大学学什么，才不会被AI淘汰？——从一场CNCC圆桌论坛说开去

来源：市场资讯

（来源：图灵人工智能）

（CNCC2026 10月24日主会场panel现场）

论坛现场，包云岗老师抛出了一个直击灵魂的问题：他们用Codex加上GPT-5.5，投入150小时，打造了一个AI虚拟学员，输入45万字的完整讲义，这个AI真的走完了芯片设计全流程，成果达到流片标准。

既然AI都能做到我们人才培养目标里的这件事，那我们还需要培养学生掌握这项能力吗？

这个问题之所以锋利，不在于它危言耸听，而在于它来自一个已经跑通的实验。一生一芯项目里，AI虚拟学员确实完成了RTL设计，确实跑通了流程，确实达到了流片标准。这不是假设，是已经发生的事实。

但同一个实验里，还有一个容易被忽略的对照：如果把讲义缩减到4500字呢？再进一步，只给450字提示词呢？答案显然是不行。AI能跑完流程，前提是有人已经把整套体系、原理、边界、流程，以高质量讲义的形式交付给了它。那45万字的创作者是人，真正在定义路径、把控标准、提供深度指导的，是人。

由此得出一个核心判断：AI看似博学，但它所能呈现出来的深度，由使用它、定义任务的人的认知深度决定。

这个判断，恰恰是回答“大学学什么”的起点。

一、知识没有失效，但知识的角色变了

论坛上有一个被反复确认的前提共识：不是知识没用了，而是知识不再是最终产出物；知识变成人用来判断、质疑、定义目标的“内部标尺”。AI擅长执行、检索、生成答案；人负责决定要不要做、做什么、对错好坏、底线在哪。

这个转变的含义，比表面看起来要深得多。

传统教育里，知识本身就是产出——你会推导公式、你会默写算法、你会复述概念，就算学会了。但在AI时代，这些任务的执行速度和准确率，AI都远超人类。如果教育仍然锚定在“自己算出答案”上，那培养出来的能力，恰好落在AI最擅长的区间里。

但知识并没有因此贬值，它只是换了岗位。学生依然需要懂基础原理，因为不懂原理，就没有标尺，根本看不出AI错在哪里。学习基础知识的目的，从“自己算出答案”变成了“拥有判断对错的基准”。一个不懂体系结构的人，看到AI生成的RTL代码，只能判断它“跑通了没有”；一个懂体系结构的人，能判断它“为什么这样设计、边界条件在哪里、有没有隐藏的时序风险”。

这就是知识的新角色：它不是产出物，它是审核AI产出物的资格证。

论坛上有一位嘉宾讲了一个很生动的教学设计：学生完成芯片设计之后，随机注入三处bug，要求在一小时内定位并调试修复。这个过程要求学生底层知识点非常熟悉，要具备定位问题、识别异常、做出专业判断的能力。只有拥有了这样的功底，才谈得上驾驭AI，才不会被AI的输出带偏、被AI“忽悠”。

注入bug、限时排错——这个训练方式把底层知识、审辨判断、AI校验串成了一个闭环。AI可以帮我们完成设计实现，但故障、异常、隐藏缺陷，需要人依靠底层功底去甄别排查。底层理解越深，越能用好AI。

二、大学该锚定什么：八类能力，一个内核

论坛梳理了AI时代教育要培养的八类能力：问题定义能力、校验审辨与溯源能力、复杂价值判断与伦理决策能力、系统性创造与架构思维、人机协同的驾驭能力、深度共情与沟通协作能力、内在驱动力与元认知能力、审美与意义感知能力。

这八类能力看起来分散，但有一个共同的内核：它们都指向“人作为定义者、审核者、决策者”的角色，而不是“人作为执行者”的角色。

问题定义能力，是从混沌现实里提炼真问题、界定边界、设定约束——AI不知道该解决什么问题，分不清真问题和伪问题。校验审辨能力，是核验证据、追溯来源、识别逻辑漏洞——AI会流畅地输出看起来正确的内容，但会编造事实、省略前提、混淆因果。价值判断能力，是在多方冲突、利弊两难时做取舍——AI只能按给定目标优化，不会自发形成价值取舍和良知边界。系统架构思维，是把零散模块拼成自洽、稳定、可持续的系统——AI擅长局部生成，但顶层架构需要人来做。人机协同能力，是合理分配分工、给AI设置安全围栏——不是禁止用AI，而是不把独立思考完全外包给AI。共情沟通能力，是理解人的情绪、诉求、文化语境——AI可以写话术，但很难真正理解人。内驱力与元认知，是知道自己懂什么、不懂什么、什么时候卡住了——AI可以源源不断给答案，但没法替人建立内在目标感。审美与意义感知，是判断什么是好、什么是美、什么值得投入——AI可以生成好看的画面，但很难自主感知价值。

这八类能力的共同点是：它们都是“元能力”——不是关于“做什么”的能力，而是关于“决定做什么、判断做得对不对、为什么做”的能力。

而这恰恰对应了前面那个实验的核心结论：AI的上限，取决于人的认知深度。人的认知深度，不体现在执行层面，体现在定义、判断、取舍层面。

三、MIT 48小时案例：启示与边界

论坛还讨论了一个全网流传的案例：一位MIT研究生借助Google NotebookLM，48小时突击一门陌生课程、通过资格口试。他的方法不是让AI划重点，而是问三个核心问题：这个领域专家公认的5个核心心智模型是什么？专家争论最激烈的3个核心分歧是什么？出10道深度甄别题，能区分“真理解”和“背诵套话”。

这个案例的启示在于学习顺序的翻转：先地图、后细节；先分歧、后定论；以高阶问题倒逼理解，而不是从知识点开始线性推进。这恰好呼应了“问题定义能力”和“系统架构思维”的培养——先建立学科大图景，再下沉细节。

但这个案例有不可忽略的边界。它适合资格口试、宏观框架考核，不适合需要大量底层推演、严谨证明、工程稳定性训练的硬核基础课。算法、体系结构里很多深度的逻辑、边界、硬件约束，48小时只能建立概览，很难沉淀成可靠直觉。更重要的是，这个学生本身已经具备很强的博雅基础和审辨能力——换一个缺乏基础的学生，这套方法只会快速拿到一堆似是而非的AI幻觉。

这个案例的真正价值，不是“48小时能学会一门课”，而是它展示了AI时代一种新的学习可能性：AI可以作为“文献顾问、对手考官”，但最核心的能力，是设计高质量提问、核验AI输出、识别盲区。而这三种能力，恰好对应了前面说的“问题定义能力”和“校验审辨能力”。

四、教学法必须同步变革：任务驱动的深层价值

能力目标的转变，必然要求教学方法的转变。论坛上，“任务驱动教学法”被反复提及——以真实、完整、有明确产出目标的工程任务为主线，把知识点嵌入任务完成流程里，学生为了完成任务主动去学习原理、查资料、做设计、排错、验证。

传统模式是：先讲授知识点 → 习题巩固 → 最后综合应用。任务驱动是：抛出目标任务 → 遇到缺口主动学习知识 → 迭代实现、调试、验收。

在AI时代，任务驱动的价值发生了升级。它不再仅仅是“做出作品”，而是：在完成复杂任务的全过程里，逼迫学生建立完整的系统思维，理解各个知识点之间的依赖关系；在调试、排错这类高压力场景，训练底层原理直觉、专业判断、溯源审辨能力；而这个能力，就是人用来审核AI、校验AI、驾驭AI的核心底气。

一句话：任务驱动，是训练“人作为审核者、决策者”非常有效的载体。

但任务驱动也有需要警惕的风险。最容易出现的问题是“重产出、轻原理”——学生为了完成任务，直接依赖AI抄方案，跳过底层推导，只追求任务跑通。对策是设置独立的调试关卡、原理答辩、故障注入，不允许AI代做深度排错。任务设计难度也不好把控：太简单训练价值低，太难学生挫败感强。对师资要求也高：老师不再是单纯讲课，要做任务设计、过程引导、设置考核关卡、识别学生认知盲区。

这些风险说明一件事：AI时代的教育改革，不是“把AI放进课堂”就完成了，它需要重新设计整个教学流程、考核机制、师生角色。工具再好，也要解决学习动机、课堂互动机制等深层问题，改革才能跑通。

五、就业挑战的本质：不是“没岗位”，而是“能力错配”

论坛最后落脚到就业。一位嘉宾的判断很有分量：AI驱动岗位与所需技能持续快速迭代，当前变革尚处于早期，行业影响会持续放大。“一毕业就失业”会给整个社会带来巨大冲击。

但仔细分析，就业挑战的本质可能不是“AI抢走了岗位”，而是“教育培养的能力和AI时代需要的能力之间出现了错配”。

如果学生在校学习的技能，走出校门就失效，那问题不在于岗位消失了，而在于能力结构没有跟上岗位需求的变化。AI替代的是标准化、可重复、有明确规则的任务；AI放大的是定义问题、判断价值、系统架构、人际协作这些能力的需求。如果教育仍然锚定在前者，毕业生自然会感到“学的东西没用”；如果教育转向后者，毕业生面对的反而是更大的空间。

论坛上还有两个判断值得注意。第一，平台就业在未来整体就业里的占比会持续上升，依托传统要素组织起来的固定用工模式重要性会逐步下降。第二，第三产业会是AI落地最重要的场景，也是未来新增岗位最主要的领域——AI替代很多标准化工作的同时，也会放大服务类、面向人的、个性化的需求。

这两个判断指向同一个结论：未来的就业形态会更灵活、更分散、更依赖个体能力而非岗位标签。这对教育提出的要求是：不能只培养“能胜任某个岗位的人”，要培养“能在持续变动的环境中定义自己价值的人”。这又回到了那八类能力——问题定义、系统架构、价值判断、人机协同、共情沟通、内驱力与元认知。它们不是针对某个岗位的技能，而是针对任何岗位的底层素养。

六、一个更深层的洞见：教育的双重使命

论坛上有一位嘉宾的发言，容易被淹没在前面的技术讨论里，但恰恰可能是最深刻的：教育不只有面向生产、服务功能化的这一面，它同时还有消费性的价值。就像古人的琴棋书画，本质上属于精神层面的“消费”。AI时代下，教育如何提升学生的精神消费能力，满足人的精神层次需求，同样是一个非常重要的课题。

这个视角提醒我们：当我们在讨论“大学学什么才不会被AI淘汰”时，很容易陷入一种功利主义的焦虑——学什么能保住工作、学什么能不被替代。但教育还有另一面：它关乎人如何安顿自己的精神生活，如何感知意义、欣赏美、获得精神上的丰盈。

AI可以源源不断生成内容，但能不能欣赏、能不能感受、能不能获得精神上的丰盈，依靠的还是人的通识底蕴、审美与人文素养。一个人能够挖掘AI潜力的上限，由他自身决定——这个“自身”，不只是技术能力，还包括博雅知识的积淀与综合素养。

所以，大学该学什么？答案可能是双层的：面向生产，学那些让你能定义问题、审核AI、架构系统的能力；面向生活，学那些让你能欣赏、感受、安顿精神的能力。前者让你不被AI淘汰，后者让你不被功利主义吞没。

结语：大学的意义，需要重新定义

论坛上文老师说了一段让人警醒的话：现在已经出现一些值得警惕的动向，不少学生会问，甚至直接说“上大学没有意义”，觉得花好几年时间只是在听老师讲授十年前的知识。也有研究生选择退学，不想把时间消耗在他们看来价值有限的学习里。

这对所有教育工作者而言，是非常严峻的挑战。但换个角度看，学生的质疑恰恰指出了改革的方向：如果大学仍然把自己定义为“知识传授机构”，它确实会被AI替代；但如果大学把自己重新定义为“能力训练场、判断力孵化器、精神成长的土壤”，它的价值反而在AI时代更加凸显。

AI可以给你答案，但不能替你提出问题。AI可以生成方案，但不能替你判断对错。AI可以写话术，但不能替你理解人。AI可以产出作品，但不能替你感知意义。

大学该学的，恰恰是这些AI替不了的东西。而就业挑战的解法，不在于追逐每一个新工具、新技能，而在于守住那些让人之所以为人的底层能力——定义问题的能力、审核判断的能力、架构系统的能力、理解他人的能力、感知意义的能力。

这些能力不会过时，因为它们不是针对某个时代的技能清单，而是针对任何时代的元能力。AI迭代越快，这些能力越值钱。