那些你任性而为的时刻,才是你真正活着的时刻。
——万维钢
ChatGPT 刚发布的时候,在美国,人们测试了它参加主流考试的水平。在美国律师执照统考中,它的得分超过了 90% 的考生;在 GRE verbal(语文)考试中,它的成绩接近满分;在美国生物学奥林匹克竞赛中,它的得分超过了 99% 的考生。中国人民大学附属中学的李永乐老师用 ChatGPT 做了 2022 年北京高考卷,第一次就拿到了 511 分的成绩(参见图 2-14)——要注意,ChatGPT 从未经过高考题目的训练。尽管让 ChatGPT 参加中国高考的测试不完全严谨 ,但这至少可以作为一个有重要参考意义的案例。
图2-14用ChatGPT做2022年北京高考卷的得分情况
这样的高考成绩真是让人大惊失色,如果 ChatGPT 以这样的成绩申请美国的名校,我相信迭代一段时间后,也将不是问题。
这就给我们带来了一个巨大的挑战:我们从小到大都在为高考、研究生考试、托福考试等标准化考试而努力学习,如果 ChatGPT 在这些考试中都能拿到很高的分数,那我们要怎么做才能与 AI 不同?我的答案是:发挥个性,成为你自己。
教育有以下两种属性。
一是价值属性,告诉我们怎样才能成为一个更好的人——对应的是理想主义。
二是工具属性,教我们掌握一门可以谋生的技能——对应的是实用主义。
大部分人更加关注教育的工具属性。通过接受教育,我们可以考入好大学、找到好工作、过上好生活。我也不例外,在考大学、考研究生的时候,我都尽量考到了更高的分数,而且填报志愿的时候没有“浪费一点儿分数”,从功利的角度讲,我们这样做确实没错。
然而,在 AI 的冲击下,所有工具的生命周期会越来越短,新的技术和工具可以很快地超越旧的技术和工具,导致它们变得过时。我们今天学到的知识可能在几年后就会过时,因此我们不能仅仅满足于完成某个课程或学位,因为那样相当于“刻舟求剑”。AI“倒逼”我们要更加关注教育的价值属性,从而成为一个更好的人。
我在清华大学的博士生导师颜宁老师后来去普林斯顿大学任教过。有一次,她和我们聊天的时候说,她能背出很多人的“研究生申请个人简历”上的内容:GPA(成绩平均绩点)在 3.5 和 3.9 之间,托福 110 分以上,大二进实验室做实验,取得了什么科研成果……大部分简历如出一辙。可是,这真是我们想要的人才吗?这么“卷”的结果就是让我们自己成为一个标准化的产品吗?颜老师说,最后她把 offer(录取通知)发给了一个 GPA 平平的女孩,因为那个女孩是她们足球队的队长,很有韧性,带领队员克服过很多困难。
因此,即使是面对当下的激烈竞争,我们也需要有与众不同、让别人能记住的地方。丢掉高级打工者的思维,让我们从“工具人”走向“自由人”,这才是突围之路,否则我们的路只会越走越窄。
不知道大家是否还记得之前我提到的 Alpha Fold 能够预测蛋白质结构的例子?很多人说结构生物学家要失业了。我并不赞同这种说法。对一名科学家来说,最重要的是解决科学问题。以解析蛋白结构为例,无论是晶体学、冷冻电镜,抑或人工智能,都是解决问题的工具。真正的大科学家,是从问题出发,让工具为我所用,而具体使用什么工具其实不是那么重要——这才是大科学家和一般技术工作者的不同之处。因此,我们要关注的不是具体的技术路线,而是底层逻辑。
下面我就从底层逻辑出发,以我熟悉的生物学专业为例给大家讲讲专业的选择。很多人说“生化环材”(生物学、化学工程与工艺、环境工程和材料工程)是四大“天坑”专业,一定不能选择。
真是这样吗?
如果从“现阶段生物学专业不好找工作、薪资低”的角度来定义“天坑”,这确实是个不容回避的问题,但这是有现实原因的。
1.知识层面:生物学属于基础自然科学,解答问题的实用性没有那么强
生物学是研究生命现象和生物活动规律的科学,它的主要目的是满足人类的好奇心,解释生命运作的机理。不像金融、管理等专业可以将学到的知识直接应用在日常生活中,生物学没有那么强的实用性。这也是大家普遍愿意学金融而不愿意学生物学的原因之一。
2.技能层面:培养的通用技能有限,而且掌握的专业技能没有太多扩展性
从生物学中学到的技能在实际生活中用处不大,而且也很难延展到其他学科中去。例如,在生物学中会学到基因克隆 PCR、细胞培养等技术,但这些技术在我们的日常生活中几乎用不到。计科类专业则不同,计算机、编程等知识技能几乎可以应用到当今世界的绝大部分领域。
3.产业层面:产业链不发达,研发成本高、周期长
与国外相比,国内生命科学领域的就业机会相对偏少,同时,国内生物医药产业的兴起也要比国外晚很多。而且,新药研发领域存在风险大、复杂度高、耗时漫长等特点。根据《自然》杂志的数据显示,一款新药的研发成本大约是几十亿美元,耗时大约 10 年,成功率却不到 1/10。所以,要建立起完整的产业链并不是一朝一夕的事情,形成完整的生态链仍然需要时间。
4.个体层面:成长周期长、淘汰率高、收入偏低
评论 0条