老问题已经不在了，新问题是你在乎什么

大语言模型刚出来那两年，学术圈里最常听到的一句抱怨是：它会编造参考文献，一本正经地给你一条查无此文的引用。很少有人反过来问：我们自己读论文的时候，又有几回核对过每一条参考文献？几乎没有，大多是照单全收。

这有点像收钱：钞票要是一张都不验，假币自然横行。以往假币少，靠的是印刷不易、伪造成本高；可要是人人都有了一台高质量的印刷机呢？大语言模型就是这台印刷机，它把一个早就存在的漏洞暴露了出来。

前几天和两位大学老同学录了一期播客，从 OpenAI 关于纳维-斯托克斯方程的一条新闻聊起，一路聊到 AI 对科研、工作和高等教育的影响。聊到后面我说了一个看法：关于 AI 的讨论里，最常见的误区是如临大敌地去对付它带来的“问题”，却没想清楚这个新工具到底该拿来干什么。

抱怨它编造引用，就是这样的例子。这种抱怨拿的是一把旧尺子：它默认“写”是稀缺的，写出来的每一条都该有人替它担保。可那道漏洞早就在，以前没人补，是因为写得少、写得慢，漏也漏不了多少；如今“写”本身不再稀缺，该问的就不再是它写得对不对，而是这么多东西写出来，哪些值得我们去核、去用。人们之所以陷进这个误区，很大程度上是因为主导讨论的人要么自己没上手，要么还拿着旧尺子去量，最后只能回到老问题里去评判新工具，殊不知老问题早已被新工具碾得稀碎。

那期播客里欲言又止，终不尽兴，不如在这里接着胡言乱语几句。

一老问题从哪里来

先说什么算老问题。它们有一个共同的前提：智能稀缺，每一步都得人亲手去做。怎么把东西写出来交给别人，怎么让人用得上一个模型，怎么考学生，怎么核引用，都是在这个前提上长出来的题。其中最显眼的是第一道：交付。

脑力工作者干的活，核心其实就是“算”，而“算”的交付形式是“写”：文章、报告、代码，都是算出来再写出来交给别人的东西。播客里我也说过，智能的本质是计算；这句话这里不展开，只取一个推论：一旦语言也能被计算，语言和智能之间就打通了。以往从数据到图、从图到结论、从结论到成文，环节之间有许多断口，只能靠人去补；现在这些断口一下子都连上了，凡是以语言形式交付的活，都已不再稀缺。

我自己就是个例子。播客里主持人问，和 AI 一起做出来的东西还算不算你的。我的回答是分开看。最容易交出去的是那些有板有眼的程序性活：同事请我确认一件小事，AI 接上我的上下文就能给出最得体的回复。我不觉得那是我的，我不过给它搭了把手，换个人来搭也一样。再往上一层是论文：我不是英语母语使用者，文章里的英文可以说都是它写的；但想法是我的，事情是我推着走的，这两样换了谁都替不了，所以是我的。从邮件到论文，差的只是离想法有多远；想法一旦定下来，剩下的都是交付，而交付这一层，已经不需要我在场了。有人或许还不习惯所谓的“AI 味”，那是文风合不合口味的事；就交付的实质而言，它已经不成问题了。

这正是如今大学里关于 AI 的种种争论乃至焦虑的来源：学生写作业，教授写论文，这些事情里“写”的那一层好像一夜之间都被消解了，那人的作用到底在哪里？

二大学为什么还在解旧题

让我动笔的，还有一个更近的观察：不少课程的期末考核，正在从开放式的题目和写作，全面退回到闭卷考试。退回去的理由不难猜：怕学生拿 AI 代笔，怕再也评不出高下。可这个动作本身值得看清楚：那是把已经被新工具扫平的老问题重新搬出来，让人回到旧环境里解旧题，绕开新工具的冲击。可它绕开的不只是冲击，也绕开了新问题。有了 AI 之后，大家总在追问大学往哪里去，这个动作其实已经替很多人答了：往回走。往回走，是因为大学的几项本业，本来就是旧题的解；这样的旧题至少有三道。

第一道是讲课。题是：会讲的人少，知识怎么传下去。知识成百上千年来都是口口相传、“脑脑相传”，还得有人用不同方式去演绎，才好消化；于是大学成了讲的地方。现在大语言模型可以用各种方式替你演绎，这道题已经不必由人来解，大学的安排却大多还围着它转。这一项消解之后，大学还剩下什么？

第二道藏在学科的分法里。人类智能的规模上不去，知识要装进一个人的脑子，只好切开来教、切开来学，代价是学科之间很难打通。现在规模上来了，我自己感受很深：和 Claude 聊着聊着，常常没想到某个学科的知识竟能和另一个接上，启发极大。我一直盼着有一位跨得过学科的老师来教我，可上一个时代很难培养出这样的人；能在课堂上以肉身供应这种教学的天才少之又少，而人工智能以极低的成本补上了这个空缺。大学的课，照旧按老办法切着上。

最后一道是考核，它问的是：怎么知道一个人会了？过去的办法是看他交出来的东西：一篇文章、一份代码、一张答卷。交付一旦不再稀缺，量交付就等于什么都没量，旧标尺也就失了准。前面说的闭卷考试，就是仍在用这把失准的尺子：它量得出过去，量不出现在。

三道旧题，前两道工具已经解得比大学好；第三道，大学还没怎么去看工具能做什么。落脚点是同一个：要给新工具找到它该干的活，人就得真正去用它、感受它、和它协同起来。眼下许多关于 AI 的讨论恰恰缺了这一块，不少参与讨论的人自己还很少用工具，于是既找不到工具该干的活，也找不到自己该干的活。

三什么才是新问题

老问题不在了，新问题就露出来了。先问一句：我们以往为什么而写？

说白了，无非是为了碎银几两、养家糊口。从功利的角度看，脑力工作者做的“算”，和体力工作者按件计酬的活并没有本质区别：都是拿产出换报酬，交付了就算完事。可报酬是跟着交付走的。等到几乎所有东西都能被快速、高质量、甚至远超人类平均水平地交付，交付本身就不再值钱，报酬也不再从这里来。大部分焦虑就是这么来的。而剩下能解释“为什么还写”的，只有一件事：你在乎。

所以新问题就是“你在乎什么”。但这个问题要问到底：它不是一句表态，而是一个动作。在乎什么，决定了你会替它问出什么问题；你在乎的那个东西，在新工具下该长成什么样，这才是新问题落地的样子。

拿我自己做的模型说。七年前我给城市气候模型 SUEWS 做了 supy，把 Fortran 内核接到 Python 上，为的是降低门槛，让人用得上。那是一个老问题，答案落在交付层。如今人不再亲手写代码，“降低门槛”就无从谈起：这个问题不是被解决了，是被抽空了。最近我把这座桥用 Rust 重新搭了一遍¹，代码是 AI 写的，往哪里走是我定的。新问题不再是“怎么把 Python 那头接好”，而是这个模型本身能不能更适用、更安全，能不能在这个时代接着进化。这件事若我不在乎、不牵头，多半没人会做；正因为在乎，它才从问题变成了活。两座桥隔了七年，前一座是我亲手写的，后一座不是，可后一座比前一座更是我的。

把那些机械、重复的活统统交出去以后，人才真正看得清自己最在乎什么。比如写这篇文章：这几天它一直在我脑子里转，花的时间甚至比本职工作还多。我想把这件事想清楚、写清楚，所以才坐在这里写。写它拿不到工资，也带不来什么实际好处，照前面的算法，一文不值；可我还是写了。为了写它，我又在电脑上装回了中文输入法。²

不图报酬、只图想清楚，这种在乎里藏着的是探索的乐趣，数学家对此最有体会。开头那条 OpenAI 的消息出来没两天，二十五位菲尔兹奖得主就联名发文，批评 AI 公司拿著名难题当基准来赛跑³。我倒觉得不必这么急。探索是自得其乐的事：即使机器先到了终点，人照样可以另辟蹊径，再享受一遍求索的乐趣。

前面还有一个问题没答：讲课这一项消解之后，大学还剩下什么？我的答案不长。在乎从来只落在少数人身上，进大学的时候更是如此，我自己也是这样来的。大学教不了在乎，它能做的，是把一批年纪相仿、能力相近的人圈在一起一段时间，让还不知道自己要追问什么的人，在这里被人点醒，把那个问题找出来。这件事以前是大学的副产品，以后是它剩下的正业。

回到开头那些查无此文的引用。它们提醒我们的，不是机器靠不住，而是我们早就不再一条条去核了。该交给工具去核的，就交出去；人要守住的，是那个问题：这东西，为什么值得写。

老问题不在了。剩下的新问题只有一个：你在乎什么。

1. supy 靠 f2py 把 Fortran 内核原样包进 Python，整个软件因此压在 f2py 这一个依赖上。Rust 版换掉了这座桥：Rust 更安全，也更面向未来，机器写得稳，编译器替人挡掉一大类错误，人也审得住。↩
2. 前些年大量写代码，电脑上两个输入法来回切换，麻烦不断；后来有了 AI 和语音输入这类工具，我干脆把中文输入法删了，免得冲突。这次写这篇文章，想字斟句酌，想把母语的语感、和自己对话的感觉找回来，于是像重新铺开纸、研好墨一样，把中文输入法装了回来。↩
3. 他们的理由是：难题的价值在于攻克过程中长出来的新方法、新理解，抢着宣布结果，会把核验、署名和理解都挤掉。这封信把两件事捆在了一起：署名（credit）值得争，但可以留给社会秩序去裁决；探索的乐趣则谁也抢不走。这自得其乐的在乎，有啥必要写公开信呢？天才的事，咱看不懂。↩