本文来自微信公众号： AI时代我的人生下半场 ，作者：席春迎博士
南京大学一门《生成式软件工程》课程，因为一句“没有Token的CS学生应该立即退学”引发热议。
真正值得讨论的并不是学生该不该自费买Token，而是一个更深刻的教育变革正在发生：当AI开始承担知识检索、代码生成、资料整理甚至部分分析工作，大学教育究竟还应该教什么？
我此前提出，未来大学生毕业时应该“带着10个智能体毕业”。现在我越来越认为，10个智能体只是表象，真正重要的是学生能否在大学四年里建立一套属于自己的、可以持续积累和复利的“个人AI生产系统”。
一、一张大学课件，让我想起了此前写过的一句话
2026年秋季开学，南京大学计算机学院的一门新课突然火了。不是因为课程名字有多特别，而是因为第一页PPT上的一句话：“没有Token的CS学生应该立即退学。”“立即退学”几个字甚至被特意标成了红色。
当然，这并不是真正意义上的退学规定，而是一种非常具有冲击力的教学表达。根据目前公开报道，这门课程叫《生成式软件工程》，课程实践要求学生实际使用大模型，并把Token视为AI时代的软件工程“实验耗材”。蒋炎岩教授特别强调，这并不是鼓励学生无节制地消耗Token，相反，他要求学生建立对成本、质量和延迟的真实认识。
我看到这条新闻时，第一反应是想起自己不久前写过的一篇文章，那篇文章的标题是：《未来大学生必须“带10个智能体毕业”？》
这个观点来自我与人工智能专家周玉龙博士的一次长谈。我们讨论到未来就业市场时提出：大学生毕业的时候，真正带进社会的可能不应该只有一张毕业证、一份成绩单和几段实习经历，还应该有一支已经跟自己磨合了几年的“AI队伍”。
当时我还举过一些最简单的例子：写作Agent、研究Agent、PPT Agent、翻译Agent、商业分析Agent……但后来，我越来越觉得“10个”只是一个便于理解的数字，真正重要的根本不是10个，甚至不是Agent本身，而是：当一个大学生毕业的时候，他究竟还是一个单独的劳动者？还是已经成为一个能够组织、训练和调度一套AI生产系统的人？这两种人走进就业市场，表面上拿的是同一张毕业证，实际拥有的却可能是完全不同的生产能力。
南京大学这门课真正值得关注的也恰恰在这里，它意味着中国大学教育内部，已经有人开始把AI从“辅助学习工具”变成正式的“生产工具”。这两个词只有几个字的区别，背后却可能是一场教育范式的迁移。
二、Token真正改变的不是学生的钱包，而是教育的“生产函数”
为什么我认为“Token自费”这件事值得讨论？因为过去几年，我们一直把AI理解成一种越来越便宜、越来越方便的软件：打开网页问一个问题，写论文的时候让它找资料，写代码的时候让它帮忙debug，英文不好让它翻译一下，做PPT的时候让它整理一下提纲……如果只是这样，AI和过去的搜索引擎、计算器、Office软件没有本质区别，它只是一个更聪明的工具。
但今天正在发生的变化远远超过这一层。DeepSeek官方今年发布V4系列时，已经把百万Token上下文、Agent能力和更低的推理成本作为重要方向，DeepSeek-V4-Flash本身就是面向更高效率和更经济API调用的模型。这意味着一个非常重要的变化：智能正在从一种稀缺能力，逐渐变成一种可以按量调用的生产资料。
过去企业扩大生产，需要增加厂房、机器、服务器和员工；今天，越来越多的知识型组织扩大生产能力，开始增加另一种投入——算力、模型和Token。
所以，我很认同把Token称为“实验耗材”这个比喻：化学专业学生进入实验室，需要试剂；物理专业需要仪器；建筑专业需要材料；未来计算机专业乃至金融、法律、传媒、设计、管理专业，很可能都需要一种新的实验耗材——机器智能。
这件事情如果继续发展，最终改变的就不仅是一门计算机课程，而是大学教育本身的生产函数。
过去教育的基本公式大体是：教师+教材+课堂+学生时间=人力资本；AI进入以后，这个公式可能逐渐变成：教师+学生+AI模型+数据+Context+Agent系统+真实项目=新型人力资本，其中变化最大的恰恰是最后几个变量。
所以，我认为未来衡量一个大学生AI能力，绝不能只问一句：“你会不会用ChatGPT、DeepSeek？”这这就像二十年前问一个人会不会用电脑一样。真正应该问的是：你有没有建立属于自己的AI生产系统？
三、为什么我说未来大学生应该“带着10个智能体毕业”
今年我在西安翻译学院演讲时，专门讲过这个问题。我当时对大学生讲：AI时代最危险的不是AI比你聪明，而是别人已经建立了一套每天都在复利的AI系统，而你还停留在刷短视频，或者偶尔打开一个AI问几个问题。
这是我越来越强烈的感受。今天绝大多数人所谓的“使用AI”，其实仍然是一种典型的工具思维：打开AI，出现一个空白对话框，输入“帮我写一个报告”；第二天又打开一个新的空白对话框“帮我分析一家公司”；第三天再从头解释“我是做什么的，我希望你怎么回答，我喜欢什么格式……”每天都重新开始，每天都从零开始。从经济学角度看，这种AI使用方式几乎没有形成真正的资本积累，因为昨天投入的时间并没有有效降低今天的生产成本。
我在西安翻译学院把这种状态称为一种“西西弗斯式循环”：每天把石头推上山，第二天石头重新滚下来。真正值得大学生学习的恰恰是如何结束这种循环。
我当时给学生讲了三个非常具体的方法。
第一件事，是建立自己的动态修正账本——Correction Ledger。
AI每一次理解错你，你就纠正它；每一次输出不符合要求，你就告诉它为什么；逐渐把自己的研究方向、表达习惯、判断标准、价值边界和工作方法沉淀下来。久而久之，真正形成资产的就不再只是AI生成的那篇文章，而是你与AI之间不断积累的Context。
第二件事，是把偶然成功变成SOP。
今天你和AI合作，偶然做出了一份非常好的行业研究报告，不要拿着报告就走，还应该继续问它：我们刚才究竟是怎么完成这件事的？请把整个工作流程拆解出来，形成以后可以重复调用的SOP。一次成功于是变成一种能力，能力再变成流程，流程最终变成系统。
第三件事，就是建立多Agent协作。
不要让同一个AI既当运动员，又当裁判。一个Agent负责搜集，一个负责分析，一个负责写作，一个负责事实核验，一个专门作为“红队”寻找漏洞，另一个站在完全相反的立场挑战结论。到了这个阶段，一个大学生已经不再只是“会用AI”，他实际上开始学习一件过去只有管理者才需要学习的事情：如何组织智能。
这才是我所说的“带10个智能体毕业”的真正含义——不是手机里安装10个AI App，而是毕业的时候，你已经拥有一支经过长期磨合的“数字团队”。
四、真正需要警惕的不是学生依赖AI，而是大学仍在训练AI最擅长的人
这也把我们带到了一个更尖锐的问题：既然AI可以越来越好地写代码、查资料、翻译、整理信息、生成报告，那么大学为什么还要让学生花大量时间重复训练这些能力？
这个问题很容易走向另一个极端——既然AI什么都会，学生是不是就不用学习基础知识了？
我恰恰不这么认为！AI越强，人的基础训练反而越重要，只是训练目标必须改变。过去学习编程，很大程度上是在训练“如何把代码写出来”；未来学习编程，越来越重要的可能是理解系统为什么这样运行、如何设计架构、如何判断生成代码是否可靠、如何控制成本、如何发现漏洞，以及如何把一个复杂现实问题转换成机器能够执行的任务。
同样，未来学金融的人未必需要把大量时间花在机械整理数据和制作基础模型上，但必须理解资产为什么这样定价；学法律的人可以让AI寻找判例，却必须能够判断法律责任和利益冲突；学新闻的人可以让AI整理资料，却必须知道什么值得报道、什么可能是假的、什么问题真正重要。
于是，教育的核心开始从“你能不能完成任务”转向“你能不能定义正确的任务、组织AI完成任务，并对最终结果负责。”这是一个巨大的变化，因为执行能力正在快速贬值，而问题定义、判断、审计和责任承担正在升值。
所以，我并不完全赞成一种简单说法：“以后会用AI的人淘汰不会用AI的人”，这句话只说对了一半，未来真正的竞争很可能是：能够建立AI复利系统的人，逐渐拉开与只会零散使用AI工具的人的差距；前者在积累资本，而后者仍然在出售时间。
五、大学未来真正应该发给学生的，可能不是一个AI账号
如果沿着这个逻辑继续推演，今天很多大学正在做的“AI教育”，其实仍然处于非常早期的阶段——学校采购一个大模型账号，开一门提示词课程，教学生怎样生成论文、怎样做PPT，这当然有价值，但远远不够。
真正的AI教育应该发生更深层次的变化：未来学生进入大学第一年，也许就应该开始建立自己的个人AI系统——大一建立个人Context和知识库；大二开始形成专业Agent；大三进入真实项目，让不同Agent协作解决复杂问题；大四毕业时，学校考核的已经不仅是论文，而是这个学生能否独立组织一套“人+AI”的生产系统完成真实任务。到那个时候，大学生的简历可能都会发生变化。
今天写的是：英语六级、Python、Excel、实习三个月；未来可能变成：我维护了四年的专业知识库，我拥有6个经过真实项目验证的专业Agent，我建立了一套行业研究工作流，我的红队Agent累计纠正了多少次模型错误，我的AI系统完成过哪些真实项目，我能够以多少Token、多少成本、多少时间完成过去一个小团队才能完成的工作……这才是真正意义上的AI原生人才。
所以“10个智能体毕业”背后，其实还有一个更重要的概念：大学生未来要学习的，可能不仅是人力资本积累，还要学习“个人智能资本积累”。
传统的人力资本主要储存在人的大脑里；未来，一个人的生产能力可能同时储存在他的知识、判断、数据库、Context、SOP、Agent和人与AI长期协作形成的系统之中。
这是一种全新的资本形态，而且它具有一个非常重要的特点——可以复利：今天对AI的一次纠正，可以降低未来无数次沟通成本；今天形成的一套SOP，可以重复执行一百次；今天训练好的一个Agent，可以24小时持续工作——这和传统劳动的经济性质已经完全不同。
六、Token只是门票，Context才是真正的护城河
因此，我看到“没有Token的CS学生应该立即退学”这句话时，并不太关心“退学”两个字，因为那只是一个吸引注意力的表达。我真正关心的是另外一个问题：当Token越来越便宜之后，什么东西会越来越贵？
这是AI时代一个非常重要的经济学问题。当知识越来越便宜、代码越来越便宜、翻译越来越便宜、基础分析越来越便宜，甚至普通“智能”本身都越来越便宜以后，真正稀缺的东西一定会转移。
越来越贵
判断力·可信数据
真实经验·责任能力
Context
长期积累的个人语境
最容易被忽略的护城河
我认为至少有几样东西会越来越贵：判断力、可信数据、真实经验、责任能力，以及长期积累的个人Context。其中最后一项尤其容易被忽略，因为一个真正长期与你共同工作的AI，知道你过去做过什么、犯过什么错误、形成过哪些判断、哪些方法已经验证失败、哪些原则不能突破。
这时候AI就不再只是一个公共模型，它开始变成你的认知基础设施。这也是为什么我在西安翻译学院最后特别告诉学生：保护并不断追加你的个人Context，就是你对抗技术贬值的重要护城河。
模型一定会越来越强，今天最先进的模型几年以后可能只是基础设施；今天令人惊叹的Prompt技巧，很快也可能失去价值。但是一个人十年形成的知识体系、判断记录、错误修正、真实项目、工作流程以及由此训练出来的AI系统，不可能在一天之内复制。
真正的竞争优势，也就从“拥有哪个模型”，逐渐转向：你究竟给这个模型积累了什么。
结语
南京大学这堂课，最值得我们记住的并不是那句“没有Token就退学”，而是Token第一次如此直观地出现在大学课堂里，并提醒所有人：AI已经开始从课外工具进入教育的生产过程。
几个月前，当我提出“大学生应该带10个智能体毕业”时，它听起来多少还有一点未来主义色彩；现在看来，这个未来正在比很多人预计得更快到来。
但今天我想把这个观点再向前推进一步：未来大学生毕业的时候，真正重要的不是拥有10个智能体，而是这10个智能体已经和你共同成长了四年——它们知道你读过什么，知道你擅长什么，也记录过你犯过什么错误；它们掌握你的方法论，执行你的SOP，也能够互相质疑和校验。到了那一天，一个22岁的大学毕业生走出校园时，表面上仍然只有一个人，但站在他身后的，可能已经是一支数字化团队。
大学四年真正应该积累的也许不再只有学分，还应该有一个不断增长的“个人智能资产负债表”。Token只是今天进入这个新时代的一张门票，真正决定一个人十年以后站在哪里的，是他有没有把每一次与AI的协作，都变成下一次能力增长的起点——这才是我所理解的AI时代的人生算法。
💬互动话题
你认为大学生毕业时，最应该“带进社会”的能力是什么？是毕业证、实习经历，还是一支属于自己的AI数字团队？欢迎在评论区聊聊你的看法。
文章配图由AI生成