JM特约撰稿, 小R，上海， 2026-03-25
在AI时代，知识的获取成本已趋近于零，AI可以瞬间完成初级的逻辑推演和内容生成。基于这篇文章提出的核心框架，我们可以推导出在AI时代，学生最需要掌握的五大核心能力：
1. 复杂问题的“问题定义”能力 (Problem Engineering)
学习工程（Learning Engineering）始于“与学习者相关的挑战”。AI擅长给出答案，但不擅长定义有价值的问题。面对“界定模糊（ill-defined）”的空间，学生需要学会如何将一个模糊的困境拆解为可操作的挑战。那么如何面对AI时代的转变呢？
学生不应再死记硬背标准答案，而要学习如何观察Context（语境）。理解环境的独特特征，定义出AI无法感知的“人的需求”。如果只是把 AI 当成“答题机”，学生可能会问：“如何帮助老人学会使用智能手机？” 但如果运用学习工程思维，学生需要进入老人的生活语境（Context），去发现那些 AI 算不出来的“人的阻力”。
案例：解决独居老人“不敢用”手机挂号的问题。
传统思维（AI 的通用解法）：如果直接问 AI 方案，它会给出：
- 制作大字版的操作手册；
- 录制教学视频。
- 简化 App 的 UI 界面。
这些方案假设老人的核心问题是“看不清”或“记不住”，但忽略了心理防御机制和生活习惯。
当学生有了工程思维后，他们会学习观察生活语境（Context）并拆解挑战学生通过实地观察和访谈，发现了以下 AI 无法感知的微观语境：
- 例如，老人的恐惧心理，老人看到“确认支付”或“系统提示”时会手抖，因为他们潜意识里觉得“点错了钱就没了”或者“手机会坏掉“。那我们的挑战就是：如何设计一个“无损沙盒”环境，让老人在没有任何风险感的情况下练习点击？
- 也可能使用过程中有“语言鸿沟“，App上的术语（如“颗粒度”、“分时段诊疗”）对老人来说像外星语。他们习惯的语言是“哪天哪个大夫在哪儿看”。对于学生通过实地观察和访谈，就需要思考如何将数字化的“功能术语”翻译成老人熟悉的“生活话语系统”。
2. 人本设计与共情能力 (Human-Centered Design)
“以人为中心”和“利益相关者”的重要性在不断被强调。核心痛点在于AI无法真正理解情感、动机和人类经验的细微差别。因此，学生需要学习UXD（用户体验设计）和动机科学（Motivational Sciences）。在AI生成的冰冷方案之上，注入对真实人类（Learners）的同理心，设计出能让人产生情感共鸣和持续动力的学习路径。
让我们看一个关于“职场新人备考注册会计师（CPA）”的例子，对比 AI 的“效率逻辑”与学习工程中注入“动机科学”的差异。
AI 的冰冷方案（基于逻辑最优）如果用户输入：“我是一名工作繁忙的审计员，想在 6 个月内通过 CPA，请制定计划。” AI 会给出一份极度理性的时间表：每天 5:30 起床，记忆法条 1 小时。通勤路上听课件。下班后 20:00 – 23:00 做模拟题。
AI 逻辑就是： 只要时间投入 + 覆盖知识点 = 考试通过。它忽略了人类的意志力损耗。经过 10 小时高强度工作后，人在 20:00 的皮质醇水平和情绪状态根本无法支撑高难度思考。
学生（作为学习设计师）通过调研发现，真实的 Context 是：深夜的孤独感和对失败的习得性无助才是最大的敌人。他们运用自我决定理论 (Self-Determination Theory) 重新设计：在胜任感 (Competence)方面，AI 的盲点 (Cold Logic)就是第一天就开始做难题。如果我们进行注入同理心的设计 (Human-Centered Design)： 前两周不刷大题，只做 5 分钟能通关的“知识闪卡”，利用多巴胺回路建立“我能行”的错觉。
同样，在归属感 (Relatedness)方面，AI 的盲点 (Cold Logic)就是独自学习，效率最高。但注入同理心的设计 (Human-Centered Design)后，提倡的是异步共学空间： 设计一个“深夜自习室”插件。当用户打开电脑，能看到此时有500位同类也在挑灯夜战，这种“共同临场感”能抵消孤独导致的放弃欲望。
3. 数据素养与“证据驱动”的判断力 (Data-Informed Decision Making)
在这样的时代，“数据插桩（Instrument the data）”和“调查研究（Investigate）”意味着面对AI产生的大量信息和预测，学生必须具备辨别真伪、解读数据的能力。这不仅仅是算术，而是心理测量学（Psychometrics）和反馈循环（Feedback loops）的逻辑。
学生要学会问：“哪些数据能证明我在进步？”并根据数据反馈（而非直觉）去调整自己的策略。让我们来看一个关于“提升公众演讲与辩论能力”的例子，看看学生如何利用心理测量学和反馈循环来超越“感觉良好”的陷阱。
传统模式：直觉驱动。
一名学生在准备一场关于“气候政策”的辩论。练习完后，他感觉自己意气风发，语速流利，于是觉得自己准备好了。这种基于“流利度错觉（Illusion of Fluency）”的自我评估，往往在实战中会被逻辑漏洞击溃。
而在学习工程模式下，学生不再只看“我讲了多久”，而是利用 AI 语音转文字和语义分析工具，在自己的表达中插入“数据探针”。他设定了三个心理测量维度的指标：
- 论据密度（Evidence Density）——每分钟有效事实与情感渲染的比例
- 逻辑连贯度（Coherence Score）—— 段落之间转折词（如“但是”、“因此”、“由于”）的分布频率
- 认知负荷预测（Cognitive Load）——使用文本复杂度算法，测量听众理解他的发言需要多少脑力
4. 快速迭代与容错的工程思维 (Iterative Design)
“迭代（Iterate）”和“设计-构建循环”变得无比重要。基于AI时代变化极快，追求“一次性完美”已经过时。 拥抱工程设计方法论。学生需要建立“原型意识”——先做出一个不完美的方案，在真实场景中实施（Implement），收集反馈，然后迅速修改。这种“抗挫折”和“持续演进”的思维，比掌握某项具体技能更保值。
在传统的学习模式中，学生往往追求“一次性交付”——比如期末论文或结项报告，这导致了对失败的极度恐惧。而在学习工程（Learning Engineering）中，核心在于最小可行性产品（MVP）和基于证据的修正。
传统的学生可能会花一个月时间写一份 50 页的《校园环保规划书》，试图一步到位解决所有问题。但在 AI 时代，学生利用工程思维，在第一周就利用 AI 生成了一个极其简陋的 MVP：在食堂门口放一个写着“今日浪费英雄榜”的小黑板，记录倒掉剩菜最多的三个班级。数据很快显示，这就是初次迭代的失败（Data Feedback），这个方案彻底失败了。学生们不仅没有减少浪费，反而觉得这是一种“公开羞辱”，产生了逆反心理，甚至有人故意多倒菜来挑战规则。
第二次迭代：他们在餐盘回收处放了一个透明压力感应秤，连接着一个显示屏。每当有人清空餐盘，屏幕上的“虚拟森林”就会多长出一片叶子。
第三次迭代：学生再次迭代，将逻辑改为“光盘积分兑换食堂下午茶折扣”。这次，他们利用心理测量学工具监控学生的“参与持久度”，发现数据终于趋于稳定且正向。
在这个例子中，学生的价值不是写出那份完美的初稿，而是在三次失败中保持理性，这种思维让学生明白：AI 可以给你 100 个点子，但只有通过在现实中快速犯错、收集数据并迭代，你才能找到那个真正有效的“唯一解”。
5. 跨学科的系统整合能力 (Systems Thinking)
从计算机科学到认知心理学的一系列学科都是学生需要涉足的。AI擅长专项任务，但人类擅长整合。在未来，我们要把自己发展成为“T型人才”。学生不需要在每个领域都成为专家，但需要理解不同领域（如数据科学与心理学）是如何相互作用的。
要组建或参与“跨学科团队”，在不同维度的知识之间建立连接。让我们看一个关于“设计一款针对青少年抑郁症的数字干预工具（App）”的例子。
案例：从“学科孤岛”到“T型整合”的创新过程。
传统专家的局限是，如果这个团队只有专项人才：计算机专家会追求算法的响应速度和 UI 的丝滑感，认为“只要 App 好用，用户就会来”。临床心理学家会执着于认知行为疗法（CBT）的专业术语和量表，认为“只要内容科学，用户就能获救”。那么产出的结果可能是一个界面精美但内容枯燥、让处于抑郁状态的用户感到认知负荷沉重、最终迅速卸载的“科学产品”。
如果有了“T型人才”参与整合过程，作为团队的领袖或整合者，你不需要像程序员那样精通 Python，也不需要像医生那样背诵 DSM-5 手册，但你需要建立学科间的连接点：人机交互（HCI）与情绪动机的连接。
你观察到，当 App 弹出“你今天还没打卡”的通知时，抑郁症患者会产生负罪感。作为整合者，你要求设计师移除所有“监督式”的语言，引入积极心理学中的“微小胜利”概念。你让 AI 写作工具生成数千条具有共情力的文案，比如：“今天你打开了 App，这本身就是对生活的一次勇敢尝试。”
又或者是工程思维与伦理的连接： 当算法团队想要通过“增加用户粘性”来获取更多数据时，你敏锐地察觉到这可能导致社交成瘾，加剧焦虑。你利用社会学视角干预工程决策，强制加入“防沉迷”和“离线社交建议”，确保技术是服务于人的健康，而非数据的增长。
AI 可以为你提供每一个学科的深度信息（T 的竖杠），但只有人类能拉开那条横杠。你的价值在于：在 AI 生成的离散知识点之间，织出一张有意义的网。
总结：AI时代的“学习者”即是“工程师”
在AI时代，学生不应该仅仅是知识的容器，而应该成为自己学习路径的“学习工程师”。
参考文献：
- LEARNING ENGINEERING PROCESS，https://sagroups.ieee.org/icicle/learning-engineering-process/
- Goodell, J. and Koldner, J., editors. (2023). Learning Engineering Toolkit: Evidence-Based Practices from the Learning Sciences, Instructional Design, and Beyond.
- Goodell, J., Kessler, A., Kurzweil, D., Koldner, J. (2020.) Competencies of Learning Engineering Teams and Team Members. In IEEE ICICLE proceedings of the 2019 Conference on Learning Engineering, Arlington, VA, May 2019.
作者简介：小R，希望能实现学术理想的教育界的搬砖人。
