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。”
乍一看，多少有点虎狼之词。
国内高校计算机系已经卷到什么程度了？
以前劝退：
数学不好别学计算机。
后来：
不会 C++ 别学计算机。
现在版本更新成：
Token 都舍不得烧，建议直接退学。
但如果把完整课堂语境看完，会发现这句话真正想讨论的，并不是“谁花的钱多谁更努力”。
蒋炎岩今年开的《生成式软件工程》，本身就很不传统。
课程强调高强度使用生成式 AI，Token 自费，同时又明确反对无意义的 Tokenmaxxing。
换句话说：
不是让学生把 Token 当水烧。
而是训练另一套过去计算机课程里很少被单独拿出来教的能力：
怎么给 AI 拆任务。怎么选模型。怎么写上下文。怎么控制成本。怎么检查结果。什么时候相信它。什么时候必须自己接管。
这背后其实藏着 2026 年计算机学生越来越真实的一种焦虑。
第一种焦虑叫：
AI 替我上大学。
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。
期末一看：
作业全交了。成绩不错。格式漂亮。
唯一没有真正接受训练的，是学生本人。
第二种焦虑更扎心。老老实实学了四年。绩点不错。比赛参加过。项目做过。实习有了。论文有了。
到了毕业时突然发现：
自己花几年训练出来的一部分机械能力，AI 几秒钟就能做。
于是一个以前显得有些哲学的问题，突然变得非常现实：
如果知识越来越容易获得，代码越来越容易生成，答案越来越便宜，我们到底为什么还要上大学？
这才是“没有 Token 就退学”真正值得讨论的地方。
我基本赞同蒋炎岩背后的那个判断：
2026 年，一个计算机专业学生如果还没有建立高频使用 AI 的习惯，确实应该警惕。
AI 已经很难再被当成一个“有空可以学一下”的插件。
它正在逐渐变成新的计算环境。
但问题也恰恰出在这里。
如果我们偷偷把：
“学生应该学会使用 AI”
换成：
“舍不得自己掏几百块买 Token，就是学习态度不行。”
事情就完全不一样了。
因为如果 AI 已经重要到足以决定一个学生是否“适合继续学计算机”，那它还是单纯的个人消费品吗？
还是说，它已经开始变成一种教育基础设施？
一、大学第一次失去的，是知识的垄断
我一直觉得，今天关于“大学还有没有用”的讨论，很多时候问错了问题。
大学当然有用。
问题是：
大学过去那些最有价值的东西，还有多少依然稀缺？
二十多年前，一个人想听一位顶尖大学教授完整讲一门操作系统课，最直接的办法是什么？
考进去。选到课。坐进教室。错过就是错过。听不懂只能硬扛。后来互联网来了。
MOOC、B 站、YouTube、公开课、GitHub、博客、Stack Overflow 把知识传播的边际成本几乎打到了零。
一个南京大学教授讲一遍课。不再只是几十个人听。可以是几万人。可以暂停。可以回放。可以倍速。可以凌晨两点学。可以三年后再看。
互联网第一次大规模打掉的是：
知识传播的稀缺性。
所以后来才会出现“B 站大学”“YouTube University”这种玩笑。
玩笑背后其实发生了一次非常深的教育资源迁移。
以前“接触好老师”本身是一种稀缺资源。
后来至少“听到好老师讲课”不再那么稀缺。
而 AI 又往前走了一步。
它开始攻击另一些过去非常昂贵的东西：
解释。
反馈。
陪练。
耐心。
2023 年，Khan Academy 创始人 Sal Khan 在 TED 演讲里提出过一个很大胆的设想：
AI 有可能让每个学生拥有一个私人 tutor，让每个老师拥有一个 AI teaching assistant。
这件事真正恐怖的地方，不在于 AI 会不会“讲课”。
网上从来不缺讲课视频。
它真正改变的是：
同样一个知识点，可以开始根据不同的人重新解释。
以前你看一本操作系统教材。作者怎么写，你就怎么读。一个概念卡住半小时，只能自己翻。
现在你可以直接说：
“假设我是一个只学过 C 语言的本科生，给我重新讲一下虚拟内存。”
没听懂？
“再简单一点。”
“拿宿舍举例。”
“画一下页表查询过程。”
“用我刚才发你的代码解释。”
“先别给答案，你问我几个问题判断我到底卡在哪。”
同一本教材，在不同的人面前，终于开始长成不同的样子。
互联网复制了优秀课程。
AI 某种意义上开始复制：
老师的耐心。
这才是教育真正被冲击的地方。
二、AI 同时给“读、问、做”三件事上了杠杆
我一直很喜欢一个特别朴素的成长框架：
从书中学。
与高人聊。
在事上练。
绝大多数真正的成长，绕一圈最后基本逃不出这三件事。
AI 特别的地方在于：
它居然同时给这三件事加了杠杆。
第一重杠杆：从书中学
过去教材是静态的。论文是静态的。作者不能知道你哪里看不懂。也不知道你缺哪块前置知识。
现在一本书旁边，可以永久坐着一个助教。
你可以让 AI：
先给你画知识地图。补前置知识。拆公式。解释论文实验。针对你的错误出题。模拟老师追问。
甚至可以明确要求：
“不要告诉我答案，只告诉我下一步应该想什么。”
所谓因材施教过去为什么昂贵？
不是因为人类不知道“因材施教很好”。
而是优秀教师的时间无法复制。
AI 至少让这件事第一次拥有了接近软件的边际成本。
第二重杠杆：与高人聊
这句话很容易被误解成：
“以后不用跟人交流了，有事问 AI 就行。”
当然不是。
真正厉害的人的经验、判断、价值观、现场感、关系和信任，AI 替代不了。
但大量过去卡住普通人的“第一步”，确实变便宜了。
想做一个产品，不知道从哪里开始。
先问 AI。
听到一个领域，不知道里面有哪些方向。
先铺地图。看到两个技术路线，不知道差在哪。让 AI 分别站到正反两边打一架。
以前遇到一个陌生问题，我们的默认动作是：
打开搜索引擎。
现在越来越多人的第一个动作变成：
打开对话框。
搜索引擎给你十个链接。
AI 可以先把这十个链接背后的问题结构整理出来。
当然，最后仍然需要回到论文、文档、代码、原始数据核验。
但这个学习顺序已经发生了变化：
以前是：
先找资料，再慢慢形成地图。
现在可以：
先形成地图，再有目的地找证据。
这本身就是认知效率的巨大变化。
第三重杠杆：在事上练
这一层，我认为影响最大。
因为 Agent 正在大幅缩短一个想法从：
“我有点想做。”
到：
“我靠，这玩意居然真的跑起来了。”
之间的距离。以前一个学生突然想做网站。好。先学 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，热情可能已经消失了。
很多想法其实不是死于失败。
而是死于：
准备阶段太长。
现在不一样。你完全可以一边不会，一边开工。让 AI 先搭骨架。你决定产品逻辑。跑起来。报错。查。修改。继续跑。
一天之后，一个很丑但真的可以访问的东西，可能已经挂到了互联网上。
以前一个学生的想法和一个真正能让陌生人使用的产品之间，可能隔着前端、后端、设计、运维甚至一整个小团队。
现在这个距离正在快速缩短。
这也是为什么这两年 One Person Company、solo founder、Agent team 会反复被提起。
不是因为一个人突然拥有了八只手。
而是因为一部分过去必须由“人”完成的中间步骤，第一次可以低成本外包给软件代理。
三、为什么 Vibe Coding 真的很容易让人上瘾
为什么游戏特别容易让人持续投入？
因为反馈太密了。经验值涨了。Boss 倒了。装备亮了。排名升了。现实世界却很少有这么密集的正反馈。你读三个月操作系统。
世界不会突然弹出：
+500 SYSTEMS ENGINEERING XP
但 Agent 编程很像游戏。写一句需求。代码出来。点一下。页面动了。再说一句。登录界面有了。晚上部署。手机打开链接。它真的在那里。反馈密度一下子变得非常高。
更关键的是：
游戏里的反馈，很多时候只留在游戏世界。
服务器一关。装备没了。等级没了。
可 Agent 帮你完成一个真正的项目：
GitHub 仓库是真的。网站是真的。用户可能是真的。简历上的项目是真的。甚至收入也可能是真的。
所以 Agent 最珍贵的一点，并不是：
“它帮你少写了多少行代码。”
而是：
它把创造的反馈提前了。
过去计算机教育一个很严重的问题，是基础训练时间很长，真实反馈来得很晚。
链表。排序。指针。操作系统实验。数据库作业。这些当然重要。
但一个刚入门的学生可能很久都体会不到：
“我学这些东西究竟可以创造什么？”
Agent 把“做东西”提前到了第一天。
这对兴趣是非常重要的。
但这里必须把一个词讲清楚。
2025 年 Andrej Karpathy 创造“Vibe Coding”这个词的时候，它最初其实带着很强的玩笑意味：
不怎么看代码 diff，模型改什么就 Accept All，报错了就把错误继续扔回去，直到东西跑起来。
Simon Willison 后来反复强调：
并不是所有 AI 辅助编程都叫 Vibe Coding。
如果代码最后要进生产环境，那么开发者仍然应该 review、测试并理解它，并对结果负责。
这个区别非常重要。
因为：
“我不再手敲每一行代码。”
和：
“我不再理解自己的代码。”
完全是两回事。前者可能是效率提升。后者可能是在拆自己的地基。
所以真正值得鼓励的不是：
“AI 会写代码，以后不用学代码了。”
而是：
让 AI 降低创造门槛，同时让人保留方向盘。
四、真正被 AI 击穿的，也许不是课堂，而是“作业”本身
Ethan Mollick 曾经用过一个非常形象的说法：
Homework Apocalypse。
“作业末日”。
他的意思并不是学生以后不用学习。
而是：
如果 AI 已经可以完成大量传统作业，那么过去依赖“交一份作业”判断学生是否掌握知识的评价方法，就开始失效了。
2024 年，他继续写《Post-apocalyptic education》，直言 AI 已经可以完成大量传统作业和测试，而教育体系真正困难的问题变成：
作业不能证明学习发生以后，我们靠什么判断学习真的发生了？
这和今天很多大学里的现实非常像。
《Vista看天下》采访过用 AI 应付课程论文的学生。
一部分学生觉得某些课程作业机械、重复、含金量低，于是自然把它们交给 AI。
从学生角度看，逻辑甚至非常合理：
一个人觉得某件事没有价值。
AI 又能五分钟完成。
为什么还要花三个小时？
可问题在于：
如果课程设计本身已经机械到可以被 AI 一键完成，真正应该反思的可能不只是学生“作弊”。
还有：
这份作业原本到底在训练什么？
以前教育很容易偷懒。老师布置论文。学生交论文。老师看到一篇结构完整的文字。
默认：
学生思考过了。现在这条逻辑断了。看到一篇好文章，不代表学生会写。
看到一个能运行的项目，不代表学生理解代码。
看到一个漂亮 PPT，不代表学生懂里面的概念。
甚至考试拿高分，也不一定再足以证明：
这个能力真的存在于这个人身上。
南方周末今年有一篇文章讲得很直接：
真正值得期待的，不是哪所学校最先接上最新模型，而是谁能够借这次技术变化，重新调整培养目标、课程结构、教师角色和评价机制。
这才是 AI 对大学更深的一刀。
不是：
“要不要允许学生用 ChatGPT？”
而是：
当 ChatGPT 已经存在以后，我们究竟还应该考什么？
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。
但教育都会重新回答一遍：
一个受过良好教育的人，到底应该“自己会”什么？
AI 只是让这道题突然变得特别急。
五、如果 Token 是实验耗材，为什么只能学生自己买？
说到这里，问题又绕回 Token。
如果这种训练已经这么重要，那么 Token 到底是什么？
娱乐消费？
游戏充值？
还是学习基础设施？
我越来越倾向于后者。化学专业做实验要试剂。电子专业需要开发板和示波器。机械专业需要设备。
过去 CS 的实验耗材看起来很便宜：
电脑。编译器。校园网。开源软件。
很多东西复制一次以后，可以无限使用。
大模型出现以后，第一次有一种非常典型的：
按量付费的软件实验耗材。
它看不见。但上下文一拉长。Agent 一并发。工具调用一多。账单真的会动。
所以：
“学生应该学会使用 AI。”
和：
“AI 的全部学习成本都应该由学生个人承担。”
从来不是一句话。
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兜底，那当然值得讨论。
而且这不是技术上做不到。
中国科学技术大学已经建设了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，并通过标准接口调用模型。
华东师范大学的大模型开放平台则直接把资源做成 credits 配额体系，对个人用户设置 5 小时、每日、每月额度，对话模型根据 Token 折算消耗。
中南大学也已经上线面向师生的大模型 API 服务，提供 API 密钥和多种开源模型，支持教学、科研和应用开发。
这些案例至少说明：
大学级 AI 基础设施不是幻想。
有人已经在铺。
更有意思的是，这件事已经不只发生在大学。
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。
这项计划有一个非常值得注意的逻辑：
AI 素养教育和 AI 工具访问权，被放在了一起。
不是只教你“AI 很重要”。
也不是只发给你一个账号。
而是：
先理解它。
再让你真正使用它。
OpenAI 在这个项目里用了一个很激进的比喻：
希望未来“智能”像电力一样，成为按需可用的资源。
先不讨论这个愿景最终能不能实现。
仅仅这个比喻本身就很值得教育界思考。
今天我们不会要求一个计算机系学生：
“想上网？自己拉根光纤吧。”
学校有校园网。
不会要求所有学生：
“查论文？数据库会员自己一个一个买。”
学校会买数据库授权。
那么未来某一天：
“学校有没有统一 AI 能力入口？”
可能真的会变成和：
“学校有没有校园网？”
一样自然的问题。
六、真正的 AI 数字鸿沟，其实有三层
但如果事情只讲到“学校应该发 Token”，又太简单了。
因为 AI 时代的数字鸿沟，我觉得至少有三层。
第一层：接入鸿沟
有没有模型。有没有 Token。有没有算力。有没有顺手的 Agent。这是最容易看见的一层。
也是学校、政府和企业最容易干预的一层。
统一采购。教育优惠。校内部署。API 配额。公共算力。都可以降低它。
学术研究里也已经开始出现一个非常明确的概念：
GenAI Divide。
2025 年一项大学生研究发现，AI 素养不同的学生，在生成式 AI 的理解和使用方式上存在明显差异；AI 素养更高的学生，更容易把生成式 AI 用在生产性的学习活动中，而较低 AI 素养者更容易谨慎、害怕或者根本不知道如何有效使用。研究者直接把这种现象放进传统“数字鸿沟”的框架中讨论。
但接入其实只是最浅的一层。
因为假设明天：
所有大学生突然免费获得一百万 Token。
差距不会消失。
很可能反而会迅速扩大。
第二层：使用鸿沟
同样给两个人一个 ChatGPT。
第一个人每天问：
“把作业写了。”
“总结一下。”
“答案给我。”
“帮我生成。”
复制。粘贴。提交。
第二个人问：
“先别给答案，这是我的思路，找漏洞。”
“为什么这里会死锁？”
“这个结论依赖哪些假设？”
“站在反方攻击我。”
“给我设计一个最小实验。”
“我的代码可能在哪三个边界条件炸？”
工具完全一样。
一年之后可能已经像两个物种。
前一个人在：
外包思考。
后一个人在：
购买陪练。
南方周末采访一位长期研究 AI 与教育的学者时，有一句话特别准确：
“可以把一部分思考外包给 AI，但不能把理解外包。”
我觉得这句话几乎可以当 AI 学习的底线。
因为最终真正重要的问题不是：
这道题是不是你手敲出来的。
而是：
这个东西有没有穿过你的脑子。
你能不能解释。能不能质疑。能不能修改。
能不能在 AI 离线的时候继续往下走。
第三层：产出鸿沟
最深的一层是：
你能不能把 AI 转化成作品、资产和机会。
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。
这些都只能叫：
活动。
真正可能改变一个人轨迹的，往往是另外一些东西：
一个开源项目。一个真的有人使用的产品。一次研究。一篇真正有判断的文章。一个比赛作品。一段能解决现实问题的代码。一个别人愿意付钱购买的能力。
Token 最后变成什么，比你烧了多少 Token 重要太多。
所以我更愿意把三层鸿沟总结成：
Access。
Literacy。
Conversion。
有没有。会不会。能不能变成自己的东西。第一层学校可以帮你铺平很多。后两层最终必须自己走。
七、AI 越会生成，“判断力”反而越贵
很多人有一个非常直觉的推论：
AI 越聪明。
人越不需要懂。
但真实世界正在出现一个有趣的反方向现象。
2025 年 Stack Overflow 开发者调查里，84% 的受访者已经在使用或计划使用 AI 工具。
可与此同时：
46% 的开发者明确不信任 AI 输出的准确性，信任者只有 33%。
最常见的挫败感也不是：
“AI 完全胡说八道。”
而是：
它给出的东西差一点就对。
66% 的开发者遇到过这种“几乎正确，但又不完全正确”的 AI 方案。
这其实比明显错误更危险。
明显胡说，你一眼就能扔掉。
最危险的是：
看起来合理。结构漂亮。甚至真能跑。偏偏在某个边界条件炸。
于是 AI 越强，人真正负责的工作开始向后移动。
以前：
你负责产生第一版。
以后：
AI 产生第一版。
你负责：
签字。
能上线吗？
数据可靠吗？
这个实验有没有偷换变量？
这段代码有没有安全问题？
这个论证引用是真的吗？
这个模型输出为什么值得相信？
Google 工程师 Addy Osmani 把这种现象叫作：
The 70% Problem。
AI 很快把你送到项目的 70%。第一版页面。CRUD。接口。普通逻辑。几秒钟就出来了。
然后剩下 30% 开始出现：
边界条件。并发问题。安全漏洞。可访问性。性能。系统集成。可维护性。
而最后这 30%，往往比前 70% 更依赖经验和工程判断。
所以 AI 最讽刺的地方可能在这里。
它确实降低了一部分专业技能的门槛。
但同时又提高了另一种技能的价值：
判断。
以前稀缺的是：
“我能做出来。”
以后越来越稀缺的是：
“我知道这个东西做得对不对。”
更进一步：
“我敢不敢为这个结果负责。”
八、答案越来越便宜以后，最贵的会是问题、判断和品味
如果让我猜未来几年学生最值得训练的能力，我会选三个。
第一，问题意识
AI 首先把什么变便宜？
不是知识。
而是：
一个长得像答案的东西。
打开窗口。输入一句话。十秒以后。一千字。所以稀缺性会继续向上游移动。
真正困难的问题会变成：
你知不知道应该问什么？
一种人使用 AI：
“帮我写一个 XX。”
提问就是终点。
答案就是交付。
另一种人会继续：
为什么？
依赖什么假设？
如果这个变量变化呢？
有没有反例？
这个结论在哪里会失效？
站在反方，你怎么攻击？
怎么设计实验验证？
后一种人和 AI 的每一轮对话，不是在消费答案。
而是在制造：
下一个问题。
几年以后，被训练出来的是两个完全不同的大脑。
第二，判断力
前面已经说了。AI 不是让判断力贬值。恰恰可能让它升值。
因为生产成本下降以后：
审核成本会相对变重要。
一个人真正的专业能力以后越来越可能体现在：
AI 已经给了你五个答案，你能不能知道哪个不能用。
第三，品味
这一条经常被技术圈低估。
AI 可以一天给你：
10 个标题。20 套 Logo。30 个 UI。50 个商业方案。100 个文案。
以前创作最大的瓶颈经常是：
做不出来。
以后会越来越变成：
这么多东西里，到底哪个好？
这就是品味。什么叫好代码。什么叫好设计。什么叫好文章。什么叫真正有价值的问题。什么叫值得花半年做的产品。AI 可以帮你批量生成候选项。
却不能替你逃掉最后那个：
“就这个。”
南方周末今年一篇关于 AI 与人才的报道也发现：
AI 到来以后，扎实的专业积累，以及审美、想象力、问题意识和批判能力，并没有因此失去价值；对于缺乏判断能力的人，完全依赖 AI 反而可能让差距进一步扩大。
所以 AI 很像一个残酷的放大器。你有问题意识。它帮你一次探索十条路线。你有行动力。它把一天的动作压缩成一小时。你有审美。
它一次给你生成一百个版本，让你不断训练选择。
可反过来。你没有目标。它也能陪你生成五十份电子垃圾。你不验证。它会把错误和你的自信一起放大。你只想糊弄。它会让糊弄变得前所未有地高效。
AI 放大认知。
也放大空洞。
放大勤奋。
也放大偷懒。
工具不会替你决定：
最后被放大的，到底是哪一面。
九、别再 Tokenmaxxing：你自己的 Learning Tokens 也有限
这里还必须再泼一盆冷水。
学校应该提供 AI 资源。
不等于：
Token 越多越好。
更不等于：
谁烧得多，谁更先进。
这个时代特别容易制造一种新的技术焦虑。
ChatGPT。Claude。Gemini。DeepSeek。Kimi。Codex。Claude Code。Cursor。几十种 Agent。几十种框架。每天一个新模型。每周一个新 Benchmark。
于是你很容易开始怀疑：
“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？”
这时候特别适合重新读一篇 2015 年的老文章。
Dan McKinley 在《Choose Boring Technology》里提出过一个著名比喻：
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。
赌一门新语言。赌新架构。但不能所有地方同时创新。
因为任何陌生技术都不仅仅意味着：
“学一下 API”。
后面还有：
排错。维护。认知成本。文档缺失。未知 Bug。团队协作。
我觉得学生其实也有自己的：
Learning Tokens。
你一年真正能够连续投入几个月，学到能打的东西，也就那么几样。
今天技术工具的数量第一次多到了一个荒谬程度。
工具本来应该帮你节省学习成本。
不能反过来让：
工具列表本身成为新的课程表。
心理学家 Barry Schwartz 很早就讲过“选择悖论”：
选择无限增加，不一定让人更自由，有时候反而更容易瘫痪、更焦虑、更后悔。
这个理论放在今天的 AI 工具圈简直精准得离谱。
你当然应该探索。但不要同时追十条主线。Token 是燃料。不是里程。车停在原地轰油门。油一样烧。
真正应该优化的不是：
每个月烧多少 Token。
而是：
每一个 Token 最后有没有穿过你，变成你的知识、项目、判断和作品。
十、如果 AI 是杠杆，怎么判断自己是不是已经把它用成了拐杖？
《Vista看天下》今年写过一个特别有意思的场景。
DeepSeek 出现长时间服务异常后，社交平台上大量学生和职场人开始崩溃：
论文做到一半，AI 没了。代码调到关键阶段，AI 没了。作业不知道怎么继续。
有人把 AI 叫作自己的：
“外置大脑”。
这个词特别准确。
但也特别值得警惕。
因为判断一个工具究竟是：
杠杆。
还是拐杖。
有一个非常残酷的测试：
把它拔掉一天。
如果没有 AI，你只是：
速度从 100 降到 40。
它是杠杆。
如果没有 AI，你变成：
完全不知道下一步做什么。
那它可能已经不仅仅是工具了。
所以我一直很喜欢《荀子》里两句话放在一起看：
君子生非异也，善假于物也。
以及：
君子役物，而不役于物。
会借助工具，本来就是人的能力。
人类文明史本身就是不断把能力外包给工具。
我们把腿的能力外包给汽车。把记忆外包给文字。把计算外包给计算器。把信息索引外包给搜索引擎。
当然也可以把一部分生成和执行能力外包给 AI。
问题从来不是：
“有没有外包？”
而是：
“外包以后，最终控制系统还在不在你身上？”
十一、所以，大学到底应该教什么？
南方周末今年采访一所正在调整语言类专业的高校时，开头其实问了一个所有专业都迟早要面对的问题：
如果机器几秒钟就可以完成过去需要专业训练才能完成的一部分工作，为什么还要花四年学习？
那所学校的答案不是：
语言不用学了。
而是开始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。
这个故事特别有代表性。
因为未来被迫回答这道题的绝不只是翻译专业。
计算机也一样。
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：
为什么还训练写作？
如果 AI 可以搜索知识：
为什么还记东西？
这些问题真正的答案不应该是：
“因为考试还要考。”
而应该是：
因为一些表面技能只是更深层能力的训练载体。
写代码的价值，可能越来越不只是：
敲出正确语法。
而是：
抽象问题。设计系统。理解 trade-off。定位错误。保证安全。为结果负责。
读论文的价值，不只是：
把内容记住。
而是：
学习别人怎么提出问题。怎么设计证据。怎么构造论证。怎么判断一个结论有没有越界。
写文章的意义，也不仅仅是：
生产两千字。
而是在写的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。
所以大学未来真正值钱的东西，可能越来越不是：
“这里有知识，你来听。”
而是：
这里有一群真正厉害的人。一套逼你思考的训练。一群水平很高的同龄人。实验室。设备。项目。真实合作。失败成本。批评。反馈。
以及那些一个人在宿舍和 AI 聊天永远替代不了的：
真实世界。
十二、如果学校不给 Token，你到底应该怎么办？
说到底，标题里的：
“立即退学”
当然不是让你明天去教务处注销学籍。
我真正想说的是另一件事：
你必须拥有离开课程表以后，仍然能够继续学习的能力。
学校资源好。狠狠干。碰到好老师。认真学。实验室能进。早点进。身边有厉害同学。多交流。学校有统一 AI 平台。能薅多少薅多少。
但别把自己的成长完全绑定在：
“老师什么时候教我。”
课程体系慢了。自己补。学校暂时没有 Token。找教育优惠。找免费额度。国产模型能解决就先用国产模型。简单任务别动最贵模型。参加比赛。黑客松。开发者活动。争取赞助。进真正有人做项目的社区。
让自己尽可能低成本地进入这个新的计算环境。
会控制成本，本身就是 AI 工程能力的一部分。
但与此同时：
别把 AI 省出来的时间，重新拿去生成更多 AI 垃圾。
如果 AI 帮你省下一小时：
去见人。去做实验。去做产品。去参加比赛。去跟队友吵一架然后把事情推进。去给真实用户用。去被教授追问。去面试。去让现实否定你的判断。
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。
十三、该“退学”的其实不是你
绕了一大圈。
重新回到开头。
如果你的大学不提供 Token，应该立即退学吗？
当然不是。
真正到了应该退场时候的，是一些更老的东西。
一边告诉学生：
AI 是未来。一边不给最基本的实践环境。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。遇到新技术，第一反应不是修改教学。
而是：
禁了再说。
学生交了一份漂亮作业，就默认知识已经进入他的脑子。
老师讲完 PPT，就默认教学已经发生。
考试拿了高分，就默认能力已经存在。这些旧假设，才应该开始“退学”。可反过来说。
就算明天所有大学突然给每个学生发：
无限 Token。最强模型。无限上下文。也不会自动产生一代更厉害的学生。
因为第一层：
接入鸿沟。确实可以靠钱填。但第二层、第三层依然在那里。你有没有问题意识。有没有判断力。有没有品味。有没有行动力。有没有把答案变成作品。
有没有在 AI 把启动成本降下来以后，真的开始做以前不敢做的事情。
这些最终决定：
Token 是燃料。
还是电子烟花。
《荀子》说：
君子生非异也，善假于物也。
电脑是物。互联网是物。大模型是物。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，从来不在：
你拥有多少物。
也不在：
一个月烧了多少 Token。
而在那个：
善。
知道什么时候用。知道为什么用。知道它给的东西是否可信。知道什么应该交给机器。也知道什么绝对不能外包。
所以如果一所大学暂时没有给你 Token，不要因为一句“立即退学”就焦虑。
去找。去学。去用。去薅。去做。
与此同时，你也完全可以理直气壮地要求大学：
既然 AI 已经越来越像新的学习基础设施，就不要只要求学生适应时代。
学校自己也应该适应时代。
而对一个学生来说，真正值得追求的，也不是某一天终于拥有无限 Token。
而是有一天：
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。
你仍然知道：
下一步应该学什么。应该问什么。应该验证什么。应该做什么。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、被现实纠正的过程中，一点一点，长到你自己身上。
参考资料与来源
- 南京大学蒋炎岩《生成式软件工程》公开讲义与课堂讨论
- Andrej Karpathy 关于 Software 2.0 与 Vibe Coding 的公开讨论
- 有关生成式教学与认知外包的系列前沿实证研究
