AI 时代，我们还需要标准化的人才吗？

先把两件事分开

共同的基础标准可以让学习有起点，也让不同背景的人知道要求是什么。它不等于要求所有人采用同样的路径，提出同样的问题，或交出同一种作品。把“标准化”作为单一敌人，反而会忽略标准所承担的公共作用。

我的疑问在于：当评价只剩可以快速打分的输出时，我们是否会漏掉一个人怎样处理模糊问题、怎样解释选择，以及怎样发现自己错了？这是一种评价取向的讨论，不是对某一教育体系的整体排名。

让过程可见，而不是取消考试

一种值得尝试的组合是：保留必要的基础测验，同时让项目提供过程记录、口头解释、反例与修订。作品之外，还要能回答为什么这样做，以及更换条件后结论是否成立。AI 工具的使用也应该说明，而不是把工具参与简单等同于没有学习。

但项目评价并不天然公平。有更多时间、设备或指导资源的人，可能更容易做出漂亮成果；口头表达也不能成为唯一尺度。因此，应把评价要求、资源限制与可获得的支持一并设计，而不是用一种单一标准替换另一种。

工具进入教育，仍需教育判断

UNESCO 的生成式 AI 教育指南强调以人为本、隐私以及教育适用性的验证。这提供了一种提醒：不能因为工具能生成答案，就假定它已经适合某个学习目标，也不能把技术变化直接推导成确定的职业命运。^[1]

我希望被看见的能力是：有基础，能迁移，也愿意承认局限。考试、项目和讨论可以分别提供证据，但没有一种形式能完整代表一个人。教育的空间，恰恰在于不让任何一个可测量结果过早结束理解。

我既批评标准化，也重视基础训练

我曾用“我们还需要标准化人才吗”表达不满，又写过中式基础训练在 AI 时代可能被重新估值。它们表面矛盾，实际上指向两种不同的训练：一种不断重复固定答案，另一种通过做错、订正、理解和迁移建立可靠的基础。

没有数学与代码的基础，模型生成再漂亮的方案，我也很难判断它哪里错了。因此，我反对的不是认真练习，而是练习结束之后仍然没有机会提出自己的问题。基础应该使人更自由，而不是使人永远停在标准答案里。

刷题有没有意义，要看练习改变了什么

我在短稿中问过：对一个已经知道答案的问题不断重复作答，究竟在学习什么？这个问题里有真实的不满：如果奖励始终只对应标准输出，人就容易把寻找标准答案当成思考的全部。但“看过答案”与“能够自己重建答案”，也不能混为一谈。

Roediger 与 Karpicke 的实验比较了学习文章后主动回忆与重复阅读。重复阅读在五分钟后的测试中占优，主动回忆在两天或一周后的测试中更有利于保持记忆。这说明测验可以参与学习，而不仅是在学习结束后打分；它并不证明所有刷题都有用，更没有直接证明长期记忆等于解决陌生问题的能力。^[2]

因此，值得区分的至少有三件事：照着答案复述、关掉答案独立重建、改变条件后重新判断。它们外表都像在做题，却留下不同的能力。背下一个证明的句子，可能仍然不知道哪个假设一旦拿走，结论就会失败。

我想反对的，是把熟悉感当理解，把累计题量当成长。AI 可以在这里扮演出题者和反例提供者，但如果每次卡住就让它继续写，练到的可能只是请求下一段答案。一个简单的改法是先留下自己的尝试，再请求提示，最后脱离提示重新解释。这样，工具帮助暴露思维缺口，而不是把缺口遮住。

换一下条件，才知道理解有没有发生

例如学生能熟练套用最短路算法，接着可以追问：边的代价变成负数怎么办？地图状态改变后，旧答案还成立吗？如果优化目标从时间变为无障碍通行，需要重新表达什么？这些问题仍然依赖扎实基础，却不能只靠记住原来那道题回答。

AI 能够帮助生成反例、解释错误和比较解法，也可能让学生更快跳过自己不懂的步骤。评价的对象因此应该包括迁移与解释，而不只是最终答案。一个人能否在条件改变时修正方案，比作品看起来复杂更能说明理解。