被断章取义的「TOKEN自由」：没钱就不配学计算机？

一句刺耳的话，和它被截断的语境一段在网络上流传的课堂表述，把一门叫《生成式软件工程》的课推到了公共讨论里。南京大学一位计算机专业的老师，在课上说了一句相当不客气的话："没有Token的CS学生应该立即退学。"单独截出来看，这句话当然容易引起争议。它听上去像是在用消费能力划一条学业的生死线，而这恰恰是任何教育系......本文来自微信公众号： HavenlonLabs ，作者：Havenlon Labs，原文标题：《被断章取义的「TOKEN自由」：没钱就不配学计算机？》一句刺耳的话，和它被截断的语境一段在网络上流传的课堂表述，把一门叫《生成式软件工程》的课推到了公共讨论里。南京大学一位计算机专业的老师，在课上说了一句相当不客气的话："没有Token的CS学生应该立即退学。"单独截出来看，这句话当然容易引起争议。它听上去像是在用消费能力划一条学业的生死线，而这恰恰是任何教育系统都最不愿意承认自己在做的事。但如果把完整语境放回去，它并不是一条真正意义上的退学标准。老师想表达的是另一件事：在今天的计算机教育里，使用大模型已经越来越不像一种课外兴趣，而开始变成一种基本的工程能力。一个不碰模型的计算机学生，正在失去的不是某个加分项，而是这门专业当下的工作方式本身。这才是那句话真正值得讨论的地方。争议停留在语气上，问题却停留在语气之下。因为一旦承认"使用模型是一种基本工程能力"，一个过去很少出现、甚至根本无处安放的问题就跟着来了：Token到底算什么？Token到底算什么它是学生自己的消费品，是一种学习工具，是一种软件许可证，还是像实验室里的芯片、服务器算力、云资源一样，正在逐渐成为新的教学基础设施？回头看，计算机教育对"入门需要什么"的定义一直在往上走。过去学计算机，需要一台电脑。后来需要互联网、服务器、云资源和各种开发工具。这些东西被添进清单的时候，也都经历过一段"这算个人装备还是教学条件"的模糊期，最后才安顿下来。今天的清单上又多了一种很特别的东西：按次消耗的智能能力。它的特别之处在于计费方式，而不在于价格高低。每调用一次模型，都可能产生费用。一次Agent调试可能需要几十轮交互。一次代码生成不满意，可以重新生成。一个复杂任务甚至需要同时调用几个模型反复比较。于是，一个以前并不存在的变量，安静地进入了学习过程：试错开始有了实时价格。真正有意思的地方，不是谁比谁多花了一百块钱。金额从来不是这件事的重点。重点是这种计价方式正在悄悄改变学习本身的形状。试错第一次有了价格设想同样坐在一间教室里的两名学生，面对同一道题。一个人可以同时订阅几个模型。结果不好，再试一次；Prompt不对，重新来；模型A不行，换模型B；Agent跑错了，重新执行。几十次失败对他而言，只是学习过程里理所当然的一部分，是背景噪音，不需要被单独意识到。另一个学生的处境可能完全不同。每一次调用之前，他都会先在心里过一遍：这次值不值得？还能不能少调用一次？能不能自己先把代码写完再交给模型？还能不能再省一点？这些念头本身并不愚蠢，某种意义上甚至是清醒的，但它们占用了本该用来思考问题的注意力。表面上，两个人拥有同样的大模型，同样的课程，同样的作业。但他们拥有的其实不是同一个学习环境。一个人的试错成本接近于零，另一个人的每一次试错都有价格。这个差别在过去没有这么显眼，是因为传统计算机教育里的多数基础资源，一旦购买之后边际成本极低。电脑买下来以后，多写十遍代码不会额外收费；IDE多打开一百次不会额外收费；本地编译失败一千次，也不会收到任何一张账单。资源的门槛是一次性的，跨过去之后，勤奋不再被计价。生成式AI打破的正是这一点。它第一次把一种最基础、也最不该被抑制的学习行为——试错——变成了一种持续消耗的资源。这可能才是Token真正改变教育的地方。所以"学生该不该自己买Token"其实只是表层问题；更深的一层是：当AI成为学习工具以后，什么东西应该被重新定义为基本学习条件？成本意识本身就是一种工程能力这个问题没有简单答案，而且它的答案并不指向"学校应该无限供给"这个方向。学校当然不可能提供无限Token。更重要的是，无限供给本身甚至可能是坏事。因为真正好的AI教育，并不是教学生不停地调用模型。恰恰相反，未来非常重要的一项工程能力，正是判断力本身：知道什么时候应该自己思考，什么时候应该查资料，什么时候值得调用模型，应该选择什么模型，一次任务值得消耗多少Token，以及一段模型输出值不值得继续追问下去。这些判断没有一条可以靠算力堆出来。它们只有在资源有限、必须取舍的前提下才会被真正训练出来。换句话说：成本意识，本身就应该成为生成式软件工程的一部分。如果学生可以无限调用模型，他们反而可能失去一种很关键的能力：判断计算到底值不值得发生。一个从不需要衡量代价的人，很难学会衡量价值。因此，让学生承担一部分Token成本，并不天然不合理。就像云计算课程会让学生亲身理解CPU、GPU、存储和网络从来都不是免费资源一样，生成式软件工程也应该让学生理解：智能同样有成本。这种理解不是通过讲义完成的，而是通过账单完成的。到这里，那位老师的立场其实是站得住的。但正因为它站得住，接下来那条界线才更需要被划清楚。两种"没有Token"，不能混为一谈必须区分两件外表相似、性质完全不同的事情。一个人有足够的Token，却无节制地浪费，反复让模型替自己做本该自己完成的思考。这是工程能力问题。另一个人知道怎么使用模型，也愿意学习，只是无法承担基本的调用成本。这是学习条件问题。两者不能混在一起。前者需要的是成本控制的训练，是课程本该教给他的东西；后者需要的是进入课堂实践的基本门槛，是课程开始之前就该被解决的东西。把两者混为一谈，教育就会用一种听起来很像"能力筛选"的方式，完成一次实质上的资源筛选。那句引发争议的话之所以刺耳，正是因为它同时落在了这两类学生身上，而没有区分他们。老师针对的显然是前者，被刺痛的却是后者。也正因为如此，这场讨论其实相当有价值。它暴露的不是某一所大学的问题，甚至也不是某一位老师的问题。恰恰相反，它可能说明：中国高校已经真正进入生成式AI教育，才会碰到这些过去不存在的问题。没有走到这一步的学校，连这个矛盾都遇不到。教学制度里还没有这个格子很多教育制度并不是先把所有问题设计完整，然后技术才姗姗来迟。更多时候恰恰相反：新技术先进入课堂，老师先开始实验，学生先开始使用，然后大家才逐渐发现，原来的教学制度里，没有这个格子。Token应该放在哪一栏？过去我们知道教材费是什么，知道实验耗材是什么，知道机房是什么，知道服务器是什么，也知道软件授权是什么。每一项都有对应的预算科目、审批流程和分担规则，边界清楚。但Token很奇怪。它既像教材，又不像教材——教材买一次能用一学期，Token用一次就少一次。它既像实验耗材，又不像实验耗材——耗材消耗的是材料，Token消耗的是尝试的机会。它既像计算资源，又比普通计算资源更直接地影响学习效率——服务器慢一点只是等得久一点，Token不够则是干脆不做了。它甚至可能正在成为一种全新的东西：认知耗材。所以这场争议真正的价值，不在于追问"老师为什么让学生自己花钱"，而在于它提前把一个所有大学迟早都要面对的问题摆上了桌面：当AI成为基础学习工具以后，大学应该怎样重新定义教学资源？大学要保证的，是最基本的起跑条件未来的学校大概不会简单地给每个人无限Token。更合理的方式，可能是基础额度、公共模型、校园API、课程算力池、困难学生支持，以及更严格的成本教育同时存在——既不假装智能是免费的，也不让价格直接决定谁能进入课堂。这并不是什么新逻辑。今天的大学同样不会给学生无限GPU，却会建设计算中心。资源有限是常态，有限之上仍然保证一个可用的底座，才是制度的意义所在。未来的大学也未必需要承担每一次模型调用。但它可能需要保证一件事情：一个学生不会仅仅因为承担不起最基本的Token成本，而无法参与一门本应属于他的课程。这和"所有AI使用都应该免费"是完全不同的命题。教育从来不意味着抹平所有资源差异，也做不到；有人用更好的设备、更多的时间、更充裕的试错空间，这在任何时代都存在。但教育有一个非常重要的功能：保证最基本的起跑条件。而生成式AI正在迫使我们重新回答，这个"基本条件"的边界到底在哪里。十年前，这个问题的答案可能是一台电脑；二十年前，可能是一条互联网连接；今天，它开始变成模型、算力和Token。答案一直在变，问题却始终是同一个。在成为基础设施之前，它总是先被当成个人选择所以，这堂课真正值得记住的，可能不是"没有Token的CS学生应该立即退学"这句话本身，而是它背后那个正在发生的时代变化：Token正在从一种互联网消费，逐渐变成一种教育资源。这个过程有一个反复出现的规律：当一种东西变成基础设施之前，社会通常都会先经历一段时间，把它误认为个人选择。互联网如此，计算机如此，云计算如此，AI很可能也一样。在被承认为公共条件之前，它总是先被当作个人的消费偏好、个人的家境、个人的努力程度——直到某一天，大家发现没有它已经无法参与。今天我们争论的是学生该不该自己买Token。几年以后回头看，真正重要的问题也许会变成：一个AI时代的大学，应该为学生提供怎样的基本智能基础设施？这不是教育出了什么问题。恰恰相反，这是教育真正开始进入AI时代以后，才会出现的问题。