哈佛教授：我已经不知道该教学生什么了
10 月 1 日，哈佛大学物理学教授马修·施瓦茨（Matthew Schwartz）发表了一篇长文，讲他过去三个月和 AI 一起完成了横跨 18 个学科的 36 篇论文稿。 成绩很亮眼，但文章末尾，这位写过量子场论教科书、带了很多年博士生的教授，写下了一句很坦白的话： "我仍然不知道该如何培养研究生。" 他说，自从半年前第一次系统地用 AI 写论文，这种感觉不但没有消失，反而越来越强烈。 如果连哈佛教授都不知道该教什么，那么正在为孩子选专业的家长、正在纠结学什么的大学生、担心被替代的职场人，又该怎么办？ 这篇文章想借施瓦茨的经历，聊聊这个问题。
正在快速贬值的东西 施瓦茨在文中举了几个让人后背发凉的例子。 第一，曾经的"必修课"变得没必要了。 两年前，他会把"给工程师的 Python 编程课"列为必修；而今天，他认为这门课已经没必要了。 第二，自己多年积累的专长，用处在缩小。 他花了很多年研究用神经网络建模物理现象。现在，这些模型 AI 都能自己搭。他的说法是：让 AI 去找最先进的方法，它会替你做好。所以就连深入学习神经网络的门道，用处也有限了。 第三，专家几周的活，AI 二十分钟搞定。 他让 AI 复现自己一篇论文里的计算，AI 大约 20 分钟就做完了，而他当初写这段代码花了好几周。 第四，连"做计划"都变得困难。 他反问：如果一个问题，AI 可能一夜之间就解出来，你为什么还要申请一笔三年期的科研经费去算它？ 他还给 AI 的"学历"画过一条进步曲线：2025 年 8 月左右，AI 已经能完成哈佛几乎任何一门课的作业，相当于博士一年级；到 2025 年 12 月，达到了博士二年级的水平。他按这个速度粗略外推，AI 大约会在 2027 年 3 月前后达到博士或博士后的水平。（这是他个人的估计，并非定论，但足以说明变化有多快。） 被快速贬值的，是"会做某一件具体的技术活"。 这件事正在发生在物理学家身上，也会发生在程序员、分析师、设计师、文案身上。 最大的悖论：苦活，恰恰是人学会本事的方式 如果故事到这里，结论很简单：AI 能干的，就别学了。 但施瓦茨在半年前的文章里，提到过一个很容易被忽略的细节。他说，那些计算、调试、拟合数据的"苦活"，正是研究生学习本领的主要途径之一；而对他自己来说，把这些活交给 AI 是一种解脱。 这句话里藏着一个巨大的悖论： 施瓦茨之所以能一眼看出 AI 哪里错了、哪个方向有价值，是因为他自己吭哧吭哧做了二十多年苦活。如果下一代学生一开始就把苦活全交给 AI，他们的判断力，又该从哪里来？ 这不是杞人忧天，已经有研究给出了数据。 宾夕法尼亚大学沃顿商学院的研究者，在土耳其一所高中做了一项随机对照实验，近千名学生参与，结果发表在《美国国家科学院院刊》（PNAS）上： • 在练习时允许使用普通 ChatGPT 的学生，练习成绩比对照组高了 48%； • 但到了不能用 AI 的考试，这组学生的成绩反而比从没用过 AI 的学生低了 17%； • 另一组学生用的是经过设计的"AI 家教"，它不直接给答案，而是引导学生自己思考。这组学生练习成绩提高了 127%，而考试成绩和对照组没有显著差别，也就是说，"拐杖效应"基本被消除了。 研究者的解释是：不加限制时，学生会把 AI 当成拐杖，练习时看起来很厉害，拐杖一拿走，自己就不会走路了。 麻省理工学院媒体实验室的一项研究也给出了类似的提示。研究者让 54 名参与者写作文，同时用脑电设备监测大脑活动。结果显示，用 ChatGPT 写作的那组，大脑连接活动最弱，对自己文章的"拥有感"也最低。更有意思的是顺序的影响：先自己写、后来再用 AI 的人，表现明显好于一开始就用 AI、后来再自己写的人。（这项研究样本较小，结论还需要更多研究验证，但方向值得重视。） 两项研究放在一起，指向同一个结论：AI 本身不会让人变笨，但用错了方式，会让人跳过最关键的成长过程。 什么不会贬值：从施瓦茨身上看到的五样东西 既然技术活在贬值，那人身上什么还值钱？施瓦茨的经历，给出了一份相当具体的清单。 1. 品味：知道什么值得做 施瓦茨认为，当前 AI 缺少的东西，可以浓缩成一个词：品味。也就是一种难以言说、但很快能判断"这个方向有没有前途"的直觉。他说，任何在一门手艺里经营多年的人，无论是做科学、做木工还是做设计，都会认得这种东西。 他文中最生动的例子是一个生态学项目。AI 解开了一个困扰生态学界 20 年的方程，施瓦茨很兴奋，拿给生态学家詹姆斯·奥德怀尔看。对方说：技术很厉害，但生态学家大概只会耸耸肩。正是这位专家给出了真正有价值的新方向，才让项目变成了有意义的科学。
美国森林调查样地，按植物生存策略着色 ▲ 这张图来自专家把方向"掰正"之后的成果：美国每一个森林样地，按植物"生存策略"分类。AI 负责计算，人负责判断什么值得算。（图源：Anthropic） AI 让"会做"变便宜，"知道该做什么"就变贵了。 2. 选题：找到对的问题 施瓦茨在文末总结：只要找到了对的问题，解决它所需的大部分技术工作，现在都可以自动化了。 注意前半句："找到对的问题"。 他这三个月的 36 篇论文，是从大约 400 个候选问题里筛出来的。AI 能想出成千上万个问题，但哪个值得做，最终还是人来挑。 3. 验证：知道怎么检查对不对 在第一次写论文的实验里，施瓦茨发现 AI 并不知道该做哪些检查来验证自己的结果。他得一步步告诉它：这个领域的标准做法是哪几项交叉检验。而每一项检验，都揪出了新的错误。 会验证的前提，是真懂。 不懂行的人，连该问什么问题都不知道。 4. 连接：跨界与沟通 施瓦茨这三个月最大的变化，是走出了自己的物理学"舒适区"，跑去和生态学家、遗传学家、经济学家、语言学家合作。他自嘲成了"AI 翻译官"：一边把 AI 的话翻译给生态学家听，一边让 AI 别跑偏。 他用了一个数学概念来描述这种价值：凸包。
凸包示意：人类知识在中心，向外伸出参差不齐的触角，中间留有空白 ▲ 人类知识是"锯齿状"的：每个学科都朝自己的方向伸得很远，学科之间却留下大片空白。这些空白正是 AI 最擅长填补的地方，而把不同学科的人连起来，仍然需要人。（图源：Anthropic） 一个只懂一门技术的人，正在被 AI 挤压；一个能把不同领域连起来、能和不同的人沟通协作的人，反而被 AI 放大了。 5. 动手：和真实世界打交道 施瓦茨给学生的建议里，有一条很实在：考虑去做实验科学，尤其是那些需要亲手操作、靠纯思考解决不了的领域。 他的理由是：无论算力多强，AI 都没法凭空知道一个人体细胞里到底有什么，或者某条地震断层是不是在增长，这些都需要实际测量。而很多实验工作，看起来一点也不高科技：伸手到狭窄的真空腔里凭手感拧紧一个法兰，或者调节光学平台上的微调旋钮，让激光对准到零点几毫米。要造一只有这种触觉和灵巧度的机械手，难度和成本都极高。 Anthropic 最近的一项研究也印证了这一点：在美国的体力劳动任务中，机器人已经能完成大约四分之三，但大多只是在受限的场景下；真正在成本上能和人竞争的，只有 0.3%。 他还预测，在那些"数据很多、理论很少"的领域，比如系统生物学，将会出现巨大的增长。 我们具体该怎么做？ 把施瓦茨的经验和上面的研究放在一起，可以给不同的人一些具体的建议。 给学生：认真用 AI，但别让它替你吃苦 施瓦茨对学生的第一条建议是：认真对待 AI。不要因为 AI 曾经胡编过一个答案，就觉得"等它变好再说"；而是去熟悉它，弄清楚它擅长什么、不擅长什么。他甚至说："花 20 美元订阅一个，它会改变你的人生。" 但结合前面的研究，还得加上一条：先自己想，再用 AI。 • 做题时，先自己做，再让 AI 检查，而不是直接要答案； • 写作时，先自己列提纲、写初稿，再让 AI 帮你改； • 把 AI 当家教用，可以直接要求它"别告诉我答案，一步步提示我"。 给家长：别只问"学什么专业不会被淘汰" 比"选哪个专业"更重要的问题是：孩子有没有在真正吃力地思考问题？ 那些看起来"浪费时间"的过程，比如自己琢磨一道题半小时、反复修改一篇作文、亲手做一个小实验，恰恰是培养判断力和品味的地方。AI 可以让孩子少走弯路，但不能让孩子不走路。 此外，值得有意识地培养的，是那些 AI 难以替代的能力：提出好问题、判断对错、跨学科联想、动手操作、与人沟通。 给职场人：从"会做"转向"会判断" 施瓦茨自己的角色转变很有代表性：他不再亲手编译程序、敲命令行，而是同时盯着四五个 AI 项目，在不同窗口之间来回检查结果、下达指令。他把这种状态比作国际象棋冠军卡尔森同时对弈五位大师。 你的价值，正在从"亲手做出来"，转向"判断做得对不对、方向对不对"。 同时，不妨走出自己的专业舒适区，去和其他领域的人合作。AI 降低了跨界的门槛，这对愿意跨界的人是巨大的机会。 写在最后 AI 拿走的是答案，留给人的是问题 施瓦茨在半年前的文章里，还写过一个更远的设想：在大约十年后的遥远未来，当 AI 在所有领域都超过人类时，理论物理可能会变得像音乐理论或法国文学一样，成为人们因为单纯享受思考而学习的学科。他觉得有点讽刺：过去三十年，理工科一路挤压人文学科，最后留下来的，可能恰恰是人文。 不过，那是很远之后的事。眼下，施瓦茨描述的自己，是一个"再也不会卡住、每天都在学新东西"的人。有人问他为什么不每两周发一篇论文，他说没必要，他宁愿去挑战更难的问题，哪怕大多数都会失败。 这或许就是 AI 时代学习的新答案： 过去，教育的目标是"学会做"；接下来，教育的目标是"学会判断该做什么、做得对不对"。 但别忘了那个悖论：判断力，恰恰是在一次次亲手去做的过程中长出来的。 所以，AI 时代真正的教育难题，不是"还要不要学"，而是想清楚：哪些苦必须自己吃，哪些苦可以放心交给 AI。