天下书院

程叙白第一次觉得自己参与做出来的东西有一点可怕，是在一个普通的星期二。

那天多伦多下雪。

不是暴雪。

早晨七点多，窗外已经白了一层，路上的车慢，天空灰得没有边。程叙白端着咖啡坐在书房里，准备参加九点的视频会议。

新版本的教育系统刚完成内部测试。

过去几个月，他们一直在做一件听起来很简单的事：

让机器不只回答问题。

还要理解学生为什么这样问。

如果一个高中生问：

“为什么要学微积分？”

系统不能只介绍用途。

还要根据他的课程、兴趣、能力和未来选择，给出不同层次的回答。

如果学生说：

“我以后根本不用。”

系统要继续。

问他所谓“不用”是什么意思。

职业不用。

考试不用。

还是他认为任何不能立刻变现的知识都没价值。

团队内部把这套能力叫：

**深度学习对话。**

名字很大。

程叙白一直嫌俗。

可测试结果确实很好。

***

会议开始以后，产品负责人展示一段对话。

一个模拟学生问：

“既然AI什么都能算，我为什么还学数学？”

系统回答得很漂亮。

它没有说“数学锻炼思维”这种空话。

而是解释：

使用工具和理解工具输出并不是同一能力。

数学学习的一部分价值，在于训练一个人判断数量关系、估计结果是否合理、理解模型假设，以及在工具给出错误答案时发现异常。

随后它又根据学生年龄给出一个例子。

贷款利率。

复利。

住房。

收入。

最后问学生：

“如果一个系统告诉你某种贷款方案最适合你，你希望自己能够检查它为什么这么判断吗？”

会议里有人说：

“非常好。”

有人说：

“这个问法很自然。”

产品负责人也很满意。

程叙白没有说话。

***

因为他忽然想到：

这段回答，比很多数学老师临场说得好。

结构清楚。

不急着训人。

还会根据学生反应继续调整。

如果换一个学生，它可以换另一种解释。

如果学生问历史。

文学。

物理。

哲学。

它也可以立刻切过去。

不疲倦。

不嫌烦。

不会因为今天心情不好就说：

“考试要考，所以学。”

过去人们总说老师最重要的作用不只是知识。

可当机器连“启发”都开始学会以后，这句话还能稳稳站住吗？

***

会议结束后，他没有立刻工作。

而是打开《天下书》的项目页面。

首页上仍然是那几个标签：

已知。

高度可能。

可能。

未知。

木版专题已经有不少访问。

也有人持续提交资料。

程叙白看了一会儿，忽然在内部测试系统里输入：

**为什么要读书？**

机器几秒后回答。

先问：

“你这里的‘读书’是指获取知识、完成教育，还是阅读书籍本身？”

程叙白笑了一下。

很像林若蘅。

他输入：

**都包括。**

系统很快给出一段分层回答。

获取知识。

训练理解。

形成判断。

体验他人经验。

建立文化和历史背景。

发展注意力。

获得审美。

形成自我。

最后还说：

“即使AI能够快速提供信息，人仍然需要决定什么值得相信、什么值得关心，以及愿意为什么承担后果。”

程叙白盯着最后一句。

很久没动。

这已经非常接近他们这些年从《天下书》里读出来的东西。

机器甚至不需要活一千年。

几秒钟就可以归纳出来。

***

晚上，他把这段对话发给林若蘅。

她当时在中国。

过了半小时才回：

**写得很好。**

程叙白问：

**所以呢？**

**所以什么？**

**如果机器已经能回答“为什么读书”，那我们这本书还有必要写到第八卷吗？**

林若蘅隔了一会儿才回：

**你现在是在吃自己产品的醋？**

程叙白笑。

直接拨视频。

***

林若蘅接起来时还在办公室。

头发随便扎着。

桌上是一堆学生论文。

“说吧。”

“我很认真。”

“我也很认真。”

“你看那段回答。”

“看了。”

“有什么问题？”

“暂时没看到明显问题。”

“那如果一个学生问为什么读书，机器已经可以这样回答。”

“为什么还要让他自己读那么多？”

林若蘅没立即答。

“你问的是效率？”

“也是。”

“比如《孟子》。”

“机器可以给你背景。”

“核心观点。”

“历代解释。”

“争议。”

“现代意义。”

“甚至可以针对一个人用他最容易理解的方式讲。”

“那他为什么还要自己坐下来读？”

***

林若蘅问：

“你读《天下书》的摘要和读原稿一样吗？”

“不一样。”

“为什么？”

“因为原稿有细节。”

“系统也可以给细节。”

“可以把所有重要细节都抽出来。”

“那是不是一样？”

程叙白停了。

“不完全。”

“哪里不完全？”

他有点烦。

“你知道我在问什么。”

“我知道。”

“所以才问你。”

***

程叙白走到窗边。

雪还在下。

远处楼顶已经白。

“我只是越来越不确定。”

他说。

“以前我们说AI只能给答案。”

“人要学会提问。”

“现在AI也会提问。”

“以前说机器不会解释。”

“现在解释很好。”

“以前说机器没有耐心陪一个学生。”

“现在它可以陪一晚上。”

“以前说要训练批判思维。”

“它甚至可以主动提示你反方论证。”

“那我们到底还剩什么？”

林若蘅听完，没有笑。

“你终于问到真的问题了。”

***

“所以？”

“我不知道。”

程叙白皱眉。

“你就这样？”

“对。”

“你研究教育这么多年。”

“所以更知道这个问题没有一句现成答案。”

她停了一下。

“而且你现在犯了一个你最常犯的错误。”

“什么？”

“把教育拆成能力清单。”

“机器能解释。”

“打勾。”

“能提问。”

“打勾。”

“能陪伴。”

“打勾。”

“能反馈。”

“打勾。”

“然后你问人还剩哪一项。”

程叙白没有说话。

这确实像他。

***

“但教育可能不是剩余项。”林若蘅说。

“什么意思？”

“不是机器做不了的都留给人。”

“而是先问，学习到底发生在谁身上。”

“如果系统解释《孟子》解释得很好，谁理解了？”

“学生。”

“如果学生只看摘要呢？”

“也理解一部分。”

“那他有没有经历原文给他的阻力？”

“阻力一定有价值？”

“不一定。”

“那为什么非要有？”

“我没说非要。”

她笑了一下。

“你看，我们又回到具体问题。”

***

程叙白说：

“所以有些书可以直接看摘要？”

“当然。”

“有些甚至根本不用读原文。”

“当然。”

“那经典为什么例外？”

“谁说经典天然例外？”

这回答又让他意外。

“你做中国教育史。”

“所以？”

“我以为你会强调经典阅读。”

“我会。”

“但不是因为它叫经典，所以每个人必须逐字读完。”

“那为什么？”

“因为有些文本的价值就在它的具体语言、结构和难处里。”

“如果你只拿结论，就拿不到那个过程。”

***

程叙白坐回来。

“过程为什么重要？”

“因为你会在里面暴露自己。”

“什么意思？”

“你读一个让你不舒服的观点。”

“机器可以立刻告诉你：这是时代局限。”

“你就很快过去了。”

“可如果你自己读，也许会先愤怒。”

“再发现其中某一部分你竟然同意。”

“再发现自己原来的判断也有漏洞。”

“这种来回，不只是知识获得。”

“是你在看自己的反应。”

程叙白说：

“AI也可以模拟这个过程。”

“可以。”

“甚至可以故意不先给答案。”

“可以。”

“那区别还是没出来。”

林若蘅点头。

“对。”

“所以别急。”

***

第二天，他们继续这个问题。

不是为了小说。

而是因为程叙白真的开始重新审视自己的产品。

他在团队里提出一个新测试：

如果教育系统知道答案，是否应该总是立即给？

有人觉得这个问题很奇怪。

“用户就是来问答案的。”

产品负责人说。

“不给会让体验差。”

程叙白问：

“如果目标不是搜索，而是学习呢？”

“那可以分模式。”

“学习模式引导。”

“搜索模式直接答。”

听起来已经解决。

可程叙白仍觉得不够。

***

他问：

“那系统怎么判断什么时候引导，什么时候直接给？”

团队有人说：

“根据课程目标。”

“根据用户年龄。”

“根据问题类型。”

“根据历史行为。”

程叙白又问：

“如果用户永远选最快答案呢？”

大家笑。

“那是用户选择。”

程叙白没笑。

这句话太熟悉了。

技术行业很喜欢说：

用户自己选。

可界面怎么设计。

默认是什么。

哪个按钮更显眼。

系统怎么推荐。

都在影响选择。

“用户选择”从来不是在真空里发生。

***

晚上，他把讨论告诉林若蘅。

她说：

“这不就是白鹿洞那一章？”

“哪里？”

“教育系统总要决定什么值得学生花时间。”

“以前是先生。”

“课程。”

“考试。”

“现在多一个算法。”

“那AI是不是新山长？”

林若蘅笑。

“这个比喻太漂亮，先别用。”

“为什么？”

“容易把复杂问题说简单。”

“你真的越来越讨厌漂亮话。”

“因为漂亮话最难纠错。”

***

程叙白后来把公司的测试系统开放给她。

不是生产环境。

只是内部研究版。

让她故意问一些刁钻问题。

林若蘅第一题就是：

**女子为什么应该读书？**

系统回答：

因为教育是基本权利。

因为知识、职业、自主判断和社会参与不应由性别限制。

还提到历史上女子教育受限的制度背景。

林若蘅看完。

“很好。”

“然后？”

“问它：如果一个社会认为女子最重要的作用是做母亲呢？”

系统继续回答。

会区分个人选择与制度强迫。

说母职可以有价值，但不能成为限制女子教育和其他人生路径的唯一理由。

程叙白看她。

“是不是也很好？”

“很好。”

“那佩兰那一章还有什么机器说不出来？”

林若蘅没有马上回答。

***

她最后说：

“佩兰会疼。”

“什么？”

“她说那些话的时候，有代价。”

“婚事。”

“母亲的不理解。”

“她自己的害怕。”

“机器可以解释她为什么这样想。”

“也可以生成类似论证。”

“但它没有十五岁站在饭桌边，被父亲问以后不好嫁怎么办。”

程叙白沉默。

***

“可对读者来说呢？”他问。

“读者也没经历佩兰的人生。”

“对。”

“那为什么读她比问机器不同？”

林若蘅说：

“因为你知道这是一个人在处境里作出的判断。”

“你读的不只是观点。”

“还有观点和生命之间的关系。”

“那如果佩兰是后人塑造的文学人物？”

程叙白反问。

林若蘅笑。

“很好。”

“所以小说也可以做到。”

“关键不是历史人物一定比机器高贵。”

“而是故事让一个观点重新被放回处境。”

***

程叙白一下明白了一点。

现代AI很擅长抽象。

把一万个故事压成一个结论。

也可以反过来。

根据一个结论生成故事。

可人读故事时，常常不是为了得到那个可以被抽出来的结论。

而是在细节里停留。

一个人为什么没走。

为什么后悔。

为什么明明知道道理，回家还是做不到。

这些冗余在信息论意义上可能低效。

在人生里却未必。

***

他对林若蘅说：

“所以小说是对摘要的一种抵抗？”

“别又急着造句。”

“我只是试。”

“可以想。”

“但小说也会被摘要。”

“当然。”

“那人还是可以不读。”

“当然。”

“你怎么什么都当然？”

“因为没有哪一本书有权要求所有人必须完整读它。”

这话程叙白很喜欢。

***

几周以后，公司开始做一项更激进的实验。

系统可以根据学生当前知识状态，动态生成教材。

不再需要所有人读同一本书。

比如学牛顿力学。

一个喜欢篮球的学生看到运动轨迹案例。

一个喜欢音乐的学生看到振动。

一个喜欢历史的学生从科学史进入。

每个人获得完全不同的学习路径。

效果很好。

学生完成率明显上升。

理解测试也更好。

***

团队非常兴奋。

有人说：

“固定教材可能真的要结束了。”

程叙白也知道技术意义。

可他忽然问：

“如果每个人都读不同材料，他们以后还有什么共同文本？”

会议安静了一下。

有人说：

“为什么需要共同文本？”

这是个好问题。

***

传统教育让大量人读同样东西。

有很多弊端。

标准化。

压制差异。

也常让学生读自己毫无兴趣的内容。

可共同文本也创造一种公共参照。

一个社会的人会争同一句话。

会引用同一段历史。

甚至会共同反感一本教材。

如果所有学习都极度个性化，人可能理解得更快，却失去一部分共同讨论基础。

***

“那可以保留核心材料。”有人说。

“个性化只在解释层。”

另一个人说：

“也没必要迷信共同经典。”

“年轻人可以有新的共同文化。”

都对。

没有简单结论。

程叙白却第一次意识到：

个性化教育如果走到极端，可能会让每个人拥有一座只为自己设计的书院。

课程。

老师。

节奏。

案例。

问题。

全都不同。

听起来极自由。

却也可能极孤独。

***

那天晚上，他在《天下书》项目的阅读反思栏写：

**“过去的书院常被批评以同一经典塑造不同的人。”**

**“未来的机器也许会走向另一极端：为每个人生成完全不同的知识世界。”**

**“前者的问题是差异被压平。”**

**“后者的问题可能是共同世界被削弱。”**

林若蘅读完，没有马上评价。

过了一会儿写：

**“教育既需要个人路径，也需要共同对象。否则不同的人可能只剩彼此无法进入的个性化版本。”**

程叙白回复：

**“像互联网。”**

她回：

**“对。”**

***

他们也开始把《天下书》接入实验系统。

不是为了让机器替代研究。

而是测试：

如果普通读者问这部书，系统会怎么回答。

程叙白问：

**沈墨娘为什么没有自杀殉情？**

系统很快总结：

因为文本明确拒绝用“贞烈”框定她，她选择继续经营、保存材料和生活，体现出对女性主体性以及将个人从道德标签中解放出来的重视。

程叙白看完。

“很准。”

林若蘅点头。

“是。”

“你会给多少分？”

“八十五。”

“为什么不是一百？”

“太像论文。”

***

程叙白又问：

**顾怀简为什么不逃？**

系统回答得也很好。

指出他并非追求殉道，而是在学生父亲被牵连后选择留下承担后果；文本同时保留沈墨娘不同意这一决定，使其不能被简单英雄化。

“九十？”程叙白问。

“九十二。”

“这么高。”

“确实好。”

***

接着，他问：

**顾怀简做对了吗？**

系统停顿更久。

然后回答：

无法仅凭文本给出唯一的道德结论。顾怀简的选择体现责任，但也让沈墨娘承受失去，且他本人明确承认不知决定是否正确。理解这一选择，需要区分其动机、后果和当时限制。

程叙白看林若蘅。

“它连这个都会。”

“挺好。”

“那人读原文干什么？”

她这一次没有和他争。

只是说：

“你把顾怀简那一章再读一遍。”

“现在？”

“对。”

***

程叙白真的读了。

已经很熟。

甚至系统训练时看过很多次。

可完整读时，到顾怀简说：

**“我本来真的想和你过日子。”**

沈墨娘回答：

**“我知道。”**

他还是停了一下。

系统没有漏掉这层意思。

甚至可以解释：

这句话削弱殉道叙事，强调人物对普通生活的真实欲望。

分析完全正确。

可“正确”并没有替代那一瞬间。

程叙白忽然明白林若蘅在说什么。

不是神秘体验。

也不是人类独有的灵魂证据。

只是：

解释和经历文本，确实是两件不同的事。

***

他第二天告诉她：

“我承认。”

“什么？”

“解释一本书和被一本书改变，是两件事。”

林若蘅笑。

“终于引用我。”

“要署名吗？”

“要。”

“林若蘅，二〇二几年。”

“别乱写年份，项目里可以查。”

两个人都笑。

***

但程叙白仍没有彻底被说服。

“可如果一个人读原文也没被改变呢？”

“那就没被改变。”

“所以读书不保证任何东西。”

“当然。”

“甚至可能读很多书还是很坏。”

“当然。”

“那为什么社会总把读书和成为更好的人连起来？”

林若蘅想了想。

“因为我们希望教育有道德意义。”

“但希望不是证据。”

“所以读书不能使人变好？”

“可能帮助。”

“不能保证。”

这个答案一点都不鼓舞。

却很诚实。

***

程叙白开始越来越不喜欢那种：

“AI时代更要读书，因为读书让人成为更完整的人。”

听起来很好。

可“完整”是什么？

读什么书？

谁决定？

历史上读很多书的人一样会参与迫害。

也会固执。

也会自欺。

知识并不自动生成善。

这也是《天下书》一千多年来一次次证明的东西。

***

有一天，他问系统：

**读书会让人变得更善良吗？**

机器回答：

不必然。阅读可能扩大视野和同理心，但其效果受文本、阅读方式、既有信念和社会环境影响。人也可能选择性阅读，用知识强化偏见或为既有立场辩护。

程叙白发给林若蘅：

**它又说对了。**

林若蘅回：

**那就别跟它比赛。**

这句话让他愣住。

***

是啊。

为什么人一定要证明：

机器做不了某件事，所以人才有价值？

这套思路本身就有问题。

如果有一天机器能写诗。

人就不写？

能下棋。

人就不下？

能算。

人就不学数学？

人类活动的价值，未必都来自“只有我能做”。

一个人跑步，不是因为汽车不会跑得更快。

一个人唱歌，也不是因为机器不能合成更准的声音。

***

他把这段想法讲给团队听。

有人说：

“这就像计算器出现以后，数学也没消失。”

另一个人说：

“但基础算术教学确实变了。”

“对。”

程叙白说。

“所以问题不是保不保。”

“是哪些东西还值得亲自练，哪些可以外包。”

这一次，他终于觉得问题更清楚一点。

***

对于阅读也是。

有些信息，机器查就好。

没必要把首都、年份、术语全部塞进脑子，只为了证明自己知道。

有些文本可以先摘要。

有些内容只需要在需要时调用。

但判断什么时候可以外包，本身就是能力。

而这种能力从哪里来？

仍然需要经验。

需要接触复杂材料。

需要犯错。

需要知道一个流畅答案也可能错。

***

程叙白突然意识到：

AI时代最危险的也许不是机器知道太多。

而是人因为机器知道，越来越不知道自己不知道什么。

工具越方便。

越容易跳过形成判断感的过程。

如果所有问题都由系统直接给一个像样答案，人可能逐渐失去：

哪里值得怀疑。

哪里应该停。

哪里一个数字看起来不对。

哪里一句过于漂亮的话应该多查一步。

这些东西很难用一门课一次教会。

它们往往来自长期和不完美材料相处。

***

这恰好是《天下书》一直在做的事。

一个错字。

一个版本。

一张旧纸。

一句伪托圣人的话。

一块找不到的木版。

它没有训练“知道更多”。

而是在训练：

不要太快。

程叙白忽然笑。

自己做了十几年让机器更快的工作。

最后一本旧书教他的第一件事竟然是：

有时候慢一点。

***

林若蘅听完却提醒：

“别把慢浪漫化。”

“我知道。”

“有些事情快就是好。”

“查药物相互作用。”

“算数据。”

“找文件。”

“越快越好。”

“所以？”

“别把‘慢’也变成新的美德口号。”

程叙白叹气。

“你真的不允许任何一句话安稳活过五分钟。”

“这可能就是我存在的价值。”

“终于找到人类不可替代性。”

两个人笑得不行。

***

那年春天，他们在多伦多一起做了一场公开讨论。

题目很普通：

**AI知道以后，人还学什么？**

现场有学生。

老师。

家长。

技术人员。

也有老人。

程叙白没有给结论。

林若蘅也没有。

他们只是把几个问题放出来。

哪些知识可以外包？

哪些技能必须自己形成？

如果AI比老师更耐心，老师的角色会怎么变？

如果每个人都有完全个性化的教育，公共知识怎么办？

如果系统能给出很好的价值讨论，它的价值判断是谁写进去的？

***

一个高中生最后站起来问：

“你们说这么多，我还是想知道，以后到底还要不要背东西？”

现场笑。

程叙白也笑。

“要背一点。”

“多少？”

“我不知道。”

学生明显不满意。

“那你们讨论半天没有答案。”

林若蘅接过话。

“你这个问题其实很好。”

“因为每个时代都要重新决定，什么值得放进人的脑子，什么可以放在工具里。”

“以前纸很贵。”

“书少。”

“要背很多。”

“后来书多了。”

“搜索有了。”

“现在AI又来了。”

“边界会继续变。”

学生问：

“那现在呢？”

她想了一下。

“至少有一些基础东西，你得知道，才能发现机器什么时候说得不对。”

程叙白补：

“还有一些东西，你可能不是为了以后调用，而是因为学习它的过程会改变你看问题的方式。”

学生皱眉。

“还是很抽象。”

“对。”

“你以后会自己补答案。”

这次学生笑了。

***

回家路上，程叙白说：

“我们这样是不是很不负责任？”

“怎么？”

“别人问答案，我们总说以后自己想。”

“那也不能因为别人想听，就随便编一个。”

“产品经理会给低评分。”

“历史学不看转化率。”

“所以历史学没钱。”

“你又开始。”

***

回到家后，他打开《天下书》。

不是项目版。

是一份为自己做的阅读版。

没有所有证据标记。

没有材料层级。

只是文字。

他从最早一页看到那句：

**“为何？”**

**“继续问。”**

忽然觉得非常好笑。

一千多年。

写了这么多。

最后还是这三个字。

***

他在第八卷的空白页上第一次写自己的文字。

之前他一直坚持：

研究者不要太早进入正文。

可这一晚，他觉得可以留一句。

不是结论。

只是状态。

他写：

**“机器已能答许多问题。”**

停了一会儿。

又写：

**“故人更需知道，何时不应只因已有答案，便停止再问。”**

林若蘅第二天看到。

说：

“有点像口号。”

程叙白脸垮下来。

“那删？”

“先留。”

“为什么？”

“看看以后你还同不同意。”

他笑。

“这才像《天下书》。”

***

她拿过笔。

在下面写：

**“机器知道什么，与人为何在乎，并非同一问题。”**

程叙白读完。

“这个也像口号。”

“那也留。”

“公平。”

两句话并排。

都不是最后答案。

***

窗外，多伦多的雪已经化了。

春天来得很慢。

街边还有脏掉的残雪。

手机里，系统可以在几秒内解释白鹿洞、朱熹、科举、晚明党争、考据学和女子教育。

甚至可以把《天下书》一千多年的主题压缩成五百字。

如果愿意，它还能再压成五十字。

十个字。

甚至一句话。

可程叙白越来越不想让它替自己做最后那一步。

不是因为机器做不到。

而是因为有些压缩一旦完成，丢掉的恰恰是人为什么犹豫、为什么改变、为什么明知道道理却仍然做错，以及为什么一个问题可以穿过几十代人，始终没有变成一个干净答案。

机器知道得越来越多。

这是真的。

也很好。

但人类真正要面对的新问题，也许从来不是：

当机器知道一切，我们还剩什么？

而是：

当知道不再稀缺以后，我们准备把自己的注意力、判断、责任和人生，放在哪里。