如果你的大学不提供 Token，应该立即退学

最近，南京大学蒋炎岩教授的一句话火了：“如果手上没有付费 Token 的同学，就要立即退学。”

乍一听，多少有点虎狼之词。过去计算机系劝退，理由通常是数学不好、不会 C++，如今版本更新，连 Token 都舍不得烧，似乎也要被开除出计算机专业了。照这个趋势发展下去，下一代计算机学生的自我介绍，大概不能只说自己会什么语言，还得附上一张本月模型账单。

不过，把这句话放回《生成式软件工程》的课堂语境，意思就不一样了。这门课强调高强度使用生成式 AI，要求学生自己承担 Token 成本，同时也明确反对无意义的 Tokenmaxxing。它要训练的不是谁更会花钱，而是另一套过去很少被单独拿出来教的工程能力：如何拆解任务、选择模型、组织上下文、控制成本、检查结果，以及什么时候可以相信 AI，什么时候必须由人接管。

我基本赞同这个判断。到了 2026 年，一个计算机专业学生如果仍然把 AI 当成“有空再学一下”的插件，确实应该警惕。它已经不只是一个写代码的工具，而正在成为新的计算环境。一个人不必追逐每个模型，也不必把所有任务都交给 Agent，但如果连这个环境都不愿意进入，就很难说自己正在认真准备未来的计算机工作。

真正值得反对的，是把“应该学会使用 AI”偷偷换成“舍不得自己掏钱买 Token，就是学习态度不行”。这两句话看起来只差了一点，背后的责任关系却完全不同。如果 AI 已经重要到足以决定一个学生是否适合继续学习计算机，那么它就不再只是个人消费品，而开始具有教育基础设施的性质。学校不能一边要求学生掌握新的计算环境，一边把进入这个环境的全部成本交给学生自己解决。

所以，“没有 Token 就退学”最有价值的地方，不在于劝退了谁，而在于它把一个长期被大学回避的问题推到了台前：当知识越来越容易获得，答案越来越便宜，代码越来越容易生成，我们究竟为什么还要花四年上大学？

我的答案是，大学仍然值得上，但它必须重新证明自己的价值。它不能再主要依靠垄断知识和分发作业来维持教育的意义，而应该提供个人难以获得的训练、资源、反馈与真实世界。与此同时，学生也必须学会利用 AI，把自己从课程表和标准答案中解放出来。两件事并不矛盾，恰恰是同一场变化的两面。

一、知识供给机制：大学失去的不是价值，而是垄断的理由

二十多年前，一个人想完整听完顶尖大学教授的一门操作系统课，最直接的办法就是考进去、选到课，然后坐在教室里。错过了，往往就是真的错过了；听不懂，也只能自己慢慢消化。那时候，进入一所大学不仅意味着获得某种教育身份，还意味着获得一套普通人不容易接触到的知识资源。

互联网首先改变了这件事。MOOC、B 站、YouTube、公开课、GitHub、博客和 Stack Overflow，把知识传播的边际成本压到了极低的水平。一位教授讲一遍课，不再只能让几十个学生听到，而可以让几万人反复观看。学生可以暂停、回放、倍速，可以凌晨两点学习，也可以在课程结束三年以后重新打开。

所谓“B 站大学”和“YouTube University”，表面上是玩笑，背后却是真实的教育资源迁移。互联网没有让大学教授变得不重要，而是让“只有考进这所学校，才能听到这位教授讲课”这件事失去了原来的力量。大学过去依靠知识传播建立的一部分稀缺性，已经被技术拆掉了。

AI 又往前走了一步。它所改变的，不只是知识的获取，而是解释、反馈、陪练和耐心的供给方式。

2023 年，Khan Academy 创始人 Sal Khan 在 TED 演讲中提出过一个大胆的设想：AI 有可能让每个学生拥有私人 tutor，也让每位老师拥有 AI teaching assistant。这个设想真正重要的地方，不在于机器终于会讲课了，因为互联网上从来不缺讲课视频；重要的是，同一个知识点，开始能够根据不同学生的理解程度重新组织。

假如你只学过一点 C 语言，正在看虚拟内存，完全可以要求 AI 先从宿舍管理讲起，再画出页表查询过程，接着结合你刚刚写错的代码解释。它讲得太复杂，你可以让它降低难度；讲得太简单，你可以要求它推导公式；你甚至可以让它暂时不要给答案，而是通过几个问题判断自己究竟卡在哪里。

过去所谓因材施教之所以昂贵，并不是人类不知道它很好，而是优秀教师的时间无法复制。AI 至少让其中一部分解释与陪练能力，第一次拥有了接近软件的边际成本。

这意味着，大学必须重新回答一个问题：如果一个学生在宿舍里就能听到优秀课程，还能得到随时响应的解释和反馈，那么大学凭什么仍然值得他每天走进教室？

“因为大学当然有用”不是答案，那只是把问题重新说了一遍。真正的答案应当是，大学能够提供公开课程和对话模型无法独立提供的东西：有组织的高强度训练、真正厉害的老师和同龄人、实验室与设备、真实项目、持续的批评，以及一个人在现实合作中不得不承担的责任。

大学的价值并没有随着知识垄断的消失而消失，但它必须从“我这里有知识，你来听”，转向“我这里有一套能够把你训练成另一个人的环境”。如果一所大学无法完成这种转变，那么它失去的就不只是知识的垄断，还会逐渐失去学生愿意为它投入四年时间的理由。

二、创造反馈机制：AI 把“在事上练”提前到了第一天

我一直很喜欢一个朴素的成长框架：从书中学，与高人聊，在事上练。大多数真正的成长，绕一圈最后都离不开这三件事，而 AI 特别的地方在于，它居然同时给它们加上了杠杆。

从书中学，过去面对的是静态教材和论文，作者无法知道你缺少哪块前置知识。现在，你可以让 AI 补知识地图、拆解公式、解释实验，甚至根据你的错误模拟老师追问。与高人聊，过去一个陌生领域的第一道门槛，往往是你连应该问谁、问什么都不知道。如今可以先让 AI 铺出问题地图，再有目的地查论文、读文档、找真正的专家交流。它不能替代人的经验、关系、信任与现场判断，却能把大量原本昂贵的准备工作变得便宜。

但我认为，影响最大的还是“在事上练”。

以前一个计算机学生突然想做网站，往往会发现自己并不是想做一个网站，而是误入了一份漫长的学习计划：HTML、CSS、JavaScript、框架、Git、后端、数据库、Linux、服务器、域名、部署……还没有出现第一个能点的页面，热情可能已经被准备阶段消耗得差不多了。

很多想法不是死于失败，而是死于准备阶段太长。一个人原本只是想验证一个产品有没有人需要，结果先被迫学习了半套软件工程，等终于具备启动能力，最初那个问题已经不再让他兴奋。

Agent 改变了这里的成本结构。你可以一边不会，一边开工，让 AI 搭出骨架，自己决定产品逻辑，再通过运行、报错、修改和部署不断推进。一个原本需要前端、后端、设计、运维共同完成的初步验证，如今可能由一个人借助软件代理完成。One Person Company、solo founder、Agent team 这些概念之所以反复被提起，并不是因为一个人突然拥有了八只手，而是过去必须由人完成的一部分中间步骤，开始可以低成本地交给机器执行。

这也解释了为什么 Vibe Coding 很容易让人上瘾。游戏能够让人持续投入，很大程度上依赖密集反馈：经验值上涨、装备出现、关卡完成，玩家总能清楚地知道自己刚才的动作产生了什么结果。现实学习却常常没有这种待遇，你读三个月操作系统，世界不会突然弹出“+500 Systems Engineering XP”。

Agent 编程把这种反馈密度带进了创造活动。你写一句需求，页面出来了；再改一句，按钮动了；晚上部署，手机打开链接，发现它真的可以访问。更重要的是，游戏里的装备可能随着服务器关闭而消失，但一个真正完成的项目会留下仓库、网站、用户、简历经历，甚至可能留下收入。它把原本很晚才能得到的创造反馈，提前到了学习的第一天。

这对教育的意义远大于“少写了多少行代码”。过去基础训练与真实创造之间的距离太长，学生可能学了很久，却始终不知道这些知识究竟能用来创造什么。现在可以先做出一个粗糙的东西，再在真实问题中发现自己为什么需要数据库、为什么要理解并发、为什么必须学习安全和系统设计。知识不再只是考试前必须背下来的内容，而开始成为解决眼前问题所需要的工具。

不过，必须把“AI 辅助编程”和“Vibe Coding”区分清楚。Andrej Karpathy 在 2025 年提出 Vibe Coding 这个词时，最初带着很强的玩笑意味：不怎么看 diff，模型改什么就 Accept All，报错了继续扔回去，直到东西跑起来。Simon Willison 后来反复强调，并不是所有 AI 辅助编程都应该被称为 Vibe Coding；如果代码要进入生产环境，开发者仍然必须 review、测试、理解，并对结果负责。

这个区别不是文字游戏。“我不再手敲每一行代码”和“我不再理解自己的代码”，是完全不同的两件事。前者可能提高效率，后者则可能让你在项目变复杂以后，连自己为什么失败都无法解释。

所以真正值得鼓励的，不是让 AI 代替学生完成学习，而是让它降低创造门槛，使学生更早进入真实问题。先做起来，当然可以；但做起来以后，必须让问题反过来逼着自己学习。AI 把门打开了，走进去以后长出多少本事，仍然取决于你有没有认真面对里面的困难。

三、评价失效机制：作业完成了，不代表学习发生了

Ethan Mollick 曾经用过一个很形象的说法：Homework Apocalypse，作业末日。2024 年，他又在《Post-apocalyptic education》中继续讨论这个问题：当 AI 已经能够完成大量传统作业和测试，教育体系真正困难的事情，变成了如何判断学习是否真的发生。

这不是一个遥远的教育理论问题，而是今天很多大学里每天都在上演的现实。老师用 AI 出题，学生用 AI 写作业，报告让 AI 生成，代码让 AI 补，PPT 让 AI 做。到了期末，作业交齐了，格式漂亮了，成绩也许不错，唯一没有得到充分训练的，可能恰恰是学生本人。

《Vista看天下》采访过使用 AI 应付课程论文的学生，一部分人觉得某些作业机械、重复、含金量低，于是自然地把它们交给 AI。从学生的角度看，这个选择甚至有一种朴素的经济理性：如果一件事自己觉得没有价值，机器五分钟就能完成，为什么还要花三个小时？

但这件事不能只用“学生偷懒”来解释。假如一份作业的全部价值，就是要求学生按照固定格式整理出一段随处可见的内容，那么 AI 能够轻松完成它，恰好暴露了课程设计本身的问题。教育不能永远依靠“你必须亲手做一件低价值的事”来证明自己的必要性。

过去许多课程的评价逻辑，其实建立在一个未经仔细检验的假设上：学生交出一篇结构完整的论文，就说明他思考过；交出一个能运行的程序，就说明他理解代码；做出一份漂亮的 PPT，就说明他掌握了里面的概念。AI 出现以后，这条从“作品质量”推断“个人能力”的捷径断了。一个人可以拥有高质量的交付物，同时对交付物的形成过程一无所知。

这才是 AI 对大学真正深的一刀。问题已经不再是“要不要允许学生使用 ChatGPT”，而是“当 ChatGPT 已经存在以后，我们究竟还应该考什么”。

我的判断是，大学不应该把精力主要花在追查每一行文字是否由 AI 生成，而应该重新设计能够让能力暴露出来的评价方式。学生可以使用 AI 完成项目，但必须解释关键设计、展示测试、回答追问，并在条件变化时修改方案；可以让 AI 辅助阅读论文，但必须说清楚研究问题、证据链、实验假设与结论边界；可以使用 AI 写作，但要能够为文章的判断负责，而不是只提交一篇看起来很像文章的东西。

这并不意味着所有考试都应该取消，也不意味着基础训练已经没有意义。计算器出现以后，数学教育没有消失，搜索引擎出现以后，记忆也没有完全失去价值。真正发生变化的，是教育必须重新区分哪些能力需要熟练掌握，哪些工作可以合理借助工具完成，以及如何证明一个人确实拥有前者。

写代码的价值，不只是敲出正确语法，而是训练抽象、系统设计、错误定位、性能与安全判断；读论文的价值，不只是记住内容，而是学习别人如何提出问题、构造证据、处理反例；写文章的价值，也不仅仅是生产两千字，而是在写作过程中迫使自己的思想形成结构。

如果 AI 把这些过程全部替你做完，那么作业可能完成了，你却没有完成。大学要守住的不是“所有东西都必须手写”这条旧规矩，而是教育必须发生在学生身上这个基本事实。

四、成本转嫁机制：Token 已经开始成为教育基础设施

说到这里，问题又回到了 Token。如果 AI 已经成为学习和工程实践的重要环境，那么 Token 到底应该被看作什么？娱乐消费、游戏充值，还是一种新的实验耗材？

我越来越倾向于后者。

化学专业做实验需要试剂，电子专业需要开发板和示波器，机械专业需要设备。过去计算机专业的实验耗材看起来很便宜：电脑、编译器、校园网和开源软件，很多东西复制一次以后就可以反复使用。大模型出现以后，计算机教育第一次大规模遇到一种按量计费的软件实验耗材。它看不见，但上下文一拉长、Agent 一并发、工具调用一多，账单就会非常诚实地提醒你，计算也是有成本的。

因此，“学生应该学会使用 AI”和“AI 的全部学习成本应该由学生个人承担”，从来不是同一句话。

如果一所大学已经把 AI 素养写进培养目标，课程又要求学生大量使用 Agent，却没有统一模型入口、API 配额、校内算力或者困难学生的资源保障，那么它实际上是在把教学改革的成本转嫁给学生。学校宣布了一项新的必修能力，随后告诉学生，获得训练条件是你们自己的事。这种做法不应该因为技术新潮，就被当成理所当然。

而且，大学级 AI 基础设施并不是技术上无法实现的幻想。中国科学技术大学已经建设校级大模型公共服务平台，校内用户可以创建项目、申请 API Key，通过标准接口调用模型；华东师范大学的大模型开放平台把资源做成 credits 配额体系，按照时间和 Token 消耗管理额度；中南大学也上线了面向师生的大模型 API 服务，提供密钥和多种开源模型，支持教学、科研与应用开发。

这些案例至少说明，有人已经开始把 AI 当作公共教学资源，而不只是个人订阅服务来建设。学校能够采购数据库授权、提供校园网、维护实验室，自然也可以逐步建立统一的 AI 能力入口。当然，公共资源需要配额、预算和成本控制，教育基础设施并不意味着无限使用最昂贵的模型；恰恰相反，合理的配额和成本意识本身就可以成为工程教育的一部分。

这件事也不只发生在大学。2026 年 5 月，马耳他政府与 OpenAI 宣布“AI for All”计划，公民完成由马耳他大学参与开发的 AI 素养课程后，可以获得一年 ChatGPT Plus。这个方案值得注意的，不是每个人多了一个订阅，而是它把 AI 素养教育和工具访问权放在了一起：既不只是告诉你 AI 很重要，也不只是给你一个账号，而是让理解与实践形成同一个公共项目。

OpenAI 在这个项目里用了一个很激进的比喻，希望未来的智能能够像电力一样按需可用。这个愿景究竟能走多远，还需要时间检验，但它已经提出了一个教育界无法回避的问题：如果未来的学习越来越依赖计算能力，那么学校有没有统一 AI 入口，会不会像今天学校有没有校园网一样自然？

我认为答案是会的。大学不必保证每个学生拥有无限 Token，却应该保证学生不会因为缺少最基本的 AI 实践条件，而被排除在新的学习环境之外。教育可以要求学生努力，但不能把资源不足直接解释成态度不足。

五、三层鸿沟机制：工具平权不会自动带来能力平权

不过，如果把问题讲到“学校应该发 Token”就结束，也会把 AI 教育想得太简单。因为接入资源只是第一层，真正决定学生差距的，还有使用方式和最终转化能力。

我更愿意把 AI 时代的数字鸿沟分成三个层次：Access、Literacy、Conversion，也就是有没有、会不会、能不能变成自己的东西。

第一层是接入鸿沟。有没有模型、Token、算力和顺手的 Agent，决定了一个人能不能进入新的计算环境。这一层最容易看见，也最适合由学校、政府和企业通过统一采购、教育优惠、校内部署、API 配额和公共算力进行干预。2025 年有关大学生 GenAI Divide 的研究，已经开始把 AI 素养差异放进传统数字鸿沟的框架中讨论，发现不同素养水平的学生，在理解和生产性使用生成式 AI 的方式上存在明显差异。

但假设明天所有大学生突然免费获得一百万 Token，差距并不会因此消失。相反，由于工具的放大作用，一部分差距可能会更快显现出来。

第二层是使用鸿沟。同样给两个人一个 ChatGPT，第一个人每天让它写作业、总结材料、直接给答案，复制粘贴以后就算完成；第二个人则要求它找出自己思路中的漏洞，解释代码为什么死锁，分析结论依赖哪些假设，或者设计一个最小实验验证自己的猜想。两个人使用的是同一套工具，但前者主要在外包思考，后者则在购买陪练。

南方周末采访研究 AI 与教育的学者时，有一句话很准确：“可以把一部分思考外包给 AI，但不能把理解外包。”这句话的重点并不是要求学生重新手工完成所有劳动，而是要求学习者始终保留对问题的理解和追问。判断学习是否发生，不应只看这道题是不是你亲手敲出来的，而应看你能不能解释它、质疑它、修改它，并在遇到新条件时继续推进。

第三层是产出鸿沟，也是最深的一层。每天聊五小时 AI、收藏两百个 Prompt、看三百个教程、订阅十个模型，这些只能证明你很忙，不能证明你正在成长。真正可能改变一个人轨迹的，是一个有人使用的开源项目、一项研究、一个解决现实问题的产品、一篇有自己判断的文章，或者一种别人愿意为之付费的能力。

Token 最后变成什么，比烧了多少重要得多。第一层决定你能不能进入赛场，第二层决定你怎样训练，第三层才决定你最终有没有形成属于自己的作品、资产和机会。

这也解释了为什么 AI 既可能缩小差距，也可能扩大差距。它让更多人以更低的成本获得能力入口，却不会自动替所有人建立目标、判断和行动力。工具越强，原本存在于人身上的差异，反而越容易被迅速放大。

六、判断稀缺机制：生成越便宜，负责越昂贵

很多人有一个很直觉的推论：AI 越聪明，人就越不需要懂。这个推论的问题在于，它把“能够生成一个结果”和“能够判断这个结果是否可靠”当成了同一种能力。

2025 年 Stack Overflow 开发者调查中，84% 的受访者已经在使用或计划使用 AI 工具，但与此同时，46% 的开发者明确不信任 AI 输出的准确性，信任者只有 33%。更值得注意的是，66% 的开发者遇到过那种“几乎正确，却又不完全正确”的 AI 方案。

这类错误比明显胡说更麻烦。明显错误，你看一眼就可以扔掉；真正危险的是，代码结构漂亮、逻辑看起来合理，甚至在普通测试里真的能跑，偏偏在某个边界条件、并发场景或者安全约束下出问题。它不像一个完全不懂的人写的东西，反而像一个能力不错但缺少经验的同事交来的代码，因此更需要有判断力的人进行审核。

Google 工程师 Addy Osmani 把类似现象称为 The 70% Problem。AI 很快就能把项目推进到一个看起来相当完整的阶段：页面、CRUD、接口、普通业务逻辑，几乎都能迅速生成。随后剩下的部分开始涉及边界条件、性能、安全、可访问性、系统集成和可维护性，而这些问题往往比前面的初步实现更依赖经验。

所谓“70%”并不是一条可以精确测量的工程定律，而是一个很好的成本结构比喻：AI 降低了第一版的生产成本，却没有以同样的比例降低最后的验证与负责成本。

因此，人的工作正在向后移动。过去你负责产生第一版，现在 AI 可以产生第一版，而你越来越需要负责决定它能不能上线、数据是否可靠、实验有没有偷换变量、引用是否真实、系统会不会在极端情况下失效。以前稀缺的是“我能做出来”，以后越来越稀缺的会是“我知道它做得对不对”，以及更进一步的，“我敢不敢为这个结果负责”。

这也正是为什么我认为，未来最值得训练的能力，可以归结为问题意识、判断力和品味。

问题意识决定你能不能发现值得解决的问题。AI 可以在十秒钟里生成一千字，但它并不知道你为什么需要这一千字，也不知道你真正应该追问的是什么。一个人如果只会说“帮我写一个 XX”，那么生成就成了终点；另一个人如果会继续追问假设、反例、变量、失败条件与验证方法，那么每一轮对话都可能产生下一个更有价值的问题。

判断力决定你能不能在多个看似合理的方案中识别风险。AI 给你五个答案，真正的专业能力不一定体现在你能否再写出第六个，而可能体现在你知道哪三个不能用，以及为什么不能用。

品味则决定你究竟想把事情做成什么样子。AI 一天可以生成十个标题、二十套 Logo、三十个 UI、五十个商业方案，过去“做不出来”的瓶颈正在下降，“这么多东西里到底哪个好”的问题却变得更加突出。什么叫好代码，什么叫好设计，什么叫值得投入半年的产品，什么叫真正有价值的研究问题，这些标准不会因为候选项变多就自动产生。

AI 可以替你批量生成候选项，却不能替你逃掉最后那个“就这个”的选择。一个没有目标的人，可能只是更高效地制造电子垃圾；一个不愿验证的人，可能把错误和自己的自信一起放大。工具不会自动把人变得有判断力，它只是让原本拥有判断力的人，能够以更低的成本探索更多可能性。

七、学习预算机制：别把工具列表变成新的课程表

AI 时代还有一种很容易被忽略的成本，那就是注意力。

ChatGPT、Claude、Gemini、DeepSeek、Kimi、Codex、Claude Code、Cursor，以及不断出现的 Agent 和框架，每天都在制造新的学习对象。一个计算机学生很容易产生这样的焦虑：这个是不是也得学？那个不用是不是落后了？别人每天跑十几个 Agent，我是不是太原始？别人一个月几十亿 Token，我怎么才这么点？

技术工具越多，人反而越容易觉得自己什么都不会。原本应该帮助我们节省学习成本的工具列表，悄悄变成了一份永远更新不完的新课程表。

这时候，我觉得很适合重新读 Dan McKinley 在 2015 年写的《Choose Boring Technology》。他提出过一个著名的比喻：一个团队只有有限的 Innovation Tokens。你可以拿几个 Token 去赌陌生数据库、新语言或新架构，但不能在所有地方同时创新，因为每一种陌生技术背后，都有学习、排错、维护、文档缺失和未知 Bug 等持续成本。

学生其实也有自己的 Learning Tokens。一个人一年真正能够连续投入几个月，学到足以解决复杂问题的东西，也就那么几样。你不可能同时深入操作系统、分布式训练、前端工程、嵌入式安全、量化交易、三维设计，还顺便熟练掌握每周刚发布的新 Agent。时间没有因为模型更新而增加，注意力也没有因为工具变多而变成无限资源。

心理学家 Barry Schwartz 讨论过“选择悖论”：选择不断增加，不一定让人更自由，有时反而使人更容易焦虑、瘫痪和后悔。今天的 AI 工具圈，几乎就是这个问题的一次大型工程实践。每个工具都声称能够提高效率，最后你可能把全部效率都花在了研究如何提高效率上。

我的建议是，把探索和主线分开。允许自己了解新工具，但不要让每个新工具都获得改变你学习方向的权力。真正应该长期投入的，是那些能够不断复利的基础能力和项目经验；工具应该围绕目标选择，而不是让目标围绕工具不断迁移。

Token 是燃料，不是里程。车停在原地轰油门，油一样会烧。一个月消耗多少 Token，最多说明你使用了多少计算资源，并不能直接说明你学到了多少。真正值得优化的，是这些消耗最终有没有变成你的知识、判断、代码、作品和经验。

八、能力外包机制：问题不在于借力，而在于控制权

《Vista看天下》曾经写过一个很有意思的场景：DeepSeek 出现长时间服务异常后，社交平台上不少学生和职场人开始焦虑，论文做到一半、代码调到关键阶段，AI 突然没了，很多人发现自己不知道下一步该怎么办。有人把 AI 称作自己的“外置大脑”，这个词既准确，也值得警惕。

人类文明本来就是一部能力外包史。我们把长距离移动交给汽车，把记忆交给文字，把计算交给计算器，把信息索引交给搜索引擎，如今当然也可以把一部分生成与执行能力交给 AI。要求一个现代人不借助工具，才能证明自己真正拥有能力，本身就是一种不太现代的想法。

所以问题从来不是“有没有外包”，而是外包以后，最终的控制权还在不在自己身上。

一个很有用的测试，是偶尔把 AI 暂时拔掉。如果没有 AI，你只是速度从 100 降到 40，但仍然知道问题是什么、下一步该查什么、应该怎样验证，那么它主要是在给你加杠杆；如果没有 AI，你连项目的结构、错误的原因和下一步行动都完全说不清楚，那么它可能已经不只是工具，而是在代替你完成原本应该由你建立的理解。

当然，这个测试也不能被机械地理解成“离开 AI 仍然必须保持同样效率”。一个人离开汽车不需要依然日行千里，离开计算器也不必心算所有复杂运算。真正应该保留的，不是每个底层动作，而是对问题、方法、约束和结果的掌握。你可以不亲手完成所有计算，但应该知道自己在计算什么；可以不亲手写每一行代码，但应该能够理解系统的关键行为，并在需要时找到验证和修复的路径。

《荀子》里有两句话，放在这里很合适：“君子生非异也，善假于物也。”以及“君子役物，而不役于物。”前一句讲的是人应当善于借助工具，后一句讲的是人不能反过来被工具支配。

AI 时代真正成熟的学习者，不是那个坚持什么都自己做的人，也不是那个把一切都交给 AI 的人，而是能够决定哪些工作值得外包、哪些理解必须保留，以及如何让工具的每一次输出继续服务于自己的目标。方向盘并不意味着每个零件都要亲手制造，但它意味着你至少知道车正开向哪里。

九、大学再定价机制：四年时间必须换来机器无法代办的训练

如果 AI 可以写 CRUD，我们为什么还教编程？如果 AI 可以总结论文，我们为什么还读论文？如果 AI 可以写报告，为什么还要训练写作？如果 AI 可以搜索知识，为什么还要记东西？

这些问题的答案，不应该只是“因为考试还要考”。那等于承认课程存在的理由，是为了让课程自己继续存在。

真正的答案在于，许多表面技能本来就是更深层能力的训练载体。写代码训练的不只是语法，还有抽象、系统设计和错误定位；读论文训练的不只是知识记忆，还有问题意识、证据判断和研究方法；写文章训练的不只是文字生产，还有思想如何被组织成一个能够经受反驳的结构。

当 AI 能够替我们完成越来越多表面动作，大学就必须把训练目标从“完成动作”推进到“形成能力”。这要求课程设计发生实质变化，而不是只在原来的作业旁边增加一句“禁止使用 AI”。

南方周末曾报道过一所正在调整语言类专业的高校。面对机器能够在几秒钟内完成部分传统专业工作的问题，学校并没有简单得出“语言不用学了”的结论，而是减少单纯的工具训练，把更多内容转向 AI、数据、跨学科能力，并让学生通过开发产品和软件解决真实问题。这个案例有代表性，因为迟早需要回答同样问题的绝不只是翻译专业，计算机、设计、金融、法律以及更多专业都会遇到类似挑战。

大学未来真正值得学生付出四年时间的，是一个高质量的训练环境。这里有真正厉害的人，可以告诉你一个问题为什么值得研究；有水平很高的同龄人，让你发现自己的想法并没有想象中成熟；有实验室、设备和项目，使你能够接触个人难以承担的成本；有真实合作、失败、批评和反馈，迫使你学会在复杂世界里完成事情。

这些东西不是一份公开课列表，也不是一个无限上下文的聊天窗口能够自动提供的。AI 可以模拟面试官，但真实面试会决定你是否获得机会；AI 可以扮演用户提出意见，但真实用户会直接不用你的产品；AI 可以帮你检查论文，但真正的学术讨论会让你面对别人对研究价值与证据的质疑。

大学应该利用 AI 降低知识和基础实践的成本，把节省出来的时间投入这些更昂贵的训练。它不应该因为 AI 出现而放弃教育，恰恰应该因为 AI 出现，终于有机会把教育从大量机械交付中解放出来。

十、自主学习机制：真正该退场的，是等待别人安排成长

重新回到开头：如果你的大学不提供 Token，应该立即退学吗？

我的判断很明确：不应该因为这个理由退学，但也不应该因此放弃学习 AI。真正到了应该退场时候的，是那些把教育责任和个人成长混为一谈的旧观念。

一所大学不能一边告诉学生 AI 是未来，一边不给基本实践环境；不能一边要求学生具备 AI 素养，一边把全部试错成本转嫁给个人；也不能把“老师讲完 PPT”“学生交齐作业”“考试拿到高分”继续当成教育已经完成的充分证据。这些旧假设，才应该开始退场。

而对学生来说，学校资源不足也不能成为停止学习的理由。学校有统一 AI 平台，就充分利用；有好老师、实验室和优秀同龄人，就尽量争取；没有足够的付费 Token，可以寻找教育优惠、免费额度、开源模型、开发者活动和合理的低成本方案。简单任务不必动用最贵模型，实验也不必每次都追求最长上下文。会选择工具、控制成本、设计有效的实验，本来就是 AI 工程能力的一部分。

但更重要的是，不要把自己从“等待老师安排”换成“等待 AI 安排”。课程体系慢了，可以自己补；学校没有开某个方向的课，可以去读公开资料、做项目、进入社区；遇到一个真正感兴趣的问题，可以先做一个最小版本，让现实告诉你哪里不行，再决定下一步需要学习什么。

如果 AI 帮你节省了一小时，不妨把这一小时用来做更难被机器替代的事情：去见人、做实验、参加比赛、推进项目、寻找真实用户、接受教授追问，或者和队友认真争论一个技术方案。因为再强的模型，也无法替代一种数据——你自己亲自撞上现实以后得到的反馈。

现实世界，仍然是最贵的训练集。

所以，我并不认为 AI 时代的大学生应该以“无限 Token”为终极目标。无限资源不会自动产生无限能力，正如一座装满书的图书馆，不会自动让走进去的人变成学者。真正值得追求的，是你能够把资源转化成判断，把判断转化成行动，把行动转化成经得起现实检验的东西。

大学应该适应时代，学生也应该学会离开课程表继续成长。这不是在替任何一方开脱，而是要求双方分别承担自己的责任：学校提供高质量的训练环境和合理的基础设施，学生则必须亲自完成理解、选择与创造。

《荀子》说：“君子生非异也，善假于物也。”电脑是物，互联网是物，大模型和 Agent 也是物。一个真正善于学习的人，从来不会因为工具强大而羞于借力。但“善假于物”的重点，不在于拥有多少工具，也不在于一个月烧掉多少 Token，而在于那个“善”字：知道什么时候用，为什么用，什么结果值得相信，什么工作可以交给机器，以及什么责任必须留在自己身上。

如果一所大学暂时没有给你 Token，你完全可以理直气壮地要求它改善条件，也应该主动寻找进入新计算环境的办法。不要因为一句“立即退学”就焦虑，更不要把退学当成一种表达技术先进的姿态。真正的自主学习，不是离开大学，而是不再把自己的成长完全绑定在大学的安排上。

有一天，你离开课程表，离开标准答案，离开老师安排好的路线，甚至临时离开 AI，仍然知道下一步应该学什么、问什么、验证什么、做什么。那时候，大学还在，AI 也在，但你已经不会被任何一个工具、平台或者体系困住。

君子生非异也，善假于 AI 也。

可别忘了另一句：君子役物，而不役于物。

这个能力，Token 买不来，学校发不下来，AI 也不能替你生成。它只能在一次次读书、提问、做事、犯错、判断和被现实纠正的过程中，慢慢长到你自己身上。