AI越来越强，我们更应该培养什么样的孩子？— 从 AAEOY Education Track 的三场分享，看 AI 时代教育正在发生什么变化
这几年，"AI 时代的孩子应该学什么？"几乎是每个家长都在问的问题。要不要学 Coding？还要不要学 Computer Science？还是应该尽早学 AI？
9月19日，美洲中国工程师学会（CIE/USA）举办了 AAEOY（Asian American Engineer of the Year）年会。会上的 Education Track 请来了三组嘉宾：Stanford Doerr School of Sustainability 创院院长 Dr. Arun Majumdar、Perplexity AI 联合创始人 Johnny Ho，以及五位从湾区高中走出、如今在科技公司工作或攻读博士的年轻人。
一位教育者，一位创业者，一组过来人。三个视角，最后给出了同一个答案。
9月20日晚，我们（PowerUp）通过线上家长会邀请到了CIE National Council Chair and Advisor Dr. Chen，也是 PowerUp Academy 的联合创始人，第一时间带来了现场活动的一手信息。
一、AI 让作业更好看，却可能让孩子学得更少
Majumdar 院长把自己用来考 Stanford 博士生的资格考试题交给 AI，30 秒就解出来了。
但他也分享了一组让人警醒的数据。他引用的一项针对中国 7–12 年级学生的研究发现，学生开始用 AI 后：
作业成绩提高 18%，作业时间减少 30%，考试成绩却下降了 20%。
作业变好看了，真正的学习却变少了。
他的观点很直接：
"If you go to AI for answers, that's not education."如果只是找 AI 要答案，那不是教育。
"Good teachers don't give you the answers. Good teachers give you the question."好老师不给答案，而是给问题。
直接拿到答案，等于把问题"外包"了出去。真正的能力来自一个完整的过程：自己提出问题，寻找信息，得到反馈，再不断修正。
二、AI 越来越能做事，人要决定做什么
Johnny Ho 说，现在用 AI 做工程，已经不太像在写代码，更像是在"指挥" AI。未来依然重要的，是底层原理，以及决定下一步该做什么的判断力。
他每周都会做几十个原型，大部分第一天就被放弃，只有大约 1% 最终变成真正的产品。Perplexity 本身，也是当年几个尝试中唯一跑出来的那个。
他也提醒：AI 带来的一大风险，是人们越来越分不清真假，只是盲目相信 AI 说的话。所以，直接把 AI 交给学生当"答案机器"，其实很危险。
三、过来人说：去做 Project，别怕被拒绝
Student Panel 是现场学生最喜欢的环节。主持人最后请每位嘉宾给高中生一条建议，Ray 的回答是：
"最重要的事情，就是去做 Project。"
他说，偏研究方向的学生就去做 Research；有了 AI，能探索的课题比以前多得多。
其他几条同样实在。Helen 说，最有帮助的 mentor 往往只比你领先两步。Annie 说，不要害怕被拒绝。Helen 还提醒，要优先保证睡眠，专注于自己真正在乎的事，而不是觉得"应该做"的事。
被问到父母的作用时，一位嘉宾说：大多数时候，孩子正在自己想办法，家长不需要一直追问进度。
三场分享，其实在回答一个问题
Stanford 院长说：答案不等于学习，问题才是。
创业者说：执行可以交给 AI，方向要靠人来定，而且要敢于试错。
过来人说：去做 Project，在尝试和被拒绝中找到自己的方向。
AI 时代真正稀缺的，不是会用 AI 的人，而是能提出问题、做出判断、敢于尝试，并把想法变成现实的人。
而这，恰好是 Research 在训练的能力。
家长需要更新的一个认知：Research 不只是"发论文"
很多家长听到 Research，第一反应是：那是将来想读研读博的孩子才需要的，或者是申请大学时用来"加分"的。
但回看这三场分享，Research 的本质其实是一个完整的思考过程：
发现一个没有标准答案的问题 → 弄清别人已经知道什么 → 提出自己的想法 → 动手验证 → 结果不符合预期时调整 → 判断结果到底说明了什么。
这正是 Majumdar 说的"在练习和反馈中学习"，也是 Johnny Ho 说的"不断试错"。
Research 也不一定是孩子的终点。
Panel 上就有嘉宾坦言，大一进实验室后发现自己并不喜欢做研究。但正因为如此，早一点接触真实的研究，孩子才能更早知道自己喜欢什么、不喜欢什么。
更重要的是，AI 正在改变 Research 的门槛。借助 AI，中学生已经有机会接触过去需要多年积累才能碰到的课题。而 AI 也不只属于计算机专业，它正在进入生物、医学、气候、教育、艺术等几乎所有领域。
怎样判断一个 AI 或科研项目是否真的有价值？
近一年多来，教育市场上的 AI 课程和科研项目越来越多，名字听起来也都差不多，但内容和质量却差很多。结合这次会议，家长以后可以问三个问题。
第一，孩子是在"拿答案"，还是在"提问题"？ 如果课程只是教孩子用几个 AI 工具完成任务，那和 Majumdar 担心的"外包思考"并没有区别。
第二，研究到底是谁的？ 孩子是在执行别人已经设计好的课题和步骤，还是在逐步参与提出问题、设计方法、解释结果？甚至有很多科研项目还是模版式项目，孩子只是复现？
第三，有没有真实的反馈？ 有没有真正懂行的导师在过程中指出孩子哪里对、哪里错？最后的成果能不能经得起外部检验？
这些也是 AIRC 的出发点
AIRC（AI Research & Competition）是 Ryquo Education 的 AI 研究教育项目，由 Ryquo Education 与 PowerUp Academy 联合推出，正是围绕上面这三个问题设计的。
我们不希望孩子只学会几个 AI 工具，也不希望 Research 只是一个为了申请而"包装"出来的项目。比赛和论文应该是研究的自然结果，而不是出发点。
“研究是谁的”，不是一道单选题，而是一段渐进的旅程。 没有人一上来就能独立提出有价值的研究问题 — 这正是 AIRC 想教给学生的能力，而不是预设学生已经具备：
AIRC 001（初探）：学生通过学习AI Foundation，再到动手做一个 AI 应用项目。学习把一个观察变成可以测试的问题，能够掌握简单的ML 数据分析，训练用科研的思维方式发现问题和研究问题。
AIRC 101（理解思路，质疑证据）：学生需要建立语言模型背后的数学直觉，学习评估一篇论文的证据是否站得住脚，设计有意义的对比实验，完成一份真正自己的研究提案。
AIRC 201（做经得起检验的实验）：把 Python、模型和数据变成一套完整的研究流程—从搭建基线、测试改动、理解结果，在有引导的课题上完成一篇小论文，配合 Streamlit 演示成果。
AIRC 301/401（追问一个真正属于自己的问题）：到这一步，课题不再是老师给定的，而是学生自己提出、自己验证的，在持续的导师指导下，从零定义一个原创的研究问题，设计实验，并把结果写成一篇有明确贡献的论文。方向包括学生竞赛、期刊，以及合适的 IEEE、ACM 会议。更特别的是AI顶会workshop论文小组，导师会向已经准备好在真实研究方向上做出专注贡献的学生发出邀请进入。
101 和 201 完全可以根据孩子的基础和兴趣独立选择，不必按顺序来学习。
所以 AIRC 不是几门零散的 AI 课，而是一条循序渐进的路径，帮孩子从理解 AI，到用 AI 做出东西，再到提出并主导自己的研究问题。第一批学生中，我们已有同学作为合作者在 AAAI、ICML、ACL、ICLR workshop 发表论文，也有学生获得 Presidential AI Challenge 纽约州冠军。但对我们来说，比这些结果更重要的，是孩子在过程中学会的那件事：
面对一个没有标准答案的问题，知道怎样一步步往前走。
Majumdar 院长在演讲最后引用了一句话："The future ain't what it used to be." 未来，已经不是过去的样子了。我们无法替孩子预测未来，但可以帮他们准备好面对未来的能力。 想让孩子感受一次真实的AI研究是什么样子？欢迎报名 AIRC，或添加我们的微信[WeChat：powerup23]咨询课程详情、适合孩子的起点，以及近期开班时间。
Comments