序
这个周末，我是带着一点兴奋把这本书看完的。
兴奋主要来自前半本——它真的给我打开了一个新的视角：不再是泛泛地谈“AI 会怎样”，而是试图把未来 1000 天拆成可以落地的路径。后半本则慢慢让我冷静下来：有些观点我其实早就隐约想过，它更多像是把那种“隐约”用更清晰的语言写出来。
我一直很喜欢盖茨那句判断：很多人容易高估自己一年能做成的事，却低估三年能发生的变化。罗振宇这本《预测之书》也正是把“三年”当作一个小周期来规划。正好我上周刚看完去年的《预测之书》，还在感叹：预测这件事需要勇气——不然很容易被现实打脸。我当时心里嘀咕：同样的书，今年还能玩出什么花样来？
结果它确实玩出了花样。去年的版本更偏哲学，更像在讨论一种“思辨的姿势”；这一版关注的是：AI 在接下来的三年里到底会怎样落地，怎样挤压组织、改变职业梯度、重塑人与工具的关系。书看到一半，我忍不住写下两句古文：一句“履霜坚冰至”，一句“风起于青萍之末”。不是说已经看清未来，而是那种“事情确实要发生了”的感觉，越来越具体。
召唤苏格拉底–《预测之书：1000天后的世界》
这几天刷到些消息：Manus 被 Meta 收购，杨乐昆离开后 Llama4 又没如期发布，智能体也没见真正的突破。拼起来看，倒有点“千金买马骨”——先把人和生态拢过来，路再慢慢修。巨头也会焦虑，也会补课，也会更凶地抢路线、抢人才。硅谷的华人工程师越来越吃香；可回头看国内，有些地方热度很高、叙事很满，却总像差一点什么。
AI缓冲期
AI的能力很强，但它的前提从来不是“你把问题丢过去就会得到答案”，而是：得有人提出正确的问题。AI返回的质量，往往与问题的质量成正比。你对问题的思考越完整，它给出的回应就越像一个“补全你思路的镜子”，不仅全面，甚至能把你忽略的角落照出来，让你更快逼近真正想要的答案。
于是差距开始发生迁移：不是“会不会用AI”的差距，而是——能不能问对问题、能不能识别回答中的局限与不妥、能不能把一堆看似正确的文字重新落回现实——这些能力，会成为下一个时代人与人之间的分水岭。普通人最大的威胁，未必是机器本身，而是那些能把AI当成协作伙伴、把生产力放大到极致的人。
在AI崛起之前，传统组织模式大致是：极少数人给出指令，绝大多数人执行指令。执行者在规则和流程之内完成任务，通常“规规矩矩，无功无过”；偶尔有人超常发挥，让决策者喜出望外。很多时候，这种“安全答案”本身就像AI的套话——正确，但不触及本质；完整，但没有锋芒。
可当一个无休无眠、擅长推理分析、能整理数据、还能高效执行的“超级员工”加入后，传统组织恐怕不再需要那么多的人与层级了。书里其实在暗示一种新的分工结构：未来的劳动者大概会更像下面这五类人——
- 能够下达指令的人
- 能够问对问题的人
- 能够发现AI问题的人
- 能够最终在现实世界执行的人
- 能够真正承担决策风险的人
这听起来甚至有点像麦当劳的流程化逻辑：把工作拆到足够标准化、可描述、可验收，然后把“执行”交给最稳定的系统。原本只听指令做执行的人，可能不得不反过来主动追问：为什么要做？要做什么？怎么做才算对？所谓“AI时代的缓冲期”，最重要的往往不是先去学一堆工具，而是先转变心态——重新学习事物的全景与运行规律，重新理解自己在系统里到底负责哪一段价值。
过去三年里，AI对世界的作用是两极分化的，AI迅猛发展第一波直接冲击到的就是那一小部分在“高技能岗位”的人，包括麦肯锡在内的30多家企业，每家消费了OpenAI的Token数都超过1000亿，越高技能的岗位的人用AI越多，越舍得砸钱。然而18个月里，裁掉了九分之一约5000名员工。此外，在低技能岗位上的人也无法伪装。
从瓦特到史蒂文森
从瓦特改良蒸汽机，到史蒂文森发明蒸汽机车，中间大约跨过四五十年，一项技术才真正变成工业革命的力量。历史给人的错觉是：革命轰轰烈烈。但真实的过程往往漫长、缓慢、无聊，直到某个节点突然越过临界值。
从OpenAI推出ChatGPT到现在，不过短短几年，却已经出现一种“成熟的标志”：它不再只是演示，不再只是玩具，开始能干活，开始进入流程，开始变成成本结构里的一部分。对照两百年前工业革命的经验，技术进步通常优先服务效率；至于公平、再分配与社会缓冲，往往要在之后很长时间才姗姗来迟。
对劳动力而言，在中短周期里，技术很可能先损害普通劳动者的利益：入门岗位收缩、学习曲线陡峭、经验价值被重估。随后它也会释放红利，创造新的就业与新工种——但问题在于：被损害的那批人，很可能没有机会、也没有能力等到红利落在自己手里。
一家公司如果对AI使用得越深入，它的入门级岗位收缩通常就越明显。传统那种“毕业后一张白纸进公司，跟着师傅学几年，再独当一面”的职业阶梯，恐怕会逐步失效。书里提到的一个判断很残酷：更多岗位需要的是“快速理解AI工作流并能改良”的能力——于是组织可能更偏好两头：顶尖高校的学生（学习与抽象能力强）、以及职业教育体系里动手能力强的人；反而尴尬的是中间地带——既不拔尖、又不够明确技能化的人群。更关键的是，过去组织里那批负责上传下达的中层，在AI进入之后可能会被明显压缩：很多原本靠“沟通成本”存在的岗位，会在流程被结构化后失去意义。
当AI越来越强，越来越多业务问题能被迅速求解，对高管的要求反而会提升：感知力、人文素养、价值判断会变得更昂贵。他们要调动算力、调用外部专家、在多个模型与多种意见之间做复杂的价值盘算——因为效率不再稀缺，稀缺的是“该往哪走”。
书里把人机协作大致分成三种模式：第一是“嵌入”，把AI作为工具嵌入既有流程；第二是“副驾驶”，AI主动提供建议，人做最终决定；第三是“代理”，只要设定目标，AI就能自动操作。
当一个公司能把商业模式变成了一个结构化、可描述、有明确目标的闭环后，AI赋能的力量是巨大的，前面的过程无异于花时间平整土地，夯实地基。然后请最懂业务的同事定义标准和调校智能体，让AI规模化执行；接着请最懂方向的医学专家做决策，推动落地。唯医骨科正是用这样的方式把500个人的公司压缩到了29人，且业务的规模还在增长。
召唤苏格拉底来教育小孩
回顾两百年前的工业革命，带来巨大生产力的同时，人类大部分群体的体力却是变弱了。同样的，有了手机实时地图导航之后，曾经带来智人走出非洲的所谓识路能力，也变得不太需要了。“认知卸载”是近十年才被系统研究的概念：当我们的大脑发现，有些原本要费力处理的任务现在可以交给外部工具代劳，就会倾向于把这部分功能从自己的系统里“卸载”掉。
保护大脑
在未成熟的大脑中，认知卸载的效应会更普遍、更激烈。未成熟的大脑，可塑性很强，只有孩子不断使用它，才会越来越强；一旦不用就会迅速退化。因为从生物学来说，大脑只需要搞定生存和繁衍的问题，其他都不重要。AI 如果直接给小孩完成作业，小孩的依赖性会更强，而大脑的锻炼会变弱，滑向一种大脑“器质性损伤的状态”。这个现象不但我们观察感觉是这样，宾夕法尼亚大学的研究也证实如此。
学习的本质是神经元之间不断建立和强化链接的过程。每次学习新知识、解决新问题，都意味着神经元网络在重新调整，就是“用进废退”。MIT 媒体实验室发现，如果人类完全依赖 AI 来写作，大脑中负责思考、记忆和创造的区域活跃度会显著降低，出现“认知卸载”。如果不加干预，孩子的作业会越写越漂亮，但考试成绩会越来越差。
未来三年，是家长必须面对的“保护未成年大脑”的“保卫战”：首先是家长能否意识到；其次是能否让孩子刻意训练“阅读耐力”。只有阅读耐力提升了，所谓的记忆力和思考能力才能同步提升。
召唤苏格拉底
因为如此，苏格拉底才格外重要。当年被雅典公民厌倦的“苏格拉底式提问”，其实正是人类智慧的骨架；而被多数人的暴政杀死的苏格拉底，也逼我们重新思考：什么才算“对”。如果孩子长大后失去了分辨对错的能力，人类的未来就可能重蹈苏格拉底的覆辙。
我一直觉得，苏格拉底最厉害的地方，不是他“知道得多”，而是他敢让你承认：你以为你懂，其实你并不懂。他像个“接生婆”，不负责把答案塞进你脑子里，只负责把你脑子里那个还没成形的想法，一点点“接生”出来。提问不是刁难，而是一种温柔的逼迫：逼你把含混的直觉，说成清晰的逻辑；逼你把习惯性的判断，放到理由与反例里受一受检验。
在 AI 时代，这种能力反而更珍贵：因为答案越来越便宜，思考越来越昂贵；结论越来越快，推理越来越慢。我们需要的不是更多答案，而是更好的问题。书里提出了一些方法，我又加上了自己总结的一些做法，觉得还是有点用的。毕竟 AI 是一个放大器，需要家长给予更多指导和陪伴，和孩子一起走向 AI 共生的时代。
小学阶段，需要在即使反馈中保护孩子的思考力：
- 通过苏格拉底式提问法来学习数学，通过连续提问，引导孩子一步步发现答案，而不是直接把答案告诉他。可以参考的提示词为：“请用苏格拉底提问法，一次只提一个问题来引导我。”可以确保孩子始终参与其中，AI 仅作为思维引路人，在关键节点提供提示。
- 通过SQ3R方法来训练阅读理解，Survey（概览）、Question（提问）、Read（阅读）、Recite（复述）和Review（复习）五步阅读法，帮助孩子从浏览到深度理解。提示词构建方法，让AI根据文章生成几个关键问题，包括“主要内容是什么”、“表达了什么情感和态度”、“用了什么修辞手法”，读完后再回答给家长和AI，一起帮他分析指出有没有重要的遗漏信息和理解偏差。
- 通过情景记忆法来背诵古诗。让孩子先在AI的描述下，理解故事的意境和画面，理解当中的故事，包括一些历史的背景，然后再和AI一起背诵。
- 通过讨论来写作文，看到题目，先让引导孩子分析，做好选材，接着让孩子和AI一起讨论作文的结构，分析作文的细节，然后让孩子写作，最后把孩子的作文拿给AI做点评，立即给出反馈。
初中阶段，需要提升孩子的抽象思维，可以借助AI搭起“思维的脚手架”，训练逻辑思维能力。
- 给数理化学科整理错题本2.0，不是把错题和正确答案抄一遍，而是分析错误类型、发现思维盲区，举一反三。先让孩子分析错因，然后把错题和分析交给AI，让它归纳总结错误类型，推送同类题目（只给提示），孩子做完后再让AI检查。
- 用费曼学习法来复习功课，通过“教别人”来检验自己是否真正理解，用输出倒逼输入。让孩子给AI讲课，请AI扮演学生，提出各种问题，让孩子来解释，如果孩子讲不清楚，那就是掌握得还不够，需要查漏补缺。
- 用富兰克林写作法来进行作文训练，通过拆解、模仿和重构的方法学习优秀文章的写作技巧。选一篇范文，让孩子分析文章结构和亮点，然后藏起来，让孩子重写。写完后让AI对比原文和孩子的作文，然后指出差距，逐渐把好文章的结构和表达方式内化为自己的写作习惯。
高中阶段，核心人物是在高考压力下，继续发展高阶思维，用AI来提升效率。
- 用间隔学习法来背诵英语单词，基于艾宾浩斯的遗忘曲线，在遗忘临界点及时复习，记忆效果最好。将3500个高考英语单词，用“间隔原理”生成复习时间表，第1、2、4、7、15天复习同一单元的单词，在设定总体目标“3个月背完3500个单词”。AI会规划每日任务，孩子学完当天任务后，由AI评估其掌握程度并调整后续的复习安排。
- 通过深度研究法训练批判性思维，围绕同一个议题，从多立场、多个证据源头进行分析，借此训练批判性思维和独立判断能力。选一个感兴趣的话题，让AI提供三个不同观点，让孩子独立完成：分析每个观点的逻辑链条；查找支持和反对的数据，评估数据的可靠性；形成独立判断，然后再和AI讨论，做进一步的反馈。
- 元认知训练，训练学习能力的元能力，让孩子知道自己在想什么，思维盲区在哪里，直到如何调整学习策略。培养孩子在使用AI后认识到自己解决了什么问题，学到了什么新的思路和技巧，也可以让AI扮演“教练”来提问，“为什么选择这个方法”、“还有其他的方案吗”等等。
这些都只是方法，教育的核心是要理解超越知识、拥抱未知和实现创造，阅读、写作和算术是人类的基本功，人类思维的“底层代码”。人类的独特之处，在于开辟全新的路径，直觉、哲学思维和艺术想象力，跨越现有知识的边界、重构范式的领域。AI领域有巨大的隐患，数据偏见、私隐侵犯和信息操纵，算法只追求效率，人必须追求正义，真正的自由，在于面对异见时候的独立判断。
人和计算机交互新范式
当计算机刚出现时，人机交互靠打孔纸带；出现编程语言后，靠编码；出现Windows之后，靠鼠标与窗口；出现触屏之后，靠触点。AI出现后，交互开始不同：我们可以用自然语言让系统协助写代码、写文稿、做计算、完成任务，智能体逐渐变成新的“接口”。
这是一种新的范式：例如Claude Code通过MCP协议打通大模型与外部平台系统；通过Skill之类的方式，让很多自动化从“需要工程化搭建”变成“可以通过对话定义”。越来越多工作从“写规则”变成“讲清楚需求”。
自然语言并不等于没有门槛。很多任务即便能说，也需要你懂得拆解、设边界、会验证。没有一定的计算机背景与抽象能力，往往不是“说不出”，而是不知道怎样把需求表达成可执行的形状。因此，在新范式里，专业知识可能被AI迅速追近。更重要的是学会“学习如何学习”：接受知识会过时，能快速重建，并愿意与未知长期共处。人必须有一个基础底座，而通识教育能力是这个基座的核心。
文学让人通过叙事察觉那些未被说明的情绪与期待；史学训练人从异时、异地、异文化理解世界；哲学追问“凭什么这么理解”“有没有其他方式”。AI越强，这些“慢能力”越重要。
AI从诞生之初就深受人文学科影响，人文不是技术成熟后才介入，而是在不断形塑技术。包括语料选择与比例都会影响模型的理解与判断。当我们用少量专业语料微调模型时，有时会出现副作用：某些能力增强，但泛化与理解变窄。模型不是想当然地越训越“全能”，它也会偏科，甚至变成了“差生”。
打印一家咖啡店
当我们家孩子还在为自己的3D打印小作品兴奋时，清华的教授早在2019年就已经在上海宝山用3D打印建造了一座桥梁。七年过去，稳定性很好。后来徐教授又在河北张家口打印了约106平方米的农宅：冬天不开空调，只用一个电暖气也能维持十二三度。再往后，他在徐州、上海、珠海陆续打印了不同类型的建筑——从试验走向场景。
和一些美国同行常用的龙门架式打印机不同，他采用机械臂：装在可升降平台上，沿轨道移动；轨道固定在模块化小车上，可拼接、可延伸，于是规模与形态更灵活。教授说，龙门架式机器光搭支架就很耗时，而且一旦固定，高度与体量也被锁死。
他把这种“结构上的聪明”追溯到古罗马：滑轮组、脚踏起重机这些简单机械，就能把石料一层层吊起，砌出高墙与穹顶。听起来像工程史，其实是在说：范式变了，工具未必更复杂，反倒更顺手。
3D打印建筑还有一个关键：必须先在虚拟世界把房子“建一遍”。打印依赖的不是图纸，而是能直接驱动机器的高精度三维模型。每一根管线、每一个节点都要在施工前定义清楚，于是协同被整体前置：建筑、结构、水电在电脑里把问题先解决，工地更像执行与校验。
当它逐步落地，工地的样子也会变：少了尘土飞扬和攀爬脚手架，多了设备监控、参数调试和材料检查。工人的技能也随之迁移——操控机械、理解模型、使用软件、维护设备——从“搬与砌”转向“操作与维护”。这时再回头看“打印一家咖啡店”，它不再像噱头：当建造越来越像输出，咖啡店只是尺度问题。
结语
未来已至。AI 会更强，我们会更忙，孩子会更大，房子也可能真的能打印。听起来都不错，只是别把自己也顺手“打印”成一个只会执行的人。
苏格拉底不用多说话，他只要偶尔提醒我们：别急着要答案。希望三年后，我们依然会问、会想、也还敢对自己的选择负责——那未来就不只是热闹，而是真的还行。