现在可以回到那句建议了：学好数学、物理、计算机。它不是在说每个人都要成为数学家、物理学家或系统工程师，也不是说你要把大学课本从头啃一遍。它真正指向的是三种底层训练。
数学训练结构感
数学的价值，不只是会算。AI 很会算，计算器更早就会算。数学真正训练的是结构感：从一堆现象里抽出变量，找出关系，判断哪些条件足够，哪些结论不能推出。
变量，就是在问题里会变化、会影响结果的量。结构，就是变量之间稳定的关系。
大白话说：数学帮你把一团乱麻变成几根线，知道拉哪根会动哪里。
用 AI 时，这种能力尤其重要。模型可以给你十个方案，但你要看出它们其实只在一个变量上变化，其他关键条件都没碰；模型可以写出一个漂亮论证，但你要看出中间偷换了前提。数学训练的不是答案，而是“这个推理有没有漏”。
物理训练约束感
物理让人变得不容易飘。因为物理总是在问：力从哪来，能量到哪去，摩擦在哪里，时间尺度是多少，误差会不会积累。它训练你相信世界有代价。
AI 产品里也有“物理”。模型调用有延迟，搜索有噪音，数据库有一致性问题，用户有耐心上限，自动化有错误成本。这些不是写几句提示词就能消失的东西。
学物理的底层收益，是你会本能地问约束。一个方案听起来很美，你会问：数据够吗？反馈多快？失败怎么发现？成本随规模怎么涨？这比背某个定律更重要。
计算机训练执行感
计算机科学让你知道，一个想法要变成现实，必须经过明确步骤。输入是什么，状态在哪里，接口怎么约定，异常怎么处理，权限怎么限制，结果怎么验证。
执行感，就是你能把“应该做”翻译成“机器如何一步步做”，并知道每一步可能在哪里失败。
AI 时代，执行感会变得更值钱。因为模型会替你生成很多步骤，但它不一定知道你的真实环境。懂计算机的人能把环境暴露给它，把任务拆细，把测试接上，把危险动作拦住。你不是和 AI 比谁更会写代码，而是在设计一个让 AI 不容易做错的系统。
普通人怎么开始
最好的开始不是收藏更多课程，而是带着真实问题往下一层看。你用一个 AI 工具，就问它读到了什么上下文；你让它改文件，就问文件边界在哪里；你让它调用接口，就问输入输出和副作用是什么；你看到一个创新产品，就问它拆掉了哪种旧耦合，又保留了哪些必要约束。
数学、物理、计算机可以慢慢学，但这种追问方式今天就能开始。每次多问一层，你就少被表象控制一点。每次分清一个自由变量和一个客观约束，你就多一点真正的创造空间。
AI 会继续变强，强到很多具体技能都会被重写。但底层能力不会因此贬值。恰恰相反，当答案越来越容易生成，判断答案能不能落地、能不能迁移、有没有违反约束，就成了更核心的工作。
所以“AI 越强，底层越重要”不是一句反技术的话。它是对技术最认真的态度：承认模型会越来越聪明，也承认真实世界仍然由结构、约束和执行组成。学基础，就是学会在这三者之间看路。