2026年10月30日上午，奇点科学会议（香山）在北京香山饭店开幕，会议主题为“AI 识才——构建 AI 时代人才评价新范式”。开幕式上，中国人事科学研究院人才理论与技术研究室主任、研究员孙锐，北京智谱华章科技有限公司总裁王绍兰先后作引导报告；飞鸟实验室主任李鹏作第三场引导报告，题为《飞翔，而非抵达——AI 识才与人才评价的新可能》。以下为报告节选。

（一）先说一份地图

在人才评价上，飞鸟实验室的判断是：一个人对评价的困惑，几乎从来不是“标准不够高”，而是“尺子不对”。我们现行的评价材料长什么样，在座每个人都熟悉：几篇论文、几个项目、几顶帽子、什么学校毕业、拿过什么称号。这些东西有一个共同点——它们都是已经到过的地方。论文是到过，项目是到过，帽子是到过，学历也是到过。

我把这一整套东西，叫作“抵达”。

记录抵达没有错。一个人到过哪里，是判断他还能不能到别处的重要参考。问题在于：我们手里这张地图，画的只是他去过的地方；而我们要找的，是他还能不能飞。

（二）AI时代，“抵达”正在变便宜

过去几十年，这套办法大体管用。因为在那个世界里，抵达是难的：写一篇像样的文章要读几年书，做一个像样的分析要会写代码，查一遍文献要在图书馆里泡一个星期。抵达难，所以抵达过的痕迹值钱；痕迹值钱，用它来判断人，还算可靠。

现在这个前提正在被抽掉。AI 会写、会算、会检索、会做初步分析。原来要三年训练才能到的地方，现在一句话就到。我不是说学问变浅了，我是说：当“到过”变得容易，“到过哪儿”这条信息的分量，就在往下掉。

还有一个更麻烦的后果——包装也变便宜了。AI 不只让“到过”变得容易，也让“看起来到过”变得容易。一份材料可以写得很漂亮，逻辑通顺、术语准确、结构完整，而写它的人未必真的想过那些问题。评审桌这一边，几百页材料摆在面前，最后真正能看进去的，往往只有标题和结论。这不是评审不认真，是人的阅读带宽就那么多。

所以今天真正的困难，不是标准太低，而是：我们还在用抵达的证据，去预测飞翔的能力。

（三）飞翔是什么

“飞翔”这个词，容易被讲成努力、拼搏，我不太愿意这样用。在我看来，飞翔就是潜力——一个人还没被证明的那部分可能：他可能飞多高、能飞多远、值不值得在他身上押注。

潜力之所以难评，是因为它至少由三样东西构成，三样都不在材料上。

第一，方向感。同样面对一个领域，有人沿着别人画好的路往前走，有人能看出这条路的尽头是什么、值不值得走。提出一个好问题，比解决十个现成问题更难，也更难被记录。

第二，调整能力。飞起来一定会遇到气流。一个人被否定之后怎么办，做错了怎么改，能不能自己发现工具给的答案是错的——这些都在过程里，不在结果里。

第三，敢离开岸。愿意去一个没有现成答案、也没有同行评比的地方，待上几年。这件事在材料上恰恰看不出来，因为那几年他什么也没产出。

这三样东西，恰好也是飞鸟一直在找的。我们把要找的人概括成 B.I.R.D.——

B，Bottom-up，自下而上：敢于从真实世界出发、自下而上看问题，敢于重新定义问题；

I，Interdisciplinary，跨界突破：不被学科边界框住，在交叉地带发现新问题、长出新东西；

R，Radical，激进创新：宁要疯狂的突破，不要平庸的正确；

D，Dynamic，兴趣驱动：让好奇心做导航，而不是让指标做导航。

这四条，一条也不在评价表上，可它们恰恰是我们最想要的。飞鸟这几年做的事，说到底就是给“飞翔”造一些能被看见的场景：论坛、夏令营、冬令营、飞鸟周末。一个年轻人在这些场景里待上十天，你会看到一些材料上永远看不到的东西——他怎么提问，怎么被追问，被问住之后怎么改。

（四）HI-AI=BI

飞鸟常用一道减法：HI − AI = BI，人类智能减去人工智能，等于飞鸟智能。

这道减法不是要跟 AI 比高低。它是一面镜子，问的是一个很具体的问题：AI 拿不走的那一部分，到底是什么？

我的答案是两样。

一样是你亲自做过什么。你被什么样的失败磨过，在哪件事上真的动过手，你信谁，愿意为什么长期投入。这些只能从一个具体的人身上、经过真实生活一点点长出来，写不进简历。

另一样是你为什么出发。AI 可以给出一百个值得做的题目，但它不会在凌晨三点因为一个问题睡不着。选择哪一件、放弃哪些、为什么偏偏是这一件——这一部分，AI 替不了，也不该替。

所以我常讲一句话：一个只有知识的人，在 AI 面前会越来越单薄；而一个带着自己经历、独立判断和真实好奇的人，才更可能提出连 AI 也不会主动提出的问题。

（五）AI识才的三种新可能

说到这里，可能有人要问：既然飞翔这么难看见，AI 到底能帮什么忙？

我认为至少有三种可能。但这三种都不是“替你打分”。

第一，看得完。人的阅读带宽有限，机器没有这个问题。一个研究者十年的过程材料——修改记录、讨论记录、失败记录、方案迭代——人读不完，机器可以读完，并且能比出他在哪一年改了方向、改了几次、为什么改。这不是给出结论，是把过程摊开在桌面上。

第二，看得细。同一份成果，不同的人贡献不同。有人能解释其中每一个关键决定，有人能发现工具给出的错误，有人还能据此提出新问题。这些差别，在成果里看不出，在过程里看得出来。AI 可以帮助我们把“谁做了什么”还原得更清楚，而不是只数篇数。

第三，看得见还没被证明的人。这一条我最看重。如果我们只拿成功者的经历去训练模型，它学到的就是“像不像已经成功的人”，于是更容易找到走过相似路径的人，也更容易漏掉那些路径不同、暂时还说不清自己属于哪个领域的人。要让 AI 真帮上忙，就不能只喂它“答案”，还要给它“任务”——让一个人在一件真实的事里做几天，看他怎么拆问题、怎么找材料、怎么在卡住的时候换一条路。这比一份简历有信息量得多。

但这里必须说一句反面的话。

AI 能看见的，只是被记录下来的东西。它能算出“这个人像不像过去成功的人”，算不出“这个人会不会成为不一样的人”。如果判断的权力整体交出去，我们得到的未必是更公平，而可能只是把过去的偏好算得更快、更一致。用旧地图找新大陆，越精确越危险。

还有一条现实的边界。人才申报材料里有未公开的成果、在研的技术路线、个人敏感信息。哪些可以交给智能体，哪些只能离线看，数据能不能不留存、不回流、不用于训练——这些不是技术细节，是这件事能不能做的前提。我们专门放了一个视角来讨论它。

（六）五个视角

这三天，参会者分成五组，围绕五个视角展开讨论。我各用一句话，说说它们的分量。

视角一，AI 识才，究竟应该识别什么。论文、项目、学历、头衔，能反映什么，又遗漏了什么；面对不同领域、不同成长阶段的人，我们到底想看见什么。

视角二，AI 如何识才，怎样判断才有依据。一份简历能告诉我们什么，一次问答能告诉我们什么；怎么区分“表达得好、甚至用 AI 包装得好”与“实际做得好”；今天作出的判断，日后能不能被真实表现检验。

视角三，智能体参与评审，怎样守住保密边界。简历、论文、推荐信，都可能成为识才的依据，也可能在 AI 生成下失去可信度。当评价的依据本身可以被制造，我们该如何辨认真伪？数据能否用于训练，被评价者是否有权知晓与纠正？算法会不会把过去的偏见带进判断，结论能否被解释，责任由谁承担？我们希望讨论，如何为 AI 识才划定数据、算法与责任的边界。

视角四，AI 能否发现尚未被证明的人才。对于尚未拿出代表作的年轻人、坚持非共识研究的探索者，以及难以被单一学科标准衡量的人，AI 能否帮助我们识别其潜力？它会沿用既有成功者的特征，还是能够注意到不同的成长路径？我们希望讨论，怎样借助 AI 发现容易被忽略的人，也避免让过去的评价偏好限制未来的可能。

视角五，让 AI 参与识才，人的判断应当放在哪里。在招生、招聘和人才选拔中，哪些环节适合由 AI 辅助，哪些判断仍需要人与人之间的深入交流？当 AI 与专家意见不一致，当被评价者提出质疑，谁来解释、谁来复核、谁负责。

五个问题，没有一个是三天能解决的。但这场会不需要解决它们，只需要把它们问得更准一点、更具体一点。

（七）我期待什么

第一，请带着真实经历发言。你被评价过吗？哪一次让你觉得被看懂了，哪一次让你觉得根本没被看见？做人才工作的朋友，也请说说你们最想了解一个人的什么，而现有材料最难回答什么。一个具体案例，比十个抽象观点都更有用。

第二，请给不同意见留出时间。在读博士生、企业用人方、人才工作者，面对的任务和约束完全不同。多问一句“你为什么这样判断”，比急着统一口径有价值。把分歧的原因说清楚，本身就是成果。

第三，请把提案写得可检验。发现了什么问题，提出什么办法，依据是什么，能在哪里试，怎么判断有效。没谈拢的地方，请如实保留下来——没谈拢的地方，往往正是真问题所在。

还有一句题外的话。这三天你们坐在一起讨论的过程本身，也是一次识才的现场：谁在认真听，谁在追问，谁在被反驳之后改了自己的说法。这些我们都能看见。它可能比任何一个模型，都更接近“识才”这件事的本来面目。

（八）结语

飞翔，而非抵达——这句话，飞鸟讲了好几年。它原本是对青年人的一句劝：不要急着抵达某个终点。

这几天，我把它放到人才评价上，发现它还有另一层意思：我们所有的材料，记的都是抵达；而我们真正想知道的，是飞翔。

我们不承诺抵达某一个终点。我们关心的是：你有没有真正张开过翅膀，敢不敢离开地面，去一个没有现成答案的地方。

三天之后，我希望大家带走的不是一个可以复述的结论，而是一个被重新打磨过的问题——比来的时候更清楚、更结实、更值得用几年去做。也希望通过这三天，凝练出一份拿得出手的香山提案，留下一组真正立得住的“AI 识才”之问。

谢谢大家。