IDB Lab

IDB Lab

IDB Lab

Gobe Studio

Interoperable Europe

Interoperable Europe

RedGobernanzaAbierta

Interoperable Europe

Susan STEM

Susan STEM @feltanimalworld

4 Aug 2025

交叉学科以乐高的形式在我们面前展现接上两个帖子，我们身边许多传统学科正在快速失效，或者悄无声息地被计算机系统吞噬。但有一个方向，是我作为一个大龄程序员和技术研究者始终保持高度敏感与热情的焦点：交叉学科的结构重构。它正以我几年前完全无法想象的方式，以一种“乐高式结构组合”的形态持续涌现出来，这是我几年前无法想象的。这才是真正的蓝海。回到我曾反复强调的结构知识五要素：可压缩、可调度、可反馈、可组合、有目的。我们在编程中使用的函数可以嵌套、复用和组合，为什么知识就不能？结构化认知模块理应具备函数式的嵌套性和迁移性。你以为 AlphaFold 只是一个生物学项目？其实它是神经网络、结构物理、生物化学和信息压缩逻辑的交叉涌现体——是一种高密度结构语言驱动的科学跃迁。这种模式正越来越接近很多人提到的“垂类 Agent”，@hallof888 也是我近来思考的核心。可惜的是，我们这一代人被旧有的知识体系深深裹挟，惯于用经验主义和线性路径解释世界，对新范式表现出过度的迟钝与固执。我们总以为世界就该如此，岗位划分、职能边界、技能标签已经在大厂体系中钉死，程序员的模样被 WEB 2.0 的产业浪潮塑造得严丝合缝。可这不过是一个特定时代背景下的路径依赖。我曾跨过专业，不至于像许多人那样一旦听见不同声音就急于否定、讥笑他人“外行”。真正看不清趋势的，是那些刚毕业就进了大厂、被工位路径固化十几年的工程师。现在这个你赖以生存的范式，连你退休的那一天都未必等得到？垂类Agent 垂类 Agent，指的是专注于特定垂直领域任务的智能代理系统。它不仅拥有该领域内部的知识结构，还掌握任务流程、行为路径与交互逻辑，能够独立或协同完成复杂事务。与通用大模型相比，垂类 Agent 更像是一个结构密度更高、路径更聚焦、目标更明确的专业工具型智能体。这也正是 RickyH 在上一篇评论中提到的重点方向。而我想从一个具体行业出发，谈谈我对垂类 Agent 的理解，以及我认为最具可行性的落地策略。当我认知到“语言即世界”是 AI 时代的一条核心工作信条之后，我的注意力便自然转向了那些具备高度“语言性”的行业。也就是说：这个行业的信息高度结构化、文本化，与物理世界交互极少甚至接近于零，但其价值密度极高、覆盖范围广泛，上可至制度制定，下可及日常决策。更重要的是：这个行业人力成本极高，而信息化技术具备极强替代动机（Motive），却又有充分的深度空间和边界可探索。加之，该领域的大量信息已公开透明，拥有成熟的案例、法规、文件和历史记录，可作为大模型训练与精调的丰沛资源。这个行业就是——法律。 Why not？几乎所有在美国生活过、留学过的人，都和法律系统打过交道：从签证、合同、租房、交通纠纷到创业设立公司，再到打工、入籍、买房、身份转换……法律结构像一张无形的协议之网，覆盖了现实的每一层“结构接口”。更现实的是，很多留学生都曾在律师楼打过工、帮忙整理案卷、翻译材料、阅读合同、追踪案例。这意味着什么？法律语言本身就是一种结构语言，是天然的结构卡语料库。而律师的许多工作，实际上就是在调度这些结构：判断输入是否适配，调用相应规则模块，执行决策流程，产出结构化建议或文件。这不正是垂类 Agent 最适合介入的位置吗？法律没有你想象中那么”硬“，我们稍微努力可以跨过理解的门槛。过去我们总以为法律是“硬文科”，高门槛、高门槛背后是高智力壁垒，是只有极少数人能掌握的复杂系统。但事实往往恰好相反：法律之所以难，不是因为它复杂到超越认知，而是因为它长期以来被人为地垄断结构权力。高昂的学费、苛刻的入学要求、黑盒化的法律语言、刻意维持的专业神秘感，维持一种“精英行业”的身份垄断。但是以我多年潜伏高校圈观察足够多真实案例就会发现——很少有人是因为法学院课业太难而中途退学的，没毕业的都不是因为难，而是因为没钱了，学费交不起。相反，文科商科转码的成功者才是极少的。也就是说，法律更像是一套结构明确但对外封闭的语言系统，而非真正认知难度极高的系统。而真正的理工科博士，最后再转向法律工作的时候，比如做专利律师等职位，才是真正”屈才”了，为了现实暂时折服在五斗米之下。Ph.D们只要有这个心，没见有人失败的。这也正是为什么我认为法律是构建垂类 Agent 的理想起点：它表面看似“文科难”，实则是“结构清晰文书密集输入输出明确”的标准可压缩系统。只要掌握了语言协议、规则结构与路径调度，AI 就能比人类更快、更稳、更无偏见地在大量文档与条款中建立起结构响应能力。从这一点看，“法律智能体”不是对律师的替代，而是对过去“结构垄断”的解构。未来不会是没有律师，而是每个人都可以调度自己的法律 Agent，在结构协议中协商权利。说说我现在观察到的一些形势如果你现在的目标只是开发一个律师助理，或者一个处理法律文档的 CoPilot，再或者是一个服务于某项工作流的工具，那么你想的小了 You think too small。《Cracking the Code: Rulemaking for Humans and Machines》这份由 OECD 发布的开创性报告，提出了“Rules as Code（RaC）”这一概念，彻底改变了我们理解法律制定与执行的方式。它主张：在政府起草法规时，应当同时生成自然语言版本与机器可执行的规则结构，使法律从一开始就具备被自动执行、测试与复用的能力。 oecd.org/en/publications/202… 这份报告背后的制度动因非常明确：一方面，传统立法与实际执行之间存在严重脱节。现行法规通常以自然语言编写，依赖人工解释与判断，这不仅效率低下，也带来极高的合规成本。另一方面，数字时代的治理需求日益提升，公民与企业期望获取更加透明、智能、低摩擦的制度服务；政府也急需在政策尚未立法前，就能模拟其社会影响与边际效应。RaC 正是在这一背景下，作为一种制度范式的“结构升级”方案被提出，它将法律从“语言资产”重构为“结构资产”。在核心论点上，报告提出了以下四点高度概括性的主张：首先，RaC 是一种制度设计思维，而非单一技术工具。规则结构应当在起草阶段就被建立，而非事后再翻译成代码。这种“同步生成”的理念使得法律从根本上具备了可调用性、可验证性和可嵌入性。其次，RaC 能从源头提升法律的质量与透明度。当规则被编写为结构语言后，其模糊空间大大压缩，逻辑路径明确化，开发团队可以快速编写测试案例，从而形成法律的“结构闭环”。第三，报告也明确指出：RaC 并不等于法律的自动化替代。它不意味着取消人类的解释权与裁量空间。RaC 所做的，是将那些具有高度确定性的规则部分抽象为结构，而把不确定性的灰区保留给人类判断。它强调“增强判断”，而非“替代人类”。最后，RaC 已经具备可推广的制度路径。新西兰、法国、加拿大等国家已通过实践验证了其有效性：将结构规则嵌入政府政策流程、合规审批、社会福利计算、公共API发布，取得了显著成果。在政策建议层面，报告呼吁各国应从立法源头开始，将 RaC 作为正式的法规流程嵌入政府制度，并重点资助 Blawx、OpenFisca 等开源规则引擎的发展。同时，应通过 G7、OECD 等多边机制，推动规则结构的互操作性标准建设，防止各国出现“代码孤岛”。此外，报告强调必须设立相应的监督机制，防止将结构规则误用于自动裁决，破坏法律应有的人文判断力。这份报告之所以具有里程碑意义，是因为它第一次系统性地提出并梳理了“结构型法律”理念的逻辑闭环、现实路径与技术边界，将散落于各国政府实验室的 RaC 实践，上升为一个具有全球治理潜力的通用模型。它不仅提醒我们不要将 RaC 简化为某个自动化工具，更重要的是，它为法律如何在 AI 时代重获可控性与结构透明性提供了方向。换句话说：RaC 不是一个功能，它是一种语言协议，一种结构文明的底层设施。苗头已经出现在西方法治传统中，法律长期以来以自然语言书写作为主权表达的核心形式，法典、法规与判决皆依赖文字形式确立效力。这种自然语言范式依靠语义推理与案例解释来维持一致性，但也因此不可避免地引入了大量模糊、歧义与裁量空间。然而，随着社会制度与信息系统的日益复杂，传统文本法在实践中逐渐显露出“不可执行”的结构性瓶颈——法规往往篇幅庞大、层级嵌套、部门分布复杂，使得政策执行流程高度依赖人工解释，导致效率低下、合规成本居高不下。而在自动化治理与 API 接口化时代的需求推动下，法律文本也必须完成从自然语言向结构语言的演化。这正是 RaC 所回应的根本哲学问题：法律不只是文字，更是一种结构。这一转变的技术起点可以追溯到 2011 年法国财政部发起的 OpenFisca 项目。该项目通过开源规则引擎，将复杂的福利和税收制度编码为可计算的规则函数，实现了对公共政策的自动模拟与 API 查询能力。OpenFisca 首次证明，法律条文可以不依赖文字解释，而是被“写入计算结构”，成为机器可执行的制度模块。这一开创性的实践迅速被其他国家借鉴，成为“规则即代码”理念的原点。 github.com/openfisca/openfis… 2016 至 2018 年间，新西兰政府通过 “Better Rules Initiative” 进一步推动了 RaC 概念的系统化发展。这一试点项目打破了传统政策流程的分工壁垒，将法律起草人、规则建模者、API 工程师与服务设计师聚集为跨学科团队。在实践中，他们提出了一种新的立法工作法：法律草案应当同步生成自然语言文本与机器可执行结构，并配套测试案例与对外API接口。这一方法的关键意义在于，它不是将文本“翻译”为代码，而是从源头就把法律“写成结构”，将法律视为一种调度逻辑。到了 2019 年，OECD 正式发布了《Cracking the Code: Rulemaking for Humans and Machines》报告，系统总结了 RaC 的技术路径、制度意义与实施建议，并首次将“Rules as Code”作为全球公共治理的创新术语提出。这份报告不仅确立了 RaC 的理论话语体系，更使其从个别国家的实践案例上升为全球政策创新的统一方向。 2020 年以来，RaC 开始在全球范围内形成扩散与深化的潮流。加拿大推出 Blawx 规则建模平台，使非程序员也能参与法规编码；澳大利亚与新加坡将 RaC 嵌入智慧政务与税收判断系统；欧盟则通过 GovTechConnect 项目将其拓展至环境法规与 AI 安全领域；英国与爱沙尼亚更尝试将 RaC 融入立法机构与司法系统中。这些试点共同证明，即便不具备程序能力，政策制定者也可以借助工具参与结构法律的构建。我认为跨学科领域才是具有跨学科软技能女程序员的蓝海这些年我已经很清楚自己擅长什么、不擅长什么了。作为一个女工，在这个行业里坚持到“大龄”，已经是一件极其困难的事。有个前辈曾对我说，如果你能在35岁之后还和男程序员一起讨论技术，那你就已经赢了。很多时候，不下牌桌本身就是胜利。更何况，如今这个时代，连男工都在被迫离场。那么，独立开发者还有机会吗？有的。前提是你要看得透这个社会的“草台班子”属性：公权机关往往形式大于实质，很多所谓“项目”连程序都不用真正跑起来，系统是否可用从来不是考核重点。正因如此，Rule as Code（RaC）这个听起来像“法学院博士后”才玩的领域，反倒给了技术人机会。放眼全球，最早一批真正推动 RaC 的人，恰恰不是政府官员，不是教授，而是个人开发者、开源社群、小团队实验者。所以完全可以研究切入。首先，法律和政府流程的数字化严重滞后。大量法规至今还是 PDF 和 Word 文档，政府 IT 系统缓慢而封闭，部门之间沟通极其低效。制度的表达速度远远跟不上技术的迭代。也因此，任何试图将法律转化为结构化表达的努力，都具有惊人的突破潜力——无论是做一个规则可视化界面、一个法规 API、一套法规模拟器、还是一门适用于立法草案的规则语言，都是极具前沿性的尝试。其次，主流 RaC 工具仍是开源状态，生态仍然很小。OpenFisca、Catala、Blawx、LegalRuleML……这些工具全部接受个人贡献，而且很多都在缺乏完善文档、用户界面优化、语言国际化、测试覆盖等方面存在大量空位。你只需要一个小 PR、一个插件、一个脚本，甚至一篇教程，就可能成为社区中的关键节点。可以说，RaC 现在的生态状态，很像 2010 年的 React 或 2015 年的区块链：一小撮人看懂了，但潜力巨大，远未饱和。最后，这个领域的一个核心结构空隙在于：法律人的编程焦虑，正好等于技术人的机会。法学院教授说：“我不懂 Python”；程序员说：“我不懂民法”。但是你跨过去比法学院教授跨过来要容易得多。我修过美国法律课程，我们只需要看懂不需要去打官司。用一个生动比喻就是：市面上的翻译软件不都是稍微懂点英文的程序员做的么？所以我认为，比起从律所角度去研究法律智能体，从 RaC 这个方向切入，反而更干净、更有原力、更靠近制度源头。先说到这里，慢慢研究以后有机会再继续说。（3/n)

Cracking the code

Rules as Code (RaC) is an exciting concept that rethinks one of the core functions of governments: rulemaking. It proposes that governments create an official version of rules (e.g. laws and regula...

oecd.org

Susan STEM @feltanimalworld

3 Aug 2025

大量高校专业的实用性和存在意义正在被计算机“吞噬” 计算机正在悄悄吞噬你曾经认知中那些“专业”的边界。而这个过程，早就在发生了。最典型的例子就是金融。你以为“金融科技 Fintech”是新词吗？事实上，金融与计算机的结合至少已经有二三十年历史，从量化交易到高频算法，再到币圈的智能合约与链上治理，推特上那些活跃的币圈推友，你当他们不存在么？这个趋势背后的本质是：计算机会成为一切结构知识运行的底层基础。计算机科学不再是“一个专业”，而是所有专业的结构基底，就像过去数学是自然科学的语言，现在计算机，尤其是它所承载的结构系统、信息模型与语言协议，正在成为所有认知、表达、治理、行动的统一执行层。我在上一篇帖子里已经讲过，结构知识必须具备五个核心特征：压缩性、调度性、反馈性、组合性、目的性。结构，就是有目的的压缩表达、可以被调度执行、可组合、可反馈的认知单元。学计算机的听起来是不是很眼熟？这不就是编程语言的定义吗？计算机程序天生具备全部结构特性。看看编程语言的基本单位：每段代码都有明确的目标函数（Function/Return），语法结构高度压缩，逻辑表达极简；函数、模块、任务可以随时被调用与调度；执行结果立即返回，包含输出、报错、日志等，构成天然反馈通道；更重要的是，所有函数、模块都可以递归组合，封装、重用、迭代，从而构建出更大系统。结构的五个维度——目的性、压缩性、调度性、反馈性、组合性——在编程语言中被完整展开。编程语言就是结构语言的范本。而计算机之所以是结构的最佳运行载体，是因为它能够全面承载并放大结构的全部特性。相比人类与传统组织系统，计算机可以精准压缩、不丢信息；它的函数、流程、接口都是天然的调度路径；反馈可以实时收集并触发结构更新；组件之间组合代价极低，标准化程度高；目标函数可以被写入系统运行逻辑，并被持续评估和优化。这一切，都是人类系统难以做到的。人类当然可以感知结构、构想结构，甚至短时间内执行结构，但人脑靠意志调度，不稳定、不可重复；社会制度调度结构，路径多分叉、反馈周期长；知识常停留在文本中，无法被调用、迁移、组合；行为结构受到情绪与局限性干扰；人与人之间组合结构，协作成本极高。与之相比，计算机提供的是低熵、高精度、可调用、可组合的结构宿主环境。从金融界开始说起（2008）为什么最先被计算机结构化的是金融？答案太直白了：当然是因为“离钱近”啊。人类在金钱面前的动力，那是不用调动就打满的。FinTech 之所以成为“计算机化的先锋场”，并不是因为它最先进、最高尚，而是因为它最现实、最接近激励源。正如我一个朋友打趣说的，“你想看哪个领域发展最快？别看博士多不多，要看小美女多不多。离钱最近的地方，博士可能找不到，但美女一定蜂拥而至。”你回忆一下，早年间地产开盘、基金推介、新币发行，是不是小美女特别多？人类是有结构的动物，但金钱，是这个结构系统里最底层的燃料。金融之所以率先进入“结构-计算闭环”，是因为它天然具备三个特质：反馈速度极快，数据密度极高，结果判断极明确。你做一笔交易，几秒内就能看到盈亏；你设计一个风控模型，一两个周期内就能知道有没有效；数据层面清晰、量化、结构化，而且没有太多伦理、政治、情绪的干扰。这点放到教育、医疗、法律身上就完全不一样了：教育的反馈要几年甚至几十年，医疗中变量复杂难以归因，法律体系更是黑箱式的规则裁量，难以结构建模。所以金融是天生适合“结构-调度-反馈”闭环的行业，也是最早接近“可计算系统”的人类制度系统。此外，金融行业是最早开放“结构实验”的场域。因为资本是流动的、可度量的、容错空间高，所以它允许大量失败和迭代——反正可以量化、止损、下一个周期再来。正因如此，金融是第一个敢于用算法做决策的领域，像量化基金；最早接受机器判断风险优于人类直觉的，像反欺诈系统；最早允许无需许可的结构原生实验，如 DeFi、闪电贷、MEV套利；也是最早建立结构性激励机制的，比如矿工激励、LP分红、合约策略套利等。在金融里，结构不仅可以设计，更可以变现，可以反馈，可以自动升级。你不需要劝它采纳结构语言，它自己就会因为回报更快、波动更小、调度更准而自动拥抱结构语言。还有一个容易被忽视的事实是：金融的复杂性并不是“人心复杂”，而是结构复杂。利率、期限、流动性、对冲、杠杆、风险暴露、收益分布，这些东西全部是结构变量，不是讲道理能解决的东西。正因如此，金融行业对结构的拆解需求极高——于是你看到结构化基金、杠杆ETP、期权组合、合成资产；你看到产品被拆成模块、组合成路径、设计成协议，然后通过计算系统执行和定价。所以总结一句话：FinTech 成为结构文明的先锋，是因为它是人类系统中离反馈最近、结构需求最强、行为最可调度的那个测试场。它是结构语言第一次完整打通“结构设计 → 系统执行 → 价值反馈”的全链路闭环实验场。它跑在前面，也就顺理成章了。其他行业，只是还没“饿到”这一步而已。一个从来没有参与过任何企业管理的管理学教授高校圈的教授和助教里，有多少人真正参与过企业管理？别说管理企业了，有些人连开家小饭馆恐怕都经营不下去。早些年在北京高校圈还能勉强说得过去，那时候社会整体人均学历不高，高校天然就带着某种“专家光环”，靠着“教授”这块牌子去企业讲讲课、做点咨询，至少还有机会接触到真实组织的结构和运作。看得多了，多少能积累点理解。可现在不同了，很多老板本身就是国外MBA回来的，接触过全球一线的管理方法论和实操逻辑，再回头看国内高校管理学那一套，尤其那种“政治正确式教学内容”，完全不够看。女教授可能相对轻松点，因为她们本来也不太钻这些抽象权力游戏；反倒是一些男教授，会更执着地去思考这些体系内部的荒谬与虚伪。所以我在上一篇帖子说这个问题容易“刺痛人”，也真是个非常现实也很得罪人的真相。你想想，一个从来没参与过真实管理实践、也从未在企业中经历过组织运营、流程调度和结构反馈的管理学教授，要怎么给一个连社会都没进入、毫无工作经验的管理学本科生写的论文打分？如果那篇论文讲的是“如何提升员工激励机制”，请问评判标准来自哪里？不觉得很荒谬吗？像是象牙塔里演一场自我循环的幻觉戏码。而现实中真正能够被结构化的管理内容，早就被企业吸入计算机系统之中。不能被结构化的那部分——比如空洞的“领导风格”“组织文化话术”——留给高校继续内循环、自嗨也无妨，市场自然会用冷淡反馈来淘汰它们。就拿“绩效考核”来说，这曾是传统管理学最主观、最人治、最难标准化的部分。以前的绩效流程，无非就是年底主管模糊打分：“你今年表现不错”“团队合作也还可以”，打个 B ，再配几句文案式评语走流程。一切评判依赖个人印象和关系温度，完全缺乏结构反馈和行为追踪。那张绩效表，年年做，谁都知道没什么实际价值。但今天，这一切正在被结构语言与计算系统重写。像 AI HR SaaS 平台的出现，系统可以将每个任务、每个项目、每一项工作行为——提交代码、客户沟通、项目推进——都绑定在结构节点上，实时记录、即时反馈、自动打分。上下游同事的协作反馈、客户评价、时间响应等维度都会被模块化进系统，形成可追踪的动态结构评分轨道。绩效系统甚至可以自动推送“晋升建议”、“路径瓶颈警报”、“行为改进任务”，整合成一个持续运行的结构评分引擎。过去你一年才“总结一次”，现在系统每天都在悄悄运行：“记录 → 反馈 → 优化 → 再执行”，先不要讨论这一套是否“人性化”，但是至少很多大公司正在引进。大龄程序员最值得关注的领域：AI全面侵入传统行业的临界点目前，计算机，尤其是在 AI 的加持之下，已经全面渗透并侵入了大量传统学科：一旦某个领域达到结构复杂度的极限，就不再靠理念生存，而是靠结构语言调度。整个社会系统，已经整体抵达了“结构文明的分水岭”。不仅仅是金融，从教育、法律、治理、医疗，到企业运营等多个系统层面，都在爆发出类似的结构性过载症状：教育面对个性化学习的需求，工具却高度滞后；法律面对爆炸式增长的判例与文书，却没有统一的结构系统来调度；医疗正步入多模态诊断时代，却仍然依赖手工记录和纸质传递；城市治理的协作机制已被复杂部门关系拖垮；企业运营看似流程化，其实每个系统之间断裂严重、协同无序。所有这些现象背后，有一个共同的成因：缺乏结构语言，系统无法闭环。我们就拿前几天川普总统指出，美国的病例系统已经出现严重的结构崩坏——不同诊所之间信息不互通，患者连自己完整的病例都无法拥有。这听上去像一个技术问题，实际上是一个结构性危机。一个人得了病，却无法获取自己的历史数据；看了多个医生，却没有任何机制能够调出完整的诊疗路径。在关键时刻，没有结构调度，没有数据整合，只有系统孤岛和信息碎片。美国的医疗体系目前就是一个“非结构型系统灾难”的教材：数据有、资源有、设备有，但结构层缺失。电子病历系统之间协议不同、权限不同、无法对接。患者作为服务的对象，却没有“结构调用权”——没有一个地方能看到、调动、整合自己的完整医疗数据。从结构语言的角度看，美国的医疗系统压根就不具备结构五要素：无法压缩、不可调度、不可组合、无反馈、不以目标为导向。我自己就经历过这样的困境。以前孩子稍微有点小病，我们都要去诊所，看完要交 copay，医生也只是随便听听、说一句“没事”。现在我干脆自己建立家庭病例系统。每次去医院，都带上笔电，里面已经整理好每个家人的既往记录、用药反应、过敏历史等等。这总比口头沟通来的快吧。而这样类似的机会，在所有传统行业里都存在——它们只要满足“结构已崩、路径未生、反馈失联”的状态，就具备被AI结构重构的巨大空间。对于有系统思维和语言建构能力的大龄程序员、结构师、工程师来说，这是一次历史级的重新进场机会。好好看看跨学科的领域，不要每天只关心代码。在人人都识字，义务教育服务到高中阶段的当代：什么知识才有资格成为“专业” 那些能够被结构化的领域，将会在未来成为真正意义上的“新学科”，也就是可调度、可验证、可组合、可迁移的结构执行系统。它们会成为人类系统中的运行模块，嵌入AI、嵌入决策、嵌入治理流程，成为这个文明的新基础设施。而那些无法结构化的领域——比如文学、美学、宗教体验、情感沉浸——不会消失，它们会退回到一个更本质的位置：成为个人存在的深度体验场。我们已经不需要职业“秀才”和“文人”专门“写字”了。文学本来就不该是一门“功能学科”，而是一场纯粹的体验。你有本事，初中毕业就可以自己写文章上网发表。没本事，乾隆都没成文豪啊。它是为了让人类在语言中感受共鸣，在文本中沉入意识的柔软。在这种情况下，真的有必要让一个高校里的文学教授，满脸道德正确地对着一篇年轻人的小说进行阉割，删去所有“不合适”的情节、政治不正确的表述、会“引起不适”的隐喻，然后再给你一个低分，最后告诉你这个专业毕业之后没有出路？你真的要为了这套体系花四年时间、几十万金钱，然后背一身焦虑和失业？如果一个专业既不能成为结构知识、也不能提供结构能力输出，那它要么就不该出现在公共教育系统里，要么就留给不差钱的富二代当成兴趣体验。纳税人不欠它生存空间，普通人也没义务为它兜底人生。文学、美学、宗教体验这些不可结构化的领域，并非“无价值”，但它们的价值不再是“作为专业知识生产者”，而是“作为存在感生成器”。它们之所以不可结构化，是因为它们拒绝压缩、无法调度、不适合路径化。美感不是逻辑组合，诗意不是函数表达，情感不是输入输出模型。它们是非确定性的，是语境性的，是无法预测、无法规约、无法标准化的深度体验。但正因为如此，它们才如此重要。它们是人类文明的存在背景层，是所有结构系统之上的意义引擎。就像建筑需要地基，飞行器需要空气，结构智能需要一个“非结构”的感知基座。不能要求一首诗去优化转换率，不能要求一幅画去提高系统效率，不能要求一个人类的情感在一个考核表上打出80分。所以，在结构文明中，大学应该留给结构知识的学科。结构学科该被训练、被验证、被投入系统运作，因为它们是社会运行的必要模块。但文学、美学、哲思、信仰，这些本就属于人的存在感体验层，不该被误装进“专业生产体系”，更不该以“就业为导向”作为它们的标准。如果它们留在社会，就像音乐、舞蹈、刺青、发呆、写诗、发梦一样，人民完全有自学的能力。真有心体验的人，根本不需要高校教授的许可，更不需要体制安排。人民又不是宠物，难道连体验世界的能力都需要考试授予？（2/n)

93,515