刊于《经济日报》，2026年7月24日
AI时代更多人需掌握工作技能
黄昊
科大商学院会计学系教授兼系主任
笔者上周的文章（下称「前文」）剖析了「让AI做，你只需要检查」为何是个糟糕的建议。本文把论述延伸到课堂之外，谈专业知识的来源、我们该信任谁，以及教育的真正意义。
无可否认，我们一直在外包专业技能，而且运作良好。我不是结构工程师，却信任桥梁的安全；我没上过医学院，却信任外科医生。那么，依赖人工智能与此有何分别？
首先，我对桥梁的信任并非建基于亲自检查，而是建基于工程师背后的一整套体系：执照、责任、检查制度、职业声誉，以及桥梁一旦坍塌所要面对的破产和问责。人工智能模型并不具备这些要素。把我们给予问责专家的信任，直接移到一台毋须承担责任的机器身上，是两码子事。
其次，也是更根本的一点，学习者并非旁观者。对一位不会驾驶飞机的乘客来说，把驾驶技能永久外包出去，完全合理。但对学生而言，把自己正要学的技能外包出去，无异于自废武功。乘客和机师的角色不同，而学生学习的目的，正是要成为机师。
需要掌握验证能力
过去，我们可以安心依赖少数值得信赖的信息提供者，是因为这些提供者相对稀少，而且经过严格筛选；作品的质量足以识别专家，伪造高质量的作品成本高昂。然而，近乎零成本的生成打破了这种平衡。当任何人都能免费生成看似专业的作品，你便无法再单凭作品本身去识别可信的来源；海量未经审核的信息，也淹没了少数有能力甄别的人。
于是，验证不再是少数持有资格的专家才具备的稀有技能，而必须成为人人都要掌握的基本能力。但正如「前文」所述，评判是要经过学习才能得到的。
换言之，社会对真正具备判断力的人才，需求势必急升。那么，供给那一端又如何？
别锯断上进学习阶梯
各行各业的专家，从来都不是单靠课堂培养出来，而是在工作中磨练出来。医学就是一个生动的例子。医学生最早的任务之一，是撰写临床记录：听病人零散而且往往自相矛盾的叙述，再整理成条理清晰的文本。学生的记录往往错漏百出，毕竟知识储备有限。但把混乱的信息梳理成有意义的内容，正是他们开始像医生一样思考的过程；在纸上奋斗本身就是学习，笨拙的记录不过是学习的副产品。
如今，AI只需几秒钟就能完成这项工作。对已经具备判断力的医生，这没有损失，反而省下时间；但对尚未建立这种能力的学生，失去的正是建立能力的练习机会，而且他们并不察觉自己错过了什么。更严重的是，这会瓦解学徒制：恰恰在我们最需要高阶人才的时候，却锯断了最底层的那级阶梯。
消除阻力等同消除学习
笔者并非反对人工智能进入教育，也不是故步自封，怀念事事亲力亲为的传统。「前文」的计算器例子说明，只要交出去的是可靠的机械操作，而判断力仍然留在自己手上，把部分工作交给人工智能是安全的。若把人工智能设计成引导学生思考的导师，而不是提供答案的自动售货机，它就能真正帮助学习。争论的焦点只在于次序，以及我们敢把哪一层任务交给AI。
第一个启示是，基础必须在人工智能进入课堂之前建立，而不是之后。美国认知心理学家比约克（Robert Bjork）提出「合意困难」（desirable difficulties）：学习过程中那些令人吃力、费神、甚至会失败的挑战，并非学习的阻碍，反而是大脑建立长期记忆与深刻理解的动力。
学生努力回忆所学到的，比流畅地重读所学到的多；自己动手作答并且出错所学到的，比直接看到正确答案所学到的多。这并非推论，而是实验结果。心理学家罗迪格（Henry Roediger）和卡皮克（Jeffrey Karpicke）在2006年的研究中，让大学生读一篇科普短文，然后分为两组：一组把原文再读一遍，另一组合上原文，把记得的内容默写出来，事后既不重看原文，也不获告知答案。五分钟后测验，重读组略胜一筹。但两天后再测，位置已经对调，默写组优于重读组；一星期后差距更大。同一系列的另一项实验更为极端：读四次而从不默写的一组，一星期内忘掉了超过一半原先记得内容；只读一次、默写三次的一组，只忘掉10%。
两位研究者还多问了学生一个问题：你估计自己一星期后会记得多少？重读组的预期最高，实际表现却最差。他们把重读时的顺畅，错当成记忆的牢固。这正是「前文」所讲的同一种错觉，只是换了一个位置发生：一次在读者身上，一次在学习者身上。
大脑面对不确定、困难、挫折或复杂问题时所产生的阻力感与费力感，正是心理学所说的阻力；消除了阻力，也就消除了学习。「前文」所谈的阻力，是阅读者警觉的源头，可以唤醒批判性思维；这里所谈的阻力，则是学习者的动力，是能力赖以养成的根本。人工智能同时消除了这两端的阻力，所以它在教育阶段最为危险。而AI最擅长的，恰恰是把默写变回重读：它把答案直接递到你面前，让你读得很顺，也让你以为自己记住了。
评核基于学员新技能
第二个启示与评估有关。论文和课后作业从来都不只是练习，而是衡量学习成效的可信信号，因为造假的成本高昂。当这个信号失效，一切未经观察（unobserved）的产出，都不再具有认证的意义。换言之，学生在课后或私下完成的作业，已经无法证明那是他们自己的能力；评估必须移到产出可以观察的场合，例如课堂写作、口试或即场论证。更进一步，评估应该直接检验学生的新技能：给他们一个看似合理但错误的AI答案，再按他们能否找出错处来评分。这并非噱头，而正是这个世界即将要求他们具备的能力。
第三个启示是，验证本身应该当作一项明确的技能来教，包括当中最违反直觉的一环：在读来轻松的文本上，自律地放慢速度。正如「前文」所述，流畅的文笔，恰恰在批判性思维应该启动之时把它扼杀。我们可以教学生刻意制造这种欠缺的阻力：核对引用的来源，自行重算关键数据，用自己的语言重述论点，看看它是否依然成立。刻意怀疑流畅，或许是这个时代学校所能教授的最有价值的习惯之一。
值得衡量的问题
这两篇文章的论证很清楚：实践先于评判，因为评判与实践所依赖的，本来就是同一套技能。真正悬而未决、也更有趣的问题是「剂量」。究竟要有多少基础，一个人才能从人工智能输出的被动消费者，变成合格的评判者？又要维持多少实践，才能守住这种能力？这些阈值必然因领域而异，而且要靠实证研究去找，不能纸上谈兵。逐一为各个领域找出这些阈值，正是当前人工智能与教育研究最值得认真对待的课题。总括而言，在人工智能时代，人类社会需要掌握工作技能的人只会更多，不会更少。