想报 GIS、测绘、遥感的孩子，先做一个周末实验

上一篇文章《当 Agent 能自己绘地图了，GIS 专业还怎么教？》写 GIS 报志愿，核心意思其实很简单：
如果今天还把“学会软件操作”当成专业安全感，那这份安全感已经不太牢靠了。

AI 进展太快。四年以后，哪些岗位还稳定，哪些技能还值钱，现在谁都不好说。家长当然会关心就业，这很正常。但如果所有选择都只围绕“以后好不好找工作”转，最后很容易落到一个很尴尬的地方：大家都在猜未来，谁也没有真正触摸专业本身。

所以这篇文章，我想换一个说法。

不先讨论 GIS、测绘、遥感、空间信息科学到底值不值得报。
先给有兴趣的孩子一个小任务。

用一个周末，做一张“2026 高校预算空间地图”。

这也是为自己增加点信息，哪个学校有钱，你是不是要先考虑。做完以后，再问自己：
我到底喜不喜欢这种事？

这比看十几个专业解读视频，可能更诚实。

一、从“大学的钱往哪儿流”开始

这个题目，来自马江博老师在得到《政经参考》里的一篇文章：《看清一所大学的势头，关键要看清背后钱的流向》。

文章里提到，2026 年一些头部高校的预算很值得看。清华大学预算总经费超过 400 亿，仍然排在最前面；浙江大学、上海交通大学、北京大学也处在第一梯队。更值得注意的是哈尔滨工业大学，预算达到 258.84 亿元，较上年增长明显，和后面高校的差距也在拉大。

这些数字放在新闻里，容易被读成高校排名。

但对想学空间信息的孩子来说，它可以变成一个很好的练习题。

大学预算不是一个孤立数字。它发生在某座城市，落在某片土地上，连接着产业、科研、交通和国家战略。

这正是 GIS 值得训练的地方。

GIS 不是只把数字做成图。
更关键的是，把一个现实问题放回空间里，看看它和谁有关，离谁更近，被什么边界限制，又被什么资源支撑。

二、第一步：先把数据找出来

任务的第一步很朴素：找数据。

你可以先做三张表：

一张表放部属高校。
一张表放地方高校。
一张表放职业本科院校。

每张表里，包括这些字段（最好有数据来源链接，方便你去抽查）：

学校名称、主管部门、预算总额、预算年份、数据来源、备注。

你可以用豆包、Kimi、千问、秘塔，或者任何你顺手的 AI 搜索工具。工具不重要，关键是你怎么用。

我用的是kimi code。 这里有一个硬要求：
AI 给出的每一个关键数字，都要回到原始来源核对一次。

这一步不能省。

很多人第一次用 AI 做研究，会有一种错觉：答案来得很快，事情好像已经完成了。其实没有。AI 给你的，往往只是一个“候选答案”。它可能混入旧数据，也可能引用二手转述，还可能把不同口径的数据放在一起。

空间信息专业里，最基础的一种能力，就是对数据保持警惕。

你要问：

这个数字是哪一年？
是预算数，还是决算数？
是学校本部，还是包含附属单位？
是部属高校口径，还是地方财政口径？
同一所学校在不同来源里数字不一致，该以谁为准？

这些问题看起来烦，但很重要。

如果你不愿意核数据，只想要一个漂亮结论，那么你可能并不适合做空间信息，或者你不喜欢数据工作。

这句话有点伤人，但我觉得对报志愿的孩子反而是好事。早点知道自己烦什么，比上了大学以后才发现要好。

三、第二步：给学校找到位置

有了学校名单和预算数据，下一步是找坐标。

这一步开始进入 GIS 的基本训练。

学校名称只是文本。
坐标才让它落到地面上。

你可以先用高德百度找到每所学校主校区的位置，记录经纬度。刚开始不必追求完美，但要把规则写清楚：你取的是主校区、行政办公区、招生页面中的校址，还是地图平台上的默认位置。

做这一步时，你很快会碰到问题。

比如，一所大学可能有多个校区。
有的学校在一个城市里分布很散。
有的学校还有异地校区。
有的大学本部和产业园、科研院所、高新区关系很近。

这时，你会发现一个很具体的困难：
到底哪个点代表这所大学？

这个困难很好。

因为专业训练就从这里开始。

空间数据从来不是“找到一个点”这么简单。它背后有定义、口径和取舍。

如果你把哈工大只看成哈尔滨一个点，那威海、深圳怎么办？
如果你把浙江大学只看成紫金港一个点，那玉泉、西溪、华家池怎么办？
如果一所职业本科院校有多个实训基地，你该不该纳入？

这些问题没有唯一标准。
但你必须给出自己的标准。

坐标！这就是空间建模的起点。

四、第三步：试着找校园边界

坐标是点数据。

校园边界是面数据。

这一步会让任务变得更像真正的 GIS 练习。

你可以尝试从高德地图数据里找到学校 AOI，也可以在地图平台中观察校园边界。如果拿不到可靠边界，也可以先手动画一个粗略范围，但一定要在备注里写清楚：这是估算边界，不是官方范围。

这句话很重要。

一个合格的地图制作者，必须知道自己的数据靠不靠谱。

点数据和面数据的差别，很多教材都会讲。但真正理解它，最好还是亲手做一次。

一个点可以表示“这所学校在这里”。
一个面会告诉你“这所学校占了多大范围”。
再往后，你还可以继续叠加地铁、高铁站、产业园、科研机构、城市新区、医院、河流、山地、行政边界。

你要是能让AI 将高德的这个边界获取下来，那你绝对是爬虫高手了。挑战一下自己。即便不行，也可以试试别的方案，你听听AI的建议。

到这个阶段，你已经不只是在做高校预算表了。

你开始处理一个空间问题：
资源集中在哪些城市？
这些高校和哪些产业空间相邻？
哪些学校预算高，但空间上相对孤立？
哪些学校预算未必最高，却处在区域发展的关键位置？

这时候，地图会开始说话。

但也要小心。

地图说话，不等于地图说的都对。

五、第四步：做一张交互地图

接下来，把表格、坐标、边界放到一张交互地图里。

技术路线可以很简单。
你可以用现成在线地图工具，也可以用 QGIS、极海的Heycloud，但大概率这些信息，你还不掌握，就试试与AI对话，最好能找一个CLI的工具，开始让AI直接在本地写代码。

先别追求复杂功能。

最小可行版本可以这样，直接就用简单的语言布置任务：

点的大小代表预算规模。
颜色代表学校类型。
点击学校后，显示学校名称、预算金额、主管部门、所在城市、数据来源。
如果有校园边界，就叠加边界。
如果没有，就只显示点位，并在说明里标注数据限制。

这一版做出来，已经有价值。

因为它把一个抽象话题变成了可观察的空间分布。

你会看见：钱并不是平均流动的。
你也会看见：大学和城市之间，不是简单的“学校在城市里”，而是彼此塑造。

有些城市靠大学增强科研厚度。
有些大学靠城市获得产业外溢。
有些学科方向，背后对应的是国家长期投入。
有些地方高校，预算不如头部学校耀眼，却承担着非常具体的区域任务。

这些东西，只有放到地图上，才更容易被看见。

GIS 的价值，不在于让数据变得更漂亮，而在于让关系变得可讨论。

这是我希望准大学生们通过这个小任务体会到的第一件事。

kimi给我交付的第一版也挺“丑”的。但毕竟出来地图了，不是吗？

六、第五步：写一段发布文案

地图做完以后，不要只存在电脑里。

试着写一段小红书文案，或者发到朋友圈、公众号草稿、学校社群里。

标题可以很直接：

我用 AI 做了一张 2026 高校预算地图
从一张地图看大学的钱流向哪里
报志愿前，我把高校预算做成了地图

正文不要装专家。

你就写清楚几件事：

我找了哪些数据。
我用了哪些工具。
我核对了哪些来源。
我遇到哪些麻烦。
哪些学校让我意外。
哪些城市的高校资源让我意外。
这张图还有哪些不准确的地方。

这一步看起来像运营，其实也是专业能力。

很多 GIS 成果最后不是坏在分析，而是坏在表达。

图做出来以后，别人看不懂。
图例写得含糊。
颜色暗示过强。
数据限制没有说明。
结论说得太满。

这些都会让一张图变得危险。

空间表达不是把地图发出去，而是让别人知道这张图能说明什么，也不能说明什么。

这正是 AI 时代更需要人的地方。

AI 可以帮你生成底图，帮你整理数据，帮你写代码。
但它不会替你承担判断后果。

这六张图，是经过几次迭代，我的文案。

七、这个实验真正测试的是什么

这个周末任务，表面上是在做高校预算地图。

其实它测试的是几件更底层的东西。

你是否愿意找数据。
你是否愿意核来源。
你是否能忍受数据不完整。
你是否会因为一个坐标不确定而继续查。
你是否愿意把一堆零散信息组织成一张别人能看懂的图。
你是否会在图做出来之后，继续追问它有没有误导。

这些东西，比“会不会点某个软件按钮”更接近空间信息专业的真实能力。

当然，一个高中毕业生不可能一下子做得很专业。
这没关系。

你可能会把边界画得很粗。
你可能会漏掉一些学校。
你可能会发现不同来源的预算数字对不上。
你可能会被坐标、AOI、GeoJSON、投影、图层这些词弄得有点烦。

都正常。

真正要观察的是：
你在烦的时候，是想关掉电脑，还是想再查一下？

这个差别很关键。

兴趣不是坐在房间里想出来的。兴趣常常是在做一件具体事情时，被自己的身体反应识别出来的。

有的人看到表格就痛苦。
有的人看到地图就想放大。
有的人喜欢查错。
有的人喜欢找规律。
有的人会对“学校、城市、经费、产业”之间的关系产生好奇。

这些反应很诚实。

八、为什么这个任务适合报志愿前做

现在的专业介绍太多了。

每个专业都能说得很漂亮。
交叉融合，前景广阔，服务国家战略，面向未来需求。
这些话不能说错，但听多了也很难帮助孩子做选择。

孩子真正需要的，可能不是更多介绍，而是一次低成本试做。

过去这件事不容易。
没有数据，不会软件，不懂代码，没人带，很多孩子根本摸不到专业的边。

现在 AI 至少把门槛压低了一点。

你可以让 AI 帮你找数据。
让 AI 帮你整理字段。
让 AI 帮你写一个地图页面。
让 AI 帮你改文案。
再由你去核对、判断、取舍、解释。

这个过程很适合准大学生。

因为它能让孩子建立一种很重要的东西：自我效能感。

所谓自我效能感，说得朴素一点，就是：

我发现自己可以靠工具、靠搜索、靠试错，把一个原本陌生的问题往前推进。

这件事对年轻人很重要。

尤其在 AI 时代，很多孩子会产生一种无力感：
机器这么强，我学什么还有用？

这个问题不能靠鸡汤回答。

最好让他亲手完成一个小项目。

做完以后，他会更清楚：
AI 很有用，但它需要人提问题。
AI 很快，但它需要人核真假。
AI 能生成结果，但它需要人解释边界。
AI 能帮你走很远，但方向仍然要自己判断。

这比空讲“拥抱 AI”要扎实得多。

九、回到 GIS 和测绘本身

所以，如果今年有孩子问我：

GIS 还能不能报？
测绘还能不能报？
遥感还有没有前途？
空间信息以后会不会被 AI 替代？

我可能不会先回答结论。

我会建议他先做这张高校预算地图。

做完以后，再来看这个问题。

如果你在这个任务里感到兴奋，说明你可能对空间关系、数据证据、地图表达有天然兴趣。
如果你愿意把一个模糊问题拆成数据、坐标、边界、图层、交互应用和公开表达，那你已经摸到了一点专业核心。
如果你在过程中开始怀疑数据，怀疑边界，怀疑图上的颜色会不会误导别人，那更好。

因为这正是未来空间信息专业最值钱的部分。

软件会变。
平台会变。
AI 工具会变。
但现实里的空间问题不会消失。

城市怎么扩张。
老人怎么就医。
洪水怎么预警。
物流怎么布点。
学校和产业怎么相互支撑。
矿山、耕地、道路、河流、社区、医院、工厂，怎么被记录、被计算、被遗漏。

这些问题都在地上。

只要问题还在地上，空间信息就还有价值。

只是它不能再满足于训练操作员了。

它要训练的是一种人：
能把现实问题翻译成空间问题，能识别数据里的漏洞，能组织证据，能用地图说清楚，也能提醒别人不要轻信地图。

十、最后说给孩子，也说给家长

报志愿这件事，当然要看学校层次、专业实力、城市资源、家庭条件。
这些都现实，不能假装不存在。

但在这些之外，我建议再加一个动作：

让孩子在报志愿前，亲手做一个和目标专业有关的小项目。

想学 GIS、测绘、遥感，就做一张高校预算地图。
想学计算机，就做一个能真实解决小问题的工具。
想学建筑，就去观察一条街的空间使用。
想学医学，就认真读一个疾病诊疗路径。
想学财经，就跟踪一家公司从收入到现金流的变化。

不要只听专业介绍。
要让孩子碰一下专业的真实材料。

因为一个人适不适合某个方向，往往不是听出来的，是做出来的。

如果这个周末，有孩子真的把高校预算数据找出来，把学校坐标标上去，把边界试着画出来，再把交互地图发布出去，哪怕做得粗糙，我都会觉得挺好。

Ta至少完成了一次从问题到数据、从数据到地图、从地图到表达的闭环。

这个闭环，比一句“我对 GIS 感兴趣”更可靠。

做完以后，再问自己一句：

我愿不愿意继续把这张图做得更准，更好看一点？

如果答案是愿意，那就可以认真往下走。

很多专业选择，真正开始的地方，可能不是录取通知书。

而是一个孩子第一次发现：
原来我可以把世界上的一件事，放到地图上，看得更清楚一点。