当知识不再稀缺，学校还剩下什么？

AI GF / AI 摘要 AI 提炼本文要点 点击生成 · 快速阅读 生成摘要

摘要已生成 100%

01

作者明确判断：以标准化授课为中心的学校形态一定会被替代，但教育和大学不会因此消失。AI 将推动个性化知识学习，真实的人际关系、合作与实践则承担成长的重要部分。文章主张让学习围绕问题展开，保留专业深度，同时允许跨领域探索，并将学习与行动持续结合。作者批评学术激励过度偏向可发表的成果，呼吁大学保护长期、重要而可能失败的研究。大学聚集人才、研究资源和隐性知识的功能仍有价值；知识获取越容易，判断力、创造力、信任和找到值得解决的问题的能力就越稀缺。

我相信，今天这种意义上的学校，一定会被替代。

这并不是说教育会消失，更不是说未来的孩子都应该关在家里，对着屏幕长大。人对于学习、社交、合作和探索世界的需要，不会因为 AI 出现就消失。

我说的是我们已经习以为常的这套教育组织形式：每天在固定时间走进一栋建筑，几十个年龄相近的人坐在同一个教室，由一位老师按照统一教材、统一进度和统一考试标准，讲授同样的知识。

它被广泛采用，并不是因为它最适合每一个人，而是因为过去，在有限的资源下，我们没有办法为每个人提供不同的教育。

在我看来，AI 正在拆掉这套模式赖以成立的前提。当更好的选择出现，我们没有理由永远守着旧的组织方式。

一、当一对一教学不再是奢侈品

传统课堂的一个根本限制，是老师很难真正兼顾每个人。

一个老师面对几十个学生，只能选择大致适合多数人的速度。学得快的人觉得太慢，暂时没跟上的人又觉得太快；有人需要公式，有人需要图像，有人听一遍就懂，有人需要换几个角度才能理解。

这未必是谁不够用心。课堂不可能为任何一个人无限停下来，老师的时间、精力和耐心也都有边界。

于是，教育被组织成了统一的年龄分组、课程、教材、考试和毕业时间。从这个角度看，现代学校就是一条教育流水线：它优先解决的是怎样用有限的教师和资源，让大量人口接受教育；至于怎样让每个人学得最好，往往只能排在这套系统的效率之后。

而我认为，AI 会从根本上改变这件事。

设想一个足够成熟、可靠的 AI 导师：它能够记录一个学生学过什么、遗忘了什么，以及从哪一步开始没有真正理解。同一种解释听不懂，就换一种；可以用故事引入微积分，用游戏讲概率，用图像解释物理。一个问题问十遍，也可以重新讲十遍。

如果这样的系统能够长期、稳定地陪伴学习，它甚至可能熟悉一个人十几年的知识轨迹。一个普通家庭的孩子，也可能获得过去只有少数人才能负担的、持续的一对一辅导。

我并不是说今天的 AI 已经是完美的老师。我判断的是方向：随着这些能力成熟，优秀教学将不再是一种只能由少数人获得的稀缺资源。

到了那时，我们就不得不重新问：为什么学习知识，一定要按照同一张课表、以同一种速度，在同一个教室里发生？

二、知识可以个性化，成长仍然需要他人

这并不意味着孩子应该离开人群。

学校有一个极其重要的功能：它让孩子进入一个小型社会。在那里，人要学的从来不只是数学和英语，还有怎样交朋友、面对冲突、与不喜欢的人相处，怎样合作、竞争、承担责任，以及接受别人不会永远迁就自己。

这些能力很难仅靠与一个总能回应自己的 AI 对话来形成。真实的人会误解你，会拒绝你，有自己的需要，也会在合作中给你意想不到的帮助。

所以我想象的未来，反而需要更多有质量的线下生活。

承担这些功能的地方，可能仍然叫学校，也可能更像社区、俱乐部、运动中心、实验室和项目工作坊的结合。孩子上午借助 AI 学数学、语言与科学，下午和伙伴一起踢球、做机器人、拍电影、演戏、做实验，或者共同完成一个真实项目。

成年人当然仍然重要。他们可以是导师、教练、项目负责人和社区组织者：帮助孩子形成判断，处理关系，在遇到困难时继续走下去。

如果用一句话概括我想象中的分工，那就是：AI 负责知识教育，真实世界负责成长。

今天被捆在同一套课表里的功能，没有必要继续被捆在一起。未来的教育，应该围绕人的需要重新组织。

三、大学需要重新解释自己的价值

到了大学，这个问题会变得更加尖锐。

过去，大学最重要的吸引力之一，是它把知识、教授、实验室和一群有能力的人聚集在一起。想系统进入某个领域，大学通常是一条清晰而可靠的路径。

但当获取知识、弄懂知识不再那么困难，大学作为知识入口的优势，一定会被削弱。

一个人可以借助 AI 学习概率论、资产定价、随机过程、市场微观结构和机器学习：论文看不懂，就从基础概念开始追问；数学不够，就回头补数学；已经掌握的内容，也不必再等整个班一起学完。

一个人仍然要练习、思考、反复验证自己的理解。但这些训练，没有理由必须被锁在一套统一的课程安排里。

于是，大学必须更清楚地回答：当人们不再必须来到这里才能获得知识，这里还有什么值得他们投入几年时间？

一个常见的答案是：人。

大学的社交价值确实很大。其中一部分，来自它替我们完成了一次筛选：把年龄接近、学习能力达到一定门槛、对某些方向感兴趣的人放在一起。这比随机认识陌生人有效得多。

但这套筛选也有局限。两个人都读金融，并不意味着他们拥有相似的兴趣、目标，或者正在解决相似的问题。

对于已经知道自己想做什么的人，行业会议、研究社区、创业团队、开源项目乃至一家公司，有时能提供更直接的交流。那里的人年龄不同、背景不同，却可能拥有一个更重要的共同点：他们正在认真做你关心的事情。

我曾经觉得，这意味着人的连接会从“同学”转向“同行”。后来发现，这个说法仍然太窄。

真正有价值的相遇，未必发生在同一个行业里，而可能发生在同一个问题周围。

四、现实中的问题，没有专业边界

以我自己在英国读大学的经历来说，我一直不太喜欢本科专业之间相对固定的边界。

我学金融，课程自然大多围绕金融、会计和经济展开。如果突然对哲学、计算机或其他领域产生兴趣，并不像我理想中那样，可以自由地把不同院系的课程拼在一起。

这只是我的个人体验，不能代表所有英国大学，更不能概括其他国家。有些大学的选课制度本来就很灵活。

但这段经历让我开始问：为什么一个人在十八九岁时，就要这么早地被一个专业定义？

现实世界并不按照院系运行。

比如经营一家投资企业。表面上，它属于金融；真正做起来，却离不开软件、数据、AI、法律、税务、监管和组织管理。投资还涉及情绪、认知偏差和群体行为，甚至会把人带进哲学：

什么是价值？怎样理解风险？面对不确定性，我们究竟能够知道什么？什么时候应该相信一个模型？为什么人总会把运气误认为能力？

这些问题并不会先声明自己属于哪个学院。

造一辆自动驾驶汽车也是一样。软件、机械、芯片、数学、设计、商业、法律，乃至伦理和城市规划，都可能成为同一个问题的一部分。

大学需要按学科组织知识，现实中的行动却往往围绕问题展开。前者习惯问“你是什么专业”，后者更关心“你想把什么事情做成”。

从这个角度看，“跨学科”是一个很有意思的词：站在院系的视角，一个问题跨越了几条边界；站在现实的视角，问题原本就是完整的。

是我们先把知识分开，才需要再把它们连接起来。

分类当然有用。问题在于，我们很容易把组织知识的方法，误认为世界本身的边界。

五、让不同的人，因为同一个问题相遇

所以，实践环境的价值并不只是让我认识更多金融同行。

一个投资人遇见工程师，一个程序员遇见设计师，一个研究 AI 的人和哲学研究者讨论意识，一个金融从业者和心理学家讨论市场中的反复犯错——这些对话未必立刻产生结果，却可能改变彼此理解问题的方式。

真实的企业、开源社区和项目合作，有机会让这种交流持续发生。人们带着不同的知识、经验和判断坐在一起，是因为想把同一件事情做成。

有人懂技术，有人懂法律，有人懂行业，有人经历过十年的失败与试错。对同一个问题，他们看到的往往不是同一层东西。

我认为，在这样的环境里持续做事，往往比再增加几门同专业课程，更能拓宽一个人的认知。它会让你发现：自己的知识可以很深，同时仍然很不完整。

六、最好的教育，应该允许人不断“跑偏”

我并不认为专业知识会失去价值。恰恰相反，真正困难的问题始终需要深度。没有长期的数学训练，不可能仅凭“跨学科”的热情就开始研究理论物理。

但拥有深度，不应该意味着必须一辈子待在同一个边界里。

过去，进入陌生领域的成本很高：找教材、找老师、安排学习顺序，再一点点理解陌生概念。如果 AI 能够根据已有基础帮助一个人补上缺口，这条路就可能变得容易一些。

金融背景的人想理解神经网络，不一定需要重读一个计算机学位；工程师可以学经济学，创业者可以学心理学，医生也可以学编程。

于是，一个人的知识结构也许不再只是“金融专业”，而是：金融学得很深，懂一些软件，理解 AI，长期对哲学感兴趣；做过创业、投资和交易，又因为某个项目补过法律与税务。

知识会更像一张不断生长的网络，而不是一张入学时就已经画好的专业目录。

今天，很多所谓的“跑偏”很容易被看成低效率：学金融，为什么研究哲学？学计算机，为什么天天看历史？学物理，为什么突然去创业？

但这些绕路，有时恰恰是一个人形成独特认知的过程。

属于自己的优势，未必只是比同专业的人多学了一门课，也可能是同一份专业知识，被技术、历史、哲学和真实经历反复改写之后，长出了别人没有的连接。

我认为，AI 对教育最大的意义之一，就是让我们终于不必接受相同的知识组合。

问题决定学习的方向，兴趣拓展知识的边界，实践检验理解的深度。

七、学习与实践，不必是人生的两个阶段

我们熟悉的人生顺序，是先学习，再毕业，再工作，最后才开始接触真正的问题。

但学习也可以在做事的过程中不断发生。

一个十七岁的孩子对机器人感兴趣，可以先学一点线性代数，做一个简单的机器人，遇到控制问题后再学控制理论；把代码放到 GitHub，认识不同国家的开发者，参加活动，加入一个真实项目。

做着做着，发现概率论不够，就回来补概率论。后来想把产品卖出去，又开始学习供应链、产品设计和融资。

基础知识仍然要学，但它终于和真实的问题连接起来：你知道自己为什么要学，也知道不学就无法把事情继续做下去。

学习、动手、失败、再学习、合作、创造，可以成为一个不断循环的过程。

人与人的连接，也就不再只来自“我们在同一个班”，还可以来自“我们正在解决同一个问题”。

在我看来，这才是 AI 对教育更深的一层改变：它改变的不只是知识由谁来讲，而是整个学习的顺序。

八、学术研究究竟在奖励什么问题？

除了教学，我对大学还有另一个疑问：随着研究领域不断细分，我们怎样保证，值得研究的问题没有在评价体系里被挤出去？

研究做得细，本身并不是坏事。科学越深入，越需要专业分工。一篇粒子物理或金融学论文让普通人读不懂，并不能证明它没有价值。

我不满意的是，在我看来，今天的学术激励过于看重“可发表”，却不够在意“重要”。

回头看金融学里许多影响深远的研究，它们面对的问题其实很朴素：风险应该怎样定价？市场是否有效？企业为什么选择债务而不是股权？投资者是否理性？衍生品怎样定价？

这些问题不需要先读懂一长串术语，就能让人明白它们为什么重要。

学科逐渐成熟以后，新的研究必须说明自己增加了什么。于是，研究对象可能不断缩小：某个制度、某类企业、某段时间、某两个变量之间尚未被充分解释的关系。

这种积累可以非常有价值。大问题也往往只能通过一个个小问题逐步接近。

但在我看来，今天的评价方式太容易把新颖性当成重要性的替代品。“还没有人研究过”，和“值得投入时间去研究”，根本是两回事。

一个年轻研究者要面对发表、引用、职位、经费和同行评审。于是，“这个问题为什么重要”，很容易和另一组更现实的考虑竞争：数据拿不拿得到？有没有可信的因果识别策略？新意够不够明确？能否在有限时间里形成一篇论文？

比如，“为什么金融危机会反复发生”非常重要，却涉及复杂机制、有限的历史样本和纠缠的因果关系。研究多年，也未必能够得到清晰的答案。相比之下，某项政策对某类企业融资行为的影响，可能更容易界定、更适合现有数据，也更容易形成可检验的研究设计。

所以，我批评的不是选择后者的研究者。他们恰恰可能是在理性地回应制度。真正该被追问的，是制度把这些聪明人推向了哪里。

但如果一个体系长期偏向容易交付成果的路径，谁来承担那些重要、缓慢、难以预先保证结果的工作？

九、大学应该容得下漫长而可能失败的探索

这也是现代学术体系最让我感到矛盾的地方。

一个人经过十几年训练，掌握复杂的数学、统计、编程和研究方法，最后却可能只能把这些能力投入一个很窄、很安全的问题。工具不断升级，能研究的问题却被越圈越窄。我觉得，这是一种令人遗憾的人才浪费。

当然，问题的尺度不能只看标题大小，也不能靠关心它的人数来衡量。一项看似微小的发现，可能是后来巨大突破的前提。

我也不认为研究必须马上赚钱。恰恰相反，基础研究应该允许大量暂时看不到用途的探索。

真正值得追问的是：我们有没有一种制度，让优秀的人敢于花十年研究一个重要、却极有可能失败的问题？

如果研究者必须不断交付安全、可发表、结果清晰的成果，探索就可能被迫服从短期的可交付性。

大学如果连这种工作都保护不了，那它究竟还在保护什么？这才是我认为它应该认真回答的问题。

十、大学真正难以被替代的部分

所以，我并不认为大学会彻底消失。

在理论物理、材料科学、生命科学等领域，前沿研究远远不只是读教材。它需要团队、导师、长期积累，有些还需要极其昂贵的仪器与实验条件。

它也需要难以完整写进书本的隐性知识：一台仪器应该怎样调，这组数据为什么看起来不对，某条漂亮的思路为什么让有经验的人保持怀疑，哪些路径早已被反复尝试。

这些判断来自长期实践，也往往在人与人的共同工作中传递。

当知识的解释变得容易，聚集人才、维护研究条件、传承经验，以及支持长期探索的能力，反而可能更清楚地显现出来。

大学的重心也许会进一步转向：把合适的人、难以分散的资源和足够长的时间放在一起，去处理个人无法独立解决的问题。

这不是给现有大学凭空发明一种新使命，而是让其中最有价值的部分，变得更加重要。

十一、当知识不再稀缺，什么会变得稀缺？

所以，我的判断很明确：学校这种机构可以继续存在，但今天这套以标准化授课为中心的学校形态，一定会被替代。

学校将失去作为教育默认中心的位置，也将失去定义一个人应该怎样学习的权力。

今天，教学、社交、认证、研究、筛选和托管被放在同一个机构里。未来，这些功能可能被重新组合：AI 支持个性化学习，线下社区承载共同生活，项目与实践锻炼能力，大学和研究机构继续支持需要长期积累与密切协作的探索。

能力证明也会变得更加具体。项目、作品和实践记录，应该承担更多今天被交给一纸学历的判断。

更重要的变化，是学习不再只有一条被提前排好的路线。

一个人可以先学，开始做，在实践里遇到问题，再去寻找最适合一起解决它的人。那些人未必同龄，未必拥有相同学历，更未必属于同一个专业。

他们因为一件真正想做成的事情走到一起，讨论、合作、失败，然后继续学习。

当知识更容易获得，理解它、判断它、使用它的能力，并不会自动变得充裕。判断力、创造力、实践经验、连接不同知识的能力、人与人之间的信任，以及识别什么问题值得解决的能力，才会成为真正稀缺的东西。

答案容易得到，不意味着值得问的问题也会自动出现。

也许到了那时，我们才会更清楚地意识到：教育不应该只是把答案交给一个人，也不应该只是把他训练成某个专业的人。

它还应该让一个人有能力理解世界，有勇气进入陌生领域，找到值得投入的问题，也找到那些与自己不同、却愿意共同把事情做成的人。