# 如果我是学生，我会学 AI：黄仁勋简单表述背后的文明转向 > 英伟达执行长黄仁勋在多个公开场合表示，如果他重新当学生，首选会是学 AI。这句话背后不只是产业趋势的判断，更暗示了一场教育典范的根本转移。从知识记忆到人机协作，从工具操作到问题设计。当 AI 成为每个人的协作者，「会不会问问题」将取代「知不知道答案」，成为核心竞争力。 - Author: Paul Kuo（郭曜郎） - Date: 2025-05-23 - Pillar: 创造与建构 / Creation & Enterprise - Tags: AI素养, 人机协作, 教育转型, 黄仁勋, 提问力 - Canonical: https://paulkuo.tw/zh-cn/articles/jensen-huang-learn-ai/ - Language: Simplified Chinese (简体中文) - Translation: AI-translated from the zh-Hant (Traditional Chinese) original - Original (zh-Hant): https://paulkuo.tw/articles/jensen-huang-learn-ai.md - Site index for LLMs: https://paulkuo.tw/llms.txt --- 「如果我现在是大学生，我会学 AI。」
▶ 听摘要
AI 合成语音・作者本人声线克隆
这句话出自英伟达执行长黄仁勋之口，在 2024 到 2025 年间的多个公开场合反复出现。每次被转传，底下的留言都差不多：「他当然这样说，他卖 GPU 的。」 但如果你把这句话从商业利益的框架里抽出来，认真想一想，它其实在说一件比「学什么科系」更根本的事。 ## 从「知道答案」到「问对问题」 过去几十年的教育，核心逻辑是「记忆＋重现」。你记住课本上的知识，在考试中正确重现，就能拿到好成绩、进好学校、找到好工作。整个系统奖励的是「已知答案」的存储量。 但 AI 的出现，把这套逻辑炸开了。 当 ChatGPT 可以在几秒内回答你花一学期才搞懂的微积分题目，当 Claude 能够帮你写出一份质量不差的市场分析报告，「知道答案」这件事的市场价值，正在以肉眼可见的速度崩跌。 取而代之的是另一种能力：你能不能问出一个好问题？ 这不是修辞，而是一个非常具体的技术门槛。同样使用 AI，一个懂得拆解问题、给出脉络、设定约束条件的人，和一个只会打「帮我写一篇报告」的人，得到的产出质量可以差上十倍。 黄仁勋说的「学 AI」，我认为不是要每个人去学写 CUDA 代码。他在说的是：学会跟 AI 协作的能力，将成为所有能力的底层。 ## 提示工程不是技巧，是思维结构 很多人把「跟 AI 对话」当成一种技巧，学几个 prompt 模板，知道怎么下指令，就觉得自己「会用 AI」了。 这就像把「会打字」等同于「会写作」一样荒谬。 真正的 AI 素养，是一种思维结构的重建。你必须学会把模糊的直觉拆解成明确的步骤，把笼统的需求转化为可执行的指令，把你脑中那团混沌的想法，整理成 AI 可以理解的结构化语言。 这其实跟编程的本质是相通的。写代码的核心不是语法，是逻辑分解。而提示工程（prompt engineering）的核心也不是用什么魔法关键字，是你对问题本身的理解深度。 差别在于，编程需要你学一种机器语言；而提示工程让你用自然语言就能做到类似的事。门槛低了，但对思考质量的要求反而更高了。 ## 我在经营公司时学到的一课 这不是抽象的理论。我自己在经营公司的过程中，深刻体会到这个转变。 早年做数字转型顾问，团队里最值钱的人是「知道答案的人」。懂 SEO 的人、懂 GA 的人、懂社群投放的人。他们的价值来自专业知识的稀缺性。 但从 2023 年开始，这个逻辑开始松动。AI 工具大量普及之后，那些过去需要专业知识才能完成的任务，现在一个聪明的实习生搭配 AI 助理，花三分之一的时间就能做到七八成的质量。 这不代表专业知识不重要了。恰恰相反，它代表「只有专业知识」已经不够了。你还需要知道怎么把你的专业，跟 AI 的能力结合起来，产出比两者单独运作更好的结果。 我在团队里观察到一个很明显的分水岭：能够快速适应的人，通常不是技术最强的人，而是「最会问问题的人」。他们知道怎么把一个模糊的客户需求，拆解成五个可以丢给 AI 的子任务，然后把 AI 的产出重新组装成一个有洞见的交付物。 这种能力，没有一间大学教。但它正在成为[所有知识工作的基础操作系统](/zh-cn/articles/code-is-cheap-vibe-coding-to-claws/)。 ## 教育系统的时差 问题在于，教育系统的反应速度，远远跟不上这个转变。 中国的大学课程，多数还是以「学科知识传授」为核心。你学会计，就考会计师；学法律，就考律师。整个系统假设「知识→证照→就业」是一条稳定的流水线。 但当 AI 能在几秒内完成基础的会计分析、法律文件摘要、市场调研报告，这条流水线的前半段就失去了它的护城河。一个刚毕业的会计系学生，和一个用 AI 辅助的非会计背景工作者之间的能力差距，正在急速缩小。 这不是要否定专业教育的价值，而是说，专业教育需要加上一层新的底座：如何跟 AI 协作。 黄仁勋的建议，本质上是在说：不管你学什么专业，AI 素养都应该是必修。不是选修、不是通识营、不是「数字公民」那种点到为止的东西。是像英文一样，从底层贯穿所有学科的基础能力。 ## 不只是工具，是认知基础设施 如果你还在把 AI 当成一个「比较好用的 Google」，你可能低估了正在发生的事情的规模。 搜索引擎改变了我们取得信息的方式。但 AI 正在改变的，是我们处理信息的方式。它不只是帮你找到答案，它帮你思考、帮你分析、帮你[把零散的线索织成一个有意义的叙事](/zh-cn/articles/canary-in-coal-mine-ai-employment/)。 这就是为什么我说 AI 素养不是一种「工具技能」，而是一种「认知基础设施」。就像识字率的普及改变了整个文明的运作方式，AI 素养的普及，将重新定义「有能力的人」长什么样子。 过去，有能力的人是「知道很多事的人」。 未来，有能力的人是「能调动 AI 去解决复杂问题的人」。 这两种人之间的差距，不是程度的差别，是本质的差别。 ## 你的第一步 回到黄仁勋那句话。「如果我是学生，我会学 AI。」 但如果你已经不是学生了呢？ 答案是一样的。AI 素养不分年龄、不分科系、不分你现在做什么工作。它是一种可以从今天开始练习的能力。 不是去上一堂 Python 课。是从今天开始，把你工作中最花时间的三件事，试着拆解成可以跟 AI 协作的流程。然后观察：哪些部分 AI 做得比你好？哪些部分你做得比 AI 好？两者结合之后，产出是不是比任何一方单独做更好？ 这个实验本身，就是学习 AI 最好的方式。 因为 AI 素养的本质，从来就不是「学会一个工具」。它是学会一种新的思考方式，把你的智慧和机器的算力，编织成比两者加总更大的东西。 黄仁勋看到的，或许就是这个。