在人类历史的大部分时间里，最稀缺的东西之一，是对知识的获取。想要一段解释、一处出处、一个证明，或一道已经解好的题，你得找到懂它的人，或者在书堆里耗上很久。答案本身，才是昂贵的那一部分。
这一切正在迅速改变。今天，一个能力很强的模型，可以在几秒钟内生成解释、摘要、分析、代码，或一个候选答案，边际成本接近于零。变化是真实的，而且很大。但它有一条应当说清楚的边界：这些系统能力很强，却并非不会出错。它们可能错得细微，也可能错得离谱，而且往往错得很有自信。
瓶颈发生了转移
如果答案的获取正在变得极其廉价，那么稀缺的资源就转移了。知道该问什么，正在变得和知道答案一样重要，甚至在很多时候更加重要。于是，真正值得培养的能力，也开始向更上游移动：发现有价值的问题，提出精确的问题，识别假设，依据证据推理，寻找反例，核验结果，并决定下一个问题该问什么。提出好的问题，需要观察、抽象、拆解与判断。这些技能不会因为更快的工具出现而消失；当答案变得廉价时，它们反而更有价值。
提问不是提示词技术
把这些称为“提示词工程”很容易，但那会错过重点。一个人可以对模型连问几百个问题，却没有问出任何一个真正有价值的问题。提示词技术，关乎如何把请求表述清楚；好的提问，关乎发现什么值得问。它通常发生在打字之前：在“这里有点不对劲”的直觉里，在“为什么这件事必然成立？”的不安里。
答案仍然需要被检验
正因为这些系统并非不会出错，答案从来不是工作的终点。它必须被质疑、被推理、被核验——对照逻辑，对照已知情形，对照“如果它错了，将会怎样”。在一个答案廉价的世界里，昂贵的是判断。
这种能力在哪里训练
数学有一个特别之处：它很少允许我们只停留在“听起来有道理”。一个结论为什么成立？条件是否充分？有没有反例？改变一个条件之后，结论是否仍然成立？数学不断要求我们把“我觉得”变成“我能说明为什么”。
这恰恰是数学教育在其最好状态下所培养的东西。我们学数学，不只是为了得到答案，更是为了成为更好的思考者和提问者：在使用术语之前先定义它，在继承假设之前先检验它，有意识地寻找反例，用核验代替想当然。回答问题的工具越强，这种训练就越重要，而不是越不重要。更强的 AI，应当让我们重新审视数学应当如何教，而不是让我们放弃数学教育。
难题的意义
这也是我认为好的奥数题真正有价值的地方。它的价值首先不在于“难”，而在于“陌生”。如果一道题看到题型就知道套什么公式，那么无论计算多复杂，它对思维的训练都是有限的。真正好的问题，不会把路径直接摆在面前。孩子需要观察条件，尝试一种方法，发现走不通，再换一个角度；发现隐藏的结构，提出猜想，再验证它；最终解决它，并回头反思整个过程。
最后的答案也许只有一个数字。但真正有价值的，是这个答案是怎么被想出来的。
如果奥数只剩下超前学习、记忆套路或奖牌，它也就失去了这份价值。
所以，AI 越来越会回答问题，并不是我们减少思考训练的理由。
恰恰相反。
当获得答案变得越来越容易，我们更需要帮助孩子学会观察、提问、推理、验证，并在面对陌生问题时寻找自己的路径。
我们学习数学，不只是为了在试卷上写下那个正确答案。更重要的是，在还不知道答案的时候，知道怎样开始思考。
答案不是终点，思考才是。