天辛大师在一场线下分享里讲了句话我记到现在。他说现在很多学校还在用一百年前的方式教孩子应对一个五年后才会出现的工作岗位然后用一场十年都没怎么变化的考试去衡量他们是否“成材”。这话一出台下笑声和沉默各半。但放在AI这几年的变化里看这不是段子而是教育危机最直白的现场描述。今天想聊的问题很具体AI时代到底还能不能“百年树人”如果可以那“树”的到底是什么如果不能那大家是不是该趁早换个方向我自己的答案偏乐观但前提是——教育的目标、方法、评价标准都得动一次大手术。这篇文章我会结合自己做AI编程、AI Agent、AI视频和AI应用开发的一些真实经历把思路和踩过的坑一起摊开来讲。1. 教育危机的本质大师揶揄的到底是什么1.1 知识容器型人才的退场天辛大师揶揄教育不是无的放矢。我们这一代人的成长路径基本是“知识容器”模式上课记笔记考试默写毕业找工作然后在岗位上继续按标准流程办事。这套逻辑在过去成立因为信息获取成本高谁记住得多、执行得快谁就有优势。但AI出现之后这个基础被抽掉了。举个最直白的例子。你问AI“复利和单利有什么区别”它三秒钟能给出一份条理清晰、举例详实的回答比我当年复习一周整理出来的笔记还工整。你再问它“苏格拉底和孔子在教育理念上的异同”它也能结合史料给出多维度的对比。知识检索、信息整合、初级分析这些曾经需要人花大量时间训练的能力如今都变成了AI的标配功能。更现实的是职场。初级法律文书检索、银行客服标准答疑、数据报表初步清洗、文案第一稿润色——这些年我见过大量类似岗位的工作都被AI工具压缩了时间。不是说这些岗位会一夜消失而是“只会做这些”的人议价能力正在快速下降。当工具能完成一个普通人80%的常规工作剩下的20%就需要你拿出工具拿不出的东西。这其实才是教育危机的真正爆发点仅靠“知道得多”“执行得快”已经换不来竞争力。如果一个孩子花了十几年时间只练成了AI随手就能复现的技能那这种“树人”方式确实到了必须重新审视的时候。1.2 “百年树人”到底要树什么我一直觉得“树人”的关键从来不是“填”而是“长”。一棵树能长成什么样子需要合适的土壤、阳光和水但更重要的是它自己的生命力与方向感。教育能提供的应该是环境而不是模具。AI时代这种区别被放大了。过去我们常把“知识积累”看成树的年轮一圈一圈增加越长越粗。但AI让“年轮式学习”贬值了——你再怎么积累也积累不过一个能即时调用全人类语料的大模型。于是“百年树人”需要重新定义长期性不等于按部就班而是持续迭代的能力。我自己的理解是AI时代真正值得树的是四样东西提问力能从一个模糊的念头里提炼出一个可以被回答、被验证的好问题。判断力面对AI生成的答案能识别哪些靠谱、哪些是“自信的胡说”。审美力知道什么是好的表达、好的设计、好的内容而不是只会套模板。协作力既能跟人协作也能指挥AI协作把复杂任务拆给最合适的对象去完成。这四样东西恰好是AI目前不太擅长、也最需要人来把关的部分。一个人如果只会背古文在AI面前会崩溃但如果他能理解古文背后的情感能判断哪种表达打动人AI反而会变成他的放大器。从这个角度看“百年树人”不是没意义了而是树的方向必须从“掌握更多已知”转向“创造更多未知”。2. AI时代的技能切换把AI当队友而不是对手2.1 从“学编程”到“学AI编程”我最早认真接触AI编程是因为一个叫Cursor的编辑器。说实话一开始我并不相信——一个IDE的代码建议能准到哪去但真正用起来之后我发现生产效率的提升是断崖式的。举个例子。有段时间我需要写一个处理CSV的小工具做数据清洗、去重、统计字段分布。以前这种脚本我自己写得翻文档、调正则、处理边界情况少说三十分钟到一个小时。用AI编程之后我只要用自然语言描述清楚需求它给我一个初版我再改几个边界条件五分钟就搞定。这个差距不是一点半点。后来我还试过“让AI写单元测试”“让AI解释历史项目的逻辑”这些场景。只要提示词给得足够具体效果都超出预期。你可以把AI编程理解成“一个不会累、且读过海量代码的结对程序员”你需要做的是把需求说清楚并能在它给出一堆方案时判断哪个更合理。所以我不太认同“学编程没有用了”这种说法。恰恰相反编程的门槛正在被AI大幅降低但“编程思维”反而更重要了。你会不会写代码已经不是关键关键在于你懂不懂逻辑拆解、边界条件、数据流、异常处理这套底层思维。AI能帮你把想法变成代码但前提是你得有一个清晰的想法。2.2 AI Agent从“被工具使用”到“指挥工具”如果说AI编程是第一步那么AI Agent就是第二步。Agent这个概念听起来玄乎其实可以理解成一个“能拆任务、调工具、自动跑流程”的AI助手。它不再只是“你问我答”而是“你说目标它来规划执行”。我之前搭过一个“周报整理Agent”整个流程大概四步定义目标收集一周内的聊天记录、邮件和项目进度生成结构化周报。拆解工具需要读取邮箱的接口、读取本地文档的脚本、调用大模型生成总结。编排流程先抓数据再清洗再让大模型做摘要最后按格式输出。设置校验输出前检查关键指标有没有遗漏漏了就让模型重新生成。这个过程最有意思的地方在于你必须先把一个模糊目标拆成足够小、足够明确的模块AI才能真正帮上忙。而这种“拆问题”的能力恰恰是传统教育很少训练的。我们习惯于等老师给标准答案但Agent时代要求你自己定义目标、定义标准、定义验收方式。你可以把这看作一种新的“项目管理课”。以前项目管理是给项目经理学的现在它变成了每个人的基础能力——因为AI只擅长执行你拆好的子任务它不懂你的大目标。谁拆得好谁就能让AI替你干活谁拆得糊AI就只能陪你原地打转。2.3 实操记录AI短剧、漫剧和带货视频是怎么做出来的很多朋友问我“AI视频是不是智商税”我说得看你怎么用。我最近做了一批AI漫剧和带货短视频完整流程比想象中成熟但坑也不少。第一步是脚本。我让大模型根据近期热点生成十个标题和脚本框架然后人工筛选把产品卖点、平台调性、目标用户画像都补进去。AI能给你提供大量素材但它不知道你的真实用户是谁所以这一步人必须介入。第二步是素材。文生图工具生成角色和场景配音用TTS合成再配上背景音乐和字幕。第三步是剪辑。用自动剪辑工具按节点拼接最后人工卡节奏、调转场。整个过程如果熟练一条两分钟以内的视频两三个小时可以出一版。但我踩过最大的坑是如果完全依赖AI批量生成内容很快会被平台判定为低质创作流量惨淡。原因也很简单——平台要的是“能被用户关注的内容”而不是“能被机器批量生产的内容”。AI只是帮你降低制作成本人还需要负责创意、人设、情绪和差异化。所以我给所有想做AI内容的人一个建议动手之前先问自己你的AI视频和别人的AI视频区别到底在哪里如果没有答案就别急着量产。这个道理放到教育里也成立——AI能帮你完成“标准动作”但“非标准”的创意和判断才是你的护城河。3. 避坑指南AI应用落地时最容易踩的四个坑3.1 本地部署AI不是“免费的午餐”很多人听到“AI大模型可以本地部署”第一反应是“那我就不用花钱调API了”。但真部署一次就知道了硬件门槛比想象中高不少。以我试过的开源模型为例一个7B到8B参数的量化模型想要流畅对话至少需要8GB显存想要速度和上下文长度都舒服16GB更稳。如果你用的是核显笔记本基本跑不动。除了显存模型文件往往有几十个GB下载和磁盘占用也够折腾。真部署完之后你还会发现它和商业API模型的综合能力有明显差距。我的建议是如果你是为了学习模型原理、做隐私敏感的数据处理本地部署值得玩一玩如果是为了做产品、追求稳定效果直接调用现成API更划算。本地部署不是目的“服务好你的需求”才是。这也算“AI工程实践”里很基本的一课别因为一个技术听起来酷就去用先算清楚成本和收益。3.2 AI幻觉别让AI替你“确定”AI应用落地时最典型的坑就是AI幻觉。我实际遇到过这种事我让AI“推荐几篇关于教育评价的论文”它很认真地列了五篇标题、作者、年份都有结果我一查两篇根本不存在。它不是故意骗我而是在用“看起来合理”的方式补全了它不知道的信息。怎么排查我自己总结了三步。第一关键事实必须要求AI给出来源。如果它给不出来源直接标记为待验证。第二用外部工具交叉验证。搜索引擎、官方数据库、原版文献都查一遍。第三涉及专业判断的永远保留人的最终裁决权。AI可以当参谋但不能当主帅。在教育场景里AI幻觉尤其危险。如果学生把AI输出的内容直接当成标准答案那就等于用自己的判断力去交换一个“自信的胡说”。所以越是用AI越要训练批判性阅读。你甚至可以专门做一个小练习让AI生成一份答案然后让学生像评委一样去审它、找错、改错。这种练习比单纯背诵更能培养真本事。3.3 常见问题速查表现象可能原因排查步骤回答内容看着合理但实际错误模型幻觉要求AI提供来源用搜索引擎或权威数据库交叉验证同一个问题每次回答都不一样温度参数随机性过高调低temperature或固定提示词中的输出格式生成内容太模板化、没有亮点提示词缺少约束加入角色设定、具体背景、输出示例缩小模型发挥空间本地模型运行卡顿显存不足或模型过大查看任务管理器或显存监控换更小量化版本平台限流或推荐量低内容同质化严重重新做人设和创意差异化不能纯靠AI批量生成AI生成内容偏长、抓不住重点上下文窗口有限或指令不清在提示词中明确“先给结论再补充细节”限制字数这张表是我做AI应用开发时一点点攒下来的。你会发现很多问题不是AI不够强而是使用方式有问题——提示词太模糊、参数没调、验证环节缺失。这些细节学校不会教你只能在实际项目里磨。4. 教育体系的重构学校、家长与个人怎么走4.1 课堂应该从“知识传递”转向“能力养成”我们不能一边说AI时代来了一边还是老一套教学法。有些学校已经开始用AI做个性化出题、自动批改这是好事但还不够。更深层的问题是评价体系要不要变我特别支持“开卷带AI”的考试形式。既然真实工作里大家都会用AI考试就不该禁止AI反而应该考察“如何用好AI”——比如给一个课题让学生用AI做初稿再人工核查、修改、补上自己的判断。这个过程中提问、检索、验证、审美和表达全都被训练到了比死记硬背有意义得多。课程内容上我建议在传统科目之外加入四门“新基础课”提问课、数据课、人机协作课、创造表达课。听起来很“未来”但落地其实不复杂——就是让学生从小学开始接触真实问题而不是只做标准练习。比如让他们用AI调查学校食堂浪费问题给出数据和建议让他们用AI生成一个故事再自己改编成漫剧。这些东西没有标准答案但每一个都在练真本事。4.2 家长比禁止更重要的是陪伴和示范很多家长怕孩子沉迷AI怕孩子被“喂”惯了不动脑。这种担心可以理解但和孩子说“不要用AI”是没用的——他们要么偷偷用要么不会用而你应该陪他一起面对。我自己的家庭做法是把AI当成“学习伙伴”。周末的时候我们用AI生成一个神话故事然后全家一起改剧本、配音、做成AI漫剧。这个过程里孩子既要输出想法也要判断AI哪里写得好、哪里不合理。这看起来是在玩实际上包含了审美、逻辑、表达和协作训练。家长自己也要先学会用AI这可能是现在家庭教育里最容易被忽略的一点。如果你连AI画图、AI编程、AI短视频这些工具都抵触孩子凭什么相信你的判断身教永远比言传有效。你愿意学新东西孩子才会有样学样。4.3 人才标准在重写从“熟练掌握工具”到“会定义问题”打开招聘网站你会发现“AI应用开发工程师”“AI产品经理”“AI工程实践”“AI Agent开发”这类岗位越来越多。企业不再只招“会写代码的人”而是招“能指挥AI写代码的人”。岗位名称不同但背后标准是一致的能不能把业务问题翻译成AI能执行的任务能不能判断AI输出的质量能不能为最终结果负责。这其实就是“树人”的新内涵不是培养一个万事通而是培养一个终身学习者一个在未知环境里依然能定义问题、组织资源、做出判断的人。以前我们说“熟练使用Office”是加分项以后可能变成“熟练使用AI工具能定义清楚业务问题”。你会发现“定义问题”这个词会越来越多的出现在招聘要求里。所以天辛大师的那句揶揄其实是一面镜子。他提醒我们教育最大的危机不是知识不够而是方向错了。AI时代与其焦虑孩子会不会被取代不如先问自己——我有没有在培养孩子提出问题、判断真伪、创造新东西的能力技术变化越快越要回到人的本质。你可以在今天注册一个账号让AI帮你写第一段脚本、画第一张图、写完第一版代码但从那以后请始终记得AI是队友方向盘还在你自己手里。