上一篇我们拆开了一个机制：当一个体系开始奖励”流程的完整”而非”内容的真实”，它就会源源不断地生产出完整的流程和空洞的内容。

这一篇要回答一个紧随其后的问题——如果那些空转的环节早已没有内容，而AI恰好极其擅长生成流程和文书，那么：边界到底在哪？什么能被替代，什么不能？

我不打算给一个模糊的”AI有优势也有局限”式的平衡结论。我要把刀口切在一个具体的区分上：表演层 vs 物质层/创造层。这两者之间的那条线，就是边界。

一、表演层：AI已经做得比平均水平好的事

先定义什么是”表演层”。

表演层指的是：那些形式完整、但内容可以被模板化生成的环节。它们的特征是——做完之后，产出的不是新知识、不是新技能、不是真实的改变，而是一份文档、一次汇报、一个流程记录。

具体来说：

信息传递。 一个老师站在讲台上，把教材里写好的知识复述给学生听。这件事，AI已经能做得更好——不是好一点，是质的不同。清华开发的maic.chat就是一个例子：你告诉它你想学什么，它自动生成课件、出题、陪你对话讨论。它不会迟到，不会嘲讽你的问题，不会布置”看电影写观后感”这种作业。它没有坏心情的下午。

我在985学校试图和老师讨论专业前景时被嘲讽，给计算机老师发邮件从未得到回应。而maic.chat和Claude这类工具有一个很低的、却很多人类老师达不到的底线：有问必答，不带情绪。

当然，”有问必答”不等于”答得对”。这个缺陷我后面会展开。但在”响应学生的困惑”这件事上，一个永远在线、永远不嫌烦的工具，确实比一个拒绝回邮件的教授强——这个标准低得让人难堪，但它是真实的。

文书生成。 项目申请书、结题报告、综述、PPT——上一篇里那些科研项目最终产出的东西，AI几乎可以完全替代。而且替代的不只是写作速度，更是那套”把摩托罗拉装进苹果15盒子”的包装技术。如果一个系统的验收标准只是”文书规范、图表漂亮、每句话有出处”，那AI在这件事上已经超越绝大多数研究生。

综述整理与基础答疑。 研究生花三个月读文献、写综述。AI半小时能生成一份结构清晰、覆盖面广的综述草稿。一个本科生带着基础问题来问——什么是傅里叶变换、什么是P/NP问题、某个历史事件的背景是什么——AI的回答在准确性和耐心上，大概率高于一个每学期带八十个学生、根本记不住你名字的助教。

标准化考核。 随便交一篇文章、老师随便打个分——这是我亲历的”考核”。AI能做的不是”也随便打分”，而是真的读你写的东西、给出具体反馈、指出哪里逻辑断裂。这件事本来该是老师做的，但当一个班有一百个学生、老师同时在写三个项目申请书时，他做不到。AI做得到。

综合来看，表演层有一个共同特征：它的质量瓶颈不在知识本身，而在时间和精力。 一个老师如果只有一个学生，大概率能把课讲好、把反馈写细、把邮件回掉。但系统没有给他这个条件。AI没有这个约束。这就是为什么在表演层上，AI”比平均水平好”这个判断成立——它比的不是最好的老师，而是一个被系统压榨得无暇顾及教学的普通老师。

还有一件事我必须说：AI不会侮辱你。不会嘲讽你提出的问题。不会对你的困惑表现出轻蔑。不会因为你追问”这个专业有没有前途”就让你闭嘴。它也不会性侵学生、不会暴力对待学生——这些话不该需要说，但现实让我不得不说。当体制对学生基本安全的保护都是缺位的，一个工具提供的”物理性安全”反而成了优势。这个事实让人悲哀，但它是真的。

二、物质层/创造层：AI碰不到的东西

现在切另一面。

AI能替代表演层，但表演层不是大学应该做的全部事情——它只是大学实际在做的大部分事情。如果大学真的在做它本该做的事，那些事情，AI替代不了。

真实实验的物质成本和不确定性。 上一篇那位作者算得很清楚：一只裸鼠150块、建模成功率50-60%、一个面上基金只够试错一两次。真正的科研有不可压缩的物质层——你得真的把药注射进老鼠体内，真的等70天观察反应，真的面对”建模失败了”这个事实。AI能帮你写实验方案、做数据分析、甚至预测可能的结果，但它不能替你承受那70天的等待、那50%的失败率、那只死掉的老鼠。知识的前沿是用物质和时间堆出来的，不是用文字生成出来的。

原创问题的提出。 AI极其擅长回答问题，但它不会自己产生问题。真正推动知识前进的不是”把已知的知识传递给下一个人”（这是表演层），而是”看见一个别人没看见的问题”。爱因斯坦不是因为把牛顿力学学得比别人好才提出相对论的，而是因为他注意到了一个所有人都在用、却没人追问的假设。这种能力——对”理所当然”的事物产生不安——是人类认知里最珍贵、也最难量化的部分。AI是在人类已有知识上训练出来的，它能重组、能类比、能延伸，但它不能对自己的知识感到不安。

“把一个人点燃”的师生关系。 我在第一篇里说过，DeepSeek描述的那种”人点燃人”的教育，我在985从未遇到。但我不否认它存在。一个老师对自己的领域有近乎天真的热爱，那种热爱是有感染力的——不是因为他讲得多好，而是因为你能看见一个人真的在乎一件事。这种体验AI做不到。不是因为技术不够，而是因为它没有”在乎”。它可以模拟热情的语气，但它对数学没有真正的着迷，对文学没有真正的心碎。它没有人生，所以它不能用自己的人生经历去共振你的困惑。

但我要加一个残酷的限定：这种老师极其稀缺。我在一所985读了几年，一个都没碰到。如果你一辈子遇不到这种老师，那”AI无法替代好老师”这句话对你来说就是一句空话——它在描述一个你接触不到的东西。这就是为什么”AI能替代大部分大学教学”这个判断，对大部分学生来说，是成立的：不是因为AI能替代最好的教育，而是因为大部分学生从未接受过最好的教育。他们接受的是表演层，而表演层可以被替代。

三、诚实地说：AI的缺点

如果我只写AI的好处，这篇文章就变成了广告。我亲自使用这些工具，我必须告诉你它们的问题：

它会编造。 AI会一本正经地捏造不存在的文献、不存在的数据、不存在的案例，而且编得非常流畅，让你完全看不出来。它不是在”说谎”——它没有说谎的意图——它只是在预测”下一个最合理的词应该是什么”，如果编造比承认”我不知道”更符合语言模式，它就会编。这意味着：用AI学习时，你必须有独立验证的能力。如果你连验证都做不到（比如你完全不懂这个领域），它可以把你带到沟里去。

它没有真正的理解。 它在做模式匹配和概率预测，不是在”思考”。在大部分情况下这不影响使用，因为大部分知识传递本来就是模式匹配。但当你碰到真正反直觉的、前沿的、需要打破已有框架的问题时，AI很可能会用一个自信的、流畅的、完全错误的答案把你糊弄过去。而且你越不懂，越难发现它错了。

它对你不负责。 一个真正的老师——哪怕是一个很普通的老师——如果你挂科了、退学了、出事了，他至少在制度上要承担一部分责任（虽然现实中这种责任往往被逃避）。AI不承担任何后果。你学废了，它不会失眠。你做了错误的人生决策，它不会内疚。这意味着使用AI学习需要更强的自我负责能力，而这恰恰是很多本科生还没发展出来的。

它不会逼你。 好的教育有一部分是不舒服的——被追问、被要求重新想、被拒绝一个偷懒的答案。AI太好说话了。你给它一个草率的回答，它会说”这个角度很有趣”然后帮你展开。它不会说”这个论证有三个漏洞，你回去重想”。它的默认模式是顺从，而顺从不是教育。

四、那条线到底在哪

综合以上，边界其实很清楚：

能被替代的：信息传递、文书生成、综述整理、基础答疑、标准化考核反馈——一切”形式完整但内容可模板化”的环节。这些环节目前占据了大学教育和科研活动的大部分时间和精力。

不能被替代的：真实实验的物质操作、原创问题的提出、对学生负责的制度性约束（虽然它常常失效）、以及那种极其稀缺的”一个人用自己的热爱点燃另一个人”的师生关系。

问题在于——被替代不了的那部分，本来就只占这个体系运转的很小比例。大部分大学、大部分老师、大部分课程，提供的就是表演层。

这就是为什么说”AI不能完全替代大学教育”是正确的，但同时”AI能替代大部分学生实际接受到的大学教育”也是正确的。这两句话不矛盾，因为大部分学生实际接受到的，不是大学教育应该有的样子。

五、一个更值得思考的角度

最后我想把这条边界翻过来看一面。

如果AI能替代的是表演层，那真正被威胁的不是”好老师”，而是”只在表演层运转的老师和制度”。一个真正在乎自己研究的老师、一个真的能把学生点亮的老师、一个真的在前沿推进知识的研究者——AI对他们不是威胁，是工具。它帮他们处理掉文书、综述、基础答疑这些消耗精力的事务，让他们有更多时间做真正重要的事。

被照出来的，是那些早就空了、只靠制度惯性维持的位置。那些位置上的人，不管有没有AI，都没有在创造价值。AI只是让这件事变得更难假装了。

而对一个学生来说——尤其是像我这样、在大学里几乎没有遇到过真正教育的学生——AI提供的不是”取代老师”的方案，而是一条绕过空转体系的路。你不再必须坐在画室里从九点到六点假装在接受教育。你可以自己决定学什么、怎么学、什么节奏。

但这也意味着：你得自己对自己负责了。没有人替你验证AI说的对不对、没有人逼你重新想一遍、没有人在你走偏时把你拉回来。自由和责任是一体的。

这是下一篇要谈的事——当学历不再是唯一的路，投入产出比要怎么重新算。