《AI 时代选文科还是理科：志愿焦虑背后的长期能力问题》

导语

文章从高考后填志愿的焦虑写起，反对一种流行判断：因为 AI 擅长计算和编程，所以理工科会先被取代，文科更安全。作者认为这个推理把“AI 能做什么”等同于“学科会不会被取代”，忽略了更深的问题：不同学科有不同认识论和圈层规则，家庭背景、资源、人脉和认知工具会影响一个人在学科里走多远。

1. 选专业不能只看“AI 能不能替代”

文章的引子是高考分数出来后，家长和考生开始填志愿。今年焦虑多了一层：AI 到处被说成会取代行业、颠覆职业，于是专业选择被简化成“哪个专业不容易被 AI 取代”。

1.1 “文科更有前途”的流行说法过于粗糙

• 流行说法认为，AI 擅长计算、编程和数据分析，所以理工科最先被取代；文科培养批判性思维、沟通能力和人文素养，因而更安全。作者明确不同意。
• 他并不是认为文科不好。作者自己做语言学，大致偏文。他反对的是底层逻辑：AI 能写代码不等于学计算机没用，AI 能写文章也不等于学文学就安全。

1.2 真问题是家庭背景和学科认识论是否匹配

• 作者认为，市面上动辄八千到一万元的志愿填报服务，不管说“好就业”还是“不被取代”，多数建议都停留在表面。真正决定一个人能在领域里走多远的，不是 AI 能不能做这件事，而是家庭背景和这个学科的认识论是否匹配。
• 认识论在这里指一个学科如何判断“什么算知识、怎样获得知识、谁有资格传播知识”。这个规则比某个岗位是否短期受 AI 冲击更深，也更难被 AI 改变。

2. 学科不是中立知识集合，而是部落

作者引用英国学者 Becher 和 Trowler 的《Academic Tribes and Territories》，把学科理解为“部落”。每个部落都有圈内语言、研究规范、权威体系和边界意识。

2.1 四类学科有不同的知识规则

• Becher 将学科分成四类：Hard Pure（硬纯学科），如数学、物理、化学；Hard Applied（硬应用学科），如工程、医学、计算机；Soft Pure（软纯学科），如文学、历史、哲学；Soft Applied（软应用学科），如教育、法学、管理。
• 这些分类背后是不同的知识观。物理学家把可重复实验看作金标准，文学研究者更看重解释深度，法学重视逻辑推理和案例传统。不同部落对“什么才算知识”的理解从根上不同。

2.2 Hard 学科弱化个人声音，对资源少的人更友好

• Hard 学科的特点是知识积累性强、弱化个人声音。数学公式推得动就是推得动，实验数据支持就是支持，工程问题被解决就是被解决。评判标准相对客观。
• 因此作者给出一个直白建议：如果家里没有矿、没有背景，就该读理科。理由不是理科一定更好就业，也不是更不容易被 AI 取代，而是这类学科在认识论上对没有背景的人更友好。你更主要拼的是脑子和努力，而不是资源和人脉。

2.3 Soft 学科尤其艺术，更依赖积淀和圈层承认

• Soft 学科，尤其艺术，判断主观性更强。一幅画、一部小说、一件当代艺术作品能否被认可，常取决于圈层人脉、曝光资源和谁替你说话。
• 作者用“墙上贴香蕉值 600 万美元”的例子说明艺术圈规则的主观性和资源依赖。他进一步提出一种代际路径：第一代读理科成为专家，第二代做金融或商业积累财富资源，第三代有文化底蕴、经济基础和社交网络后再搞艺术。作者强调这不是歧视艺术，而是尊重不同学科的游戏规则。

3. 合法化码理论：看知识，还是看人

作者再引入 Karl Maton 的合法化码理论。这个框架关心的是：一个学科里什么样的知识被认为有价值，谁有资格说它有价值。

3.1 知识导向和人导向会影响专业适配

• 有的学科更看重知识本身，称为 knowledge code。物理学就是典型例子：你是谁不重要，你说的东西对不对才重要。
• 有的学科更看重人，称为 knower code。某些人文领域里，你的身份、经历和视角本身就是学术资本。于是选专业不只是看兴趣或就业，而是评估自己的资本在哪里。

3.2 选错规则会让努力事倍功半

• 如果你的优势在头脑和勤奋，作者建议去知识导向的学科。如果你的优势在阅历、家庭熏陶和社会网络，人文艺术类学科可能更能发挥长处。
• 这不是说选错就一定失败，而是会事倍功半。因为你进入的不只是课程列表，而是一套决定谁被承认、什么成果被看见、怎样积累声望的规则系统。

4. AI 改变的是技能门槛，不是学科深层规则

作者预判读者会问：AI 已经能写代码、推公式、做实验，Hard 学科“做出来就是做出来”的优势还成立吗？他的回答是：AI 改变很多事，但改变不了一个学科对知识、方法和资格的根本理解。

4.1 学科认识论不会因为 AI 立刻改写

• 物理学不会因为有 AI 就觉得人脉比数据重要，文学研究也不会因为 AI 能写小说就变成跑实验就算数。这些认识论规则由几百年学科传统形成，只有当学科边界被打破或分类被重新标注时，新的理解才会慢慢建立。
• 因此，AI 时代选专业不能只问哪个不会被取代，而要问：在哪个领域里，我更有可能成为提出问题的人，而不仅仅是回答问题的人。

4.2 AI 最先替代的是旧知识应用者

• AI 真正改变的是，每个学科里“仅仅能应用已有知识的人”正在被快速替代。以前会跑 SPSS、做卡方检验，或能润色英文论文，可能算一技之长；现在 AI 几秒钟就能完成，而且又快又便宜。
• 反过来，能提出新问题、创造新知识的人更值钱。AI 回答的是别人提出的问题，但谁来提出问题、判断问题值不值得研究、决定数据怎么解读，仍然是人的工作。

4.3 对资源少的孩子来说，Hard 学科优势可能被强化

• 作者认为，对穷人家的孩子来说，Hard 学科的优势并没有消失，反而强化了。以前优势是客观标准相对不看背景；现在优势是 AI 最先、最彻底赋能的，正是这些可量化、可验证的领域。
• 如果你用 AI 做出一个可验证的新发现，别人很难否认；但如果你用 AI 写一幅画或一首诗，好不好仍取决于圈子里谁说了算。这里的重点不是贬低艺术，而是指出不同学科的承认机制不同。

5. 工具差和认知工具决定世界边界

文章后半段从选专业转向工具。作者说自己最近用 Claude 帮学生生成高考志愿方案，从院校筛选、专业匹配，到“冲一冲、稳一稳、保一保”的概率分析和个性化组合建议，成本只有几块钱，但质量可能超过市面上很多几千上万元的方案。

5.1 AI 工具差会改变一个人能看见的选项

• 作者提出，AI 时代人与人最大的差距不是信息差、认知差，而是工具差。他用不会开车作比喻：不会开车的人觉得周末去郊外农家乐很麻烦，甚至不会把它放进规划；会开车的人半小时就能到。
• 工具决定世界边界。用最好的 AI 工具和用最普通的 AI 工具，对世界的认识会不同。有些事情你不知道可以这样做，不是因为笨，而是工具没有让你看到可能性。

5.2 理论和概念也是工具

• 作者进一步说，认知本身也是工具。Becher 的学科分类、Maton 的合法化码理论，都是帮助选专业的分析工具。知道这些理论的人，多了一个维度；不知道的人，只能听“好就业、有前途”这类大路货建议。
• AI 工具可以花钱买，认知工具需要花时间读和想。作者批评那种只要“接地气建议”的心态，认为如果看不见深层认知工具的价值，就会一直停留在低层建议里。

5.3 结尾广告也服务于“工具”主题

• 文章最后推广自己的产品，包括“OP 功能英语”和“阅游记”。广告信息包括：到 7 月 5 日报名课程，赠送“阅游记”一年 max 会员，价值 888 元，可阅读 324 万互动分级阅读，并声称可节省约 12000 元购书费。
• 这些广告不是主体论证，但它们延续了作者的工具观：好的 AI 工具、阅读工具和认知工具，都会扩大人的世界边界。

思想框架

文章先从高考志愿焦虑和“文科更安全”的流行说法切入，指出这种判断把 AI 能力和学科价值粗暴等同。接着作者用 Becher 和 Trowler 的学科部落理论，说明 Hard 和 Soft 学科有不同知识规则；再用 Maton 的合法化码理论，把差异进一步解释为知识导向和人导向。随后文章回到 AI：AI 会替代旧知识应用者，但不改写学科深层认识论，真正重要的是成为提问者和新知识创造者。最后，作者把专业选择扩展为工具问题：AI 工具和认知工具都会决定一个人能看见哪些选择。整篇的核心落点是，选专业不是追逐“不被 AI 取代”的表层安全感，而是选择一套与你的资源、能力和可进入规则相匹配的长期游戏。