一、一场反向的考试

复旦大学"数据挖掘技术"课程把期末考改了：学生不坐考场答题，全部当出题人。每人设计 10 道题，去"考倒"3 个 AI 大模型——AI 答错的题越多、被难倒的模型越强，出题学生的得分就越高。

授课老师肖仰华的解释是：传统考试在 AI 时代已经部分失效。如果老师只出标准题、只判标准答案，AI 往往比学生答得更快更准。

会提问不是随便问，而是建立在理解之上的高阶能力。学生必须自己会解题、会推导、知道标准答案，才能设计出检验 AI 能力边界的问题。

二、什么叫"好问题"

课堂上还会讨论：AI 为什么错、错在哪、怎样判断一个结果是否可信。这样学生就从"接受答案的人"，变成"定义问题和评判答案的人"。

三、两个关键概念

认知负债：如果单纯把思考外包给 AI，久而久之大脑就像一台很久没开机的电脑，启动变得迟缓。

能力放大器：基础扎实、有判断力的人，可以借助 AI 更好地学习与创造；基础薄弱、只会复制粘贴的人，则会逐步失去思考能力。

关键不在用不用 AI，而在于是让 AI 代替我们思考，还是帮我们思考得更好。

四、学校该怎么变

中国教育科学研究院的数字教育研究者给了一个很形象的判断：

• 一堂好课是"问题的孵化器"，而不是"答案的生产线"。
• 教师要从知识讲授者，转向任务设计者、场景构建者和认知引导者。
• 学习的真谛是对事物本质的追问——"定义一个问题"比"解决一个问题"更重要。

五、AI 学习产品该按什么标准做

一位教育科技公司 AI 学习业务负责人提到他们的原则：不能只看 AI 有没有把题答对，还要看学生有没有真正学会。每更新一项能力，关注三个结果：

1. 学生是不是真的理解了。
2. 遇到类似问题能不能自己解决。
3. 使用过程中能不能逐渐减少对 AI 的依赖，形成独立完成的能力。

六、普通学习者能马上用的四条

1. 先摸清工具的模式：什么时候该开联网搜索，什么时候该用"深度研究"拿深入报告，心里要有数。
2. 自己先想一遍再问：把问题说清楚，而不是直接丢一个大而空的问题。
3. 追问"为什么错"：AI 答错时，比答对时更值得研究。
4. 定期"断奶"练一次：不用 AI 独立完成一件事，检验自己还剩多少能力。

一句话收束：AI 时代真正的分水岭，不是谁会用工具，而是谁还保留着定义问题的能力。