学会解决问题，也要学会寻找问题；既要证明自己能得到答案，也要证明自己能在没有标准答案时作出决策，并根据结果调整决策。
这就引出一个麻烦的问题：出题家真的能通过教育来培养吗？
我们已经有一些答案。要找它们，可以先看一个比知识工作更早经历技术自动化的领域：摄影。
摄影的自动化革命与 Critique
摄影是一个有用的预演。
过去几十年，相机不断接管摄影师的技术工作。自动曝光代替手动曝光，自动对焦代替手动对焦，Photoshop 代替暗房，手机算法又接管了许多后期处理。今天，拍出一张技术上正确的照片，已经比过去容易得多。
但摄影教育没有因此变得毫无意义。因为优秀摄影师最重要的能力，本来就不是只把照片拍清楚。
什么值得拍？为什么站在这里？为什么在这个时刻按下快门？一百张照片中为什么留下这一张？这些问题没有自动曝光按钮。
技术自动化以后，摄影师的价值向 taste 移动了。
艺术学院训练 taste 的方法也很特别。学生先做出作品，然后把它放在老师和同学面前。大家问：你为什么这样拍？你想让观众看到什么？观众实际看到了什么？为什么这个构图成立？
这就是 Critique。
Critique 不是老师公布正确答案。它做的是另一件事：让学生把隐性的决策说出来，再让这些决策接受别人和作品本身的检验。
学生创作，接受 Critique，修改，再创作。经历足够多次循环以后，学生逐渐形成 taste。判断力并不是由一堂关于审美的课程灌输进去的，而是在一次次必须作出决策、解释决策和调整决策的过程中成长出来的。
YC 的教学单位
商业世界里也有一个相似的机构：Y Combinator。
如果只看表面，YC 是一家投资机构。它挑选有潜力的创业者，提供资金，并获得股权。但如果看 YC 和它选出的创业者每天在做什么，它也很像一所学校。它有招生、同一届的团队、导师、同学、导师面谈、校友网络和 Demo Day。
它的学生每天面对的，不是老师编好的题，而是一堆尚未被定义的问题：现在最重要的事情是什么？应该做哪个功能？用户说喜欢，是否意味着真的需要？应该继续，还是切换赛道？
YC 的关键教学活动不是创业课，而是一次次决策循环。
创业者先判断什么最重要，然后行动。他们把产品交给用户，观察有没有人使用、付费或留下来。之后，合伙人和其他创业者再追问：为什么做这件事？原来的判断错在哪里？下一步应该改变什么？
这是决策领域的 Critique。
它和艺术 Critique 的区别是，反馈来自现实。
一个创业者可以花很长时间解释用户为什么应该需要某个功能。现实通常只回答两件事：他们用了，或者没有用。
于是完整的循环是：
判断 → 行动 → 现实 → Critique → 新的判断
这可能是 AI 时代教育最重要的教学单位。
决策实验室
如果判断力来自反复经历这种循环，那么大学需要改变的不只是课程内容，还包括学生所处的环境。
在原来的大学里，最重要的基础设施是教室、图书馆和实验室。未来也许还需要一种新的基础设施：决策实验室。
决策实验室可以是 studio、科学实验室和创业孵化器的混合体。学生仍然学习数学、工程、医学、经济学、历史或艺术，但他们还要用这些知识完成一件真实的事：做一个产品，进行一项研究，建造一个机器人，解决一个社区问题，制定一份政策方案，或者创作一件作品。
真实项目和课堂作业的差别，不仅是规模更大。更重要的是，没有人事先保证问题能得到解决，也没有人知道哪条路一定能走通。
学校要为这些项目提供启动资源。过去的实验室提供显微镜、试剂和机床；决策实验室可能提供 AI token、GPU、数据、API、小额资金，以及法律、财务和行政支持。
教授的角色也会变化。他不只是因为知道答案而有用，还因为他见过许多相似项目，能发现学生没有意识到的错误。学生也许比教授更了解项目中的某项新技术，但教授拥有丰富经验形成的判断。
同伴同样重要。一群同时进行真实项目的人，可以看到彼此怎样判断、怎样失败，以及怎样根据新证据改变主意。一群人的 critique 就像是一个并行计算的算法，在里面的每个人都能获得比自己项目更多的经验；还能具备一种高维度的视角，在不同的项目里看到共性的底层逻辑，这才能帮助学生学会决策的底层规律。
当然，学校不能把学生直接扔进完全没有保护的真实世界。它需要的是真实但有边界的风险。化学实验室里的反应是真的，只是实验过程受到各种规则的控制；决策实验室也应该如此。
新的成绩单
一旦教学单位改变，考试也会改变。
传统考试很适合检测学生是否掌握了已有知识，却不太擅长检测他能否在未知环境里形成判断。后一种能力更适合通过作品、原型、研究、政策实验和真实用户来观察。
未来的考试可能更像艺术展览或 Demo Day。但只看结果也不够。一个好判断可能因为运气失败，一个坏判断也可能碰巧成功。
所以学生除了展示结果，还应该展示判断的过程：当时知道什么？为什么作出这项决策？认为成功概率是多少？什么证据会让自己改变观点？结果出现以后，又怎样更新判断？
大学评价体系里结果的权重会减少，过程的权重会增加。
大学的新教学单位
回到摄影。相机接管了曝光、对焦和后期处理以后，摄影师的价值逐渐集中到另一件事上：什么值得被看见。技术越容易，决定拍什么就越重要。
AI 对知识工作的影响可能也会沿着这条路发展。写代码、查资料、做分析和制作产品都会变得更容易。人与人之间的差距会越来越多地来自更早的环节：看到了什么问题，发现了什么机会，愿意相信什么，以及准备把资源押在哪个方向。
这会改变大学的样子。未来大学会从一座装满课程的地方，逐渐变成一个让年轻人反复练习决策的地方。学校提供知识、导师、同伴、AI 和有边界的真实世界；学生在其中作出决策，把决策变成行动，再让现实检查它。
这种教育已经存在。艺术工作室用“创作—评议—修改”训练审美判断，博士实验室用研究和讨论训练提出研究问题的能力，YC 用产品、用户和市场训练创业决策。这些领域共同采用了一种相似的学习循环。
传统大学以课程为基本教学单位。一门课程有确定的内容、进度、作业和考试，适合帮助学生建立知识体系。AI 时代的大学还需要另一种教学单位：一次完整的决策循环。
决策 → 行动 → 现实 → 评议 → 更好的决策
课程让学生掌握前人已经知道的东西，决策循环让学生练习面对前人也没有答案的问题。大学可以把这种过去集中在少数工作室、实验室、临床项目和创业机构里的训练，扩展到更多专业和更多学生。
机器会越来越擅长回答“怎么做”。大学则要帮助年轻人判断“什么值得做”。
