短视频里那句话并不新鲜：年轻人要学好基础知识，尤其是数学、物理、计算机。新鲜的是，说这句话的人站在 AI 最前沿。他不是在怀旧，也不是在替传统课程打广告。他的潜台词更硬：AI 越强，越需要人懂底层。
这里说的 底层，不是神秘的“高深知识”，而是一个东西真正靠什么运转。比如手机屏幕上有一个按钮，表面看是图标；往下一层是应用代码；再往下一层是操作系统事件；再往下是芯片里的电路。你不必每层都成为专家，但你要知道它们不是魔法，而是一层层约束叠起来的结果。
大白话说：底层就是“这件事到底靠什么成的”。知道这一点，你才知道哪里能改，哪里不能乱改。
很多人听到“AI 会越来越聪明”，第一反应是：那人还学基础干什么？反正模型会算、会写、会查、会画。这个反应只看见了 AI 的输出，没有看见输出背后的链条。模型给你一段代码，不等于系统就能上线；模型说一个方案可行，不等于接口、权限、成本、延迟都自动消失；模型写出一个漂亮解释，也不等于因果关系真的成立。
所以本书要回答的不是“AI 会不会替代人”这种大问题，而是一个更能落地的问题：当 AI 已经很会思考时，人为什么还要训练基础判断力？
表面上是学习建议，里面是能力结构
数学、物理、计算机这三类基础课，表面看像三摞知识点。数学有公式，物理有定律，计算机有语言和系统。可真正有价值的不是背下多少术语，而是它们训练了三种看世界的方式。
数学训练你把问题压缩成结构。一个复杂现象里，哪些量可以忽略，哪些量必须留下，哪些关系能写成函数或约束。物理训练你尊重现实。再漂亮的想法也要问：能量从哪来，摩擦在哪里，延迟和损耗怎么出现。计算机训练你理解可执行性。一个判断要变成动作，必须经过数据、状态、接口、错误处理和反馈。
这三种训练合在一起，就是 AI 时代最稀缺的能力：不被表象牵着走。
AI 的表象很有迷惑性。它说话像人，写作像人，甚至能在很多考试里超过人。于是我们容易把“会回答”误认为“已经把事情做成”。但真实世界里，回答只是第一步。后面还有执行、验证、迭代和承担后果。
越强的工具，越放大基础差距
一个普通锤子，给谁用差别有限。一个复杂机床，差别就大了。懂材料、懂图纸、懂误差的人，能加工出精密零件；不懂的人，只会更快地弄坏东西。AI 更像机床，不像锤子。
它能把你的意图放大，也能把你的误判放大。你若知道问题的下一层结构，就能让它查证、拆解、生成、测试；你若只知道一句口号，它也会很流畅地围绕口号编出一堆看似合理的话。
这就是为什么哈萨比斯的建议听起来保守，实际上很激进。它不是说“回到过去那套学习方法”，而是说：未来工具越强，人的工作越从亲手搬砖，转向判断砖该往哪放、墙能不能承重、图纸有没有错。越到这一步，底层知识越像地基。
本书后面会沿着三层往下拆：第一层，AI 与软件是相辅相成的；第二层，懂下一层才有组合和创新；第三层，第一性原理帮我们分清自由变量和客观约束。拆完之后，你会发现“学好基础”不是一句鸡汤，而是一套面对强 AI 的生存方法。