AI上清北，普通人該怎么辦？

在這個時代重新理解教育和人類的價值。

作者｜張一甲、張鵬、潘亂

整理｜沈伊人

2025 年，大模型又一次刷新了人類的認知邊界，AI 模擬高考成績大幅躍升，已達到清華、北大的錄取線。但另一方面，這也讓人感到些許焦慮。

如果 AI 都能考上清北了，那人類的努力還有什么意義？我們又該如何繼續創造價值？這是一個不小的命題。

7 月 3 日，極客公園創始人&總裁張鵬、「亂翻書」主理人潘亂、甲子光年創始人兼CEO 張一甲，三位長期關注 AI 行業的觀察者，換了個視角，不談參數、不談迭代，而是從人的角度、社會的角度，回到每一個個體的現實處境中，從“AI 考上清北”這一熱點現象出發，就 AI 與教育這一議題展開對談。

• AI 的能力在過去一年，產生了怎樣的變化？
• AI 應用帶來了怎樣的機遇？
• 我們又應該如何在這個時代重新理解教育和人類的價值？

這個話題聽起來或許有些沉重，但我們希望以輕松的方式聊出一些希望。

以下是這場對談的實錄，希望能為你帶來思考與啟發。

1.AI高考成績背后，大模型能力在過去一年的進步

AI高考

張鵬：我們先從最近 AI 模擬高考的成績說起。不知道你們有沒有注意到，大模型最近又考了一次高考，分數漲得特別快。2024 年測試的時候，AI 能夠考上一本了，而 2025 年的測試，AI 能夠考上清北了。字節的模型，一下子漲了 150 分，都快夠上北大清華的線了。你們聽到這個消息時，感覺怎么樣？會覺得意外嗎？

潘亂：如果是第一次看到這個新聞，我肯定會很意外。但其實這之前已經有不少鋪墊了，比如志愿模擬、做題測試等等。要是放在兩三年前，大家可能會覺得震驚，但現在 AI 已經普及了一段時間了，很多人可能都會覺得很厲害，但也在預期之中。可能大家沒想到會這么快。但基于 AI 一直以來在邏輯和知識上的積累，它本來就在這方面有優勢。

張鵬：我能感覺出來，你現在已經完全對 AI 不設防了。你覺得它能做到這件事是遲早的事，無非就是今年還是明年而已。那我想聽聽一甲怎么想的。畢竟你是北大的學霸，而且數學是特長，你聽到 AI 考到你當年那個水平，有沒有覺得被“冒犯”到？

張一甲：說實話，沒有被冒犯（笑）。因為我其實沒參加過高考，當年是通過數學奧賽提前拿到了北大數學系的錄取通知。所以在這個話題上，我多少有點“班門弄斧”，但可以試著聊聊。

今年 AI 的高考分數出來時，我其實更震驚的是，真人考生的分數也很高。不知道你們有沒有注意到，很多省市 700 分以上的人數特別多。我去查了一下，可能跟新高考制度，比如“賦分制”有關。但總的來說，真人的能力也在變強，競爭越來越激烈。

至于 AI，我和潘亂看法差不多。這是一個必然現象。高考其實是非常適配大模型能力的場景：結構化強、邏輯鏈清晰、題庫干凈、垂直度高，非常適合 AI 發揮。而且它有巨大的社會關注度，自然成了大模型的一個理想試煉場。今年模型進步快，考生成績也好，在我看來是可以預期的。

張鵬：對，其實你想想看，高考最終是一個打分體系，尤其像數學這種偏理科的科目，模型在這方面的“天賦”本身就比人更強。它訓練的數據量更大，邏輯計算也更精準，再加上強化學習，很多能力都能對齊,甚至超越人類。

張一甲：我先回應一下剛才張鵬說的。其實從早期的生成式模型，到現在推理能力大幅增強的模型，發展是非常明顯的。原本我們覺得文科更適合大模型，但現在 AI 在理科上的表現更強，原因就在于它的深度推理能力優化得特別快。這其實是認知結構范式的一次躍遷。所以在理工科領域，大模型未來一定還有更大的發揮空間。

張鵬：對，今年高考數學 AI 的得分好像已經突破 140 了，滿分 150，基本就是頂尖水平了。是不是可以說，在數學這個領域，大模型已經接近人類滿分水平了？這也因為數學是個封閉的體系，可以通過強化學習反復訓練。那你們覺得，大模型能拿高分，是因為它真的“聰明”，還是因為它會刷題？畢竟它特別適合刷題。

潘亂：這個讓我想到當年的 AlphaGo，一開始它也是靠不斷練棋譜。大模型的早期，可能也得靠“刷題”，比如把“5 年高考 3 年模擬”全做一遍。人類學生一周能刷幾套題，它一天能做完過去幾十年的題庫。所以它可以模仿人類的學習路徑。再進一步，它甚至可以像 AlphaGo 那樣，自我對弈、自我進化。這個過程其實是非常快的。

張鵬：是的，高考數學題對 AI 來說可能都太簡單了。我們看到它拿到 140 多分，那它和人的數學能力相比，到底差在哪？因為從分數看，已經很接近人類頂峰水平了。

張一甲：首先，人類的數學能力和高考數學其實是兩個完全不同的概念。高考屬于初等數學，高考成績更像是一種訓練結果。說白了，我們不需要太多地去思考“為什么”，只要掌握足夠多的方法和定理，多刷題，成績自然就能提高。

剛才潘亂也提到，AI 實際上就是在加速這個過程。它沒有人的精力限制，可以刷最多的題、讀最多的資料，在一個有特定的數據庫，又結構化、依賴邏輯和套路的環境下，高考數學對 AI 來說根本不是難題。

但如果我們往前推，在人類數學這條長軸上進入高等數學領域，那就完全不一樣了。高等數學需要非常強的抽象思維能力，對復雜概念的理解能力，最重要的是，可能你隨著從本科到研究生到博士，你要定義一個問題。那你定義這個問題的能力很多時候依賴的是一種“直覺”，甚至是一種“審美”。這類能力是題海戰術無法培養出來的。

舉個例子。當年我們一起參加數學競賽的一個朋友，后來去了哈佛讀數學博士。有一次我問她：“你的研究方向，全世界大概有多少人能看懂？”她說不到 20 個。

在這么窄的領域里，不可能有成熟的數據，甚至連現成的方法都沒有。她需要自己定義問題、定義工具，才能把研究往前推進一步。更別說數學作為一個幾千年歷史的學科，光是“爬上巨人的肩膀”都可能耗盡一生。所以我一直對數學家充滿敬意。

張鵬：我其實挺好奇的。一甲當年打奧賽成績很好，直接保送北大。那像你剛才說的，從學生一路走到數學家的那個“象限”，人是怎么修煉出來的？這種能力是天生的，還是可以通過訓練或某種機制被激發？如果說大模型是靠數據驅動的，那人類在這條路上靠的又是什么？

張一甲：說實話，走數學競賽這條路，大概可以分成兩類人：一類是“科班出身”的種子選手，比如人大附這種名校，從小就有頂級教練，甚至國家級的資源帶著他們系統訓練；另一類就是像我這樣的“野路子”。

我可能花三個月苦思冥想才琢磨出一個方法，他們的教練可能一個下午就講完了。如果你當成競賽來訓練，其實是有一整套成熟方法論的，前人的經驗會在一開始就“喂”給你，像是模型一出生就 train 得很好，帶著預設知識和套路。而我這種“野路子”，更多靠的是興趣、天賦和直覺。

比如看到一道抽象題，我可能沒學過太高級的方法，但會直覺地想到是不是該補一條輔助線，或者換個解法。這種感覺很難用語言清晰描述，但確實是有些“非標準路徑”的認知方式。所以說，不同的人有不同的成長路徑，可能也需要不同的培養方式。

張鵬：“科班出身”的選手，其實就是從小被訓練，在大腦中早早植入方法論，沿著這些思路去延展和突破。而一甲你這種“野生型”的，更像是人類內部的“涌現”現象，可能某種程度上是天賦或基因驅動的。模型是基于數據的涌現，你這種或許可以說是人類里的“基因涌現”。

潘亂：那如果再說回考試，比如高考，雖然你沒參加過。但我們可以認為，高考這種考試，是有方法可循的。加上勤奮訓練，大概率能搞定。畢竟中國這么多年，絕大多數人都是靠這個路徑走出來的。但如果說要成為數學家，那就不是光靠方法了，可能天賦也很關鍵。

張一甲：我覺得不能簡單歸結為“方法”或“天賦”。更重要的是你對這件事有沒有一種沉浸式的癡迷和好奇心。比如北大數學系的韋東奕，他完全沉浸在自己的數學世界，外界的聲音對他幾乎是無感的。這種專注力和驅動力，才是最核心的東西。

而且像高考數學或者初級競賽，更多是限定時間內完成足夠多的題，強調答題效率和準確率。但到了像中國數學奧林匹克這種級別，一場考試 4 個半小時、三道題，兩天六道題。時間是充裕的，關鍵是你能不能真正“解”出這些題。一道題你會就是會，不會真的就是不會。這個階段考察的是你沉浸研究一個問題的能力，它和高考那種快速反應、程式化訓練就完全不一樣了。

推理能力提升

張鵬：一甲這個描述很好地回應了我們一開始的問題：今天 AI 在數學考試里拿到了很高的分，已經超過了大部分人類，甚至接近頂尖水平。但如果我們講的是“成為數學家”，你會發現，光有天賦或勤奮還不夠，最核心的是motivation，也就是內在驅動力。

很多領域的頂尖人物，真正拉開差距的是他們內在的動力。而這正是目前 AI 無法具備的東西。它是被動“召喚”出來執行任務，它沒有自己的動機。至少現在的模型還做不到自我驅動。所以在這一點上，AI 和人類之間仍有根本的差異。當然未來會不會有變化，我們可以繼續觀察。

那我們不妨接著往下聊，剛才說了理科、數學。一甲其實也提到過，這幾年大模型最大的突破，其實就是在推理能力上的躍升。

我想先問問潘亂。你有沒有明顯感受到這幾年大模型推理能力提升后，不管是你用到的產品，還是你和AI之間的互動方式，有什么變化？說說你的親身體驗。

潘亂：影響很大，幾乎方方面面。我舉個最生活化的例子：我前陣子在東京上野公園的國家博物館，耳朵上戴著字節出的Ola智能體耳機。看到一個日文雕塑看不懂，我就直接問耳機“這是誰？”它立刻就能給我講清楚。這種無縫的信息獲取體驗已經成了我的日常。比如我騎電動車時不方便掏手機，就直接問它各種事，有事沒事都問幾句。

在工作上，AI 也帶來了很多改變。過去半年，我感覺自己變得更“勤奮”了。這種勤奮不僅是做得更多，也是在工作內容上有了更多發散。不同產品的表現也不一樣，比如年初讓我震撼的是 DeepSeek；后來Claude、ChatGPT、豆包、元寶等都在這半年里進步飛快。

就比如，以前整理訪談速記非常痛苦，現在用Claude，像我們今天直播完，10 分鐘內它就能幫我校對錯字、加小標題、提煉結構，雖然還要修改，但已經非常高效了。還有像豆包和元寶，我會給它一個大方向、幾個零散的想法，讓它幫我串起來，做出提綱。

現在我還在寫兩本書，一本是小說，一本是網絡小說。比如網絡小說，我會先問豆包、元寶，然后再拿去問 GPT。像我寫了一版以東吳孫權為主視角的小說，我讓模型整理孫權和四大都督的主線、再加上孫尚香、吳國太、步練師、大喬小喬等人的情感線，還融入曹魏和蜀漢的故事背景。我還讓它模仿《漢武大帝》這種歷史劇的結構，聚焦哪些關鍵節點。模型一下子就能生成大量內容。我拿去給一位編劇朋友和導演朋友看，他們都驚掉了，甚至開始質疑自己的職業定位。

張鵬：你這太壞了，不光提升了自己效率，還摧毀了別人飯碗。我記得當年剛認識你時，問過你為什么公眾號更新不穩定，你說你喜歡交流、信息量大，但最難的是整理內容。現在 AI 顯然把你從這件事里徹底解放出來了。不但公眾號更新頻率上來了，還有精力去搞小說、搞虛構、搞全新視角，確實能看出你整個狀態不一樣了。

我想順著問問一甲。你肯定也在用 AI，但你同時也在觀察更廣的行業場景，比如企業、組織、團隊，特別是新一代的創業公司。很多人其實已經把 AI 嵌入到了日常工作流里。從你的觀察看，當推理能力顯著增強后，AI 在這些實際應用中產生的價值是不是也顯著放大了？你覺得主要在哪些方向體現得最明顯？

張一甲：我覺得推理能力的增強，對我們這種類型的工作確實是幫助很大。鵬總的信息源可能更多來自人脈和交流，而我過去是靠大量研究、跟人聊天，現在發現我的交流對象越來越多是 AI。我的面對面交流少了，但學習一個新領域知識的效率反而變高了。

真的，我感覺自己從 E 人變成了 I 人。因為現在很多時候，AI 給出的信息質量和思維過程，其實比我身邊的人更有幫助。一方面，它知識廣、反饋快，節省了我找資料的時間；另一方面，它的推理過程也幫我理解問題，不只是看結果，而是看它“是怎么想的”。這件事本身就很有啟發。

潘亂：我特別同意。在正式工作流里，我現在最常用的是兩個產品，一個是飛書的“知識問答”，另一個是 Google 推出的 NotebookLM。我覺得這倆就是給人的大腦裝上外掛，甚至可以說是“作弊器”。

張一甲：剛才鵬總還問到 AI 更廣泛的行業嵌入。目前來看，AI 正在逐步進入 B 端企業的實際工作流，但這才剛開始。這件事不僅僅需要技術背景的人，也需要懂行業背景的人來推動。因為每個行業的流程不同，容錯率、合規性、安全性、ROI 都是關鍵因素。譬如說有的行業它的容錯率非常低，這就需要有很基礎的安全保障。AI 要真正落地，需要理解行業的運行機制，這有點像是數字化轉型的“下一階段”。但從整個從 B 端來講，商業模式上現在還沒有出現真正跳脫式的顛覆打法。

多模態突破

張鵬：你看，話題已經聊到了“怎么賺錢”上了。我們已經能看到，它在商業和企業效率提升上的應用已經在廣泛展開，而且成效顯著。過去這兩年，推理能力的躍升，確實讓今天的 AI 和當年我們剛見到 ChatGPT 時完全不一樣了，已經發生了本質性的進化。

除了推理能力，多模態也是近兩年 AI 的一個重要突破。今年高考我特別留意了一類題目——有圖的題。過去幾年大模型一碰到圖形題基本就掛了，今年雖然還算不上優秀，但進步已經非常明顯。這一點特別有意思。

你會發現，高考中的圖題，某種程度上反映了模型多模態能力的進展。因為沒有足夠強的推理能力，數學肯定考不好，但圖題這種事又不僅僅是邏輯，還得靠模型的多模態能力。一甲你應該很有感受，你最近在關注的圈子里，多模態的發展是不是也進入了一個加速期？你怎么看未來這一塊的發展？

張一甲：我覺得是的，多模態基本已經成了所有 AI 公司必須具備的底層能力。它的本質是把人和機器之間的交互門檻拉低了。過去的大模型，prompt 要寫得好，才能得到好答案，一般人如果不會提問，效果就很差。但現在因為模型的推理能力增強了，即使你的問題不完美，它也可以引導你怎么去提一個更好的問題。

但這仍然是基于文本交互的。多模態的意義在于，不再是只有文本，圖像甚至是視頻，也能成為模型理解世界的輸入方式。不再要求人類必須把一切抽象成語言。你看今年高考里，像生物、化學這種題很多就是圖表題。過去模型理解題意本身就很吃力，現在它在圖表上的理解能力提升了，分數能上來也就順理成章了。

張鵬：多模態也是今年高考反映出的一個重要進展點。潘亂你平時在使用大模型時，有沒有感受到多模態能力提升帶來的變化？

潘亂：有啊，挺明顯的。比如前幾天小米發布會，雷總講車之前還介紹了小米眼鏡，這些設備就體現了多模態能力的增強。還有像 NotebookLM，它能把 YouTube 視頻的音頻轉成文字，再翻譯成中文，本質上就是一次多模態的鏈式轉換。

再比如識圖，現在幾乎是所有 AI 產品都在發力的方向。五年前淘寶就說他們搜圖是市場第一，很多人拍個圖就能搜同款。十年前微軟也出過“識花”，幫你識別植物。但現在，這類識別已經擴展到幾乎所有物體，甚至可以幫你認路、識別環境。

我最近一個人去旅游，語言不通，但完全沒焦慮。我覺得未來再往前推進一步，我甚至都不用讀懂路標或聽懂外語，只要打開一個 AI 產品，打開實時通話功能，它就能幫我理解身邊的一切。其實很多場景，比如同聲翻譯，今天已經做得相當不錯了。

張鵬：你看，以前我們出去旅游還有個動力是“怎么也得學兩句外語”。但現在，像潘亂這樣直接就沒有這個動力了，因為口袋里揣著手機，手機連著 AI、大模型，去哪都不怕。各種語言、各種模態它都能處理。其實從終局看，大模型就像一個模態轉換的魔法盒。你把任何東西扔進去，文字、圖像、聲音甚至視頻，它都能識別，然后輸出你想要的結果，不管是哪種模態。

潘亂：對，我覺得現在很多領域都在用新技術推進，比如教育。AI火起來之前，其實在線教育已經很熱門了，吸引了很多玩家。你看像作業幫的“拍照搜題”，其實就很像是早期的多模態AI了，雖然能力還沒現在這么強。現在的AI不僅能拍照搜題、找同款、翻譯，還能滲透到生活的方方面面。

張鵬：是的，最大的不同在于現在的AI具備通用能力，而且可以在各種模態間原生轉化。理解和生成都更自然，這是AI帶來的巨大飛躍。我最近在刷短視頻，已經有很多AI生成的內容，占了我視頻流的大概15%。你有沒有感覺，AI已經在根本性地改變短視頻內容了？

潘亂：確實。其實從剪映時代、抖音做模板開始，變化就已經很明顯了。現在像剪映、即夢、GPT……甚至能做出帶聲音的內容。我最近看到很多人用AI做拿刀去切各種東西的視頻，比如玻璃水果，還用AI加了擬音效果，很有趣。我的朋友還做了一個“AI Talk”，讓喬布斯和愛因斯坦對話。

我特別關注“蘇超”，現在已經不僅火在江蘇了。很多文旅部門其實是最早、最勤快使用AI的一群人，不光愿意花錢，還愿意主動嘗試。像最近江蘇搞足球聯賽，各地文旅號紛紛用AI做視頻，什么“太湖三傻”“徐州大戰南京”“真假美猴王”層出不窮。你要我隨便說個AI熱點，我腦子里想到的就是蘇超。我感覺他們發的視頻里有一半以上都是AI做的。

張鵬：一甲，你對國內做視頻模型和生成產品的團隊挺熟的吧？你是不是也覺得，現在他們的內容已經很廣泛地出現在我們日常刷到的視頻里了？我最近刷到一些AI視頻，讓我覺得很 amazing，一看就是AI做的，但我不排斥它。

張一甲：我還沒到這個階段。如果這個視頻AI感很重，你還會很沉浸地看它嗎？

張鵬：我現在已經開始接受了。我在抖音上刷到一個賬號，會用AI介紹各種貓狗品種。內容從圖像到配樂全是AI做的，編排也很好，還用英文唱歌介紹學名。我知道是AI生成的，但覺得有趣又長知識，畫面又特別萌，就很愿意看。以前看到AI內容會覺得套路感太強、沒意思。現在已經不一樣了，內容發散了，交付質量也更高。你和這些做視頻生成的團隊聊過嗎？他們是不是最近也在加速發展？

張一甲：是的。現在是大模型的底層能力在進步，水漲船高，誰先做出一點新東西，別人很快就能跟上。但我個人刷到的AI內容比例不高，可能推薦算法不同。我現在有點“逆反心理”，AI內容太多的話，我反而更想看真人內容，哪怕是粗糙的。我剛開始會很喜歡AI生成的圖、視頻、音樂，但看久了就失去審美興趣。現在我反而更愛看真人綜藝、真人秀。

張鵬：哈哈，你看我們倆剛好相反。你剛才說，有了AI之后，很多研究可以不必依賴人與人的交流，效率和質量還更高。我雖然喜歡和AI合作，但我還是更enjoy和人聊天、碰撞的感覺。不過在視頻領域，我是很開放的。只要作品好，哪怕是AI做的，也依然打動我。

我覺得關鍵還是在于內容背后有沒有“靈魂”。不管是真人還是AI，只要它能打動你，激發你、讓你覺得有趣，本質上都是在追尋那個“有表達的靈魂”。

潘亂：說到底就是表達。我舉個例子，大家現在都刷抖音，但你們知道抖音出來之前，全球最流行的短視頻形式是什么嗎？其實就是MV。抖音本質上也還是MV——音樂加畫面。在它流行之前，最流行的短視頻是“圖片PPT加BGM”。像我們80后大學畢業時，最流行的就是把四年的照片做成幻燈片，加上《青春紀念冊》。雖然只是輪播圖，但它承載的是情感和表達。

張鵬：你這么一說我想起來了，2010年極客公園第一次做創新產品評選時，我剪了一個MV，把50個產品的logo配上音樂。那時候這些創業團隊還很小沒人幫他們做，我就自己剪了個視頻，現場放的時候，大家眼里都放光了。我覺得這是內容帶來的情感連接。今天我們借助AI，能把這種內容做得更豐富。

潘亂：有一個點就是真實，比如讓老照片“動起來”這件事，在老年用戶中付費意愿特別強。只需要一張照片，就能做出幾秒鐘的動態，很多人都會被打動。

張鵬：我發現現在每年大模型都像是在“考一次高考”。今年我們注意到，大模型在視頻理解類題目上的表現還不太行。不一定是高考，但很多學校考試會用到，比如聽一段音頻，看一段視頻后作答。這類題目，大模型基本都應付不過來。我不知道你怎么看，為什么模型在視頻理解上這么難突破？

張一甲：視頻其實就是一連串的圖像幀，數據量巨大，對算力要求非常高。而且還涉及長時記憶、多模態對齊等復雜問題，遠比處理圖片難得多。我記得Sora剛發布時，我看他們的論文，最讓我印象深的是怎么把視頻tokenize，也就是把高維的圖像數據變成LLM可以處理的token。這個過程比后面的訓練還費勁。視頻對模型來說，認知成本和處理難度都是最高的。

張鵬：潘亂，你有沒有注意到，模型在視頻理解這塊還是有些短板？

潘亂：最簡單的看法就是看文件大小。視頻是幾百兆，圖片幾兆，壓縮后可能只有幾百KB，文字連KB都用不上。處理成本的差距就是這么大。

當然，除了模態本身復雜，我覺得根本原因還是算力的問題。但平臺也在進步，比如抖音、YouTube、視頻號，它們在各自生態內都有提升。比如我剛才說的NotebookLM，就能把YouTube視頻里的內容抓下來，先提取音頻，再做語種轉換和語義理解。抖音也在推AI版抖音，微信里還能加“元寶”這個AI助手。現在我刷到長視頻，還會丟給AI來幫我解讀。

張鵬：我最近和搞技術的朋友聊到視頻理解這個問題，發現視頻比圖像和文本更容易出現“幻覺”。他們提到兩個關鍵點：

第一是“注意力漂移”。視頻是連續的內容，模型每一步都是基于概率的預測，注意力機制如果發生偏移，整個模型就會跑偏。大模型的核心機制就是注意力，一旦漂移，就容易產生連鎖幻覺。

第二個是“連續性理解”。視頻不僅要處理空間信息，還得理解時間線。現在模型還不具備完整的時空連續理解能力，導致動作邏輯常常斷裂，context 不連貫。所以我們會看到動作不自然、順序錯亂。這些看似簡單的人類能力，對AI來說其實還很難，需要底層技術和架構的突破。

所以現在這個現象很有意思：我們看圖片和視頻，覺得差不多，但對模型來說，完全不是一個難度級別的事。

AI創作

張鵬：對，時空線的本質其實是因果鏈。視頻出錯往往是因為“倒果為因”，看起來邏輯就亂了。這也說明AI在這一塊還有很多不確定性和創新空間。

我們回顧三年前看到ChatGPT、今年年初看到DeepSeek，最開始震撼我們的都是它們在語言文字方面的能力，特別是文風。但有意思的是，今年我們看到AI在理科上的提升非常顯著，反而是文科得分沒漲多少。這也讓我疑惑：為什么AI在理科進步更快，而文科的成長卻相對緩慢？潘亂你覺得原因是什么？

潘亂：我之前聽一位清華老師說，“文科”這個詞的英文是liberal arts，意思是“自由的藝術”；而理科是“找規律”。理科通常有標準答案，文科更多是關于自由、藝術、發散性思維。

文科講的是情感、價值觀、人與社會的互動，是非結構化、非標準的。而大模型本質上就是在做模式識別和效率優化，它更擅長處理有結構、可量化的問題。就像計算器對比珠心算，它追求的是準確、高效。而文科追求的是溫度、表達。你看，現在所有科技公司都在說“我們是有溫度的科技公司”，這其實是科技和人文之間的張力。極客公園門口那塊牌子就寫著“站在科技與人文的十字路口”，這原本就是喬布斯說的。每個象限都有自己的極限，只有結合才可能更完整。

AlphaGo下圍棋很厲害，但讓它去畫畫就未必行。尤其是畫“鬼”比畫“人”難，因為“鬼”這個概念不清楚。文科的難點就在于它牽涉到文化經驗、價值判斷、情感體驗等大量非標準的東西，AI很難完全駕馭。

張鵬：一甲，你怎么看？你在北大，又學數學，這兩個方向結合起來，你在科技和人文的理解上可能更有獨特視角。我想問的是：為什么現在大模型在理科上進步更快，文科相對慢？換句話說，未來到底應該是學理科還是學文科，在AI面前能留下更多的價值？

張一甲：這種終極的東西本身就是偏文科的東西。先說前面那個問題，數學分不同階段，如果以高考為節點，大模型特別擅長數學。因為它的數據充分、推理結構清晰，還有統一標準答案，完全符合模型的長項。

文科也有些部分能被模型掌握，比如有明確答案的題。但比如作文就很難，它涉及情感表達、價值立場、社會批判，評價標準都很主觀。我自己當過改卷老師，不同老師看同一篇作文，打分可能差異很大。還有閱讀理解，作者自己都未必能答出“標準答案”。

張鵬：所以理科更偏向一個確定的、客觀的結果，而文科更講求解釋的豐富性。這種豐富不是要收斂，而是開放的。比如語言學，其實很理科化，但文學完全不同，重在一人稱體驗和情緒表達。模型目前更適合做確定性的事，對解釋力豐富的任務反而還不如人。這也挺有意思的。潘亂你經常寫東西，你覺得大模型在寫作上這些年有進步嗎？

潘亂：進步非常大。但我覺得像 DeepSeek 的進展還不夠快。剛開始用的時候很驚艷，用久了就覺得更新跟不上了。AI發展太快了。DeepSeek 還是會幻覺，比如講量子力學和拓撲的段子出現頻率太高。

但大模型給我的幫助還是非常大的，尤其是在總結、發散和頭腦風暴方面。比如像我們聊完這場，飛書妙記能自動生成會議紀要，極大提升效率。以前整理錄音太痛苦了，現在快多了。還有就是你給它一個模糊方向，它能幫你搭出結構、出提綱、寫概要，非常管用。

再比如半年前，大家都還在討論模板化寫作。現在我明顯感受到模型的推理能力進步了很多。去年底我還經常吐槽它沒用，根本不能陪我腦暴。現在不一樣了，我幾乎把所有 AI 工具都充了會員，每天開著好幾個窗口，隨時用它們發散想法，組織素材。它作為“頭腦風暴搭子”，已經非常合格，但說它能寫得多好就夸張了。

而且我發現一個很有趣的現象。很多頂級音樂人團隊都在研究怎么用 AI 創作，但沒人會公開說自己用過 AI，因為一說就顯得廉價。就像一甲說的，有些人對 AI 內容有天然的排斥。尤其在創作圈，用 AI 不丟人，但“被看出來用了 AI”就很掉價。

張鵬：確實，都有“鄙視鏈”了。那你怎么避免讓別人看出來你用了 AI 呢？你天天讓 AI 陪你腦暴，總得有方法吧？

潘亂：我覺得要像寫程序一樣用它。不能讓它一口氣寫整篇文章，那是新手的做法。稍微有經驗就會自己搭結構，把它拆成一塊塊來寫。AI 寫作的問題是文風太容易識別，它真正的價值還是在發散思維這塊。對很多人來說，表達不是難點，難的是“寫什么”“怎么寫”。我覺得 AI 在這方面可以像“備菜”，你要做一道宮保雞丁，它能幫你切好料、準備配方，甚至指導你怎么炒，但你要是直接把所有原料丟鍋里，那肯定不行，這就顯得你沒水平了。

張鵬：一甲，你們團隊創作也多，你怎么看AI寫作？

張一甲：我們用 AI 更多是用于調研、分析和頭腦風暴。但寫成文這一步我們非常慎重。就算它寫得通順，但經常有事實錯誤，缺乏“求真”的精神，容易出問題。所以我們一般不會用它來直接生成文章，而是提高前半段的效率。就像炒菜一樣，AI 可以準備食材、給出各種做法，但最后的火候還得靠人。我們這個行業寫的內容結構化、知識密度高，AI 幫得上忙；但你要跨到藝術創作領域，依賴 AI 可能就要更審慎。我覺得 AI 是“普惠型工具”，它能提升整個行業的基礎水平，但它不能替代真正的專家。

張鵬：我也有個比喻。我覺得 AI 像“金”，人像“玉”。你不能直接甩一坨金子上去，那太粗糙；但如果把金作為外圈框住玉，就是“金鑲玉”，能形成支撐與包裹的關系。

AI 能提供結構、邏輯、信息支撐，但核心的價值和判斷，還是得靠人。這是我現在一直遵循的方法論。比如寫文章，模型能幫你梳理思路、架構甚至總結信息，但最初的問題是誰提的？最終想表達什么立場？這還是人的事。AI 是你背后的支撐，不是替代核心表達的主體。我現在也和潘亂一樣，整天和各種 AI 工具腦暴，像一甲說的，有時候不懂就搜索聯網，效率確實比以前高很多。但最終還是得把這些東西“變成自己的”。

我們今天聊了一個多小時，從高考分數出發，梳理了近兩年 AI 在教育和創作能力上的發展。我覺得下面可以聊更重要的話題了。比如，這場 AI 革命到底會怎么影響我們個人的未來。

2.AI上清北了，人類怎么辦？

專業選擇

張鵬：從 ChatGPT 火到現在才兩年，我腦子里都覺得過去了三年多。DeepSeek 也就出來幾個月，潘亂已經開始喊“你進步太慢了”。AI發展這么快，逼得我們不得不思考：人類接下來該怎么定位？比如一個很現實的問題，現在的孩子，到底該學文科還是理科？潘亂，你有沒有朋友問你這事？一甲你更不用說了，肯定經常被咨詢。

潘亂：我建議他們學個手藝。因為現在中產崗位，無論文理科，都在被 AI 快速侵蝕，成了最卷的領域。考試改變命運的邏輯還在，但很難轉變。結果就是，這條路變成一場無限內卷。但如果你能掌握 AI 暫時做不了的事情，比如做金鑲玉、雕刻，那就另說了。

張一甲：你其實是在說，最終人要回到“手藝人”的角色。所有工業化、可復制、方法論化的工作， someday 人都絕對會被 AI 超越。

潘亂：對。尤其是我這種二本出身、來自蘇北農村的人，面臨現實生存問題的人，沒資源、不能犯錯，怎么安全地獲得收入就是首要問題。所以這建議不一定適合所有人，但確實適合一部分人。

張鵬：我明白了，潘亂是在說在未來什么樣的東西才是有人的獨特價值的。那一甲呢？有沒有人問過你，AI 時代該怎么選專業？

張一甲：有。我當年也糾結過這個問題。清華讓我任選專業，反而更迷茫。當時對什么工作、職業、就業完全沒有概念。后來一個哥哥建議我，大學四年一定要學最難的，要么數學要么物理。因為畢業后很難再有沉浸式挑戰一個難學科的機會。這對專注力、意志力、思維方式都是極大鍛煉。我覺得有道理，就選了數學。

至今我給別人的建議也是這樣：不要從實用主義出發。一旦以“實用”為出發點，大家都選熱門，那只會更卷。而且人和人真的是不一樣的。即使分數相同，興趣、天賦、好奇心也完全不同。未來志愿填報可能會有 AI 甚至基因分析幫你算最優解，但那個“最優”可能不是你真正想做的。

潘亂：是啊，這類問題特別依賴個人的家庭背景、性格，以及興趣，所以基本上說出任何一個答案都是錯的。

張鵬：說到底，家長更該關心孩子自己想學什么。motivation 是人類最后的陣地，AI 沒法擁有原生的熱愛。圍著興趣走，大概率能走得更遠。

還有一點，要早點讓 AI 參與到孩子的學習里。就像你們剛才說的，AI 能大大提升效率。這個效率是所謂學習的效率，但不等同于拿高分的效率，是更好地探索興趣的效率。今天喜歡一個方向，明天試試另一個。以前一生換三次方向，現在可能三個月換三次，效率就是被 AI 推上去的。

潘亂：這個前提是孩子不僅僅是為了謀生，而是思考怎么過好這一生。我之前和一個教育公司創始人聊過，聊到教育的本質到底是啥？其實是“實現人的自我發展”。但現實里大家只強調“發展”，幾乎忽視了“自我”。

張鵬：確實是，在 AI 越來越強的時代，反而更該關注“自我”。發展拼不過 AI，那我們就做自己。人類未來的使命就是“做人”本身，而不是成為哪個崗位的螺絲釘。AI 會成為全領域的無限供給。既然如此，我們只能在“自我”這塊找到不可替代的位置。

潘亂：我現在才真正體會“日新月異”這個詞。DeepSeek 才幾個月，就已經讓我覺得它進步太慢了。但技術進步越快，人類成長反而顯得越慢。尤其教育，它的節奏比科技產品要慢得多。更別忘了，學習本來就是痛苦的事。這么多年“快樂學習”從沒實現過。真讓你學得太快樂，很可能方向就錯了。關鍵還在于批判性、自律、主觀能動性，這些比技術更重要。

應試教育

張鵬：那我問個問題：AI 都能上清北了，我們這么多年搞應試教育還有意義嗎？AI 一下子超越 99.99% 的人類，那我們以前的這套“苦讀”還有必要嗎？這可能也會引發一波反思。應試教育到底還有沒有價值？

張一甲：我想為應試教育“平個反”。大家提起它總帶負面印象，比如死記硬背、題海戰術。但其實頂尖的應試選手靠的不是這個。他們訓練出來的是系統思維、快速學習能力、專注力和延遲滿足。應試教育在高維智力篩選上效率極高。

而且 AI 本身就是應試教育的終極形式。它干的事情，本質上就是應試——標準答案、模式識別、推理。最近 Meta 收了一整個 AI 核心團隊，主力成員幾乎全是中國人。這些人基本都是應試教育體系下成長起來的，所以我們能看到，最強的 AI 科研團隊，大多也是應試教育的產物。應試和 AI 之間不是矛盾，而是高度相關。

張鵬：潘亂你怎么看應試教育？大家現在爭議挺大的。

潘亂：我覺得我們剛才說教育的最終目的是“人的自我發展”，這和應試教育是有沖突的。如果我們從“自我”出發，教育就不該只是篩選誰能上大學，而應該培養未來能與 AI 共處的人。所以教育的目標一定要改變。

我是江蘇人，我們那中考是硬篩 50%，也就是說有一半孩子直接失去上高中的機會。這些孩子去哪兒？去職高？但今天大部分家長是不敢把孩子送去職高的。這種應試篩選邏輯對社會分配資源確實高效，但犧牲的是大量孩子的發展機會。即便篩出來的那部分人，回頭看自己的一生，真的滿意嗎？

我之前聊過一些人大附中畢業十年的人，他們最終都集中在幾個選擇上：進大廠、做金融、高薪行業。即使是進了 Meta、OpenAI 的頂尖華人研究員，從更大視角看，這也是一種“優秀的平庸”。當然我這種是屬于站著說話不腰疼。

所以我覺得教育的最終目的應當是“自我”比“發展”更重要。當然，應試機制依然有必要，它推動人去學習系統的知識，否則就是一張白紙。就像“人人都是工程師”這種說法，其實你沒有產品、設計或編程的基礎，用 AI 編程也干不了什么。能不能用好 AI，其實取決于你過往的積累。再比如藝術，你如果沒有基本的藝術修養，去了美術館也只能說“好棒”，找不到別的詞表達。你對世界的感知、解讀，是建立在“看過世界”的基礎上的。中國那句古話，“觀千劍而后識器，操千曲而后曉音”，就是這個意思。

所以我們還是需要基礎教育，讓孩子掌握必要的知識。沒有這個過程，哪怕你有 AI，也用不出什么。像把“狼孩”直接放進現代社會，即便給他最好的 AI，也無用。

張一甲：我是覺得潘亂在聊教育這件事情上，感覺比聊科技更有passion。你是不是選錯行業了？其實教育比科技難多了。你說教育是為了“自我發展”，可“自我”怎么找到？很多人一輩子也沒找到。

我對 AI 的美好期待是：它能提升整體生產力，改善教育資源分配的不平等，比如通過 AI 教師讓優質教育更普惠。社會基礎能力提升后，我們也許就有更多精力去尋找“自我”，而不是一味“發展”。

潘亂：對，即使是在“發展”這個維度，人也不是純靠 AI 就能搞定的。比如我們以前帶內容團隊，覺得靠譜和認真比什么都重要。這種品質靠 AI 是無法取代的。

所以我還是支持應試教育，它讓大家系統性地接觸不同學科，也促進了邏輯推理能力的形成。而且因為大家都在學校，才能培養人與人溝通的能力。最終我們還是要靠主觀能動性、自驅力、終身學習的能力。AI 是工具，但人本身的能力才是關鍵。未來衡量一個人，也絕不會只看你會不會用 AI 三件套。

教育平等

張鵬：聽起來你們倆到后面都有共識了。應試教育是必要的，教育更是必需的。只是未來如何在 AI 時代重構“應試”和“教育”的關系，這是個開放問題。你們支持孩子盡早在學習中使用 AI 嗎？

潘亂：我覺得得看年齡段。大學生用 AI 沒問題，甚至中學生也可以嘗試。但小學生不建議，他們的批判性思維和主觀能動性還在發展中，太早依賴 AI 可能有害。五年前拍照搜題就引發過類似討論，現在國家已經禁止了。學習本身就是痛苦的事，像鍛煉肌肉一樣需要反復撕裂重塑。如果 AI 把一切都代勞了，學習的真正意義也就沒了。

張鵬：對，就像我們坐車代替走路，慢慢喪失了攀爬的能力。未來學習會變得像健身一樣，是一件你得主動堅持的事，而不是生活所迫的必要過程。我不知道一甲同不同意這個觀點，就是孩子用 AI 這件事要分年齡段，即便用AI，用 AI 的目的要想清楚。

張一甲：我覺得這個事就沒法選擇，它一定會發生。你不能阻止小孩接觸 AI，你想分年齡段，你分不了的。沒有人可以創造一個真空的環境，就像你不能阻止他們上網一樣。所以不如正面應對，默認 AI 無處不在，思考“在 AI 環境下，學習到底是什么”。

我認為 AI 在孩子成長中的角色會逐漸進階，比如說從查詞典，到搜索引擎，到 ChatGPT，最終變成思維導師或合作伙伴。所以那個時候它對孩子的學習不再是一種空心化的代替，也許會是一個啟發式的提升，這個我覺得是有可能的。

怕就怕在什么地方呢？你看起來在學習，聽起來在學習，結果也像是在學習，但可能實際啥都沒學進去。你寫了一篇文章，但你其實不會寫作；你做了一個科幻創意，但思路完全不是你自己的。這才是最可怕的事。所以未來我們更需要用更高標準去判斷一個孩子到底學進去了沒有。

張鵬：對，今天對于家長們其實是在提出一個空前的挑戰。過去只要配合應試教育、照顧好孩子就行了。但今天 AI 加入后，家長需要引導孩子更高效地使用 AI，不是提高“交作業”的效率，而是提升真正的學習質量。教育最終是為了“自我發展”，所以重點在于過程而非結果。家長要轉變關注點，不是看孩子有沒有交作業，而是了解他是怎么完成的、用 AI 的過程中得到了什么。比如看他是否主動設定了目標、定義了有意義的問題、經歷了從發散到收斂的思維過程。這才是教育的價值所在。現在 AI 已經足夠強大，結果不難達成，真正重要的是過程中孩子有沒有成長。

我再引申一個問題：AI 究竟是促進教育平權，還是制造了新的不平等？以前，小鎮青年可以靠勤奮考上名校，改變命運。現在 AI 的普及是不是削弱了努力的價值？潘亂你怎么看，小鎮青年未來的機會是變多了還是變少了？

潘亂：我覺得對于主觀能動性強的人，AI 會讓他們機會更多。但對大多數人來說，數字鴻溝會拉得更大。AI 是個輸入輸出系統，你得會提問、會使用。可現實是，大多數人連好問題都提不出來，這就造成了嚴重的能力分層。就像今天，你看抖音的日活是百度的多少倍？很多人沒條件去學怎么用 AI，沒資源、沒人指導，也沒有那份主動性。對個別有驅動力的人，AI 是“逆天改命”的機會。但對大多數人來說，現實環境讓他們更難跟上。這個差距會越拉越大。

現實中，時間的朋友是懶惰、拖延和健康惡化。你要對抗這些，需要主動去學習、鍛煉、克服困難。但這是很難的事情。大多數人并沒有那么強的自律，也缺乏一個支持他們成長的環境。所以說，AI 本身是個強大的平權工具，但因為現實世界的不平等，它可能反而會加劇這種差距。

張一甲：這是個很深的問題。我的直覺是：在義務教育階段，AI 會提升普惠性，比如讓偏遠地區也能接觸到優質教育資源。就像基礎醫療，它會隨著技術的發展，以邊際成本很低的方式去滲透。但往上走，這個事情是真的充滿不確定性。

比如現在有算力的公司和沒有算力的公司，差距已經很明顯了。未來可能變成，可能存在一些高階的 AI ，被少數人擁有著，但它有著巨大的杠桿效應，以至于這部分少數人可以分配到更多的社會資源，我覺得會存在著這種可能。但這種不平等具體是個什么面貌，我們還沒有辦法想象出來。這可能就像過去有房和沒房的區別。只不過現在我們還不知道未來那個“分水嶺”到底會是什么。

張鵬：你說得很關鍵。這會影響社會中每個人能實現“自我”或“發展”的路徑。教育本身也逃不開這個大環境。

張一甲：我還想補充一點，其實教育很大程度上是教人如何適應環境。人類一出生就是早產兒，完全沒有生存技能，教育就是幫助個體逐步建立起面對復雜環境的能力。而 AI 的加入，讓未來的不確定性更大，所以適應性變得比以往任何時候都更重要。

張鵬：對，AI 帶來的不只是技術變革，更是對整個社會結構的重構。不管是生產資料、生產力還是生產關系都在被重新定義。這對追求“穩定路徑”的家庭來說，是挑戰；但對愿意擁抱不確定性的人來說，也是機會。因為在這種混沌中，會誕生新的力量和路徑。誰能在變化中找到自己的定位和意義，將會是關鍵。以前我們有一個“模板”，未來這個“模板”可能完全不同。

潘亂：所以除了技能、工具、AI，更重要的是人的“靠譜”“認真”“勇氣”和“自我驅動”。這些才是更根本的能力，決定你能不能在未來持續迭代、找到自己的位置。AI 是加速器，但能不能用好它，還是看人。

自身定位

張鵬：我們今天其實聊得挺發散，從AI 考高考聊到教育、公平，還是想從人的視角出發，不談技術、不談產品，看看這些變化對我們意味著什么。最后一個問題想請大家從自身出發聊聊：你如何在 AI 時代找到自己的位置？你怎么看待“自我”和“發展”？AI 對你意味著什么？潘亂你先來，你經歷了 AI 的發展，也和它頻繁協作，現在怎么看你和 AI 的關系？你有沒有擔心過被替代？

潘亂：AI 對我來說是個很好的工具，它讓我變得更勤奮、更深入地使用各種 AI 產品。對我來說，它是協作伙伴，而不是威脅。

張鵬：我再問得直接一點,你真的完全沒有被替代的焦慮嗎？

潘亂：一丁點兒都沒有。有兩個原因。

第一，AI 只改變了創作效率，但平臺的分發機制、變現模式、受眾連接方式這些都沒變。今天的創作者仍然依賴已有的內容平臺，沒有新的流量生態。所以變化的是效率，不是結構。

第二，AI 是工具，關鍵還是人提出什么問題。你有沒有定義問題、驅動問題、結構化解決問題的能力？這才是核心。就像雷軍問傅盛，做成 360 安全助手這個事情，你跟周鴻祎誰的功勞更大一點啊？傅盛說是周鴻祎，周鴻祎厲害在于把一個開放性問題變成了可以解決的封閉性問題。

AI 能做的事很多，但你給出的“輸入”是關鍵。人與人之間的輸入質量不一樣，自然語言是不平等的資源。我現在也在反潮流，比如開始訂閱付費雜志，去精進我的輸入質量。站在潮流的反方向，可能反而能走得更遠。

張鵬：那一甲你怎么看？怎么找到自己在這個 AI 時代的Destiny？

張一甲：首先我覺得咱們三個都不太會被替代，剛才你說到周鴻祎和傅盛那個例子，我很有感觸。我們作為公司的負責人或者 IP 的主理人，是需要在開放世界中定義問題、作出選擇，并為此承擔風險的。AI 可以執行步驟，但無法回答“為什么做”以及“愿不愿意為這個目標長期堅持”。這些是人類獨有的責任感和決心。站在人與 AI 這兩個大命題之間，我依然相信人。

時間是熵增的，但生命是熵減的，我覺得生命自有蓬勃之力，即便AI的各個技能可能比人好，人還是會憑借生命力和意義感，找到屬于自己的道路的。我站在人類這一邊。

張鵬：一甲像一束陽光，照亮了人類的前程。我其實反而希望被 AI 替代，當然是“引號式”的希望。比如，我希望 AI 把我已經熟練掌握的事替代掉，這樣我就能有機會去探索新的東西。以前我們可能用一生只完成一件事，因為現實摩擦太大。未來如果 AI 能幫我們減輕負擔，我們或許能活出多個“人生版本”。所以我真的希望 AI 跑得再快一點，好讓我去嘗試更多。

但我覺得最核心的是要捍衛“無知無畏”的力量。很多有意義的事情，正是因為我們不知道它有多難，才敢去做。如果一開始就知道那是坑，就不會跳了。所以很多創新，其實源于無知。AI 的價值或許在于，它讓我們更有勇氣去無畏，因為有它支持，你的探索代價變小了。人類真正的希望，可能就藏在這種“有底氣的無知”里。所以我覺得面對 AI 的未來其實很值得期待。AI 快跑，我們做自己，沒問題。今天我們聊了很多，其實就是想把希望帶回來。

也感謝潘亂和一甲，以及所有朋友今晚的陪伴。如果你覺得今晚有收獲，歡迎關注極客公園的今夜科技談、甲子光年和潘亂的「亂翻書」。我們不止聊技術產業，也聊人、聊社會、聊生活的更大命題。