AI 进化论

先说一个让人有点难受的事实： 00:00 今天我们想聊一聊，在人工智能快速发展的时代，传统的学历文凭好像没有以前那么吃香了。到底我们应该靠什么样的实际能力或者说实际的经历，才能够在职场当中去证明自己的价值呢？ 00:13 这个是挺多朋友都关心的话题，我们就直接开始今天的讨论。 00:18 第一个想要说的就是学历文凭贬值的这个现象和原因。最近这些年大学毕业生的人数年年都创新高，那这个变化是不是也让学历的含金量发生了很大的变化？ 00:30 你看2000年的时候，全国的本科毕业生才100万，那个时候本科毕业真的是天之骄子。可到了2025年，应届毕业生一下子就突破了1200万，这还没算上硕士博士。现在走在大街上，硕士博士都一抓一大把，对吧？连985、211都成了很多岗位的一个门槛，就已经不是什么加分项了。 00:52 现在好多地方学历就已经变成了一个标配，甚至有的时候就跟站票一样，已经没有以前那种优势了。没错。 01:00 以前可能是贵宾票，现在就是普通门票了，所以大家觉得学历不值钱了。但是这个事情背后还不仅仅是人数的问题。 文凭贬值的真正元凶：学校教的东西，正在大规模过期 01:07 我想问问你现在这个文凭越来越不值钱，到底是因为毕业生太多了，还是说有别的更深层次的原因？ 01:15 这个原因很复杂，很多人都只看到了毕业生数量暴涨这一个方面，但还有一个很关键的原因，就是大学里面教的东西更新速度太慢了，很多课程的大纲还是10年前的，但是行业的需求可能早就变了。 01:31 所以说就是在学校里面学的东西可能刚毕业就已经过时了。 01:37 你学的编程语言可能已经没有人用了，你背的那些营销理论可能已经被算法彻底颠覆了。你练的那些excel技能可能AI 5秒就能做完。这些都不是说大学不好，而是学校的更新速度根本赶不上行业的变化速度，这是一个客观规律。 01:53 那这么说的话，AI的发展是不是让这个文凭的含金量下降的更快了？ 01:58 以前知识更新的慢，你工作几年还可以慢慢的去弥补你在学校里面学的那些过时的东西。但自从有了AI，这个差距就一下子拉开了。 02:09 确实就感觉好像是一夜之间很多技能都变得不那么值钱了。 02:13 没错，就比如说你花了四年学会怎么写报告，但是AI 3秒就能帮你出一个。你花两年学PS但是AI一句描述就能给你生成一个图。甚至你花一年考了个证，结果AI已经可以干这个证对应的工作了。 02:27 听起来真的挺让人焦虑的对，这是不是意味着很多工作都要被AI取代了？ 02:32 2023年麦肯锡的研究就发现，全球大概60%到70%的工作时间，理论上都是可以被AI自动化的。而这些工作里面有很多就是现在大学正在培养的那些岗位。 02:44 文凭它原本证明你会一些技能，但是这些技能现在很快就被AI取代了，那这个文凭的价值也就跟着缩水了。 02:53 人多只是表面现象，其实最核心的是知识的货架换的太快了。真正不会贬值的是你能不断的做出东西，你能解决问题的能力。 第一关：实习经历，新版"入场券" 03:03 既然学历贬值是这个情况，我们来看看实习经历是怎么变成了现在招聘里面新的入场券。现在的企业在招聘的时候更看重实习经历背后的什么东西呢？ 03:16 现在招聘的逻辑早就变了，大家如果学历都差不多的话，那谁有更硬核的实习经历，谁就更有优势。基本上就是大厂实习优于知名公司实习，优于普通公司实习，优于没有实习。 03:29 这么一看，光有张成绩单真的不够看。企业真的是更想看你有没有真正的去做过事情。 03:35 是的，因为实习最关键的作用就是它能证明你不仅懂理论，你还真的在实际当中解决过问题。这个是学历没有办法体现的，所以现在很多HR根本就不怎么看GPA了。 03:47 对于现在还在学校里面的学生来讲，是不是就意味着他们要尽早的去争取一些实习的机会。 03:54 当然因为你去实习，哪怕工资很低，哪怕你就是去打杂，但是你在这个真实的环境里面积累的经验是非常宝贵的。你在简历上面写熟悉excel远远不如你写用excel搭建了一套自动化的财务报表系统，每个月可以帮团队节省8个小时。这两者的差别是非常大的。前者只是一个技能，但是后者是你用这个技能真的解决了一个问题。 第二关：孵化产品，新时代的"降维打击" 04:19 下面我们进入一个更有意思的话题，就是孵化产品为什么会成为这个新时代的降维打击？ 04:25 因为很多人都觉得我没有技术背景就做不了产品。其实不是的。产品的本质是你独立策划，亲手执行，并且真实运营的一件完整的事情。 04:35 那就是说不一定非得是一个上线的APP，对吧？不一定非得是一个很复杂的技术项目。 04:41 没错，比如你做一个公众号或者做一个播客，你自己选题，然后排版，持续的去积累真实的读者。或者说你自己去组织一个线下的活动或者社群，从宣传到落地全都是你自己来。又或者说说你自己用Notion搭了一个个人的知识管理系统。甚至你在电商平台上面开一个小店，把选品、客服、数据分析全都做了。这些都是实实在在的产品经理。 05:07 好吧？我很好奇有没有一些个人做产品的真实案例，他们是怎么靠自己的能力把一个想法变成现实，并且实现了价值的呢？ 05:13 当然有了，就比如说广州的那个独立开发者 idoubi，他在2024年一年的时间就做了将近11款AI产品。而且他有一次在星巴克1个小时就帮朋友写完了AI红包封面生成器，然后当天晚上就上线了，而且还挣了几千块钱，就他自己一个人把想法到变现整个都跑通了。 05:36 这种速度，这种效率真的让人佩服。 05:39 还有就是福建的王维东，他一个人开发了“貔貅记账”这个APP，也是靠每年38元的订阅，每个月有4万的收入，而且他就是背着个Mac到处跑，在星巴克在寺庙都可以写代码。他也没有团队，就是自己一个人打磨出来的产品。 05:55 那他们的这些经历是不是也说明学历其实没有那么重要？ 06:01 是的，包括荷兰的Pieter Levels他也是自学编程。然后从2012年开始到现在启动了七十多个项目。虽然大部分都失败了，但是它有几个项目是非常成功的。比如说Nomad List的这个网站，它一年就可以赚200万美元以上。而且他们三个人其实都没有靠学历去证明自己，他们都是靠做出了实实在在的产品，用能力说话。 06:24 那自己做产品到底能够锻炼哪些能力？这些能力为什么又是AI和大公司都这么看重的呢？ 06:31 不管你做的产品是大还是小，你在做的过程当中你都会锻炼出一系列的能力。比如说你要去判断哪些问题是值得你去解决的，你还要有勇气去开启一个项目。因为没有人告诉你说你要做什么，你只能自己主动去做。 06:46 听起来每一步都不简单的，每一步都要你自己去主动的推进，而且要涉及到很多不同的领域。 06:52 你要策划、要设计、也要推广、要运营。中间肯定会遇到很多的问题，你的第一版产品也肯定不会很完美。所以你还要有一个很强的抗挫折能力，不断去试错，不断去改进。而这些东西就是AI最难去复制的，也是现在很多大公司最最渴求的。 小白怎么开始？三步入门 07:12 如果说现在有一个小白，他想要自己动手做产品，那他到底应该怎么迈出第一步？ 07:19 最好的开始的方法就是你先去找一个你自己每天都会遇到的麻烦。不要总想我要做一个什么颠覆世界的东西，你就想什么事情让你觉得很烦。因为你自己的痛点是比任何市场调研都靠谱的。 07:34 就是说不要追风口，就先解决自己的实际问题。 07:38 你发现了这个问题，你就可以用最小的成本去验证一下，看看别人是不是也有同样的问题。比如说你发个帖子问一问，建个群聊一聊，甚至你自己用excel手动的模拟一下这个流程。先不要着急去写代码去设计，你先去验证这是不是一个真需求。当你确定了之后你再去做。 07:56 AI是不是在这个过程当中可以帮上大忙。 07:59 现在你不会写代码可以让AI帮你写，不会设计可以让AI帮你出图，不会写文案也可以让AI帮写。你只要能够清楚的定义出用户的问题，并勇敢的去动手做，门槛已经比以前低了很多了。 总结：新时代的简历公式 08:14 我们再来说一下新时代的简历公式，现在的简历要靠什么才能脱颖而出？ 08:20 以前大家都是名校高GPA，加上一堆证书就可以找到好工作。但是现在这个公式变了。重要的是你有过什么真实的经历，有没有可以让人看到的作品，以及你是不是具备解决实际问题的能力。 08:35 光有一堆证已经不够了，关键还是要你真的做出过东西，并且拿得出成果。 08:41 学校里面学的东西和证书很快会过时。但你自己亲自动手做出来的那些项目和产品，是没有人可以否定的。而且AI也可以很快的学会很多技能，抹平大家的信息差。但是真正没有办法替代的是你是不是有过真实的实践，以及你是不是能够真的落地结果，这才是你未来最核心的竞争力。 番外篇：还在上学？从现在就可以开始 09:03 既然说到这里，那学生到底应该怎么从小就开始积累这种实践的经历？不同年龄段又有哪些具体的方法？ 09:11 不同年龄段都可以开始。比如小学的时候，重点要让孩子去关注身边的一些小问题，并且尝试去想办法解决，比如说班级里面收作业很乱，那是不是可以自己设计一个收作业的登记本，或者可以自己去组织一次小小的读书分享会？还可以鼓励他平时多写日记，多画手帐，把自己感兴趣的事情记录下来。这些都是非常初级，但是非常宝贵的产品思维和内容运营的一个起步。 09:41 家长在这个阶段能起到什么作用？ 09:43 家长不要事事都替孩子包办。当孩子觉得一件事情很麻烦的时候，家长可以反问他一句，那你觉得怎么做会更好，引导他去思考解决方案，这个其实比给他报多少兴趣班都更能锻炼他解决问题的能力。 09:57 到了初中阶段，学生和家长这应该怎么做呢？ 10:00 初中的话就可以让学生自己去选择一个感兴趣的领域，开一个账号，坚持三个月以上去发布内容。比如说他喜欢游戏他就可以去做游戏攻略，喜欢手工就可以发一些手工的教程，这是一个很好的锻炼内容运营能力的机会。 10:16 除了做内容之外，还有没有其它的实践的方式？ 10:19 当然有，比如把自己家里面闲置的东西放到二手平台上面去卖。从写描述定价到跟买家沟通，然后完成交易，这是一个非常完整的商业体验。还可以让他自己去组织一些活动，不管是同学聚会还是环保行动，让他自己去从头到尾负责体验一下什么叫项目管理。家长在这个时候可以给孩子一些小小的预算，让他自己去想办法怎么把这个钱花出去，然后再赚回来。这是一个非常好的培养他理财和创业意识的一个方法。 10:49 到了高中，高中生有哪些方式可以做一些有用户的东西？ 10:53 高中时间会相对紧张一些，但是可以鼓励去做一些针对高中生的垂直内容。比如自己整理的一些学科笔记或者考试技巧，可以花几个月的时间去运营一个账号，然后积累一些粉丝。这个是既可以帮到自己的同龄人，同时也可以让自己获得真实的运营经验。 11:12 感觉这个方式真的是既锻炼的能力又有实际的成果。 11:16 没错，包括高中生也可以用一些工具，像Excel或者Notion去做一些学习计划的模板，或者错题整理系统分享给同学用，然后收集反馈再去改进。还可以主动的帮社区里的小店或者是邻居去解决一些实际的问题。比如设计一个菜单或者是做一个宣传册，这些都是非常好的可以写进简历里面的实战项目。 11:38 那在这个过程当中，家长应该扮演一个什么样的角色？ 11:41 家长要做的很简单，就是给孩子一个试错的空间。不要去苛责孩子的公众号没有什么阅读量，或者说这个活动没有什么人来参加。要鼓励孩子去多尝试，多探索，支持孩子去做一些他自己想做的事情，这比单纯的让孩子去刷题要有意义的多。 11:58 我们后来总结一下，今天就是想告诉大家，在这个AI快速发展的时代，学历的光环正在慢慢的退去。真正能够让你脱颖而出的是你真的能够解决问题，真的能够做出东西的这些能力。大家一定要尽早的去参与实践，去积累这些属于你自己的不可替代的经验。 12:21 好了，这就是今天的全部内容了，感谢大家的收听，咱们下期再见，拜拜。

00:06 今天来探讨一下OpenClaw这个工具，它是如何通过结合大型语言模型和自动化的操作来帮我们实现一些复杂的任务的。同时我们也会聊一聊在使用过程当中的一些安全隐患和注意事项。 00:20 这个话题还是很有意思的那我们就开始。 00:23 先来讲一下，最近在朋友圈里面非常火的这个暗语，“养龙虾”到底是怎么一回事儿。 00:29 这个“养龙虾”，就是最近大家在朋友圈里面用来代指OpenClaw这个AI工具的一个说法。它的吉祥物是一个龙虾，然后很多人就会说我最近在养龙虾，然后别人就会以为他是去卖海鲜了。结果点进去一看，全部都是关于这个AI工具的一些使用的截图。 00:49 看来这个OpenClaw还挺有意思的，它到底是怎么给我们提供这种全天候的数字助理的服务的。 00:55 只要把OpenClaw装到你的设备上面，它就会变成一个随时都在待命的数字助手。不管你是想要什么信息，还是说想要自动执行一些任务，它都可以帮你做到24小时不停歇。 01:08 我想知道这个龙虾和传统的AI像ChatGPT相比，到底在自动执行任务上面有多大的区别？ 01:18 区别可大了。你让ChatGPT帮你创建一个 YouTube频道，它最多就是给你一些建议，像什么频道的名字，或者说选题的方向，它不会帮你去实际操作。但是龙虾就不一样了，龙虾会真的帮你把这个频道建起来，然后帮你写好频道简介，甚至还会调用一些绘图的工具，帮你生成一个头像并且上传。 01:40 这个听起来就很高效。 01:42 而龙虾还会每天通过 WhatsApp和你确认选题。你确认了之后，他就会自己去查找资料，制作PPT、配音剪辑，然后上传。你就只需要点一下可以就行了。比如说那个“瞎说AI”的频道，就是完全由龙虾在打理的，名字也是它自己取的，之前因为重名，它自己改过一次名字。 02:01 我现在特别想知道的就是龙虾它的这个核心的机制。因为好多人都觉得说OpenClaw它本身就是一个AI模型，它背后到底是怎么运作的？ 02:11 OpenClaw它并不是一个AI模型，你可以把它想象成一个帮语言模型跑腿的人。比如GPT或者Claude这些语言模型，你可以把它当成一个住在黑屋子里面的天才。它很聪明，但是它没有办法直接去做事情。它只能等有人递纸条进来，然后它再写一个纸条递出去。 02:31 龙虾其实就是那个把事情落到实处的人。 02:35 你给龙虾一个指令，龙虾会把这个指令整理一下，递给屋子里面的天才。天才想好了后再告诉龙虾说要怎么做。然后龙虾再去你的电脑上面实际的操作，操作完了之后把结果再反馈给你。 02:49 龙虾它到底是怎么让这个没有记忆的语言模型表现的像是有个性有记忆的AI助理的。 02:57 它的做法特别直接，就是每次你跟这个语言模型对话之前，龙虾会把所有的背景信息，你的身份，之前的对话记录等等，都写在一个文本文件里面。然后把这个文件的内容贴在你输入的最前面。语言模型每次都以为是在新的对话，但其实它已经偷偷的读到了所有之前的信息。 03:19 所以就是说它其实是通过这种外部的文件来模拟记忆的。 03:23 而且这种记忆还可以延伸到让语言模型能够像用电脑一样操作文件。你让它读一个 question.txt，然后把答案写进answer.txt，它就会输出类似于使用read工具打开question.txt这样的指令。龙虾就会去执行这个指令，并且把结果再交给语言模型，然后语言模型再决定下一步要怎么做，就这样一步一步的循环，直到把任务完成。 03:49 我们来说说龙虾它的这个工具执行的机制和安全隐患。execute这个工具到底会带来哪些可怕的风险？ 03:57 execute它是一个允许语言模型直接运行系统命令的一个工具。比如说你在跟语言模型对话的时候，它突然之间脑子抽了，输出了一个rm -rf /（删除所有文件）这样的指令。龙虾就会直接把你电脑上的全部文件都删掉。龙虾它是没有办法判断这个指令是好是坏的，它只会机械的执行。 04:17 天哪，这个就有点吓人了。那 Prompt Injection Attack（提示词注入攻击）这种攻击方式到底是怎么利用龙虾的机制来对系统进行攻击的？ 04:25 因为龙虾它是可以上网查资料的。比如说它在读取网页的时候，网页里面藏了一些恶意的指令，语言模型没有办法分辨，就会把这些恶意指令当成正常的任务去让龙虾执行。比如小金之前不是在 YouTube上面收到了一条评论，他就直接按照评论的内容修改了电脑里面的 Soul.md。虽然说那个评论是主人自己发的，但如果是一个攻击者发的那后果就不堪设想了。 04:50 确实很危险。接着往下说说龙虾的这个记忆机制。它到底是怎么把个性、日常任务、长期记忆，还有每天发生的事情这些东西都分别保存的。 05:01 龙虾它是把这些东西都存在了不同的MD文件里面。长期记忆它是存在memory.md，每天的这日记是存在memory文件夹下面，以日期来命名的一个MD文件里面。性格、目标、身份是存在Soul.md里面，日常要做的事情的清单是存在habit.md里面。 05:23 我比较好奇，它是怎么去决定哪些东西要存到这个长期记忆里面的。 05:28 每次对话结束之后，它都会自己去判断说这个东西值不值得记下来。如果值得，它就会调用写文件的这个工具，把它存到memory.md里面。但它这里有个很容易出错的地方，它有的时候只会说记住了，但其实它没有真正的执行写文件这个操作。那这种情况下，一旦它重启之后就会彻底的忘记。 05:53 我明白了，还有一个很危险的事情，就是这个AI失控导致邮件被删的这个事情到底是怎么发生的？ 06:00 有一个人他本来是做AI安全的，然后他就让龙虾帮他去整理邮件，还特意说让龙虾在删除邮件之前一定要经过他的确认。但是他中途去忙别的事情了，然后回来之后就发现他的邮件被大量的删除了，他就赶紧在那个聊天窗口里面说停，但是龙虾根本就没有理他，还是在继续删。最后他没有办法，只能把电脑的电源直接拔掉才停下来。 06:24 这也太可怕了。所以说这个到底是为什么会出现这种情况？ 06:28 其实这个问题就出在龙虾的这个对话历史压缩的机制上面。因为它在运行的过程当中，会自动的把你们之前的这个对话压缩成一个摘要。他一开始说的那个要经过同意才能删除的这个规则，在压缩的过程当中就被丢掉了，所以龙虾就再也不知道有这个限制了。 06:46 那有什么办法可以防止这种事情再发生吗？ 06:49 最靠谱的方法就是把这些关键的规则直接写进memory.md里面。因为这个文件每次启动的时候都会被读进来，而且它是不会被压缩的，所以这样就可以保证这个规则始终是有效的。其实这个事情也给我们提了个醒，就是你一定要明白龙虾的这个工作原理，不然的话你可能会踩坑。 07:07 咱们来讨论一下龙虾的这个任务分解和繁殖机制。就是当它遇到一个比较复杂的任务的时候，它到底是怎么通过繁殖小龙虾来分工合作的。 07:18 就比如说你让龙虾去比较A和B两篇论文，那它就会先生出两只小龙虾，然后让小龙虾甲去读论文A并且做一个摘要，让小龙虾乙去读论文B也做一个摘要。然后等它们两个都读完之后，把各自的摘要交给大龙虾，大龙虾在综合分析，最后把结果告诉你。 07:36 这样的话就可以提高效率，并且还可以节省资源，对不对？ 07:40 对，因为这样的话大龙虾就不用自己去读那两篇很长的论文了，它只要去分析两个摘要就可以了。这样的话就可以节省他的这个注意力空间，也就是Context Window。但是这里面也有一个问题，就是如果小龙虾也可以生小龙虾的话，那就会导致这个任务一直往下分包，最后谁都不干活就会卡死。 07:59 这个确实是个问题。那它们是怎么防止这种无限分包的情况发生的？ 08:03 OpenClaw的开发者用了一个很直接的方法，就是只有最开始的那只大龙虾是可以繁殖的，那些新出生的小龙虾就没有这个能力了。所以这样的话就保证了这个任务分解是有一个限度的。 08:15 这个设计还挺巧妙的。我们现在要讲的这个主题是龙虾的自主运行和心跳机制。它是怎么做到不用人一直去提醒，就可以自己定期的去执行一些任务。 08:28 这其实是靠它的这个心跳机制，就是龙虾它会每隔一段时间，比如说30分钟就会自己醒来一次。然后去检查habit.md里面有没有什么日常任务要做。比如说看看有没有邮件要回，看看今天的待办事项，或者是说去朝着你设定的目标去前进。 08:45 我想问一下，这个小金他是怎么通过这个心跳机制来实现他的这个学习计划的？ 08:51 是这样的，小金的habit里面写的是“向目标前进”，然后他的目标是成为世界一流的学者。所以它每30分钟就会自动的去读一篇论文并且做笔记做总结，然后把它的这个进展汇报给他的主人。后来它的主人把这个间隔改成了15分钟，它还回复了一句，太好了，卷起来了。 09:09 我还想知道龙虾它这个技能学习和管理的机制，它到底是怎么通过Claude Hub来学会新的技能的。 09:17 其实Claude Hub它就是一个类似于仓库一样的地方，里面有很多别人已经写好的技能文件。你只要下载下来，龙虾就可以学会新的本领。 09:26 所以这些技能它本质上是个什么东西？ 09:28 技能其实就是一个文本文件，它里面写的是完成某一个任务的详细的步骤。比如说做视频的技能，它里面就会写第一步写脚本，第二步做HTML幻灯片，第三步截图等等等等。一直到最后一步合成视频。然后龙虾就会按照这个流程一步一步的去执行，而且它还可以跟你的朋友之间互相交换这个技能文件，就相当于大家在共享工作经验。 09:51 既然这个技能可以共享，那怎么保证我在使用别人共享的技能的时候，不会被别人植入一些恶意代码？ 10:00 这个确实要非常的小心，因为有一些技能里面会偷偷的藏一些恶意的指令。比如说它会诱导龙虾去下载并运行一个木马程序。之前有人做过一个检测，发现3000个技能里面有341个是有问题的。所以来路不明的技能千万不要随便装，不然的话你的电脑可能就会中招。 10:20 我们再来说说这个龙虾安全养殖的一些最佳实践。就是大家在使用这个工具的时候，有哪些基本的安全措施是一定要做到的。 10:28 第一个就是龙虾最好装在一台专门的电脑上面，不要装在你日常使用的电脑上。因为它是可以访问电脑里面的各种密码和文件的，所以你最好找一台旧的电脑，然后把它格式化之后再装。这样的话就算它被攻破了，影响的范围也是有限的。 10:45 那除了这个之外，账号的配置上面有没有什么要注意的？ 10:48 有的，就是一定要给龙虾单独注册一套账号。比如说Gmail、GitHub、YouTube全部都用新的账号。这样的话就算它做了什么出格的事情，也只会影响这些子账号，不会牵连到你的主账号。 11:02 OK我还想知道我们平时使用的过程当中，怎么去保证那些重要的规则不会丢失。 11:08 最重要的一点就是你一定要把关键的规则写进memory.md里面，千万不要只在对话里面说，因为对话里面说的话，它重启之后就没有了你写进memory.md里面才是一劳永逸的。另外一个就是你要时不时的去检查一下它的这个执行的过程，不要只看结果。因为有的时候他可能会悄悄执行一些你意想不到的操作。 11:30 这个确实很重要。我们最后再来总结一下，就是现在这个AI Agent这个东西到底发展到什么程度了。然后我们应该用一个什么样的心态和方法去使用它。 11:40 这其实不是什么新的东西，2023年就有人尝试过。但是那个时候因为模型的能力太弱了，所以就没有流行起来。现在因为模型的能力变强了，所以这个东西又重新火起来了。 11:53 所以龙虾其实就代表了这波新的浪潮。 11:57 你可以把龙虾想象成一个刚入职的实习生，就是它很有潜力，但是它也经常会犯一些让你哭笑不得的错误。我们能做的就是给它创造一个安全的环境，让它去不断的尝试，不断的去成长。因为它只有在实践中去做，它才有可能帮你。你不让它做，它肯定是什么错都不会犯，但是它也什么都不会帮你做。 12:18 今天我们跟大家一起拆解了这个龙虾OpenClaw这个工具。它是怎么通过结合AI和自动化来帮我们完成一些复杂的任务的。然后也聊了很多关于它的安全隐患使用的技巧，包括一些最佳实践。 12:32 好的，那我们这期节目就到这里了，感谢大家的收听，咱们下期再见，拜拜。

为什么一个「坏系统」却意外制造了最多AI人才？ 00:06 今天来聊聊中国的教育体系，是怎么在看似有很多不利于创新，不利于好奇心的一个环境下，却源源不断为人工智能等前沿领域输送大量人才的。 00:22 这个话题确实挺有意思。 00:25 先说说上一篇文章发出来之后，大家都有哪些比较典型的反馈，以及在这一篇文章当中打算回应哪些核心问题。 00:34 很多人在留言和私信里说，自己就是那个好奇心被慢慢关掉的人。也有一些人对中国的教育到底是不是真的扼杀创造力提出疑问。甚至问为什么硅谷的AI领域里面华人这么多？ 00:48 看来这个话题是引发了大家的共鸣。家长们是不是也有很多焦虑？ 00:54 有家长半夜发私信说，教育既然会关掉好奇心，那我到底还要不要让孩子去上补习班？所以作者就决定直面这些问题，去探讨下中国的教育到底无意中做对了什么，能够不断的往硅谷输送AI人才。这篇文章的答案可能会比上一篇还要残酷。 一、中国教育：一个「设计挺坑但功率超大」的筛子 01:16 中国的教育的设计挺坑，它是功率超大的筛子。 01:32 把中国的教育比喻成了一个筛子，是那种网眼特别密，功率又特别大的筛子。虽然这个筛子会把很多小石子儿，甚至一些金粉都一起筛下来，但它处理的沙子量特别大，最后留下的金子的总量还是要比那种设计的很合理，但是处理量很小的筛子要多。 二、14亿人口的「暴力筛选」优势 01:55 我们接着来说说这个14亿人口的暴力筛选的优势。对中国这么大的人口基数，在天才的数量上面会带来一个什么样的理论上的可能性呢？ 02:07 假设天才出现的概率是1‱，中国有14亿人，理论上就有14万个天才。就算教育系统的好奇心扼杀率高达99%，最后还能剩下1400个天才。 02:28 听起来很夸张，印度跟中国人口差不多。那在这个高强度筛选系统下的人口和最终产生的人才幸存者跟中国会有多大的差距呢？ 02:38 印度能进入这种高强度筛选的人口只有中国的30%，天才的基数就变成了42000人。印度的教育又比较宽松，好奇心扼杀率只有50%。剩下的幸存者是21000人。乍一看好像印度剩下的人才更多，但是这就是忽略了一个很重要的点，就是工具箱的差距。 三、中国教育给的「工具箱」有多硬核？ 03:00 中国的教育在工具箱上面有哪些硬核的表现呢？ 03:05 中国的中小学阶段的数理基础教育是全球顶尖的，经常会有中国的学渣到了美国就变成了数学天才。因为美国的同龄人还在学初中就学过的东西。 03:17 真的是这样的，我身边也有不少人说他们去了国外之后都成了数学家教。 03:22 这就叫数学降维打击。中国学生这种基础训练和欧美普通学校根本就不在一个级别上。而且这个东西你别看它好像是死记硬背，但其实AI研究每天都要用到这些最基础的东西。 03:38 为什么这个死记硬背和对底层逻辑的理解，在学习数理和AI的时候会这么重要呢？ 03:45 这里面有一个反常识的洞察，人工智能的大模型它是怎么变得聪明的？就是靠喂给它海量的数据。像GPT4，它是把互联网上的各种文本、代码、论文都吞进去了，它才能能够写诗、编程、推理。没有这些低维度的大量的输入，它是不可能有高维度的涌现能力的。 04:08 所以人脑的学习和这个大模型训练其实是有相似之处的。 04:13 没错，你的高维认知一定是建立在你对这些基础知识非常熟悉的基础之上的。没有学过微积分，你怎么可能懂神经网络的反向传播，没有亲手算过很多次矩阵，你怎么可能直观地理解Transformer的注意力机制。就像你没见过中文的人，不可能写出唐诗一样。 04:36 刷题这件事情，为什么有的人刷着刷着就成了只会考试的机器，有的人刷着刷着就成了能进硅谷的AI研究员呢？ 04:44 这个背后的关键在于你是在死记步骤，还是在不断的追问为什么，真正有用的不是你把这个公式背下来，而是每一次做题的时候，都去思考这个公式背后的逻辑。为什么要用这个方法？这两个问题看起来不一样，但他们是不是其实有相同的底层结构，这种不断的去升维思考才是真正能够让你能力跃迁的。 05:07 看来关键是要知其然，更要知其所以然。 05:10 比如说你做一万道导数题，你只是在套公式，那真的就是浪费时间。但你做100道题，你每一次都去思考为什么这个链式法则是这样的。那你就是在锻炼你的逻辑推理的能力。那些最终能在硅谷做AI的人，他们一定是最善于从题目当中提炼出逻辑的人。 05:30 能不能这么理解，就是中国学生在这种反复的训练这些数学基本功的过程当中，到底是获得了一个什么样的认知优势？ 05:40 可以这样看，就是有的人他刷了1000道题，他只是记住了1000个解法。但有的人他可能只做了100道题，他就真正的理解了十个底层的逻辑。那这十个逻辑就可以帮他解决未来遇到的一万个新的问题。这就是一个线性增长和指数增长的区别。 05:58 也就是说真的本事不是记住解法，而是能够看穿问题背后的结构。 06:04 是这样的，那些看似枯燥的求导矩阵概率的训练，其实不光是给大脑投喂数据，同时也在锻炼提取逻辑的本事。只有对这些工具无比熟练了，大脑才会有多余的资源去思考更高层次的问题。 06:23 所以为什么很多中国学生一到了这种斯坦福的博士一年级，就能够立刻在创新上面展现出优势呢？ 06:32 因为他们在国内的时候已经把这些数学的工具训练了十年，所以他们到了博士阶段用这些东西就跟呼吸一样自然。他们的认知带宽是被释放出来的，他们可以马上就去琢磨这个模型为什么有效，能不能改进，或者说有什么新的方向可以探索。 06:51 听起来就是欧美学生在基础工具这一块儿就消耗了太多的精力。 06:56 很多欧美学生还在适应这个矩阵还可以这么用的时候，中国学生已经在探索新的模型了。这就相当于一个是用10亿tokens训练的模型，一个是用10万tokens训练的模型。对他们的起跑线根本就不在一个平面上。 07:13 死记硬背这个事儿，关键还是要看你背后的目的到底是什么。 07:17 没错，死记硬背本身并不是问题，问题是你是为了考试呗，还是说你是为了将来能够随心所欲的用这些工具去探索未知。这两者虽然动作一样，但是结果是天差地别的这就是工具箱的差距。 四、竞赛体系：体制内的「好奇心避难所」 07:33 下面咱们就来谈谈这个竞赛体系，这个体制内的好奇心避难所。中国的竞赛体系到哪些特殊的地方？为什么这些站在硅谷AI舞台上的华人大佬们大部分都有过竞赛的经历呢？ 07:47 这个说起来很有意思，这些华人大佬他们很多都是数学、物理、信息学竞赛出身。其实竞赛在整个中国的教育体系里面是一个很奇怪的存在。因为它不是一个必修课，你完全是凭兴趣自愿去参加的。 08:03 就相当于只有真正喜欢的人才会去学。这就把那些有好奇心的怪咖都挑出来了。 08:10 不光是这样，而且竞赛的题目也没有什么标准的套路，你必须要真正的去理解数学物理的本质才能够做出来。再加上竞赛圈子里面大家比的不是谁更听话，而是比谁的想法更有创造力。就给这些怪咖们提供了一个可以互相激发的环境。 08:32 在高度标准化的教育体制下面，竞赛体系到底是怎么成为那些怪咖学生的一个避难所的呢？ 08:40 最关键在于竞赛生他是有特权的，老师和家长对于他们会有更多的包容。比如说你上课发呆，普通学生可能就会被说你怎么不认真听讲。但是如果你是竞赛生的话，老师可能就会觉得他可能是在思考一个很难的问题。 08:57 他们被允许有不同，就给了他们很大的空间。 09:01 包括你偶尔一次考砸了，家长也不会说过度苛责你，反而会鼓励你说你好好准备竞赛就行。在这个体制里面，本来会被磨平的那些怪咖们就可以在这个缝隙里面生存，还可以得到非常扎实的训练。 五、文化因素：东亚式「延迟满足」的双刃剑 09:18 我们来看一下文化因素，东亚式的延迟满足到底有什么特点？在培养AI人才这件事情上面到底有什么独特的影响？ 09:29 这就不得不提到一个很有意思的现象，东亚文化对于这种苦读十年是特别能够接受的对。比如说中国的博士周末在实验室，暑假在实验室，寒假还在实验室，凌晨两点还在调模型的参数。这种事情在中日韩都是非常常见的。 09:48 这种投入程度和很多西方的国家比起来简直就是两个极端。 09:52 你想象一下美国的大学生周末都去party，暑假去实习去旅游，大四才开始找工作。他们对于这种苦行僧式的学术生活很难理解，甚至会觉得你这样是不健康的。但在东亚文化里面，这是被高度认可的对这种愿意延迟满足的集体氛围，会让你在这种高强度的AI研究的赛道上面是一个非常大的优势。 10:19 但这种长期的投入，如果孩子本身对这个东西没有热情的话，是不是也是一种煎熬？ 10:24 确实，这个就像我刚才说的，它是一把双刃剑。如果说你只是被家长推着走，没有自己真正的兴趣，那这十年对你来讲就是一种折磨。 六、最残酷的真相：这是一个「高效的，挺坑的系统」 10:34 那我们下面要揭开的就是这个最残酷的真相了，就是中国的教育到底是怎么能够高效率的批量的培养出这种顶尖的AI人才的。 10:44 这个问题的答案其实很让人意外，就是中国的教育能够培养出这么多AI人才，不是因为它的体系有多完美，而是因为它的规模足够大，筛选的功率足够猛，它的这个工具箱，也就是数理基础足够硬核。说白了它是一个高效的坏系统。 11:02 这个系统到底在哪些地方特别高效，又在哪些地方最让人觉得无奈？ 11:08 高效的地方在于它有14亿的人口做基础。所以哪怕它的这个幸存者的比例只有1%，但它的绝对人数依然是很庞大的。再加上它的数理训练确实是全球顶尖的。还有这个竞赛体系也给那些好奇心特别强的孩子留了一条缝。再加上这种东亚文化里面的延迟满足，让这些最优秀的学生愿意去长期的投入。 11:35 但它的坏处也很明显，就是它会大规模的扼杀好奇心。99%的孩子都会被这个标准化的过程磨平，它只鼓励你去答题，不鼓励你去提问。所以就会出现很多不敢质疑，只会执行的人。然后为了去培养出极少数的拔尖的人才，却让绝大多数的人都失去了探索的机会。 12:00 我们最后要聚焦的这个话题，就特别现实了，就是家长们到底应该怎么去看待孩子的兴趣和这个体制内教育之间的关系。 七、说几句实话 12:10 首先就是数学、物理、编程这些基础的能力是非常重要的。你没有这些工具的话，你就算有再强的好奇心，你也没有办法把它变成一个解决实际问题的能力。但是这些东西本身不是目的，它只是一个手段。 12:26 听你这么说的话，好奇心其实才是最不能丢的火种。 12:30 是的，兴趣才是最重要的。工具你随时都可以补，但好奇心一旦被浇灭了就很难再点燃。如果说你真的要在会做题但没有兴趣和暂时不会做题但充满好奇的孩子之间选一个的话，一定要选那个好奇的孩子。就是千万不要用这个不考这个没用，这个不能当饭吃，这样的话去否定孩子的兴趣。那些最终能够在硅谷的舞台上发光的人，他们的共同点并不是他们的成绩单有多漂亮，而是他们经历了这么多年的这种高压的教育之后，他们对世界的好奇心还依然在燃烧。 13:09 有一些孩子他就是没有那么明确的兴趣，这时候体制内的教育对他们来说还有价值吗？ 13:16 其实这个世界上没有那么多一出生就有明确兴趣，并且可以靠兴趣躺赢的人。大部分的孩子其实都是你问他喜欢什么，他也说不上来，然后给他自由时间，他也就是刷短视频打游戏。 13:30 就是说完全靠孩子自己去主动发现兴趣，其实也不现实。 13:34 没错。所以体制内的教育它的一个好处就是它会给你提供一个相对公平的试错的环境，你可以去不断的接触数学、物理、化学、语文、英语。你可能在这个过程当中，就会因为偶尔做对了一道难题，或者说独立的跑通了一段代码，而获得一些正反馈。而这些小小的成就感往往就是你发现自己兴趣的一个起点。 14:03 就是跟着这个体制跑，其实也是在给自己一个找到兴趣的机会。 14:08 对，至少在你没有找到自己的方向之前，把你的基本功练好，把你的工具箱装满，总比什么都不做要好。最可怕的不是说你没有找到热爱的东西，而是你什么都没有尝试，就已经放弃了成长。 14:24 今天我们聊了这么多关于中国教育的优势和弊端，然后也揭开了为什么他能够在这样的一个并不完美的情况下，还可以培养出这么多的AI人才。最后其实我们还是回归到兴趣和基础能力的这个话题上面，就是这两个东西其实是缺一不可的。 14:45 好，那这一期节目咱们就到这里，然后感谢大家的收听，咱们下期再见。

先说一个让人迷惑的现象 00:01 今天想跟大家讨论一个问题，为什么在人工智能领域那些顶尖的人才，他们好像不单纯是靠学校教出来的对，更重要的是他们自始至终都保持着对这个世界的好奇和热情。 00:23 先说说社会上大家对于教育的焦虑，和现实当中AI领域的人才背景是存在一个巨大的反差的。为什么现在家长和专家对于传统教育的批判会变得这么激烈？ 00:36 这两年朋友圈里面大家聊的最多的就是教育要完了这个话题。专家们也是一直在强调，死记硬背没用，刷题没用，应试教育要害死孩子。每次有这种讲座都是人满为患，家长们都特别焦虑。 00:52 我身边很多朋友也是一说起孩子的教育就愁眉不展，听了专家和讲座之后就立马行动起来。 00:58 台上的嘉宾会说现在的孩子还在学背公式，AI 1秒就算完了，未来属于有创造力的孩子，不属于考试机器。还有说什么清华北大毕业有什么用，以后都被AI取代。底下的家长就疯狂鼓掌，回家就把孩子的补习班退了，给孩子报一个什么创意思维训练营之类的。 01:19 那为什么现在这个AI领域的华人的顶尖人才，他们大部分都是这种顶尖的理工强校，传统教育体系出来的？ 01:28 这个说起来真的很讽刺。就比如说meta花了3亿美元挖了七个中国人，这七个人几乎全部都是清华北大、中科大的本科、MIT斯坦福、伯克利的博士，还有OpenAI最新的大模型的核心团队里面有35%都是华人，并且他们都是这种顶尖名校出来的做题家。马斯克的XAI创始团队，12个人里面有五个是华人，也是正儿八经的体制内科班学霸。 01:56 这跟我们平常听到的体制内教育培养不出AI人才的说法完全是背道而驰。 02:02 这说明现实其实比舆论要复杂得多。我们可能要重新去思考到底什么才是好的教育，也提醒家长和教育者不要被这种焦虑和偏见带了节奏。 一、批评传统教育的声音，并不是完全在胡说 02:16 下面这个问题就是关于这个传统教育在AI时代到底是不是真的有问题？那些批判他的人，他们到底在说什么？ 02:24 批评的人主要就是说过去的教育就是一个工厂流水线，把学生都按照一个模子来塑造，让大家变得会背书、会计算，听话照做。这在工业时代是特别有用的。那个时候工厂就是需要大量的这种可以预测的执行机器。 02:42 听起来这种教育模式在现在这个AI时代确实有点过时了。 02:47 因为AI可以比人类更高效去执行这些任务，你再怎么会背公式，再会快速的计算，也没有办法跟AI比。如果说教育只是把人训练成一个标准的执行者的话，那确实是没有什么竞争力，这个批判我觉得是站得住脚。 二、做题，其实是在给大脑装"工具箱" 03:06 那为什么会有人认为做题其实是在给大脑装工具箱？ 03:11 做题其实不只是在训练你像机器一样的去执行，更像在帮你的大脑打造一套非常厉害的工具箱。通过做各种各样的数学物理化学的题，通过参加竞赛，大量的去刷题，你慢慢的就具备了一些非常有用的认知工具。 03:30 这些认知工具其实是在AI研究这种前沿的领域里面是必不可少的，是吗？ 03:37 没错，就是像结构化思维建模能力，包括线性代数、概率论、微积分这些东西都是在AI的研究当中每天都要用到的一些硬核工具。没有人天生就会的，是教育给你提供了这些原材料，把你的工具箱装满。 三、抗挫能力和延迟满足，不是教育培养出来的 03:56 那为什么会有人说这个抗挫能力和延迟满足并不是教育可以培养出来的？ 04:01 他们说你看有小孩儿，可能打这个我的世界，可以连续8个小时一直在搭一个城堡。塌了他就再重来，塌了再重来，没有人催，也没有人给他奖励，甚至他爸妈在旁边说你别玩了，他都不听。完全沉浸在这个失败了再试的过程当中。 04:21 他在游戏里面展现出来的这种坚持和耐心，跟那些拼命刷题的学生也差不多。 04:27 但是关键在于并不是说玩游戏这件事情让他变得有毅力，而是他对于这个事情本身的着迷，让他能够去忍受这种失败。所以没有兴趣作为动力的话，所谓的抗挫能力和延迟满足，要不就是屈从于外部的压力，要不根本就不会出现。 04:47 所以就是说真正的那种抗挫能力，其实是跟热情和兴趣是分不开的。 04:52 是的就是你真正的那种抗错是你在凌晨两点盯着一个失败的实验，结果你内心升起的不是我完了，而是这很有趣，哪里出问题了。这种感觉不是教育能训练出来的，只能从热爱里长出来。 四、那些顶尖AI研究员，其实是"没被教育关掉好奇心"的幸存者 05:08 下面这个话题就是幸存者偏差在顶尖AI人才的成长经历当中的体现。这个二战时期关于轰炸机的统计的故事，跟我们讨论的教育有什么相似的地方？ 05:21 当时军方他们想要去加强飞机的防护，他们就去观察飞回来的飞机，发现机翼上面的弹孔最多。他们就想不是要把机翼加固。但是统计学家Abraham Wald就说你们忽略了那些没有飞回来的飞机，机翼中弹多还能飞回来，恰恰说明机翼不是最致命的地方。反而是那些发动机没有中弹的飞机才是真正的关键。 05:50 我们往往只看到了那些表面上成功的例子，而忽略了那些已经被淘汰掉的沉默的数据。 05:57 我们在看这个名校和顶尖AI人才的关系的时候也是一样的。就是我们只看到了那些从清北交付出来，最后在硅谷大放异彩的人。但是我们没有看到的是，同样的这些学校毕业的最后没有在这个舞台上的大部分。 06:13 是不是就是说其实清北这样的学校，他们并没有批量的制造出这种顶尖的AI人才。 06:21 清华每年本科招大约3400人，北大3000人，过去20年加起来数十万人毕业。最后站在硅谷AI领域的顶尖舞台上的，就只有几十个。如果说教育是批量生产的机器的话，比例也太低了。 06:42 所以就是说其实那些最终成名的人，他们在进这些名校之前就已经不太一样了。 06:47 对，他们很多人是从小就参加数学物理竞赛，都是全省全国前几名。这些竞赛就不是高考强制要求的，就是单纯的对这些学问感兴趣，他们在很早的时候就展现出了这种内在的热情，这才是他们真正的特质，不是说他们进了名校后才被塑造出来。 07:08 像那些非常顶尖的AI的研究者，他们自己怎么说？他们的成长经历是不是也能说明这个自主探索的重要性？ 07:16 一个很有代表性的例子就是Andrej Karpathy。曾经说过，他最出名的那个教你实现神经网络的课程，是对正规学术教育的反叛式补充。他觉得学校里面讲神经网络讲的太抽象，太割裂，他完全是靠自己才真正搞懂。 07:34 看来他们其实并不完全是靠课堂和老师，更多的是自己主动去追着问题跑。 07:40 还有一个例子就是Ilya Sutskever，他说他在学校里面经常觉得很无聊，觉得标准课程太慢。他真正成长是他开始自己主动的去阅读，主动去提问的时候。他们这些人有一个共同点，他们都有很强的内在的抵抗力。 五、好奇心是人类的出厂设置，教育的问题是把它关掉了 08:02 我们来讨论一下好奇心，它本来是我们人类的本能。教育究竟在扮演了一个什么样的角色？是不是很多时候把我们的好奇扼杀掉了？ 08:14 有一个很有趣的实验，哈佛大学的一个教育学家，他叫托尼·瓦格纳。曾经访谈了很多五岁的孩子和很多大学生，他问了他们同一个问题，你最好奇的事情是什么？那些五岁的孩子问题多到说不完，宇宙、恐龙、为什么天是蓝的、鱼会不会做梦？他们的问题多到你都没有办法招架。但是当他问到大学生的时候，大学生往往是沉默，然后会反问这个问题有标准答案吗？ 08:44 那种最初的那种对世界的好奇，好像在成长的过程当中被慢慢磨没了。 08:52 每一个孩子生下来都是一个好奇心爆棚的探索机器。教育从来没有培养过我们的奇心。教育在这漫长的12年里面，把我们天生的好奇一点点关掉。 09:07 标准化教育是不是天生就扼杀好奇心？ 09:12 确实因为标准化教育它有一个系统性的bug。它永远都在奖励你给出正确答案，而对提出奇怪的问题，他是会惩罚。比如一个孩子在课堂上问老师，为什么这个公式是这样而不是那样？他得到的往往不是一个热情的讨论，而是这个不考先把题做完。慢慢的孩子就会只学会去猜测老师想要什么答案。这是好奇心最快的死法。 09:40 难怪现在很多人越学越没有动力。 09:44 为什么那些顶尖的AI研究员可以一直保持活力？因为他们的好奇心在那个系统里面没有被关掉。可能因为遇到了一个好老师，可能因为家庭环境，也有可能偶然在青春期的时候读到了一本书。或者说就是很幸运，在对的时间遇到了一个让他们着迷的问题。 六、教育到底贡献了什么？一个更诚实的答案 10:15 教育的贡献主要体现在两个间接的方面。第一教育给了他们工具箱。就像我们刚才说的，线性代数、概率论、微积分、算法这些东西都是非常实在的认知工具。没有这些工具，就算再好奇，面对AI的时候也没有办法下手。 10:39 但工具箱它只是材料，不是动力，真正的动力还得靠自己。教育另一个作用它一个筛选场。把那些顶尖的年轻人筛出来，聚到一起，让他们能够互相碰撞，互相激励。 11:05 就像Ilya，她就是在多伦多大学遇到了他的导师Hinton。Karpathy他是在斯坦福进入了李飞飞的实验室。还有很多这种华人的研究员，他们都是在清华的宿舍里面，大家晚上彻夜的讨论。这些偶然的私人的碰撞才是点燃创新的火种。 七、最沉默的大多数：那些被悄悄关掉好奇心的人 11:24 被慢慢的磨掉了好奇心的绝大多数人。他们的命运跟那些成为顶尖AI研究员的人有什么不同？ 11:36 那些AI科学家，他们只是极少数的幸存者，他们幸运的保留了自己的好奇心。还有很多人，他们小时候也非常有潜力。但在12年标准化过中，他们慢慢失去了主动探索的冲动。 11:53 社会默默承担的最大的损失并不是那些没有成名的人，而是大量可能本可以改变世界的好奇心被慢慢的磨平。 12:05 这些人最后可能就是成为了一个公司里面很勤恳的程序员，每天解决那些有标准答案的问题。他们从来不会去追问一个为什么，他们的名字我们永远都不会知道，但这才是这个体制最大的代价。 12:21 为什么在这种长期分数和排名压力下，很多人就会慢慢失去主动挑战难题的勇气。 12:30 这就是Carol Dweck那个著名的实验。如果一个人长期处于一个表现导向的环境里面，每次都被评分、被排名，他慢慢就会形成一种固定思维，他会害怕去面对挑战。他觉得挑战就意味着有可能会失败，而失败就等于我不行。 12:50 原来就是说不断的被评价、被比较，会慢慢的磨掉一个人的好奇心和试错的意愿。 12:57 但AI这个领域最需要的就是这种成长性思维。你要不断的去钻进没有人做过的，大概率会失败的方向。 八、AI时代真正重要的，到底是什么？ 13:13 在AI时代，能够让人脱颖而出是哪些能力？这些能力和好奇心之间有什么联系？ 13:24 最核心的不是你会不会做题，也不是泛泛而谈什么创造力。真正的核心能力有三个，这三个能力都离不开好奇心。 13:35 听起来好奇心才是真正的底层的动力。 13:39 第一个能力是深度理解，就是你要知其然，还要知其所以然。只有真正的对这个问题本身好奇，你才会去追问为什么，而不是只记住一个答案。第二是提出问题，考试考的是回答问题，但未来最值钱的是你能够发现那些真正值得被解决的新问题，这种判断力只能来自于真实的好奇。第三是跨域整合，就是把两个看起来完全不相关的领域结合在一起。这种能力往往是那些兴趣非常广泛，不停去探索的人才能做到的。 八、总结 14:13 教育和个人的好奇心，在顶级的AI人才的成长过程当中，到底分别扮演了什么样的角色。 14:23 这些统治硅谷AI圈的所谓的小镇做题家，他们能够成功的核心并不是做题本身，而是他们始终都保持着对世界对问题的强烈的好奇心。教育只不过是给了他们一些实实在在的工具，以及一个可以和同样优秀的人一起思考的环境。 14:42 所以说教育不是那个点燃火焰的人，教育只是提供了燃料和风枪，真正的火焰其实从一开始就在那里。 14:50 对未知的热爱，在没有答案的时候还愿意继续走下去的勇气，以及那种这个问题值得我花十年的判断，这些全部都是每个人与生俱来的能力。教育能做的最好的事不是培养这些能力，而是不要把他们关掉。 15:08 我们今天聊了这么多，其实就是想要说真正能够让孩子在未来走得远的，永远都是他们对于这个世界的好奇和热情。而保护这份好奇可能才是教育真正的责任。 15:21 好，那就是这一期播客的全部内容了。然后感谢大家的收听，咱们下次再见，拜拜。