AI时代，我们更应该学会什么？——当答案变得廉价，判断、创造与责任才真正稀缺

AI真正改变的，可能并不是“人还需要掌握多少知识”，而是“当答案随手可得时，我们是否仍然知道什么值得追问、什么可以相信、什么应当拒绝，以及什么后果需要由自己承担”。

过去，我们常常把学习理解成一个不断“增加”的过程：记住更多知识，掌握更多工具，写出更多代码，完成更多题目。

但进入AI时代之后，一个越来越明显的变化是：许多过去昂贵的结果，正在迅速变得廉价。

写一段代码、整理一份材料、生成一张图片、概括一篇论文、搭建一个项目框架，曾经可能需要数小时甚至数天；如今，一个具备基本表达能力的人只需写下几句话，就能在几分钟内得到一份看起来相当完整的答案。

这当然是一种进步。

可当“得到答案”不再困难，新的问题也随之出现：

• 我们如何判断答案是否可靠？
• 我们为什么要解决这个问题，而不是另一个问题？
• 一个局部正确的方案，会不会带来更大的系统性代价？
• 当AI替我们完成了表达、推理乃至决策，我们还剩下多少真正属于自己的认识？
• 如果最终结果伤害了别人，责任能否推给模型？

因此，AI时代最值得学习的，并不只是更多AI工具。

我们更应该学习那些决定“如何使用能力”的能力。

一、当答案变得廉价，问题就会变得昂贵

传统教育长期擅长考查“是否知道答案”。

一个学生能否记住公式、复述定义、写出标准步骤，往往决定了他的成绩。工业时代也需要大量能够稳定执行明确流程的人，因此这种教育方式并非毫无道理。

但AI擅长的，恰恰是从大量既有材料中快速提取模式，并按照要求生成结构完整的输出。也就是说，许多过去用于区分人的能力，正在被机器迅速普及。

斯坦福大学《2026 AI Index》提到，美国约五分之四的高中生和大学生已经使用AI完成学校作业，而学校制度和教师指导仍明显滞后。问题已经不再是“学生会不会用AI”，而是“学生在用AI时究竟学到了什么”。

当任何人都能迅速获得一个像样的答案时，真正形成差距的将是：

1. 能否发现一个值得解决的问题；
2. 能否把模糊愿望转化为清晰目标；
3. 能否识别隐藏条件、利益冲突和现实边界；
4. 能否定义什么才算真正完成。

这也是为什么我越来越觉得，所谓“提示词能力”的本质并不是会写几个华丽句式。

真正有效的提示词，往往来自对问题本身的理解。你必须知道目标是什么、约束在哪里、哪些内容不能妥协、如何验证结果，以及失败之后应该怎样回退。

例如，“帮我做一个系统”只是愿望；而“实现一个前后端真正联通、可部署、可测试、有权限边界和验收标准的系统”，才逐渐接近一个工程问题。

AI可以帮助我们回答问题，但它很难替我们决定什么问题值得用一生去回答。

二、学会判断：不是怀疑一切，而是建立相信的标准

很多人把批判性思维理解成“反驳别人”或者“对所有事情都保持怀疑”。

其实，真正的批判性思维并不是永远说“不”，而是能够回答：

• 我为什么相信这个结论？
• 它依赖哪些证据？
• 证据是否足以支持结论？
• 是否存在更合理的解释？
• 在什么条件下，这个结论会失效？

图片来源：Wikimedia Commons，CC BY-SA 4.0。

生成式AI带来了一个很特别的危险：它通常不会像传统程序那样直接报错，而是会用非常流畅的语言表达一个可能错误的结论。

人类很容易把“表达得像真的”误认为“这就是真的”。当输出拥有完整结构、专业术语和坚定语气时，我们会本能地降低警惕。

因此，AI时代的判断力，至少需要三个层次。

第一层：事实判断

检查名称、时间、数据、引用、版本、政策和接口是否真实存在。

这是一切判断的基础。一个不存在的论文、一个已经废弃的参数、一条被误读的法规，都可能让后续工作建立在空中。

第二层：方法判断

即使事实都是真的，方法也未必合理。

同一组数据可以支持不同模型，同一项需求可以采用不同架构，同一个社会问题也可能存在相互冲突的价值选择。此时不能只问“它能不能运行”，还要问“为什么选择它”。

第三层：价值判断

有些方案技术上可行，却未必应该被实施。

例如，一个系统可以收集更多数据，从而提高预测精度；但这些数据是否应当被收集？使用者是否真正知情？弱势群体是否承担了更多风险？效率的提升是否以人的尊严和选择权为代价？

技术只能告诉我们“可以做什么”，却不能自动回答“应该做什么”。

当机器越来越擅长推理，人类更需要学习的不是停止推理，而是为推理建立价值方向。

三、学会验证：让答案接受现实，而不是只接受语言

AI最容易制造的一种错觉，是“完成感”。

代码已经生成，文档已经写好，结构已经齐全，甚至连测试报告都显得像模像样。于是我们很容易在心理上把“已经输出”当成“已经完成”。

但现实世界并不因为文本看起来完整，就自动配合它运行。

一个真正可靠的结果，应当经过至少三种验证。

1. 可执行验证

代码能否编译？服务能否启动？前后端是否真正联通？部署环境是否与本地一致？失败路径是否被测试？

我在此前的文章中写过OpenAI Codex 的安装与使用，也写过Windows 11 + WSL2 开发环境搭建。这些工具能够显著提高效率，但越是能够大规模生成代码，越需要构建严格的验证链路。

“AI说已经完成”不是验收标准，“真实环境中通过测试”才是。

2. 证据验证

论文结论是否来自原文？数据是否来自可信来源？引用是否支持当前表述，而不是只在标题上看起来相关？

在生成软著材料、项目计划书或研究文档时，AI可以快速整理结构，但最终材料仍应当回到真实代码、真实功能和真实证据。此前发布的generate-cn-software-copyright 使用介绍，本质上也不是让AI“凭空写材料”，而是尽可能让输出重新锚定到实际项目。

3. 后果验证

一个方案上线之后，会影响谁？失败时谁承担损失？它是否可以被撤销、补偿和审计？

这是最容易被忽略的一层。

很多错误在实验室里只是一个数值，在现实中却可能意味着一次误判、一次隐私泄露、一项不公平决定，甚至是无法逆转的伤害。

因此，验证不应只是“检查AI有没有说错”，而应当扩展为：

检查我们的行动是否有足够证据进入现实。

四、学会系统思考：不要只解决眼前最显眼的问题

AI非常擅长在给定目标下优化答案。

但现实中最危险的情况，往往不是“优化失败”，而是“成功优化了错误目标”。

一个平台为了提升活跃度，可以不断推送更刺激的内容；一个管理系统为了提高效率，可以增加监控与量化；一个学习工具为了提高作业正确率，可以直接替学生完成思考。

这些目标都可能被完成得非常好，但系统整体却变得更糟。

系统思考要求我们看到：

• 当前目标是谁定义的；
• 指标是否代表真正价值；
• 不同角色之间是否存在利益冲突；
• 局部优化是否把成本转移给了别人；
• 短期收益是否制造了长期依赖；
• 系统发生异常时，是否存在反馈、制动和修复机制。

在数学建模中，一个模型从来不是现实本身，它只是对现实的某种压缩。此前的2026美赛A题分析讨论的是电池耗尽时间预测，但真正困难的部分并不只是找到公式，而是决定保留哪些变量、舍弃哪些细节，并理解模型适用的边界。

AI模型也是如此。

它能给我们一张看起来精细的地图，却不会自动保证这张地图覆盖了真正重要的道路。

系统思考，就是不断提醒自己：问题之外还有环境，指标之外还有价值，答案之外还有后果。

五、学会创造：不是生成更多内容，而是决定什么值得存在

AI让“生成”变得前所未有地容易。

于是我们正在进入一个内容极度丰富，却也可能意义极度稀薄的时代。

文章越来越多，图片越来越多，代码越来越多，项目越来越多。但数量的增长并不必然带来创造力的增长。许多内容只是对已有模式的重新排列，许多项目只是把现成组件换一个外壳。

真正的创造至少包含三件事：

1. 选择

从无数可能中，选择一个值得投入的问题。

选择意味着放弃。一个人不可能同时完成所有方向，也不可能让一个产品服务所有人。AI可以提供成百上千个方案，但创造者必须决定哪一个值得承担成本。

2. 约束

创造并不是无限自由，而是在现实限制中形成新的结构。

预算、时间、技术、伦理、用户习惯、法律要求，这些都不是创意的敌人。恰恰是约束，让一个想法从幻想变成真正的作品。

3. 经验

真正有生命力的作品，往往带着创作者对现实的长期观察。

模型能够学习海量文本，但它没有替你经历过一次项目失败、一次用户拒绝、一次团队冲突，也没有替你承担过选择错误的代价。个人经验不是绝对正确，却是形成独特判断的重要来源。

所以，AI时代的创造力并不是“比AI更会生成”，而是：

把机器无法替你生活的人生经验，转化为机器无法替你决定的问题与方向。

六、学会保留必要的困难

技术进步通常意味着减少摩擦。

搜索减少了查找资料的困难，导航减少了辨认道路的困难，AI减少了写作、编程和分析的困难。这些都是好事。

但并非所有困难都应该被消除。

有些困难本身就是能力形成的过程：

• 第一次独立阅读一份陌生文档；
• 在没有标准答案时搭建自己的解释；
• 调试一个迟迟无法定位的错误；
• 把复杂问题讲给另一个人听；
• 在几个都不完美的方案之间作出取舍；
• 承认自己此前的判断是错的。

如果每次遇到阻力都立刻让AI接管，我们可能得到更多结果，却失去形成能力所需的“认知摩擦”。

更健康的方式不是拒绝AI，而是调整AI介入的位置：

一个简单的原则是：

先让自己暴露出真实的不会，再让AI帮助你跨越不会。

否则，我们很容易只看到一个流畅答案，却不知道自己究竟在哪一步失去了理解。

七、学会与不确定性相处

现代工具总在努力把世界包装得更确定：给出一个分数、一个排名、一个概率、一个推荐结果。

AI对话也常常倾向于直接给出结论，因为明确答案更符合用户期待。

但很多重要问题并没有唯一答案。

选择专业、寻找伴侣、创办企业、确定研究方向、设计公共制度，这些问题都包含未知信息、价值冲突和无法完全预测的后果。

成熟的思考并不是消除所有不确定性，而是能够区分：

• 哪些信息可以通过继续调查获得；
• 哪些风险可以通过试验和回退控制；
• 哪些分歧来自事实，哪些分歧来自价值；
• 哪些决定必须现在作出，哪些决定值得等待；
• 哪些后果即使概率很低，也不能轻易承受。

AI可以帮助我们分析不确定性，但不能让不确定性消失。

真正值得学习的，是在没有完美答案时，依然能够作出诚实、审慎且可解释的决定。

八、学会承担责任：能力可以外包，责任不能外包

这是我认为AI时代最重要，也最容易被忽略的一点。

我们经常会说：“这是算法推荐的”“这是模型判断的”“AI生成的内容我也不清楚”。

这些话在描述事实时可能成立，却不能自动免除责任。

如果一个人决定采用AI生成的代码，他就应当对代码进入系统后的后果负责；如果一个组织使用模型进行审核和评价，它就应当对评价规则、申诉机制和错误成本负责；如果一个开发者把用户数据交给第三方模型，他就应当理解数据会流向哪里。

联合国教科文组织关于生成式AI教育与研究的指导，一直强调以人为中心、隐私保护、伦理验证和适龄使用。经合组织在2026年发布的AI素养框架，也不只把AI素养定义为“会用工具”，而是同时包括理解AI、批判性评价输出，以及以合乎伦理且有创造性的方式使用AI。

这说明一个重要事实：

AI素养的终点不是使用效率，而是负责任的行动能力。

即使未来AI能够比人更准确地完成许多判断，社会仍然需要回答：谁有权部署它？谁定义目标？谁可以申诉？谁为损害负责？

责任不是一种等待机器超越的技能，而是一种不能被技术中立掩盖的关系。

九、AI时代，更值得建立的是一套学习循环

与其不断追逐“下一个最强工具”，不如建立一套不会轻易过时的学习方法。

我更推荐下面这个循环：

第一步：提出自己的问题

先写下你真正想解决什么、为什么重要、已有信息是什么、最困惑的地方在哪里。

第二步：建立最低限度的独立理解

不要求一开始就完全掌握，但至少要能够用自己的话解释核心概念，并明确自己哪里不懂。

第三步：借助AI扩展认知边界

让AI提供资料线索、不同观点、反例、备选方案和可能遗漏的风险，而不是只让它给出一个最终答案。

第四步：回到一手资料和现实验证

阅读官方文档、原始论文、源代码和真实数据；运行程序；测试接口；询问真正的用户。

第五步：形成自己的结论

把事实、推理、价值判断和不确定性分开表达。不要把AI的语气当成自己的立场。

第六步：输出并接受反馈

写文章、做项目、向别人讲解，或者把结论转化为真实行动。输出不是为了证明自己已经懂了，而是为了暴露尚未发现的漏洞。

技术博客的意义也在这里。

它并不只是存放答案，更是在迫使我们把模糊经验整理成可以被别人检验的表达。写作本身，是一种对思考的验收。

十、我们不必和AI比赛成为更像机器的人

面对AI，很多人的第一反应是焦虑：它写得更快、记得更多、搜索更广、生成得更漂亮，那么人还有什么价值？

但也许，我们一开始就问错了问题。

人不需要和计算器比赛心算，也不需要和搜索引擎比赛记忆，更不必和大模型比赛生成文本的速度。

真正值得思考的是：当机器承担越来越多“如何完成”的工作之后，人是否有能力重新回答“为什么完成”。

我们需要学习技术，因为不了解技术，就无法理解它如何塑造我们的生活；我们也需要学习人文、伦理和社会，因为技术从来不是在真空中运行。

世界经济论坛《未来就业报告2025》预计，到2030年，现有工作技能中约39%将发生变化或过时。AI和大数据是增长最快的技能方向，但分析思维、创造性思维、韧性、协作与终身学习同样被反复强调。

这并不矛盾。

未来需要的不是“技术能力”与“人的能力”二选一，而是能够把两者结合起来的人：

• 懂技术，所以不会被神秘叙事欺骗；
• 懂现实，所以不会把世界简化成指标；
• 会使用AI，所以能够扩大自己的行动能力；
• 保持判断，所以不会把方向一并交给AI；
• 愿意创造，所以不满足于重复已有模式；
• 承担责任，所以知道每一个技术决定最终都会落到具体的人身上。

AI时代，我们当然应该学会使用AI。

但比“会用AI”更重要的，是学会不把自己的全部认识、选择和责任交给AI。

当答案变得廉价，提出好问题的能力会更加珍贵；当生成变得容易，真正的创造会更加珍贵；当决策可以自动化，愿意为决策负责的人会更加珍贵。

这或许才是AI时代，我们真正应该学会的东西。

延伸阅读

• OpenAI Codex 安装与使用全指南：命令行、GUI 与提示词技巧
• Windows 11 + WSL2 开发环境搭建全教程
• generate-cn-software-copyright：用 AI 自动生成并校验软著材料
• 2026美赛A题分析及其相关文档：智能手机电池耗尽时间预测

参考资料

1. Stanford HAI：The 2026 AI Index Report — Education
2. OECD：Empowering Learners for the Age of AI
3. UNESCO：Guidance for generative AI in education and research
4. World Economic Forum：The Future of Jobs Report 2025
5. Wikimedia Commons：The Thinker
6. Wikimedia Commons：Critical Thinking Skills Diagram