问题——从“替代谁”到“怎么用”，社会期待与焦虑并存 人工智能加速迭代、应用加快渗透的背景下，社会对就业结构、教育培养和科研范式的讨论明显升温。一上，技术红利不断释放，写作、绘图、编程、数据分析等工具化能力门槛持续降低；另一方面，“岗位被取代”“孩子依赖工具”“科研被模型化”等担忧也随之出现。多位院士在全国两会期间集中发声，呼吁从恐惧或迷信两端回到理性判断：关键不在于讨论谁会被替代，而在于如何把技术作为提升效率、拓展能力边界的公共工具。 原因——技术降低使用门槛，但社会体系调整相对滞后 中国工程院院士王健指出，评价一项技术的核心应落到普惠性与可获得性上。随着算力、算法与平台化服务进步，人工智能的使用门槛和单位成本仍将下降，未来可能像基础公共服务一样更易获取。成本下降带来的并非单纯的岗位挤压，而是工具扩散后的分工重组：重复性劳动的价值被重新定价，而创造、组织、判断等能力的重要性上升。 中国工程院院士徐阳生则从人才结构角度提醒，最容易受到冲击的是以标准化训练为主、工作流程高度可描述的群体。当前部分教育与培训仍偏重“标准答案”和单一评价，强化了可被流程化替代的技能供给，导致社会对技术冲击的体感更为集中。 此外，院士们认为，公众对技术的认知还存在“神化”倾向：把工具当作万能解决方案，忽略了其本质仍是基于数据与经验的计算体系，难以替代人类在价值判断、跨域迁移与原创想象上的优势。 影响——科研效率提升与能力退化风险并存，教育与治理承压 多位院士一致认为，人工智能将显著改变科研与产业的组织方式。中国科学院院士周志华提出，人工智能正推动科学研究迈向新的方法体系，能够在数据密集型领域加速假设生成、实验设计、参数优化与知识发现，提升解决复杂问题的效率。对我国而言，这意味着在基础研究攻关、工程迭代、医疗健康、城市治理等领域都有望形成新的增长点。 同时，风险也不容忽视。过度依赖工具可能削弱独立思考与探究能力，尤其对青少年群体而言，如果把学习简化为“被动获取答案”，可能造成好奇心、批判性思维与问题定义能力下降。院士金涌提醒，应防止把工具使用异化为“喂养式学习”，真正决定未来竞争力的仍是人的科学素养与思维品质。 在社会层面，岗位结构调整将带来再培训压力；在科研层面，一些研究如果停留在“堆砌模型、追逐规模”的路径上，可能造成同质化竞争，挤压原创探索的空间。 对策——把人工智能用在“增能”上，教育与科研体系同步重构 院士们建议，推动人工智能健康发展，关键在于“用工具增能力、以制度促协同”。 其一，推动普惠应用与可控落地。围绕公共服务、产业升级与科研平台建设，促进高质量数据、算力资源与工具链开放共享，降低中小机构与基层单位的使用门槛，使技术红利更多转化为社会整体效率提升。 其二，加快教育体系深层调整。将培养重点从单纯的标准化答题转向“提出问题、设计方案、动手验证、跨学科协作”的能力结构；完善评价机制，增加探究式、项目式学习比重，引导学生把工具当作助手而非拐杖。 其三，强化科研导向与学风建设。周志华提出，应同时消除不必要的恐惧与盲目崇拜，避免把科研简化为对工具的机械应用或对“大而全模型”的追逐。要鼓励面向重大科学问题的模型方法创新，形成数据、理论、实验与计算相互校验的闭环。 其四，完善人才再培训与就业支持。面向受影响较大的岗位群体，构建分层分类的技能提升通道，突出人机协作、流程再造与质量管理等能力，缓释结构性调整带来的短期压力。 前景——人机协作将成为常态，决定胜负的是人的创造与判断 院士们的共识是，未来的竞争不在“人与机器对抗”，而在“谁更善于使用工具、保持独立思考并创造新价值”。从科研到产业，人工智能将更多承担信息处理与模式归纳任务，而人类的优势仍在于价值选择、复杂情境下的决策、跨域创新与责任担当。随着技术更普及，能够提出真问题、理解真实世界并组织协作的人才，将在新一轮变革中拥有更强适应力与引领力。
当技术发展速度超越人类适应节奏，四位院士的见解不仅阐明了人工智能的工具本质，更指向一个根本命题——在技术洪流中，保持好奇心和创新思维才是人类最可靠的立足点。这场关于未来的讨论，归根结底是对人类独特价值的再认识。