AI 时代更需要经验，但 AI 替代的恰恰是经验！

过去传统的经验积累模式   

1. 企业 / 课题组里，导师、老工程师会把大量 “脏活、重复活” 交给新人：写基础接口、跑基础仿真、调简单脚本、处理数据集、调试简单 bug。
2. 这些活技术含量不高，但价值巨大：在重复中熟悉工具、踩基础坑、理解边界条件、建立工程直觉。
3. 干完一堆初级活，才有资格接触架构设计、问题拆解、系统权衡这类高阶工作。

相当于游戏中的打怪练级，先刷小怪攒经验，等级够了再打大怪。现在小怪被 AI 全部清理干净了，你怎么能一下子拥有打大怪的能力呢？

AI 到来之后会发生两件事。

1. 初级任务消失，但是高阶的评判、排错、决策任务不会自动给到学生

AI 可以输出代码、仿真脚本、处理数据集，但校验、排查漏洞、理解物理含义、权衡取舍这些工作依然要人做。可现实情况：很多学生直接拿 AI 输出的结果当成品。没有经历亲手踩坑，就不知道 AI 的输出哪里错、哪里有漏洞，看不出仿真的虚假 “漂亮指标”。

拿上一张 AI 通信的例子：学生用 AI 快速搭好神经网络，AWGN 信道跑出很漂亮的结果，但完全不懂多径、多普勒、硬件非理想效应，信道模型设置完全脱离实际。仿真分数很高，但一旦审稿、落地，直接被打回。工具一键出结果，但**“识别结果是不是可信” 这个经验，AI 给不了**。

2. 社会与企业对新人的门槛悄悄上移

以前企业招人，接受应届生只会做基础实现，进来再慢慢练。现在企业默认：你会用 AI 工具。企业不再愿意花钱找人做初级编码、初级仿真；招聘时直接要求：会拆解问题、评估方案、排查 AI 产出的错误、做系统权衡。

过去招你来做 “执行”；现在招你来做 “AI 的负责人”。但是学校训练体系很多还停留在训练 “执行者”。学生手里有最强的工具，却缺少训练 “负责人” 的途径，形成错位。

那在校学生，去哪里刷经验值？

既然 “初级重复执行任务” 被 AI 接管，经验获取的逻辑必须彻底切换：

① 不再从 “写第一行代码” 开始练，改为从 “审查、修正 AI 产物” 开始练

旧模式：从零写完整程序；新模式：AI 生成初稿，学生做：需求校验→找漏洞→修改约束→重设计→验证结果。比如做通信仿真：AI 生成信道估计代码，你的练习重点不是敲代码，而是：

• 检查信道模型是否合理？
• 什么场景算法 会失效？
• 和传统 MMSE 算法对比增益到底来自哪里，是不是虚假仿真？
  这个过程就是新的 “经验值”。在课堂上如果讲不到这么深，那就从正弦波延伸到ECG信号，如何一步步实现精确测量峰值。

② 主动去找真实约束，拒绝 “玩具仿真”

学生最大陷阱：在理想化条件下做 AI 仿真，一切完美，但是碰不到真实世界的坑。通信方向：不要只跑 AWGN，强迫自己引入多径、多普勒、相位噪声、硬件损伤；软件方向：不要做 demo 小程序，主动引入异常情况和特殊场景。坑，才是经验的来源。AI 不会主动给你制造坑，要学生自己主动给自己加约束。

③ 把学习重心从 “实现” 转移到 “问题定义”

过去学习是学会怎么实现某个算法。现在学习呢？学会什么问题值得解决、怎么把模糊现实需求转化成可求解的技术问题。就像你写百万字小说，AI 可以扩写，但构思世界观、人物冲突、情感动态是人做的。技术领域同理，定义问题，比实现更难。很多学生的短板恰恰在这里：只会解决已经定义好的习题，面对模糊真实问题无从下手。

④ 课题、项目，刻意给自己留 “逆向任务”

很多同学做项目，让 AI 包揽全部实现，自己只剩写论文。训练方法：同一任务，要求自己：1）让 AI 出一套方案；2）自己不用 AI，手工推导、手写一个简化版本；3）对比两套结果差异，分析为什么不一样。哪怕手工版本性能差，这个对比的过程，就是刷经验。

现实都有两面，请不要过度悲观。

1. 确实内卷加剧，新人的 “缓冲垫” 变薄。以前允许新人在低级工作慢慢试错；现在行业节奏快，容错空间变小，不进则退。
2. 但 AI 同时降低接触高阶课题的门槛。十几年前本科生很难跑大型 MIMO、雷达仿真，现在借助 AI，本科生就可以接触 6G、语义通信这类前沿课题。上限变高，下限也抬高。

对应到教育层面，我们必须做出改变。很多课程体系还在用旧的考核方式：要求学生独立写出完整代码。但现实工业界已经人人使用 AI。教学也需要调整考核重点，不再考核 “能不能写出代码”，转而考核：你会不会提出问题，会不会甄别 AI 输出的错误，会不会做系统权衡，能不能解释结果背后物理原理。但学生们是否能跟得上成为我现在最担心的问题。

不是现在的孩子变弱了，是技术练级的环境变了！前进路上的小怪被 AI 杀光了，新手直接被迫要练习识别陷阱、系统决策这些高阶能力。经验不再来自 “重复敲一千行代码”，而是来自校验、质疑、约束、对比、处理失败结果。对于在校学生，工具再好，不能直接吃 AI 的成品，要把 AI 的输出当做训练自己判断力的靶子，而不是直接拿来交差的答案。