99%的作业都是AI写的：AI时代，大学还剩下什么？

概览

本期《硅谷101》采访三位与生成式 AI 一起度过大学阶段的名校学生：清华法学背景的 Alfred、NYU 应用心理学背景的 Kelento，以及 NYU 数据科学、哥大管理科学与工程背景的 Jack。节目核心问题是：当作业、编程、论文、信息检索和学习路径都被 AI 深度介入后，大学还剩下什么价值。

三位嘉宾都高度依赖 AI，但答案并不只是“大学变成社交”。他们反复提到，AI 正在削弱传统知识与技能训练的稀缺性，却也凸显了更底层的能力：判断力、价值选择、批判性思维、信任建立、适应环境的能力，以及知道自己想解决什么问题。

讨论从 AI 如何帮助学生完成作业、学习法律和编程，延伸到高校评价体系、学历作为社会信任凭证、AI 工具使用成瘾、基础能力是否被侵蚀，以及就业市场如何变化。节目最后指出，年轻一代并不一定会接受“离开 AI 会怎样”的假设，因为在他们眼里，AI 已经像手机和电脑一样成为默认环境。

分段落总结

[00:00] 第一代与生成式 AI 同步成长的大学生

[事实] 节目开头提出问题：“你觉得你有多少作业或者论文是 AI 帮你写的？”回答是“99%”。

[事实] 主持人介绍三位受访者在 ChatGPT 上线时正处于大学阶段，如今陆续毕业，几乎整个大学生涯都与生成式 AI 共同度过。

[事实] 节目要讨论的是 AI 时代名校学生眼里的大学价值，以及马斯克所说“未来大学核心是社交”是否足够解释现实。

[推测] 本期的讨论对象并不是一般意义上的 AI 使用者，而是把 AI 当作学习、生产和职业规划底层环境的一代学生。

[02:13] 三位嘉宾背景

[事实] Alfred 林童雨来自清华大学法学专业，曾任清华学生创业协会副主席，并在 Manus 做过 Agent 产品实习。

[事实] Kelento 侯泰宇刚从纽约大学毕业，本科学位是应用心理学，主攻神经科学和临床心理学，目前是创业者。

[事实] Jack 饶街五本科在纽约大学读数据科学，硕士在哥伦比亚大学读管理科学与工程，曾在 AI 公司实习，也在创业。

[推测] 三位嘉宾的专业横跨法律、心理学、数据科学和管理，但他们的共同点是都把 AI 当作重要能力来源。

[04:07] Alfred 从法学转向 AI 的起点

[事实] Alfred 说自己虽然学法律，但大一有空就去辅修计算机相关课程，并自学 CS 和 Agent Engineering 技能。

[事实] 他在 2023 年初看到 ChatGPT 后，发现它在法律条款分析和文书撰写上比自己做得好很多，因此担心毕业后法律初级岗位是否还需要自己。

[事实] 一位在美国律所做并购方向的资深合伙人明确告诉他，ChatGPT 类工具会冲击 junior 律师和 paralegal 等初级岗位。

[推测] Alfred 转向 AI 的动力不是单纯兴趣，而是对法律职业入门环节被 AI 替代的现实压力。

[06:35] AI 作为个人化老师

[事实] Alfred 认为“打不过就加入”，于是开始每月花 20 多美元使用 ChatGPT，并用它学习 AI 的底层理论和发展脉络。

[事实] 他会让 ChatGPT 规划学习路线，并在学习 Stanford、MIT 公开课时向它请教不懂的地方。

[事实] 他认为很多老师科研很强但教学未必擅长，而 ChatGPT 像一个理解学生水平、能因材施教的老师。

[事实] Alfred 估算自己学习计算机和 AI 的收获中，约 30% 来自课程、教材和公开课，70% 来自与 AI 对话以及项目实践复盘。

[08:56] 从手写代码到把项目交给 AI

[事实] Alfred 回忆早期项目还是自己手写代码，只偶尔让 AI 修 bug 或写具体代码片段。

[事实] 到节目采访时，他说自己基本可以不看代码，把执行交给 AI，就像把任务交给程序员。

[事实] 他通过项目完成度、耗时和经济价值，感受到 AI 在 coding 领域能力持续演化。

[推测] 对 Alfred 来说，AI 不只是学习辅助，而是逐渐变成了生产协作者。

[09:39] AI 进入法律主修课程

[事实] Alfred 说 2023 年秋季学期是他第一次拿到 4.0 满绩，很大程度上靠 AI 帮他复习法律专业课。

[事实] 他把英美法 Case law 课件交给 AI，让 AI 模拟老师出题。

[事实] 他还把公司法教材喂给 GPTs，并把这个 GPT 命名为“施天涛的替身”，通过对话理解公司法的学术观点和论证方法。

[事实] 他认为用 AI 学过的公司法和相关知识，到现在仍能较快调用。

[12:00] 学校对 AI 作业态度的变化

[事实] Alfred 说早期清华 Python 课老师非常抵触用 AI 写代码，学生会花时间让 AI 代码看起来“不那么 AI”。

[事实] 他观察到后来越来越多学科开始鼓励使用 AI，至少计算机系不再像早期那样把 AI 使用直接等同于学术欺诈。

[事实] 他没有在法学院看到同样明确的转变，但感受到国内老师对 AI 的态度从保守、负面转向更开放。

[推测] 高校对 AI 的态度变化并不同步，技术相关学科更快把 AI 纳入正常学习和考核场景。

[13:34] 旧评价体系失效与大学的双重价值

[事实] Alfred 认为继续用 old school 的方式评判学生，已经与时代脱节，需要新的评估体系。

[事实] 他提出大学曾有两个价值：一是让人知道“我是谁、热情在哪里、要去哪里”，二是训练能在社会中谋生的专项知识和技能。

[事实] 他认为现实中的大学更强调后者，但 AI 正在削弱知识工作者的信息接收、处理和输出能力的稀缺性。

[推测] 当 AI 能更便宜、更高效地完成大量技能性任务，大学必须重新证明自己在“人如何成为人”这一层面的价值。

[16:43] 博雅教育与批判性思维

[事实] Alfred 说自己后来刻意避开纯记忆型课程，更多选择法理学、宪法学、西方法律思想史、西方近代哲学等训练批判性思维的课程。

[事实] 他提到阅读《第一哲学沉思集》后，开始用批判性角度审视周围事物。

[事实] 他认为这种思想被解构但不导向虚无的过程，让他触碰到 AI 难以替代的部分。

[推测] 节目把博雅教育呈现为 AI 时代大学仍有意义的一条路径：它不直接提供可替代技能，而是训练判断、怀疑和自我定位。

[18:16] 大学应成为探索潜能的场所

[事实] Alfred 认为本科评价体系在下一时代需要重构，大学更应承担学生本能和潜能探索的场所功能。

[事实] 他提出评价学生时，重要指标不应是“用不用 AI”，而是在不得不用 AI 的情况下，能否把 AI 用好并解决真实问题。

[事实] 他强调要解决的是自己想解决、或社会需要解决的问题。

[推测] 这里的核心转向是从考察“独立完成任务”变为考察“人与 AI 协作后能否完成有价值任务”。

[20:22] 清华给 Alfred 的财富：同侪、老师与信任

[事实] Alfred 认为清华给他的最大财富包括绝佳的同侪环境和极佳的师资。

[事实] 他提到自己高中时成绩顶尖，但进入清华后立刻感到自己变成后 50%，后来转念把优秀同学视为朋友和老师。

[事实] 他认为与老师 office hour 的一对一交流，能让学生提前看到一些事情并避开不必要的坑。

[事实] 他认为在技能变得不那么不可替代时，建立信任和说服他人的能力更重要。

[22:31] 社交不是泛泛社交，而是深度连接

[事实] 主持人提到马斯克认为未来大学知识会过时、学历会失效，教育核心要培养 AI 无法复制的好奇心、创造力和批判性思维，甚至未来大学就是社交。

[事实] Alfred 说如果带着现在的知识回到大一，他会拼命社交，但指的不是泡吧或参加活动，而是更多一对一的深度交流。

[推测] 这段把“大学是社交”重新定义为建立长期信任、深度对话和高质量人际网络，而不是浅层社交活动。

[23:35] Kelento：上大学的目的写在申请文书里

[事实] Kelento 说自己大部分时间不是社交也不是完成课程，而是在做学校之外自己想做的事情。

[事实] 他表示“大学就是社交”这个观点曾出现在自己的大学申请文书里，他选择 NYU 与环境、社交和 AI 学术资源有关。

[事实] 他提到曾因 Geoffrey Hinton 考虑多伦多大学，后来因 Yann LeCun 在 NYU 任教而选择 NYU，并旁听 deep learning 课程。

[推测] Kelento 对大学的使用方式更像把大学当作资源节点，而不只是课程体系。

[24:42] Kelento 对 GPT 的理解与个性化学习

[事实] Kelento 认为 GPT 与 Siri 的关键不同在于，Siri 更像识别意图后匹配预设路径，而 GPT 基于 Transformer，对下一个 token 做概率预测。

[事实] 他认为 GPT 的训练数据覆盖了大量人类书写内容，因此能处理开放问题，这让他意识到必须深度学习 AI。

[事实] 他在 NYU 上课时经常看论文或做自己的产品，只用较少时间学习课堂内容。

[事实] 他认为传统课程是标准化教育，而 AI 时代重要的是个性化学习，每个人都可以把 AI 当自己的老师。

[26:30] 学历不是知识证明，而是信任凭证

[事实] Kelento 直言自己上大学的目的非常功利，就是为了一个学历。

[事实] 他认为 AI 时代学历不会消失，因为学历不是单纯证明学会了什么，而是一种社会信号，向市场传递“这个人可以被信任”。

[事实] 他认为教育本质可以概括为“评估”，学校长期保留下来的制度与筛选、评估、人才高度相关。

[推测] 在他的框架里，AI 替代知识和技能并不等于学历失效，因为社会仍需要低成本的信任和筛选机制。

[28:29] 美德、判断与文科通识教育

[事实] Kelento 说自己没有非常具体的人生目标，但非常喜欢西方哲学，并认为 AI 时代“美德”仍然重要。

[事实] 他认为文科通识教育的意义是培养人的美德，而不只是单纯计算。

[事实] 他认为只有人清楚知道什么是好、什么是坏，才能更好驾驭 AI 技术。

[推测] 这段把 AI 时代的教育问题从技能训练拉向伦理和价值判断：技术越强，人越需要知道该把技术用于什么。

[30:18] 用 AI 探索自我与大量试错

[事实] Kelento 认为学生应花大量时间使用 AI、体验 AI、与 AI 对话，寻找自己喜欢什么、想干什么，甚至判断是否要上大学。

[事实] 他认为自己在大学里做创业产品和实习，本质上是一种试错。

[事实] 他提到《Design Your Life》对自己影响很大，书中的观点是不要为中长期目标做强预设，而要在短期持续大量尝试。

[推测] AI 在这里被视为降低试错成本的工具，让学生更早、更快地探索自我方向。

[31:22] 教授态度的两极分化

[事实] Kelento 说自己的应用心理学必修课老师在最后一节课发了“不要使用 GPT”的贴纸。

[事实] 另一门教做网站的课上，老师第一天就要求学生使用 Claude Code、Replit、Lovable 等工具。

[事实] 他认为老师应该教学生跟进时代、使用最新工具，而不是一味限制工具。

[推测] 同一所大学内部对 AI 的态度可能高度分裂，差异取决于课程性质、教师认知和学科文化。

[32:41] 决策与选择：AI 时代人的判断力

[事实] Kelento 引用 Joseph Weizenbaum 的观点，区分 deciding 和 choosing。

[事实] 他解释 deciding 是有标准答案的推理过程，机器可以做，甚至做得更好；choosing 是没有客观标准时仍要做判断，根植于价值观、经历和对他人痛苦的感受能力。

[事实] 他认为 AI 时代老师仍应培养学生判断力，这是一种 meta skill。

[推测] 节目将“判断力”放在比工具能力更高的位置，认为这是 AI 难以完全替代的人类能力。

[34:38] AI 能否加速真正的理解

[事实] 主持人认为 AI 可以放大能力、快速完成任务，但不一定加速大脑对某个问题的深层理解。

[事实] Kelento 反驳说 AI 可以在信息爆炸中帮他筛选先看什么、后看什么，因此在一定程度上辅助理解。

[事实] 主持人进一步区分宽度与深度，认为 AI 能提供更好资料，但当人要深度理解一个具体问题时，大脑仍需要投入单位时间。

[推测] 双方分歧在于“理解”的定义：AI 明显提升信息获取和路径选择效率，但未必替代慢速、深层的内化过程。

[36:42] Kelento 的 Top-down 学习法

[事实] Kelento 认为传统教育更像 bottom-up，先打基础再往上走，但很多人会在中途迷失，不知道为什么打基础。

[事实] 他会先让 AI 告诉自己某个问题上最顶级的人怎么想，先建立真实锚点，再寻找自己不懂的关键区分点。

[事实] 他学习 Transformer 时，让 AI 组织“专家团”解释原理，再针对不懂的问题追问定义和例子。

[事实] 他会通过网络搜索和向身边懂的人请教，验证 AI 给出的答案。

[推测] 这种学习法的优势是路径个性化、目标导向强；风险是如果缺少验证机制，容易被 AI 的错误解释带偏。

[39:21] Jack 从 2022 年底开始用 AI 写网站

[事实] Jack 在 2022 年底开始使用 AI，当时他帮 NYU 教授做科研项目，需要做前端网站，但数据科学课程没有系统教计算机科学相关内容。

[事实] ChatGPT 出来后，他用它一起完成网站开发，后来又使用 Claude、Perplexity、Coding Agent、Manus、GenSpark、Claude Code、Codex 等工具。

[事实] 他认为数据科学同学使用 AI 比例挺高，但很多人使用方式比较单一，文科同学更多仍主要使用 ChatGPT。

[40:53] 99% 的作业都有 AI 参与

[事实] Jack 说自己 99% 的作业或论文都有 AI 帮助，剩下 1% 主要是 presentation 这类需要自己说话的部分。

[事实] 他补充说不是“AI 完全写”，而是 AI 在其中有很大占比。

[事实] 他从 2022 年底、2023 年初就开始重度使用 AI，尤其是 CS 相关和代码量较大的任务。

[事实] 他现在有任何作业、课题或内容，都会先问 AI 看它的想法。

[41:50] 教授、检测工具与责任归属

[事实] Jack 观察到教授最开始非常抵触学生用 AI，但最近一两个学期有更多教授接受学生 consult with LLM。

[事实] 教授的要求变成学生可以咨询 LLM，但最终要为产出负责。

[事实] 他提到 Turnitin 等检测工具在大学中一直存在，也可能出现更细分、更好的 AI 检测工具。

[推测] 评价重点正在从“是否用了 AI”转向“是否能对 AI 辅助后的结果负责”。

[43:08] 如何用 AI 完成作业

[事实] Jack 把作业分成可验证和不可直接验证两类：数学题等有标准答案，论文、网站等更多是质量判断。

[事实] 对不可直接验证任务，他会先把课程和作业要求交给模型，让模型拆解需求并提出思考角度。

[事实] 如果课程熟悉，他会自己先 setup；如果课程不熟，则会更大程度依赖 AI 帮他做好前序工作。

[事实] 他认为 AI 节省了很多以前翻书和搜索的时间，让自己更快索取信息。

[45:00] 成绩竞争变成工具能力与理解深度的综合竞争

[事实] Jack 认为开放性任务成绩高低，既取决于学术能力和底层思维，也取决于用工具的能力。

[事实] 如果学生不了解课程，就无法判断 AI 写出来是否正确，可能直接提交错误内容。

[事实] 他认为会用 AI 且理解课程的学生，能得到更可用的 AI 产出，甚至直接达到较高分数。

[推测] AI 没有取消基础理解的重要性，反而让“能否判断 AI 产出”成为区分学生水平的新门槛。

[46:25] 三位嘉宾的常用 AI 工具

[事实] Jack 最近常用 Claude、OpenAI Codex 等 Coding Agent，也用 Variance 生成动画方案，用 Typeless 做语音输入，用 Dify 做工作流和论文架构实验。

[事实] Alfred 将工具分为 Chatbot、提效类和 Long Horizon Agent：常用 Gemini 网页应用、Typeless、Raycast、OpenClaw、Manus 和 Claude Code。

[事实] Alfred 说自己每月 AI 产品花费已超过 200 美元，因为这些产品能带来超过 200 美元的效益。

[事实] Kelento 最推崇 Claude Code，也提到 Suno、Gemini Dynamic View 和 Mercury 2 给他带来惊艳体验。

[52:07] OpenClaw 与专业 Agent 的关系

[事实] Alfred 仍会使用 Manus、GenSpark 等 Agent 产品，因为这些产品把技术打包成更友好的用户体验，省去很多 setup。

[事实] 他认为 OpenClaw 的交互性、即时性和记忆有优势，但在特定任务的交付结果和效率上不一定超过成熟 Agent。

[事实] Kelento 暂时不用 OpenClaw，因为他很清楚自己的工作流，也知道不同工作流适合不同 AI；同时他考虑成本和效果，更信任 Claude。

[推测] 通用 Agent 出现后，并没有立刻替代垂直 Agent，反而可能让用户更清楚地把不同工具放入不同工作流。

[53:58] 被放弃的工具与 Claude 的中心化

[事实] Kelento 说自己放弃使用 GPT 和 Gemini，几乎完全转向 Claude。

[事实] 他买了 Claude 200 美元 Max Plan，但用完额度后非常难受，甚至觉得不知道该干什么。

[事实] 主持人和 Alfred 也提到自己退订或减少使用 ChatGPT，但主持人保留 Gemini 是因为它的生图能力好。

[事实] Alfred 认为 ChatGPT 在对话、Agent、coding 等任务上都不够突出，因此变成“三不管”的存在。

[推测] 在重度 AI 用户中，工具选择已经从“谁最通用”转向“谁在关键任务上最可靠”。

[56:35] Manus 的护城河与使用场景

[事实] Alfred 认为 Manus 被质疑“套壳”后，仍在用户体验层面保持很强竞争力。

[事实] 他最常用 Manus 做 deep research，尤其是需要浏览器操作、访问 Reddit 或 X 等图形界面任务时。

[事实] 他也使用 Manus 的 Canvas 工具做设计，并认为它提供了比 Gemini 生图更好的体验。

[推测] 对 Alfred 来说，Agent 的价值不只在模型能力，还在任务执行环境、浏览器操作和产品体验整合。

[58:12] Kelento 的三模型工作流

[事实] Kelento 建议大学生使用 GPT、Claude 和 Gemini 的 Education plan，并把它们放在不同工作流中。

[事实] 他会打开 GPT 的 memory，让它越来越懂自己，用于 brainstorm 和生成初始 prompt；但不让它做实际决策和执行，因为记忆会污染判断。

[事实] 他关闭 Gemini 和 Claude 的 memory，把 GPT 生成的 prompt 交给 Claude 做 execution，再用 Gemini 做视觉相关内容。

[推测] 这是一种把模型人格化分工的使用方式：一个负责了解用户，一个负责执行，一个负责视觉。

[59:35] 记忆功能与信息茧房

[事实] 主持人认同 Kelento 对 memory 的警惕，表示自己很早也关闭了记忆功能。

[事实] 主持人认为如果不关闭记忆，模型会让用户进入越来越紧的信息茧房，甚至英语表达也会变成 Chinglish。

[推测] AI 个性化既能提升贴合度，也可能强化偏见和表达习惯，削弱模型作为外部视角的价值。

[60:05] AI 是否让专业基础更扎实

[事实] Kelento 认为 AI 让他花更少时间拿到更高分，因为 AI 能像个性化老师一样随时及时反馈。

[事实] 他还用 AI 探索应用心理学与 AI 的结合，例如研究依恋类型是否影响人与 AI 的使用关系。

[事实] 主持人用设计师举例说明，AI 能放大能力，但好的产出仍依赖设计基础和审美积累。

[推测] AI 对基础能力的影响并非单向：它能提高学习效率，也可能掩盖使用者缺乏判断力的问题。

[62:30] 工具出错时，基础能力决定能否纠偏

[事实] 主持人追问 AI 对原认知能力的影响，是让基础更强还是更弱。

[事实] Jack 认为 AI 让他在很多课程上更扎实，更快抓到事物本质。

[事实] 但他也指出，在较大代码量场景中，模型会犯忘写括号、乱加分支、逻辑奇怪等错误。

[事实] 他认为如果一个人不懂代码，任由 AI 自由发挥，很多时候 AI 写出来的东西会很奇怪。

[推测] AI 时代的基础能力不一定是亲手做完所有步骤，而是知道什么时候 AI 错了，以及如何把它引向更好的产出。

[64:10] AI 上瘾：比短视频更难离开

[事实] Kelento 说自己有“疯狂上瘾”的 AI 使用感，曾对 Jack 说感觉没有 Claude 活不了了。

[事实] 他认为 AI 70% 帮他节省执行时间，30% 给他灵感；没有 Claude 就像执行和灵感都没了。

[事实] 他认为 AI 比短视频更上瘾，因为他没有任何一天不用 AI，但可以有一天不看短视频。

[推测] 这里的上瘾不是纯娱乐上瘾，而是生产力依赖带来的心理和工作流依赖。

[64:48] 抽离 AI 后的原始状态与担忧

[事实] Alfred 说如果抽离所有 AI，很多事情会退回非常原始的状态，写论文会很痛苦。

[事实] 他提到很多顶尖程序员已经不再手写代码，认为手写代码会降低生产效率。

[事实] Alfred 读过尤瓦尔·赫拉利《Nexus》后，开始担心 AI 问题比人们想象中严重。

[事实] 他认为人类仍使用有限的大脑、旧有制度和道德，却面对一个与人一样聪明甚至更聪明的技术存在。

[推测] Alfred 的担忧在于，人类正在享受 AI 红利时，可能低估了能力迁移、制度适配和责任边界的长期风险。

[66:26] AI 成为日常生活基础设施

[事实] Alfred 说自己一天基本都与 AI 共存，会让 OpenClaw 安排 Google Calendar、阅读 Gmail、撰写回复草稿，也会用 Claude Code 做程序开发。

[事实] 他认为 AI 已经成为日常生活中不可或缺的存在。

[事实] 他引用维纳《人有人的用处》，认为人的价值在于提出正确问题、进行价值判断和承担最终责任。

[推测] Alfred 承认 AI 侵蚀了部分能力，但也因此更强调 foundational 和原认知能力的重要性。

[67:51] 是否还能在没有 AI 时写代码

[事实] Jack 在 AI 工具出现前就开始学代码，2018、2019 年左右已接触编程，因此认为自己没有 AI 仍会写代码。

[事实] Kelento 说如果没有 AI，他写不了代码，因为他上大学第一天就在用 AI。

[事实] Alfred 也说自己最初只学过 Python，完全抽离 AI 后很难开展现在正在做的事情。

[事实] Jack 认为如果 Claude Code 断 24 小时，他会回到 Stack Overflow 和古早静态网站资料中寻找方案，虽然难受但能接受。

[推测] 是否经历过“前 AI 时代”的训练，明显影响一个人对 AI 断供的适应能力。

[70:20] AI 上瘾的类型：干活、学习与期待回答

[事实] Kelento 认为自己是“纯干活上瘾”，AI 像下个时代的电脑，断掉 AI 类似断网。

[事实] Jack 也把 AI 视为效率工具，不太用于陪伴或娱乐；如果 10 小时任务半小时完成，他会觉得很爽。

[事实] Kelento 又补充自己也有学习上瘾，因为很多问题没有 AI 就无人解答，他期待 Claude 对复杂问题给出的 insight。

[推测] AI 的上瘾机制同时包含效率快感、学习反馈和即时回应，并不完全等同于短视频式消遣。

[72:04] 生产力安慰剂与资深悖论

[事实] Kelento 提到 METER 做过随机对照实验，邀请 16 个 senior engineer 完成 200 多个真实任务，一半可用 AI，一半不可用 AI。

[事实] 他转述实验结果：使用 AI 的人比不用 AI 慢 19%，但开发者自己感觉快了 20%，感知与现实差了约 40%。

[事实] 他称这种现象为“生产力安慰剂”，并提到专家受 AI 减速更严重，而初学者获得显著生产力提升，被称为 seniority paradox。

[事实] 他认为高中和大学阶段接触 AI 的学生处在黄金时期，因为 AI 能最大程度帮助初学者补空白。

[推测] AI 对生产力的真实影响高度依赖任务、使用者经验和验证成本，不能只凭主观爽感判断。

[74:11] 主持人对“资深悖论”的个人经验

[事实] 主持人说自己也感受到 AI 看似什么都能给建议，但找错误、查漏洞、fact check 的时间反而更多。

[事实] 她回忆自己早年做记者时，英文采访需要逐字听写、翻译和整理，过程中已同步思考文章节奏和删改。

[事实] 她认为后来用语音转文字和 AI 翻译输出，整体速度未必更快，有时逐字处理反而效率更高。

[推测] 对熟练工作者而言，某些“低效步骤”本身就是思考过程，自动化后反而可能丢失中间的理解和判断。

[75:02] 适应环境成为关键能力

[事实] Alfred 认为不论技术如何演进，关键是主体与环境之间的关系，环境包括技术、社会文化、国际关系、政治经济等。

[事实] 他认为人在当下适应环境的能力更为重要。

[事实] 他作为 00 后，成长于较稳定环境，但现在因技术和社会环境变化太快，感到世界观正在被解构。

[事实] 他认为未来一两年仍会继续狂奔，不能线性外推。

[推测] 这段把大学教育的目标进一步转向“在混沌变化中保持适应力、信念和自我稳定”。

[76:33] AI 时代的求职焦虑

[事实] Kelento 更倾向创业，但认为求职会很难，因为职业门槛会变高。

[事实] 他认为人不是被 AI 替代，而是被更会使用 AI 的人替代。

[事实] Jack 在投简历时感到，企业对“会使用 AI 的人才”定义很模糊，虽然都在说要找会用 AI、能降本增效的人。

[推测] 就业市场已经意识到 AI 能力重要，但招聘标准和评估方法还没有成熟。

[77:55] 法律与计算机就业的压力

[事实] Alfred 说自己两年前就 all in AI，看 paper、学代码、做项目，因此求职有先天积累优势，没有遇到非常大的困境。

[事实] 他观察到法学院同学找专业对口工作比三年前更难，包括律所、法务、公检法等方向竞争更激烈。

[事实] 他看到一些法学院同学尝试转向 AI 行业。

[事实] 他还提到北美许多计算机背景毕业生在找创业公司工作，因为大厂软件开发工程师岗位很多被冻结，就业情况困难。

[推测] AI 一方面制造新机会，另一方面也使传统入门岗位和大厂常规岗位更紧缩，导致职业分化加剧。

[78:49] Alfred 的未来方向：解放而非法律

[事实] Alfred 说自己两三年前就确定不会做任何法律相关职业工作。

[事实] 他未来的大方向是 Emancipation，即“解放”。

[事实] 他希望人们能被解放出来，不用承担工作也能获得基础生活保障，并去做真正喜欢、愉悦的事情。

[事实] 他也承认这一方向面临社会制度、经济结构和技术不成熟等挑战。

[推测] Alfred 的职业想象已经从“如何保住工作”转向“如果 AI 改变工作本身，人类如何重新安排生活”。

[79:40] 主持人后记：更年轻一代不会假设离开 AI

[事实] 主持人说这期节目是当年 2 月录制的，因为 AI 发展太快，部分信息在播出时已有些落后。

[事实] 她后来在硅谷高中生聚会上提到，最早用 AI 学编程的大学生离开 AI 反而不会写代码。

[事实] 一位高中生立刻反驳说，为什么要做这个假设，因为“我们不会离开 AI 了”。

[事实] 主持人认为这些高中生比受访大学生还年轻三四岁，但想法似乎更超前；他们认为 AI 会的东西没必要学。

[推测] 节目最后把问题从“大学生如何使用 AI”扩展为“新时代给所有人出的考卷”：什么是有用，什么是不可替代。

播客点评/总结

这期节目的价值在于，它没有停留在“学生用 AI 作弊”或“AI 提高效率”的浅层讨论，而是让三位高度使用 AI 的学生直接讲出他们如何学习、如何完成作业、如何选择工具、如何看待学历和未来职业。嘉宾的经验足够具体，能让听众看到 AI 已经怎样嵌入大学生活的每一个环节。

节目最亮的部分是几组张力：AI 让作业更容易，但也让评价体系失效；AI 让初学者更快上手，但可能让他们失去脱离工具后的基本能力；AI 似乎提升效率，但也可能产生“生产力安慰剂”；学历看似贬值，但仍作为社会信任凭证存在。这些张力让讨论比简单的乐观或悲观更有现实感。

局限在于，三位嘉宾都是非常重度的 AI 使用者，也都接近创业和技术圈，他们的经验不一定代表普通大学生或其他专业学生。[推测] 对于资源较少、AI 使用能力较弱、或学校环境更保守的学生来说，AI 带来的机会和压力可能会有不同形态。

这期适合关心 AI 与教育、大学生就业、AI 工具使用、知识工作未来的人收听，也适合正在上大学或准备上大学的学生和家长。它最值得带走的问题不是“该不该用 AI”，而是：当 AI 默认存在时，人还应该学什么、练什么，以及如何证明自己的判断和价值。