三个月前我给一家出版社交了一本 AI 相关教材的初稿。为了写清楚“模型如何做推理”“训练过程有哪些工程坑”“真实项目里的数据怎么组织”我翻了上百篇论文改过十几版大纲还手动标注了每个案例适合什么基础的学生。这周我把同一份大纲丢给一个大语言模型让它先写两三章的草稿。几分钟后我拿到了一份结构完整、措辞通顺、甚至还能自动生成思考题的文本。那一刻我既兴奋又焦虑我花了三个月写的东西AI 只用了五分钟。于是我开始认真追问到底还要多久AI 能做得比我更好这个问题听起来像是一个内容作者的职业焦虑但对我来说它更像一个工程问题。因为写一本教材不只是“写”它包含知识整理、结构设计、案例设计、教学逻辑验证、版本维护等一系列任务。AI 在这些任务上的能力并不是均匀的。有些部分它已经做得比我快有些部分它做得像模像样但经不起深挖还有一些部分它几乎没有触及。下面我用自己写教材时的实际体验拆一拆这个问题的答案。1. 先说结论AI 的“强”集中在可复现的工程化部分1.1 它真正擅长的是把混乱输入整理成标准结构我在写教材时最耗时的一项工作是把一堆零散的论文结论、开源项目文档和实验记录整理成章节然后给它们排一个清晰的逻辑链。这一步其实就是“从非结构化信息到结构化输出”的过程恰好是大语言模型最擅长的。举个例子我给它提供一段关于 Transformer 注意力机制的原始笔记包括公式推导、论文原句、我自己画的流程图、还有一些零散的案例。它能在几秒内把这些内容组织成一个小节概念解释、公式拆解、局限分析、延伸阅读。我第一次看到输出时确实有明显的危机感因为这个整理能力本身需要我花很多时间。但问题也出在这里它擅长的是“整理”不是“发明”。它会把我的笔记重新组织得很好但不会主动指出我这组笔记里缺少了一个关键的“为什么 attention 需要做缩放”。这个缺口需要我带着教学经验才能发现。如果只是做资料整理AI 已经超过多数人的效率。这就是它最直接的价值把低创造性的整理工作自动化让作者腾出时间去做判断。1.2 速度优势背后是对公开知识的强概能力AI 能在几分钟内生成一本教材的框架另一个原因是它对公开知识的覆盖率远超个人。同一个主题它知道英文教程、中文博客、经典论文、开源文档里的常见表述并能综合出最“平均”的那一版。这个能力在写“基础概念”章节时特别有用。比如“CPU 和 GPU 的区别”“什么是 embedding”这些内容已经形成标准答案AI 给出的版本甚至比多数教材更清晰因为它有大量高质量语料支撑。但不能忽略的是这种综合能力会带来两个副作用。第一它倾向于掩盖信息冲突。不同论文对同一个术语有不同定义时它会选一个“最大公约数”而不是标出多派观点。教材作者往往需要故意保留这种争议让学生看到知识不是铁板一块。第二它会自然向高频语料倾斜。一个领域里被讨论最多的内容会被吸收而小众但重要的视角会被过滤掉。如果你写的是前沿交叉学科AI 的知识滞后问题会更明显。所以AI 在“基础概念”章节里是强力的初稿生成器在“前沿争议”章节里则只能当线索来源。2. 但要写“好”一本教材单靠概能力远远不够2.1 知识准确性流畅文本只是起点不是终点AI 生成的文本非常流畅但流畅不等于准确。教材和普通文章最大的区别在于学生会把每一句话当作“可信的知识”来接受。如果教材里出现“通常来说”“一般认为”这类模糊表述学生根本无法判断哪些是确定结论哪些是有争议的观点。我在用 AI 协助写作时发现它对于主流知识的准确率尚可但一旦进入前沿领域或低资源语言的内容就会出现看似合理但实际错误的表述。比如它可能在解释某个算法的复杂度时漏掉前提条件或者在描述某个框架的 API 时混入旧版本的用法。有一次我让它帮我写一段关于量化推理的内容。它给出的解释在整体结构上没错但把不同量化位数对精度的具体影响写得太绝对了。实际上这个结论高度依赖模型结构、校准数据集和推理框架。如果学生直接照搬就会形成错误认知。所以我给自己定了一条规则AI 生成的内容只能作为初稿必须经过事实核查和原始来源比对。这里不能偷懒。尤其涉及版本号、结论性表述、性能数字时一定要回到一手资料。2.2 教学有效性能从 0 讲到 1不等于能让不同水平的学生都学会教材的另一个核心属性是“教学性”。同样的知识点给大一新生和给有三年经验的工程师讲讲法完全不同。AI 的默认输出往往介于两者之间——它既不够细致也不算高级而是停留在“标准答案”的中间态。比如我写“如何用 Python 实现一个简单的神经网络”时给初学者的版本会一步一步解释矩阵乘法但给进阶读者的版本会直接讨论反向传播的数值稳定性。AI 生成的内容很难自动区分这两类读者它只会输出一个“差不多”的版本。更关键的是教学不仅要“讲清楚”还要预判学生会在哪里卡住。一个真实的课堂里学生会因为各种奇怪的先验知识或思维惯性产生误解。AI 很难凭空知道这些误解因为它没有真实面对过提问者。所以我在使用 AI 时会把目标读者描述得非常具体并且要求它输出配套的“可能的误解”清单。比如“请假设读者是计算机专业大二学生已经学过线性代数但没接触过深度学习。在解释反向传播时列出三个他们最容易搞混的地方。”这样生成出来的内容比默认输出有用得多。但真正有价值的误解还是来自作者在教学互动中的积累。2.3 内容独特性它生成的是平均经验写不出“只有你才有”的判断教材的长期价值很多时候来自作者的独特案例、踩坑经历和行业判断。比如我在写“本地部署大模型”这一章时记录了自己在内网环境里跑通量化模型时遇到的十几个坑。这些内容在公开语料里几乎不存在AI 不可能凭空生成。如果整本教材都由 AI 生成那么它产出的会是所有教材的平均值结构完整、内容正确、但缺乏个性。这就像同一道菜的做法AI 能把大众点评里的平均做法给出来但无法复刻一个厨师在灶台上十年积累的火候判断。读者买教材本质上是在买作者的经验浓度。如果一本教材和其他同主题教材没有差别读者大可以直接看在线文档。AI 可以快速生成准确的“标准内容”但无法生成某个作者在特定行业、特定项目中的独特经验。这也是我认为 AI 最不可能替代的部分。因为它能综合“所有人写过什么”但不能替你去经历“你真正做过什么”。3. 如果现在就要让 AI 参与教材编写先补齐四块拼图3.1 输入层把目标读者、教学目标和案例约束结构化成提示词如果你想让 AI 写出一段真正可用的教材内容第一步不是打开对话框说“帮我写一章”而是先整理一份包含以下信息的“作者说明”。我在实践中会写这样一段目标读者计算机专业大二学生已经学过数据结构但对机器学习没有基础。 本章目标让读者能看懂自注意力机制的作用并能用 PyTorch 完成一个最小实现。 风格约束先给直觉再给公式不堆术语。 案例偏好使用中文 NLP 任务举例避免使用英文翻译腔。 输出要求每个概念后面必须附一个“常见误解”或“课堂提问”。把这段说明放在系统提示词里再让模型逐节生成质量会明显提升。因为模型知道了“给谁讲”“讲到什么程度”“用什么风格”。如果只给一个简单指令它只能输出一个通用模板。这里有一个细节很多人不写“不做什么”导致 AI 频繁使用“首先、其次、此外”这类论文腔或者出现“总的来说”这种完全不适合教材的表述。把负面约束写清楚比正面要求更有效。3.2 校验层用事实核查、样例测试和人工评审兜底AI 生成内容后必须有一个校验流程。我的做法分成三步。第一步事实核查。涉及定义、公式、API、版本号的内容逐一对照权威来源。不能只看 AI 有没有“看起来合理”。尤其是大模型领域的知识更新极快半年前的表述可能已经过时。第二步样例测试。凡是涉及代码的章节把 AI 生成的代码放到真实环境里跑一遍确认能运行并且输出结果与文字说明一致。这一步能过滤掉大量幻觉代码。有时 AI 写的代码看似正确但实际运行会因为一个小错误直接崩溃。第三步人工评审。找目标读者里的代表读一遍确认他们在没有老师讲解的情况下能理解。这个环节最能暴露 AI 生成的“看似清晰、实则跳跃”问题。教材不是给 AI 看的是给人类看的。校验层的核心不是“一次验完”而是形成一个可重复执行的质量门禁。每完成一章就过一遍这三步然后再进入下一章。3.3 维护层教材不是一次性成品AI 的好用之处在于能做持续修订传统教材最麻烦的问题是版本维护。大模型领域一年一大变半年前写的“最新模型”可能已经过时。这个场景反而是 AI 的强项因为它能快速把旧章节改写成新版本并额外指出术语变化和推荐替代方案。比如我原本写了“BERT 是主流预训练模型”的章节但后来领域转向了更高效的模型。我会让 AI 以旧章节为基础生成一版“针对 2025 年现状的修订稿”同时保留我原来设计的案例和教学步骤。这样既更新了内容又不会丢失原有的教学设计。但我提醒一点不要直接让 AI“重写整本书”而要以章节为单位明确差异保留原有案例和结构。否则它会把你的教材改成一本“新书”之前的教学设计和独特案例会全部丢失。每次只改一个章节并且用版本控制工具记录差异会更可控。3.4 协作流程把 AI 当作实习助手而不是替代作者综合来看最有效的协作方式是把 AI 当成一个能力很强但需要不断确认的实习助手。它负责初稿生成、资料整理、排版润色和版本对比你负责目标设定、事实判断、教学设计和最终决策。这里可以提一个类比就像写代码时用代码生成器它能让你的效率翻倍但架构设计、代码审查和线上问题排查仍然需要人来承担。教材编写的“架构师”就是作者本人。如果你把 AI 当成替代者你会走捷径也会失去对内容质量的掌控。如果你把它当成一个“能快速给初稿的下属”你的产出效率可以提升很多。关键在于你是否清楚哪些决策必须由你自己完成。4. 我的真实判断AI 不会“替代”作者但会逼着作者换一种工作方式4.1 作者的核心竞争力从“组织文字”转向“定义问题”过去写教材的核心能力是“组织文字”把知识梳理成清晰章节把术语解释得通俗易懂。现在这项能力正在被 AI 快速拉平。你可以让 AI 用十分钟生成一章结构清晰的内容只要你的提示词足够好。但新的问题出现了谁来定义“这本书要解决什么问题”谁来定义“目标读者最缺什么”谁来决定“哪些内容不值得写”这些问题的答案直接决定一本教材的定位和价值。答案不在公开语料里而在作者对教学场景、学生反馈和行业需求的理解中。所以我觉得未来教材作者的核心竞争力不再是组织文字而是定义问题。一个能精准定义目标和边界的人加上一个能快速生成草稿的 AI会写出比绝大多数传统作者更高效的教材。而不能定义问题、只想靠 AI 一键生成的人生产出来的只会是平庸的内容。这个变化并不只发生在教材领域。它本质上是在重新定义“创作”这个动作创作不是从零开始制造句子而是做出一连串有质量的选择。AI 提供了大量候选路径人负责判断哪条路值得走。4.2 一套可复用的 AI 辅助教材编写流程个人实践版如果让我给一个新手作者推荐一个起点我会建议按下面五步来做先用大纲定义“书的地图”章节目标、读者基础、前置知识、每章的教学目标。先不要在细节里打转确定好边界再开始。用 AI 生成初稿但每章只给一个输入不要一口气生成整本书。这样更容易控制质量也能及时修正方向。对每个章节做事实核查、代码测试和读者测试。这是不可省略的一环直接决定教材是否可信。把 AI 当成修订工具每次知识更新后让 AI 定位需要改的段落并给出版本差异。它很擅长对比和改写。最后再结合自己的案例、访谈和数据替换掉 AI 的“平均案例”。这一步是把教材从“通用”变成“独特”的关键。这套流程的核心是AI 负责“从 0 到 60 分”作者负责“从 60 分到 100 分”。如果你只依赖 AI你能得到一本“及格但不出彩”的教材如果你能把省下来的时间花在独特案例和教学反馈上你反而可能写得比以前更好。4.3 适用边界什么教材现在就不适合交给 AI 生成我也要说清楚边界不是所有教材都适合 AI 参与。第一高度依赖独有数据和内部经验的教材。比如企业内部的培训手册、基于内网日志的案例分析AI 没有接触过这些信息生成出来的内容只能是泛泛而谈。第二需要作者明确价值判断和伦理立场的教材。比如一些涉及人文社科、职业伦理、合规实践的内容AI 只能给出“普遍观点”但无法替代作者经过现实决策后形成的判断。第三案例需要实时更新且来源不能公开的内容。AI 的知识库有截止时间而且它无法感知“当前正在发生什么”。如果你写的是行业实时动态AI 反而不如一个长期追踪行业的人。第四面向小众群体、有特殊口语习惯和认知水平的教材。比如面向儿童、面向非母语学习者、面向特定文化背景人群的内容AI 的能力还比较粗糙。在这些场景里AI 只能做一些信息整理和排版辅助不能替代作者承担核心内容生产。认清边界你就不会在错误的地方依赖它。5. 如果你也在写教材或长文我最想提醒你的一件事写教材这件事我越来越觉得像经营一个持续迭代的系统你需要定义规格、生成初稿、测试、反馈、修订、再发布。AI 的意义不是它能在五分钟内写出一本“像样”的书而是它把“生成”这个环节变得不再稀缺从而让“判断”成为真正的稀缺品。所以回到最初的问题还要多久 AI 能做得比我更好我的回答是如果“好”指的是平均水平的 AI 教材它现在已经做到了如果“好”指的是能真正教会一个学生、能承载独特经验、能在每一次课程反馈中不断改进的教材那它还有很长一段路要走。而这段路怎么走不取决于 AI 的能力而取决于作者愿不愿意把时间花在那些 AI 替代不了的事情上。