AI时代大学必修：五项不可替代的核心能力
9 月 1 日晚上，我刷到了三条新闻。
第一条，Anthropic 发布新模型 Fable 5.1。官方描述是：它可以连续工作数个小时，自主完成编程和研究任务，自己验证结果，自己调整优先级。缓存读取价格，下调 75%。
第二条，努比亚 NaviX Ultra 拿到工信部入网许可，搭载豆包助手，9 月上市。媒体称其为「全球第一款 AI 智能体手机」——手机不再等着你下指令，而是自己感知、自己决策、自己办事。
第三条，智谱公布 2026 半年报：收入 9.54 亿元，同比增长 399.7%，其中 API 收入占比 86.5%。翻译过来：大家越来越少去买「AI 产品」，而是像缴水电费一样，按用量购买模型能力。
三条新闻，三个领域，说的其实是同一件事：
执行层面的认知工作，正被大规模量产。
写作、编码、分析、检索、出图——凡是能被清晰描述、有标准答案、可以验证的任务，边际成本都在快速趋零。
这件事对从业者意味着什么，已有太多人讨论。但我想问一个很少有人认真回答的问题：
如果你还是个大学生，这四年，到底该练什么？
这篇文章我试着把这个问题讲透。底层逻辑一句话，先放在这里：
每一轮技术革命，本质上都是对人类技能的重新标价。你要做的，是在旧定价体系崩塌之前，搞清楚什么在升值，什么在清零。
先看历史。这个规律重复过很多次。
工业革命，机器放大了体力。一个工人一天的搬运量，被一台蒸汽机按小时碾压。于是「一身力气」的溢价开始下降，「操作机器、组织生产」的溢价开始上升。
信息革命，互联网放大了信息的分发。一篇稿子从触达一千人变成触达一千万人，成本几乎不变。于是「我知道一个消息」的溢价开始下降，「我能生产信息、筛选信息」的溢价开始上升。
注意，每一次，被革命的都是「成本」，而不是「人」本身。人没有被淘汰，人的某项能力的计价方式变了。
现在轮到智能革命。AI 放大的是什么？是认知生产本身。写、算、画、查、译——这些原本需要一个受过多年教育的大脑才能完成的工作，正在变成一种可以按 token 计费的工业品。
于是人的价值被挤向两极。
上游，是定义问题的人：决定该做什么、判断做得好不好、选择往哪个方向走。
下游，是把事推过终点线的人：跨系统整合资源、把方案落进现实、对结果签字担责。
而中间那一层——熟练的执行——不会消失，但溢价会持续归零。写得出代码但不决定做什么产品的人，写得通文章但不决定写什么选题的人，收入的天花板会一年比一年低。
这个判断有个现成的注脚。智谱的半年报里有个数字：MaaS 平台的 Token 调用量，比年初增长了超过 40 倍。模型成了基础设施，意味着「调用能力」本身不再稀缺——稀缺的是知道用这些能力去造什么的人。
看到这里你可能会问：那我怎么判断，自己正在练的技能，属于哪一层？
标准其实非常简单，三个条件：
能被清晰描述，有标准答案，可以验证。
「帮我把这段 Java 代码翻译成 Python」——清晰、有答案、能跑测试验证。这类任务正在快速便宜。
「根据这张表，算出各区域的季度同比增长」——清晰、有答案、数字可核。同上。
但反过来：
「这个产品方向该不该砍？」「这篇稿子发出去会不会翻车？」「这三个方案里，哪个能过审、哪个能落地？」——描述不清、没有标准答案、验证周期以年计。
这类任务，AI 可以辅助，但不能定价。因为它们的核心不是「完成」，是「负责」。
9 月 1 日还有第四条新闻：中央网信办在国家网络安全宣传周发布会上，把人工智能的风险列成了五类，其中一条叫「智能体自主行动风险」，并点名了多起大模型失控事件。
读懂了吗？产业越往前走，「谁来负责」这个问题就越贵。AI 能力越强，敢对结果负责的人，议价能力越高。
再说上游。马斯克 9 月 1 日在 G20 会议上说，AI 可能让全球经济规模增长 20% 到 30%，十年内全球人形机器人可能达到 10 亿台。这个时间表你可以打折听——马斯克的 deadline 向来乐观——但方向很难反驳。
经济增量来自哪里？来自有人不断提出新问题：这个流程能不能重做？这个产品该不该存在？模型能力翻十倍之后，什么生意会成立？
产能越过剩，问题越值钱。
好，落到最实际的问题：大学四年，具体练什么？
我把答案整理成五项。每一项都符合两个标准：一，它的涨价有产业逻辑支撑；二，它在大学里有明确的练法。
第一项：写作。它是思维运转的底层系统。
很多人误解了写作。写作不是文科技能，不是「文笔好」，而是把模糊的想法变成清晰结构的唯一可训练过程。
AI 让「写得通顺」变得不值钱——这是真的。但正因为机器能生成无限流畅的文字，「想得清楚」反而更值钱了。你有没有发现，辨别一段 AI 生成的文字，最暴露破绽的从来不是语法，而是它没有观点，只有观点的形状。
练法很具体：每学期，在课程作业之外，写一篇三千字以上的长文，写你对某个问题的真实判断，公开发出去。四年八篇，你的思考质量会和别人拉开肉眼可见的差距。
第二项：人机协作。从「会用」到「指挥」。
模型成了水电煤，那么「会用 AI」就像「会用电脑」一样，很快不再构成竞争力。值钱的是指挥能力：把一个大问题拆成 AI 能消化的任务，给它足够的上下文，验收它的产出，判断哪里要重做。
注意那个手机新闻的真正含义：当手机从「工具」变成「助手」，人和机器的关系就从操作变成了授权。你敢授权给一个 Agent 多少事，取决于你拆解任务和验收结果的能力。
练法：用 AI 做真实的项目，而不是用它代写作业。代写作业训练的是逃逸，真实项目训练的才是指挥。同一个任务，换三个不同的模型跑一遍，记录差异——一个学期，你的「模型感」就超过 90% 的同龄人。
第三项：品味。甄别优劣的本领。
这条最容易被忽略，也最反直觉。
生成成本趋零意味着什么？供给爆炸。可灵 AI 一个季度营收超过 8.5 亿元（快手 8 月 31 日公告），AI 生成的视频、图片、文案的量级在指数级上升。但被记住的好作品，并没有同比例变多。
当所有人都能生产「还行」的东西，「知道什么是好」就成了稀缺品。
品味不是玄学，它可以刻意训练：选一个你所在领域的顶级作品——论文、产品、代码、报道都行——精读二十个，每个写一段拆解：它好在哪里，如果去掉某个要素会不会垮。三个月后，你对「好」的分辨率会完全不同。
第四项：跨域整合。充当不同领域的翻译官。
单领域的知识，正在被 AI 快速拉平——一个外行借助模型，能达到过去需要三年训练才能达到的「熟练」。但真实的产业问题从来不是单领域的：AI 落地医疗，要懂模型、懂临床流程、懂监管；AI 落地制造，要懂算法、懂产线、懂成本。
能把 A 领域的方法翻译到 B 领域的人，是 AI 短期内最难替代的。因为翻译的前提是同时理解两边的「常识」，而常识恰恰是模型最缺的。
练法：选课和组队时刻意跨学科。别只跟同专业的人做项目——同质化团队的产出，AI 一个就能顶；混编团队的产出，AI 顶不了。
第五项：责任担当。敢于拍板的人最值钱。
前面说过，判断可以被 AI 辅助，但责任不能外包。医疗、法律、金融，AI 落地最慢的环节全部卡在责任认定上——不是技术不够好，是没人敢让机器签字。
组织永远为「敢对结果负责的人」付高价，这不是技术问题，是分工的本质。大学里练这个的机会很多，但很少人当真：主导一个从零到交付的完整闭环——一个项目、一场活动、一篇付费专栏——公开承诺，然后兑现。
从没独立负责过任何完整事情的人，毕业时拿不出「判断力」的证据。
五项能力不是同时练的，四年有四年的节奏。给你一张粗略的地图：
大一，打地基。三件事：学会读原始信源——论文、财报、一手报道，而不是热搜和二手解读；开始写作训练；把数学和英语守住。数学决定你未来能理解多深的东西，英语决定你能不能绕过翻译的时差直接看一手信息。
大二，往纵深打。深耕一个硬领域，让自己有「被 AI 放大的本钱」——放大器需要一个信号，噪音放大了还是噪音。同时开始真实的人机协作训练。
大三，做作品。实习、科研、创业，选一个往深了做。目标只有一个：简历上的「判断力证据」不少于三件。什么叫判断力证据？就是能被陌生人验证的、包含你个人决策痕迹的产出。
大四（或研究生），完成闭环。把毕业设计做成一个真的东西，而不是一份应付答辩的文档。同时有意识地运营你的信任网络——老师、同伴、业界前辈。机会从来不在招聘软件里，在人的嘴里。
最后说说绩点。这是最容易被骂的部分，但必须说清楚：
绩点筛选的是执行力，而市场正在把出价移向判断力和作品。对多数人，前 30% 的绩点已经足以证明「执行力合格」，之后的每一分，边际收益都在递减——除非你要保研。保研是绩点直接定价的游戏，线内策略完全不同，该卷就卷。判断自己的赛道，再决定投入，这本身就是一次判断力训练。
回到开头那三条新闻。它们真正告诉你的，不是「AI 又进步了」，而是：定价体系正在换锚。
工业革命重新定价了体力，信息革命重新定价了信息，智能革命正在重新定价「熟练」。四年之后你走出校门，最不该带的，是一张只有执行力证明的成绩单。
你真正该带走的，是三样 AI 给不了的东西：
作品——判断力的公开证据。信任——愿意为你背书的人。品味——在无限供给里分辨好坏的能力。
五项能力，四年节奏，一张地图。剩下的，是把它过成每周的具体行动。
最后留一个问题给你：把你这周花时间最多的三件事列出来，逐件问一句——四年后，它给我留下的是资产，还是过期发票？
想清楚这件事的间距，就是你和同龄人拉开差距的间距。