AI 时代最该学的三门学科：从「押职业」转向「建坐标系」

一句话结论：AI 时代最该投资的不是某个专业，而是一套不会被技术迭代清空的知识底座——广义物理学、逻辑学、数学。前者让你理解世界的约束，中者让你从已知合法地推出未知，后者让你把模糊的现实变成可算的对象。三者合起来，是一个能装下任何陌生领域的“平坦坐标系”。

一、问题的真正形状：不是“选专业”，而是“在不可预测中下注”

先看事实。

ChatGPT 发布到现在不到四年，AI 已经从“能聊天”变成“能干活”：写代码、剪视频、做设计、拟合同、读财报、出诊断建议。软件开发与内容创作这两条产业链正在被重写，而这两条恰好是过去二十年吸纳了最多年轻人的行业。

对刚毕业的人，这是职业危机；对还在读书的人，这是一个时间窗口——他们还有五到十年可以调整知识结构。

但真正难的地方在于：没人知道该往哪儿调。

主讲人提到一个很具体的处境：他的孩子今年 11 岁，距大学毕业还有约 10 年，距成为社会中坚还有约 20 年。二十年后哪些职业还在、哪些技术还有价值，无人能够预测。牛顿无法预见一百年后的电气化时代，爱因斯坦也无法预见二十年后的互联网世界——我们同样无法预见 AI 诞生二十年后的样子。

所以问题必须换个问法：

不是“未来哪个职业最有前途”，而是“在无法预测未来的前提下，什么样的知识值得优先投资”。

这是本文要回答的唯一问题。 下面先论证为什么 AI 革命要求我们换问法，再论证为什么答案恰好是这三门学科。

二、AI 革命与历史技术革命的真正区别

把 AI 类比蒸汽机和电力，对了一半。

对的一半：历史上的技术革命确实在消灭旧岗位的同时创造新岗位。汽车取代马车，却造出了汽车制造、维修、驾驶、公路建设；计算机取代人工计算与文书，却催生了软件工程与 IT 服务。这个规律让人对 AI 保持乐观。

不对的一半，是关键区别：

过去的技术革命扩展的是人的体力与机械生产能力；这一次，AI 直接接管的是人的部分核心脑力——专业知识、经验、判断。

这个区别不是修辞。AI 不只写代码，它参与架构设计、测试、优化，甚至需求分析；不只画图，它理解风格、生成方案、迭代修改。过去被当作“人类专属”的那一层能力，正在被一层层剥开。

于是出现了一个历史上前所未有的困境：

过去，一项技术淘汰某些工作，人还可以学新技能、转新职业——路径是清晰的。
今天，人们甚至无法确定：自己正在学的这项技能，会不会在毕业前就被替代。

这才是危机感的真正来源。不是“AI 会抢走工作”，而是“技能的半衰期，第一次短于一个人的学习周期”。

而技术演进又是涌现式、爆发式的：电力商业化约 150 年，个人电脑与互联网普及约 30 年，智能手机不过十几年——每一次都在几十年内彻底重塑了生活与工作方式。指望“看清趋势再下注”，在时间上是不成立的。

推论：既然无法预测具体职业，就不要再把赌注押在“具体技能”上，而应押在那些无论技术怎么变都依然有效的东西上。这就把问题从“选什么专业”转化为“什么知识的折旧率最低”。

三、三个判据，如何筛出三门学科

原文在这里直接给出了结论。但结论要站得住，中间必须补一座桥——凭什么说这三门就是折旧率最低的？

我给三个判据：

判据一：不变量。 这项知识描述的对象，是否会被 AI 改变？ AI 能改变做事的方法，但改变不了事情背后的规律。它可以让 EDA 工具的仿真流程更强大，却改不了电磁规律、信号传播、材料特性；它可以造出更强的诊断工具，却改不了人体结构、生理机制、疾病特征。凡是“约束”层面的知识，AI 只能服从，不能修改。

判据二：可迁移性。 这项知识是否只在单一场景有效？一门具体技术（某个框架、某个软件、某种剪辑手法）迁移半径极小；而“世界如何运作”“如何合法推理”“如何量化”，在任何领域都要重新用一遍。

判据三：复利性。 这项知识是否让下一次学习变便宜？好的基础知识不只本身有用，还会降低你学其他东西的成本——像投资里的复利：本金产生收益，收益再产生收益。

用这三条去筛，会得到一个很短的名单：

满足“不变量”的，是客观世界的运行规律——广义物理学；
满足“不变量”且管推理合法性的，是逻辑学；
既是不变量、又是通用语言的，是数学。

反过来看被筛掉的：编程语言、剪辑软件、提示词模板、某个行业的具体流程——它们都在“抽象层”之上，是被覆盖的对象，不是底座。它们会随工具迭代而失效，正好违反判据一和判据三。

补充论点：这不是说具体技能不用学，而是说它们的学习顺序变了。底座先立，技能后学——因为技能会被替换，底座不会；而且有了底座，学新技能的速度会更快。

四、广义物理学：理解客观世界的约束

1. 它是什么

“广义物理学”是主讲人的个人提法，可理解为“万物之理”，接近美国小学里的 Science 科学课。学习重点不是背公式、记科学事实，而是理解客观世界背后的运行规律。

它包含传统物理（力学、热学、电磁学，再深一层是相对论与量子力学），也包含基本化学、生物学及其他自然科学。本文讨论范围限于理工、经济、金融等方向；文学、艺术与人文社科另有一套价值坐标，不在本篇射程内。

2. 关键方法：抽象

物理学之所以能“管”化学和生物，靠的不是万能公式，而是抽象：

化学研究分子、原子与物质性质变化，而原子分子的结构与相互作用，归根结底服从电磁学与量子力学。但化学工作者不必每次从物理方程开始推导，直接用化学键、分子结构、化学反应这些概念即可。
生物学研究细胞、DNA、蛋白质，生命活动离不开化学反应与物理相互作用。但生物工作者研究遗传、代谢、进化时，用的是细胞、基因、自然选择这些更高层次的概念。

抽象的价值：不必处理所有底层细节，也能理解和分析更高层次的问题。每一层抽象都是一次“封装”——把下层的复杂性收进黑箱，只暴露出可操作的接口。

3. 软件史就是一部抽象史，AI 编程是下一层

这是全书最锋利的一段类比。

计算机软件的发展，本质是不断抽象的过程：机器码 → 汇编语言（人能读，但仍不友好）→ 编译器与高级语言 → 框架、库、云服务。今天程序员的核心竞争力，早已不是让机器逐条执行指令，而是理解现实世界的问题，把它抽象成软件模型，再用架构、算法、数据结构实现出来。

而今天的 AI 编程，是对程序员工作的再一层抽象：它接管了相当一部分架构设计、算法选择、代码实现。在 AI 编程大行其道的今天，很难想象还有程序员从头敲代码。

但主讲人的反问更值得记住：

更难想象的，是一个不掌握真实世界客观规律、无法对现实建模的人，仅凭指挥 AI 就能完成复杂软件产品的设计。

4. 补充：抽象悖论

原文到这里就收了。我想把它再推一步，因为这里藏着一个反直觉的结论，我称之为抽象悖论：

抽象层次越高，对底层判断力的依赖反而越强。

理由很简单：AI 是在抽象层替你工作的。它能生成一份结构漂亮、逻辑自洽的模型或方案，但它不知道这个模型是否对应真实世界。层次越高，错误越难被发现，而错误的规模越大——底层一处建模偏差，会在上层被放大成整个系统的崩塌。

AI 的“幻觉”本质上就是这个悖论的产物：它把文本当成可以自由组合的符号，而符号组合的合法性由概率决定，不由现实约束决定。物理学训练提供的，恰恰是“这个说法在现实中不可能成立”的直觉。

所以结论不是“AI 来了，物理可以不学”，而是AI 越强，越需要有人能判断它给出的模型对不对。这也解释了为什么在电子工程、医学这些领域，AI 增强的是流程，而不是规律。

抽象改变的是解决问题的层次和方式，而不是问题背后的客观规律。掌握这些客观规律，正是人驾驭 AI 的核心竞争力。

五、逻辑学：从已知推导未知的合法性

如果物理学回答“世界是什么样”，逻辑学回答“从这个结论能不能走到那个结论”。

它教的是正确思考的方法，而方法体现在一串看起来很朴素的概念上：

事实与观点的区别；
充分条件与必要条件；
相关性与因果性；
个体案例与普遍规律；
可能性与必然性；
可证伪性——为什么一个无法被证伪的经验性主张，通常是伪科学。

概念不难，但日常生活的逻辑错误比想象中多得多。原文举的五个例子，值得逐个过一遍：

① 汉堡是垃圾食品吗？ 拆开看，全麦面包、生菜、洋葱圈、优质牛肉饼都是健康食品。那么“汉堡是垃圾食品”是事实还是观点？判断依据到底是什么？——这题的关键不是答案，而是你凭什么这么判。

② “只要努力就能成功”对不对？ 努力是成功的充分条件、必要条件，还是什么都不是？——绝大多数励志话术的毛病，是把必要条件说成了充分条件。

③ 喝咖啡的人平均寿命更长。 这是统计相关性还是因果性？会不会是“更关注健康的人更可能喝咖啡”，甚至“长寿的人后来才开始喝咖啡”？——相关不等于因果，这是最贵的一课。

④ “AI 已经产生自我意识，只是隐藏着没表现出来。” 你如何证明它是错的？如果无法证伪，是否就该认同？——这是可证伪性问题。一个永远无法被推翻的主张，在经验科学里没有信息量。

⑤ 某大神推荐三只股票，说下个月翻倍，结果真的全翻倍。 该不该从此跟着他炒？这和听巴菲特长期持有标普 500 有什么不同？——正确反应不是“信谁”，而是考察建议背后的原理与数据依据。一次命中不能证明方法有效，只能证明这一次运气好。

这些例子看似无关，背后是同一套动作：检查结论能否从已知前提中推导出来。

补充：AI 时代逻辑学的三个具体用法

原文只说了“逻辑是检验 AI 答案的武器”，太抽象。落到操作上，我建议三个动作：

要前提，不要结论。 让 AI 输出“你用了哪些假设”再给答案。前提错了，答案再漂亮也是废的。
要反例，不要支持。 追问“什么情况下这个结论会不成立”。能给出清晰反例边界的，才值得信。
分自洽与为真。 AI 生成的文本天然自洽——流畅性与正确性是两个正交的维度。一段话说得越专业，越容易让人跳过检验，这是它最危险的地方。

这也解释了一个反直觉的现象：AI 降低了获取答案的门槛，却抬高了判断答案的门槛。过去人的困难是“不知道答案”，现在人的困难是“答案太多，不知道信哪个”。当 AI 开始参与设计软件、管理投资、选择治疗方案时，没有判断力的“与 AI 协作”，实质就是盲从。

AI 可以替代我们完成越来越复杂的分析，却无法免除我们判断答案是否可靠的责任。

六、数学：把模糊的问题变成可算的对象

数学是一种语言，用来对现实世界做抽象、量化与建模。它既是自然科学的基础，也是逻辑推理的工具。

对普通人来说，不需要多高深：数量关系、比例、函数、指数与增长、概率统计，已经足够分析生活中绝大部分问题。

原文给了三个例子，都很实用，我把每个例子的“数学内核”点出来：

1. 4% 财务自由法则：假设决定结论

美国常用的口径是：年消费不超过总资产的 4%，即视为财务自由。但你真敢退休吗？

一旦建模就会发现，4% 背后站着一排假设：投资组合是什么？未来收益率与波动率多大？预期寿命多长？如果退休头两年就遇上资产大幅缩水，还能撑多久？

最后一个问题有个专业名字——收益序列风险（sequence-of-returns risk）：同样的平均收益率，先跌后涨和先涨后跌，对持续提款的组合是两种命运。这就是为什么“平均年化 7%”的漂亮数字，可能在真实提款路径上提前耗尽本金。

所以 4% 不是标准答案，而是一个在特定假设下成立的近似。理解假设，才知道它适不适合你。

2. 买房还是租房：先定义“划算”

想让 AI 帮你算“买房划算还是租房划算”“提前还贷划算还是投指数划算”，第一件事不是提问，而是定义：

“划算”指什么？某一时点净资产最大，还是每月现金流压力最小？
打算持有房产多少年？
对房价、房租、投资回报这些未知量，采用什么假设？

这些没定义清楚，AI 给的结果再精确也没有意义。模型的第一道工序是定义，不是计算。

3. 赌局与投资：下注比例决定生死

考虑一个赌局：赢的概率 80%，输的概率 20%。

只玩一次，你玩不玩？
一直玩下去，你玩不玩？
如果改成“翻倍 80% / 输光 20%”呢？
如果改成“翻 100 倍 80% / 输光 20%”呢？

把“赌局”换成“股票买卖”，问题立刻变得和钱有关。

补充：这道题的答案是凯利公式

原文把这道题留成了开放式思考。其实它有明确答案，而且答案会让人后背发凉。

设赔率 b（赢时赚 b 倍本金），赢的概率 p，输的概率 q=1-p，最优下注比例为：

f* = p − q / b

代入“翻倍 80%”（b=1）：f* = 0.8 − 0.2 = 60%——最优解不是全押，而是每次押六成。代入“翻 100 倍 80%”（b=99）：f* = 0.8 − 0.2/99 ≈ 79.8%——哪怕 100 倍赔率，也不该全押。

而如果每局都全押：翻倍局的破产概率是 1 − 0.8ⁿ，玩 10 局是 89%，玩 30 局是 99.9%。期望值为正的游戏，用错下注比例照样归零。

这道题的真正价值不在于算出 60%，而在于建立三个直觉：

期望值为正 ≠ 应该参与，还取决于下注比例；
重复博弈里，生存优先于收益——先保证不被清零，再谈复利；
现实中的“翻倍局”多数是概率被高估的赌局，你认为的 80% 可能只有 55%。

数学的价值不是算出正确答案，而是把现实问题抽象成模型，找到变量之间的关系，再用模型去分析和预测。

补充：计算准确 ≠ 模型正确

AI 让“算”这件事几乎免费了。但有三件事 AI 替不了：

给定模型的边界；
定义抽象层次与关键变量；
说明采用了哪些假设、适用于什么条件。

于是有一个必须记住的等式链：

数学计算的准确性 ≠ 数学模型的正确性 ≠ 与现实世界的一致性。

三层之间每一层都可能断裂。AI 只能保证第一层。

七、三者合起来：平坦的认知坐标系

到这里可以合盘了。

广义物理学：理解客观世界的运行规律；
逻辑学：从已知出发，合法地推导未知；
数学：精确地描述、量化、分析与建模。

把三者想象成三条轴，就得到一个坐标系。主讲人称之为“平坦的认知坐标系”。

“平坦”不是说知识都简单，而是：

一旦掌握了足够多的基础知识与思考方法，面对一个完全陌生的领域，也能找到理解它的起点。

具体怎么用？我把它的三个实际用法说清楚：

定位：遇到新领域，先问“它的物理约束是什么、它的推理链长什么样、它用什么量在描述”。三个问题下去，陌生领域就有了入口。
检验：AI 给出方案后，用三轴过一遍——符合现实约束吗？推理有断裂吗？量化的假设成立吗？
防伪懂：能说出名词不等于理解。真正理解的标志，是你能指出这个领域在哪儿会出错。

更重要的是复利：面对新领域时，你不必从零建立思考方法。已有基础是起点，新知识又成为理解更复杂问题的台阶。知识不仅本身有价值，还能不断降低学习其他知识的成本。

在 AI 时代这一点被放大：AI 让“获取知识”变得极便宜，但“把知识变成自己的理解”依然昂贵。基础框架决定的，正是后者的转化率。

八、必要的边界与三个反驳

一个论证如果不写边界，就没有说服力。这里补三处。

边界一：它不覆盖价值判断

物理学、逻辑学、数学能告诉你“是什么”和“能不能推出来”，但不能告诉你“该不该”。审美、意义、伦理、政治判断，属于另一套坐标。把理工框架当成万能钥匙，会得到一个精确但空洞的世界观。

边界二：框架是导航，不是驾驶

坐标系让你知道从哪儿开始，但不代替你走。没有真实项目的压力测试，这套框架只是一堆漂亮的名词。 这也是为什么原文特别强调“用在陌生领域”——只有进入陌生领域，框架才会真正受力。

反驳一：“AI 都会物理、逻辑、数学了，人学了还有什么用？”

这是最常见的误读。关键在于区分两种角色：

AI 提供的是候选答案；
人提供的是判定标准。

AI 可以穷举一万种方案，但不能决定哪一种对应你面对的真实世界。物理、逻辑、数学训练的不是“算得比 AI 快”，而是“看出 AI 错在哪里”。

反驳二：“普通人学不了高深数学。”

门槛不在微积分，而在概率统计与函数。本文所有例子——4% 法则、房贷、赌局——用到的数学不超过高中范围。真正稀缺的不是技巧，是把现实翻译成变量的习惯。

反驳三：“这不就是通识教育的老话？”

学科名单确实不新。新的是选择标准：不是“这些学科有文化底蕴”，而是“它们在三条判据上全部通过”。名单相同，依据不同，行动优先级也就不同——这才是这套说法值得认真对待的地方。

九、行动清单

给学生

物理当“因果训练”做：每学一个现象，追问“如果改一个条件会怎样”，把公式还原成机制。
逻辑当“拆句训练”做：每天拆一个你相信的判断——它是事实还是观点？是相关还是因果？
数学当“翻译训练”做：任选一个生活决策，写出它的变量、假设、边界，再交给 AI 算。

给家长

先别急着报编程班。工具类技能五年一换，底座类知识二十年有效。
用“你凭什么这么想”代替“答案是几”。判断力的训练发生在追问里，不在刷题里。
让孩子做一次完整建模：选一件他关心的事（买哪双球鞋、如何安排训练），自己定变量、做假设、看结果偏差。

给成年人

建立自己的“判据清单”：面对新知识，先问它是否会随工具失效、能否跨领域复用、是否让下次学习更便宜。
用 AI 做反向检验：让它给你的结论挑错，逼它给反例，而不是让它帮你论证。
每年精读一本基础书，而不是刷一百篇行业分析——前者产生复利，后者只产生焦虑。

十、结语：教育不该押注未来，而该建一套能理解未来的系统

当下教育最该做的，不是预测 AI 会如何重构行业，也不是据这些预测让孩子选某个方向，而是先帮孩子建立一套长期有效的认知体系。在这个基础之上，再按兴趣，借助 AI 深入工程、医学、经济或任何领域。

我们无法为孩子预测未来，但可以帮助他们建立一套能够不断理解未来的系统。这就是 AI 时代基础教育最重要的价值。

编者注（3M 视角）：按本站的 3M 框架看，这三门学科主要落在 Method（方法）——它们决定你如何找信息、如何判断、如何量化；同时为 Mindset（心智） 提供事实底座：一个人对世界的判断是否可靠，取决于他是否知道世界的约束在哪里。Motivation（动力） 则是另一条独立赛道，靠身体状态与正反馈积累，本篇不涉及。三者不是并列关系，而是相互支撑：Method 让人不白费力，Mindset 让人不迷路，Motivation 让人走得动。

来源说明：本文骨架与案例整理自「巫师」的视频《AI 时代，最值得学习的三个学科》，第四、五、六、八节中标为“补充”的论证、凯利公式推导、抽象悖论与边界讨论为本站新增，观点归原作者，延伸与批注归本站。