《华尔街日报》The Wall Street Journal最近刊出一篇文章，标题很耐人寻味：“Want to Succeed in an AI World? Study Anthropology.” 想在 AI 世界里成功？去学人类学。
这不是一个猎奇标题。它背后讨论的是一个正在变得越来越清晰的变化：当 AI 开始接管更多复杂工作，过去很多关于专业、能力和职业安全感的判断，都需要重新校准。
文章开头第一句话很直接：“A computer-science degree is no longer a golden ticket.” 计算机科学学位不再是一张黄金门票。
这句话并不意味着计算机科学失去了价值。恰恰相反，真正优秀的技术人才依然稀缺，顶尖院校里扎实的 CS 学生也依然有很强的竞争力。文章随后也补了一句：斯坦福和 MIT 的毕业生仍然表现不错。
但问题在于，过去二十年，太多人涌入了同一条路。曾经，计算机科学像一条清晰的上升通道。它代表高薪、确定性和进入科技行业的门票。于是越来越多学生选择它，越来越多家庭押注它。它看起来具体、可衡量、有出口，也足够符合这个时代的叙事。到今天，市场上已经积累出大量编码人才，而 AI 的到来，又进一步改变了企业对基础编程能力的需求。
它没有否定技术，也没有唱衰 CS。它只是指出了一个更现实的变化：当一个方向被太多人视为唯一正确答案，它就会逐渐失去原本的稀缺性。AI 时代的专业选择，最难的地方并不是判断哪个专业“有用”，而是识别：哪些能力会随着工具普及而贬值，哪些能力会因为机器和科技变强而变得更稀缺。
CS仍然重要，但它不再自动代表确定的未来
过去很多年，美本申请里的专业选择有一套相对固定的想象。学 CS，意味着未来有高薪工作。学工程，意味着路径稳。学商科，意味着选择多。学人文社科，则常常会被追问一句：以后做什么？这种判断并非完全没有道理。专业和就业之间，的确存在现实联系。但 AI 的出现，让这套简单映射开始松动。
WSJ文章里提到，过去二十年学生对计算机科学的蜂拥，使得市场上出现了比企业需求更多的程序员。这里的重点不是“程序员不再重要”，而是基础编码能力的稀缺性在下降。
顶尖学生依然有优势。斯坦福、MIT、CMU、伯克利等学校的强 CS 学生，仍然具备很强的市场竞争力。一个专业整体的吸引力，不能只由最顶端的结果来代表。过去二十年，计算机科学从一个高稀缺度专业，逐渐变成了大规模选择。它依然重要，但拥挤已经成为现实。文章用了 “stampede” 这个词，意思是蜂拥而入。这个词很形象。它描述的不只是学生数量的增加，也描述了一种集体心理：大家都相信那里有确定的回报，于是不断向同一个入口挤去。AI 又让这件事变得更复杂。“Artificial intelligence makes the oversupply even worse.” 人工智能让供给过剩的问题变得更严重。
很多基础编码任务正在被 AI 工具重塑。代码生成、调试、文档、测试、原型搭建，这些工作仍然需要人判断和负责，但执行层面的门槛正在被工具降低。企业对普通编码能力的支付意愿和招聘需求，也会随之变化。这并不意味着程序员会消失。真正变化的是：只把自己训练成“会完成技术任务的人”，已经很难构成长期优势。
对申请者来说，问题也随之改变。过去，一个学生说自己喜欢计算机，做过几个项目，参加过竞赛，未来想进科技行业，已经能够形成一条相对完整的申请线索。现在，这条线索变得很常见。相似的项目，相似的语言，相似的“用技术改变世界”，越来越容易被淹没。
更有辨识度的叙事，往往不是从“我会什么技术”开始，而是从一个真实问题开始：我为什么关注它？我看到的具体人群是谁？我试图理解什么？技术在其中承担什么角色？我在过程中改变了哪些判断？
代码可以展示能力。问题意识，才会展示一个人的方向。
不要把“AI时代”理解成“所有人都去学AI”
当 AI 成为新的时代关键词，很多专业选择也开始向它靠拢。人工智能、机器学习、数据科学、计算建模，这些名字天然带有一种前沿感。它们当然有价值，但文章提醒人们，不要把 AI 时代的学习理解得过窄。
文章采访了仲量联行 (JLL) 的 Peter Miscovich。他对“专门聚焦 AI”这件事的判断很短：“It's too narrow.”这太窄了。他谈到，现在很多公司流行设置“首席 AI 官”，但他预测，未来每一个 C-suite 高管岗位都需要具备 AI 素养。也就是说，AI 最终可能会变成一种普遍能力，而不是某个少数岗位的专属标签。他还用了一个很有记忆点的比喻：“It's sort of like saying you majored in Excel.” 这有点像说你主修 Excel。
这个比喻并不是说 AI 和 Excel 一样简单，而是在说明一种趋势：当工具变成基础设施，单独以工具作为身份，可能不足以支撑长期竞争力。
今天，一个学生会用 AI，会调用模型，会做一个智能应用，这仍然值得肯定。但几年之后，这些能力也许会像会搜索、会做表格、会写邮件一样，成为默认要求。那时差异会慢慢转移到别处：你用 AI 去理解什么问题，你如何判断它的输出是否可靠，你知道它在哪些地方可能失效，你能不能把它放进真实的人类环境中。
AI 项目最容易做得热闹，也最容易做得空。一个聊天机器人、一个识别模型、一个推荐系统，如果只是为了证明“我接触了前沿技术”，很快会显得单薄。相反，一个并不宏大的问题，若来自真实观察，反而可能更有力量。比如，一个学生观察到老人并不愿意使用某类智能设备，于是去理解他们对界面、隐私和信任的顾虑。另一个学生发现同龄人在用 AI 写作时越来越依赖生成答案，于是设计一种保留思考过程的学习工具。这样的项目未必拥有最炫目的技术外壳，但它们有场景，有人，有问题的来龙去脉。
工具越强，场景越重要。技术越普及，判断越稀缺。
为什么是人类学：把镜头拉远，看见系统里的人
文章标题把人类学放在最醒目的位置，并不是为了制造反差。作者想借这个学科，指出了一类长期被低估的能力：理解人类行为、社会结构和文化情境的能力。
文中提到投资人 Alec Litowitz。他本科在 MIT 学数学，同时修了人类学，后来又获得法律学位和 MBA，也曾是 Citadel 的早期合伙人。这样一个履历很“硬”的人，却说自己一直在受益于人类学训练。他说：“The beauty of anthropology for me is that I can telescope out and try to understand what's happening to society right now.”人类学的美，在于它让他能够把镜头拉远，试着理解当下社会正在发生什么。
“把镜头拉远”这件事，在 AI 时代尤其珍贵。当所有人都在追逐更快的工具、更高的效率、更先进的模型时，人很容易只盯着眼前的问题：怎么实现，怎么优化，怎么发布。人类学提醒我们，任何技术都不是落在真空里。它会进入家庭、学校、医院、公司、社区，进入具体人的生活秩序。
人类学关心的是人怎样生活，怎样形成习惯，怎样在文化、制度和关系中做出选择。它把抽象的“用户”、“群体”、“社会影响”还原成具体的人。一个人为什么接受某项技术，为什么抗拒某种改变，为什么口头表达的需求和真实行为并不一致，这些都不是单靠代码能解释的。同一个技术，在不同群体那里，可能被理解为便利，也可能被理解为打扰。一个功能在产品经理眼里是效率，在员工眼里可能是监控。一个 AI 辅助系统在设计者眼里是智能决策，在使用者眼里可能是责任转移。这就是为什么“懂人”不是柔软的装饰，而是硬问题的一部分。
Litowitz 还提到一个关键词：metacognition，元认知。他解释说，人类学的一项关键能力，是能够观察一个系统，同时意识到自己也是这个系统的一部分。
这是一种很成熟的思维方式。它让人不急着站在外部评判，而是意识到自己的身份、立场、经验也会影响观察本身。
这听起来抽象，放进学生经历里却很具体。做公益时，一个学生不仅记录自己帮助了多少人，也开始思考：我所理解的“帮助”，是不是对方真正需要的？我的介入有没有带来新的依赖？我看到的问题，是来自现场，还是来自我原先的想象？做产品时，一个学生不仅描述功能，也能意识到：我把用户设想成了怎样的人？这个设想有没有偏见？为什么我认为效率提升就一定意味着体验改善？这种反思不会让故事变得软弱。它会让故事更可信。年轻的申请者不需要假装掌握所有答案。很多时候，真正打动人的恰恰是他知道问题比想象中复杂，于是愿意继续观察、继续修正、继续靠近真实。
文章还提到安永设立了一个 1 亿美元奖金池，奖励那些能展现出不可被 AI 替代价值的员工。这个例子很有象征意义。企业正在重新识别一种价值：当机器能做得越来越多，人身上哪些东西仍然不能被轻易替代。AI 可以生成漂亮的语言。但真实的观察，理解人性，依然是不可替代。
数学的回归：当包装越来越容易，思考推理过程会约珍贵
文章推荐的第二个方向是 Mathematics，数学。这里的逻辑很现实。作者指出，AI 对就业市场的一个重要影响，是信任被侵蚀。招聘者越来越难判断，一个候选人到底是真的有能力，还是只是很会利用 AI 工具包装自己，完成测试、应付线上面试。
Insight Global 的 CEO Bert Bean 介绍了他们的方式：把候选人请到现场，给白板笔，让他们当场解题。他说：“We say, 'OK, now show us what you can do.'” 好，现在展示你能做什么。
这句话简单到几乎没有修饰，却很有冲击力。当成果越来越容易被生成，过程就会重新成为判断依据。一个人如何理解题目，如何拆解条件，如何尝试路径，如何发现错误，如何调整方法，这些过程很难被包装替代。
数学训练恰好保留了这种能力。数学不是公式的集合。更深处，它训练的是耐心、抽象能力、结构感和手动解决困难问题的经验。那些长期和难题相处过的人，身上会有一种不急于求成的稳定感。他们知道答案不是生成出来的，是一步一步推出来的。
Bean 认为数学专业有优势，原因之一是 AI modeling 本身涉及大量数学；另一个原因是，数学训练天然包含大量手动解决复杂问题的练习。
数学并不只是一组公式。它训练的是一种面对困难时不逃开的能力。
好的数学训练会让人习惯慢下来，拆开问题，忍受暂时的不确定，在逻辑里寻找出口。它没有太多表演性，甚至常常显得不够热闹。但它留下的思维肌肉，非常耐用。
在申请语境中，这种能力同样会显形。很多活动看起来可以快速搭建，很多项目可以快速包装，很多文书可以被修饰得流畅。但一个学生长期训练出来的思维质地，很难临时伪造。真正做过研究的人，说得出失败的细节；真正解过难题的人，讲得清楚卡住的地方；真正投入过一个问题的人，不会只停留在漂亮结论。
AI 会让“成品”越来越多，也会让真正的思考痕迹越来越珍贵。人的价值，会越来越体现在如何抵达成品。
哲学的现实意义：学会在未知里重新使用自己
文章推荐的第三个方向是 Philosophy，哲学。作者在这一部分没有把哲学讲成浪漫神话。他很清楚地引用纽约联储的数据：在 22 到 27 岁的近期大学毕业生中，哲学专业毕业生的就业不足率是计算机科学毕业生的两倍多。
这份现实感很重要。讨论专业选择时，最怕只有情怀，却没有落地。哲学并不天然等于好就业，也不会自动带来清晰职业路径。但文章随后提出了一个值得注意的现象：年轻哲学专业毕业生的失业率，低于计算机科学、计算机工程、信息系统和物理等专业的同龄人。
这个数据不该被过度解释，却提供了另一种视角：哲学训练出来的人，似乎具备把能力迁移到不同场景的本领。有些哲学专业毕业生也许在做咖啡师，但数据暗示，学习哲学的人善于为自己的才能寻找替代用途。未来的就业市场会被 AI 以难以预测的方式改变，这种重新定位自己并迁徙能力会变得重要。
AI 公司也在使用哲学人才。文章提到，Anthropic 雇用哲学家来教 Claude 一种道德感。OpenAI 和 Google 也有类似角色。这背后不是文科的“逆袭故事”，而是一个真实需求：AI 系统越来越多地进入教育、医疗、招聘、金融、内容分发和公共决策。它们带来的问题很快会超出工程范畴：什么是公平？谁来承担责任？模型判断和人的经验冲突时，应该相信谁？效率提升是否总是好事？一个系统可以做到什么，是否意味着它应该被使用？
哲学的意义也不只在于选择哲学专业。它更像一种底层训练：追问假设，辨析概念，理解价值冲突，在混乱里保持思考的秩序。
对高中生来说，哲学未必表现为专业选择。它也可以表现为一种提问方式。在申请中，这种能力常常以很安静的方式出现。
写 AI 医疗，有人会写准确率和效率。更深入的学生会继续问：如果训练数据没有覆盖某些群体，系统会不会让本来就弱势的人更弱势？如果医生依赖模型，判断责任如何分配？如果患者面对的是机器建议，他失去的会不会不只是信息，还有被理解的感觉？
这种问题意识，是很高质量的学术潜力。它说明一个学生没有把世界看成一个等待优化的系统。他知道真实世界有价值冲突，有不确定，有难以量化的人的感受。这并不影响他的专业性。它让他的专业性更成熟。
经典学科的价值，正在被重新看见
OpenAI 教育副总裁 Leah Belsky 在文中说：“Human skills remain even more important as AI takes on more complex work and reshapes fields in ways we can't fully predict.” 当 AI 承担更复杂的工作，并以我们无法完全预测的方式重塑各个领域时，人类技能会变得更加重要。
“人类技能”这个词很宽。放在申请里，它并不只是沟通能力、领导力、同理心这些常见标签。它更接近一种综合素质：看见复杂问题的能力，理解他人的能力，判断边界的能力，在变化中重新学习的能力。
这些东西很难被一项活动完整证明，却会散落在整个申请中。学生为什么选择这个方向。他怎样开始。中途遇到了什么。他有没有改变过自己的看法。他有没有真正和人接触。他能不能把经历讲得具体而不过度拔高。他是否知道自己还不知道什么。这些细节共同构成了一个人的质地。过去几年，很多申请准备越来越像清单管理：竞赛、科研、夏校、论文、公益、创业、实习。每一项都重要，但它们本身不能自动组成一个有说服力的人。活动越多，有时越容易看不见学生本人。真正好的申请，通常有一种内在连续性。它不是把一堆漂亮素材摆在一起，而是让读者看到一个年轻人如何被某个问题吸引，如何投入，如何碰壁，如何调整，如何在真实世界中建立自己的方向。
AI 可以帮助整理语言，不能替学生拥有真实经验。AI 可以生成漂亮表达，不能替学生建立长期兴趣。AI 可以概括观点，不能替学生在现场看见一个人的犹豫、抗拒、信任和变化。而这些，恰恰是教育里最不该被省略的部分。教育的核心，仍然发生在人和世界真实接触的地方。
文章最后有一句话：“If nothing else, zigging when others zag is often wise.” 至少，当别人都往一个方向走时，选择不同路径常常是明智的。
这不是鼓励反向操作，也不是为了显得独特而独特。它说的是一种更冷静的判断力：当一个方向被过度拥挤、过度叙事、过度承诺时，人需要有勇气停下来，重新问一遍自己到底在追求什么。
选择专业，最终不是选择一个听起来正确的名词。它是在选择一种训练自己的方式。
给美本申请者的真正命题：你会成为什么样的学习者
如果从这篇文章里提炼出对美本专业的选择，它不是“不要学 CS”，也不是“赶紧改学人类学、数学、哲学”。更准确地说，它提醒我们，未来更有价值的不是某个单一标签，而是一种可持续生长的能力结构。美本教育真正有价值的地方，在于它允许学生建立组合。数学可以和哲学相遇，计算机可以和人类学相遇，经济学可以和历史相遇，工程可以和伦理相遇。未来很多重要问题，都不会安静地待在单一学科边界里。
热爱 CS 的学生，依然可以坚定地学下去。但最好不要只停留在编程本身。数学基础、系统理解、产品场景、伦理意识、用户观察，都可能让技术兴趣变得更立体。喜欢人文学科的学生，也不必急着把自己的兴趣看低。人类学、哲学、历史、文学、社会学所训练的理解力、表达力、批判性思维和价值判断，可能在 AI 时代获得新的位置。擅长数学的学生，也不必把数学只当成竞赛履历。它更深的价值，是训练一种可靠的思考方式：慢、准、严谨、能承受复杂。
专业当然要考虑现实出口。就业、学校资源、家庭投入、个人能力，都需要被认真对待。但一个更底层的问题也许更值得提前出现：当工具越来越强，一个人身上什么东西会变得更珍贵？答案不会只有一个。
AI 时代的专业选择，也许不再适合寻找一张“黄金门票”。更稳妥的方式，是寻找一种能让人持续变强的训练：它能让学生深入一门学科，也能让他理解人；它能提供硬技能，也能培养判断；它能回应现实，也能保留好奇。
当工具越来越强，人身上真正稀缺的东西会变得更清楚。
未来的教育，不会只奖励最会追逐趋势的人。它会奖励那些在趋势之中，仍然能够看见人、看见问题、看见自己的学生。
