AI这么强，可它永远学不会爱具体的人

AI这么强，可它永远学不会爱具体的人。

一个做投资的朋友前几天还在跟我唉声叹气。 他儿子在准备 SAT，报了好几个价格不菲的培训班，牺牲了睡眠，成绩却总卡在那个临界点。

孩子压力大，他更大。 在这场竞赛里，很少有人有时间停下来问一句：这样的学习方式，究竟值不值得。

可就在这种集体焦虑蔓延的时候，学习的逻辑正在被悄悄重写。

最近，阿里千问又更新了，专门针对学习场景。 拍题答疑、作业批改、题目拆解、考点梳理，它把整套能力都换了一遍底层。

背后是阿里最新的 Qwen3-Learning 模型。 这个模型在教育方向上训练得非常狠，从国内教材体系，到三十多个国家的考试标准，再到海量真题和万亿级教学数据，它像是把一个超级教研体系压缩进了一个模型里。

很多 AI 工具会给答案，但千问的方式似乎不太一样。 它不急着告诉你哪道题选 C，而是习惯先拆题，再把知识点的位置标清楚。

那种线索清楚、路径自然的讲题方式，很像一个教了很多届学生、知道孩子们会在哪个环节卡住的老师。

为了验证它的批改能力，我拿了一份真实的小学英语作业做测试。

手写、涂改、印刷体混在一起，我直接拍照上传。

几秒钟后，正确的地方被标出。

过去老师可能需要半节课才能批完的作业，现在瞬间完成，也不会漏掉容易忽视的细节。

拍题识别的表现也有变化。 纸质试卷、课堂 PPT、黑板板书、孩子乱糟糟的草稿纸，它几乎一拍就能读懂。

遇到图表题、函数题、几何题这种容易识别错的内容，它会先抽出已知条件，再一步步推理，把题眼挑出来。

对学生来说，以前要刷几十道题才能看明白的思路，现在一次讲解就能搞懂。

整个过程不会乱讲。 这个模型的训练方式强调 准确和可信，用的是结构化的思维链，而不是那种堆字数、靠玄学启发式的胡思乱想。

对 K12 阶段的学生，它适配了国内中高考的题型。

对大学阶段的内容，从高数到物理再到编程，都能讲出完整的路径。

当一个学习工具的能力强到这种程度，它传递的信号其实只有一个：完全依赖刷题数量的学习方式，正在慢慢失去意义。

因为从找到答案这件事开始，成本已经低到几乎接近零。

真正需要被重新训练的，是以下三件事。

第一件事，是把注意力从找答案转向 问问题。 一个人能不能提出好问题，会决定他之后的学习效率。

当孩子让 AI 讲解一道题时，是顺势问它： 这题还有别的做法吗？ 如果条件换掉会怎样？ 哪一步最容易被忽略？

从这种追问里，孩子会慢慢形成一种主动拆解问题的能力。

第二件事，是多处理真实世界的 开放性任务。 考试是封闭体系，规则明确，变量有限。

可越往后走，孩子越会发现，现实里大多数问题没有标准答案。 你要先判断什么才是问题，再尝试定义，再去试错。

你让孩子做个编程小项目，参加个机器人比赛，或完成一个简单的生活任务，他都会经历查资料、试错、修改、再试的过程。

AI 工具能帮他列步骤、拆需求，但方向怎么选、遇到卡点怎么坚持下去，这些只能在实践里长出来。

第三件事，是刻意训练那些 AI 够不到的能力，比如 连接情绪、建立信任、带团队。

未来的很多职业都会让人类和 AI 并肩工作。 AI 擅长信息处理，人擅长理解他人、感受情绪、协调资源、在不确定中做决策。

一个孩子能不能把一群人带到同一个方向上去，能不能理解别人心里的真实想法，这些东西会在十年后决定他的上限。

照片识别、题目讲解、作业批改，这些在未来会像今天使用计算器一样，成为基础能力。

真正拉开差距的是孩子在现实世界里的体验，他和别人合作的方式，他的自信来源，他对世界的理解能力。

所以，与其盯着成绩单上的分数，不如问问孩子： 今天有没有哪件小事让你觉得自己挺棒？ 是不是对某个同学有了新的理解？ 有没有做成一个小任务而很开心？

AI 会越来越擅长处理知识和任务，它会是最高效的工具。 而我们人类，可以把更多精力，放在提出好问题、解决真实的问题，以及去爱具体的人上。