同一个 AI，为什么有人只能得到平庸的答案，有人却能得到出色的结果？当这种能力进入越来越多行业，人应该怎样确定自己的位置？

提示词工程师李继刚在一席的演讲，从这两个问题走向教育。他关心的是：如果社会需要的能力变了，培养人的方式为什么还能维持原样？

本文围绕《异质性，就是这个时代的生命力》的主要论证展开评述。原视频由一席 YiXi 发布，约 31 分钟。演讲中的经历、比喻和预测归于李继刚；文中关于证据边界与实践方法的讨论，是在这些观点基础上的分析。

标准化教育的成绩与代价

李继刚用「水的教育」概括以知识积累、统一要求和考试排序为中心的培养方式。他从古代人才选拔、知识掌握在少数人手中的局面，讲到工业社会对大规模协作的需求，把普鲁士教育体系、义务教育、班级授课和分科考试放进这个背景里理解：工厂需要能够遵守规则、阅读说明、按时协作的人，学校的组织方式与之相适应。办公室中的知识工作，在他看来也延续了部分标准化逻辑。对应视频约 2:00–6:00

他承认这套体系扩大了教育覆盖，也支撑了大规模协作。批评随之而来：共同标准一旦变成衡量所有人的唯一尺度，个人差异就容易被识别成缺陷。偏科需要补齐，兴趣要让位于分数，能够记住并复述多少知识成为重要评价依据。人获得了进入社会分工的机会，也为适应统一要求付出了代价。

公共教育能够提供共同基础，统一考试也有选拔和比较的用途。问题在于评价的范围。一张试卷可以测量某些学习结果，却不能据此穷尽一个人的能力和发展方向。把演讲理解成「考试毫无价值」，反而丢掉了它真正提出的制度问题。

为什么教育理念走在前面，现实却不跟着走

与「水」相对，李继刚用「火的教育」指向那些关注兴趣、主体性和个体发展的探索。他提到进步主义、人文主义、素质教育，以及教育者通过办学检验理念的尝试。这些努力已经积累了经验，却没有让整个系统随之转向。对应视频约 7:30–11:30

他的解释是教育与经济、政治、文化相互嵌合：招聘看什么，组织怎样运行，家庭和社会如何评价成功，都会反过来塑造学校。只改变课堂，外部仍然沿用学历、职位和收入的评价方式，家庭就很难放弃原来的升学路径。高分、大学、工作与社会流动之间的联系，既构成激励，也让人困在拥挤的竞争中。

他把改变的关键归于生产力，认为 AI 带来的社会需求变化，会给教育改革提供过去缺少的力量。这个解释强调了外部需求，却还没有回答技术变化怎样转化为教育制度变化。招生、招聘、认证和公共资源分配如何调整，仍然需要具体选择。

互联网扩大了资源入口，评价机制仍然重要

演讲回顾了互联网曾经承载的教育期待：偏远地区的学生也能看到名校课程，优质信息不再受原有地理边界限制。李继刚认为，这种传播能力没有同步改变社会评价和用人机制；某些共同标准反而借助网络扩散得更快，同质化压力也可能随之扩大。对应视频约 11:30–13:30

获得课程的机会，确实可以改善。理解、练习、持续投入，以及成果被认可，仍要靠课程之外的条件。演讲没有提供教育公平的系统测量，因此不能把他的批评写成「互联网没有改善教育」。更准确的讨论对象，是资源可获得性与教育结果之间尚未被解决的距离。

AI 对话框可以随时打开。学生是否学会，仍要另找证据。

三种世界，四次变迁，稀缺能力如何转移

李继刚提出一个理解技术变化的框架，把原子、比特和向量对应到物理世界、互联网和 AI。他又用农业、工业、信息与 AI 四次变迁，解释人类如何聚集、协作并放大能力。对应视频约 13:30–17:40

演讲中的阶段他强调的能力变化对稀缺性的解释
农业与聚居更多人能够在一定空间内共同生活为更大规模的协作提供条件
工业与机械机械扩大人的体力和物质生产能力物理位置及资源配置仍有约束
互联网与比特信息跨越地理距离快速传播信息增多，人的注意力成为瓶颈
AI 与向量系统参与阅读、综合和答案生成选择答案的判断，以及承担后果的责任更加突出

这个框架把多个复杂历史过程压缩到了少数变量，适合提出问题，不能代替历史研究。尤其是「距离消失」「理解时间消失」这类表达，应理解为强调传输或生成速度的比喻。网络仍有成本，AI 仍会出错，人也仍需理解答案。

注意力同样不会因为 AI 能代读材料就完全不再稀缺。核实证据、处理冲突、判断是否值得继续，依然消耗人的时间。真正值得追问的是：自动化移走一部分阅读工作后，人的注意力应该放在哪里？

判断为什么会把责任一起带出来

当系统能够迅速给出多个看似合理的答案，哪一个适合当前问题，往往比再生成一个更重要。李继刚用医疗场景作比：收到一个模型建议，与得到专业人员审阅并愿意负责的意见，会带来不同的信任。他想说明，答案的文字之外，还存在判断与责任。对应视频约 17:40–18:50

这个例子讨论的是信任关系，不能推导为签字就足以保证正确。可靠判断需要专业能力、核验过程和明确的责任范围。责任也不是在结果出来后找一个人承担损失；如果没有介入过程、补充信息或否决建议的权力，所谓负责就只剩形式。

放到 AI 产品里，可以提出一个具体设计要求：系统交回结果时，应当让使用者知道依据来自哪里、哪些部分尚未核实，以及最后确认会带来什么后果。只有「接受答案」的按钮，承载不了复杂任务中的判断。

从知识积累到成果交付：企业会怎样变化

演讲把大模型描述成吸收大量人类知识后形成的能力网络。在李继刚的比较里，过去的工具放大人的行动，而 AI 开始在人的大脑之外承担一部分思考工作。李继刚据此质疑：如果教育主要训练记忆和复述，人怎样与一个知识覆盖广、调用成本又低的系统竞争？对应视频约 18:50–21:40

他进一步把问题推向组织。大型企业通过任务拆解、层级传递和人员分工完成工作；当一个人借助 AI 能承担更多环节，「一人公司」就可能承接过去需要团队完成的交付。社会评价也可能更加关注实际成果，而较少依赖资历和组织位置。他甚至提出大型集团可能不再像今天这样普遍，并给出五到十年量级的变化预期。对应视频约 21:40–24:00

这些都是他的观察与推演，演讲没有给出能够证明行业整体走向的样本。模型也不能等同于一个完整、无误的人类知识库。把某些信息处理工作交给 AI，与接管企业全部职责之间，还隔着获客、资金、现实执行和持续服务。人员规模会如何变化，需要按行业和任务观察；能够独立做出一次成果，也不等于已经建立可持续的经营能力。

成果评价应当包括质量、维护和后果。演示成功以后，谁继续负责？

异质性要落实为能够辨别好坏的专长

李继刚认为，当标准化产出更容易被复制，社会会更加需要能够作出不同判断的人。这里的「不同」有能力要求：看得出问题，理解什么更好，并能解释选择。单纯大胆、愿意拍板，不能替代审美与判断力。对应视频约 24:00–27:30

他由此重新看待偏科和特殊兴趣。过去需要被修补的差异，在新的分工条件下可能成为优势。教育探索早已提出尊重个体的理念；他认为 AI 改变的是这些理念获得现实支持的时机。培养重心也应更多转向人的主体性，关注一个人能形成怎样的独特能力。

差异本身并不自动产生价值。

一个兴趣能否发展为专长，能否对别人有用，还要经过作品、反馈和长期实践检验。共同基础与个人专长也可以相互支持：一个擅长写作的人，仍会需要阅读事实材料、理解数字和与人协作的能力。尊重差异不必以放弃基础学习为前提。

「80 分」与「天命」应该怎样理解

演讲后段用一张能力示意图表达这个判断：假设 AI 在许多维度都能提供一个约「80 分」的结果，人的某个突出维度就需要能够看出这些结果的不足，挑选可取之处，并组合出更好的答案。「80 分」是示意，并非统一测评结果。对应视频约 27:30–29:30

李继刚把适合自己的方向称为「天命」，并将其解释为天赋与热情的交集：做起来有优势，也愿意持续投入。探索机会不足，可能让这样的特点一直没有被发现；找到合适方向以后，专注和耐心也可能在活动本身的吸引力中形成。AI 则可以放大这种已经被发现的能力。他以不同个体都能发展自身特点的教育愿望结束演讲。对应视频约 29:30–31:15

「天命」在这里是演讲者为理想状态取的名字，不能据此断定每个孩子都只有一个固定职业方向。兴趣会发展，能力会受到训练、环境和资源影响。一次表现突出，不足以作终身判断；一次不擅长，也不足以排除未来可能。

同样，愿意投入可以减少外部催促，却不会自动消除困难。保留探索空间，同时允许孩子调整方向，比急着替他贴上某种天赋标签更符合这段论述所珍视的主体性。

把讨论放进一次真实的学习任务

沿着演讲关于判断力的论点，可以设计一种学习活动：学生先独立说明要解决的问题，再使用 AI 产生候选方案，最后交付作品及选择依据。这是从演讲延伸的实践建议，效果需要通过具体教学验证。

例如，任务可以是解释一个现象、改进一段程序，或研究一个自己关心的问题。评价时除了作品本身，还看学生否决过什么方案、为什么否决、用什么证据发现错误，以及收到反馈后怎样修订。这样，使用 AI 的过程才有可观察的学习内容。

答案写得流畅，尚不足以证明学生理解了问题。能够识别其中的错误，才显露出学生的理解。换一个条件后仍能作出合理选择，则提供了进一步的学习证据。

工具完成了多少工作，与人学到了什么，需要分别观察。

对于兴趣探索，也可以先安排一个有时间边界的小项目，保留过程和作品，再决定是否继续投入。学生可以发现自己喜欢的是某个领域，也可能只是其中一种活动。下一次任务据此调整，方向便有了比一次考试或一句天赋评价更具体的依据。