AI冲击下的高考志愿：“别拿上一代的经验，规划下一代的人生”

撰文｜张天祁‍

今年是叶晓阳做高考志愿公益辅导的第十一个年头。2016年，还在密歇根大学攻读博士的他跟随导师前往宁夏开展高考志愿填报研究，通过巡回讲座、发放志愿填报手册和一对一辅导，帮助当地考生弥合信息差。此后每年高考季，他都会为高考生提供免费志愿咨询，并且通过线上线下的讲座、直播等方式为高考生解惑。

他从密歇根大学获得博士学位后，在普林斯顿大学和布朗大学做过博士后研究，如今在亚马逊担任经济学家。一路走来，他始终关注高考志愿填报与升学选择中的信息不对称问题，并尝试用机制设计、行为经济学和人工智能的方法，帮助学生做好报志愿的决策。

每年义务辅导结束，他几乎都会想“今年是最后一年”。但下一年的报志愿期间，他又会重新出发。今年尤其如此，往年他的公众号高考系列文章通常到6月才动笔，今年4月便已经开始，现在已经写了超过30篇。

促使他提前行动的，并不是某一项具体的政策变化，而是一种持续加剧的紧迫感。AI正以每一两个月一次的速度快速迭代，但是相当多考生和家长的观念还停留在过去。

“别说高考志愿要预测未来四年会怎么样，就算是预测今年年底的世界，都变得越来越困难。在这种情况下，再沿用十年甚至二十年前形成的选专业、选行业经验，已经非常不可行了”，叶晓阳说。

上一代人的收入曲线，不能框定下一代人的职业地图

很多中国家庭在规划志愿时，往往有一个非常强的直觉。时代变化越快，越要押年轻、押新专业、押最前沿的岗位。

这种直觉并非毫无来由。过去二三十年，中国的确经历过一个奖励年轻的阶段。在不少行业里，年轻人比上一代更快拿到高收入。一些父母辈花十几年积累出来的职业经验，也被下一代赶上的教育扩张、产业升级和城市化机会迅速改写。

叶晓阳认为，要理解这种现象，首先需要先看劳动者收入曲线的变化。

叶晓阳经常推荐两位经济学家方汉明和仇心诚的"Golden Ages": A Tale of the Labor Markets in China and the United States这篇论文。它比较了两国的年龄收入曲线，发现美国收入最高的年龄段大体稳定在45到50岁附近，而中国城镇男性劳动者的收入峰值，在1990年代大约是55岁，到2010年代已经下降到35岁左右[1]。

这是中国经济高速增长阶段留下的鲜明印记，劳动力市场长期在奖励年轻。更年轻的世代拥有更高教育水平，进入的是更新的产业，也因此更快获得收入优势。

但这种优势很难长期维持。市场奖励的始终是更新本身，而不是某一代人，这也是35岁现象的出现的原因之一。

收入曲线本身会随着经济发展阶段改变。高速增长时期，年轻人更容易获得提前起飞的窗口。而当增长放缓、产业成熟，经验、判断力这些需要时间积累的能力，开始得到市场的奖励。

图源：叶晓阳个人公众号《依然糅春天》

美国的轨迹可以作为参考。哈佛大学教育经济学家David Deming在2021年发表的论文The Growing Importance of Decision-Making on the Job，是叶晓阳这些年反复在讲座和公众号里引用的一项研究。这项研究发现，美国劳动力市场中需要做决策的岗位比例，从1960年的约6%上升到2018年的约34%，其中将近一半的增长发生在2007年以后[2]。

与此同时，美国全职劳动者的收入峰值年龄也明显后移。1960年代通常在30多岁后期，到近几十年已经接近50多岁中期。

在叶晓阳看来，这背后指向的是同一个趋势。当经济进入更成熟的阶段之后，市场不再只是为技术能力本身付费，而是越来越看重技术之上的判断与决策。

原本，这种收入逻辑的转变也许需要二三十年才会逐渐完成。但在叶晓阳看来，AI大幅压缩了这条时间线，可能未来几年的毕业生将很快面临这个问题。因为AI带来变化的关键，就在于它能够击穿技术能力的溢价。它最先冲击的，恰恰是那些标准化程度高、主要依赖技术执行的工作。

这也是他反复强调的一点。不能拿一代人的收入曲线，去框定下一代人的职业版图，因为两代人面对的根本不是同一种情况。

在经济高速增长时期，新兴行业带来的溢价，曾经不断打破上一代人对于稳定工作的固守。但收入逻辑开始变化之后，如今在焦虑的推动下去追逐当下最热的专业，未必还能换来同样确定的回报。

几年前《知识分子》对叶晓阳的访谈中，他曾经提到，做报志愿咨询时几乎都是家长跟他打交道。那些被家长拉来做咨询的学生，说得最多的是“我不知道说什么”“我也不知道该怎么选”，很多学生不知道如何自己主动去探索[3]。

到今年，这种情况并没有太大的改观。“我真的想呼吁家长不要在高考志愿这件事上插手太多，他们对这个时代的变化其实还一无所知。

如果还是拿旧的经验去指挥，越指挥越糟”，叶晓阳有点无奈地说。

这并不是说家长不重要，而是说当外部变化加快时，很多过去有效的判断方式会逐渐失去参照意义。越是在这种时候，把经验当成确定答案，越容易偏离现实。关键不是找一个过来人指点迷津，而是真正让学生建立自己的判断能力。这也是叶晓阳这些年越来越清楚意识到，并且想要反复强调的一件事。

不要迷信“稳定”这个标签

在叶晓阳接受访谈前不久，Meta刚刚宣布裁员，规模超过10%。一次和律师朋友的聊天中，他开玩笑说，自己从事的经济学研究可能也会被淘汰。“如果能重新选择，我很愿意去读法律，你看你们现在工作多稳定”。

但是律师朋友连忙摆手，说现在年轻律师已经不太容易进入这个行业。因为原本需要新人完成的一些基础工作，已经可以由AI承担。同时，随着AI能力提升，很多依赖时间积累的基础业务也被压缩。

这样的对话似乎在当下随处都可能发生。面对不确定性，人们往往出于本能去追逐一个表面上稳定的行业，但这种所谓的稳定，很大程度上建立在对真实工作内容和技能需求的误读上。

在叶晓阳看来，AI带来的焦虑，正在制造一个格外矛盾的心理陷阱。环境中不确定的因素越多，人们就越想抓住稳定这根稻草，然而，稳定这件事本身，正是在这种不确定环境里最先瓦解的东西。

在《知识分子》过往的访谈中，叶晓阳曾经用行为经济学的理论去解释这种倾向。当面临不确定性困扰的时候，人会更加倾向于去接受短平快的信息，首先极其希望立刻得到一个确定性的答案。

稳定陷阱的第一层，是把岗位当成技能本身。“不能只看这个稳定的标签，因为这个标签可能会变，应该还是看它背后的核心技能”。即使是大家普遍认为稳定的公务员，也是不断变化的。把职业前途过分依附在具体岗位上，路只会越走越窄，最后失去选择权。“人最舒服的状态，就是随时有拍拍屁股走人的自由”，他说。

第二层陷阱，是相信技能本身能保值。叶晓阳拿David Deming的一篇论文举例，这篇文章比较了2000年代初招聘广告里被看重的技能，和十年后同一批技能的命运，"零几年特别看重的技能，十年后你拿着它不可能找到任何工作了，因为不需要了[4]”。

他自己所在的数据科学分析行业也在重演同一个故事。去年招聘考核的主要内容还是现场写代码解题，今年面试已经默认可以直接用AI，"考的不再是你的记忆或熟练度，而是你怎么进行人机交互，怎么和AI配合做出更快更好的东西"。

技能的保质期不只是在缩短，更是在以一种难以预测的方式缩短。变化不只是来得更快了，连变化本身会朝哪个方向发展，都变得越来越难判断。

“每一个人，包括我自己，都要革新所谓技能和职业的观念”，他说，“一个工作干到老不可能，绝大部分工作都不可能。而且以过去三年的变化速度，根本没法预测未来三年会怎么样”。

他给出的对策，是他这几年经常讲的两个词，长期主义和不可替代性。"长期主义，就是要根据更长远的目标来决定当下的选择，"他解释。

这套逻辑落到专业选择上，叶晓阳一贯推荐顺序是：兴趣第一，相对能力第二，行业平均前景第三。

“放到今年，可能第三条都没有那么重要”。原因很简单，行业前景本身就在AI冲击重组之中，与其押注某个此刻看起来安全的行业，期待四年后它还能维持原状，不如押注一个自己在面对变化时仍然愿意投入、能够持续学习的方向。与其去赌注行业，不如去了解自己。

但他也注意到，在这种焦虑气氛下，很多学生和家长并没有真的放弃寻找"稳定"，只是把稳定的想象换了一个名字，从公务员换到了AI和计算机专业。他在公众号里描述过这种心理的来源。家长刷到短视频，说会计、翻译、新闻、法学都要被AI替代。学生打开社交平台，又看到另一种说法，以后只有计算机、人工智能、电子信息、自动化才有前途。

"每一代技术变化都会制造一种错觉：只要掌握一个新工具，就抓住了未来"。叶晓阳如此描述这种气氛。

图源：叶晓阳个人公众号《依然糅春天》

今年，家长和学生在追逐热门专业的同时，也多了一层新的焦虑。AI来了，这个专业以后还安全吗？“AI暴露度”成了新的流行词，不少人开始把它直接等同于一个专业未来会不会被取代。

叶晓阳认为，AI暴露度，也就是一个职业的工作任务有多大比例会受到AI影响，本身远远不能说明问题，更不能把行业的暴露度直接等同于大学的专业前景。一个本科专业可能通向很多职业，一个职业也可能由很多专业进入。

需要关注的风险，叶晓阳把它分成了四类。一是自动化暴露，也就是专业对应的低阶任务有多少被AI替代的可能。二是AI增强专业能力的空间。三是入门岗位压力，也就是入门工作被AI替代的可能。四是迁移能力，这个专业训练的能力，能不能让学生在一个岗位不适应的时候，方便转向其他的方向。

今年计算机相关专业是毫无疑问的热门，但这也是一个受到AI冲击强烈的专业。程序员入门的工作正在被AI替代，但同时，对于一些有兴趣的程序员来说，AI又能很大程度上增强他们的能力。

如果报考学校的专业仅仅能教会学生怎么做一些低阶的执行工作，父母也只看热门、只看高薪，却不看学生是否真的喜欢数学、逻辑、系统、代码、长期自学和快速迭代，叶晓阳把这种做法称为“低配报”。这种方式，在AI时代风险无疑是更大的。

这套逻辑也适用于对AI课程的审辨，学校跟风开设的AI相关专业，尤其需要认真考察。他举了一个例子：有一所大学今年开设的专业叫公共管理（数智治理），“这不就是挂羊头卖狗肉吗”？

叶晓阳解释，判断一个专业是不是真材实料，第一要看课程内容是不是真的变了，第二要看师资里有没有真正懂AI的老师。他统计过2025年的数据，发现学计算机的本科生比例已经反超了曾经全国10%本科生都在读的工商管理专业，成为最热门的专业。但顶级人工智能人才依然稀缺，普通学校仓促开出的新专业，很难保证教学质量。

改革这几点，90%的高考咨询师都不需要了

落到报考制度层面，叶晓阳最希望推动的改革，是让仍未采用院校专业组投档模式的省份尽快完成改革。他几乎能不假思索地背出目前已经实行这一模式的省份名单。

他常拿北京和贵州作比较。北京虽然教育资源丰富，但由于投档规则限制，学生始终面临专业调剂风险。想学中文，最后可能被调剂到历史。但在贵州，一个想学中文的学生可以同时填报96个学校的中文专业，总能找到与自己分数匹配的位置。

在他看来，这项报考机制的变化对考生行为的影响几乎是根本性的。给学生的选择空间越大，他们越会敢按照真实偏好填报，而不是被迫保守。“这是我认为最急需要改革的、天字头第一号政策。”他说。

另一项他最想推动的改革，则是退档制度。他把高校按120%提档，再淘汰一部分学生的做法直接称为“耍流氓”。

在他看来，这本质上是前互联网时代信息无法实时交互留下的制度惯性，当时招生学校担心自己提档的学生万一不满足要求被退档，学校会招不满学生。放到今天，这一点已经没有继续存在的理由。

近年来有的省（比如广东）开始实行预投档供高校调整计划比例，正式投档按调整后计划1:1比例一次性投档。这在一定程度上属于叶晓阳设想的“预录取机制”的一部分，解决了因为大学超过100%提档导致的自然退档现象；但是因为学生不服从专业调剂或者不满足录取条件造成的退档，仍然存在。

“如果这两个都改了，至少又能解决20%的问题“。叶晓阳说。

第三个问题则是信息上的不足。叶晓阳过去十年讲得最多的一个词，是“等位分”，用相同位次换算跨年的分数，而不是直接比较原始分数。在他看来，这是志愿填报里最基础、也最容易被忽略的一步。

他半开玩笑地把这叫作高考志愿的核心技术。等位分算对了，很多问题就已经解决了一半。

但真正让他震惊的，是大多数家庭连这一步都没做过。去年回国做线下讲座时大概覆盖了一两万名家长和学生，发现超过95%的人从未自己换算过位次，甚至不知道什么是等位分。

他用贵州的一个例子说明这个问题。贵州采用院校专业组模式，被他视为全国最优的填报机制之一，理论上只要方法正确，几乎不可能大规模滑档。但那一年，全校仍有20%的学生滑档。问题不在制度，而在最基础的定位出了错，学生报的学校是自己根本考不上的。

这种信息鸿沟始终存在，定位失准也只是其中一种后果。早在2018年，叶晓阳与丁延庆等人基于宁夏高考数据的研究就发现，农村学生普遍存在“高分低报”现象，原因往往是信息不足。很多人只能根据学校和专业名称做判断。他的后续研究进一步发现，仅仅提供各专业毕业起薪这类基础信息，就足以显著改变弱势家庭学生的报考选择。

解决信息供给的不足，甚至比单纯完善报考制度的变化更重要。一项针对中国高校录取数据的研究显示，从顺序志愿改成平行志愿，能减少约6%的错配。但如果学生在填报前能得知自己的高考成绩，错配率可下降18%[5]。

叶晓阳希望结合机器学习预测和人的判断，缩小信息的鸿沟。他2022年在宁夏做过的一项大规模随机对照实验发现，用机器学习模型替代经验丰富的辅导员去生成录取概率预测，能取得和传统专家指导相当的效果，同时所需的人力投入大幅降低[6]。

这也是他今年在做的公益项目“雨来高考AI”想要落地的方向之一，把等位分计算、录取概率预测和个性化反馈整合起来，做成一个公益工具，用来降低信息门槛。

信息最缺乏的大多数，往往不在线上。这正是叶晓阳坚持十年做线下公益讲座的原因。他和合作者2024年做过一项专门针对县中学生的信息干预实验，发现只要提供关于招生优惠和就业前景的具体信息，就能显著提升这些学生对自己原本不了解的专业的把握[7]。但信息干预的前提，是要先有人愿意把信息送到那些地方去。

“如果这几点改革都能做到，我保守估计，90%的高考志愿咨询师都不再有需求了。”叶晓阳说。

高考报志愿，首先应该是一种教育

做了十年高考志愿的公益辅导，叶晓阳感受到的最大变化是，专业选择成了关注的中心。

十年前，很多家庭首先考虑的是学校。在老高考的语境里，先保学校几乎是一种默认逻辑，哪怕因此接受专业调剂。专业本身并不构成主要讨论对象。

但这十年明显不同。随着媒体尤其是自媒体的扩散，关于专业选择的信息大量涌现，叠加经济结构的变化，人们开始更在意学什么。某种意义上，这是一个好的变化。但问题是，大家仍然不会使用一个相对科学合理的方法去做决策，只是把关注点从学校换成了专业而已。家长们永远开口就是要答案，“老师你能不能直接帮我推荐”?

但做这件事，对学生本身的决策能力几乎没有任何帮助。

叶晓阳认为，高考志愿选择的过程，实际是一个自我教育、自我规划的过程。启发学生了解自己的兴趣，让学生自主地做出决策，也是叶晓阳做志愿咨询一直坚持的原则。“报志愿首先应该是一种教育：训练一个学生做判断。我一直认为，高考志愿可能是一个学生成年后第一次有机会独立为自己的人生做决策”。

很可惜的是，很多学生放弃了这个机会，反而让家长和报志愿咨询机构替他们做出了人生中的重要决定。报志愿成了做一道有标准答案的题，而不是基于自身的情况和规划作出决定。

面对那些一上来就问答案的家长，叶晓阳有时会半开玩笑地提一句，“你今天帮孩子把志愿报完，五六年后，是不是又要帮他准备相亲了”？

在他看来，这两件事其实是同一类问题。在信息不完全的情况下做筛选、做匹配、做取舍。如果没有学会如何处理信息、如何判断优先级、如何在不确定中做选择，那么换到人生的下一阶段，问题只会以另一种形式重复出现。

高考之后的大学也是如此。选课、参与活动、规划方向，甚至日常的人际互动，本质上都在不断要求一个人做决策。

所以在他看来，与其不断替孩子完成每一次选择，不如在更早的时候，让孩子学习如何做决策。这也回到了他反复强调的一个判断：如果说AI时代有什么更底层的能力，那很可能不是知识本身，而是决策能力。

决策能力并不是一句独立思考就能产生的。它究竟能不能被训练，又该如何训练。过去几年，叶晓阳越来越多地思考这个问题，而AI的发展，反而让他看到了一种可能的路径。

“我自己在AI时代觉得很兴奋的一点，”叶晓阳说，“是因为我的主要研究领域是教育，我每天想的都是怎么改进教育。你会发现，AI时代反而让一些理想中的教育方式变得更可能实现。”

他说的更可能实现，是指把AI模型训练的逻辑借用到人的决策训练里。先设定目标，提出假设，进行尝试，再根据反馈不断调整。叶晓阳认为，人做决策本质上也该如此：先明确目标，再比较选项，做出选择，然后根据结果复盘、修正。

这套逻辑，他用一个更学术的词来概括，叫"反思均衡"，概念来自罗尔斯的《正义论》。指的是一个人不断审视问题、持续纳入新信息，直到形成相对稳定的判断状态。

叶晓阳的理解是，反思均衡并不意味着你做出了绝对最优的选择，而是意味着，在做决定的那一刻，你已经尽可能看过了信息、想过了风险，也对未来的不确定性做了预判。这样的选择未必保证结果最好，却更不容易让人后悔，他把这称为有预见性的判断。

做高考志愿公益辅导已经十年，对现在的叶晓阳来说，这件事的意义早已不只是帮助学生填好一张志愿表，更是一次关于教育可能性的持续实验。他说“工作不是生活全部，做自己感兴趣的、认为重要的、还能对一些人有帮助的事情，是很难得的”。

他想做的，不止是优化志愿填报，而是参与再造中国教育。为更多普通学生提供一种不止于分数、也不止于录取的教育。

在一个过去坚固的经验已经烟消云散的时代，年轻人到底该参考什么？答案不在某个专业的名字里，也不在父母那一代人熟悉的稳定标签里，而在一个人能不能在持续变化中，反复地做出、并修正自己的判断。

参考文献：

[1]Fang, H., & Qiu, X. (2023).“Golden Ages”: a tale of the labor markets in China and the United States.Journal of Political Economy Macroeconomics,1(4), 665-706.

[2] Deming, D. J. (2021).The growing importance of decision-making on the job(No. w28733). National Bureau of Economic Research.

[3]张天祁. (2023, July 19). "讨伐"天坑专业的背后，是包办志愿的父母和迷茫的学生们.知识分子.

[4] Deming, D. J., & Noray, K. L. (2018).STEM careers and the changing skill requirements of work(No. w25065). National Bureau of Economic Research.

[5]Bo, S., Liu, J., Shiu, J. L., Song, Y., & Zhou, S. (2019). Admission mechanisms and the mismatch between colleges and students: Evidence from a large administrative dataset from China. Economics of Education Review, 68, 27-37.

[6] Ye, X. (2022). Personalized advising for college match: Experimental evidence on the use of human expertise and machine learning to improve college choice. Working Paper.

[7]吴秋翔,李博洋, &叶晓阳. (2024).升学信息,偏好与大学专业选择:一项针对县中学生专业选择的信息干预实验.教育发展研究, 44(12), 27-34.