独角瘦我最近在整理本地大模型部署的笔记，顺手刷到一个讨论度不低的标题——“天辛大师揶揄人类教育危机，AI时代是否还能百年树人”。说实话，这个标题让我停下来想了好一会儿。“百年树人”这句话我们从小听到大，讲的是教育的长期主义：种一棵树需要十年，培养一个人可能要上百年。可现在的AI世界呢？大模型几个月迭代一次，工具链半年换一套，年轻人刚学会的东西可能已经过时，中年人才搞明白的东西已经泛滥。教育这个“慢变量”和AI这个“快变量”撞在一起，焦虑几乎是必然的。
这篇文章不打算替谁站台，也不想贩卖焦虑。我想从自己这几年用AI工具、做AI应用、观察身边年轻人学习方式的角度，聊聊AI时代的教育到底哪里出了问题、哪些底层能力反而更值钱，以及一套我个人反复调整后沉淀下来的“AI+学习”实操方法。如果你正在纠结要不要让孩子提前学AI，或者担心被AI抢饭碗，再或者想重新规划自己的学习路径，这篇文章应该能给你一些不一样的参考。
1. 为什么“知识越多越廉价”，反而是这轮教育焦虑的根源
1.1 从“我知道”到“它会”：知识库存正在变成公共设施
先说一个非常直观的变化。过去二三十年，教育的核心环节是知识的获取、记忆和整理。我们背课文、记公式、整理笔记，本质上都是在往自己脑子里“囤货”。囤得越多，考试越有优势，工作上越容易被当成“有学问的人”。但大模型出现之后，这个逻辑被一刀切断了。
我举个自己的例子。去年做AI应用开发时，我需要快速了解一个不太熟悉的Python库。换作以前，我的路径是打开搜索引擎，翻十几篇博客，点进官方文档，再跑个小例子验证。现在呢？我直接把需求丢给AI，它几秒钟给了我一份带示例代码的说明，甚至把常见坑都列出来了。那一刻我特别清楚地意识到：知识获取这件事，已经被大模型干成了一个“自来水厂”级别的公共服务。过去每个人都得在自己家里挖井、打水、存水，现在拧开水龙头就有水，谁家水井挖得再深，也不再是什么核心竞争力。
这不是说脑子里没货没关系，而是说“库存量”的边际价值在快速下降。AI时代真正的问题不再是“你知道多少”，而是“你知道该调用什么、怎么调用、调用的结果对不对”。这也正是天辛大师那类揶揄的痛点所在：我们的教育体系还在按照“囤货逻辑”培养学生，但社会对人才的需求已经变成了“用货逻辑”，错位感自然越来越强。
1.2 检索式学习的失效：我用AI查资料时踩过的“伪学习”坑
很多人觉得，AI时代学习变得简单了：不会就问AI，搜答案、读摘要、生成笔记，效率拉满。表面上看确实如此，但我实测下来发现，这种效率很可能是“伪效率”。
我讲一次亲身经历。有段时间我想在一台AMD Ryzen AI 9 HX 370处理器的轻薄本上跑Ollama，让它把大模型推理交给GPU而不是CPU。我先问AI“怎么让Ollama使用GPU”，它给了我一串环境变量和参数设置，看起来非常专业。我照着操作，跑起来之后用性能监控一看，模型照样跑在CPU上，核显纹丝不动。我又追问了几轮，AI一直在给类似的通用答案，后来我放弃AI，直接去翻Ollama官方文档和社区讨论，才找到是驱动后端和版本匹配的问题，换了个参数就通了。
这件事给我挺大的触动。AI给了我一份“看起来正确”的答案，但我如果不去验证，就会一直活在错误配置里，还以为自己已经搞定了。这就是教育领域最危险的“伪学习”：学生用AI生成读书笔记、作业摘要、实验报告，文档写得整整齐齐，知识却根本没有经过大脑。考试一考，原形毕露。更麻烦的是，长期依赖这种快捷回答，人会逐渐失去对“自己是否真的理解”的感知能力。
所谓“教育危机”，很大程度上不是AI害的，而是我们还没教育孩子（包括我们自己）怎么正确面对AI的答案。AI可以给你一百条信息，但它不会替你做“这是否有用、是否正确、是否适合”的判断。而判断，恰恰是最需要长期训练的能力。
1.3 旧尺子量新人才：评价体系还停留在上一个时代
再往深一层看，教育焦虑的另一个根源是评价体系的滞后。你去看现在的考试、考证、升学，核心还是标准化：答案固定、评分固定、排名固定。这种东西在工业时代是合理的，批量培养同质化人才，再用同一把尺子筛选。可AI时代的人才画像完全变了。
我接触了不少做AI绘画、AI视频、AI短剧的年轻朋友，他们有个共同特点：不是样样都强，但某个方向上特别有想法、特别能折腾。有人用AI工具做电商商品图，一天能产出过去设计师一周的量；有人用AI做短剧分镜，一个人顶一个小团队。他们的核心竞争力是什么？是审美、是叙事、是判断什么内容能打动观众、是快速试错的行动力。这些能力，标准化考试几乎测不出来，甚至会被当成“不务正业”。
旧尺子量不出新人才，于是大家越努力越焦虑。家长拼命给孩子报班，学的还是上一代的技能；职场人拼命考证，考的证书AI可能一秒钟就完成了相关任务。方向一旦错了，努力只会加速焦虑。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 百年树人没有过时，需要重写的是“树”的内容
2.1 判断力：AI幻觉是最好的“反教材”
既然知识的获取不再是壁垒，那教育的核心到底应该是什么？我现在的答案很明确：判断力。
判断力这个词听起来虚，但AI幻觉能把它讲得特别具体。所谓AI幻觉，就是大模型一本正经地胡说八道。它不是在骗你，它只是根据概率在生成最像样的答案，至于这个答案对不对，它没有能力确认。
我说一个真实的坑。有次我让AI推荐一个处理PDF表格的Python库，它推荐了一个名字听起来很合理的包，还给了完整的安装命令。我习惯性地去PyPI上搜了一下，发现这个包根本不存在。如果当时我直接复制代码跑，大概率会浪费一个小时在报错上。还有更极端的例子，AI在写参考文献时可能生成一篇完全虚构的论文，标题、作者、期刊全都有模有样，但查无此文。
所以每次有人问我“AI时代孩子最该学什么”，我的回答里一定有一条：学会怀疑和验证。看到任何AI输出，先问一句“这是真的吗？依据是什么？有没有其他来源佐证？”这不是不信任工具，而是驾驭工具的基本素养。过去的怀疑精神体现在查字典、翻文献、核对出处，现在的怀疑精神体现在交叉验证、查看官方文档、跑测试用例。本质没变，只是操作对象变了。
2.2 提问能力：AI时代的第一生存技能
除了判断力，另一个被严重低估的能力是提问。很多人用AI觉得“不好用”，核心原因不是AI不行，而是问题问得太糙。
什么叫问得好？我举两个对比。普通问法：“怎么学Python？” 这种问题给AI，它能给你一篇三千字的入门攻略，但你读完还是不知道下一步干嘛。更好的问法：“我是一名有Excel基础的市场运营，每天要处理大量报表，想用Python把重复的清洗工作自动化。请给我一个两周的学习计划，每天1小时，重点学pandas和openpyxl，并推荐一个练手项目。” 同一个AI，输出的质量完全是两个级别。
为什么差别这么大？因为提问的本质是思考。你问得越具体，说明你对自己要什么是清楚的。AI只是把你的思考放大成答案而已。教育如果只教“怎么用AI”，却不教“怎么问AI”，那等于只发枪不给瞄准镜。我现在训练自己和孩子的方式很简单：每次向AI提问之前，先逼自己写清楚三件事——我的目标是什么、我已经知道了什么、我需要AI帮我解决哪一步。写不清楚，不开口问。这个小习惯，比背一百个提示词模板都管用。
2.3 深度工作与慢思考：稀缺反而值钱
AI把所有事情都变快之后，什么最值钱？答案是“慢下来”的能力。这话听着像鸡汤，但实操里是硬道理。
我自己有个习惯，在构思复杂项目架构时，会先把AI关掉，拿一张纸把需求、模块、数据流画出来。一开始我也觉得这是浪费时间，明明AI能直接生成方案，为什么非要自己画？后来我发现，画图的过程其实是逼自己做深度思考：这里的依赖关系理清了吗？那里如果出故障怎么兜底？这些问题是AI不会替你想到的。AI能帮你写代码、写文档、写方案，但它很难帮你建立对问题的整体直觉——那种只可意会的“手感”。
尤其在大模型泛滥的环境里，能沉下心做深度工作的人反而更稀缺。我见过太多人让AI生成初稿，然后自己也说不清初稿的每部分为什么这么写，提交前连检查都不知道从哪里下手。真正稳妥的做法是：让AI承担重复的、初级的、批量化的部分，人来负责构思框架、把关质量、处理异常。为了做到这一点，人必须保留一定的“原厂能力”——亲手写、亲手算、亲手做的能力。这不是反技术，而是为了不被技术架空。
3. 一套可落地的“AI+学习”组合方案：从提问模板到本地部署
3.1 五个提问模板，把AI从“答案机器”变成“思维磨刀石”
很多家长和教育者担心AI会让孩子变懒。我的观点是：工具本身不会让人变懒，使用方式会。如果你把AI当成“作业代写机”，它确实会让孩子变懒；但如果你把它当成“思维陪练”，它可以成为非常高效的学习伙伴。下面分享五个我一直在用的提问模板，全部经过实测，适合学生、职场人，也适合家长拿来引导孩子思考。
第一个是苏格拉底式挑战。用完一句话模板：请反驳我的观点，并给出三个可能被忽视的盲点。比如你写了一篇关于“AI会取代教师”的分析，先别急着定论，让AI站在反方，把“教师的情感支持、价值观引导、因材施教”这些因素摆出来。这个过程能帮你看清自己的逻辑漏洞。
第二个是费曼式解释。让AI“用小学生能听懂的语言解释复杂概念”。这个模板特别适合用来检验自己是否真的懂了某个知识。如果你看完AI的解释觉得“太浅了”，说明你已经基本掌握；如果觉得“解释得真好”，说明你之前根本没懂。
第三个是约束式求解。普通提问是“给我一个方案”，约束式提问是“在只有两个人、预算5000块、周期两周的条件下，给我一个可落地的方案”。逼AI在限制条件下思考，相当于逼它做真正的工程决策，而不是给一篇漂亮但空洞的范文。
第四个是反向教学。我经常让AI当出题老师：围绕某一个知识点出10道由易到难的题，我先做，AI批改，然后针对错题继续追问。这比反复读教材有效得多，因为输出才是最有效的学习方式。
第五个是复盘助手。完成一件事后，把过程原原本本描述给AI，让它帮你找出改进点。比如我做完一个AI短剧脚本后，会把分镜脚本丢给AI，问“节奏哪里拖沓？反转是否合理？有没有更好的叙事路径？”它不会替我做决定，但能提供另一个视角，帮我看见自己的盲区。
3.2 本地部署大模型：给学习和实验留一块“自留地”
聊完提问模板，我想再聊一个稍微硬核但特别值得做的事：本地部署大模型。
我知道很多人听到“部署”两个字就头大，觉得那是程序员的事。但我想说的是，本地部署的价值不在技术本身，而在它帮你建立一种“可控感”。用云端AI，你只是客户；自己在本地跑一个开源模型，你才是主人。它可以断网运行，数据不用传出去，模型参数你能调，推理过程你能看。对孩子或者刚入门的人来说，亲手跑通一个本地模型带来的理解深度，远胜于只看一百篇科普文章。
具体怎么做？我建议从Ollama入手。它是目前最友好的本地模型运行工具之一，支持macOS、Windows、Linux。安装完成之后，在终端里拉取一个开源模型，比如通义千问的Qwen系列或者Meta的Llama系列，然后就能用命令行对话了。你不需要懂太多底层原理，跟着官方文档就能跑起来。
如果你和我一样用的是AMD平台，比如Ryzen AI 9 HX 370这类处理器，要注意一点：想让模型调用GPU而不是CPU，往往需要在Ollama里手动配置。我在实际排查中发现，AMD核显有时候不会自动作为推理后端，需要安装对应版本的驱动，或者通过环境变量指定GPU后端。这个坑我上文说过，走了不少弯路，最后是翻官方文档才找到原因。建议你第一次跑起来之后，打开任务管理器或者性能监控工具看一眼，确认模型到底跑在CPU还是GPU上。这个小动作能帮你避开90%的“以为配置好了，实际上在用CPU硬扛”的坑。
本地部署模型的能力上限一般不如云端大模型，回答质量会差一些。但它适合学习、调试和实验，更重要的是，它是一块不需要求人的“自留地”。你可以放心地测试各种提示词，不用担心额度用完，也不用担心数据被记录。这种自由感，对保持学习热情帮助很大。
3.3 一周项目制学习清单：用真实任务倒逼能力成长
工具和模板都有了，最后要靠一个东西串起来——项目。我的经验是，如果真想掌握AI时代的学习方法，就不要按“先学理论、再做练习、最后实战”的老路子走。直接反过来，选一个真实的小项目，边做边学，用任务倒逼能力。
我设计了一个一周项目制学习清单，适合零基础到初级的人，也适合家长带着孩子一起做。核心项目是：做一个“个人知识库问答机器人”。
周一：定义问题。不急着碰AI，先写清楚你想让机器人回答什么问题。比如“把我这一年读过的10本书的笔记整理成问答库”。这个环节练的是目标拆解。
周二：收集和整理素材。把相关文档、笔记、书摘全部找出来，统一格式。给素材做清洗的过程，就是信息管理能力训练。
周三：接入大模型。用云端API或者本地Ollama都行，把素材切成小块，通过向量化或者直接塞进上下文，让模型能基于素材回答。这个过程你会亲身体会到“上下文长度”“向量检索”这些概念到底是怎么回事。
周四：搭建交互界面。最简单的方式是用Python写一个命令行问答，或者用Streamlit等工具做一个网页版对话框。不会写代码也没关系，让AI辅助生成，但每行代码都要问一句“这行是干嘛的”，搞清楚再往下走。
周五：测试和挑错。故意问一些刁钻的问题，看机器人回答得怎么样。发现答得不好，就调整提示词或素材切分方式。这个环节练的就是判断力。
周六：总结和优化。把问答记录导出来，分析哪些问题回答得差，原因是什么，针对性修一次。
周日：复盘输出。写一篇简短的使用笔记，讲清楚你做了什么、遇到了什么坑、怎么解决的、下一次可以怎么改。写完之后，让AI帮你点评这篇笔记，给出改进意见。
这个清单我实操过好几轮，每个环节都不复杂，但组合起来能覆盖目标拆解、信息整理、技术使用、问题排查、自我复盘等核心能力。这些能力单独看都不新，但在AI的加持下，它们能最高效地产生真实成果。人需要看到成果，才会有持续学习的动力。
4. 一线AI从业者正在经历的学习方式重构
4.1 AI编程时代，到底还要不要死磕基础
近两年AI编程工具火得不行，我自己也是重度用户。这类工具能自动补全代码、生成函数、解释报错，甚至能根据自然语言描述直接生成整个模块。很多人因此产生一个疑问：既然AI都能写代码了，程序员还需要学基础吗？高中生还要学编程吗？
我的答案是：基础必须学，但学习方式必须变。所谓基础，现在已经不是“背下所有语法”，而是计算机思维：数据到底在内存里怎么存、网络请求为什么慢、并发为什么容易出现奇怪的问题、内存泄漏是怎么发生的。这些概念AI不会替你解决，因为它们是排查问题的底层地图。没有这张地图，AI生成的代码一旦出错，你连从哪里开始查都不知道。
我举个例子。让AI生成一段下载并解析网页数据的代码，它几秒钟就能写完，跑起来可能也正常。但如果你不理解HTTP请求和响应、不理解页面结构是怎么变化的，当网站改版导致代码失效时，你会完全无从下手。用Cursor这类AI编程工具写代码，本质上是“骑自行车下坡”——省力，但更需要你掌握方向感和刹车能力。基础知识就是那个刹车。
所以我的建议是：新手学编程，不要再用“背语法、刷题”开始，而是从一个小项目开始，借助AI理解每一块代码的用途，再把核心概念一个个吃透。基础不是学完了才用，而是用的时候有针对性地学。
4.2 AI绘画与AI视频：创作门槛坍塌后，审美成了护城河
如果说AI编程改变的是程序员的工具链，那AI绘画和AI视频改变的就是整个内容创作的门槛。以前要做一张海报，你至少得学PS、懂构图、会调色；现在你只需要一句提示词。以前做一条短视频，需要摄影、剪辑、字幕、配乐全流程配合；现在AI能直接生成分镜、配音甚至数字人。
门槛变低之后，内容创作者比拼的是什么？我观察下来，最核心的是审美和叙事。同样用AI绘画工具，有人生成的是“好看但空洞”的图，有人生成的是“一眼就有故事感”的画面。区别在哪里？在于他有没有见过足够多的好作品，在于他心里有没有明确的审美标准，在于他能不能把“我想要什么”描述到AI能理解的程度。
我自己尝试做一个AI短剧的时候，最大的收获不是学会了某个工具，而是被迫想清楚了故事的核心冲突、人物动机、节奏转折。没有这些东西，AI生成再精良的画面也是散的。教育的启示就在这里：AI可以替代所有的“执行动作”，但替代不了“为什么要这么做”的创作意图。审美教育、叙事教育、情感教育，这些过去被当成“副科”的东西，反而要变成主科。
4.3 AI Agent开发与系统思维：从“写程序”到“编排系统”
AI Agent是最近一年多特别火的方向。简单说，Agent就是一个能自主规划任务、调用工具、执行操作的智能体。比如你告诉它“帮我调研一下某个行业的最新动态，整理成周报”，它可能会自己决定先搜索哪些关键词、打开哪些网页、读取哪些内容、最后用什么格式输出。
开发一个简单的Agent，已经不需要我写太多代码，更多是做“编排”：把大模型、搜索工具、数据库、对话界面这些模块像搭积木一样组合起来。这个过程中最考验人的是系统思维——你能不能把一个大目标拆解成小的可执行步骤，能不能预见每个环节可能出现的异常，能不能设计好一个环节失败后的处理策略。
这种能力像什么呢？像导演而不是演员。AI是你可以调度的演员，每个演员都很能干，但剧本怎么编、场景怎么排、预算怎么分、出问题时怎么调整，都需要导演来定。教育如果要培养AI时代的从业者，重点就应该放在这种“编排能力”上，而不是单纯教某一种工具的用法。工具会迭代，但系统思考和统筹能力永远稀缺。
5. 重新设计一份“AI时代教育清单”，我会写这九条
5.1 三个优先培养的习惯
聊完理论和个人实践，我想把话收回到“百年树人”这个主题上。如果让我重新设计一份面向AI时代的教育清单，我不会先列工具清单，也不会先排课程表，而是先定三个习惯。
第一个习惯是反事实思维。遇到任何结论，先问一句“如果不这样，还有别的可能吗？”比如AI给出了一个答案，不要急着接受，想一想：反过来行不行？如果条件变一下呢？这个思维习惯能有效对抗AI的“标准化答案”，让人保持独立思考。
第二个习惯是每天固定做一点“无AI”的深度活动。读半小时纸质书、手写一页笔记、不看屏幕推导一个逻辑链条。原因很简单，AI介入越深，人自己的思维肌肉就越需要锻炼。就像健身的人不能光靠按摩和营养品，总得自己举几组铁。
第三个习惯是每个结论都追问“证据呢？来源呢？”不管这个结论来自AI、来自专家还是来自权威平台，都保持可追溯的习惯。这跟我前面讲到的判断力一脉相承，但它需要变成一种自动运转的日常状态，而不是偶尔想起来才查证一次的仪式。
5.2 三个主动限制AI的场景
有句话说得好：不是所有地方都需要AI。我给自己设了三个主动限制AI的场景，你也可以参考。
第一个场景是学习新概念的第一遍。首次接触陌生领域时，我不让AI直接给出解释，而是先自己查资料、看文档、尝试理解，哪怕理解是错的。等有了自己的初步框架，再用AI校验和补充。这个顺序特别重要，先自己犯错，再让AI纠正，远比直接看标准答案记得牢。
第二个场景是写作初稿。写文章、写方案，我尽量不让AI代写初稿，而是让它帮我修改和润色。因为初稿是思考的载体，你把它外包出去，等于把思考过程也外包了。修改别人的文字和修改自己的文字，学习效果差非常多。
第三个场景是需要记忆的基础内容。比如外语词汇、核心公式、重要流程，我依然坚持做背诵和复述。AI再强，你总得有一些东西不需要依赖网络和工具就能调出来。这些“离线能力”是应对突发情况的安全网，也是建立自信的基础。
5.3 三个值得长期投入的方向
最后，说说我认为在AI时代最值得长期投入的三个方向。
第一是领域深潜。不追着AI的热点跑，而是选一个具体的垂直行业扎进去，积累一手经验。AI可以帮你写一份行业分析报告，但它替代不了你在行业里泡了五年形成的直觉、人脉和对细节的理解。在任何一个领域有真正的积累，都是AI难以替代的。
第二是人机协作。学会把不同AI工具组合成自己的工作流。今天用这个工具做初稿，明天用那个工具做校对，后天用另一个工具做数据可视化。不要排斥工具，也不要被某一个工具绑定，保持工具链的灵活性。
第三是表达与连接。AI能把话说得很漂亮，但它很难真正理解听你说话的人。真实世界里的共情、演讲、倾听、说服，这些人与人之间建立连接的能力，在信息越来越泛滥的时代反而越来越值钱。你有再好的方案，如果无法让团队相信、让用户理解，价值就无从实现。
我在实际使用AI的过程里，最大的体会是：AI最可怕的不是让人变懒，而是让人误以为自己已经懂了。它可以把每一步都替你按部就班地做完，但那个“懂了”的感觉，如果没有经过自己的思考、验证和试错，始终是空中楼阁。教育的百年之计，说到底不是对抗技术，而是重新确认什么是人不能被替代的部分。把AI请进书房之前，先想清楚谁才是书房的主人。