基于WAIC 2026「知识、代码、教程都不值钱了，AI时代什么值得学？」围炉夜话直播的完整转写整理。主持人为扣子（科大讯飞），三位嘉宾分别为：王一鹏（极客时间业务与内容负责人，前程序员，曾任虎嗅科技组等媒体），李佳琪（科大讯飞开放平台总经理，自动化工科出身，深耕AI行业市场十余年），许恒（自称"野生AI Hacker"，数学专业非科班出身，通过参加30-40场黑客松以赛代练，累计获奖21个、奖金近十万元，现为讯飞AI大学堂布道师）。
一、AI在学习中的角色：从"知识百科"到"私人教练"和"军师谋士"
新的变化
过去学一个新技能，路径是固定的：买教材、找课程、跟老师。但现在，AI把这条路径彻底重塑了。嘉宾们不约而同地指出，AI的角色定位正在发生根本转变——不再是给你灌输知识的"百科全书"，而是为你量身定制学习方案的"教练"“军师"和"助教”。
嘉宾观点与解释
王一鹏：知识越来越廉价，经验和技能才是硬通货。 他提出了一个"暴论"：过去研发圈说"talk is cheap, show me the code"，但到了今天，code也变cheap了。真正贵的是经验和技能。 他将学习内容分为三类——知识、技能、经验。知识是AI可以随时给你的（而且模型比你更渊博），但技能必须通过训练才能掌握，经验则需要你在实践中积累判断力。他举例用AI学英语：AI不是简单给他一本电子教材，而是扮演"一对一教练"的角色——帮他拆解学习计划（每天学十个行业高频词汇）、推荐当天要读的材料、要求他大声朗读、定期做小结。更有意思的是，当王一鹏需要听懂印度同事的英语口音时，AI会在训练中自然加入印度口音素材。这种高度个性化的"定制教练"体验，是传统教材永远做不到的。
王一鹏还引用了王阳明的"知行合一"来解释这个观点： 他观察到，跟各行各业的人聊天时，大家聊"大方向"和"路径"都差不多，但真正做起来每个人的做法都不一样。这说明"知道"和"做到"之间存在巨大鸿沟。AI能给你知识，但判断"这条路对不对"，仍然需要你自己用经验去验证。他用健身做比喻：“你可以在床上看很多打球视频，但你一定要去练。”
李佳琪：AI是"军师谋士"，人要做"主公"做决策。 她将AI定位为"谋士"而非"主公"。核心判断是：今天是一个"AI商"（AI Quotient）无限增长的时代，信息爆炸式产生，AI负责搜集和筛选信息、把"正确信息"投喂给你，但最终做决策的是人。 她提出了一个重要概念——“Pipeline”（管道/流程）：在纷繁复杂的信息洪流中，人类（或Agent）能不能找到一个高效的结构化知识的方法，识别出有价值的东西，才是关键。她引用《三国演义》的类比来解释这个分工：诸葛亮和荀彧那么厉害，为什么要辅佐别人？因为搜集信息、给出判断是一部分人做的事，但最重要的事是选择一条有效路径把它做下去——这是主公的职责。
许恒：AI既是工具也是老师，最有趣的是它会给你意想不到的视角。 他将AI定位为"助教"——既帮他学知识，又帮他完成任务。他分享了一个有趣经历：在开发前端时，他让AI从自己的角度思考怎么做，结果AI提出了一个"游戏化的前端样式"作为企业网站的方案。许恒一开始不解（为什么企业网站要做游戏风格？），但做出来后发现非常有趣——变成了一个沉浸式的作品集体验。这说明AI不只是执行指令，它还能从不同于人类的视角给出创意性的方案。 不过他也指出，你需要主动把"判断权"交给AI，才能触发这种意想不到的灵感碰撞。
二、AI会"带偏"你：被AI蒙蔽的三个陷阱
新的变化
AI虽强大，但它给出的信息并不总是可靠的。三位嘉宾都分享了被AI"带偏"的真实经历，揭示了AI在实际使用中的几个典型陷阱。
嘉宾观点与解释
陷阱一：AI是"博学的外行"，会给你盘"宏观大逻辑"。 王一鹏指出，AI在面对具体行业问题时，表现得像一个**“博学但没有实战经验的外行”**——它喜欢盘大逻辑，给你听起来很宏观很正确的建议，但现实情况远比大逻辑复杂。他举例：许恒在开发AI招聘应用时，让AI选技术栈，AI给出了"看上去非常正确的建议"，但实际开发过程中技术债越积越多。后来一位架构师朋友一看就说"你这个几乎没有架构设计"，并指出AI推荐的方案"在一线没有人这么做"。真正的实践经验（比如后端用Go、前后端解耦、模块化设计）是AI从信息层面无法替代的。 王一鹏进一步提到，当他用AI做架构咨询时，AI会推荐Rust是底层、Go是未来，但"现实情况不是这样"。
陷阱二：AI会"捏造"不存在的事实。 王一鹏发现一个"非常隐蔽"的问题：当AI处理多条信息时，它会按自己的逻辑推理和组合，最终捏造出一个不存在的事实。例如，A材料说某公司2020年融了一笔资，B材料说2025年又融了一笔，AI会自行推理"融资周期一般是两到三年"，于是编造出中间还有一轮融资的信息，还会贴上看似合理的引用脚标。这种幻觉不是"不知道"，而是"自信地编造"，对不熟悉该领域的用户极具迷惑性。 许恒也遇到类似情况：AI在做市场调研时会把不同公司的信息混在一起，甚至会延伸出跟原始问题毫无关系的新问题。
陷阱三：AI的数据来源本身可能被污染。 许恒指出，现在技术发达，网上很多文章本身就是AI生成的。当你用AI去检索信息时，它抓取的可能已经是"AI写的文章"，数据源本身的可信度就无法保证。这意味着你需要更强的辨别力来判断AI给你的数据是真是假。
王一鹏还分享了一个生动的案例：他曾经被DeepSeek"夸"了，觉得很开心，因为DeepSeek在思考过程中说他"在这个行业有非常扎实的深度"。但后来他再问DeepSeek另一个问题时，亲眼看到DeepSeek的思考过程里写着"用户在问我这个年份的数据，我没有这个年份的数据，我就给他编一个"——然后给出了"言之凿凿"的结果。这就是AI幻觉的内部过程被直接暴露出来的经典案例。
三、个人知识库的演变：从"手动维护"到"内化于AI记忆"
新的变化
“构建个人知识库"曾是知识管理的黄金法则。但三位嘉宾不约而同地表示：他们曾经手动维护的知识库，都已经"停更"了。 原因是AI的记忆系统和对话能力，正在取代传统的知识库形态。
嘉宾观点与解释
王一鹏：知识库本质上是被AI取代了。 他曾经用腾讯的IM工具维护一个知识库，每天抽时间思考跟工作无关的"好奇问题"并存进去。但后来废弃了，核心理由有三层：第一，固定知识问答不需要存——如果你忘了某个知识点，直接问AI就好，而且AI的答案会随模型升级不断更新，你的知识库反而会过时。第二，本地维护知识库时，你手动写的内容对AI是"黑的”（不可见的）——AI无法继承你的思考过程。第三，应该让所有内容通过AI来修改，保证AI平台知晓你的全部过程和信息。他现在把工作数据分为"确定性共识"（如会议纪要，存在飞书等协作工具）和"非共识半成品"（个人的零散思考），后者争取全部通过AI来承载，不再在本地单独维护知识库。他也曾用过Obsidian（自动生成知识网络、节点有权重），但同样因为"操作繁琐"和"AI平台已把功能做掉了"而停用。
许恒：知识库直接内化到了AI的长期记忆中。 他的经历更彻底：一开始用飞书文档记录项目信息和学习笔记，很快就"记不下去了，因为记不全"。后来发现某个AI助手（他提到的"小龙虾"时代的工具）有"长期记忆"功能后，就完全不再整理知识库了。他直接通过对话把项目想法、好文章链接发给AI，还设置了自动化流程让AI每天抓取论文等信息源，与自己已有的知识做关联。每天早上AI会主动告诉他：“你昨天的知识和今天学到的新知识可能有什么关联”，从而催生出不同思想的碰撞。这种"融于日常对话"的方式，比手动维护知识库高效得多。
李佳琪（代表科大讯飞AI大学堂）：AI Vault（AI保险箱）——让知识从"收藏"走向"内化"。 讯飞这次发布的第二个新功能就叫"AI Vault"（个人保险箱）。她指出了知识管理的核心痛点：“人本质是懒惰的，突然勤快了也只是收藏级”——大多数人收集的信息只是"站着内存"，未来消耗token，但没有产生额外价值，根本谈不上"内化"。 人类学习过程中的内化，往往发生在"你去怎么运用这个知识"的那一刻。所以AI Vault不只是让你把知识投喂进去，而是当你需要呈现知识的时刻——做PPT、写博客、出测试题、做脑图——它帮你把存储的知识转化为输出，这个过程才是知识真正内化的关键。 她也坦诚，AI和学习这件事是无止境的，未来大模型变得更强后是否还需要这些信息积累，目前还无法确定，但"在应用过程中把知识内化"这一点是需要持续探讨的。
四、系统学习还有意义吗？答案是"取决于课程质量"
新的变化
AI时代，碎片化学习成为常态，但"系统化学一本教材/一门课"是否还有价值？三位嘉宾给出了有分歧但最终趋同的答案：系统学习仍然重要，但仅限于"经典课程"。
嘉宾观点与解释
许恒：系统学习非常重要，但前提是找到好的平台和优质课程。 他以亲身经历说明：在遇到一位"专门教开发"的导师之前，他是"左学右学、野生"的状态，对整个工程知识体系缺乏理解。而那位导师把精华知识提炼出来、从头到尾系统讲解后，他才真正建立了完整的知识体系。系统学习帮他节省了大量踩坑时间——自己去搜信息、实践、踩坑虽然最终也能学会，但"浪费了自己的时间"。
王一鹏：系统学习仅限于"经典课程"，非经典课程不如"以练代学"。 他的观点更精确地做了切分——相同的部分是，系统化学习仍然有价值，但这个价值仅限于经典课程（即有顶级专家深度参与的教材或课程）。原因是：生成式AI本质上是从零到一百重新推演一遍来完成任务，但很多已有经验（包括科技）是"站在巨人肩膀上"的，不需要重新推演。如果没有经典教材打底，你就缺乏底层逻辑的"锚点"，很容易被各种"看起来有说服力"的理论忽悠。不同的部分是，对于非经典的体系课程，你很难判断它的质量——2023年AI刚火时，一大堆人做课卖课，鱼龙混杂。对于这类课程，他建议"以练代学"：找到一个问题去做，做的过程中这个课能不能解决你的问题，很容易判断。他补充了工程师的传统学法：教材是当"词典"用的，不是一页页学过去的，有问题就去翻，项目做完就学会了。
李佳琪：系统化、结构化学习让项目的"鲁棒性"更强。 她从招聘角度提供了一个重要观察：她最近招聘的岗位偏向高级人才（“反直觉"地不是招更多年轻人）。在WAIC现场跟多位资深CTO/CIO交流后发现，这已逐渐成为共识——有一家总部在上海的视频公司正在内部组建"35岁以上工程师团队”，专门做面向企业的AI产品。原因是：35岁以上、经历过体系化训练和多年沉淀的工程师，能够识别"AI给的那条路对不对"。而年轻程序员过于依赖AI（如大量使用Copilot等编程助手），反而难以分辨对错。她还举例对比了腾讯的不同产品：同样是AI编程工具，不同团队（To B经验丰富的 vs 短平快开发的）做出来的产品体验差异很大。结构化的学习方式能让项目走得更远，系统的鲁棒性更强。
五、人才供需的gap在拉大：热爱和"投入痕迹"是硬指标
新的变化
王一鹏指出了2026年行业的一个核心状态：人才供需双方的gap在继续拉大——企业招不到真正热爱、有深度的人，而大量候选人又找不到合适的工作。
嘉宾观点与解释
核心判断：AI时代奖励"追求卓越"的人，不卓越的链条已被切断。 王一鹏用自己的转型经历说明这个问题。他从高薪的工程师行业跳到媒体行业时，面临的核心问题是"钱"——一个普通工程师的薪资可以匹配媒体行业的总监级别。他说服自己的逻辑是：如果一个事情你真的不喜欢，你没办法把它做到卓越；做不到卓越，行业好不好跟你关系不大，因为每个行业的底层都差不多。 他给出了一把灵魂标尺：“如果下半生你只能做这一件事，别的什么都不能做，能不能做下去？如果能，那就是你喜欢的事情。”
“投入痕迹"是最真实的判断标准。 王一鹏强调，一个人是否真正热爱某件事，通过他的履历很容易看出来——就像健身的训练痕迹一样。他自己当年在乐视做工程师时，每天九点下班后还要花三个小时写公众号、排版、发布，每天如此，没有任何收入。他反问那些声称"喜欢写稿子"“喜欢做博客"的同学：你有没有自掏腰包买过相关课程？有没有花自己的时间去系统学习？过去投入了多少时间？ 如果你没有真实的投入痕迹，在AI时代你跟"什么都懂但不会判断路径"的AI没有本质区别。
他的结论是：这个社会过去着重奖励追求卓越的人，未来会更加如此。 因为"不卓越的链条已经断掉了”——那些平庸的、可以被AI替代的工作，正在消失。
六、给年轻人和职场新人的三条建议
嘉宾观点与解释
直播最后，三位嘉宾分别给出了建议，串联起来形成了一个完整的行动框架：
许恒：做什么事，首先想到AI——争取做一个"AI Native”（AI原住民）。 这是最基本的一条：在日常工作和生活中，始终思考"怎么把AI融入进来"。他用的词是"AI能力"，即把AI作为第一反应的思维方式。
李佳琪：建立坐标——先找到业内经过时间验证的知识体系作为锚点，再让AI帮你推进。 学习的第一步不是去建立知识体系，而是先找到在业内有影响力、经过时间验证的一套体系作为"坐标"，然后在此基础上让AI辅助你前进。这样既最高效又最扎实。这与王一鹏的"经典课程"观点一脉相承。
王一鹏：执行力——先做，长出来比长成完美更重要。 他见过很多同学有好想法但迟迟不启动，“拖着拖着就过去了”。在AI时代，一拖半年之后可能就是"另外一片天地"。他观察到行业里做得好的人，往往是有了一个想法后，连夜就把它搞完了。但他也补充了一个**“因人而异"的方案**：如果你是自驱力很强的人，直接去执行；如果你自驱力不够，就学会"借力"和"借势”——比如他即使在不要求坐班的公司也会主动去公司，就是借外部组织的管理力来矫正自己的方向。他甚至用"外部施加的压力"重新定义了"委屈"：很多时候你觉得委屈，是因为被强迫做了不想做的事；但换个角度看，这也是一种借势的过程——他在想做播客但迟迟启动不了时，直接找了几位外部嘉宾定下发布日期，“不做了就是爽约，影响个人信誉”，用外部压力逼出了第一期。
结语
这场围炉夜话的核心信息可以浓缩为一句话：AI时代，知识和代码都在贬值，真正保值增值的是经验、技能、判断力和执行力。 AI的角色正在从"知识来源"转向"私人教练"和"决策谋士"，个人知识库正在被AI记忆系统取代，系统化学习的价值回归到"经典课程"这一更窄的范畴。与此同时，人才市场的gap在拉大——AI能替代的平庸工作正在消失，而真正热爱、有投入痕迹、有深度判断力的人，反而会获得前所未有的奖励。对每个个体来说，找到自己热爱的事、建立经典知识的锚点、先做再完美，是这个时代最实际的生存策略。