摘要

AI 已从大学生的辅助软件变成课程与作业的默认生产层。 饶杰武估计“百分之九十九”的作业或论文都有 AI 深度参与，甚至“已经想不到任何没有 AI 参与的作业”；林童宇也从手写代码、让 ChatGPT 修 bug，走到几乎不看代码、让 Agent 全权执行。对教育体系而言，争论是否允许 AI 已经滞后，真正的问题是课程、考试和招聘如何衡量 AI 参与后的个人贡献。
教育价值链的瓶颈正从“教会执行”迁到“筛选、评估与担责”。 侯泰宇把学历定义为社会向市场签发的“信任的凭证”，又把 AI 时代留给人的工作概括为没有标准答案时的 choosing；林童宇则主张，新体系不再问“你用不用 AI”，而应评价能否与 AI 共存、提出值得解决的问题并对结果负责。文凭不会因此轻易消失，但内容传授的议价权正在下降，评估、认证和判断力训练会变得更重要。
AI 个性化辅导可以抬高成绩和探索效率，却不会自动补上理解、审美与验收能力。 林童宇把 CS 学习归为“30%课程、70%与 AI 对话及项目实践”，并靠 AI 复习在 2023 年秋季第一次拿到 4.0；泓君强调，大脑消化一个深层原理仍需要单位时间，设计、法律和代码的高质量交付最终都取决于人能否辨别好坏。侯泰宇则认为，AI 也能通过筛选信息、提供个性化反馈来辅助和加速部分理解过程。“工具出了错，你没有办法判断”，正是基础薄弱者最危险的断点。
大学仍可能保值，但更像信任与关系场，而不是知识库存。 林童宇认为知识工作技能正被更便宜、24 小时在线的 AI 侵蚀，清华真正留下的是高密度同侪、导师的 office hour，以及建立信任和说服他人的 people connection；若回到大一，他会“拼了命地去社交”，但指的是一对一深谈而非泛化应酬。博雅教育、批判性思维与“我是谁”的探索，由边缘价值转为大学最难被替代的部分。
AI 消费支出正向少数高价值工作流集中，而不是平均分给所有 Chatbot。 林童宇从学生时代觉得每月 20 多美元昂贵，走到每月投入 200 美元以上；侯泰宇购买 Claude 200 美元 Max Plan，并称 Claude 额度耗尽后“都不知道该干嘛”，与此同时多位参与者已经退订 ChatGPT。Claude/Claude Code 拿执行，Manus 拿 Deep Research 与 design，Gemini 拿视觉，说明垂直交付、记忆和工作流黏性比“什么都能聊”更容易形成付费壁垒。
最强的留存信号也是风险信号：这批用户把 AI 描述成比短视频更强的生产力成瘾。 侯泰宇说自己“疯狂上瘾”，一天可以不刷短视频，却没有一天不用 AI；林童宇则把依赖归因于减少痛苦思考、同时获得越级创造的快感。它主要不是娱乐陪伴，而像断网或失去电脑：当日历、邮件、研究和编码都嵌入 Agent，退出成本已从心理习惯变成生产系统停摆。
AI 并不天然提高资深知识工作者生产率，但它正在重写新人优势和招聘门槛。 泓君引述 METR 对 16 名 senior engineer、约 200 个真实任务的随机实验：使用 AI 实际慢 19%，开发者却以为快了 20%，感知与现实相差近 40 个百分点；减速最明显的恰是已有优化工作流的专家，新手反而获益。就业端因此不是简单的“AI 替代你”，而是“更会使用 AI 的人替代你”，只是企业目前仍说不清该怎样认证这种能力。

精读

1. 第一批 AI 原住民已带着生成式模型完成整段大学生活

ChatGPT 于 2022 年 11 月 30 日上线。林童宇和侯泰宇刚进入大学，Jack 已在 NYU 读书；到节目播出前后，三人正陆续毕业，构成最早把生成式 AI 当作学习基础设施的一批学生。
三人的原专业刻意拉开了观察面：林童宇在清华学法律、辅修 CS，侯泰宇在 NYU 学应用心理学，饶杰武在 NYU 学数据科学、后于哥伦比亚大学读管理科学与工程；最终三人都转向 AI 编程、Agent 实践或创业。
泓君提出的核心问题并非学生是否作弊，而是当课程、作业、研究和职业选择从一开始就有 AI 参与，“大学还剩下什么”。三位重度用户给出的答案，比“未来大学只剩社交”更复杂。

2. 一句“Definitely yes”让法律生决定打不过就加入

林童宇申请清华时写下希望在下一波浪潮中“引领这个浪潮，或者说在浪潮上冲浪”，但 ChatGPT 对法律条款、案例分析和文书写作的表现很快超过当时的他。他推演两三年后毕业时，AI 会更强，而自己的法律水平未必增长到足以对抗它。
2023 年中，他问一位在美国律所做了十多年并购的合伙人 Joseph，ChatGPT 是否会冲击 junior 律师和 paralegal。问题尚未说完，对方便打断他说：“Definitely yes”，再解释初级法律工作的暴露面。
行业前辈确认了他的判断后，林童宇采取“打不过就加入”的策略。他把坚持每月支付 20 多美元订阅 ChatGPT 称为本科阶段最正确的投资之一——当时这对学生仍是“一种非常不合理的支出”。

3. 个性化 AI 教师把学习路径改写为“30%课程、70%对话与项目”

林童宇没有停留在行业 overview，而是追问 AI 如何从 fundamental 理论被构建出来，以及为何 2017、2018 年的 AI 与 2022、2023 年的产品，在用户感知和实际应用上如此不同。ChatGPT 为他规划路线，也负责解释 Stanford、MIT 公开课中没听懂的部分。
他的比较相当直接：不少大学老师科研能力极强，却未必擅长教学；ChatGPT 则像“非常了解你，也知道你现在的水平，因材施教、循循善诱的一个老师”，能围绕个人缺口持续改变解释方式。
他估算，约 30% 的收获来自课程、教材和公开课所提供的 Python 语法、计算机原理及学科 common sense；另外 70% 来自与 AI 一轮比一轮深入的对话，以及“基于项目边做边学，做完之后再去复盘”。
五六个项目记录了能力跃迁：第一个项目仍由他手写、AI 偶尔修 bug 或补一段代码；后来则几乎不用看代码，AI 像程序员一样全权执行。模型进步由项目完成时间、完成度和经济价值直接显现。

4. “施天涛的替身”帮一名法律弱项学生拿到首个 4.0

2023 年秋季，林童宇第一次拿到满绩 4.0。他把英美法 case law 的全部课件交给 GPTs，让它假设自己是老师并设计题目，再在封装好 context 的 folder 中反复追问，完成针对性复习。
学公司法时，他把任课教师兼教材作者施天涛的著作喂给 AI，将这个 GPTs 命名为“施天涛的替身”。尽管当时 context window 有限，对话仍帮助他抓住教师的学术观点、重点与法理框架。
法学考试要求现场用笔完成主观论述，不能直接交 AI 代写；真正被训练的是如何提出 thesis、展开 reasoning、援引法理并落到法条。现在回看，相关知识仍是他脑中比较容易调用的部分，他据此判断自己“可能还学得不错”。

5. 禁用 AI 先催生伪装，随后逼迫院系重写考核

林童宇刚学 Python 时，教师强烈抵触 AI 代码，严重时可能把使用 AI 认定为学术欺诈，甚至挂科。学生却普遍已经在用，新的隐性作业变成让代码“看上去不要那么像 AI”：故意加入 typo，或使用 AI 降重工具。
他观察到国内教师两年间从漠不关心、保守甚至负面，逐渐转向积极拥抱；计算机系已较少严禁，法律系则尚未出现同样明确的变化。饶杰武的教授也从抵触转为允许“consult with LLM”，条件是学生为最终产出负责。
林童宇以模型训练类比教育：一个模型可以在 benchmark 上成绩极高，却在开放环境中“一塌糊涂”；学生也可能擅长考试而不会解决现实问题。继续用 old-school 方式评价，等于只训练出考试成绩高、开放环境解决问题差的学生。
他给出的新指标是：“不是你用不用 AI，已经不讨论这个问题了。”学校应考察学生能否把 AI 用好、能否选择真正想解决或社会需要解决的问题，以及能否在开放环境中交付结果。

6. 大学的职业技能价值先被侵蚀，自我探索反而升值

林童宇把大学的传统功能分成两层：一是回答“我是谁、热情在哪里、要去哪里”，二是积累能被招聘、养家糊口的专项知识和技能。现实中的名校更强调后者，许多学生毕业时仍回答不了第一组问题。
问题在于，被教育体系视作“有价值”的信息接收、处理和输出能力，AI 已经做得更好、更便宜，而且 24 小时在线。程序员、法律、金融等知识工作者的职业壁垒因此首先松动。
他主张大学重新成为探索本能与潜能的场所，并把与 AI 共存解决问题纳入评价。职业技能并非完全无用，但不能再被当作教育的终点；否则学校训练出的正是最容易被自动化的一类执行者。

7. 博雅教育把批判性思维从口号变成生存能力

在北大接触一门类似博雅教育的课程后，林童宇刻意避开证券法实务、国际贸易仲裁等贴近就业却缺乏个人兴趣的课程，把精力转向西方法律思想史、法理学、宪法学和西方近代哲学。
清华新雅书院的课程用整个学期讨论《第一哲学沉思录》。读完原著时，他一度恍惚：“你所认为的世界可能不是你所认为的世界”；怀疑最初会解构信念，却不必然走向虚无主义，而能逼人寻找仍然成立的东西。
这段体验让他摸到 AI 难以替代的部分：以批判角度选择课程、读物和与世界互动的方式，再持续追问“我为什么在这里、喜欢什么、擅长什么”。这种原初认知降低了随 AI 进步而失去立足之地的恐慌。

8. 名校最稀缺的资产是同侪、导师以及建立信任的机会

林童宇高中时是全校前一两名，进入清华后立刻落到后 50%，一度觉得自己“像一个垃圾一样”。心态转变后，他意识到优秀同侪既带来压力，也可以同时成为朋友和老师。
教师的价值也不只在课堂内容。几位关键老师通过 office hour 与他一对一交流，凭学科积累和社会阅历让他提前看到某些后果，避开“不必要踩的坑”；这种反馈难由标准课程复制。
他不认为任何人真正不可替代，但当具体技能开始褪色，people connection、建立信任和说服他人的能力会更重要，也决定一个人进入新环境后能否最大化其中的资源。
若带着现在的认识回到大一，他会“拼了命地去社交”。这里不是花天酒地、泡吧或堆活动数量，而是争取更多一对一深度交流。

9. 文凭不会轻易消失，因为它出售的是社会信号而非知识库存

侯泰宇申请 NYU 时便写明，上大学最重要的目的就是社交。他最初考虑过多伦多大学，因为 Geoffrey Hinton 在那里任教；得知 Hinton 并不经常教课后，他转而选择 Yann LeCun 任教的 NYU，并旁听他的 Deep Learning 课程。但入学后，他常在课堂看论文或做产品，因为标准课程是“被预设好的”，并非为个人设计。
他坦言自己的大学目标“非常功利”，就是取得学历。学历不是“学会了什么”的证明，而是向市场传递“这个人可以被信任”；教育也不只是让学生相信自己学会了，而是让社会相信其可被委以重任。
对辍学成功者的反例，他判断存在幸存者偏差。从苏美尔泥板学校到工业时代的职业教育，能长期保留的制度始终与筛选、评估和人才认证有关；在未来高度不确定时，文凭仍是一张必须拥有的“信任的凭证”。

10. 比长期规划更重要的是持续试错，并追问技术服务于什么

侯泰宇没有给自己设定具体人生终点。他更想追问 virtue、美、德与“好”究竟是什么；答案也许像柏拉图式的极致概念一样无法直接看见，但“不意味着我们就不应该追求它——虽不能至，心向往之”。
他的警惕是，技术乐观并不足以指导技术。文科通识教育应培养美德而不只是计算，因为人只有知道什么是好、什么是坏，才可能驾驭 AI，而不是把可执行等同于应该执行。
《Design Your Life》给他的实践方法是：不要对中长期目标做强预设，而应在短期完成大量尝试。创业产品、实习和与 AI 的对话都是试错，用更少时间学到所需内容，再把精力留给兴趣和自我探索。

11. 教师真正的分歧，是禁用 GPT 还是转向训练判断与使用工具

侯泰宇毕业当天，一门 Applied Psychology 必修课的教师仍给每位学生发“不要使用 GPT”的贴纸；另一门网站课程却在第一天要求学生抛弃旧 coding 软件，改用 Claude Code、Replit 和 Lovable。教育体系内部已明显两极分化。
他借 Joseph Weizenbaum 与 ELIZA 区分 deciding 和 choosing：deciding 是在给定条件下按规则推导，下棋、部分诊断和最短路径都可由机器完成，而且可能比人更好。
Choosing 则是在没有客观标准时仍然取舍，根植于价值观、经历和对他人痛苦的感受。机器可以输入案情与作案事实，但一个人是否坐牢、甚至生死如何裁量，最终仍应由人承担判断。
因此他认为考试可能从笔试转向口试，创作空间也可能从纸面移到 Chatbot 输入框：学生创作的可能是 prompt，而非只交最后一篇文章。侯泰宇提到 NYU 新设强调 AI 的学院，Stanford 也把一门著名 coding 课改成了 web coding 课。

12. AI 扩大认知宽度，但能否压缩理解时间仍有根本分歧

泓君承认 AI 能从信息爆炸中筛选“先看什么、后看什么”，却反对把检索提速等同于理解提速。对一个特定问题形成深层认识，仍受大脑单位时间的处理能力约束；博雅知识的历史与来路不能被摘要直接替代。
侯泰宇的反向路径是 top-down：传统教育从数学、linear algebra、machine learning 一层层打基础，学生可能中途忘记为何而学；AI 可以先给出真实锚点，让学习者看到顶级答案，再倒推自己缺失的部分。
学 transformer 时，他让 AI 组织包括 Geoffrey Hinton、Yann LeCun 在内的“顶级专家团”，先解释整体原理，再对每个不懂的定义和例子逐项追问。路径不再由教材设计者预设，而由实现具体理解目标所需的最短路线生成。
他也承认 top-down 的陷阱是被顶点的全部知识压垮，解法是寻找顶点与次顶点之间少数“关键区分点”。答案则要求 AI 搜索并附可验证 link，再向真正懂行的朋友确认，不能把模型输出本身当作答案。

13. “99%作业有 AI 参与”后，竞争转向拆题、判断与验收

饶杰武在 2020 年入学，最早于 2022 年底为 NYU 教授做科研网站时使用 ChatGPT。数据科学课程没有教完整前端开发，GPT 恰好补上缺口；随后工具扩展到 Claude、Perplexity、Manus、Genspark、Claude Code 与 Codex。
被问多少作业或论文由 AI 帮忙时，他回答“百分之九十九”。剩余 1% 也不是 AI 完全不参与，而是 presentation 暂时仍要本人出镜表达；从 2022 年底、2023 年初开始，他已习惯任何课题都“先问一下 AI”。
面对论文、网站等不可直接验证的作业，他先提供课程和要求，让模型拆解需求，再决定第一步、第二步。熟悉的机器学习任务会自己开 Google Colab、配置运行时；陌生课程则让 AI 承担更多前序搭建。
如果学生懂课程又会用工具，AI 产出的内容大概率已经可用，再去掉 AI 味，可能达到 80 分、90 分甚至更高；若根本不懂，连模型是否胡说都无法判断。模型给出三个乃至十个都貌似合理的方案时，最终选择仍落到人身上。

14. 2026 年的工具栈已从单一 Chatbot 迁往多模型分工

饶杰武高频使用 Claude、Codex 等 Coding Agent，也用 Variants 生成多个动画方案、直接取代码；Typeless 把支支吾吾的语音整理成结构化 prompt，Dify 则适合把论文中的架构拿来做实验。
林童宇把工具分为 Chatbot、提效和 long-horizon agent：Gemini 网页应用负责对话，Typeless 与 Recast 负责输入和效率；OpenClaw 处理日常高频生活问题并调度其他 long-horizon agent，Manus 做 Deep Research 和 designing，Claude Code 做开发。
这套组合令他的月度 AI 支出从早期 20 多美元升至 200 美元以上。他愿意支付的条件很明确：每月实际获得超过 200 美元的效益，而不只是满足尝鲜欲。
侯泰宇最惊艳的仍是 Claude Cowork，但也提到 Suno 的音乐能力、Gemini Dynamic View 和 Inception Labs 的 Mercury-2。后者采用 Diffusion LM，据其自家数据约比 GPT-4o mini 快十倍；他只谨慎判断，这类架构“也许”能打破速度与质量的取舍。

15. 通用调度层没有杀死垂直 Agent，反而让成熟产品更常被调用

林童宇继续使用 Manus，因为它把复杂技术打包成无需自行配置的友好产品；看到交互优秀的网站时，他会让 Manus 在浏览器上查看它是怎么做的，而不是亲自搭一整套工具链。
林童宇承认 OpenClaw 在特定任务的结果质量与执行效率上仍不如成熟 Agent，但它的 IM 即时交互、记忆和跨任务切换适合作为 orchestration layer。结果不是替代 Manus、Claude Code，而是更丝滑地调度它们，使用频率反而上升。
侯泰宇暂不使用 OpenClaw：他清楚自己的每条工作流及适配模型，不需要端到端包办；同时 Claude API 太贵，而他又不信任其他模型的表现。对他而言，订阅固定工具比让通用 Agent 消耗大量 API 更可控。

16. 首批重度用户开始退订 ChatGPT，把高价值环节交给 Claude 与 Manus

侯泰宇已基本放弃 GPT 和 Gemini，完全转向 Claude，并购买 200 美元 Max Plan。一次周六耗尽额度、需等到周日、周一、周二下午 7 点才能 reset 时，他“完全不信任”Gemini CLI 等替代工具，两天里甚至不知道该做什么。
他观察到 Claude 的 token in、token out 成本持续上升，而许多同行用降价促销换增长，用户却仍愿为 Claude 付钱；在他看来，这是检验产品是否真正被认可的反差信号。
泓君和林童宇也退订了陪伴第一波浪潮的 ChatGPT，但保留 Gemini 的视觉能力与 Codex 的 coding 价值。林童宇会持续维护 task.md 或 progress.md，Claude Code 休息或额度耗尽后，把状态文件交给 Codex 接班。
Manus 曾被批评只是“套壳、没有护城河”，一年后却凭用户体验留住高价值任务。林童宇尤其认可它登录本地浏览器中的账号浏览 Reddit、X 后生成 Deep Research 报告，以及 Canvas 中的设计体验；ChatGPT App 反而落入对话、Agent、coding 都非最强的“三不管地带”。

17. 记忆既能养出个性化模型，也能制造信息茧房

侯泰宇给 GPT、Claude、Gemini 分配了不同的认知角色：GPT 开启 memory，用来理解本人、脑暴、搜索和整理第一版 prompt；Claude 与 Gemini 关闭 memory，避免过去偏好干扰新的判断，再由 Claude 的 extended thinking 执行。
他不让“最懂自己”的 GPT 做实际决策，因为模型已被个人记忆“污染”，活在信息茧房里。泓君有同感：长期记忆不仅让回答越来越迎合，甚至可能把英文表达同化成 Chinglish。
Gemini 的位置则是视觉生产，包括 Nano Banana Pro 和 Dynamic View；产物随后插回 Claude 的工作流。这形成了脑暴、执行和视觉等不同分工。

18. AI 放大已有能力，也把基础薄弱暴露在验收环节

侯泰宇用应用心理学做了一个跨界课题：回避型、焦虑型和安全型依恋是否会影响人与 AI 的互动模式。他让 AI 辅助研究，把原本用于人际关系的理论延伸到人机关系，自评无论考试成绩还是兴趣探索都得到提升。
泓君以设计为例提出底层约束：好设计师无论手画还是用 AI，通常都能交付更好的图，因为排版、字体和细微差别需要长期审美积累。完全没学过设计的人也可能出图，但若缺乏审美，便无法把模型引向更高品位。
饶杰武在代码量较大的项目中看到同样问题：Gemini coding 可能忘写括号，也可能不替换旧代码而硬加新分支，连续运行几十小时仍犯匪夷所思的错误。客户只看交付，但操作者必须知道关键点并及时纠正工具。
三人的断供感受因此不同：饶杰武在 2018、2019 年已写代码，没 Claude Code 还能回 Stack Overflow；林童宇说完全抽离 AI 后写论文会非常痛苦；从大学第一天便与 AI 共存的侯泰宇直言，“如果没 AI，我是写不了代码的。”

19. AI 上瘾夹着“生产力安慰剂”，但更年轻一代拒绝退出假设

侯泰宇称这种依赖“疯狂上瘾，比短视频更上瘾”：一天可以不刷短视频，却没有一天不用 AI；失去 Claude 等于同时失去约 70% 的执行和 30% 的灵感。饶杰武更像“纯干活上瘾”，看到十小时任务压到半小时便获得快感；侯泰宇还包含学习和等待复杂回答的聊天欲。
饶杰武举例说，日历安排、Gmail 回复草稿和程序开发都已嵌入 AI/Agent。林童宇则承认 AI 侵蚀了部分能力，也担心所谓 human in the loop 可能只是“一厢情愿”；借维纳《人有人的用处》的框架，他把人的残余责任放在提出正确问题、价值判断和承担后果。
泓君引述 METR 的随机对照实验：16 名五年以上经验的 senior engineer 完成约 200 个真实任务，用 AI 的一组实际慢 19%，却自认为快 20%。所谓“生产力安慰剂”来自即时反馈掩盖验证、调试和返工；“资深悖论”则指专家工作流被泛化建议干扰，新手反因知识空白获得显著帮助。
就业端的表达因此更尖锐：“你不是被 AI 替代掉的，你是在被那些比你更会使用 AI 的人替代掉的。”法律、法务和公检法竞争上升，北美部分大厂软件岗位冻结，创业公司成为稻草，但企业仍不清楚如何定义“会用 AI”。
林童宇判断未来一两年还会继续狂奔，个人不能线性外推，只能依靠适应能力、conviction 与 belief；他的长期方向是 emancipation，希望技术最终让人摆脱被迫工作并获得基本生活保障，但也承认制度、经济结构和技术都远未成熟。
节目录制后，一位硅谷高中生反问泓君：“为什么要做这个假设呢？我们不会离开 AI 了。”对手机原住民而言，“没有手机怎么办”本就不成立；再年轻三四岁的一代甚至认为 AI 会的东西无需再学。大学生只是最先答题的人，这张关于何为有用、何为不可替代的考卷，实际发给了每一个人。

Analog Devices 机电一体化工程师：驱动 AI 推理的硬件｜GTC 研究者对话走进 Abridge：聆听1亿次就诊的 AI——Abridge 的 Janie Lee 与 Chai Asawa