如果把 9 月 24 日的两篇文章连起来看，会得到一条很清楚的线索。
《通道正在逐段关闭》给的是诊断：旧通道正在关闭，旧价签仍在流通；AI 把标准化产出做便宜了，但没有自动补齐判断、验证与责任。
《评价体系的重置现场》给的是一份过程记录：当所有学历层次都说自己“会用 AI”时，讨论最终收敛到四样东西——定义问题、验证判断、系统整合、跨域迭代。
但这两篇还留下了第三个问题：
如果旧通道和旧评价都在重置，教育与科研体系究竟应该训练什么，又该拿什么证明一个人确实受过训练？
这篇继续往下走。标题里说的“本科、硕士与博士重新分层”，不是宣布本科已经普遍替代博士，而是拒绝继续用一张文凭概括一个人走过多远。AI 压缩了执行之后，真正值得比较的，是闭环半径：一个人能否独立把一个问题从起点推到可验证、可负责的终点。
先说明材料边界。这一轮讨论里出现了很多数字、案例和检索编号，但并非都能回到可定位的一手来源。我不继承那些未经复核的硬结论，只保留一个值得继续推演的结构性观察：有些科研培养会逐渐变成一条分工细密的流水线，每个人都掌握一个局部，却没有人完整经历一次科学发现。下面说的是这种风险机制，不是对所有高校或课题组的统计判断。
一、最容易被误读的结论：本科生已经追上博士#
讨论里最痛快、也最危险的一句话是：
本科生加上 AI，可能比普通博士更快完成博士流程。
它在应用型、工程型、有真实数据支撑的任务上并非没有道理。文献检索可以缩短，代码可以代写，统计流程可以辅助，论文语言可以润色，一个目标明确、自驱力强的人，确实可能用两三年跑完过去需要更长时间才能跑通的一段流程。
但“更快完成同一套流程”，不等于“接受了同一套训练”。
导航软件可以替人找到路线，却不会在暴雨、塌方和临时封路中替司机承担后果。计算器可以替人完成算术，却不会自动形成对数量级、误差和边界的直觉。同理，AI 可以替一个人写出结果，却不会自动替他拥有问题、证据和责任。
学历不能被折算成 Token，学习也不能被一次性外包。
这句话不是否认 AI 的放大作用。恰恰相反，AI 把“做出来”的成本压低以后，人与人的差异会更集中地出现在三个地方：
- 能不能找到值得解决的问题；
- 能不能判断一个结果是否真的成立；
- 出错以后，能不能沿着证据链找到究竟错在哪里。
这三件事都不是“生成得更像人”能够替代的。
所以，“本科生追平博士”如果被理解成同一条标准化流水线上的速度竞赛，它可能成立；如果被理解成两种完整研究训练已经等价，它就过早了。
二、同一所学校里，本科生可能走两条相反的路#
谈本科科研，最容易出现两个相反的简化。
一种说法把本科生参与科研一律描述成给研究生打杂：跑数据、洗试管、做重复实验，最后拼成一篇毕业论文。另一种说法则把少数优秀案例扩大成普遍现实，仿佛本科生进入实验室就天然已经在做创新。
两种说法都漏掉了最重要的现实：同一所学校、同一届学生，甚至同一个年级里，导师给出的可能是两条完全相反的培养路径。
在不少研究型大学和 985 高校里，确实存在这样的安排：学校不替学生划定题目，学生在导师指导下完全自选方向，参与问题讨论、接触原始数据、设计实验，也允许自己的方案被真实结果否定。到答辩时，学生需要解释的不只是“做完了什么”，还包括为什么选这个问题、为什么采用这个方法、失败后如何修正。难度自然更高。
另一端同样存在。学校有毕业指标，导师有项目和论文进度时，可能直接替学生划定题目：数据从哪里来、用什么方法、跟哪一位研究生做、毕业论文写到哪一部分，都会提前安排。确实想不出课题的学生，还可能被安排到校内外实习、对接企业导师，或者进入一个现成项目。只要沿着研究生已经走过的路线完成实验、拿到可用数据、把毕业论文写完，答辩时的主要核验通常更偏向流程完整和一致性。
这种分派也不是临时随机塞人。它背后往往是一套由学院工作量、导师现有任务和可带学生容量共同计算的名额机制，下面第五节会具体展开。
这两条路径表面上都叫“本科生科研”，实际训练的东西完全不同：
| 比较维度 | 自主选题路径 | 固定分配路径 |
|---|---|---|
| 问题从哪里来 | 学生自选，导师指导收敛 | 学校、导师或指标直接指定 |
| 学生扮演的角色 | 问题的选择者与共同所有者 | 任务与毕业节点上的执行者 |
| 结果不成立时 | 自己回到假设、方法和证据 | 调整参数以继续交付 |
| 答辩主要核验 | 选题理由、方法、证据与失败处理 | 任务完成度、过程与材料一致性 |
| 主要训练对象 | 发现、判断与验证 | 规范执行与基础方法 |
这不是一份“哪种方式更好”的好处清单，而是一种明确交换：自主选题用更高的不确定性换取问题所有权；固定分配用更低的毕业与答辩风险换取可预测交付。降低难度本身不是优势，更不等于更强的研究训练；如果整个本科阶段只有固定任务，学生始终没有机会作关键判断，那么毕业的是一段合格履历，不一定是一次发现训练。
强校与弱校也都有这两种路径，区别更多在比例，不是有无。研究型大学和 985 高校通常拥有更好的设备、课题密度和外部合作机会，可能更容易出现自主选题和创新培养；但这里没有全国比例数据，不能据此把学校简单分成“会做科研”和“只会安排任务”两类。具体到个人，导师是否愿意让学生进入问题核心，往往比校名本身更能决定闭环半径。
一个真正的发现闭环至少包含：
提出问题 → 形成假设 → 设计验证 → 接触失败 → 修正判断 → 形成结论 → 为结论负责。
最难的往往不是最后写出的那段文字，而是中间几次“我以为成立，结果不成立”。这条路径会迫使一个人暴露自己的假设、发现证据的边界，并逐渐形成判断：这个方向值得继续，还是应该及时放弃。
AI 进入以后，两条路径的差距还会扩大。固定题目的执行成本正在迅速下降，AI 与自动化工具可以代做越来越多环节；相反，真实问题、验证设计和失败处理仍然昂贵。越容易被安排的任务，越可能变成 AI 可以接手的交付；越接近问题所有权的工作，越能暴露一个人的真实能力。
三、AI 正在成为实验室的新基础设施#
过去，实验室的知识不只写在论文里，也藏在人的记忆和传帮带里。本科生不会做，往往去问硕士；硕士不会，问博士；博士遇到具体技术问题，又可能让已经毕业的博士助理去处理。
信息沿组织层级向上走一次，问题再沿层级向下传回来。效率不高，但它也是很多人第一次学会追责来源、阅读原始材料、理解实验设计的地方。
AI 把这层基础设施拆掉了。
现在，本科生可以直接接近论文、代码、数据和工具链；硕士可以在没有导师即时回答时调用一个永远不会嫌问题太蠢的讨论对象；AI 还能把一次失败展开成日志、调用链、最小复现和假设检查。
这会催生一种很有意思的学习方式，我更愿意把它叫 Debug 式学习：先让 AI 尝试；当它失败时，人再去查文档、读源码、补概念，最后把问题重新交给 AI 验证。
这和“让 AI 直接给答案”不是一回事。真正有价值的是那个失败点——它迫使使用者暴露自己究竟缺了哪一块。
不过，Debug 式学习有一个严格边界：它主要在错误可见时发生。如果 AI 一直输出流畅、完整、看似合理的答案，而使用者又没有足够框架去识别错误，那么人只会在错误的轨道上跑得更快。
因此，AI 至少应进入科研闭环的三种位置：
- 答案机器：快速生成候选方案；
- 显微镜与调试器：把失败放大，追到具体假设；
- 对抗性审稿人：主动攻击结果，寻找替代解释和反例。
但不能把“定义问题”和“承担后果”一起交出去。
人可以借助 AI 形成假设，不能让 AI 替自己选择什么值得做；可以采用 AI 写出的代码，不能让一段跑通的代码替自己证明模型在现实里可靠；可以让 AI 预测实验，不能替自己面对预测落空。
AI 可以进入闭环，却不能拥有闭环的责任。
四、以后真正分层的，是闭环半径#
学位仍有意义，但很难再独自解释一个人的研究能力。我更愿意用四个层级描述差异。这不是可量化的测评标准，只是一个分析框架。
第一层：完成任务#
知道该怎么做，也能在他人给出目标、路径和检查点后稳定交付。这是一种合格执行力。
很多工作本来就只需要这一层。能够准确完成明确任务，不应被贬低为“没有科研能力”。
第二层：独立解决子问题#
面对一个边界清楚的子问题，能够自己查资料、选方法、排除错误并交付结果。研究生训练如果做得完整，主要应该把人带到这一层。
第三层：完成研究闭环#
能够从现实问题出发，自己界定问题，选择验证路径，接受失败，整理证据，并把结论交付给别人复核。做到这一层的人，已经不只是“会完成任务”。
本科生的优势可能是路径短、试错成本低、没有被旧方法束缚；博士的优势则可能是问题训练更长、更接近前沿。两者真正应该比较的不是年级，而是是否独立拥有过完整闭环。
第四层：设计验证系统#
更高一层的人，不只完成一次研究，而是能设计实验、统计、复现和对抗性审查的整套机制，知道一个领域里什么证据才算数，什么结果不能外推，怎样的失败会推翻自己的判断。
这才是过去“系统性训练”最难被 AI 抹平的部分。它不是多学过几门课，而是经历过足够多的失败，知道自己在哪些地方容易自信过头。
于是，学位不再必然对应更高层级。一个只在固定流程里完成高级操作的博士，可能停留在第一层；一个把真实问题从定义一路推到验证的本科生，可能已经抵达第三层。现实中更常见的是混合状态：博士有更长的系统训练，却也可能被狭窄任务限制；本科生路径更自由，也可能根本没有机会接触真正需要验证的问题。
所以更准确的说法不是“本科替代博士”，而是：
学位不再天然等于闭环半径。
五、导师本来就有两种角色，稀缺的是把学生带到真实问题#
不是所有导师都在做项目分包，也不是所有研究生培养都只是流水线。
在一些 985 高校和强课题组里，导师会直接给本科生有创新性的课题，让它进入组会、接触实验，并根据结果继续调整。这本身就是一种稀缺但已经真实存在的培养方式：导师不是只检查交卷，而是把学生带到未知问题面前。
另一些导师更像项目协调者。他们需要同时处理经费、进度、论文和毕业要求，给学生固定内容、安排可靠的数据与实验链条，保证每一步能够交付。这种管理能降低毕业与答辩的不确定性，工程和科研也确实需要协作、分工与质量控制；但它与高强度研究训练不是同一件事。真正要看的，是学生能否在固定任务之外，逐步获得自己的问题和方法判断。
固定分配不是随手安排：一条不能公开细节的核算链路#
“主动找导师，最后被学院统一分派”在生活里并不少见。我曾在学院教学办协助核算教师工作量，对这条链路有第一手接触，但只能描述到这个程度。
可以公开的事实有三点。
第一，教师工作量不是按自然工时直接计算，而是由学院内部的一套多任务口径汇总得到。这里涉及不同类型的校内任务，也存在用于折算的统一规则。获得经授权的汇总数量后，后续表格计算本身并不复杂；真正麻烦的是口径、保密和责任。
第二，这套核算结果会影响导师可接收的学生数量。因此，一个老师最终是否还能接收本科生、会被分派多少名额，并不只由学生是否主动联系决定，也不能简单归因为指导意愿。
第三，学院的统一分派与学生主动选择会同时存在。某位导师可能既收到主动联系，也可能仍有分派名额；另一位导师可能任务已经较满，即使统一分派也未必有继续接收的空间。这里讨论的是群体机制，不指向任何具体教师。
不能公开的部分同样明确：具体系数、原始任务数量、完整计算公式、每位教师的工作量与分派结果，以及足以反推出个人情况的课程细节，都属于内部信息。教学办公室和涉及的教师也要求遵守保密要求。即使只给出不同课程之间的系数高低，也可能让外人在结合其他信息后定位到个人，所以本文不提供这类例子。
因此，能够负责任地保留的结论只有：固定分配是多任务核算与学生流向共同产生的结果，既不能证明导师不负责，也不能保证导师一定会给出高质量的培养。 名额解释了任务从哪里来；导师怎样设计问题、实验和反馈，才决定学生最终走过多大的闭环。
AI 不会消除这两种角色，只会放大差异。固定执行越来越容易外包，真实问题的提出、验证和修正则更加稀缺。一个项目协调者仍然需要，但一个能把学生带进完整闭环的研究领航者，价值会继续上升。
这种领航作用至少包括五件事。
第一，给真问题，而不是只给切割后的章节。学生需要知道自己的工作为何存在，才能学会在结果异常时作出判断。
第二，先设计验证，再追求漂亮结果。如果学生只被要求“做出阳性结果”，就会天然学会修饰答案，而不是寻找事实。
第三，保留失败记录。哪条路走错过、为什么放弃、错误假设如何暴露，都应该是研究资产，而不是从论文里抹掉的噪音。
第四，引入外部对抗。让 AI、同伴、企业导师或跨领域人员专门攻击结论，比让所有人共同赞美一个尚未验证的结果更有训练价值。
第五，判断所有权，而不是提示词用量。学生用了多少模型、调用了多少 Token、写了多长的提示词，都不是学术贡献。真正要问的是：哪一个关键决定是他的，又有什么证据支持。
校内外实习也有两面。连接真实项目、数据和企业导师的实习，可以成为从课堂到产业闭环的一座桥；如果只是把学生变成短期劳动力，完成一段固定操作后回校交材料，它就只是另一种毕业兜底任务。
最值得复制的导师能力，不是更会替学生生成答案，而是更会找到学生不能靠答案跳过的训练场景。
六、学位不会消失，但需要交出裁决权#
只要社会仍要在有限时间内大规模筛选人，标准就不可能完全消失。考试有考试的信息优势，学位有学位的组织功能，论文也有论文的传播功能。
问题不在于有没有标准，而在于标准是否愿意把裁决权交还给证据。
AI 已经把内容生产压到很低价格。这意味着，一篇格式完整、叙述流畅的论文，越来越不能单独证明一个人的研究能力。作品集也不能简单替代学位——个人主页同样可以包装，同样可以只展示成功、隐藏失败，最后变成另一种营销。
更有用的方向，可能是一份“闭环证据包”：
- 原始问题、约束和适用边界；
- 数据、代码、模型或实验记录；
- 关键决策日志，包括放弃过哪些路线；
- 可复现步骤，也可以是经得起攻击的不可复现说明；
- 失败样本和结论修正过程；
- 独立复核、交叉验证或公开质询；
- 对局限、风险和外推范围的明确交代。
这份东西比一篇顺滑的论文更接近研究本身，也更难靠交付数量制造。
但它仍然不是完美制度。作品集可以包装，公开代码也可能有误，外部验证也有资源门槛。任何试图把人分类的机制都会产生新的局部最优解，也会被人为策略性应对。
所以真正的改革不是寻找一个“从此无人能作弊”的评价法，而是建立一个更耐修正的闭环：
标准公开 → 允许质疑 → 暴露证据 → 接受复现或反驳 → 失败后更新标准。
不是消灭评价，而是让评价能够被证据反向修正。
在这个体系里，学位应当保留为一种坐标：它记录某段训练、组织资源与研究经历发生过；但它不再自动拥有最终裁决权。
七、不是替代已经完成，而是一段技术切换的阵痛#
说到这里，还需要把时间尺度放回去。
“本科生 + AI 正在替代硕士”目前更像一个正在局部发生、尚未完成全局验证的判断。企业已经在部分执行型、边界清楚的任务中看到成本差，于是愿意选择底薪更低、工具使用更成熟的本科生。但同一家企业仍可能在核心研发、复杂系统、安全责任和长期培养上依赖硕博训练。两种招聘行为同时存在，不代表谁在自相矛盾；它更可能说明我们正处在一段新旧标准并存的过渡期。
技术史上，新工具刚出现时，常会出现一个类似火车与马车的阶段。铁路已经展示出更高的长期运输潜力，但只要铁路网、站点、维护和调度体系尚未建成，单辆马车在短途运输上仍可能更便宜、更灵活。早期采用者会拿当时的成本表作选择：马匹已经存在、道路已经修好，蒸汽机、机车和铁路却仍是一笔高昂而陌生的新投入。
企业今天面对 AI 时，也在用一张不完整的成本表做选择。它容易看见本科生与研究生的工资差，也容易把 AI 订阅费算作工具成本；系统集成、复核、错误返工、数据安全、失败责任和长期能力折旧，却还没有稳定的市场价格。
如果任务边界清楚、错误容易发现，低底薪本科生加 AI 的确可能更划算；如果任务高度开放、错误会进入真实系统，表面的工资差很可能只是总成本的一部分。现有证据还不足以证明前者会全面压倒后者，更不足以推出研究生培养已经失去价值。
这段阵痛至少包含三层错位。
- 企业用旧岗位边界衡量新工具。 旧岗位把人按照职责和工种切分，AI 却会同时挤压多个步骤。于是企业最容易先选择那些可以逐项验收、成本容易比较的执行任务。
- 高校用旧信号证明新能力。 学位、论文和答辩仍能稳定排序，但它们与 AI 协同、工程闭环和真实交付之间的关系还没有被充分定价。学生会误以为必须尽快拿到新标签，企业也会误以为旧标签能够直接预测新生产力。
- 个人承担系统转型的成本。 学生在标准模糊时更容易焦虑，导师在风险不明时更倾向守住旧路径，企业在竞争压力下又更愿意先购买便宜产能。每一方的局部选择都可能有理由，叠加起来却会制造错配。
阵痛期最典型的状态，是每一方都在自己的局部账本上作出理性选择，合在一起却形成系统性浪费。
以史为鉴，不是为了得出“新工具一定会赢”的必然结论。恰恰相反，技术更替很少线性展开：旧体系不会立刻消失，新基础设施也不会一开始就比旧方案便宜。真正重要的是，新技术最终要获得一套与自身相匹配的成本核算、基础设施、验证方法和责任边界。
在 AI 的这套体系尚未完成以前，“本科生替代硕士”和“博士仍然不可替代”可以同时为真。前者描述部分任务的价格正在下降，后者描述部分前沿仍然需要长期训练。二者不是二选一的结论，而是过渡期同时存在的两股力量。
这也解释了为什么现在最重要的不是抢着宣布谁已经胜出，而是尽快建立能够识别闭环能力的评价。否则，新技术只会先奖励最会使用它的组织、旧指标只会继续保护尚未被重新证明的价值，而个体被迫在两套都不完整的标准之间反复下注。
新标准会补课，但“驾照”不等于“会开车”#
汽车刚进入大众交通时，统一的车辆识别、登记制度、驾驶资格和责任规则并没有天然存在。它们是在车辆变多、道路变复杂、事故外溢到公共系统之后，才逐渐补齐的。AI 进入科研、医院和工程以后，也会经历类似过程：今天的能力差距，最终会被翻译成新的流程、检查点和责任标准。
这些新标准不太可能只问“会不会用 AI”。更可能进入评价的，会是以下几类能力：
- 能否把模糊需求收敛成可验证的问题；
- 能否选择合适的数据、模型和工具；
- 能否发现 AI 输出的错误、遗漏与不确定性；
- 能否保存证据链，在结果异常时重做或追责；
- 能否处理工具失败、数据污染和现实世界里无法标准化的例外；
- 能否把一次成功迁移到另一个场景，而不是只记住一道题的解法。
这些能力稳定以后，确实可能出现新的“驾照”：领域证书、模型使用规范、责任分级、审计记录、持续教育和项目授权。AI 协作者的具体模型可以变化，但一个人是否有权独立完成某类高风险任务，仍需要由制度和机构确认。
可“驾照”本身也可能退化成新的仪式。拿到证不代表遇到罕见事故时不会犯错；完成在线课程不代表能够在真实系统里接管 AI；通过统一考试，也可能只是在过拟合考试题。
数字基础设施还有一层悖论。它替人省去了购票、挂号、填表等步骤，有些人也因此失去了理解流程的机会。并不是所有人都会因此失去基本能力——数字服务本来就在帮助很多人——但依赖确实可能发生。当 AI 界面负责隐藏绝大多数异常时，人最容易失去的不是某个按钮的位置，而是判断“哪里不对劲”的感觉。
所以未来真正需要维持的，不是每个人都必须能够在没有 AI 的情况下完成一切，而是三件事：看得懂系统在做什么，拦得住错误继续传播，接得住 AI 失效后的现场。
训练时间会先在闭环清楚的任务上被压缩#
AI 不会把三年的系统训练平均压缩成三个月，也不会让所有学科的培养周期同时坍缩。最先被压缩的，是边界较清楚、反馈较快、能够反复验证的任务：文献定位、代码与数据管线、标准化实验流程、报告初稿、影像初筛和结构化决策支持。
在这些环节里，一个本科生在三至五年的连续实践中建立较完整的 AI 辅助工作闭环，已经不再只是设想。过去的三年至四年训练，可能只需其中一部分，就能完成原先依赖人工串行完成的标准化流程。
但“能够跑完流程”与“拥有领域直觉”仍然不是同一件事。训练时间真正被压缩到什么程度，取决于新人是否仍会接触错误、负结果、边界条件和真实责任。AI 跳过经验，闭环半径就会停在工具操作层；AI 帮人更快抵达错误，反馈才可能转化为判断。
这也意味着，未来最难统一的可能不是学历，而是学习路径的连续证明：一段项目、一次失败复盘、一份可复核记录，也可能比三年的在校时间更接近真实训练。
兽医不是单向试验场，而是双向反馈的节点#
前面把动物医学称作 AI 的“较早试验场”，太单向了。更准确的说法是：它可能成为人与动物、医疗与农业、诊断与公共卫生之间的一个双向反馈节点。
人类临床口语里常把儿科称作“哑巴科”，因为患者很难完整描述自己哪里不舒服，只会哭、躲、拒绝进食、行为改变或给出模糊的局部表现。动物更彻底：它们不仅不能把症状讲出来，很多时候连“疼”也不会像人一样表达，只能依靠姿态、步态、叫声、采食、运动量、体温、影像和实验室指标共同推断。
这使动物诊疗与儿科在方法论上遇到相似问题：如何从一组不能直接口述的信号里，识别“正常波动”与“正在恶化的异常”。现有兽医 AI 已经覆盖影像、临床文本、可穿戴设备、行为与跛行监测、远程医疗和疾病预测；一篇近期的系统综述也指出，这些方向多数仍缺少外部验证和前瞻性的真实临床评估（AI applications in veterinary digital health ↗）。
养殖场和农村兽医的反馈面又更宽。动物个体之外，AI 还可以处理群体行为、疫病时间与空间聚集、实验室结果、死亡与扑杀记录、圈舍环境和生产损失。对传染病密集、诊疗资源不均的乡村场景，这套工具更可能先用于风险筛查、异常分诊、采样优先级和公共卫生联动，而不是单独完成最终诊断。动物行为与传感器监测的进展也为“从非语言信号识别异常”积累了方法（Precision Livestock Farming and Biomedical Engineering ↗）。
但能反哺人类医学的，主要不是某一个现成模型，而是这套方法：把行为、传感器、影像和实验室结果放进同一时间轴；用观察者或照护者标签补充无法口述的症状；区分个体异常与群体趋势；把模型输出写成带不确定性的风险提示。到人类医学里，每一个环节仍然需要重新标注、重新验证，没有哪套动物权重可以直接跨物种使用。
至于“既然动物最后可能安乐死，为什么不拿它反向验证 AI”，这是一个很有价值、也必须拆开的问题。
终末病例确实能提供一种强标签：如果动物在发病前留下了行为、传感和临床记录，死亡后又有病理和病原学诊断，那么研究者可以检查 AI 是否更早识别了高风险。最合理的设计是前瞻性采集生前信号，用常规尸检结果回看模型，而不是为了获得标签而让动物走到安乐死。
这种验证也有明显边界。尸检样本天然偏向重症、死亡或被扑杀的动物，只能回答“在这些已经失败的病例中，模型能否提前发出警报”，不能直接代表全部活体。它更适合验证病理、病原和风险分层，不足以单独证明一线分诊已经可靠。进一步推广仍需要独立样本、前瞻性部署和与最终临床结局一致的标签。
确实已经有机构在复用这类终末数据。威斯康星大学兽医学院与 Wisconsin Veterinary Diagnostic Laboratory 收集了 2004—2018 年间的 33,567 份常规尸检报告，用机器学习识别胃肠道、呼吸道和泌尿系统病变，并回溯 14 年中的时间与空间模式（Machine learning for syndromic surveillance using veterinary necropsy reports ↗）。这证明尸检档案能够成为群体监测和算法验证的数据源，但它并不是“因为要训练 AI 而安乐死动物”的实验。
伦理边界必须放在技术想象之前。动物因为独立的临床福利、主人权益、动物福利或公共卫生原因被安乐死或扑杀后，其依法留存的组织、影像和报告可以在满足同意、授权、隐私和伦理审查要求的前提下用于研究；研究价值不能反过来成为实施安乐死的理由。 2026 年一篇讨论兽医临床决策的论文也提醒，AI 可能介入安乐死等争议决策，但只能是可审查的辅助工具，不能成为替兽医和制度承担伦理裁决的权威（Artificial intelligence, epistemic authority, and emerging risks in veterinary clinical decision-making ↗）。
在本次精确检索中，我没有找到任何机构正在以“为训练或验证 AI”为目的安乐死或扑杀动物，也没有找到兽医诊断模型直接迁移到人类儿科的成熟项目。现有证据能支持的是反向闭环，而不是单向替代：
动物端提供连续行为、群体疫情和终末病理；AI 在生前信号与死后标签之间接受检验；兽医把结果用于下一次分诊与公共卫生判断；人类医学再吸收其中的多模态监测方法，并重新建立自己的验证与责任体系。
因此，兽医不是替人类医学先跑一遍的缩小版实验室。它更像一条仍在寻找制度接口的支流：向 One Health 输送预警，向儿科借用非语言诊断的方法，也把终末病例中可能保留的最后证据，转化成下一轮学习的起点。技术史里的火车不是一开始就优于每一辆马车；这里真正需要的，是先修好数据、验证和责任这条铁路。
八、要不要继续读，不能只按“学历会不会贬值”判断#
AI 带来的不是一张简单的本科替代硕博的路线图。
前沿研究、长周期实验、复杂理论推导、临床与工程安全，仍然需要长期训练、真实设备、失败机会和资源平台。一个没有机会接触这些问题的人，仅靠 AI 生成流程，不能自动补上这些条件。
但反过来，如果一个培养项目只提供学位、固定任务和格式化交付，没有让学生真正拥有过一个问题，那么多待几年也不能自动形成研究能力。
这并不意味着研究型大学、985 高校或者好导师提供的培养没有价值。恰恰相反，能让本科生较早接触创新课题、获得设备与数据支持、接受高频反馈的培养环境，仍然是 AI 难以直接购买的资源。问题只在于这些优势是否真正到达了具体学生。
固定毕业任务会用更低的答辩难度换取较少的自主判断。它当然可以训练规范实验、代码协作、报告写作和工程交付，但“更容易通过”不能直接推出“更强的研究能力”。当完成分配内容成为整个培养的全部目标时，学生获得的闭环半径就可能长期停在校内任务层。判断一个培养项目时，具体导师、研究方向和学生能够拥有的自主空间，往往比学校层级更接近真实答案。
面对“读研还是就业”，可以先问三个更具体的问题：
- 我能否接触一个真实问题，而不是只拿到一个被规定好的子任务？
- 我能否对一个方法选择、一个失败结果和一次结论修正负责？
- 离开平台后，这些证据能否被别人复核，而不是只对我自己的毕业有用？
三个答案都是“不能”，继续升学可能只是延后进入真实市场。三个答案都是“能”，学位仍然可能是一条高效杠杆——因为它买到的不是一纸文凭，而是高密度的问题、导师反馈、试错机会和同行压力。
就业与升学也不必被写成非此即彼。对一部分人来说，尽早进入真实项目可以快速积累反馈；对另一些人来说，先进入一个能提供完整训练闭环的环境，再带着问题进入产业，可能比急着拿一份岗位更划算。
真正需要比较的，不是“本科还是硕士”这个静态标签，而是自己能不能逐年扩大闭环半径。
九、第一学历为什么还卡得住：能力招聘是一笔“奢侈品生意”#
企业卡第一学历，当然不是因为真的相信它能精确预测一个人的未来。恰恰相反，这正是它长期令人不满、又迟迟没有消失的原因：企业知道自己招错人的代价很高，却没有足够便宜的办法判断一个人到底能不能把工作做成。
第一学历在招聘里更像一张可追责的保险单。它容易获得、便于比较、能够批量筛选，也能把组织决策包装成“按公开标准执行”。如果一个拿着名校标签的人表现不好，招聘者可以说自己已经通过了标准流程；如果一个简历没有名校标签的人表现优秀，筛选却根本没有走到验证能力的环节。
这和“名校一定更强”不是一回事。
复读、培训和长期题库训练早已说明，任何被固定下来的考试都可以被针对性优化。985、211 的学生同样可能过拟合高考：熟悉标准化题型，擅长在既有规则里拿分，却没有解决真实问题的能力。现实中，不也有人在毕业以后去跑外卖、进快递，或者进入一个长期找不到专业对口岗位的行业吗？
所以，企业偏好第一学历的真正原因并不是“高考比考研更不容易过拟合”。更准确地说，它过去被认为更难通过一次短期应试临时改写，是一个在更长成长阶段里留下的筛选记录。但这只是历史形成的代理指标，不是能力定理。当代理指标与真实结果逐渐脱节，企业仍可能继续使用，只因为替代它的验证方法更贵。
考研可以刷题，高考也可以复读；证书可以包装，开源项目也可以由 AI 批量生成。企业真正防守的从来不是某一种具体作弊方式，而是一个更朴素的组织原则：不要让筛选成本和招错人的成本落到自己身上。
猎聘式能力招聘：逻辑没有错，只是覆盖不了所有人#
猎聘式渠道代表的是另一种更接近真实需求的招聘：先理解岗位真正要解决什么，再主动寻找做过相似问题的人；学历只作为背景信息，项目深度、岗位匹配、实际交付和行业轨迹才进入主要判断。即使候选人的第一学历普通，只要能够拿出足够强的能力证据，这条路径完全可能成立。
企业并不是原则上拒绝能力导向。问题是，能力导向的准确度需要成本购买：
- 找到真正做过相关问题的人，需要行业搜索和长期积累；
- 判断他是否适合当前岗位，需要深入访谈、情境任务和作品追问；
- 验证过去的项目是否由本人完成，需要背景核验、过程记录或现场任务；
- 招错人后的机会成本，又会随着岗位价值和团队规模迅速放大。
猎头或专业顾问的价值，就是把这些昂贵动作集中到少数关键岗位上。它在稀缺人才、高价值岗位和经验型招聘中很有效；到了需要批量招收大量初级岗位的场景，同一套流程就可能比工资本身还贵。
所以，能力招聘不是一项普遍失灵的技术，而是一项覆盖比例受限的服务。它能回答“这个人适不适合这个岗位”，却很难低成本地回答“这个组织到底要用什么标准，公平地筛完十万人”。第一学历正是在这个规模缺口里活了下来。
这里最不公平的地方也在这里：更准确的招聘方式并非没有价值，而是价值被成本包住了。猎头可以跨过学历门槛，却也把候选人的可见度交给行业资源、现职履历和人脉网络；普通应届生和没有稳定作品的人，依然更难进入这套能力识别系统。
招聘的悖论是：信号越准确，验证越昂贵；信号越便宜，误差越大。
学校与企业共同制造了一个培养真空#
第一学历之所以长期有效，还有一个不太显眼的原因：很多组织都希望使用已经被别人训练过的人，却不愿稳定承担从头培养一个人的成本。
学校并不是完全没有培养能力。企业也不一定真的不会培养。问题是双方计算的是不同的账。
学校需要维持学科体系、课程秩序、科研考核和毕业要求。它能够提供基础训练，却不一定能掌握每家公司下个月要解决的问题。企业能够提供真实场景，却担心刚培养好的人就被竞争对手挖走，也担心新人尚未贡献就占用资深员工的带教时间。
于是，学校倾向于交付学历与通识，企业倾向于购买经验与即战力，学生则被要求自己完成中间那段最昂贵的能力拼接。学校等企业教会，企业等学校已经教好，双方都能指出对方没有完成的那一半。
这不是简单的“学校不行、企业也不行”，而是培养成本没有被任何一方稳定承担。企业的搭便车顾虑有现实基础，学校的培养与产业脱节也有现实依据；但当每个参与者都选择局部最优，毕业生就会落入夹层：学校认为基础已经教完，企业认为上岗能力应该自带，整个社会却默认存在一个不需要付费的“最后一段成长”。
AI 降低生成成本，却没有把验证成本降为零#
AI 的确会改变这笔账。它能降低文献学习、编程练习、模拟实验和作品制作的成本，也让一个没有传统名校标签的人更快建立可展示的案例。从这个意义上说，它确实可能把一部分原本属于猎头、导师和企业培训的能力，转移给个人。
但“AI 生成的 GitHub、论文和作品集天然就是能力证明”仍然过于乐观。企业很快就会面对同样的问题：代码可以生成，项目可以包装，证书可以由模型协助完成，漂亮页面也可以在几分钟内出现。产出越来越多，验证反而成为新的瓶颈。
企业需要的不是一段看起来正确的答案，而是继续追问：
- 候选人在 AI 不可用时，最基础地能做到哪一步；
- 面对错误输入，他是否知道该检查哪里；
- 过去的提交、交付和决策能否前后对应；
- 同一个问题换一种条件后，他是否仍能解释原理；
- 结果进入真实系统后，他是否愿意承担修正责任。
这些验证不会因为 AI 会写代码就自动消失。AI 更可能把招聘漏斗从“阅读大量静态材料”改造成“可运行的现场任务、过程记录和口头答辩”。它降低了评价者设计与批改部分重复工作的成本，却没有把真实性、适应性和责任成本降为零。
它还会把一部分培养成本转回个人：学校更少承担长期指导，企业更少提供带教，个人必须自费购买工具、时间和反馈。这会扩大已有资源差异，而不是自动填平差距。真正能改善招聘比例的，不只是让更多人会生成作品，还要让企业拥有一套能以较低成本验证真实能力的方法。
真正缺的不是更多内容，而是外部验证层#
如果我是老板，账其实很好算：只要外部机构能够用低于内部筛选和培训的成本，可信地告诉我“谁已经具备这项能力”，我没有任何理由一边支付高额带教成本，一边继续依赖第一学历。
这种购买意愿非常强，但“任何企业都会百分之百采用”仍然过于绝对。企业还会考虑验证结果是否真的能预测岗位表现、费用是否低于招错人的代价、出错后由谁负责，以及非传统候选人会不会利用验证体系反向包装自己。越接近“验证成本低于内部培养与错误招聘成本”这个条件，企业采用新方式的动力就越强。
真正可能改变第一学历结构的，不是一个更漂亮的作品集网站，而是一层独立、可信、可以明码标价的外部验证机制：
- 学习者通过课程、项目、训练营或个人实践获得基础能力；
- 外部机构使用与岗位相关、但企业不便反复设计的任务进行测评；
- 测评同时检查结果、过程、异常处理和解释能力；
- 机构交付可追溯的验证记录，而不是只发一张永久有效的证书；
- 企业在不同岗位选择自己真正需要的验证信号。
基础知识点的正确率、速度和边界条件可以高度自动化；复杂项目则需要受控环境、过程日志、版本记录和部分人工复核。AI 可以批量生成题库、模拟真实工作、帮助阅卷和发现异常，但评价机构必须对验证方法承担责任。否则“AI 验证 AI”只是把不可信程度包装得更专业。
这层外部验证也不能被静态证书重新过拟合。任务需要更新、保密和随机变化；证书要绑定能力版本与适用岗位；高风险岗位需要现场复核；错误记录和申诉机制也要保留。否则企业今天警惕学历证书，明天就会开始购买另一种标准答案。
可能的提供者不是单一机构：行业协会可以维护职业标准，企业联盟可以共同出题和付费，大学可以承担基础测评，平台可以提供运行与身份基础设施，监管机构则负责高风险领域的责任边界。关键不在于名字叫“认证中心”，而在于它能否同时做到低成本、可审计、与岗位相关，并让错误承担真实后果。
如果这套层能够成立，企业就不必在“自己从零培养”和“盲信第一学历”之间二选一。它可以购买经过验证的能力，把内部培训留给真正与组织场景绑定的部分。个人也不必只靠一份无法证明过程的作品集碰运气，而是在可复核的训练与验证中逐步获得岗位信用。
这大概才是 AI 对招聘最实际的影响：它不负责把“能力本位”四个字喊出来，而是有可能把外部验证的成本降下来，让企业第一次有理由大规模购买一种比第一学历更接近真实工作的信号。
第一学历不会在某一天突然失效#
第一学历的弱化会更像一场局部退潮，而不是一夜消失。高价值、强监管、岗位风险高而候选人差异难以现场判断的岗位，仍会长期依赖它；供给充足、产出可快速测试、团队更缺即时能力的岗位，则更容易接受非传统路径。
对于一个第一学历普通的人，作品集也不是“把门槛一扔就自动通行”的咒语。它更像一张进入第二轮验证的门票：能不能让面试官跳过学历、认真看一次真实能力，仍取决于证据的稀缺性、岗位匹配、可复核性和个人在组织风险面前的分量。
所以，第一学历问题表面上问的是“企业凭什么”，底层问的却是：一个组织愿不愿意为准确识别一个人，支付本可以转嫁给求职者的成本。
猎聘式能力招聘自始至终都在提醒这件事：企业真正想要的是把问题解决掉的人。只是这套逻辑目前仍像奢侈品，因为大多数岗位和候选人无法支撑为它单独建立一条昂贵而精细的通道。AI 正在降低这条通道的建造费用，却还没有让责任、验证和培养同时消失。
十、第三块拼图：让教育重新回到发现#
9 月 24 日的两篇文章谈了通道关闭与评价重置。25 日这篇补上第三块拼图：评价不是换一套更漂亮的指标，培养更要识别那条把完整发现切成毕业任务的路径，并把问题所有权重新交还给学生。
未来未必会出现一个所有人都按能力信用的理想世界。学历会继续存在，岗位门槛会继续滞后，资源与机会也仍会不平均。AI 可以降低一部分认知劳动，却也会把“谁拥有更好的工具、更多试错空间和更强验证能力”的差距放大。
在所有不确定性里，有一件事反而更清楚了。
AI 也许会让更多人跳过旧通道的台阶，但它不会自动送给任何人一次完整发现。跳过台阶的人，必须自己走完路；建立新通道的人，也必须让这条通道通向真实问题，而不是另一个更精致的证书工厂。
大学真正需要证明的，不是它把多少年轻人送进了下一站，而是有多少人离开时，能够在没有导师、论文和学历代行的前提下，独立走完一段从问题到验证的路。
值得被继承的从来不是本科、硕士、博士的台阶，而是每个人至少拥有的一次完整发现。