在这个时代重新理解教育和人类的价值。
2025 年，大模型又一次刷新了人类的认知边界，AI 模拟高考成绩大幅跃升，已达到清华、北大的录取线。但另一方面，这也让人感到些许焦虑。
如果 AI 都能考上清北了，那人类的努力还有什么意义？我们又该如何继续创造价值？这是一个不小的命题。
7 月 3 日，极客公园创始人&总裁张鹏、「乱翻书」主理人潘乱、甲子光年创始人兼CEO 张一甲，三位长期关注 AI 行业的观察者，换了个视角，不谈参数、不谈迭代，而是从人的角度、社会的角度，回到每一个个体的现实处境中，从“AI 考上清北”这一热点现象出发，就 AI 与教育这一议题展开对谈。
-
AI 的能力在过去一年，产生了怎样的变化？
-
AI 应用带来了怎样的机遇？
-
我们又应该如何在这个时代重新理解教育和人类的价值？
这个话题听起来或许有些沉重，但我们希望以轻松的方式聊出一些希望。
以下是这场对谈的实录，希望能为你带来思考与启发。
1.AI高考成绩背后
大模型能力在过去一年的进步
AI高考
张鹏：我们先从最近 AI 模拟高考的成绩说起。不知道你们有没有注意到，大模型最近又考了一次高考，分数涨得特别快。2024 年测试的时候，AI 能够考上一本了，而 2025 年的测试，AI 能够考上清北了。字节的模型，一下子涨了 150 分，都快够上北大清华的线了。你们听到这个消息时，感觉怎么样？会觉得意外吗？
潘乱：如果是第一次看到这个新闻，我肯定会很意外。但其实这之前已经有不少铺垫了，比如志愿模拟、做题测试等等。要是放在两三年前，大家可能会觉得震惊，但现在 AI 已经普及了一段时间了，很多人可能都会觉得很厉害，但也在预期之中。可能大家没想到会这么快。但基于 AI 一直以来在逻辑和知识上的积累，它本来就在这方面有优势。
张鹏：我能感觉出来，你现在已经完全对 AI 不设防了。你觉得它能做到这件事是迟早的事，无非就是今年还是明年而已。那我想听听一甲怎么想的。毕竟你是北大的学霸，而且数学是特长，你听到 AI 考到你当年那个水平，有没有觉得被“冒犯”到？
张一甲：说实话，没有被冒犯（笑）。因为我其实没参加过高考，当年是通过数学奥赛提前拿到了北大数学系的录取通知。所以在这个话题上，我多少有点“班门弄斧”，但可以试着聊聊。
今年 AI 的高考分数出来时，我其实更震惊的是，真人考生的分数也很高。不知道你们有没有注意到，很多省市 700 分以上的人数特别多。我去查了一下，可能跟新高考制度，比如“赋分制”有关。但总的来说，真人的能力也在变强，竞争越来越激烈。
至于 AI，我和潘乱看法差不多。这是一个必然现象。高考其实是非常适配大模型能力的场景：结构化强、逻辑链清晰、题库干净、垂直度高，非常适合 AI 发挥。而且它有巨大的社会关注度，自然成了大模型的一个理想试炼场。今年模型进步快，考生成绩也好，在我看来是可以预期的。
张鹏：对，其实你想想看，高考最终是一个打分体系，尤其像数学这种偏理科的科目，模型在这方面的“天赋”本身就比人更强。它训练的数据量更大，逻辑计算也更精准，再加上强化学习，很多能力都能对齐,甚至超越人类。
张一甲：我先回应一下刚才张鹏说的。其实从早期的生成式模型，到现在推理能力大幅增强的模型，发展是非常明显的。原本我们觉得文科更适合大模型，但现在 AI 在理科上的表现更强，原因就在于它的深度推理能力优化得特别快。这其实是认知结构范式的一次跃迁。所以在理工科领域，大模型未来一定还有更大的发挥空间。
张鹏：对，今年高考数学 AI 的得分好像已经突破 140 了，满分 150，基本就是顶尖水平了。是不是可以说，在数学这个领域，大模型已经接近人类满分水平了？这也因为数学是个封闭的体系，可以通过强化学习反复训练。那你们觉得，大模型能拿高分，是因为它真的“聪明”，还是因为它会刷题？毕竟它特别适合刷题。
潘乱：这个让我想到当年的 AlphaGo，一开始它也是靠不断练棋谱。大模型的早期，可能也得靠“刷题”，比如把“5 年高考 3 年模拟”全做一遍。人类学生一周能刷几套题，它一天能做完过去几十年的题库。所以它可以模仿人类的学习路径。再进一步，它甚至可以像 AlphaGo 那样，自我对弈、自我进化。这个过程其实是非常快的。
张鹏：是的，高考数学题对 AI 来说可能都太简单了。我们看到它拿到 140 多分，那它和人的数学能力相比，到底差在哪？因为从分数看，已经很接近人类顶峰水平了。
张一甲：首先，人类的数学能力和高考数学其实是两个完全不同的概念。高考属于初等数学，高考成绩更像是一种训练结果。说白了，我们不需要太多地去思考“为什么”，只要掌握足够多的方法和定理，多刷题，成绩自然就能提高。
刚才潘乱也提到，AI 实际上就是在加速这个过程。它没有人的精力限制，可以刷最多的题、读最多的资料，在一个有特定的数据库，又结构化、依赖逻辑和套路的环境下，高考数学对 AI 来说根本不是难题。
但如果我们往前推，在人类数学这条长轴上进入高等数学领域，那就完全不一样了。高等数学需要非常强的抽象思维能力，对复杂概念的理解能力，最重要的是，可能你随着从本科到研究生到博士，你要定义一个问题。那你定义这个问题的能力很多时候依赖的是一种“直觉”，甚至是一种“审美”。这类能力是题海战术无法培养出来的。
举个例子。当年我们一起参加数学竞赛的一个朋友，后来去了哈佛读数学博士。有一次我问她：“你的研究方向，全世界大概有多少人能看懂？”她说不到 20 个。
在这么窄的领域里，不可能有成熟的数据，甚至连现成的方法都没有。她需要自己定义问题、定义工具，才能把研究往前推进一步。更别说数学作为一个几千年历史的学科，光是“爬上巨人的肩膀”都可能耗尽一生。所以我一直对数学家充满敬意。
张鹏：我其实挺好奇的。一甲当年打奥赛成绩很好，直接保送北大。那像你刚才说的，从学生一路走到数学家的那个“象限”，人是怎么修炼出来的？这种能力是天生的，还是可以通过训练或某种机制被激发？如果说大模型是靠数据驱动的，那人类在这条路上靠的又是什么？
张一甲：说实话，走数学竞赛这条路，大概可以分成两类人：一类是“科班出身”的种子选手，比如人大附这种名校，从小就有顶级教练，甚至国家级的资源带着他们系统训练；另一类就是像我这样的“野路子”。
我可能花三个月苦思冥想才琢磨出一个方法，他们的教练可能一个下午就讲完了。如果你当成竞赛来训练，其实是有一整套成熟方法论的，前人的经验会在一开始就“喂”给你，像是模型一出生就 train 得很好，带着预设知识和套路。而我这种“野路子”，更多靠的是兴趣、天赋和直觉。
比如看到一道抽象题，我可能没学过太高级的方法，但会直觉地想到是不是该补一条辅助线，或者换个解法。这种感觉很难用语言清晰描述，但确实是有些“非标准路径”的认知方式。所以说，不同的人有不同的成长路径，可能也需要不同的培养方式。
张鹏：“科班出身”的选手，其实就是从小被训练，在大脑中早早植入方法论，沿着这些思路去延展和突破。而一甲你这种“野生型”的，更像是人类内部的“涌现”现象，可能某种程度上是天赋或基因驱动的。模型是基于数据的涌现，你这种或许可以说是人类里的“基因涌现”。
潘乱：那如果再说回考试，比如高考，虽然你没参加过。但我们可以认为，高考这种考试，是有方法可循的。加上勤奋训练，大概率能搞定。毕竟中国这么多年，绝大多数人都是靠这个路径走出来的。但如果说要成为数学家，那就不是光靠方法了，可能天赋也很关键。
张一甲：我觉得不能简单归结为“方法”或“天赋”。更重要的是你对这件事有没有一种沉浸式的痴迷和好奇心。比如北大数学系的韦东奕，他完全沉浸在自己的数学世界，外界的声音对他几乎是无感的。这种专注力和驱动力，才是最核心的东西。
而且像高考数学或者初级竞赛，更多是限定时间内完成足够多的题，强调答题效率和准确率。但到了像中国数学奥林匹克这种级别，一场考试 4 个半小时、三道题，两天六道题。时间是充裕的，关键是你能不能真正“解”出这些题。一道题你会就是会，不会真的就是不会。这个阶段考察的是你沉浸研究一个问题的能力，它和高考那种快速反应、程式化训练就完全不一样了。
推理能力提升
张鹏：一甲这个描述很好地回应了我们一开始的问题：今天 AI 在数学考试里拿到了很高的分，已经超过了大部分人类，甚至接近顶尖水平。但如果我们讲的是“成为数学家”，你会发现，光有天赋或勤奋还不够，最核心的是motivation，也就是内在驱动力。
很多领域的顶尖人物，真正拉开差距的是他们内在的动力。而这正是目前 AI 无法具备的东西。它是被动“召唤”出来执行任务，它没有自己的动机。至少现在的模型还做不到自我驱动。所以在这一点上，AI 和人类之间仍有根本的差异。当然未来会不会有变化，我们可以继续观察。
那我们不妨接着往下聊，刚才说了理科、数学。一甲其实也提到过，这几年大模型最大的突破，其实就是在推理能力上的跃升。
我想先问问潘乱。你有没有明显感受到这几年大模型推理能力提升后，不管是你用到的产品，还是你和 AI 之间的互动方式，有什么变化？说说你的亲身体验。
潘乱：影响很大，几乎方方面面。我举个最生活化的例子：我前阵子在东京上野公园的国家博物馆，耳朵上戴着字节出的Ola智能体耳机。看到一个日文雕塑看不懂，我就直接问耳机“这是谁？”它立刻就能给我讲清楚。这种无缝的信息获取体验已经成了我的日常。比如我骑电动车时不方便掏手机，就直接问它各种事，有事没事都问几句。
在工作上，AI 也带来了很多改变。过去半年，我感觉自己变得更“勤奋”了。这种勤奋不仅是做得更多，也是在工作内容上有了更多发散。不同产品的表现也不一样，比如年初让我震撼的是 DeepSeek；后来Claude、ChatGPT、豆包、元宝等都在这半年里进步飞快。
就比如，以前整理访谈速记非常痛苦，现在用Claude，像我们今天直播完，10 分钟内它就能帮我校对错字、加小标题、提炼结构，虽然还要修改，但已经非常高效了。还有像豆包和元宝，我会给它一个大方向、几个零散的想法，让它帮我串起来，做出提纲。
现在我还在写两本书，一本是小说，一本是网络小说。比如网络小说，我会先问豆包、元宝，然后再拿去问 GPT。像我写了一版以东吴孙权为主视角的小说，我让模型整理孙权和四大都督的主线、再加上孙尚香、吴国太、步练师、大乔小乔等人的情感线，还融入曹魏和蜀汉的故事背景。我还让它模仿《汉武大帝》这种历史剧的结构，聚焦哪些关键节点。模型一下子就能生成大量内容。我拿去给一位编剧朋友和导演朋友看，他们都惊掉了，甚至开始质疑自己的职业定位。
张鹏：你这太坏了，不光提升了自己效率，还摧毁了别人饭碗。我记得当年刚认识你时，问过你为什么公众号更新不稳定，你说你喜欢交流、信息量大，但最难的是整理内容。现在 AI 显然把你从这件事里彻底解放出来了。不但公众号更新频率上来了，还有精力去搞小说、搞虚构、搞全新视角，确实能看出你整个状态不一样了。
我想顺着问问一甲。你肯定也在用 AI，但你同时也在观察更广的行业场景，比如企业、组织、团队，特别是新一代的创业公司。很多人其实已经把 AI 嵌入到了日常工作流里。从你的观察看，当推理能力显著增强后，AI 在这些实际应用中产生的价值是不是也显著放大了？你觉得主要在哪些方向体现得最明显？
张一甲：我觉得推理能力的增强，对我们这种类型的工作确实是帮助很大。鹏总的信息源可能更多来自人脉和交流，而我过去是靠大量研究、跟人聊天，现在发现我的交流对象越来越多是 AI。我的面对面交流少了，但学习一个新领域知识的效率反而变高了。
真的，我感觉自己从 E 人变成了 I 人。因为现在很多时候，AI 给出的信息质量和思维过程，其实比我身边的人更有帮助。一方面，它知识广、反馈快，节省了我找资料的时间；另一方面，它的推理过程也帮我理解问题，不只是看结果，而是看它“是怎么想的”。这件事本身就很有启发。
潘乱：我特别同意。在正式工作流里，我现在最常用的是两个产品，一个是飞书的“知识问答”，另一个是 Google 推出的 NotebookLM。我觉得这俩就是给人的大脑装上外挂，甚至可以说是“作弊器”。
张一甲：刚才鹏总还问到 AI 更广泛的行业嵌入。目前来看，AI 正在逐步进入 B 端企业的实际工作流，但这才刚开始。这件事不仅仅需要技术背景的人，也需要懂行业背景的人来推动。因为每个行业的流程不同，容错率、合规性、安全性、ROI 都是关键因素。譬如说有的行业它的容错率非常低，这就需要有很基础的安全保障。AI 要真正落地，需要理解行业的运行机制，这有点像是数字化转型的“下一阶段”。但从整个从 B 端来讲，商业模式上现在还没有出现真正跳脱式的颠覆打法。
多模态突破
张鹏：你看，话题已经聊到了“怎么赚钱”上了。我们已经能看到，它在商业和企业效率提升上的应用已经在广泛展开，而且成效显著。过去这两年，推理能力的跃升，确实让今天的 AI 和当年我们刚见到 ChatGPT 时完全不一样了，已经发生了本质性的进化。
除了推理能力，多模态也是近两年 AI 的一个重要突破。今年高考我特别留意了一类题目——有图的题。过去几年大模型一碰到图形题基本就挂了，今年虽然还算不上优秀，但进步已经非常明显。这一点特别有意思。
你会发现，高考中的图题，某种程度上反映了模型多模态能力的进展。因为没有足够强的推理能力，数学肯定考不好，但图题这种事又不仅仅是逻辑，还得靠模型的多模态能力。一甲你应该很有感受，你最近在关注的圈子里，多模态的发展是不是也进入了一个加速期？你怎么看未来这一块的发展？
张一甲：我觉得是的，多模态基本已经成了所有 AI 公司必须具备的底层能力。它的本质是把人和机器之间的交互门槛拉低了。过去的大模型，prompt 要写得好，才能得到好答案，一般人如果不会提问，效果就很差。但现在因为模型的推理能力增强了，即使你的问题不完美，它也可以引导你怎么去提一个更好的问题。
但这仍然是基于文本交互的。多模态的意义在于，不再是只有文本，图像甚至是视频，也能成为模型理解世界的输入方式。不再要求人类必须把一切抽象成语言。你看今年高考里，像生物、化学这种题很多就是图表题。过去模型理解题意本身就很吃力，现在它在图表上的理解能力提升了，分数能上来也就顺理成章了。
张鹏：多模态也是今年高考反映出的一个重要进展点。潘乱你平时在使用大模型时，有没有感受到多模态能力提升带来的变化？
潘乱：有啊，挺明显的。比如前几天小米发布会，雷总讲车之前还介绍了小米眼镜，这些设备就体现了多模态能力的增强。还有像 NotebookLM，它能把 YouTube 视频的音频转成文字，再翻译成中文，本质上就是一次多模态的链式转换。
再比如识图，现在几乎是所有 AI 产品都在发力的方向。五年前淘宝就说他们搜图是市场第一，很多人拍个图就能搜同款。十年前微软也出过“识花”，帮你识别植物。但现在，这类识别已经扩展到几乎所有物体，甚至可以帮你认路、识别环境。
我最近一个人去旅游，语言不通，但完全没焦虑。我觉得未来再往前推进一步，我甚至都不用读懂路标或听懂外语，只要打开一个 AI 产品，打开实时通话功能，它就能帮我理解身边的一切。其实很多场景，比如同声翻译，今天已经做得相当不错了。
张鹏：你看，以前我们出去旅游还有个动力是“怎么也得学两句外语”。但现在，像潘乱这样直接就没有这个动力了，因为口袋里揣着手机，手机连着 AI、大模型，去哪都不怕。各种语言、各种模态它都能处理。其实从终局看，大模型就像一个模态转换的魔法盒。你把任何东西扔进去，文字、图像、声音甚至视频，它都能识别，然后输出你想要的结果，不管是哪种模态。
潘乱：对，我觉得现在很多领域都在用新技术推进，比如教育。AI火起来之前，其实在线教育已经很热门了，吸引了很多玩家。你看像作业帮的“拍照搜题”，其实就很像是早期的多模态AI了，虽然能力还没现在这么强。现在的AI不仅能拍照搜题、找同款、翻译，还能渗透到生活的方方面面。
张鹏：是的，最大的不同在于现在的AI具备通用能力，而且可以在各种模态间原生转化。理解和生成都更自然，这是AI带来的巨大飞跃。我最近在刷短视频，已经有很多AI生成的内容，占了我视频流的大概15%。你有没有感觉，AI已经在根本性地改变短视频内容了？
潘乱：确实。其实从剪映时代、抖音做模板开始，变化就已经很明显了。现在像剪映、即梦、GPT……甚至能做出带声音的内容。我最近看到很多人用AI做拿刀去切各种东西的视频，比如玻璃水果，还用AI加了拟音效果，很有趣。我的朋友还做了一个“AI Talk”，让乔布斯和爱因斯坦对话。
我特别关注“苏超”，现在已经不仅火在江苏了。很多文旅部门其实是最早、最勤快使用AI的一群人，不光愿意花钱，还愿意主动尝试。像最近江苏搞足球联赛，各地文旅号纷纷用AI做视频，什么“太湖三傻”“徐州大战南京”“真假美猴王”层出不穷。你要我随便说个AI热点，我脑子里想到的就是苏超。我感觉他们发的视频里有一半以上都是AI做的。
张鹏：一甲，你对国内做视频模型和生成产品的团队挺熟的吧？你是不是也觉得，现在他们的内容已经很广泛地出现在我们日常刷到的视频里了？我最近刷到一些AI视频，让我觉得很 amazing，一看就是AI做的，但我不排斥它。
张一甲：我还没到这个阶段。如果这个视频AI感很重，你还会很沉浸地看它吗？
张鹏：我现在已经开始接受了。我在抖音上刷到一个账号，会用AI介绍各种猫狗品种。内容从图像到配乐全是AI做的，编排也很好，还用英文唱歌介绍学名。我知道是AI生成的，但觉得有趣又长知识，画面又特别萌，就很愿意看。以前看到AI内容会觉得套路感太强、没意思。现在已经不一样了，内容发散了，交付质量也更高。你和这些做视频生成的团队聊过吗？他们是不是最近也在加速发展？
张一甲：是的。现在是大模型的底层能力在进步，水涨船高，谁先做出一点新东西，别人很快就能跟上。但我个人刷到的AI内容比例不高，可能推荐算法不同。我现在有点“逆反心理”，AI内容太多的话，我反而更想看真人内容，哪怕是粗糙的。我刚开始会很喜欢AI生成的图、视频、音乐，但看久了就失去审美兴趣。现在我反而更爱看真人综艺、真人秀。
张鹏：哈哈，你看我们俩刚好相反。你刚才说，有了AI之后，很多研究可以不必依赖人与人的交流，效率和质量还更高。我虽然喜欢和AI合作，但我还是更enjoy和人聊天、碰撞的感觉。不过在视频领域，我是很开放的。只要作品好，哪怕是AI做的，也依然打动我。
我觉得关键还是在于内容背后有没有“灵魂”。不管是真人还是AI，只要它能打动你，激发你、让你觉得有趣，本质上都是在追寻那个“有表达的灵魂”。
潘乱：说到底就是表达。我举个例子，大家现在都刷抖音，但你们知道抖音出来之前，全球最流行的短视频形式是什么吗？其实就是MV。抖音本质上也还是MV——音乐加画面。在它流行之前，最流行的短视频是“图片PPT加BGM”。像我们80后大学毕业时，最流行的就是把四年的照片做成幻灯片，加上《青春纪念册》。虽然只是轮播图，但它承载的是情感和表达。
张鹏：你这么一说我想起来了，2010年极客公园第一次做创新产品评选时，我剪了一个MV，把50个产品的logo配上音乐。那时候这些创业团队还很小没人帮他们做，我就自己剪了个视频，现场放的时候，大家眼里都放光了。我觉得这是内容带来的情感连接。今天我们借助AI，能把这种内容做得更丰富。
潘乱：有一个点就是真实，比如让老照片“动起来”这件事，在老年用户中付费意愿特别强。只需要一张照片，就能做出几秒钟的动态，很多人都会被打动。
张鹏：我发现现在每年大模型都像是在“考一次高考”。今年我们注意到，大模型在视频理解类题目上的表现还不太行。不一定是高考，但很多学校考试会用到，比如听一段音频，看一段视频后作答。这类题目，大模型基本都应付不过来。我不知道你怎么看，为什么模型在视频理解上这么难突破？
张一甲：视频其实就是一连串的图像帧，数据量巨大，对算力要求非常高。而且还涉及长时记忆、多模态对齐等复杂问题，远比处理图片难得多。我记得Sora刚发布时，我看他们的论文，最让我印象深的是怎么把视频tokenize，也就是把高维的图像数据变成LLM可以处理的token。这个过程比后面的训练还费劲。视频对模型来说，认知成本和处理难度都是最高的。
张鹏：潘乱，你有没有注意到，模型在视频理解这块还是有些短板？
潘乱：最简单的看法就是看文件大小。视频是几百兆，图片几兆，压缩后可能只有几百KB，文字连KB都用不上。处理成本的差距就是这么大。
当然，除了模态本身复杂，我觉得根本原因还是算力的问题。但平台也在进步，比如抖音、YouTube、视频号，它们在各自生态内都有提升。比如我刚才说的NotebookLM，就能把YouTube视频里的内容抓下来，先提取音频，再做语种转换和语义理解。抖音也在推AI版抖音，微信里还能加“元宝”这个AI助手。现在我刷到长视频，还会丢给AI来帮我解读。
张鹏：我最近和搞技术的朋友聊到视频理解这个问题，发现视频比图像和文本更容易出现“幻觉”。他们提到两个关键点：
第一是“注意力漂移”。视频是连续的内容，模型每一步都是基于概率的预测，注意力机制如果发生偏移，整个模型就会跑偏。大模型的核心机制就是注意力，一旦漂移，就容易产生连锁幻觉。
第二个是“连续性理解”。视频不仅要处理空间信息，还得理解时间线。现在模型还不具备完整的时空连续理解能力，导致动作逻辑常常断裂，context 不连贯。所以我们会看到动作不自然、顺序错乱。这些看似简单的人类能力，对AI来说其实还很难，需要底层技术和架构的突破。
所以现在这个现象很有意思：我们看图片和视频，觉得差不多，但对模型来说，完全不是一个难度级别的事。
AI创作
张鹏：对，时空线的本质其实是因果链。视频出错往往是因为“倒果为因”，看起来逻辑就乱了。这也说明AI在这一块还有很多不确定性和创新空间。
我们回顾三年前看到ChatGPT、今年年初看到DeepSeek，最开始震撼我们的都是它们在语言文字方面的能力，特别是文风。但有意思的是，今年我们看到AI在理科上的提升非常显著，反而是文科得分没涨多少。这也让我疑惑：为什么AI在理科进步更快，而文科的成长却相对缓慢？潘乱你觉得原因是什么？
潘乱：我之前听一位清华老师说，“文科”这个词的英文是 liberal arts，意思是“自由的艺术”；而理科是“找规律”。理科通常有标准答案，文科更多是关于自由、艺术、发散性思维。
文科讲的是情感、价值观、人与社会的互动，是非结构化、非标准的。而大模型本质上就是在做模式识别和效率优化，它更擅长处理有结构、可量化的问题。就像计算器对比珠心算，它追求的是准确、高效。而文科追求的是温度、表达。你看，现在所有科技公司都在说“我们是有温度的科技公司”，这其实是科技和人文之间的张力。极客公园门口那块牌子就写着“站在科技与人文的十字路口”，这原本就是乔布斯说的。每个象限都有自己的极限，只有结合才可能更完整。
AlphaGo下围棋很厉害，但让它去画画就未必行。尤其是画“鬼”比画“人”难，因为“鬼”这个概念不清楚。文科的难点就在于它牵涉到文化经验、价值判断、情感体验等大量非标准的东西，AI很难完全驾驭。
张鹏：一甲，你怎么看？你在北大，又学数学，这两个方向结合起来，你在科技和人文的理解上可能更有独特视角。我想问的是：为什么现在大模型在理科上进步更快，文科相对慢？换句话说，未来到底应该是学理科还是学文科，在AI面前能留下更多的价值？
张一甲：这种终极的东西本身就是偏文科的东西。先说前面那个问题，数学分不同阶段，如果以高考为节点，大模型特别擅长数学。因为它的数据充分、推理结构清晰，还有统一标准答案，完全符合模型的长项。
文科也有些部分能被模型掌握，比如有明确答案的题。但比如作文就很难，它涉及情感表达、价值立场、社会批判，评价标准都很主观。我自己当过改卷老师，不同老师看同一篇作文，打分可能差异很大。还有阅读理解，作者自己都未必能答出“标准答案”。
张鹏：所以理科更偏向一个确定的、客观的结果，而文科更讲求解释的丰富性。这种丰富不是要收敛，而是开放的。比如语言学，其实很理科化，但文学完全不同，重在一人称体验和情绪表达。模型目前更适合做确定性的事，对解释力丰富的任务反而还不如人。这也挺有意思的。潘乱你经常写东西，你觉得大模型在写作上这些年有进步吗？
潘乱：进步非常大。但我觉得像 DeepSeek 的进展还不够快。刚开始用的时候很惊艳，用久了就觉得更新跟不上了。AI发展太快了。DeepSeek 还是会幻觉，比如讲量子力学和拓扑的段子出现频率太高。
但大模型给我的帮助还是非常大的，尤其是在总结、发散和头脑风暴方面。比如像我们聊完这场，飞书妙记能自动生成会议纪要，极大提升效率。以前整理录音太痛苦了，现在快多了。还有就是你给它一个模糊方向，它能帮你搭出结构、出提纲、写概要，非常管用。
再比如半年前，大家都还在讨论模板化写作。现在我明显感受到模型的推理能力进步了很多。去年底我还经常吐槽它没用，根本不能陪我脑暴。现在不一样了，我几乎把所有 AI 工具都充了会员，每天开着好几个窗口，随时用它们发散想法，组织素材。它作为“头脑风暴搭子”，已经非常合格，但说它能写得多好就夸张了。
而且我发现一个很有趣的现象。很多顶级音乐人团队都在研究怎么用 AI 创作，但没人会公开说自己用过 AI，因为一说就显得廉价。就像一甲说的，有些人对 AI 内容有天然的排斥。尤其在创作圈，用 AI 不丢人，但“被看出来用了 AI”就很掉价。
张鹏：确实，都有“鄙视链”了。那你怎么避免让别人看出来你用了 AI 呢？你天天让 AI 陪你脑暴，总得有方法吧？
潘乱：我觉得要像写程序一样用它。不能让它一口气写整篇文章，那是新手的做法。稍微有经验就会自己搭结构，把它拆成一块块来写。AI 写作的问题是文风太容易识别，它真正的价值还是在发散思维这块。对很多人来说，表达不是难点，难的是“写什么”“怎么写”。我觉得 AI 在这方面可以像“备菜”，你要做一道宫保鸡丁，它能帮你切好料、准备配方，甚至指导你怎么炒，但你要是直接把所有原料丢锅里，那肯定不行，这就显得你没水平了。
张鹏：一甲，你们团队创作也多，你怎么看 AI写作？
张一甲：我们用 AI 更多是用于调研、分析和头脑风暴。但写成文这一步我们非常慎重。就算它写得通顺，但经常有事实错误，缺乏“求真”的精神，容易出问题。所以我们一般不会用它来直接生成文章，而是提高前半段的效率。就像炒菜一样，AI 可以准备食材、给出各种做法，但最后的火候还得靠人。我们这个行业写的内容结构化、知识密度高，AI 帮得上忙；但你要跨到艺术创作领域，依赖 AI 可能就要更审慎。我觉得 AI 是“普惠型工具”，它能提升整个行业的基础水平，但它不能替代真正的专家。
张鹏：我也有个比喻。我觉得 AI 像“金”，人像“玉”。你不能直接甩一坨金子上去，那太粗糙；但如果把金作为外圈框住玉，就是“金镶玉”，能形成支撑与包裹的关系。
AI 能提供结构、逻辑、信息支撑，但核心的价值和判断，还是得靠人。这是我现在一直遵循的方法论。比如写文章，模型能帮你梳理思路、架构甚至总结信息，但最初的问题是谁提的？最终想表达什么立场？这还是人的事。AI 是你背后的支撑，不是替代核心表达的主体。我现在也和潘乱一样，整天和各种 AI 工具脑暴，像一甲说的，有时候不懂就搜索联网，效率确实比以前高很多。但最终还是得把这些东西“变成自己的”。
我们今天聊了一个多小时，从高考分数出发，梳理了近两年 AI 在教育和创作能力上的发展。我觉得下面可以聊更重要的话题了。比如，这场 AI 革命到底会怎么影响我们个人的未来。
2.AI上清北了，人类怎么办？
专业选择
张鹏：从 ChatGPT 火到现在才两年，我脑子里都觉得过去了三年多。DeepSeek 也就出来几个月，潘乱已经开始喊“你进步太慢了”。AI 发展这么快，逼得我们不得不思考：人类接下来该怎么定位？比如一个很现实的问题，现在的孩子，到底该学文科还是理科？潘乱，你有没有朋友问你这事？一甲你更不用说了，肯定经常被咨询。
潘乱：我建议他们学个手艺。因为现在中产岗位，无论文理科，都在被 AI 快速侵蚀，成了最卷的领域。考试改变命运的逻辑还在，但很难转变。结果就是，这条路变成一场无限内卷。但如果你能掌握 AI 暂时做不了的事情，比如做金镶玉、雕刻，那就另说了。
张一甲：你其实是在说，最终人要回到“手艺人”的角色。所有工业化、可复制、方法论化的工作， someday 人都绝对会被 AI 超越。
潘乱：对。尤其是我这种二本出身、来自苏北农村的人，面临现实生存问题的人，没资源、不能犯错，怎么安全地获得收入就是首要问题。所以这建议不一定适合所有人，但确实适合一部分人。
张鹏：我明白了，潘乱是在说在未来什么样的东西才是有人的独特价值的。那一甲呢？有没有人问过你，AI 时代该怎么选专业？
张一甲：有。我当年也纠结过这个问题。清华让我任选专业，反而更迷茫。当时对什么工作、职业、就业完全没有概念。后来一个哥哥建议我，大学四年一定要学最难的，要么数学要么物理。因为毕业后很难再有沉浸式挑战一个难学科的机会。这对专注力、意志力、思维方式都是极大锻炼。我觉得有道理，就选了数学。
至今我给别人的建议也是这样：不要从实用主义出发。一旦以“实用”为出发点，大家都选热门，那只会更卷。而且人和人真的是不一样的。即使分数相同，兴趣、天赋、好奇心也完全不同。未来志愿填报可能会有 AI 甚至基因分析帮你算最优解，但那个“最优”可能不是你真正想做的。
潘乱：是啊，这类问题特别依赖个人的家庭背景、性格，以及兴趣，所以基本上说出任何一个答案都是错的。
张鹏：说到底，家长更该关心孩子自己想学什么。motivation 是人类最后的阵地，AI 没法拥有原生的热爱。围着兴趣走，大概率能走得更远。
还有一点，要早点让 AI 参与到孩子的学习里。就像你们刚才说的，AI 能大大提升效率。这个效率是所谓学习的效率，但不等同于拿高分的效率，是更好地探索兴趣的效率。今天喜欢一个方向，明天试试另一个。以前一生换三次方向，现在可能三个月换三次，效率就是被 AI 推上去的。
潘乱：这个前提是孩子不仅仅是为了谋生，而是思考怎么过好这一生。我之前和一个教育公司创始人聊过，聊到教育的本质到底是啥？其实是“实现人的自我发展”。但现实里大家只强调“发展”，几乎忽视了“自我”。
张鹏：确实是，在 AI 越来越强的时代，反而更该关注“自我”。发展拼不过 AI，那我们就做自己。人类未来的使命就是“做人”本身，而不是成为哪个岗位的螺丝钉。AI 会成为全领域的无限供给。既然如此，我们只能在“自我”这块找到不可替代的位置。
潘乱：我现在才真正体会“日新月异”这个词。DeepSeek 才几个月，就已经让我觉得它进步太慢了。但技术进步越快，人类成长反而显得越慢。尤其教育，它的节奏比科技产品要慢得多。更别忘了，学习本来就是痛苦的事。这么多年“快乐学习”从没实现过。真让你学得太快乐，很可能方向就错了。关键还在于批判性、自律、主观能动性，这些比技术更重要。
应试教育
张鹏：那我问个问题：AI 都能上清北了，我们这么多年搞应试教育还有意义吗？AI 一下子超越 99.99% 的人类，那我们以前的这套“苦读”还有必要吗？这可能也会引发一波反思。应试教育到底还有没有价值？
张一甲：我想为应试教育“平个反”。大家提起它总带负面印象，比如死记硬背、题海战术。但其实顶尖的应试选手靠的不是这个。他们训练出来的是系统思维、快速学习能力、专注力和延迟满足。应试教育在高维智力筛选上效率极高。
而且 AI 本身就是应试教育的终极形式。它干的事情，本质上就是应试——标准答案、模式识别、推理。最近 Meta 收了一整个 AI 核心团队，主力成员几乎全是中国人。这些人基本都是应试教育体系下成长起来的，所以我们能看到，最强的 AI 科研团队，大多也是应试教育的产物。应试和 AI 之间不是矛盾，而是高度相关。
张鹏：潘乱你怎么看应试教育？大家现在争议挺大的。
潘乱：我觉得我们刚才说教育的最终目的是“人的自我发展”，这和应试教育是有冲突的。如果我们从“自我”出发，教育就不该只是筛选谁能上大学，而应该培养未来能与 AI 共处的人。所以教育的目标一定要改变。
我是江苏人，我们那中考是硬筛 50%，也就是说有一半孩子直接失去上高中的机会。这些孩子去哪儿？去职高？但今天大部分家长是不敢把孩子送去职高的。这种应试筛选逻辑对社会分配资源确实高效，但牺牲的是大量孩子的发展机会。即便筛出来的那部分人，回头看自己的一生，真的满意吗？
我之前聊过一些人大附中毕业十年的人，他们最终都集中在几个选择上：进大厂、做金融、高薪行业。即使是进了 Meta、OpenAI 的顶尖华人研究员，从更大视角看，这也是一种“优秀的平庸”。当然我这种是属于站着说话不腰疼。
所以我觉得教育的最终目的应当是“自我”比“发展”更重要。当然，应试机制依然有必要，它推动人去学习系统的知识，否则就是一张白纸。就像“人人都是工程师”这种说法，其实你没有产品、设计或编程的基础，用 AI 编程也干不了什么。能不能用好 AI，其实取决于你过往的积累。再比如艺术，你如果没有基本的艺术修养，去了美术馆也只能说“好棒”，找不到别的词表达。你对世界的感知、解读，是建立在“看过世界”的基础上的。中国那句古话，“观千剑而后识器，操千曲而后晓音”，就是这个意思。
所以我们还是需要基础教育，让孩子掌握必要的知识。没有这个过程，哪怕你有 AI，也用不出什么。像把“狼孩”直接放进现代社会，即便给他最好的 AI，也无用。
张一甲：我是觉得潘乱在聊教育这件事情上，感觉比聊科技更有passion。你是不是选错行业了？其实教育比科技难多了。你说教育是为了“自我发展”，可“自我”怎么找到？很多人一辈子也没找到。
我对 AI 的美好期待是：它能提升整体生产力，改善教育资源分配的不平等，比如通过 AI 教师让优质教育更普惠。社会基础能力提升后，我们也许就有更多精力去寻找“自我”，而不是一味“发展”。
潘乱：对，即使是在“发展”这个维度，人也不是纯靠 AI 就能搞定的。比如我们以前带内容团队，觉得靠谱和认真比什么都重要。这种品质靠 AI 是无法取代的。
所以我还是支持应试教育，它让大家系统性地接触不同学科，也促进了逻辑推理能力的形成。而且因为大家都在学校，才能培养人与人沟通的能力。最终我们还是要靠主观能动性、自驱力、终身学习的能力。AI 是工具，但人本身的能力才是关键。未来衡量一个人，也绝不会只看你会不会用 AI 三件套。
教育平等
张鹏：听起来你们俩到后面都有共识了。应试教育是必要的，教育更是必需的。只是未来如何在 AI 时代重构“应试”和“教育”的关系，这是个开放问题。你们支持孩子尽早在学习中使用 AI 吗？
潘乱：我觉得得看年龄段。大学生用 AI 没问题，甚至中学生也可以尝试。但小学生不建议，他们的批判性思维和主观能动性还在发展中，太早依赖 AI 可能有害。五年前拍照搜题就引发过类似讨论，现在国家已经禁止了。学习本身就是痛苦的事，像锻炼肌肉一样需要反复撕裂重塑。如果 AI 把一切都代劳了，学习的真正意义也就没了。
张鹏：对，就像我们坐车代替走路，慢慢丧失了攀爬的能力。未来学习会变得像健身一样，是一件你得主动坚持的事，而不是生活所迫的必要过程。我不知道一甲同不同意这个观点，就是孩子用 AI 这件事要分年龄段，即便用AI，用 AI 的目的要想清楚。
张一甲： 我觉得这个事就没法选择，它一定会发生。你不能阻止小孩接触 AI，你想分年龄段，你分不了的。没有人可以创造一个真空的环境，就像你不能阻止他们上网一样。所以不如正面应对，默认 AI 无处不在，思考“在 AI 环境下，学习到底是什么”。
我认为 AI 在孩子成长中的角色会逐渐进阶，比如说从查词典，到搜索引擎，到 ChatGPT，最终变成思维导师或合作伙伴。所以那个时候它对孩子的学习不再是一种空心化的代替，也许会是一个启发式的提升，这个我觉得是有可能的。
怕就怕在什么地方呢？你看起来在学习，听起来在学习，结果也像是在学习，但可能实际啥都没学进去。你写了一篇文章，但你其实不会写作；你做了一个科幻创意，但思路完全不是你自己的。这才是最可怕的事。所以未来我们更需要用更高标准去判断一个孩子到底学进去了没有。
张鹏：对，今天对于家长们其实是在提出一个空前的挑战。过去只要配合应试教育、照顾好孩子就行了。但今天 AI 加入后，家长需要引导孩子更高效地使用 AI，不是提高“交作业”的效率，而是提升真正的学习质量。教育最终是为了“自我发展”，所以重点在于过程而非结果。家长要转变关注点，不是看孩子有没有交作业，而是了解他是怎么完成的、用 AI 的过程中得到了什么。比如看他是否主动设定了目标、定义了有意义的问题、经历了从发散到收敛的思维过程。这才是教育的价值所在。现在 AI 已经足够强大，结果不难达成，真正重要的是过程中孩子有没有成长。
我再引申一个问题：AI 究竟是促进教育平权，还是制造了新的不平等？以前，小镇青年可以靠勤奋考上名校，改变命运。现在 AI 的普及是不是削弱了努力的价值？潘乱你怎么看，小镇青年未来的机会是变多了还是变少了？
潘乱：我觉得对于主观能动性强的人，AI 会让他们机会更多。但对大多数人来说，数字鸿沟会拉得更大。AI 是个输入输出系统，你得会提问、会使用。可现实是，大多数人连好问题都提不出来，这就造成了严重的能力分层。就像今天，你看抖音的日活是百度的多少倍？很多人没条件去学怎么用 AI，没资源、没人指导，也没有那份主动性。对个别有驱动力的人，AI 是“逆天改命”的机会。但对大多数人来说，现实环境让他们更难跟上。这个差距会越拉越大。
现实中，时间的朋友是懒惰、拖延和健康恶化。你要对抗这些，需要主动去学习、锻炼、克服困难。但这是很难的事情。大多数人并没有那么强的自律，也缺乏一个支持他们成长的环境。所以说，AI 本身是个强大的平权工具，但因为现实世界的不平等，它可能反而会加剧这种差距。
张一甲：这是个很深的问题。我的直觉是：在义务教育阶段，AI 会提升普惠性，比如让偏远地区也能接触到优质教育资源。就像基础医疗，它会随着技术的发展，以边际成本很低的方式去渗透。但往上走，这个事情是真的充满不确定性。
比如现在有算力的公司和没有算力的公司，差距已经很明显了。未来可能变成，可能存在一些高阶的 AI ，被少数人拥有着，但它有着巨大的杠杆效应，以至于这部分少数人可以分配到更多的社会资源，我觉得会存在着这种可能。但这种不平等具体是个什么面貌，我们还没有办法想象出来。这可能就像过去有房和没房的区别。只不过现在我们还不知道未来那个“分水岭”到底会是什么。
张鹏：你说得很关键。这会影响社会中每个人能实现“自我”或“发展”的路径。教育本身也逃不开这个大环境。
张一甲：我还想补充一点，其实教育很大程度上是教人如何适应环境。人类一出生就是早产儿，完全没有生存技能，教育就是帮助个体逐步建立起面对复杂环境的能力。而 AI 的加入，让未来的不确定性更大，所以适应性变得比以往任何时候都更重要。
张鹏：对，AI 带来的不只是技术变革，更是对整个社会结构的重构。不管是生产资料、生产力还是生产关系都在被重新定义。这对追求“稳定路径”的家庭来说，是挑战；但对愿意拥抱不确定性的人来说，也是机会。因为在这种混沌中，会诞生新的力量和路径。谁能在变化中找到自己的定位和意义，将会是关键。以前我们有一个“模板”，未来这个“模板”可能完全不同。
潘乱：所以除了技能、工具、AI，更重要的是人的“靠谱”“认真”“勇气”和“自我驱动”。这些才是更根本的能力，决定你能不能在未来持续迭代、找到自己的位置。AI 是加速器，但能不能用好它，还是看人。
自身定位
张鹏：我们今天其实聊得挺发散，从 AI 考高考聊到教育、公平，还是想从人的视角出发，不谈技术、不谈产品，看看这些变化对我们意味着什么。最后一个问题想请大家从自身出发聊聊：你如何在 AI 时代找到自己的位置？你怎么看待“自我”和“发展”？AI 对你意味着什么？潘乱你先来，你经历了 AI 的发展，也和它频繁协作，现在怎么看你和 AI 的关系？你有没有担心过被替代？
潘乱：AI 对我来说是个很好的工具，它让我变得更勤奋、更深入地使用各种 AI 产品。对我来说，它是协作伙伴，而不是威胁。
张鹏：我再问得直接一点,你真的完全没有被替代的焦虑吗？
潘乱：一丁点儿都没有。有两个原因。
第一，AI 只改变了创作效率，但平台的分发机制、变现模式、受众连接方式这些都没变。今天的创作者仍然依赖已有的内容平台，没有新的流量生态。所以变化的是效率，不是结构。
第二，AI 是工具，关键还是人提出什么问题。你有没有定义问题、驱动问题、结构化解决问题的能力？这才是核心。就像雷军问傅盛，做成 360 安全助手这个事情，你跟周鸿祎谁的功劳更大一点啊？傅盛说是周鸿祎，周鸿祎厉害在于把一个开放性问题变成了可以解决的封闭性问题。
AI 能做的事很多，但你给出的“输入”是关键。人与人之间的输入质量不一样，自然语言是不平等的资源。我现在也在反潮流，比如开始订阅付费杂志，去精进我的输入质量。站在潮流的反方向，可能反而能走得更远。
张鹏：那一甲你怎么看？怎么找到自己在这个 AI 时代的Destiny？
张一甲： 首先我觉得咱们三个都不太会被替代，刚才你说到周鸿祎和傅盛那个例子，我很有感触。我们作为公司的负责人或者 IP 的主理人，是需要在开放世界中定义问题、作出选择，并为此承担风险的。AI 可以执行步骤，但无法回答“为什么做”以及“愿不愿意为这个目标长期坚持”。这些是人类独有的责任感和决心。站在人与 AI 这两个大命题之间，我依然相信人。
时间是熵增的，但生命是熵减的，我觉得生命自有蓬勃之力，即便AI的各个技能可能比人好，人还是会凭借生命力和意义感，找到属于自己的道路的。我站在人类这一边。
张鹏：一甲像一束阳光，照亮了人类的前程。我其实反而希望被 AI 替代，当然是“引号式”的希望。比如，我希望 AI 把我已经熟练掌握的事替代掉，这样我就能有机会去探索新的东西。以前我们可能用一生只完成一件事，因为现实摩擦太大。未来如果 AI 能帮我们减轻负担，我们或许能活出多个“人生版本”。所以我真的希望 AI 跑得再快一点，好让我去尝试更多。
但我觉得最核心的是要捍卫“无知无畏”的力量。很多有意义的事情，正是因为我们不知道它有多难，才敢去做。如果一开始就知道那是坑，就不会跳了。所以很多创新，其实源于无知。AI 的价值或许在于，它让我们更有勇气去无畏，因为有它支持，你的探索代价变小了。人类真正的希望，可能就藏在这种“有底气的无知”里。所以我觉得面对 AI 的未来其实很值得期待。AI 快跑，我们做自己，没问题。今天我们聊了很多，其实就是想把希望带回来。
也感谢潘乱和一甲，以及所有朋友今晚的陪伴。如果你觉得今晚有收获，欢迎关注极客公园的今夜科技谈、甲子光年和潘乱的「乱翻书」。我们不止聊技术产业，也聊人、聊社会、聊生活的更大命题。
（文：甲子光年）