脑子不该成为一个题库，因为你干不过 AI

1. 先算一笔账：1M token 到底有多大？#

到 2026 年，百万 token 上下文已经不是实验室里的炫技，而是头部模型的主流卖点。OpenAI 的 GPT-4.1 系列、Anthropic 的 Claude 1M context、Google 的 Gemini 长上下文，以及 DeepSeek 的 V4 Preview，都已经把 1M 级上下文摆到了官方文档里。这不是“未来可能会发生”的事，而是现在这张牌桌上已经打出来的牌。

Google 给过一个很直观的参照：1M token 大概可以放下 5 万行代码、8 本中等长度英文小说，或者 200 多期播客转录文本。见：Gemini long context。

如果换成中文，DeepSeek 的官方 token 文档给了一个粗略换算：1 个中文字符 ≈ 0.6 token。见：DeepSeek Token & Token Usage。

也就是说，1M token 粗略等于 166 万个中文字符。

166 万字是什么概念？不是一篇公众号，不是一本小册子，是一大摞教材、讲义、论文、政策文件、会议纪要、产品文档堆在一起，厚得足够让人看一眼就想给自己放假。

Brysbaert 2019 年关于阅读速度的综述和元分析统计了多种语言的阅读研究，其中中文默读平均约 260 words/min；论文也说明中文词数常由字数估算，常用约 1.5 个汉字对应 1 个词。换算下来，大概是每分钟 390 个汉字左右。见：How many words do we read per minute?

用更宽松一点的范围算，中文认真阅读大概可以按 300-600 字/分钟估。

于是： 一个主流长上下文模型一次能吞进去的中文材料，人类认真读完，大概要 46 到 93 个小时。每天读 8 小时，也要一周时间。

注意，这只是“读完”。不是理解，不是批判，不是写出东西，不是把它变成行动方案。

2. 那么AI要多久呢？#

当然，AI 不是神仙。

1M token 这种超长输入，不会一按回车就立刻冒出答案。大模型在输出第一个 token 之前，要先处理输入，也就是所谓 prefill。IBM 对 TTFT，也就是 time to first token 的解释里明确提到：输入越长，prefill 计算越重，首 token 延迟越高。见：IBM: Time to First Token。

但这并不妨碍结论。DeepSeek 官方在上下文缓存公告里给过一个很直观的例子：对 128K 输入且大部分重复的请求，实测首 token 延迟可以从 13 秒降到 500 毫秒。见：DeepSeek 上下文缓存公告。

也就是说，真实 API 里的长文本处理，已经可以被压到秒级体验。就算遇到更长、更贵、更慢的请求，它也是机器在批量计算，不是人坐在那里一行一行熬。

人类读同等中文材料要 46 到 93 小时。机器哪怕再慢，它也不是靠“多努力一点”能追上的对手。

蛮力阅读已经输给了机器的处理速度。承认这一点；别再继续假装背得更狠、读得更苦就能赢。

3. 贬值的不是知识，是“背下来就算会了”#

所以问题来了：当机器可以在极短时间内读取、压缩、检索、对照、重组大量材料时，人类最不该继续把什么东西当核心竞争力？

答案很简单：单纯记住大量现成材料。

不是说记忆不重要。没有基本记忆，人连思考都没法开始。你不知道概念，不知道事实，不知道背景，当然只能被别人牵着鼻子走。

但记忆不应该再被当成终点。

过去很多考试，名义上考能力，实际操作里大量奖励的是三件事：

背得住！

刷得熟！

套得快！

语文要背，英语要背，政治要背，历史要背。很多理科所谓理解题，最后也能被训练成一种固定动作：先看题型，再找关键词，再把老师总结过的句式搬上去，最后拼出一个看起来很像答案的东西。

这不是我在凭空揣测。中共中央、国务院印发的《深化新时代教育评价改革总体方案》里就明确提出，要改变相对固化的试题形式，增强开放性，减少死记硬背和“机械刷题”现象。相关新闻可见：北京日报报道。教育部关于高考命题的通知也被央视网报道过，方向同样是减少死记硬背和机械刷题。见：央视网报道。

你看，连官方都知道这东西有问题。

但现实里，很多人依然要把十几年青春献给它。

于是我们训练出一批很奇特的人：他们可以在极高压力下，把别人提前整理好的答案，以规定格式、规定姿势、规定情绪复述出来。题目稍微换个壳，就开始焦虑；问题一旦没有标准答案，就像走进了没有监控老师的操场，不知道该往哪边跑。

这套机制之所以还能根深蒂固的存在只是因为：

它至少证明了一个人可以在十几年里，随波逐流地持续服从一套流程。

它还证明了一个社会可以郑重其事地把“会不会做题”包装成“会不会学习”，再把“会不会学习”包装成“有没有前途”。

挺完整的闭环。

不过是这套系统跟真实世界不是很熟罢了。

4. 我们还要读书吗？#

这时候一定有人会说：那是不是以后不用读书了？

当然不是。

AI 可以帮你读很多东西，但它不知道什么对你重要。它可以总结一本书，但它不知道你为什么要读这本书。它可以列出观点，但它不知道哪个观点会改变你的生活，哪个观点只是漂亮废话。

未来真正重要的阅读，不是“我读完了”。

而是：

这段话的前提是什么？

它偷换了什么概念？

它有没有证据？

它和另一份材料哪里冲突？

它能不能进入我的现实问题？

它会不会影响我的判断和行动？

过去，读完大量材料本身就是门槛。以后，读完只是材料进入系统。真正的门槛变成：你能不能从材料里读出结构、读出漏洞、读出机会，读出和自己有关的那一部分。

阅读会从“吞材料”变成“审材料”。

5. 真正重要的是什么？#

AI 时代，人的价值不会消失，但会换地方。

不是你脑子里塞了多少页资料，而是你能不能提出一个值得回答的问题。

不是你能不能背出标准答案，而是你能不能判断答案哪里错、哪里虚、哪里遗漏、哪里只是看起来很有道理。

不是你读过有多少，而是你能不能把读过的东西变成选择、作品、判断、行动和生活方式。

未来更重要的能力，大概是这些：

提问能力：知道什么问题值得问。

上下文组织能力：知道该给 AI 什么材料，不该给什么材料。

判断能力：看得出胡说、偷换、遗漏和幻觉。

抽象能力：从一堆材料里提炼结构，而不是堆砌事实。

验证能力：会查证、会实验、会对照、会复盘。

表达能力：把复杂判断讲给别人听，让别人能理解、能相信、能行动。

方向感：知道自己到底想要什么。

6. 碎影#

过去的教育，太喜欢把人训练成答案的容器。

但 AI 时代真正需要的，是问题的主人。