手搓AI工具后，清華教授看到了傳統教育的隱憂

AI正將技術門檻前所未有地降低，把復雜的編程問題變成了清晰的表達問題。但這也意味著：當工具能讓所有人快速生成看似完美的答案，教育的真正價值反而凸顯了——我們必須從追求標準答案轉向培養更核心的元能力：創造力、判斷力、邏輯力與溝通力。未來的差距，不在于誰更會用AI，而在于誰能在技術的洪流中守護思想的獨特性與探索的勇氣。

最近，我和團隊手搓了一個叫“Idea Gatekeeper”的AI科研平臺。它做的事聽起來有點意思：用AI來評估一個研究想法的潛力，甚至預測它可能發表在什么層次的學術期刊上。這個平臺從構想、開發到初步上線，我借助了Claude code、codex、Gemini等工具，完整算起來只用了不到3天的時間。

它源于一個很具體的痛點。做研究的人常有各種想法，但那個想法究竟好不好，有沒有可能做到頂級水平，很多時候靠的是一種近乎直覺的“學術品味”，說不清也教不會。我們讓AI換了一種學法：不給它定規則，而是讓它閱讀大量論文從初始想法到最終發表的歷史數據，讓它自己去領悟其中的決策模式。

平臺上線不到一個月，已有近千人注冊。有博士生告訴我，她把自己糾結的幾個選題放上去，結果AI的評估讓她重新審視了自己的判斷。效率的提升是百倍級的，但對我而言，更大的觸動在于這件事本身何以能夠發生。我是一個管理學教授，本科讀的是工商管理，一行代碼都沒系統學過。就在幾年前，我很難親手將這樣一個復雜的評估系統從構想變為現實。

正是這樣的實踐，讓我對“AI時代，下一代該如何學習與成長”這個問題，有了從工具層面到理念層面的系統思考。當技術正在重寫我們獲取信息、構建知識乃至創造價值的方式時，人類最需要守住的核心，究竟是什么？

不會編程，也能手搓AI工具

“Idea Gatekeeper”只是我手搓的一系列AI工具中的一個。我之所以不斷嘗試這些實踐，不僅是為了解決具體問題，更想親身驗證：在AI時代，一個人把想法變成現實的路徑，正在被大幅縮短并重新塑造。

很多人可能覺得，開發網站、搭建平臺是程序員的事。但這其實是過去的思維慣性。在今天，借助AI，我手頭同時推進的好幾個項目，從構想到上線，都已成為現實。因為AI把技術門檻降到了新低。

對我這個零代碼背景的人來說，AI帶來的最大改變，是它把許多復雜任務從編程問題變成了表達問題、認知問題。你只要能把需求說清楚，它就可以幫你實現。真正的阻礙，往往不是技術，而是認知壁壘。

在領導力開發課堂上，許多互動環節都運行在我自己搭建的網站平臺上。學生可以組隊做模擬練習，跟AI驅動的角色進行對練。比如，在“艱難對話”課程中，可以模擬一個具體情境中的員工，讓學生練習反饋、溝通甚至是處理沖突。

所謂“艱難對話”，其實不是簡單地批評別人，而是領導在關系、責任和情緒之間找平衡的時刻。你既要把問題說清楚，又不能把人一下子推到防御狀態；既要守住標準，又要讓對方愿意把真正的問題說出來。過去課堂里我們也會做這種練習，但常常受限于同學之間互相扮演，角色很容易失真，張力也維持不住。AI進來以后，一個很大的變化是，它可以比較穩定地把那種真實的情緒阻力保留下來。

我印象很深的一個片段是，有位學生在談“報告遲交”時，沒有直接往下追問最后期限，而是突然對AI扮演的員工說：“要不我們先去喝杯咖啡，再聊這件事？”這個轉變其實連我都沒預料到。更有意思的是，AI沒有跳出角色，它先愣了一下，然后順著這個動作接住了，等于把一場原本可能走向對抗的績效談話，轉成了一個先建立信任、再進入問題的對話。后來大家回頭看這個片段時會發現，領導力有時候不體現在你多會講道理，而體現在你有沒有能力先改變場域、改變關系。

也有一些更具沖擊力的時刻。有學生一路都在強調責任、流程和要求，幾乎不給對方表達空間，結果AI扮演的員工最后真的“起身離開”了。教室里當時先是一陣笑，因為那個反應太具體了，但笑完以后大家其實一下子就明白了：當你只剩下管理動作，沒有理解和連接的時候，對話表面上還在繼續，實際上已經結束了。

我還有一個很喜歡的例子。曾經我讓學生寫一篇短文，主題是“AI時代，領導者發生了什么變化”。如果按傳統方式，這件事做完大概就是給分、點評、結束。但我后來用嵌入模型把全班的想法做成了一張可視化地圖：哪些觀點聚在一起，說明很多人其實在重復同一套直覺；哪些觀點站得更遠一些，說明它可能有獨特性，也可能還不成熟，但至少值得被看見。學生看到那張圖之后，第一反應已經不再是“老師我得了多少分”，而是問我：“這個能不能做成交互界面？” 我說可以，然后就在課間開始做，幾乎下課不久就把一個初步版本發給他們了。

這件事很有代表性。它說明評估不再只是一個終點判斷，而開始變成推動下一步思考和行動的過程。也因為這些工具是我自己在教學現場一邊用一邊改的，所以它們會非常貼近學生的真實需要。某個功能如果沒用，我就直接拿掉；如果它真的幫助學生理解自己、推進下一步，我就會馬上把它做得更好。

總之，有了AI的輔助，我可以隨時將新想法嵌入系統，讓工具與教學節奏同步進化。這種深度定制，如果外包給開發團隊很難實現，因為教學中最有價值的細節和即時反饋，外人難以捕捉。

回到Idea Gatekeeper，它的邏輯也是一樣。我們不教它規則，而是讓它從歷史數據中學習那種微妙的“品味”。在這個平臺上，用戶可以先用自然語言描述研究想法。AI會像一個合作者一樣，追問幾個關鍵問題，再幫你把想法整理成標準的研究選題摘要；接著，幾個模型會同時給出評估結果，包括期刊層級預測、概率分布、模型之間的共識度，以及詳細的解讀與改進建議。

讓我興奮的是，有些用戶并不是上來試一次就走，而是把它當作一個反復打磨研究想法的工作臺來用。我能明顯感覺到，他們不是在索要一個結論，而是在用這個平臺不斷嘗試不同的表達、不同的切口、不同的理論框架，借此逼近一個更值得做的方向。對我來說，這很重要，因為它意味著平臺已經不是一個“新鮮的AI展示”，而是開始進入真實的研究流程。

當然，我最驚喜的變化，是學生們開始把自己從“使用者”轉成“創造者”。以前很多非技術背景的學生，會天然覺得做工具、寫代碼、搭產品是另一類人的事，和自己關系不大。但用了這些AI工具以后，他們第一次真切地感受到：原來只要問題足夠清楚、表達足夠具體，自己也可以把一個模糊的想法變成原型，甚至變成一個可以被別人使用的東西。這種心理邊界一旦被打破，帶來的改變是深遠的。

這會帶來兩個特別明顯的轉向。第一，他們的提問方式變了。不再只是問“正確答案是什么”，而開始問“這個機制能不能改”“這個流程能不能更順”“這個想法有沒有可能做成一個工具”“如果換一個用戶場景會怎樣”。第二，他們對項目的態度變了。過去很多課程作業做完就結束了，交上來、評分、存檔；現在越來越多的作業開始呈現出另一種氣質——它們更像一個起點，而非終點。學生會意識到，自己手里的東西也許不只是一個任務，它可能是研究項目、產品原型、服務模型，甚至是一個可以繼續孵化的商業構想。

也正因為如此，我現在很希望讓課堂里出現的這些好想法繼續孵化。因為AI真正縮短的，不只是執行時間，而是“從一個念頭到一個可測試原型”的距離。課堂里那些原本可能只停留在紙面上的好點子，現在有機會繼續長出來，進入現實世界。

當答案唾手可得

教育更要守住“元能力”

從這些具體的實踐出發，我越來越清晰地看到另一個層面的變化：當AI極大地增強了我們的執行與生成能力時，人自身的角色和價值，必須被重新錨定在一個更根本的層面。

AI時代潛藏著一個非常重要的風險，就是個體提升了，但集體的多樣性可能在消失。

比如，讓AI寫10個創意故事，每一個單獨看都不錯：結構完整、表達流暢。但放在一起看，會發現它們驚人地相似。這是一種“無聲的坍塌”：質量在提升，多樣性卻在收縮。

如果我們的教育，只是訓練下一代更熟練地命令AI產出標準答案，那么我們可能就在系統性地制造這種“坍塌”。傳統應試教育的很多做法，本質上就是在把人訓練得更像機器：完美記憶、精確答題、標準化輸出、追求唯一正確答案。

但一個頗具諷刺的事實是：當AI越來越擅長標準化試題、模式化任務和規范化表達時，我們過去花很多時間訓練出來的能力，恰恰可能是最容易被AI替代的能力。

問題不在于學習本身，而在于學習方式太單一，目標太功利。我們為了效率，過度優化了學習過程，剔除了其中必要的“熵”——那些看似浪費時間的探索、試錯、發散思維。最終，我們可能培養了知識結構優化但創造力脆弱、思維同質化的個體。

在這樣的背景下，“元能力”變得尤為重要。也就是關于學習本身的能力。它不是記住多少知識，而是學會如何學習；不是掌握多少固定技能，而是保持學習新技能的能力；不是知道所有答案，而是會提出好問題；不是消除不確定性，而是能在不確定性中前行。

具體來說，這關乎四種核心能力：創造力、判斷力、邏輯力和溝通力。創造力，是你能不能看到別人看不到的東西；判斷力，是AI給了你很多選項以后，你能不能知道哪一個方向更值得走；邏輯力，則是你能不能把事情拆開、規劃、推進；溝通力，是你能不能把需求講清楚。

當工具可以生成內容，這些能力就成為真正的分水嶺。

對下一代來說，這也意味著，培養的重點應該從“學什么內容”轉向“如何保持好奇心與探索欲”。在這個急速變化的時代，今天看似無用的興趣，明天可能成為一個人最獨特的優勢。我們需要有意識地守護思想的多樣性和開放性：鼓勵跨界交流、廣泛閱讀、嘗試不同體驗，甚至允許適度的走神與白日夢。孩子最可貴的就是那種“未過擬合”的狀態——因為知道得少，所以不受限；因為好奇，所以勇于試錯。

所以，不要把孩子訓練成更高效的AI使用者。 相反，我們應該努力讓他們在強大的技術面前，保持人的樣子——充滿好奇心、想象力、靈活性和從真實興趣出發的持續探索力。

AI時代的分水嶺不是能力

而是判斷力

很多人會以為，AI工具越普及，人與人之間的差距就會被抹平。因為大家都能用同一個模型、同一種工具，看上去門檻越來越低。

但現實可能恰恰相反：技術的普惠，并沒有拉平績效，反而可能加劇“平庸者”和“卓越者”之間的鴻溝。對于頂尖人才，AI是倍增器，使他們的產出指數級躍升；但對于普通人，AI往往只是讓他們更快地生產出更多“看起來正確”的內容。

問題的關鍵，不在于生成能力，而在于判斷能力。

生成式AI的本質，是基于大規模數據進行概率預測，它天然傾向于輸出符合統計規律的“平均值”：流暢、完整、穩妥，但往往也是最穩妥、最常見、最不容易出錯的那一類內容。一個人如果沒有自己的專業積累、判斷標準和審美能力，就很難從AI大量“似是而非”的輸出中識別出真正有價值的部分。結果就是，人并沒有駕馭AI，反而更容易被AI的“概率平庸”所同化。

真正的高績效者，在使用AI時，其實是在進行一種高強度的“標準博弈”。他們不會把AI的第一版輸出直接當成答案，而是會不斷挑戰它、篩選它、否定它。他們知道AI默認會趨向平庸的正確，所以更需要人去注入非統計學的價值：語境、經驗、判斷、倫理感、弦外之音，以及那些無法被簡單數據化的標準。

這種差異，如果放到組織層面來看，會被進一步放大。

過去的組織，本質上是圍繞“人”來設計的：崗位分工、層級結構、流程管理，核心都是為了降低人的不確定性、協調成本和溝通成本。但當AI開始成為主要的執行力量時，這一套邏輯就會發生變化。

在未來的AI原生組織中，不再是“人做事、AI輔助”，而是AI做大部分執行，人負責關鍵判斷與方向。這意味著，組織管理的重點，也會從“管人”逐漸轉向“管AI”，從協調人的行為，轉向管理AI的不確定性、上下文和能力邊界。

在這樣的組織里，人與人之間的差異不會被縮小，反而會被放大。因為同樣的AI系統，在不同人手中，所能產生的結果完全不同。一個人是否具備判斷力、創造力，是否有能力提出好的問題、建立自己的標準，決定了他能把AI帶到什么樣的高度。

也正因為如此，AI原生組織并不會拉平差距，而是會讓真正有判斷力的人獲得更大的放大效應。AI時代真正稀缺的，不再是獲取答案的能力，而是建立標準的能力；不是輸出更多，而是判斷什么值得輸出；不是更像AI，而是能夠把AI帶到它本來去不到的地方。

李寧 | 文

李寧是清華大學經濟管理學院Flextronics講席教授、領導力與組織管理系系主任

本文為口述整理

獲取更多 AI時代的科技參考

歡迎點擊下方卡片關注 信?？萍荚u論

本文同步發表于《信睿周報》第170期

點擊下方卡片立即購買 ↓