周四晚上，我参加了学院的给硕博士研究生开设的学术公开课。孙异凡老师讲的是「以人为本的人工智能素养教育」。
讲座后是嘉宾圆桌讨论环节。刘冰院长主持，翟羽佳老师、马丽老师、霍亮老师作为与谈人展开了讨论。
我对这个主题非常关注。作为一名大学教师，我也在自己的课堂上实践融合 AI 的教学，也有了不少经验和反思。我一边听讲座和讨论，一边头脑里面思绪翻飞。我在笔记本上写下几个词：「作品」「作业」「分工被打破」「个性化」。
这几个词，想表达什么呢？
你看，我们现在讨论 AI 素养教育，讨论来讨论去，核心议题似乎总是：学生该怎么「用」AI，老师该怎么「教」AI，图书馆该怎么「服务」AI 素养提升。这些当然重要，但我隐隐觉得，我们可能还没触及那个更根本的问题 ——
在AI时代，我们到底在培养学生做什么？
过去几十年，我们的教育体系有一个隐含的假设：学生毕业后会进入一个「专业分工」的世界。在这个世界里，你不需要理解全局，只需要把自己负责的那个环节做好就行。
想想看，一篇科研论文是怎么诞生的？导师定方向，博士生设计实验，硕士生跑数据，本科生可能就是刷试管、喂小白鼠、给小白鼠打针。这些工作重复、机械、看起来毫无创造性可言。但没关系 —— 只要你按部就班完成了，整篇论文就能发表，你的名字就能出现在作者列表里。
这就是「作业」的本质：按照别人的需求去完成任务，不需要你的主观能动性，你是被安排的、被驱动的。
这种模式运转了很多年，而且运转得相当不错。为什么？因为「总得有人干这些活」。你是个熟练工，你干得又快又好，整体系统就能高效运转。至于你有没有理解这项研究的意义、有没有感受到科学探索的乐趣，说实话，系统并不在乎。
但现在，情况变了。
AI 正在接管那些「总得有人干」的活。查文献的苦功夫？AI 比你快十倍。整理数据、跑基础分析？AI 不知疲倦。甚至一些需要「专业判断」的环节，AI 也开始能做得像模像样。
问题来了：当这些「作业」被AI替代之后，那些从来没有理解过整体图景、从来没有自我驱动力的人，该怎么办？
他们不知道自己想研究什么，因为从来都是别人告诉他们该做什么。他们不知道一项工作的意义在哪里，因为从来都只负责流水线上的一个环节。他们甚至不知道自己「想要什么」，因为从来都是在完成别人的要求。
这才是真正的危机。不是AI会不会取代人类，而是——那些一直在做「作业」的人，突然发现没人给他们派活了。
AI ，真的已经这么强了吗？
我的思绪飘到了教室以外，想到了 ChatGPT 诞生这三年来，我观察到的一个感受 —— 很多人在谈论 AI，但他们谈论的对象根本不是同一个东西。
有人在去年甚至前年，曾经半信半疑尝试过豆包、文心一言、DeepSeek 这些国产模型，觉得「AI 也就这样吧，经常胡说八道，干不了啥正事儿」。有人见识过最新版模型「御三家」（ ChatGPT、Claude、Gemini ）的真正实力，知道它们在复杂推理上已经能做到什么程度。还有人接触过真正的 AI Agent（例如 Claude Code 或者 Codex CLI， Flowith 等），看到它们可以自主规划、调用工具、完成一连串复杂任务。
这三类人讨论 AI 的能力，说的根本不是同一件事。
更有意思的是，就在 ChatGPT 发布三周年的时候，OpenAI 内部据说启动了「Code Red」—— 红色预警。为什么？因为竞争对手的进展太快，他们自己都感到了危机。
你想想看：如果AI大厂自己都有这种紧迫感，我们这些普通用户凭什么觉得自己「了解AI」？你了解的可能只是冰山一角，而且还是去年的冰山。
这种认知差距导致了两种危险的心态。
一种是傲慢。「AI不过如此」、「AI写的东西一眼就能看出来」、「AI永远无法替代人类的创造力」——这些判断，往往来自于只接触过一般乃至低水平模型的人。他们用自己有限的经验，对一个飞速发展的领域下了定论。
另一种是迟钝。明明技术迭代的速度已经快到令人窒息，他们却还在用三年前的认知框架来理解今天的世界。等到某一天突然发现自己的工作被AI做得更好，才恍然大悟，但为时已晚。
讲座中讨论了很多「AI素养」的维度：AI知识、AI技能、AI伦理、AI评估……这些都重要。我想补充一点：真正的AI素养，也包括对这个领域「竞争烈度」和「迭代速度」的清醒认知。
如果你还以为 AI 就是你手机里那个偶尔用用的聊天机器人，那你可能还没有准备好面对即将到来的变化。
那么，出路在哪里？
我想回到开头提到的那个关键词：「作品」。
什么是作品？作品是你自己想做的东西，是你内心驱动的产物，是带有你个人印记的创造。它可能很小，可能不够专业，可能在传统评价体系里得不到高分。但它是「你的」。
作业和作品的区别，不在于完成度，不在于专业性，而在于驱动力的来源。
作业的驱动力是外部的：老师要求、学分需要、毕业压力。你做完了，交上去，拿到分数，然后 —— 忘掉它。因为它从来就不是你真正想做的事。
作品的驱动力是内部的：你好奇、你想解决某个问题、你想表达某个想法。即使没有人要求你做，你也会做。做完了，你会想让别人看到，会想继续改进，会想做得更好。
实话实说，在过去，「作品型」的人其实挺吃亏的。因为专业分工的世界不太需要你有自己的想法，它需要的是你能高效完成被分配的任务。那些总想「做点自己的东西」的人，反而可能被视为不够踏实、不够专注。
但 AI 时代把这个逻辑彻底翻转了。
那些「作业型」的任务，只要可获取的数据充裕，AI 会做得比你更快、更好、更便宜。你引以为傲的「熟练度」，在 AI 面前一文不值。但「作品型」的能力 —— 知道自己想做什么、能发现独特的问题、能创造有个人印记的东西 —— 这些恰恰是 AI 最难替代的。
为什么？因为 AI 可以帮你执行，但它不知道你「想要什么」。它可以生成一万种方案，但它不知道哪一种是「你的」。
这就引出了我在笔记本上写下的另一个词：个性化。
我有一个判断：当通用的需求可以低成本被覆盖时，真正有价值的，是那些「个性化的」需求被发现、被满足。
举个例子。以前我们听音乐，是去音乐平台订阅，每个月交钱，然后在别人创作的几千万首歌里找自己喜欢的。推荐算法会猜你的口味，但猜得再准，也是在已有的曲库里挑选。
现在呢？有了 Suno 这样的 AI 音乐工具，你可以自己创造歌曲。你想要一首「用陕北民歌风格唱的关于程序员加班的歌」，以前这种需求根本不可能被满足 —— 没有哪个歌手会专门为你写这么小众的东西。但现在，你几分钟就能生成一首。
我有好几个朋友，表示自己已经退订了音乐平台，把钱都交给了 Suno，每天创作独属于自己的新歌来听。我表示鼓励和支持。
这意味着什么？意味着「千人千面」不再是推荐算法猜你喜欢什么，而是你根据自己的口味创造你自己真正想要的东西。
这个逻辑可以推广到很多领域。以前，你只能从「已有的选项」里挑选；以后，你可以创造「专属于你的选项」。前提是 —— 你得知道自己想要什么。
而这，恰恰是「作业型」教育最大的短板。它从来不培养你「想要什么」的能力，它只培养你「完成要求」的能力。
说到这里，我想分享一下自己在教学中的一些尝试。
我主讲一门「信息系统开发」课程。传统的做法是：老师出一个题目，所有小组做同样的系统，期末交作业，打分，结束。这样师生两便 —— 老师出题简单，评判标准规范；学生相互之间有所参考，避免陷入孤军奋战。
我没有这么做。我的要求是：每个小组自己选题，做你们真正想做的东西，而且必须有真实的用户。
「真实的用户」这个要求很关键。它意味着你不能闭门造车，不能只是为了交作业而做一个「看起来能用」的东西。你得真的去找人用，去收集反馈，去面对「用户根本不买账」的残酷现实。
结果怎么样？
坦白说，有些小组还是把它当成了作业。他们选了一个「安全」的题目，做了一个「能交差」的系统，演示的时候功能都能跑通，但你能感觉到 —— 这东西做完就会被扔掉，不会有任何后续。
但也有一些小组，真的做成了「作品」。
有一个组，到期末的时候，他们的产品已经有了几百个真实用户。不是找同学帮忙注册凑数的那种，是真的有人（我校外面的商户）在日常使用。他们在这个过程中经历了什么？经历了「原来用户根本不 care 我们觉得很酷的功能」，经历了「推广比开发难十倍」，经历了「原来维护系统还得花钱」，经历了「市场竞争真的很残酷」。
这些东西，是任何课堂讲授都教不会的。只有当你真的在做一个「作品」，真的面对真实的用户和市场，你才会学到。
我后来观察那些「作品型」的学生，发现他们有一个共同点：他们会主动去学习AI工具，因为AI能帮他们更快地实现自己的想法。
孙异凡老师春季跟了我一学期课程，每周换一个小组，跟学生一起完成作业。她分享说那些主动自发的学生不仅自己系统做得好，也会在小红书上分享自己的 AI 使用心得。而且非常自信跟孙老师说「老师，这些工具使用方法，你上我小红书上看就行」。
这跟「作业型」学生的心态完全不同。作业型学生学 AI，是因为「老师要求」或者「大家都在学」；作品型学生学 AI，是因为「我想做的这个东西，用 AI 能做得更好」。
前者是被动的、应付的；后者是主动的、饥渴的。
讲座中马丽老师说得好：「关键是去用。」我想补充一句：关键是为了做自己想做的事而去用。如果只是为了学而学、为了用而用，那学到的东西很快就会忘掉，因为它没有跟你真正在乎的事情产生连接。
当然，我也必须承认，「作品型」教育不是万能药。
首先，不是所有学生都能快速切换，找到自己「真正想做的事」。现实是，很多人从小到大都在完成别人的要求，突然让他们「做自己想做的」，他们反而会茫然。这需要一个重新发现自我的过程，而这个过程可能很漫长、很痛苦。作为教师，我们需要设置环境加以引导。
其次，「作品」的评价标准很难统一。作业好评价 —— 有标准答案，完成度高就给高分。但作品呢？一个有创意但执行粗糙的作品，和一个中规中矩但完成度很高的作品，哪个更好？这很难说。不同的老师可能有完全不同的判断。况且，是不是一定要由教师来判断？该不该交给实际的市场来检验呢？这些都是值得思考的问题。
再者，现实的教育体系有它的惯性。学分、绩点、保研、就业…… 这些「硬指标」不会因为你有一个很酷的「作品」就消失。学生在理想和现实之间，往往不得不做出妥协。
但即便如此，我仍然认为，方向是对的。
讲座中讨论了很多「AI素养」的维度，其中一个是「AI评估能力」——你能不能判断AI生成的内容是否靠谱，能不能识别AI的局限性。这当然重要。但我想补充一条至少同样重要的评估能力，是评估「这件事值不值得做」的能力。
AI 可以帮你做很多事，但它不会告诉你「该做什么」。它可以生成一百个方案，但选择哪一个，是你的事。它可以让执行变得很容易，但「执行什么」这个问题，只有你自己能回答。
这就是为什么我说，「作品型」的能力比「作业型」的能力更重要。因为作品型的人知道自己要什么，而 AI 恰恰可以帮他们更快地得到。作业型的人不知道自己要什么。AI 再强大，对他们来说也只是一个「更高效的打工工具」—— 而这个工具，随时可能把他们自己替代掉。
讲座最后，刘冰院长说了一句话，让我印象很深。他说，研究生的 AI 素养不应该只停留在「用」的层面，而应该上升到「思想和价值」的层面。本科生知道 1+1=2 就够了，研究生应该思考「1+1 为什么等于 2」。
这话说得很好。而且我想结合今天的讨论再往前推一步：更重要的问题，不是「1+1为什么等于2」，而是「我为什么要算1+1」。
如果你不知道自己为什么要做这件事，那么无论你把它做得多好、多快、多专业，都只是在完成别人的作业。而在 AI 时代，这样的作业，价值几何？
讲座结束后，我在回去的路上一直在想一个问题：如果让我给今天的学生一个建议，我会说什么？
我想，我会说：去做一件你自己真正想做的事，哪怕它很小。
不是老师布置的，不是为了学分，不是为了简历好看。就是你自己想做的。
它可以是一个小工具，解决你日常生活中的一个小痛点。它可以是一个公众号，分享你对某个领域的思考。它可以是一个小项目，尝试把你学到的东西用起来。
在做的过程中，你会遇到问题，你会去找解决方案，你会学到课堂上学不到的东西。你会发现 AI 可以帮你做很多事，但最关键的那个「我想做什么」，只有你自己能回答。
这就是「作品」的意义。它不一定能帮你找到工作，不一定能让你发论文，不一定能在任何传统的评价体系里得到认可。但它会让你知道自己是谁，知道自己想要什么，知道自己能创造什么。
而这些，可能恰恰是 AI 时代最稀缺的东西。
圆桌讨论环节，霍老师说，AI 时代最怕的不是手变懒，是脑子变懒 —— 不去思考，不去想问题，把一切都交给 AI。这话我同意。
如果你一直在做别人的作业，你的脑子当然会懒。因为「想什么」「做什么」都有人替你决定了，你只需要执行就好。
但如果你在做自己的作品，你的脑子不可能懒。因为每一个决定都是你自己做的，每一个问题都需要你自己去面对，每一个结果都由你自己承担。
AI 是工具，是助手，是合作伙伴。但它不是你的大脑，不是你的意志，不是你的灵魂。
在一个AI愈发能干的时代，「知道自己想要什么」这件事，反而变得前所未有地重要。
这是不是「以人为本」的真正含义呢？
欢迎把你的思考分享在留言区，咱们一起交流讨论。
如果你觉得本文有用，请充电。
如果本文可能对你的朋友有帮助，请转发给他们。
欢迎关注我的专栏「科研利器」，以便及时收到后续的更新内容。
点击这个链接加入少数派会员，立享 9 折优惠！获得专属会员内容、会员播客以及会员定制周边。在更多的领域和方向帮你打开脑洞，找到新的兴趣点。与少数派一起洞悉当下，探索新知。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。