做一个思想实验：当 AI 不再有做不到的事，我们还该学什么？

过去一年，AI 开始频繁出现在人类能力的前沿：长期悬而未决的数学问题、此前无人知晓的零日漏洞，都开始出现 AI 的身影。

AI 已经不只是在回答已有问题。它开始触碰那些原本只有最顶尖专家才能推进的问题。

不妨做一个极端的思想实验。

如果有一天，AI 在所有认知任务上全面超越人类，一个普通人即使把一生投入某个领域，也无法在知识、理解、创造和判断上追上它——我们还需要花十几年时间接受教育吗？

一、教育将不再是社会生产与运行的必要条件

过去几年，随着 AI 能力飞速发展，我们不断把“AI 还不能做什么”，当作“为什么‘我’还重要”的答案。

最初，AI 只能简单对话、写几段函数，我们把它看作一个有趣却不可靠的玩具。后来，它开始写文章、制作图片、完成工程级程序，我们说它写得没有人好，缺少真实经验，也处理不了真正复杂的问题。

当 AI 能够产出可用的报告和代码，人的位置退到了复核：AI 可以完成工作，但仍然需要人检查结果、发现错误、承担责任。当 AI 也开始检查事实、生成测试和寻找反例，人的位置继续退到更上游：执行和检查都可以交给 AI，但定义问题、判断什么值得解决，仍然需要人。

但在这个极端思想实验中，连这最后一处避风港也不再存在。AI 可以比人更早发现重要的问题，更准确地判断一个问题的价值，也更完整地看见不同选择的长期后果。

这些答案指向的不是人的永久价值，只是 AI 暂时留下的能力空缺。AI 每前进一步，“为什么‘我’还重要”的答案就向后移动一步。等到这些空缺全部消失，寻找人类专属能力的这条路径也就走到了尽头。

教育长期被视为社会的必要条件，是因为社会生产依赖人的知识和技能，个人也依靠这些能力谋生。教育为社会培养生产者，也为个人换取参与生产和获得回报的资格。“社会需要怎样的人”与“个人依靠什么生活”，长期重叠在一起。

AI 全面超越人类之后，这种重叠将被切断。社会不再需要通过教育获得人的认知能力，个人掌握这些能力，也不再因为生产系统的需要而自然获得回报。只要 AI 能够理解需求、发现问题、判断价值、预测后果、纠正错误并完成执行，社会就不再必须花十几年时间训练人的这些能力。

只要教育仍被理解为培养社会生产与运行所需的人类能力，它就失去了这层必要性。

二、教育从社会必要条件转为社会选择

当社会运行不再依赖人的能力，教育便从社会的必要条件，变成了社会的主动选择。这个选择最终指向一个政治与伦理问题：

即使 AI 能做得更好，我们仍希望人以什么身份生活在社会中？又愿意为此保留哪些真实能力、权利与制度位置？

围绕这个问题，未来社会至少可能存在三种自洽的立场。

产出优先

社会追求正确、有用和低成本的结果。只要人机系统能够把事情做好，个人是否理解、能否独立完成，不再具有决定性意义。

在这种社会里，教育没有消失，但会大幅收缩。大多数人只需接受维持日常生活、使用系统和遵守秩序所需的基本训练。传统学校、考试和学历，也可能被实时的能力验证、工具认证与结果审计取代。

对个人而言，学习也不再是参与生产和维持生活的必要条件。一个人学得怎么样，不再决定他能否找到工作、获得回报或拥有基本的生活保障。学习作为谋生手段的工具价值趋近于零。

这反而可能让学习第一次真正接近人们想象中的“兴趣驱动”：不再为了考试、工作、竞争和资格，只因为一个人想理解某件事。

在产出优先的社会里，教育可能退场，学习却不会消失。“我‘该’学什么”失去了统一答案，只剩下“我‘想’学什么”。

人的参与优先

社会可以作出另一种选择：即使 AI 能够给出更好的答案，人仍应保有理解世界、质疑结论、拒绝安排和改变规则的能力。

这时，教育不再服务于人的生产优势，而是在维护一种社会身份：人仍然是共同生活的参与者，而不只是系统结果的享用者。

但人的参与可能退化为仪式。

如果 AI 提出方案、给出论证、比较选择、评估风险，再推荐最优决定，人只负责点击“同意”，那么决定并不真正属于人。人只是为系统的决定提供形式上的确认、合法性和责任承接。

真正的参与可以压缩成一个简单关系：

有效参与 = 能力 × 制度权力 × 反事实影响

人需要理解和质疑，也需要拥有拒绝、修改、退出与申诉的权利；他的不同选择还必须能够真正改变结果。任何一项为零，参与都会空心化。

教育能够提供能力，却不能单独赋予制度权力。一个社会如果选择保留人的参与，就必须同时为这种能力保留真实的作用位置。

社会治理优先

第三种社会首先关心的，是复杂的人机系统能否保持可控，以及权力、收益和责任能否找到明确的归属。

它不要求每个人都比 AI 更会判断，也不承诺让每个人参与所有决定。它要求关键位置始终有人能够理解系统边界、行使规定权限、处理异常，并为产生的后果承担责任。

在这种社会里，教育转向角色训练和资格认证。一个人接受教育，不是为了证明自己能够脱离 AI 完成所有工作，而是为了证明自己能够在特定工具、流程和监督条件下承担某种社会角色。

评价的对象也随之改变：社会需要判断的，不再只是一个孤立的人，也不只是一次最终产出，而是处于特定角色中的人机系统。

这三种立场会导向三种不同的教育：

• 产出优先，教育负责最低限度的社会适应；
• 人的参与优先，教育负责保存人的主体能力；
• 社会治理优先，教育负责形成可以承担权限与责任的角色。

三种立场都自洽，人的欲望却彼此冲突。

我们希望 AI 给出最优的结果，又不愿交出参与、质疑和拒绝的权利；希望系统替我们完成判断，又要求错误发生时有人解释、有人负责。我们想享受产出优先带来的效率，保留人的参与带来的主体地位，同时获得社会治理提供的安全与秩序。

现实社会因此不会忠实地选择其中任何一种。它会把这些互相冲突的愿望同时写进制度：在一些领域追求最优产出，在一些决定中保留人的真实参与，在风险最高的地方要求系统可控、责任可归属。

教育最终保留什么、面向谁、以何种方式存在，也将在这些矛盾中形成。

但那是极端假设成立之后，社会需要作出的选择。今天，社会尚未形成稳定答案，教育却不能等到答案出现以后，再决定培养什么。

在这个可能持续很久的过渡期，教育首先应该关注什么？

三、生成变得容易之后，证明成本由谁承担

AI 最先改变的，不只是内容的数量，而是产出与能力之间的关系。

过去，一个人能够拿出一份完整的报告、一段可运行的程序或一篇结构严密的论文，通常意味着他投入了相应的时间，也掌握了与之匹配的知识和能力。产出本身，就是能力的一部分证明。

AI 打破了这种对应关系。它赋予每个人低成本、大规模产出的能力，也同时制造出一种近乎无限的“能力表象”：一个人能够拿出什么，越来越不能说明他自己会什么。

产出可以是真实的，也可以具有价值。但当你能拿出一份看起来专业的结果，其他人也能拿出成千上万份同样完整的结果，新的问题随之出现：

接收方凭什么接受你的结果？社会又如何降低为每一项结果重新判断的成本？

报告、程序、图片、视频、研究综述和行动方案，都已经可以借助 AI 批量生成。专业知识生产的规模也在迅速扩大。2025 年，AAAI 共收到 15,532 份投稿；到了 AAAI-27 的投稿阶段，有投稿者称，OpenReview 系统中的论文编号已经超过 50,000。2026 年 6 月，arXiv 收到 32,040 篇新提交，刷新单月纪录——平均每天超过 1,000 篇。

投稿编号和新提交数量，记录的是内容进入学术系统的规模，不是已经成立并获得接受的结论数量。这些数字首先说明，内容被生产出来的速度和规模已经发生了变化。至于其中哪些成立、哪些重要、哪些值得成为后续行动的依据，是生成完成之后的另一个过程。

内容的完成度也越来越难承担筛选作用。一份论文看起来严谨，不代表论证成立；一段代码能够运行，不代表它在边界条件下可靠；一项方案写得完整，也不代表它值得执行。

这个过程可以由人完成，也可以由 AI、自动化工具或制度完成。无论由谁完成，都要消耗资源。生成成本的下降没有消灭证明成本；生产者不承担，它就会落到接收者身上。

一项结果的价值不只取决于它是否正确，还取决于采信它需要多少成本。来源、证据、测试、适用边界、专业机构的审查和生产者长期形成的信用，都可以提前承担一部分证明成本，让接收者不必从头验证，就能以与风险相称的成本决定是否采用。

四、教育评价需要用“答辩式证明”穿透能力表象

社会如何采信一项结果，也会反过来决定学校应该如何评价学生。当一份完成度很高的产出不再足以证明提交者具备相应能力，学校就不能只检查摆在面前的结果。评价需要增加一个动态过程：让结果接受持续追问，也让提交者承担使它获得采信的责任。

我们暂且把这种动态评价称为“答辩式证明”。它可以是一场口试，也可以是项目演示、现场测试、复现实验或审计。具体形式可以变化，核心关系不变：接收者能够继续追问，提交者不能把全部判断成本留给接收者。

在学校里，老师暂时坐在接收者的位置，提出一项结果进入社会和市场时同样会面对的质询：

你提交的东西，可以每一个字都由 AI 生成。但你必须让我有充分理由相信：它是对的。

离开学校，这个“我”可能是客户、同行、雇主、监管机构，也可能是另一个 AI 系统。学校里的答辩式证明，应当成为这种社会采信关系的缩影。

是否允许学生使用 AI，暂且不议。学校真正需要观察的，是他能否让最终结果经受专业追问，能否根据反例和新证据继续解释、检查和修正：为什么选择这个问题？结论建立在哪些假设上？数据换一种处理方式，结果是否还成立？哪项证据最可能推翻你的判断？这个方法在什么范围内有效？

英国已有大学在研究生 AI 使用指南中明确提醒：如果学生没有充分理解论文中由 AI 生成的部分，就可能无法在口试中为论文辩护。牛津大学也要求研究生能够向考官详细、批判性地说明自己如何使用 AI，并对采用的代码和结果负责。在这样的评价中，被检查的不只有论文，还有学生能否继续解释、检验和修正这项工作。

证明责任不会预先规定学生必须学什么，却会不断暴露他还缺什么。面对无法提前预测的追问，他可能需要掌握传统的学科知识，也可能需要调用 AI、设计测试、寻找反例、识别边界和组织证据。为了证明自己提交的结果，他必须获得完成证明所需的能力。证明由此成为真实的学习动力。

学什么，不再由“哪些环节禁止 AI”决定，而由“为了证明这个结果，我还缺什么”倒推出来。

五、学校要证明的，是一个人能证明自己拿出的结果

答辩式证明建立了第一层关系：学生向学校证明，自己提交的结果成立。学校还要完成第二层证明：通过不同任务中的反复评价，判断这个人是否稳定地具备这种能力，再把判断交给社会。

学校的评价对象，需要从一次结果扩展到一个人在不同任务中反复表现出的能力。一次答辩式证明只能说明他能够为当前结果承担证明责任；不同课程、项目和情境中的多次评价，才能判断这种能力是否稳定。

每一次可靠的评价，都会留下一份能力证据。学分应该记录这种能力在哪个范围内成立：一个人是否曾在某个学科中拿出结果，并使它经受答辩式证明。学位则要回答更高一层的问题：这种能力能否跨越不同课程、项目和情境，持续保持稳定。

学生证明结果 → 学校反复评价这种能力 → 学分记录成立范围 → 学位判断稳定程度 → 社会获得初步判断

联合国教科文组织曾把学历称为“一个人能做什么的代理”。学历本来就是一种能力代理：它不包含学校在几年中收集的全部证据，而是把长期评价压缩成一项可以被社会快速读取的判断。AI 时代需要改变的，是这项代理所指向的能力。学校要用自己的信用作出新的声明：这个人曾在不同任务中，反复表现出证明自己拿出的结果的能力。

在内容泛滥的环境里，一张有效的学历不会替某项具体结果判定对错，却会改变它进入社会判断时的起点。接收者不必重新检查几年中积累的全部评价记录，只需读取学校压缩后的能力判断，就能决定从哪里开始验证，以及还需要投入多少成本。这就是接近 O(1) 的初步判断。

学历不能让一个结果免于证明，但可以让它不必从零开始争取信任。

对学生而言，他今后拿出的内容获得了更高的初始可信度；对社会而言，有限的注意力和验证资源可以更快地流向长期表现可靠的人和结果。

工作记录、项目作品、职业资格、专业执照和长期声誉，也会形成类似的能力信号。学校的特殊之处，在于它能够在一个人进入社会之前，通过长期、系统的评价提前形成这种信号。

学校用自己的信用为能力判断背书，这项判断必须建立在长期积累的真实证据上。课程、考试、项目和答辩，需要让学生在不同任务中反复回答同一个问题：他能否为自己拿出的结果建立足以支持采信的理由？

在这个可能持续很久的过渡期，教育需要培养的，是能够证明自己拿出的结果的人；学校需要提供的，是让社会能够低成本相信这种能力的理由。