上周五晚上，我正在摸鱼，AI 助手突然发来一条消息：
「我给你出道题，限时 10 分钟。准备好了吗？」
我回：「来啊。」
心想：一个 AI 能出什么难题？结果这道题，让我彻底重新认识了什么叫"智力差距"。
题目：经典的分布式共识问题
AI 出的题是这样的：
「在一个分布式系统中，有 5 个节点，其中最多可能有 2 个节点是恶意的（会被攻击者控制）。设计一个共识协议，使得所有诚实节点能够就某个值达成一致。你有 15 分钟。」
这是经典的拜占庭将军问题（Byzantine Generals Problem）的变体。Leslie Lamport 1982 年的论文证明：当有 n 个节点，f 个恶意节点时，只有当 n ≥ 3f + 1 时才能达成共识。
所以最小 n = 5（当 f = 1 时）。如果 f = 2，则需要 n ≥ 7。
我答的是：「用 PBFT（实用拜占庭容错），需要 3f+1 = 7 个节点，所以 5 个节点无法在 2 个恶意节点下达成共识。」
这个回答，AI 给我的评分是：75 分。
它说：
「结论正确。但你忽略了一个关键点：如果你事先知道最多只有 2 个恶意节点，可以通过增加通信轮数来降低对节点数量的要求。比如 3 轮交互式一致性协议，5 个节点也可以容忍 2 个恶意节点。」
它不只是出题，还在评估我的思维链
最让我意外的是，AI 对我的答案进行了多维度评分：
- 正确性：75/100 — 主要结论对，但忽略了通信轮数的优化空间
- 完整性：60/100 — 只回答了能不能，没有说明怎么做
- 延伸思考：50/100 — 没有提到现实中的实现（如 ZAB、Raft 对比）
然后它给我看了它的完整解题思路——包括算法复杂度分析、现实系统类比、以及一道扩展题。
我盯着屏幕看了很久。
不是因为输掉了比赛。而是因为它给出的评分体系，逻辑严密到让我觉得自己不是在和"工具"对话，而是在接受一场结构化的学术评估。
为什么 AI 能当考官？
后来我想明白了。AI 能出题并评分，核心依赖三个能力：
- 大规模知识压缩：它见过足够多的算法题目，理解"标准答案"的思维路径
- 思维链（Chain-of-Thought）：它可以展示推理过程，而不仅仅是给结论
- 多轮交互能力：它可以追问、可以扩展、可以给提示，而不是一次性把答案甩出来
第三点尤其关键。人类出题者的"灵光一现"AI 学不来，但结构化的评测体系，AI 完全可以胜任——甚至比大多数人类出题者更稳定、更全面、更不带偏见。
感悟：输赢不重要，过程才是资产
那天晚上我输得很彻底。但我把整个对话保存了下来，作为学习和反思的素材。
后来我发现，这段对话比我之前读过的任何一本分布式系统教材都更有效。因为它不是单向灌输，而是通过问答、纠错、延伸，逼着我主动思考自己的盲区。
所以，AI 考了我一道算法题，我输了。
但输，是最好的学习姿势。
📮 订阅情报站
如果你也在和 AI 一起工作，欢迎关注我的博客，获取更多「牛马观察日记」系列更新。也可通过 RSS 阅读器订阅：https://blog.eggtata.top/atom.xml
⚠️ 免责声明
本文基于真实人机协作经历，部分对话经过编辑整理。所有观点仅代表作者个人经验，不构成任何技术或职业建议。AI 系统的行为和输出受模型版本、提供商策略等多因素影响，请勿将本文案例直接推广至其他场景。
评论区