AI as Tutor：AI 革命的另一半

在上一篇《我们应该如何在教育中使用 AI？》里，我写过一句话：任务只是训练的靶子，人，才是教育真正希望改变的对象。

学生用 AI 完成了一份作业，作业可能很好，但他自己学到了多少？这是我区分 AI as Agent 和 AI as Tutor 的起点。前者帮人把事情做成，后者借助做事的过程，帮助人学会思考和判断。

这里的 Tutor 不一定是讲课的老师。它可以解释，也可以追问；可以给你反馈，也可以扮演一个不赞同你的人，逼你把自己的想法想清楚。

写上一篇文章时，我主要想的是学校。后来我意识到，其实工作中也有同样的问题。

工作，也在培养做工作的那个人

我做软件开发多年。回头看，很多让我真正理解系统的时刻，并不是读文档，而是处理一个出了问题的系统：查日志、追踪调用、试着解释一个看似不合理的结果，有时，还要在事后弄明白自己最初判断错在哪里。

这些过程很花时间，也常常因为没有进展令人沮丧。但经历过几次之后，再遇到故障，你看到的东西就不一样了。

其他职业也是如此。初级律师在查阅法条、梳理证据的过程中，慢慢知道什么事实可能改变案件走向。记者在一次次采访中，逐渐分清什么时候该相信，什么时候该继续追问。实习医师在被上级医生一句“为什么排除另一种可能”反复追问中，一点点摸清自己的判断错在哪里。

工作交付了代码、文件、报道和诊疗记录，也留下了经验。

工作在产出成果的同时，也在培养做工作的人。

过去，我们未必有意识地把这两件事分开。新人接到任务，边做边学；资深同事检查、纠正；几年下来，逐渐能够独当一面。当然，这样的成长向来因人而异。有人能得到指导，有人只能自己摸索；有人碰到足够多的难题，有人长期做着不断重复的事。

现在，AI 正在改变其中很多过程。它可以帮忙查资料、起草文件、写代码，甚至找出故障原因。很多工作 AI 可以更快更好地完成，但新人过去用来积累经验的那些环节，也在不断减少。

如果一位初级程序员总能直接拿到修复方案，他什么时候学会判断问题出在哪里？如果初级律师不再需要自己梳理事实，他怎样发现一个论证最薄弱的地方？

这不是说我们应该为了训练新人，故意让每个人继续做所有重复劳动。我这里更关心的是：当工作方式变了，人的成长要靠什么来支撑？

成长路径可以重新设计

飞行员的模拟训练给了我一些启发。

真实飞行要把乘客安全送到目的地。模拟训练则可以有意识地设置故障，让飞行员暂停、重来，反复处理平时很少遇到、却必须会处理的情况。没人会为了训练而在载客航班上制造故障，但我们会认真设计训练。

知识工作也有类似的空间。让记者练习向一个回避问题的采访对象追问；让律师找出一份看似严密的论证里被忽略的事实；让程序员面对一组不完整、甚至相互矛盾的故障线索。

AI 作为一次智力的革命，可以也应该参与设计这样的练习。它能扮演采访对象、同事或用户；在人作出判断后改变条件，问一句“如果这条证据不成立呢”；也能记住一个人总是在哪一步出错，让下一次练习集中在那一步。

有经验的人仍然需要参与：哪些情境值得练，什么样的反馈是好的，练习成果能否带到真实工作中，都需要他们判断。但 AI 可以让持续、具体的练习，不再完全依赖于恰好遇到某个项目，或恰好有位前辈抽得出时间。

这也是我所说的 AI as Tutor。它不只是把答案解释得更清楚，而是帮助一个人经历尝试、犯错、修正，再尝试的过程。

模拟训练当然不能完全代替真实实践，练习看起来有针对性，也不等于能力已经提高。但它值得探索：我们可以围绕人的成长，主动设计任务、互动与反馈，并检验这些设计是否有效。

把培养人当成一个明确目标

今天谈 AI 的能力，我们常问它能完成多少任务，结果有多好，需要人干预几次。这是典型的 AI as Agent 的目标导向。

但如果我们希望 AI 也能帮助人成长，就得问另外的问题：用了它之后，这个人有什么变化？

AI as Agent 的目标和 AI as Tutor 的目标，常常是冲突的。

同样面对一个棘手的方案选择，前者要求直接给出建议，帮你尽快交付；而后者则需要有意识地放慢脚步，比如先请你作判断，问你依据是什么，再指出你可能漏掉的条件，并不断反复挑战。

这就是难处。如果产品只用任务完成的速度和质量来评价，先让人尝试、要求他说明理由、给他机会重做，就显得多余。系统越善于替人做事，人的练习过程越可能被顺手省掉。

所以，培养人不能只是 Agent 产品附带的一项功能。它需要自己的研究问题：什么样的反馈真正有帮助？什么时候该提示，什么时候该让人继续想？怎样区分“这次做对了”和“已经学会了”？它也需要相应的产品设计和评价方法。

换句话说，AI as Tutor 需要尽快成为 AI 发展的一级方向，与帮助人完成工作的 AI as Agent 并列。

AI 革命的另一半

未来，人们需要掌握的技能可能会变，成长也未必再沿着过去的职业阶梯发生。但理解、经验和判断，仍需要时间和过程。

以前，我们常常在完成工作的同时培养做工作的人。现在，我们正在重新设计工作如何完成。既然如此，也该认真想一想：人本身将如何成长？

AI 革命的一半，是帮我们把事情做完；另一半，应该是帮我们把自己变好。