
“A math PhD here, just tell me what to do tomorrow.”
10 月,3Blue1Brown 的 Grant Sanderson 把这条读者留言放进了视频“There’s never been a better time to go into math”开头。他前一周发帖征集问题,留言里很多是读数学或打算读数学的学生,问的都是接下来该干什么,连他聊过的不少教授也给不出答案。
两个月前我发过一篇《AI 五分钟解了你一周的 bug,然后你不开心了》,结尾说,AI 秒杀了难题,你还在想“这本来应该是我来解的”,那你守的只是领地。把那位数学博士的追问摆在旁边再看,这个判断下得太快了。
视频里,Grant 打了个健身房的比方。机器能举起比人重得多的杠铃,这并不妨碍你去健身房举铁练力气。
他把这个比方推到了极限。就算未来机器在证明定理、挑选猜想、搭建理论和寻找应用上全面胜出,连“人负责提问”都不成立,数学在科学和工程上的用处也确实该交给机器。
到这一步,大多数数学系毕业生本来也没打算当数学家,他们带着练出来的解题本事去了别的行业。只要这份本事还有用,机器更强就不会抵消训练本身的价值。
他还提到一种常被低估的满足,看懂一个巧妙解法时,脑子里像有东西扣上了。
写代码也是同样的道理。AI 已经把补丁写出来了,自己还是想把整条因果推一遍,搞清楚两个请求为什么互相等待、某个状态为什么到不了。把这种弄明白的劲头一律划成守旧,就把问题看窄了。
Grant 也承认,在那个假设里,第一个踏进新理论的兴奋感会打折扣。旧文里写“守领地”时,我只算了“谁先做出来”这一层成就感,把练本事和弄懂问题本身的乐趣一并漏掉了。
乐趣可以各取所需,练本事却是实打实的账。今年 1 月,Anthropic 发过一项随机实验,把“完成交付”和“自己学会”分开测了一次。52 名以初级为主的工程师用不熟悉的 Python 异步库 Trio 写两个功能,交卷后立刻参加测验。
两组完成任务的速度接近,AI 组平均只快了两分钟左右,统计上还不显著。但紧接着的测验里,手写组平均得分 67%,AI 组只有 50%,其中调试题的分差最大。
研究后来按用法把参与者分了组,追问 AI 原理、要它解释概念的几组得分不低,把写代码或调试整块交给 AI 的几组平均不到 40%。不过这是事后分组,每组只有二到七人。实验也没有回答隔几个月或换个库之后差距还在不在,不能据此断定某种用法一定更有效。
这组数据已经把一件事拆清楚了。功能跑通了,不代表写代码的人会修它。 验收只看测试过没过,看不出换个条件后你还能不能独立排查。
照这个结果,练手时没必要把 AI 关掉,让它回答为什么、指出边界条件,核心那段逻辑自己写。

读完 AI 给出的完整实现,每行都能看懂,人很容易停在这里。真要检查自己有没有学会,可以把屏幕上的代码先移开,拿纸或空白文件重写一遍状态流转和分支条件。
原先觉得顺理成章的地方,离开答案却接不下去,露出来的就是具体的疑问。带着这个疑问回文档或最小程序里查,不用从头把整个库学一遍。
这套练法没有做过对照测试,也不在 Anthropic 的实验任务里。但比起对着完整答案逐行点头,隔天换个调用顺序还能推出来,多了一道实打实的校验。
说到这里,健身房的比方其实漏了一个前提。去健身房举铁花的是自己的时间,没有人在等那块杠铃上线;写代码大多发生在团队协作里,动手还是用 AI,先得看这段时间归谁。
线上出了事故、当天要封版,问题能复现、测试能兜住,AI 几分钟给出的修复就该直接用。这时候为了自己过瘾关掉工具推演几个小时,延期的代价算在整个团队头上。
周末没有排期压着,自己用 C 写一个小解释器,本来没人在等它上线,用不用 AI、亲手写多少,全凭自己高兴。
真正容易卡住的,是在团队排期里顺便练手。把练手混进交付排期前,先跟负责人确认这段时间算不算学习时间。
算的话,就把来龙去脉摸透再交卷。不算的话,先让 AI 把问题修好上线,把想弄懂的那段留到没有交付压力的时候,拿同一个问题亲手重写一遍。要是每次排期都只认交付、不算学习,学东西就全挤进了私人时间,这笔账光靠个人算不平。
文中链接
- “There’s never been a better time to go into math”https://www.youtube.com/watch?v=LKrwhjOI8Nc
- 随机实验https://www.anthropic.com/research/AI-assistance-coding-skills
