# 当老师不再敢说「学这个将来有前途」


去年有个学生来找我，成绩很好，做事也认真。他问我：我该上大学学什么。

这个问题我回答过很多年，几乎不用想。先问问他喜欢什么、擅长什么，再看看眼下什么行业缺人，然后给个方向——计算机、数学、电子，都行——最后加一句：好好学，这条路是稳的。学生听了踏实，我也觉得自己尽到了责任。

现在我一句话都说不出口。不是不知道有哪些专业，专业我都熟；是「稳」这个字我不敢用了。我不知道四年、七年之后，他学的东西还值不值钱。

但真正让我放不下的，其实不是这一个学生。

我想到的是这样一笔账：假如一年培养一千万学生，其中五十万、最多一百万能成为真正的专家——这已经是相当乐观的估计了——那剩下九百万呢？他们不会成为专家，也没有那么多时间再去成为，可他们同样要用 AI 干活、做决定，并且承担决定的后果。

判断对错这件事，确实是专家的事。可专家培养不出那么多，也不该指望培养出那么多。所以真正压在教育身上的问题其实很朴素：

> 那九百多万人，在学校里该学什么？

这才是我想说的。要说清它从哪儿来，得先讲这两年我看见的三件事。

## 从一篇摘要说起

事情要从 2022 年 11 月 30 日讲起。那天 ChatGPT 上线，用的是 GPT-3.5。

一开始我没太在意。聊天机器人早就有了，无非是笨一点、慢一点，属于能预料到的进步。

真正让我停下来的是件很小的事。我丢给它一篇文章，让它说说这篇文章讲了什么。它说对了，而且说得比不少学生清楚。

那一刻我承认了一件事：它有点「智能」了。能读进去、能拎出主旨，这在我原来的认识里，是只有人才干得了的活。它到底有没有真懂，我说不好，但它给出的结果已经很像了。

可我没有顺着往下想。我的判断是：读懂一篇文章是一回事，写程序是另一回事。写程序要的是另一种聪明——逻辑得立得住，条件得想全，跑不通就是跑不通。语言上那点灵光，代替不了这个。所以我当时并不慌，觉得它顶多是个会写文字的帮手。我教了多年计算机，这条界线在我心里画得挺清楚。

这道界线，不到一年就被抹掉了。2023 到 2024 年，AI 编程工具一下子铺开。像 v0 这类东西，你用普通话把想要什么讲一遍，前端界面就出来了。

让我不安的不是「程序员能写得更快了」。快是好事，效率问题人总会习惯。让我不安的是：有些东西过去得学好几年才做得出来，现在不用了。

## 写代码这件事

所以我当时就有个感觉：一个年轻人要是把学编程当成自己最重要的本钱，这个本钱恐怕不像以前那么靠得住了。

这话说出去容易被人听成两个意思，得说清楚。我的意思是，写代码这件事的市场价钱可能会掉。我不是说编程知识从此没用——那是另一回事，而且不对。

编程的知识还是有用的，只是用处在挪位置。它让你看得懂一个系统是怎么转的，能把一个含糊的需求说成能干的活，能看出别人交来的东西对不对，能为自己签字的那一块负责。这些事不会因为工具变强而消失，反而更重要了——因为东西出得多了，判断的责任就重了。

真正变的是位置：会写代码，以前是进门的那道门槛，现在只是个起点。它是你理解系统的一种方式，仅此而已。

## 数学也躲不过

有人会想，那不去写代码就是了。可事情没这么便宜。

编程先被打穿，是因为它有个特别好用的信号：代码跑不跑得通，一试就知道。数学看着更玄，更吃天赋和年头，可它也一样有硬标准——一个证明对不对，是可以验的。凡是能一眼验出对错的地方，机器都会追上来。

于是问题就变了。不再是「AI 会不会做题」，而是「AI 能不能坐下来做研究」。

会做题不算什么。竞赛题是答案已知的封闭问题，做对一百道也不等于能提出新问题。真正要看的是：它做出来的证明，别人能不能独立审？是不是原创的？有没有人读懂、有没有人真的用上？

我给「打穿」这个词下过一个定义，到现在还觉得准：

> 打穿一个领域，不是指人再也不用学这个领域了，而是指：过去得靠多年训练、只有少数专家才干得了的核心工作，开始能由 AI 大批量地做。

今年十月那批七百多篇数学手稿，我单独写过一篇（[《古法创新：当 AI 接管数学之后》](/2026/10/ai-math-civilization/)），这里不重复。只说一点：那些东西该一篇一篇去核实原文、看质量和审查情况，不能光看数量下结论。但研究这件事的做法确实在变，这一点已经够让教书的人重新想一想了。

## 答不上来的那句话

三件事讲完，还得回到那个学生。

「这条路是稳的」这句话我说不出口，不是我懂得不够多，是我没法再有把握地跟他说：你把人生里很大一块时间投到这个方向，将来就能拿回相应的东西。

这个「将来」太远了。今天看着稀罕的本事，等他毕业可能满街都是；今天得练好多年的活，可能被模型吃掉一半，甚至大半。技术变得比任何人做预测都准。

而且这不只是我知道得够不够的问题，是责任的问题。学生会照着老师、学校、社会的话去投几年时间、几年学费，还有几年本来能干别的事的机会。这笔账是他一个人付的，赌的是我猜得对不对。要是我给的建议建立在过时的前提上，代价却是他掏，那我这话再真心也不算负责。

所以负责任的说法，不该是假装自己能算准十年后的就业市场。得反过来：讲清楚我凭什么这么说，我假设了什么，风险在哪，什么情况下这个建议就不成立了。这么讲不像建议，可它是眼下唯一诚实的说法。

## 剩下那九百万怎么办

开头那笔账，来自一个很具体的念头：能不能把判断这件事也交给 AI。

让一个模型去做，再让另一个模型去看看它有没有错——A 判断 B，在很多场合确实管用。但它有个前提我没想清楚：A 和 B 得站在不同的位置上。如果两个模型用的是同一套技术、同一条路径、同一个领域的知识，它们就会犯同样的错，然后互相确认对方是对的。你得到的不是校验，只是两个一致的声音。

所以在培养人的过程里，能不能判断对错，最终还是得靠人，靠专家。这里没有捷径——一个能在自己领域里看出 AI 错在哪儿的人，要很多年才养得出来，而且只能一个一个地养。

这就是那笔账的来路：一千万学生，五十万到一百万能长成这样的人，剩下九百万都不算。他们不会成为专家，也没有那么多时间再成为专家，可他们要用 AI 干活、做决定、担后果。

用「自己多留个心眼」来回答，等于把系统的可靠性问题推给个人，等于不回答。出路我知道两条：一条是专家把验证的办法做成普通人用得上的工具，这条是远水，等它来要很多年；另一条是学校现在就能做的，教他们一种不是专家、但也不至于全盘照收的判断力。

九百多万人今天就在教室里。下面讲的，是第二条。

## 想起废除科举

想这些事的时候，我总会想起清朝废除科举。

有人寒窗苦读二十年，把一辈子的打算、脸面、全家的生计都压在这套制度上。制度一废，那些年头不会自动变成新出路。书还在，人还在，可那条通向体面日子的路没了。

AI 时代当然不是废除科举。科举是一刀切，某年某月一纸诏书，规矩全换；AI 对职业的侵蚀是一点点来的，一个领域一个领域地发生，方向和快慢都还说不准，有时候只是把入行的门槛悄悄抬了一点。

可两件事背后有个一样的问题：

> 一个人照着社会认可的规矩投了很多年，后来规矩变了，这笔损失该不该全让他自己扛？

这不只是「他有没有适应能力」的事。它牵到教育制度、学校、雇主和社会：能不能给他重新转行的机会，能不能让他有条件接着学，转型的风险能不能大家分一分。

教育者没法保证未来不变。但至少有一件事可以不做：把没把握的预测，说成有把握的承诺。

## 那该教学生什么

回到那九百万学生。这几年我想下来，方向其实是清楚的：别只教他适应某一个岗位，教他在环境变了以后，能把本事带走、重新长出来的能力。

这个词容易被理解歪，先说它不是什么。它不是「什么都懂一点」——那种人什么都聊得上两句，真上手什么都拿不出来；也不是说不要专业，因为专业没到一定深度，所谓「跨界」就只是拼凑。

它说的是这么回事：当原来那身本事不值钱了、干活的方式变了，或者不得不进一个完全陌生的行当，一个人能拿已有的底子，比较快地学、判断、上手，然后调整方向。拆开看，大概六样。

**敢进陌生领域，还能把架子搭起来。**碰上没学过的问题，知道怎么圈定它、怎么立起最基本的概念、上哪儿找材料、怎么看出自己缺的是哪一块，然后靠动手把水平一点点推到能用。这事听着虚，其实很实：它就是「三天能上手一样没见过的东西」和「三个月还在原地转」的差别。

**能把问题说清楚，把目标定清楚。**讲得明白自己要解决什么、有什么限制、做到什么算成。这跟研究提示词不是一回事。模型越强，很多话术它自己会处理，专门学一套说法的收益越来越小；但「说清楚自己要什么」这件事自动化不了——它不是口才问题，是想没想明白的问题。

**能看出结果靠不靠得住。**不用人人成专家，但能看出哪些结论得有证据、哪个风险不能当没看见、什么情况下必须找人验一遍或者去请教懂行的人。说白了，是知道自己什么时候不该信，包括不该信自己。

**能把知识用到真事上。**能把想法变成动作，再拿结果反推自己哪儿想错了。真事比标准答案更能照出理解的窟窿，做过一遍才知道，那些自以为懂的地方其实没懂。

**能把一个领域的东西搬到另一个领域。**看得见技术和具体的生意、和人的处境之间的关系。这一条最容易说成空话，可前面几条真做到了，它就不空：你得在至少一件事上扎得够深，深到知道这法子为什么管用、到哪儿就不管用了，才知道它能搬到哪儿去。

**能跟人合作，能担事。**能跟人一块干，能说清自己的依据和难处，能明白别人要什么，也能对自己负责的那块认账。这条听着最不像本事，可在一个产出多得看不完、判断越来越缺的环境里，它可能是最贵的。

这六样都不是专业的替代品。它们就一个用处：把你已经会的带到新地方去，需要的时候，重新学一遍学得更快。

## 学校能做的

如果上面这套说得通，大学大概得同时干两件事，而且这两件看着还有点别扭。

一件是把专业打扎实：让学生真懂一个领域的核心概念、方法和它的边界，而不是只练一套容易被机器接手的操作。另一件是教方法：怎么进一个陌生领域，怎么把问题界定清楚，怎么验一个结论，怎么用 AI，怎么处理真活，条件变了怎么拐弯。

这不是说所有专业都该改成泛泛的通识课。恰恰相反，没有深度的通识是最没用的一种教育，专业能力给不了，迁移的起点也给不了。关键只有一条：别把整个教育押在「某个岗位会一直在」这个假设上。

还有一件比改课程表难得多：老老实实承认不确定。跟学生讲清这个专业好在哪、险在哪、还有没有别的路，给他中途重新选一次的机会，尽量让转方向的代价小一点。这些事做起来不好看，因为它要求学校承认自己也不知道十年后什么样。

## 最后

过去当老师的容易说一句话：学这个专业，将来有前途。

现在这句话越来越难说出口。技术一变，专业知识的用法、职业的样子、市场的价钱都会跟着变，而这些变化，教书的人未必算得准。

但更诚实的做法不是从此不开口，而是换一种说法：讲清现在知道什么、猜的是什么、还不知道什么；讲清这条路的理由和风险；帮他打个扎实的底子，但别把命押在一个岗位上；教他在规矩变了以后，还能重新学、重新判断、重新长本事；让制度给人留转的机会，而不是把适应的代价全推给个人。

所以最后的问题不是「还有哪个专业绝对安全」——大概没有。

而是：

> 我们没法保证一个学生今天学的东西十年后还值钱，那教育该怎么陪他熬过这个变化，而不是让他一个人去扛整个时代转的账？

这个问题我没有答案。但我知道，把没把握的事说成有把握，是最坏的一种回答。


---

> 作者: [张景林](https://zhangjinglin.github.io/about/)  
> URL: https://zhangjinglin.github.io/2026/10/ai-education/