第二章 未来人才的基本模型：从“他用之才”到“三力融合”的指挥官
本章探讨在 AI 拥有“人类当量”并引发“智力大通胀”的时代，高校人才培养底层逻辑的重构。当 100 万 Token 的算力成本跌破两元钱，单纯依靠记忆与重复技能的“他用之才”正在失去溢价。高校教改的核心，不是让所有学生改行学计算机，而是以原有专业为底座，叠加 AI 倍增力与商业闭环力，帮每一个年轻人在走出校门前完成从“锯子”到“斧头”的惊险一跃。
2026年7月，我受邀为北京理工大学机电学院一个班的大三学生做暑期实训。
对这个班的学生来说，大三暑假正处在学业与职业规划的关键节点。经历了三年的理工科专业学习，马上要进入大四，许多同学都在思考接下来是继续考研深造，还是直接找工作走向社会。大家平时或多或少都用过一些 AI 工具，对人工智能很感兴趣，但面对外面的技术浪潮，心里也多少有些茫然：自己苦学三年的专业，未来究竟该怎么跟 AI 结合？借着这次大三实习的需求，我们与保定“北高遥”科创基地及北理工机电学院合作，共同组织了一次为期三周的“AI+SOP 产教融合实训营”。
开营第一天，我没有一上来就讲复杂的概念，而是先跟同学们一起算了一笔账。
一百万 Token 的算力账与“人类当量”时刻
如果你看过一些学习 AI 的资料，应该听说过词元（Token）这个概念。它是用来衡量大模型处理信息的最小单位，有时是一个词，有时是一个词根。根据模型的不同，一个 Token 大概对应 0.6 到 1.5 个汉字之间的信息量。
我们就以讲课为例来算这笔账。一个正常说话的人，语速差不多是一分钟 150 到 200 字。假设我站在讲台上一刻不停地讲满 8 个小时，这一天输出的知识量转换成 Token，大概是 20 万 Token。如果按一周工作 5 天计算，我连续不停地讲一周，智力输出的总量就是 100 万 Token。
如果把“输出”换成大学生日常的“输入”——读书呢？一本普通专业书大约 10 万字，100 万 Token 差不多相当于 10 本书的体量。在课堂上我问大家，如果给你们五天时间专门读书，大概能读多少本？平时看书快的同学说，五天能精读完三五本就已经很不容易了，哪怕算上翻阅，一二十本也到了极限。而且一个人在这五天里的基本生活成本，怎么也要几百上千元。
那如果换成大模型呢？我们不必动用超算中心的算力，就用普通人在网上通过 API 接口获取的商用算力，让大模型花 100 万 Token 的算力帮我们完成一项任务——比如读完资料写出一套完整的设计方案或搭建一个网站，大概只需要几分钟到十几分钟。
这还只是效率上的超越，更直观的是价格上的差距。现在我们从主流大模型厂商那里购买这 100 万 Token 的算力，市场价格不过几块钱到十几块钱（有的基础模型甚至只要一两块钱）。而以前我做咨询顾问的时候，按小时收费动辄几千块钱，企业请一个咨询团队一天就要花好几万；即便是雇佣一个普通白领工作一周，人力成本最少也要一两千元。
第三重超越来自质量。当前的主流大模型在综合性能测试中已经达到博士水准，而现实社会中拥有博士学位的人口占比不到 1%。更不用说 AI 不会闹情绪，永远保持稳定在线。
1% 的成本，100 倍的效率，这意味着万倍的性价比差距。对于任何一家企业来说，当面对这样一个万倍性价比的解决方案时，它不可能不去尝试；因为如果它不用，一旦它的竞争对手采用了，原有的竞争优势很快就会丧失。所以一个必然的趋势是：未来企业的用人规模会变小，而微型公司和一人公司（OPC）的数量会变多。
但这还不是“人类当量”时刻的全部含义。
OpenAI 的年轻研究员利奥波德·阿什布伦纳（Leopold Aschenbrenner）在《态势感知》（Situational Awareness）一文中，对“人类当量”（Human Equivalent）做过一个很准确的描述：未来的 AI 不是工具，而是一个 “即插即用的远程员工”（Drop-in Remote Worker）。
工具是必须等待你去使用才能发挥作用的；而智能体（Agent）可以在你的注意力不在它身上的时候，自主进行规划和工作。你不再是问它一句、等它回一句，而是可以给它布置一个原本需要几天甚至一周的任务——比如“帮我写完这个模块的代码，并写好测试用例”。它会像屏幕另一端的远程同事一样，自己去访问代码库、查阅文档、编写程序、运行报错并自己修补漏洞，最后在协作软件上告诉你“搞定了”。除了没有肉体，它和一个人类高级工程师几乎没有区别。
一旦造出了具备“人类当量”的 AI 研究员，接下来发生的事情就是复制与加速：只要增加 GPU 算力，就能瞬间拥有成百上千甚至上亿个这样的数字人才；它们不需要每天睡 8 小时，而是以电子的速度 24 小时不间断工作。正如控制论之父诺伯特·维纳早在 1946 年《人有人的用处》中所预言的：“第一次工业革命，机器替代了人类的肌肉，让普通人的体力变得一文不值；而第二次工业革命，机器将替代人类的神经系统，让一般技术水平和一般智力水平的人，没有任何值得别人花钱买的东西来出售。”
智力大通胀：不做“更好的电池”，去做“用电的人”
算完这笔账，台下的学生自然会产生一个疑问：“既然 AI 读书比我们快、写代码比我们便宜，那我们一路考进 985 高校，花几年时间学专业课，优势到底在哪里？如果拿几块钱电费就能干活的 AI 去和我们的专业能力比拼，我们怎么跟它竞争？”
在《AI指挥官》一书中，我们把这一现象称为**“智力大通胀”**。通胀最可怕的后果不只是钱不值钱，而是原有共识的瓦解。人们已经习惯了经过十几年基础教育和高等教育后，凭所学的专业技能去换取一份工作；当这套漫长训练出来的技能受到冲击时，我们该如何重建对学业和职业的规划？
其实，如果你从经济学的角度看，通胀对于“持有现金的人”是坏消息，但对于“借钱去配置资产的人”却是红利。
过去，我们习惯做“智力的供给者”——靠出卖自己的记忆力、计算力和执行时间换取报酬。现在 AI 把标准化智力供给的价格打到了地板上，如果你还坚持只做一个初级供给者，就等于在和几块钱电费的算力拼体力。出路在于把视角反转过来，成为一个**“智力的消费者”**：既然 AI 提供了廉价、充沛、高质量的智力，为什么不花几百块钱调用全世界的 AI 能力为你服务，去把你想做的事情做出来？
这就是对抗智力通胀的基本心法：不要试图去做一节更好的“电池”，而要去做那个“用电的人”。
这也恰恰解释了为什么原有的大学专业能力依然重要，只是发挥作用的方式变了。
有了 AI 之后，现在制约一个人的往往不再是“实现能力”，而是“你有没有想法”，以及当 AI 生成了结果之后，“你能不能判断它的好坏”。在实训过程中，学生们很快就体会到：外行人让 AI 生成一份机电改造或行业方案，看着头头是道；但懂专业的人一眼就能看出其中的参数漏洞或不可行之处。AI 可以替你完成绝大部分的执行，但它无法替你定义目标，也无法替你对结果做专业把关。
从“锯子”到“斧头”：未来人才的“三力融合”模型
看着台下站在考研与就业十字路口的北理工大三学生，我想起了自己刚毕业时的经历。
2007年深秋，战略咨询家王志纲先生来到北京大学经济学院做生涯规划讲座。那时候正好是我毕业求职的节点，我就坐在台下听他讲。那天他在黑板上写下“谋生计、谋生活、谋生存”，并提出了另一个让我印象极深的概念。他说：“人分两种：自用之才和他用之才。你必须搞清楚自己是哪一种。”
什么是他用之才？是那些依附于平台、出售特定技能，需要别人告诉他做什么、由组织给他发工资的人。用一个比喻来说，他用之才是“锯子”，很有用，但必须被人握在手里才能干活。
什么是自用之才？是那些能够发现机会、定义问题、整合资源去创造价值的人。他们不是等待被整合的零件，而是去整合资源的人。用比喻来说，自用之才是“斧头”，用来开山辟路。
那天在台下听完“自用之才”与“他用之才”的区分，我下定决心不走按部就班求稳的路，坚定地选择加入智库、拥抱市场。从那以后，我先是在智纲智库和国经咨询做区域与产业战略规划，后来加入尚融资本看产业投资，2019 年又转战工业软件领域，在索为系统担任副总裁，并兼任工业互联网产业联盟工业 APP 组联席主席和信息技术新工科产学研联盟工业互联网专委会委员。
在索为的那四年，我们每天打交道的是航空航天和高端装备制造业，核心做的事情叫“工业技术软件化”——把老工程师脑子里那些说不清、道不明的隐性工程经验（Know-How），提炼封装成一个个“工业 App”，让年轻工程师也能调用。那段时间，为了解决产业界最头疼的复合型人才短缺问题，我深度参与了国家工业互联网实训基地的规划建设，在华为—乌镇公共实训基地担任认证讲师，还和中科创大的刘继军总一起设计过“DT4 数字人才能力和技术转移平台”，多次配合广东、浙江等地的工信部门组织工业互联网与新工科人才培养。
也是在建实训基地、同无数高校教授与企业总工打交道的过程中，我心里始终横着一个疑问：为什么我们的大学专业越分越细、学生的课表排得越来越满，到了真实产业场景里却依然解决不了复杂问题？
为了找寻答案，我特意梳理过现代工程教育两百年的演变史。今天我们熟悉的大学分科教育，源头是 1806 年普鲁士败给拿破仑后创立的“洪堡模式”——为了快速把农民训练成标准化产业工人和专门人才，学校被改造成按学科分科、按铃声上下课的教育流水线。到了二战期间，美国麻省理工学院（MIT）辐射实验室研制雷达时，人们发现唱主角的都是物理学家和数学家，而按传统技师模式培养出来的工程师只能打下手。于是，1950 年 MIT 发布了影响全球高等教育半个多世纪的《布朗报告》（The Brown Report），确立了“工程科学”范式：先花两三年苦学微积分和大学物理等基础理论，大三大四再学专业课，四年修满 40 门课，强调“先理论、后动手”。后来随着计算机仿真兴起，连真实的动手实验也被电脑模拟取代了。
这套“把人脑当硬盘、拼命往里灌输细分学科知识”的体系，在工业时代确实高效培养了大批专业螺丝钉，但它的隐忧很早就暴露了出来。早在 1995 年，卡内基梅隆大学（CMU）做过一项校友追踪研究，结果让全校大吃一惊：学生在大学四年里修的课程数量越多，毕业后的实际成就反而越低——因为学的课太多、没有时间消化和动手探究，反而压抑了创造力。到了 2007 年乔布斯发布第一代 iPhone，更是给全球工程教育敲响了警钟。高通公司前董事长保罗·雅各布（Paul Jacobs）后来回忆说，看到诺基亚和摩托罗拉在苹果面前迅速溃败，他作为伯克利工学院培养出来的博士彻夜难眠，因为他意识到，只懂单一技术、不懂用户需求与系统设计的传统工程师，在创新经济时代根本无法带队打仗。这也是为什么随后伯克利创办了雅各布设计创新学院，斯坦福创办了 d.school，欧林工学院（Olin College）甚至直接取消了系科建制，而 MIT 媒体实验室前主任伊藤穰一干脆把实验室著名的口号从“不演示就死（Demo or Die）”改成了“不落地就死（Deploy or Die）”。
如果说十年前“新工科”的兴起，还是为了应对跨学科创新的挑战；那么今天大模型和智能体的爆发，则彻底抽掉了传统分科教育的最后一块跳板。以前在索为做工业 App 时，我们要把一位老工程师的经验提炼成软件模型，门槛极高、周期极长；而今天，大模型加上向量化知识库和智能体，天然就能以极低成本把细分领域的专业知识封装起来。如果一个智能体学习狭窄专业知识的速度比人类快一万倍，我们凭什么还要让学生花十六年时间，把自己的大脑训练成一块只会背诵标准答案的硬盘？
在工业时代和信息时代的前半程，当一把优质的“锯子”是主流的成功路径；但在 AI 时代，只会按指令执行的岗位正在收缩，而能够自己找方向、调配资源的“自用之才”，空间却在成倍放大。
我在给北理工机电学院的同学们上课时说，要想抓住 AI 红利，成为能够指挥人、数字人和机器人协同干活的 AI 指挥官，未来最重要的能力结构是三个词——专业能力、AI 能力和商业能力。
“你们从小到大一路考进重点大学，在学校里学了三年，培养的都是专业能力，这块底子其实是不错的，”我对他们说，“但你们现在最缺的是 AI 能力和商业能力。AI 能力，是怎么去驾驭工具帮你实现目标；而商业能力，是怎么去跟人打交道、怎么在真实世界里发现机会，并把机会通过 AI 实现和展示出来，也就是 MIT 说的‘Deploy or Die（不落地就死）’。AI 不能替代你去发现机会，所以最关键的是把这两块补齐。”
听到这里，有的工科老师可能会问：“我们培养的是理工科学生，为什么要跟他们讲管理和商业？”
泰勒的秒表、王飞跃的混编战队与 15 岁的黑客松参赛者
要理解为什么每个专业的学生都需要懂一点管理和商业，不妨回顾一下管理学和团队形态的演变。
一百多年前，泰勒在伯利恒钢铁厂拿着秒表测量工人搬运生铁的动作，把经验分解成标准操作规程（SOP），让搬运效率提高了近四倍；泰勒的老板沃顿创办了世界上第一所商学院，把“管理”独立成一门调配体力的专业。后来到了白领崛起的信息时代，德鲁克发现泰勒的秒表失灵了，因为脑力劳动发生在人的脑袋里，很难精确测量。
直到大模型出现，知识工作第一次有了自己的“秒表”——这个秒表就是 Token。完成一项脑力任务需要多少认知算力、多少时间、多少成本，变得清清楚楚。
中国科学院自动化研究所的王飞跃教授是我非常欣赏的一位学者，他在人工智能和管理学上都很有建树。早在几年前他就提出，未来的人机协作团队大概是什么样子呢？不是严格的数字，但大致的形态是：1 个人，带着 16 个数字人（软件智能体），再带着 3 个机器人，组成一个人机协同的工作团队。
三年前我们还不觉得 AI 有多好用，今天智能体已经随处可见；机器人现在虽然还没那么普及，但可能很快也会变得很好用。这意味着，今天一个大学生走出校门，哪怕他注册的是一家“一人公司（OPC）”，或者只是企业里的一个普通岗位，他实际上都不是传统意义上的单打独斗——他每个月花几百块钱，就能调动十几个、几十个数字人在帮他干活，产出相当于以前二三十人公司的成果。
换句话说，未来的学生一进入社会，天然就是一个需要调动人机协同团队的“管理者”。
在北京举办的一些 AI 黑客松比赛上，经常会有几名中学生来参赛。他们做出来的作品往往一点也不差，更让人感慨的是，有的小选手发表获奖感言时还会开玩笑说一句：“我是我们队里年纪最大的，我今年 15 岁。”为什么一个 15 岁的初中生都能做出完整的产品？因为当 AI 足够好用之后，技术实现的门槛被大幅拉平了，谁能把想法拆解成清晰的指令、调度好手头的 AI 工具链，谁就能拿出成果。
而在北理工的课堂上，我之所以把训练 AI 技能的“九段高手”和训练商业思维的“十步问道”放在一起讲，也是为了帮学生建立一种主理人的闭环思维。
我对学生们说：“如果不懂 AI，你肯定抓不住这一波红利；但如果只懂 AI、不懂商业，你只是变成了一个写代码更快的程序员，依然拿不到商业结果。上创业实训课，不代表每个人都要去开公司。但当你带着创业者的视角去工作或做研究时，你会从头到尾思考：谁是真正使用这个产品的用户？谁是掏钱买单的客户？我的创新点到底解决了什么痛点？怎么通过完整的流程拿到结果？当你具备了这种全局思维，往往就能看到别人看不到的机会。”
借假修真：北理工机电学院三周实训的真实路径
那么，怎样在三周的实习实训里，帮这一个班的工科学生把“专业能力、AI 能力、商业能力”真正融会贯通？
我们采用的方法叫**“借假修真”**——借一个真实的产业场景和商业命题，让学生在动手做项目的过程中，把“AI九段高手”（提示词、工具链、知识库、智能体、AI编程、智能系统、数字员工、领学官、指挥官）与“十步问道”的商业逻辑练出来。
在这次北理工机电学院的三周实训中，我们的实际推进路径分成了层层递进的三周：
第一周是“方法筑基与北高遥展位立项”。 我们在前两天密集讲授了 AI 九段高手的基础工具链与十步问道框架，随后立刻给出了一个具体的场景任务：依托北理工与河北保定高碑店合作共建的“北高遥”产教融合基地，假设给每个小组分配一间 10 平方米的科创展位，要求大家结合机电、遥感与新能源背景，在第一周末拿出一套完整的展位产品原型、宣传视频、智能接待助手与商业计划书。原本在班里只认识同寝室室友的学生们，在打散重组的小组里分工协作，很快就用多模态工具与自然语言编程做出了第一版可交互的作品。
第二周，我们并没有机械照搬最初纸面上的规划，而是带着学生走出去考察真实企业，切入最接地气的“AI 赋能销售”训练。 这一周，师生们实地走访考察了北京无人机产业园、汇龙森医药产业园以及中氢新能等园区和企业。看完无人机、生物医药和氢能企业的真实业务后，我们给学生设计了一个专项训练课题：“如果今天你参与到这些企业的销售岗位里，你该如何发挥 AI 的能力去帮企业做市场、拿订单？” 平时习惯待在实验室里的工科生，开始尝试站在销售和客户的角度，用 AI 分析行业客户痛点、生成针对性的技术营销方案、搭建智能售前顾问。这次训练一下子打开了工科学生的视野——他们发现，当自己的专业技术底座加上 AI 工具、再对准企业最迫切的市场销售需求时，立刻就能产生实实在在的价值。
到了第三周，则是“自主选题与实习设计交付”。 学生们根据自己在第一周或第二周里最感兴趣的一个方向，自己动手做完整的实习课题设计，将产品原型、互动界面与商业闭环打磨成型，并在结营时进行公开路演。
三周实训结束时，无论是学生在结营回顾里的反馈，还是机电学院带队老师的评价，都非常高。许多原本对考研还是就业感到迷茫的同学表示，这三周最大的收获是觉得整个眼界被打开了——不仅把班里平时不熟悉的同学都认识了，更重要的是发现自己完全有能力调动一套 AI 工具，把一个工程想法变成看得见、立得住的产品。带队老师也感慨，相比传统的参观实习，这种“真题实做”的方式真正调动起了学生的自主性。
对于高校而言，这正是“三力融合”最朴素的价值：不需要推倒原有的专业，只需要为学生补上 AI 的杠杆与商业闭环的视角，就能帮他们在走向社会之前，完成从“他用之才”向“自用之才”的蜕变。
本章教改行动工具箱（工具一）：高校各专业“三力融合”切入诊断卡
工具定位：供二级学院院长、系主任及专业负责人在启动本专业教改或实训周前，用 30 分钟快速找准本专业嵌入“AI 能力”与“商业闭环能力”的最小切入点（对应在线演练场基础诊断模块）。
一、 核心诊断逻辑：四类学科如何重做一遍？
不同学科的基因不同，切入“三力融合”的杠杆点也截然不同。切忌用“计算机系的编程课”去套所有专业，而应顺应各学科原本的交付物形态进行升维：
| 学科大类 | 01 原有专业底座（守住什么） | 02 AI 能力倍增点（放大什么） | 03 商业与管理闭环（交付什么真结果） |
|---|---|---|---|
| 理工农医类 （机械/土木/遥感/农学等） | 物理与工程规律、实验规范、行业安全底线与硬件机理 | 用知识库沉淀工程规范，用 Vibe Coding 快速构建仿真看板与诊断智能体 | 从“单一算法/图纸作业”升级为面向园区企业的监测系统原型、技术改造方案与成本效益测算书 |
| 经管法社科类 （国贸/财会/管理/法学等） | 契约逻辑、商业规则、合规判断与组织洞察 | 用多智能体开展跨域市场调研、合同风险穿透审查、财务动态建模与多语种交互 | 从“滞后的案例分析报告”升级为面向真实中小微企业的出海获客资产包、合规体检智能体与经营沙盘 |
| 人文与艺术传媒类 （新闻/设计/影视/外语等） | 人文共情、审美品味（Taste）、叙事结构与文化母题 | 驾驭文生图、图生视频、数字人分身与多模态工作流，把创作产能放大十倍 | 从“孤立的课堂习作”升级为服务地方文旅、非遗活化或品牌传播的完整全媒体商业交付包（OPC工作室） |
| 高职应用技能类 （机电维修/电商/护理/文旅等） | 一线实操手感、现场故障排查经验与服务温度 | 将老师傅的隐性经验封装为可随时调用的“排障问答助教”与标准化 SOP 工作流 | 从“流水线熟练工”升级为懂客户痛点、能独立承接非标订单并管理数字助手的现场服务主理人 |
二、 专业负责人即插即用诊断指令（Prompt）
在召开教研室教改研讨会时，专业负责人可直接将以下指令输入大模型（如 DeepSeek、Claude 等），现场生成本专业的《三力融合课程升级路线图》：
【提示词模板：专业“三力融合”升级诊断】 “你是一位精通高等教育改革与产教融合的战略顾问。我目前负责高校/高职【请填入专业名称，如：机械设计制造及其自动化】专业的人才培养方案升级。我们学院希望不改变原有专业属性，按照‘01 专业能力底座 + 02 AI能力倍增 + 03 商业与管理闭环’的三力融合模型，对大三阶段的【请填入某门核心课或实训周】进行重构。 请结合当前该行业的最新产业趋势，先向我提出 3 个关于本专业生源特点与本地产业连接的澄清问题；在我回答后，请为我生成一份包含以下要素的《专业三力融合单页诊断卡》：
- 能力重塑对比：该专业传统培养的‘他用之才（锯子）’与未来‘自用之才（斧头）’在能力结构上的 3 个本质差异；
- AI 九段嵌入点：最适合该专业学生优先掌握的 3 项 AI 技能（从提示词、多模态工具链、知识库、智能体、自然语言编程中选择并具体化）；
- 借假修真命题：设计一个类似‘10平方米科创展位’的真实微项目命题，明确学生需要交付的 1 个可运行原型与 1 页商业价值闭环说明。”
三、 验收标准与治理边界
- 验收铁律（作品即证明）：评估一个专业是否真正完成了“三力融合”改造，不看期末试卷上的名词解释得分，而是看学生在课程结束时能否拿出一件**“既有专业深度、又调用了 AI 工具链、还能向真实用户讲清商业价值”的可运行作品（MVP）**。
- 治理红线：AI 工具的引入旨在免除低水平重复劳动，绝不意味着降低本专业的科学严谨性与工程安全规范。凡涉及医疗诊断、工程结构安全、法律合规签署等底线问题，必须由专业教师设定强制性的人工复核标准。