AI时代的教育讨论，最常见的声音是：要培养批判性思维、创造力、跨学科能力、情商、沟通协作……这些当然重要。但一个危险的倾向正在蔓延——很多人把"素质教育"和"基础学科"对立起来了，好像强调语文数学就是应试教育的残余，而AI时代只需要"软实力"。
这是一个严重的误判。
语言能力和数学能力，不是AI时代要淘汰的旧能力，恰恰是驾驭AI最底层的两项基础能力。 没有它们，所谓的批判性思维、创造力、AI素养，全都是空中楼阁。
一、一个简单的观察：谁在真正高效地使用AI？
过去两年，大模型从实验室走进了日常工作。一个有趣的现象是：真正能把AI用好的人，几乎都有扎实的语言功底或数学功底，或者两者兼备。
写prompt本质上是在写作——你需要精确地描述意图、限定范围、给出约束条件、预设输出格式。这和写一道好的作文题目、出一份清晰的需求文档，是同一种能力。
验证AI输出本质上是在做逻辑推理——你需要判断论证是否自洽、数据是否合理、推导过程是否有跳步、结论是否可信。这和做一道数学证明题、debug一段程序，是同一种能力。
那些在各行各业把AI用出花样的人——无论是用Claude写代码、用GPT辅助研究、用AI生成商业分析——他们身上最突出的共同点不是"懂AI技术"，而是语言表达精准、逻辑推理扎实。
反过来，那些抱怨"AI不好用"“ChatGPT总是答非所问"的人，往往问题出在自己身上：要么描述模糊，要么无法判断AI输出的质量。
二、语言能力：从"和人沟通"到"和AI沟通”
Prompt Engineering的本质是语言能力
Prompt engineering这个词听起来很技术，但拆开来看，它的核心就是三件事：
- 精确表达意图——你想让AI做什么，不做什么
- 提供有效上下文——AI需要知道什么才能完成任务
- 设定清晰的约束和格式——你期望什么样的输出
这三件事，和语文课上教的"审题、组织材料、结构化表达"完全同构。
举一个真实的例子。同样是让AI帮忙分析一份财报：
普通prompt：
帮我分析一下这份财报
AI大概率会给你一堆泛泛而谈的废话。
好的prompt：
请分析这份2025年Q3财报中的以下维度：1）营收同比增长率及主要驱动因素；2）毛利率变化趋势及原因分析；3）经营现金流与净利润的偏差是否存在异常。请用结构化表格呈现关键数据，并在最后给出三个需要进一步关注的风险点。
两者的差距不在于"懂不懂AI"，而在于语言组织能力——能不能把一个模糊的需求拆解成精确的、可执行的指令。
这种能力从哪里来？从大量的阅读中来，从反复的写作训练中来，从对语言的敏感度和控制力中来。一个阅读面广、写作能力强的人，天然就能写出更好的prompt，因为他习惯了精确表达、结构化思考、预判读者（或AI）的理解方式。
阅读理解能力决定了你能否用好AI的输出
AI给你的回答，你能看懂吗？这不是一个多余的问题。
大模型的输出往往是长文本——几百字到几千字的分析、建议、代码、方案。面对这样的输出，你需要：
- 快速抓住核心论点，过滤掉填充性的废话
- 识别逻辑漏洞——AI的论证是否有跳步，前提是否成立
- 判断信息的可信度——AI可能在一本正经地胡说八道（幻觉问题）
- 把AI的输出整合进自己的知识体系
这些全都是阅读理解能力。一个阅读理解能力弱的人，面对AI的输出，要么全盘接受（危险），要么全盘拒绝（浪费），无法做出有效的筛选和判断。
写作能力是最被低估的AI时代竞争力
AI时代有一个反直觉的结论：写作能力不是被AI替代的能力，而是使用AI的能力。
因为AI本质上是一个"语言接口"。你和AI之间的所有交互——输入和输出——都是通过语言完成的。语言能力越强，你能通过这个接口获取的价值就越大。
这就像一个英语流利的人和一个英语磕巴的人同时出国——他们面对的是同一个世界，但能获取的信息、能办成的事情，完全不在一个量级。
三、数学能力：不只是算数，而是结构化思考的底座
逻辑推理：判断AI对不对的能力
数学教育的核心产出不是"会算题"，而是逻辑推理能力——给定前提，推导结论，并且能判断推导过程是否严密。
这种能力在AI时代变得前所未有的重要。因为AI会犯错，而且犯得很自信。
一个典型的场景：你让AI帮你做一个数据分析，它给了你一个漂亮的结论和一组支撑数据。但如果你仔细看，可能会发现：
- 它混淆了相关性和因果性
- 它的样本选择有偏差
- 它的计算过程有一步跳跃了
- 它引用的"事实"根本不存在
能发现这些问题的前提是：你自己具备基本的逻辑和数学素养。 如果你连"相关不等于因果"这个概念都没有，AI给你一个错误的因果推论，你只会觉得"好有道理"。
抽象能力：把复杂问题简化的能力
数学训练的另一个核心产出是抽象能力——从具体的问题中提取出结构，忽略不重要的细节，聚焦于关键变量和它们之间的关系。
使用AI时，抽象能力决定了你能不能把一个复杂的现实问题"翻译"成AI能处理的形式。
比如，一个运营经理想用AI优化促销策略。他面对的是一堆混乱的现实：不同渠道、不同品类、不同时间段、不同用户群体、不同促销力度……如果他不具备把这些因素抽象成变量、建立简化模型的能力，他连问题都描述不清楚，更别说让AI帮他分析了。
数学好的人，不一定要自己去建模型，但他能把现实问题转化为结构化的问题描述——而这正是AI需要的输入。
Debug能力：本质是数学训练出来的
写代码的人都知道，debug的核心不是"找哪一行写错了"，而是逻辑排查：
- 预期结果是什么？
- 实际结果是什么？
- 偏差可能发生在哪些环节？
- 如何设计实验来缩小排查范围？
- 找到原因后如何验证修复是否正确？
这个过程和数学中的"反证法"“分类讨论"“控制变量"是同一套思维方式。
AI时代，debug的对象变了——你不只是在debug代码，你还在"debug AI的输出”。AI给了一个错误的方案，你需要定位问题出在哪：是prompt不够清晰？是上下文不够？是AI的推理过程有误？还是这个任务本身超出了AI的能力范围？
这种排查能力，根基在数学训练中。
四、素质教育不是替代基础，而是建立在基础之上
回到教育的讨论。
“素质教育"这个概念被滥用了。很多人把它理解为"少做数学题，多搞艺术和社交”。但真正的素质教育从来不是要削弱基础学科，而是要在基础学科扎实的前提下，拓展更多的能力维度。
创造力需要基础吗？当然需要。没有对领域知识的深度理解，所谓的创造力只是天马行空的幻想。物理学上最伟大的创造——相对论——来自爱因斯坦极其扎实的数学功底和深刻的物理直觉，而不是"跳出框架思考"这种空洞的口号。
批判性思维需要基础吗？当然需要。批判性思维的核心是识别论证中的逻辑谬误——这本身就是逻辑和语言能力的综合运用。一个逻辑不好的人，连别人的论证结构都理不清楚，谈何"批判”？
跨学科能力需要基础吗？当然需要。跨学科的前提是你在每个学科都有基本的理解，否则"跨"的只是表面的词汇，而不是深层的思维方式。
语言和数学，是这一切的地基。 地基不稳，上面盖的楼越高越危险。
五、给家长和教育工作者的建议
如果你正在思考AI时代该怎么教育孩子，以下是几个实操建议：
1. 语言能力的培养：阅读 + 写作，不能偏废
- 大量阅读是最底层的投入。不只是读文学，也要读非虚构——科普、历史、商业、技术。阅读面越广，孩子能处理的信息类型就越多。
- 写作要练到"精确"。不是写得华丽，而是写得清楚。能把一个复杂的事情用300字说明白，比写一篇3000字的散文更有价值。
- 让孩子用AI写作，然后让他们评判AI的输出。这是一个绝佳的练习：AI写的哪里好？哪里有问题？你能不能改得更好？
2. 数学能力的培养：重推理过程，轻计算结果
- AI已经可以替代几乎所有的计算工作。但推理过程、建模能力、逻辑判断——这些AI替代不了，因为你需要它们来判断AI给出的计算结果是否合理。
- 让孩子多做"为什么"的追问。不是"3×5等于多少"，而是"为什么3×5和5×3结果一样？““为什么负负得正？“理解"为什么"比记住"是什么"重要一百倍。
- 培养估算的直觉。AI算出一个结果，你至少要能判断它的数量级对不对。这种直觉来自大量的数学练习。
3. 基础和素质不是二选一
不要掉进"要基础还是要素质"的假选择。真正的路径是：用扎实的语言和数学基础，去支撑更高层次的素质发展。
- 语言好 + 创造力 = 能把创意清晰地表达出来，让别人（或AI）理解并执行
- 数学好 + 批判性思维 = 能用逻辑和数据来支撑或反驳一个观点，而不是停留在"我觉得”
- 语言好 + 数学好 + AI工具 = 一个能驾驭AI、放大自身能力的人
六、结语
AI时代最大的教育陷阱，不是孩子学不会AI，而是因为追赶"AI素养"的表面概念，放松了对语言和数学这两项底层能力的训练。
一个语言好、数学好的人，给他任何一个新工具——无论是搜索引擎、编程语言，还是大模型——他都能快速上手，因为他具备理解工具、描述问题、验证结果的基础能力。
一个语言和数学基础薄弱的人，即使背会了所有的prompt模板，也只是在机械地操作，无法真正理解自己在做什么、AI在做什么、结果是否可信。
教育的目标不是培养"会用AI的人”，而是培养"有能力驾驭任何新工具的人”。 而语言和数学，就是这种能力的底座。