人工智能进入大学的速度，比多数人预想的要快。几年前它还只是计算机课程里的一个章节，如今已经嵌进了写作业、查资料、改论文、做设计的日常流程。当学生遇到问题时的第一反应从“去图书馆”变成“问一下AI”，大学教育真正被追问的就不再是“要不要用AI”，而是“当AI什么都能答，大学还剩下什么必须教”。
这个问题之所以让人不安，是因为它触动了大学最核心的合法性来源。过去，大学是知识的集散地，学生来这里获取别处难以获得的信息和训练。而现在，一个学生坐在宿舍里，就能调用比多数课堂更丰富、更即时的知识。如果大学仍然把自己定位为“知识仓库”，那它确实正在被绕开。
贬值与稀缺：能力结构的重新排序
AI最先冲击的，是那些“有标准答案”的能力。
记忆知识点、套用格式、完成基础性产出，这些曾经构成大学训练重要部分的内容，正在快速失去区分度。一份结构完整、表达流畅的作业，过去能说明学生花了功夫，现在却未必能说明他经历了怎样的思考。当生成一份“看起来像答案”的成本趋近于零，评价一份作业的难度反而在上升——老师面对的不再是学生会不会做，而是这份成果里有多少是学生自己的判断。
这不是说基础知识不重要了，而是说它作为筛选工具的功能在减弱。当记忆和复述不再稀缺，继续用它们衡量学生，只会让课堂变成AI最高效的展示场。
反过来，一些过去被当作“软能力”而未被充分重视的素质，正在变得稀缺。批判性思维、对信息真伪的核验、在复杂情境中做判断、把不同领域的知识连接起来解决真实问题——这些能力很难被标准化，也很难被一次性生成。AI可以给出一个看似完整的方案，但它不承担后果，也不理解具体处境。真正需要人做的，是在多个看起来都合理的答案之间做出选择，并为这个选择负责。
这里有一个容易被忽略的细节：AI提高了生成的效率，却没有降低审核的门槛。表达流畅、结构清晰的回答，反而更容易让人放松核验，把“像答案”当成“真答案”。这意味着，未来更稀缺的不是产出能力，而是鉴别能力——知道什么是对的，知道哪里可能出错，知道一个结论在什么条件下才成立。
禁用还是善用，不是问题的核心
面对学生用AI完成作业，不少高校的第一反应是“禁”。但禁令很快会遇到现实困难：AI生成的内容越来越难识别，一刀切的禁止既难以执行，也容易把真正有价值的使用方式一并挡在门外。
更务实的做法，是承认AI已经成为学习环境的一部分，然后重新设计教学和评价方式。有些课程明确禁止在初稿阶段使用AI，目的是让学生先经历独立思考和表达的过程；有些课程则要求先独立完成，再用AI对照、质疑和补充。区别不在于用不用，而在于AI出现在学习过程的哪个环节，以及它替代了什么、保留了什么。
这背后其实是一个更根本的转变：从“考学生记住了什么”，转向“看学生能判断什么、能解决什么”。如果评价仍然只看格式是否规范、答案是否标准，那AI就是最省力的包装工具；只有当评价开始关注思考过程、判断依据和真实问题的解决，AI才可能成为学习的助力而非替代。
一些高校已经在尝试调整。比如引入作品集、口头阐述、过程记录等方式，让学习证据不再只依赖一份最终成品；或者在课程层面明确AI的使用规则，让每门课都有自己的边界。这些做法未必成熟，但方向是清楚的：与其在“禁”和“放”之间摇摆，不如把规则做细，把评价做实。
大学的位置需要重新说明
这场讨论表面上是关于AI，实际上关乎大学如何重新说明自己的价值。
当知识获取不再依赖特定场所，大学的意义就必须从“提供信息”转向“提供训练和判断”。它要培养的，不是能复述知识的人，而是能在信息过载中保持清醒、在复杂问题面前做出判断、并愿意为判断承担后果的人。这种能力无法靠一次考试验证，也很难靠一套标准答案衡量，但它恰恰是AI最难替代的部分。
对高校来说，真正需要调整的，不只是某一门课怎么上、某一次作业怎么判，而是整个培养逻辑：把重心从知识传递转向能力塑造，把评价从结果导向转向过程与判断并重。这当然不容易，它涉及教师培训、课程设计、评价标准乃至院系结构的调整，也涉及社会对“学历意味着什么”的重新理解。
但回避这个问题，代价可能更大。如果大学继续用旧标准衡量学生，而学生早已用新工具完成学习，那么课堂与社会之间的裂缝只会越来越宽。AI成为“标配”不是终点，它只是把那个一直被推迟的问题，提前摆到了桌面上：大学到底要教什么，又该用什么来证明学生真的学到了。
评论列表 (0条)：
加载更多评论 Loading...