这学期快结束了，我没急着再去探索什么新工具。
最后一节课下了之后，我留几个学生坐下来，聊了一会儿，问了他们几个问题：
这一学期接触 AI 之后，你觉得自己有什么变化？
最难的地方在哪里？
你是从哪一刻开始，觉得这个东西真的能帮到自己的？
如果让你把这段经验讲给一个完全不会的人，你会从哪里讲起？
本来只是课后随便聊聊，没打算写成什么。
但听他们说着说着，我慢慢觉得：这些话比期末作业本身更值得记下来。
作业能告诉我的只有一件事——学生做没做出一个东西。
而这些聊天告诉我的是另一件事：
一个人是怎么真正开始使用 AI 的。以及，AI 时代正在悄悄筛选什么样的人。
下面所有姓名都隐去了，只留经验本身。
一、最大的变化不是"会用 AI"——是身份反过来了
有个同学说，她过去十几年的学习状态都是这样的：
老师布置什么，她完成什么。
老师是命令的发出者，她是命令的接收者。
但这一学期之后，她说自己发生了一个很微妙、但很彻底的变化：
我开始变成那个发出命令的人。
她原本不是没有想法。她有，但说不清楚。她知道自己想做点什么，但不知道从哪儿动手。
可一旦她开始跟 AI 对话，她就必须把脑子里那团模糊的东西 拿出来、摊开、整理好 。
你不能对 AI 说"帮我做一个好看的东西"。
你必须说清楚：
你想做什么。
给谁看。
用在哪里。
需要什么功能。
不想要什么。
也就是说，AI 表面上在训练你写 Prompt， 实际上在训练你表达 。
它逼着你把心里那种"我大概想要这样"的模糊感觉，整理成别人能理解、机器能执行的语言。
这件事，过去十几年的语文课和写作课其实一直在教，但很多人学不会——因为没有一个那么直接、那么不留情面的"对方"在等你说清楚。
AI 第一次提供了这样的对方。
所以这一学期我越来越觉得，会用 AI 的第一步，不是知道哪个模型最强，不是会写 prompt 工程的几个咒语。
是能不能把你脑子里的东西，说成一句清晰的话。
二、真正的第一道门槛，从来不在技术那一侧
我问他们：这一学期最难的地方是什么？
我以为他们会说代码、模型、参数、Agent。
没有。
他们说的是：
知道有这个东西，
注册账号，
下载下来，
网络能连上，
第一次打开它，
第一次愿意为它花一点点钱，
第一次失败之后，有没有人帮你看一眼。
有同学说，最难的就是"从零到一"。只要这一步过了，后面会容易很多。
有同学说，自己不是不能接受付费——一个月几十块钱不算什么——而是不确定"值不值"。万一这个月只用了三次呢？
有同学说，自己不是没有想法，而是没人引导时，那些想法就一直被压在脑子里，出不来。
这些回答让我有点意外，也有点惭愧。
被洪流“裹挟“着的讲述AI的各路老师，太喜欢一上来就讲模型、讲 Agent、讲 API、讲多模态、讲工作流，好像所有人都已经站在了门口，只差最后一步。
但事实上，很多人卡在的位置远远没那么高级：
我知不知道有这个东西？
我的电脑能不能装？
我愿不愿意付一点钱试一下？
我能不能找到一个人，帮我把第一次失败弄明白？
甚至这些问题听起来都不像是个“问题”，但它们决定了一个人能不能真的开始。
一门好的 AI 课，最重要的事情之一，是帮学生跨过这些看起来很低、但实际很硬的门槛。
因为人和人之间的差距，不是从"会不会写代码"开始拉开的。
是从"有没有真正动手试过哪怕一次"开始拉开的。
三、第一次做成，比听懂十个概念更重要
访谈里反复出现一个词： 做成 。
有人在 AI 的帮助下第一次搭通了一个服务器。
有人做了一个能跑的小网站。
有人做了一个桌面宠物。
有人做了一个会议助手，还打成了能给同学用的安装包。
有人为 Obsidian 做了一个插件来用 AI 学英语。
有人开始想：能不能帮父亲公司里那些重复性很强的活，做一个小工具？
有人想：爷爷留下来的那本手写歌词本，能不能用 AI 识别、整理、排版，变成一份能给家人留下来的东西？
这些事情大小不一，但有一个共同点：
它们都不再停留在聊天框里。
它们让一个学生第一次感觉到：
原来我真的可以做出一个东西。
不只是看视频里别人做。
这种感觉教育学上有个名字叫 自我效能感 。但说人话就是：
我以前以为这件事是别人能做的。
现在我发现，那个"别人"也可以是我。
很多人对 AI 的兴趣，一开始都停留在围观：
看公众号文章，看视频博主演示，听朋友说哪个工具有多强。
但围观不会真正改变一个人。
真正改变一个人的，永远是他第一次亲手做成一个小东西的那一刻。
哪怕这个东西非常粗糙，哪怕只有他自己能跑通，哪怕第二天就忘了怎么做的——只要这件事真实发生过，他和 AI 的关系就再也不一样了。
教育里最贵的东西，从来不是学生记住了多少概念。
是他开始相信自己能做。
四、没有想法怎么办？先让 AI 给你几个不好的想法
有个同学的回答非常诚实。
她说，每次面对一个空白的任务，她确实没有想法。
但她不再害怕这种空白了。她会先去问 AI：你给我几个方向。
然后她在这些方向里挑、改、否定、补充。
改着改着，自己的想法就出来了。
这句话比她意识到的更重要。
很多人对"有想法"这件事的理解是错的。
我们以为， 有想法 = 先在脑子里想出来一个完整的东西，然后再去执行。
但真实的创意过程经常是反过来的：
我先不知道自己想要什么。
我让 AI 给我十个普通的方案。
我在不满意里发现"原来我不喜欢这个"。
我在反对里发现"原来我想要那种感觉"。
我的想法是在反应里浮现出来的，不是在空白里凭空出现的。
这正是 AI 极其适合做创意辅助的原因。
它不一定一上来就给你最好的答案。但它 可以替你把空白消掉 。
空白是世界上最难的东西。
一旦有了几个候选，人的判断就启动了：这个太普通，那个有点意思，这个方向不对，但我想换一种风格——
很多想法不是想出来的。
是 对出来的、改出来的、反过来挑刺挑出来的 。
所以，对真正想开始用 AI 的人，我有一个最简单的建议：
不要等自己想清楚了再问。
先问。
让 AI 给你十个差劲的方案都没关系。重要的不是 AI 给的好不好，是你要在这些方案里训练自己的判断。
AI 给你的是原料，你真正要练的是 选择、修改和定义问题的能力 。
五、AI 没有让基本功消失，它只是把基本功推到了后面
还有一个同学说到 AI 建模。
他承认，现在 AI 确实可以直接帮人做出一些模型——这事过去要几个月学，现在一句话就能出。
但他说：如果你想把东西做好，你还是得懂基本原理。
这句话我非常认同。
现在有一种很普遍的误解：AI 出现之后，专业基本功不重要了。
不是这样的。
AI 降低的是"开始做"的门槛，不是"做好"的门槛。
过去，学生还没看到一个像样的成果，就已经被一堵前置知识墙挡在门外——
你得先学这个，
学完这个再学那个，
学完这些再学那些，
学到第三年，你才有机会做出第一个能看的东西。
很多人没撑到那一天。
现在 AI 把这堵墙给挪开了。它先帮你做出一个粗糙的原型，让你看见"原来是这样"。
但你想往下走的时候，问题立刻就回来了：
为什么这张图不好看？
为什么这段声音难听？
为什么这个模型一眼看着假？
为什么这个交互让人想关掉？
这些问题最终还是会把你带回那些原本被你跳过的专业知识。
只是它们出现的 时机 变了。
它们不再是入门前必须翻越的一堵墙，而是在你做一个具体项目时， 当你已经有了"想做好它"的欲望以后 ，才一块一块出现的补丁。
先做出来，再追问为什么不够好。
对很多艺术类、创意类的学生来说，这可能是一种更自然、更愿意接受的学习路径。
六、会做之后还有第二道门槛：能不能讲给别人
我又问他们：如果让你把自己的经验讲给一个完全不会的人，你会怎么开始？
这时，几乎所有人都开始停顿。
他们能自己做。
但要把自己走过的路讲清楚，就难了。
有同学说，别人问他怎么搭一个东西，他可以上手帮对方操作，三两下就好了。但如果让他完整解释，他会发现自己不知道从哪儿开始。
我也不知道为什么我会，
我就是试着试着就会了。
这是一个非常重要的观察。
会做，不等于会教。
会做，可能只是你在很多次试错里形成了一种手感，一种你自己也没意识到的"我大概知道这里要怎么搞"。
会教，要求你把这种手感整理成一个 别人也能走的路径 ：
第一步是什么？
哪些概念必须先讲？
哪里最容易卡住？
如果对方用的是 Windows 怎么办？
如果对方不愿意付费怎么办？
如果对方连"自己想做什么"都说不清楚，怎么办？
当一个人开始认真回答这些问题时，他才把自己的经验 变成了方法 。
所以下学期我打算加一个环节：
让学生反过来设计一门小课。
不是真的让他们去教别人，而是让他们把自己的 AI 学习路径整理出来，假设要教一个完全不会的高中生。
整理这条路径的过程，会暴露他们自己仍然不清楚的环节。
而那些暴露出来的不清楚，恰好是他们下一阶段最应该学的东西。
七、AI 课真正的成果，发生在课堂之外
这次访谈里，我最受触动的部分，是学生开始把 AI 带到课堂之外。
有人拿它学英语。
有人拿它做情绪倾诉。
有人想帮父亲的公司做流程优化。
有人想把家里长辈留下来的手写歌词、手稿，识别、整理、排版，变成一份可以保存和传播的东西。
也有一个同学说，身边很多朋友嘴上都说想学 AI，但真要开始时，又会因为各种各样的理由推脱：
等我忙完这段时间。
等我换了新电脑。
等我搞清楚到底用哪个工具。
等我有空一次性把这事学明白。
这句话让我意识到一件事：
AI 的扩散不是均匀发生的。
它从来不是所有人同时进步。
现实里几乎总是：少数人先跨过门槛，然后他们开始变成身边其他人的"本地 AI 节点"。
朋友有问题，第一个会想到他。
家里有需求，会让他来弄。
父母的公司里有一段重复流程，也会希望他来看看。
他不需要是最厉害的程序员。
他不需要是算法专家。
他只需要做对一件事：
把别人嘴里那个含糊的、说不清楚的真实需求，翻译成 AI 可以参与的流程。
这件事是未来几年里最重要的一种能力。
能听懂别人嘴里的问题。
能把一个大问题拆成几个小步骤。
能选对一个工具。
能先把一个最简陋的版本做出来。
能把这个过程记录下来，让它下一次可以复用。
这就是普通人进入 AI 时代最现实的方式。
不是等一个宏大的机会，不是等一份完美的教程。
是从身边一个具体的、真实存在的问题开始。
八、AI 时代真正在筛选什么样的人
写到这里，我想说一点更直接的话。
这一学期下来，我越来越确定一件事：
AI 时代真正的分化，不发生在"懂不懂技术"之间。
它发生在更深、也更平凡的几条线之间：
第一条线，是 愿不愿意第一次动手 。
很多人卡在这里。不是因为不能做，是因为还在等一个"我准备好了"的时刻。但那个时刻永远不会自己到来。
第二条线，是 能不能把自己脑子里的东西说清楚 。
有人觉得这是软素质。但 AI 把它变成了硬条件——你说不清楚，AI 就给不了你想要的东西。
第三条线，是 你身处的信息环境是不是开放的 。
如果你周围所有人都在说一种声音，所有视频都把你推向同一种判断，那你以为是自己的想法，可能只是被反复强化的回声。这件事在用 AI 时尤其危险，因为 AI 不会替你校验：你问它什么，它就在你已经设定的范围里给你答案。
AI 会忠实地放大你的盲区。
所以越是想用好 AI，你越得有意去接触不同的声音、不同立场的人、不同的信息来源。否则你只是在一个更高效的回音壁里继续转圈。
第四条线，是 能不能听懂别人 。
未来真正稀缺的人，不是会写最复杂代码的人。
是能坐下来听一个完全不懂技术的人说他想要什么，然后把这个需求翻译成 AI 能执行的流程的人。
这四条线，每一条都不是"会用 AI"这件事本身能教会你的。
它们要靠你自己去练，去碰撞，去在真实的人际关系和真实的问题里慢慢磨。
而我作为一个老师能做的，也就是把学生推到一个能开始磨这些东西的地方。
剩下的，是他们自己的事。
九、所以，如果你真的对 AI 感兴趣
最后讲几件很具体的事。
如果你看到这里，并且你不只是在围观——你是真的想开始——那我建议你做下面几件事，按顺序，不要跳：
一、找一件你现在就想做、但一直没做成的事。
不要问"AI 能做什么"。这个问题没有终点。
要问："我现在有什么事情，是我一直想做、但一直没动手的？"
哪怕是给爸妈整理一份相册。哪怕是把自己写的一堆笔记排成一本小册子。哪怕是帮自己家里的小店做一张海报。
二、把这件事用一段话写下来。
不超过五行：
我要做什么；
给谁用；
输入是什么；
输出是什么；
我希望它至少完成什么。
如果你这一段都写不出来，先别急着开 AI。先把这段话写清楚。
三、把这段话发给 AI，让它给你十个方案。
不要追求第一个就最好。让空白先消失。
然后你在这十个方案里挑、改、骂、推翻——直到你看见一个"嗯，这个有点意思"的东西。
四、做一个最小可用的版本。
越小越好。能跑就行。难看没关系，简陋没关系。
但它必须真的能打开、能运行、能给别人看。
五、把整个过程记下来。
你问了什么，AI 答了什么，哪里失败了，你怎么改的，最后怎么成功的。
这份记录现在看可能没用。但半年之后，它会变成你的方法、你的教程、你的作品集，甚至是你下一次找工作时的简历。
六、试着把这段经验讲给一个完全不会的人听。
如果你讲不清楚，说明你自己其实也没完全清楚。
讲清楚的过程，会反过来帮你补上你自己都没意识到的漏洞。
结尾
学期结束时，我本来只是想问学生几个问题。
但他们的回答让我比开学时更确定一件事：
AI 教育真正要做的，不是培养"会点开某个工具"的人。
是培养能把模糊问题说清楚、能主动发起任务、能借助 AI 做出东西、能把一段经验讲给下一个人听——并且 在使用 AI 的同时还保留自己判断力 的人。
未来不会均匀发生。
它会先发生在 愿意动手的人 身上。
发生在 说得清楚自己想要什么的人 身上。
发生在 身处一个开放信息环境、还在听不同声音的人 身上。
发生在 能听懂别人的人 身上。
教育最该做的，就是帮更多人从其中一条线起步。
不是成为 AI 的观众。
而是成为一个能和 AI 一起做事、又不被 AI 替自己思考的人。
积木船长的朋友