当ai能写出博士论文，却写不好一篇小说
GPT-5.5来了。Ethan Mollick用它干了件事：给AI一堆放了十年的研究数据，让它"整理数据、提出假设、用高级统计方法检验、写一篇学术论文"。四个提示词，没动过一个字。结果呢？论文的文献综述是真的，统计方法很复杂，逻辑也能自洽——相当于一个博士二年级学生的水平。
听起来很吓人？别急，同一篇文章里还有另一个故事：Mollick让AI设计一款全新的桌面角色扮演游戏，规则、世界观、配图、排版，一气呵成，101页的PDF相当漂亮。但仔细读内容，问题就暴露了：每个角色说话的腔调都一样；比喻华丽但空洞；"天气和建筑是同一个论点在不同速度下的表达"——这种句子堆多了，读着累。
这就是AI的"锯齿形边界"：一边是接近专业水平的能力，一边是明显的短板。它们不是"聪明"或"笨"的二元问题，而是"某些事做得比人类还好，某些事还在犯低级错误"的不均匀分布。
这个发现，对教育意味着什么？
第一，学生需要学会"识坑"。
AI能写出看起来很专业的论文，但"看起来专业"和"真正有价值"是两回事。Mollick的论文统计方法很复杂，但假设不够有趣，因果推断也有问题。这种"表面光鲜、内核薄弱"的输出，正是学生需要学会识别的陷阱。未来的教育，应该教孩子问：这篇文章的结论是不是只是"技术性正确"？论证过程有没有用复杂术语掩盖逻辑漏洞？
第二，评价方式需要改变。
如果一篇论文可以用四个提示词生成，那"写论文"这件事本身已经不足以证明学习能力。教育者需要设计更能考察深度理解的任务：让学生评价AI输出的质量，找出其中的问题；让学生基于AI生成的草稿，提出更有价值的假设；让学生解释"为什么这个统计方法虽然复杂，但结论依然存疑"。
第三，学生的"人味儿"会变得更重要。
AI写得出的，是人类不需要再花时间打磨的；AI写不出的，恰恰是人类需要深耕的领域。那个桌面游戏的故事告诉我们：AI能生成规则和配图，但"让角色有自己的声音"、"让比喻有真正的内容"，这些事情它还做不到。未来，有独特表达风格、能创作有情感深度的作品，会成为人的核心价值。
第四，"用AI"本身就是一种能力。
Mollick的论文不是AI独立完成的，而是"他给提示词→AI生成→他用GPT-5.5 Pro审阅→反馈给AI修改"的迭代过程。这种"人类判断+AI执行"的协作模式，本身就是一种需要培养的技能。学生不仅要学会"让AI做事"，还要学会"判断AI做得好不好"、"知道如何改进AI的输出"。
AI的锯齿形边界，正在重新定义什么是"值得学的东西"。那些AI已经做得很好的事，人类不需要再花大量时间训练；那些AI还做不好的事，恰恰是人类应该深耕的方向。教育的任务，不是让学生跑赢AI，而是让学生学会与AI协作，做AI做不到的事。
XuePilot.com | 派乐学伴
