大學生能用AI做什么？你知道嗎？

這個問題問得挺好，但答案可能比你想的硬核得多。

為什么？

因為他從小在北方農村長大。那些年，干旱讓小麥成片減產，他親眼見過父母站在田埂上，望著枯黃的麥苗，臉上那種復雜的表情，不是哭，也不是怨，而是一種無力感。那種記憶，扎在骨頭里。

后來，他一個主攻小麥育種的高中好友，有一天跟他倒苦水：“你知道嗎？我們做實驗要每隔2小時去測量小麥的葉莖、葉寬、葉面積，整個團隊輪班倒，稍微漏一組數據，整個實驗可能白做?！?/p>

你看，真正的痛點從來不在書本里，而在日復一日的真實勞作中。

但更值得注意的是他后來做的事。團隊一開始想搞一個“把小麥養得更好”的設備，聽起來挺正能量的，對吧？但調研一圈后發現：這類產品早就爛大街了，你搞一個，人家搞十個，卷不出任何名堂。

真正走進實驗室后，他們才意識到一個殘酷的事實：育種的核心痛點，從來不是“種不種得出來”，而是“測不測得準、判不判得快”。

方向一變，豁然開朗。

他們轉而做了一套AI輔助系統。一邊用傳感器采集溫度、濕度、土壤條件，模擬高溫干旱的實驗場景；另一邊，用視覺算法自動識別小麥的生長數據，替代那種“人盯人、手抄表”的原始方法。

但關鍵一步還在后面，他們要讓AI學會“像專家一樣判斷”。

他們選了一款參數量級很小的模型，千問3 1.7B。為什么？因為體積小，適合部署在設備端，不需要聯網傳數據，能兼顧推理需求和實驗室數據安全。再用LoRA微調，把真實的實驗數據喂給模型，最終，這個AI不僅能對小麥的干旱脅迫能力打分，竟然還能給出后續育種的建議。

一個機械專業的學生，帶著AI，走進了農業育種的最深處。

這件事真正值得思考的，不是“AI能做農業”，而是“AI正在打碎專業邊界”。

你看，學機械的，不一定只能擰螺絲；學農業的，也不必永遠靠手抄數據；不會寫太多代碼的人，也能借助開源社區和成熟工具，完成從微調到部署的整條鏈路。

AI不是某個行業的特權，它更像一個放大器。誰發現問題，誰就用它把問題真正解決掉。

不是因為AI有多聰明，而是因為它把“解決問題”的門檻降到了“你能清晰定義問題”這件事上。

這對于當下的大學教育，是一個不大不小的提醒。

如果一個學生在課堂上只學會了“按規矩辦事”，那AI對他來說就是威脅。但如果他學會了“發現問題、定義問題、找工具解決問題”，那AI就是他最好的搭檔。

所以這個問題可以有答案了：大學生能用AI做什么？

你只需要回答一個問題：你身邊有什么讓你真正在意的“不對勁”？

剩下的，交給工具。

而真正拉開差距的，從來不是工具本身，是你有沒有那個“發現問題”的眼睛。