职场认知与社会人文观察

职场成长方法论、教育思考、公共政策与社会文化深度观察。

超写派专栏

AI时代真正稀缺的不是编程,是判断答案的能力

SSuperAdmin官方主理人2026年11月1日AI 专栏 · SupaWriter 深度研究工作流生成

何积丰在2026年世界顶尖科学家论坛上提出,AI时代人才培养应聚焦定义问题、验证AI产出、进行有道德的判断三种能力。本文不把它当作又一份技能清单,而是指出三者共享同一内核:AI让生成变廉价,人的稀缺性转移到判断上;并交代其成立条件——基础知识不能被放弃,否则判断会退化为对流畅输出的盲信。

AI时代真正稀缺的不是编程,是判断答案的能力

三种能力背后,是同一个转向

不是又一份技能清单

何积丰在2026年世界顶尖科学家论坛人工智能平行论坛上提出,AI时代的人才培养应重点锻炼三种能力:定义问题、验证AI产出、进行有道德的判断。这类表述很容易被读成又一份“未来技能清单”——三件事并列摆开,各自重要,记住即可。

把三件事拆开看,它们分别落在不同环节:问题提出之前、结果生成之后、以及贯穿两者的价值取向。何积丰同时提到,AI已能完成越来越多过去只有专业科研人员才能承担的复杂工作,人类需要重新思考学习知识的意义与核心能力。生成环节被机器接管之后,人的位置向两端移动——往前是定义,往后是校验。

从“给出答案”到“判断答案”

这条线索可以串起三种能力。定义问题,是对“什么值得解”作出判断;验证产出,是对“解得对不对”作出判断;道德判断,是对“该不该这样解、结果该怎么用”作出判断。三者共享同一内核:在AI能低成本产出答案的条件下,稀缺的不再是答案本身,而是对答案的甄别与取舍。

这也解释了为什么清单里没有编程。编程是典型的“给出答案”式能力,可被工具大幅替代;而判断答案的能力,目前仍主要依赖人的经验、知识储备与责任意识。

需要交代边界。这套框架出自论坛发言,是个人主张而非实证研究结论,报道也未界定它适用于哪些岗位、哪些教育阶段。对大量执行型、流程型工作,三种能力的权重显然不同于科研场景。把它当作普适的能力标准,会超出证据能支撑的范围。

定义问题:AI最像“能干活”却最不会“找活”

执行能力强,问题意识弱

何积丰对AI能力边界的判断相当明确:它擅长执行任务、生成结果,却难以自主定义真正的研究问题,也难以甄别潜藏的缺陷与风险。完备的专业知识体系、评判标准和任务目标,仍需由人来建立。这句话把AI的位置摆得很清楚——它是一个执行力极强的工具,但目标设定权不在它手里。

这种分工并非技术细节,而是当前人机协作的结构性特征。AI可以在一秒内写出十种实验方案,但它不负责判断哪一种值得做、哪一种做完之后能回答一个真问题。选题是否适合研究、是否值得投入,这类判断在学术训练中历来由导师承担。中国科学院计算技术研究所副所长陈云霁也提到,当前大语言模型在研究方向的判断上仍有不足,学生需要教师帮助辨别一个主题是否适合开展研究。

认知深度决定输出边界

何积丰有一个更锋利的表述:AI所有输出的深度、边界与质量,都取决于人类的认知深度。这条因果链值得拆开看。AI的输出空间由提示词划出范围,而提示词的质量取决于提问者对领域的理解程度。一个对问题只有模糊感觉的人,给出的指令也模糊,AI返回的是一份看起来完整、实则没有触及核心的答案。反过来,一个清楚知道矛盾在哪、变量之间如何关联的人,能把任务切到AI能处理的粒度上,输出才有可用性。

所以“定义问题”不是态度问题,是认知问题。它要求人先于AI抵达问题的结构,知道什么算解决、什么算没解决。这也解释了为什么基础知识不能跳过:没有足够的知识储备,人连“这个问题值不值得问”都判断不了,更谈不上给AI划定任务边界。

需要交代边界。AI难以自主定义问题,是何积丰的个人判断,不是经过实证检验的结论;随着模型迭代,这条边界可能移动。另外,对大量常规业务场景而言,问题往往由流程和需求方给定,定义能力的稀缺性并没有科研场景那么高。把“定义问题”说成所有岗位的第一能力,会超出证据能支撑的范围。

但问题定义得再好,AI给出的结果仍可能流畅而错误——这就需要第二种能力。

验证产出:基础知识从“答案”变成“标尺”

流畅不等于正确

何积丰对“学知识还有什么用”的回答很直接:过去学习知识,目的是自己输出答案;而在AI时代,基础知识成为校验、甄别AI输出的“内在标尺”。这句话把知识的位置挪了一格。知识不再只用于生产,它首先用于验收。

验收之所以必要,是因为AI的输出有一个容易让人放松警惕的特征:形式上往往很完整。一段代码能跑通,一份分析报告结构齐整,一个解释听上去自洽,这些都不等于结论正确。何积丰的判断是,掌握专业原理不再只是为了重复AI能够快速完成的计算和生成工作,更重要的是具备识别AI错误、发现隐藏风险、判断方案优劣的能力。原理的价值从“会算”转移到“看得出哪里算错了”。

缺少底层功底的人,恰恰容易在这一步失守。何积丰提到,缺少底层功底,人们容易被流畅却存在漏洞的AI输出误导。原因不复杂:判断一段输出是否可靠,需要调用输出之外的参照——公式的适用条件、数据的口径、逻辑的边界。这些参照不在AI给出的文本里,而在使用者自己的知识结构里。没有这套参照,人只能依据流畅度、完整度、语气自信程度来打分,而这些指标和正确性并不挂钩。

排错调试的训练因此没有被淘汰,反而获得了新的理由。何积丰认为,排错调试等训练仍然重要,它们能够锻炼学生探查缺陷、作出专业判断的能力。这里的关键不是让学生手工完成机器几秒就能做完的事,而是让他们反复经历“结果不对、找出为什么不对”的过程。这种训练塑造的是一种怀疑的习惯:先假设输出可能有错,再去定位错在哪一层。

需要说明,上述因果链是何积丰的观点,报道中没有给出实证数据支撑。“标尺”要多深才够用,也没有标准答案。不同领域对基础知识的依赖程度差别很大:底层系统开发、药物机理、金融风控这类场景,错误的代价高、隐蔽性强,对原理的要求自然更重;而一些创意生成、格式转换类任务,验证成本低,功底的门槛也就没那么刚性。把“必须扎实掌握基础”推广到所有岗位,会超出证据能支撑的范围。

能验证对错,还不等于能判断该不该做——这就进入第三种能力。

道德判断与成立条件:判断力不能外包

AI不应是黑盒

道德判断容易被当成一种态度:站对立场、说对话。何积丰把它放进能力清单,指向的是另一层——责任能不能落到具体的人身上。他主张AI的发展不能只追求性能突破,系统还应具备可解释性、可验证性和可追溯性,并明确说“人工智能永远不应该是一个黑盒”。黑盒的问题不只是看不懂,而是出了问题找不到该由谁负责。可追溯性把输出和决策链条连起来,责任才有附着点。

他给过一个比喻:AI如同《西游记》里的孙悟空,本领越大,越需要唐僧的“紧箍咒”;一方面要夯实可信AI的技术底座,另一方面要筑牢伦理价值围栏,防范AI被用于损害社会、反人类的行为。这个比喻的落点是约束机制,不是个人品德。

所以道德判断作为一种能力,具体表现为:在使用AI时能识别哪些产出不该被采纳、哪些用途不该被开启,并在事后说得清自己依据什么做了这个决定。这要求人理解系统在做什么,而不是只看结果顺不顺眼。需要交代边界:可解释、可验证、可追溯属于治理主张,报道中没有给出监管落地的时间表,也没有说明由谁来承担追溯成本。

三种能力的前提是还愿意打地基

三种能力并非彼此独立的软技能,它们共享一个前提:人还保留独立理解的能力。论坛上有嘉宾提出,不应简单禁止学生使用AI,而要区分不同学习阶段合理使用工具,教学重心转向批判性思维、提问能力与学术判断力,同时警惕过度依赖削弱独立思考。普林斯顿大学数学教授阿隆也不赞成对研究生完全禁止AI,认为它是有用工具,学生需要学习借助它提高研究效率,同时保有独立开展研究的能力。

这两条意见指向同一个边界:用AI和练判断可以并存,前提是学生真正理解AI在做什么。如果基础知识被放弃,定义问题会变成把AI的输出改写成提问,验证产出会退化为对流畅文本的信任,道德判断则失去判断依据,只剩跟着感觉走。三种能力框架随之落空,剩下的只是把判断权交出去之后的一种自我安慰。

这套框架的适用范围也应说明。它出自论坛发言,是个人主张而非实证研究;对流程明确、错误代价低的岗位,三种能力的权重与科研场景并不相同。它更像一个提醒:学编程与否不是关键,关键是别把判断权一并外包。

想拥有高效的全自动内容生产力?

SupaWriter 打通热点选题、长文创作、智能语义配图、文章 4 维客观评分与浏览器扩展一键发布,助你提升 10 倍创作效率。