AI越强，大学越要学生亲手做：这并不矛盾

走访5所美国高校后，我发现AI教育真正的分水岭已经变了

我是在一间黑白胶片暗房里，突然想明白这件事的。

那天我在洛杉矶的艺术中心设计学院 ArtCenter College of Design 参观。

前面刚看过3D打印、数字制造和各种新材料设备，转过几个空间，却看到老师带着学生站在暗房里，调药水、冲胶卷、放大照片。

没有生成式AI。

没有一句Prompt。

甚至连“数字化”都显得离这个场景很远。

但奇怪的是，我一点也没觉得它落后。

恰恰相反。

那一刻我突然意识到，我们过去两年关于“AI会不会毁掉教育”的讨论，很可能从一开始就问错了问题。

真正的问题从来不是：

有了AI之后，人还要不要亲手做？

而是：

当机器已经能替你完成越来越多事情之后，哪些事情仍然必须由你亲手完成？为什么？

这个区别，看起来只是换了一个问法。

背后却是完全不同的教育逻辑。

---

过去十来天，我从纽约、匹兹堡一路走到洛杉矶，又来到旧金山湾区。

我去了纽约大学、卡内基梅隆大学、南加州大学、加州大学洛杉矶分校，以及以产品设计闻名的 ArtCenter。

每到一所学校，我都会尽量找学生、毕业生或者老师聊一聊。

我最初带着的问题其实很简单：

AI来了，美国大学到底让不让学生用？

可走到后面，我越来越觉得，这个问题已经有点落伍了。

两年前大家还在讨论“禁不禁ChatGPT”。

今天，越来越多真实的教学讨论已经进入下一层：

一项任务中，哪一步可以交给AI，哪一步必须留给学生？

这才是我这趟走访中感受到的真正变化。

我要先强调一点：下面不是“美国大学正在全面这样做”的宏大结论。

我没有资格用几所学校、几次聊天，就给整个美国高等教育下判断。

它们更像是我这个“AI学习圈哨探”从前线带回来的几个信号。

但这些信号放在一起看，很有意思。

因为我越来越确定：

AI教育真正的分水岭，已经开始从“会不会用AI”，转向“知道什么时候不该把事情交给AI”。

---

第一层变化：AI正在从“危险品”，变成大学里的基础设施

我在纽约大学和一位主修教育、辅修经济的大三学生聊天。

她说了一句话，我印象很深。

大意是：

老师其实知道学生会用ChatGPT。

所以与其布置那种ChatGPT几分钟就能完成的作业，不如少留一点这种作业，或者干脆把任务改成课堂互动、研究、采访、讨论以及需要真实参与的东西。

注意，这只是一名学生的个人课堂体验。

但它透露出来的思路，比“禁止AI”复杂得多。

因为当一个老师开始默认AI存在之后，问题就变成了：

如果AI可以轻易做完我的作业，那么这份作业究竟还在考什么？

这是AI带给教育非常残酷的一次压力测试。

过去很多作业之所以存在，并不一定因为它是最好的学习方式。

可能只是因为它容易布置。

容易批改。

容易标准化。

甚至只是因为过去几十年一直这么做。

但AI把这些任务的成本突然打到了接近于零。

于是问题暴露了：

如果一道作业的核心难度只是“生产一份看起来像正确答案的文字”，那它今天很可能已经失去相当一部分考核价值。

这不是学生变懒了。

而是工具变了。

---

斯坦福是另一个很典型的信号。

2024年秋季，斯坦福上线了由学校管理的 AI Playground，把多个主流模型放进一个统一入口。到2025年3月，官方披露已经有超过6900名用户，累计产生140多万条消息、350多亿Token；早期接入的模型就包括 OpenAI、Google 和 Anthropic 的产品。 (Stanford University IT)

到了2026年6月，斯坦福又进一步宣布向教师、学生、博士后和员工提供 ChatGPT Edu、Gemini Enterprise 和 Claude for Education，相关校园试点计划持续到2027年8月。学校给出的原因也非常现实：统一采购能够改善数据保护、降低获取成本，同时减少不同群体各自购买工具带来的碎片化。

这件事情特别值得琢磨。

因为这意味着AI正在发生一次身份变化。

以前它像是学生偷偷带进教室里的外挂。

现在，它越来越像校园网络、Office软件、数据库一样，开始进入大学的信息基础设施。

但这里有一个非常关键的细节。

学校给你AI，不等于老师允许你拿AI完成任何作业。

斯坦福依然明确规定，学生做课程作业时需要遵守具体教师制定的AI使用规则；学校层面提供工具，与课堂层面允许怎样使用，是两套问题。

这就是我看到的第一个变化：

AI的“存在权”正在逐渐失去争议，但AI的“代理权”会被划得越来越细。

你可以拥有AI。

但你不能默认所有事情都可以外包给AI。

---

第二层变化：规则越来越不统一，反而可能意味着教育开始想明白了

我在卡内基梅隆遇到两名中国学生。

他们是室友。

住在同一个宿舍。

学校也一样。

但专业不同、导师不同，他们使用AI的规则完全不一样。

其中一个学生跟我说了一个特别有意思的例子。

同一位老师教他两门课。

一门是传统C语言编程。

老师明确要求：不能用AI。

代码自己一行一行写。

另一门却恰恰相反。

老师直接教他们怎么使用AI进行Agent编程，让模型帮你完成大量代码工作。

我听完第一反应是：

这老师不会精神分裂吗？

上一门课刚说“不许用”。

下一门课就变成“来，我教你怎么用”。

但继续想下去，我发现这其实一点都不矛盾。

因为两门课训练的根本不是同一种能力。

第一门课可能要训练的是：

变量是什么。

内存是怎么回事。

程序为什么会这样执行。

一个错误为什么会出现。

如果这些底层东西还没形成认知结构，就立刻全部交给AI，那么学生最后得到的可能只是一个能运行的程序，却没有获得编程能力。

而第二门课要训练的，也许已经变成：

如何定义任务。

如何拆解Agent。

如何选择模型。

如何设计工作流。

如何检查输出。

如何把不同组件组装起来完成目标。

这时候强迫学生不用AI，反而像2026年学摄影却禁止使用数码相机。

所以真正合理的规则，不是简单的一刀切。

而是跟着学习目标走。

卡内基梅隆自己的教学资源其实也体现出了这一点。

CMU 的 Eberly Center 给教师提供的生成式AI课程政策示例，并不是只有一种答案，而是从“完全禁止”，到“全面允许并要求披露”，再到“某些作业允许、某些作业禁止”，全部存在。

其中一个示例甚至非常明确：

某些任务允许使用AI，而那些旨在培养基础技能的任务，则不应该由AI代替。

所以以前我看到不同老师有不同AI规则，会觉得：

怎么这么乱？

现在我反而觉得：

规则不统一，有时候恰恰说明问题开始被讨论得足够具体。

因为物理实验和市场营销不一样。

大一基础编程和研究生Agent开发不一样。

论文选题和论文代写更不是一回事。

真正成熟的AI教育政策，恐怕不会是一条覆盖所有人的红线。

它更可能是一张越来越细的地图。

---

UCLA的数据更能说明AI已经进入这种“日常化阶段”。

在针对2025届本科毕业生的调查中，共有6639名学生参与AI相关问题回答，其中73%表示曾使用生成式AI支持课程学习。

60%用AI研究主题，57%用来头脑风暴，57%用来备考。

但直接用AI起草书面作业答案的比例是31%。

更有意思的是，65%的受访学生认为生成式AI总体而言对学习“利大于弊”；77%希望学校为教师和助教提供AI培训，75%希望学校也为学生提供培训。

这组数据让我觉得特别重要。

学生并没有简单地说：

“AI太好了，全部交给AI吧。”

调查中的开放回答同样出现了对过度依赖、批判性思维下降、准确性和偏见的担忧。

这其实更接近真实世界。

AI既不是救世主。

也不是洪水猛兽。

它就是一个已经进入学习过程、但仍需要学习如何驾驭的新变量。

---

第三层变化：当AI越来越会交“漂亮作业”，大学就不能再只看成品

这是我这趟走访里感触很深的一件事。

以前很多学校的评价体系，其实建立在一个默认前提上：

你交出来的东西，大致能够代表你自己的能力。

论文写得好，说明你理解得好。

代码跑得通，说明你会编程。

商业分析完整，说明你掌握了分析方法。

设计作品漂亮，说明你会设计。

但生成式AI正在破坏这个默认前提。

因为今天一个学生完全可能对一个问题只有60分的理解，却交出一份90分的成品。

未来可能只有30分理解，也能交出95分的东西。

这会带来一个非常大的变化：

最终成品正在失去一部分“能力证明”的功能。

于是教育只能倒过来寻找新的证据。

---

在纽约大学，我听朋友讲到一个还处于小范围尝试中的案例。

有老师发现，一些学生提交的商业项目分析非常完整。

结构漂亮。

逻辑完整。

图表也像模像样。

但课堂里突然追问一句：

“你为什么在这里做这个决策？”

有些拿高分的学生就讲不清楚了。

于是他们尝试在部分作业之后加入二十多分钟的AI语音问答。

不是再让AI帮学生做题。

而是反过来，让AI追问学生：

这个项目为什么这么做？

如果条件改变，你会怎么办？

为什么选择这个指标？

你还有没有其他方案？

然后模型先对回答进行初步分析，出现明显分歧时，再由老师人工复核。

我要再次强调，这只是我在走访中听到的一项课堂实践，覆盖人数也有限，我并没有找到资料证明它已经成为NYU的校级制度。

但这个方向非常值得关注。

因为2026年的高等教育讨论中，已经有人明确提出类似的“对话式评估”思路：当AI能够低成本进行连续追问时，以往由于教师时间有限而难以大规模实施的口试、苏格拉底式问答，可能重新变得可扩展。

这件事非常有意思。

AI先让传统作业失去一部分可信度，然后又可能帮助教育重新建立可信度。

于是你会发现，一些看起来很“古老”的方法，可能重新回来。

现场演示。

口头答辩。

随机追问。

草稿。

版本记录。

实验过程。

修改原因。

失败记录。

决策解释。

不是因为教育在倒退。

恰恰是因为答案已经变得太便宜了。

当机器可以生成一个结果时，真正昂贵的东西就变成：

你为什么相信这个结果？

你为什么选择这个方案？

你能不能解释它？

如果AI错了，你能不能发现？

所以我越来越相信一句话：

AI让“答案”越来越便宜，却会让“形成答案的过程”越来越贵。

---

第四层变化：大学真正要保护的，可能不是某一种技能，而是人的判断权

我这次去了南加州大学一个很特别的学院——Jimmy Iovine and Andre Young Academy，也就是很多人简称的IYA。

这所学院2013年成立，2014年迎来第一届本科生。

两位创始人 Jimmy Iovine 和 Andre “Dr. Dre” Young 都不是传统学院派出身，他们同时也是 Beats Electronics 的联合创始人；Beats后来在2014年被苹果收购。

IYA的本科项目本身就非常跨界。

设计。

技术。

商业。

沟通。

创业。

几种能力放到同一个培养体系里。

USC官方对相关本科项目的介绍也是强调技术、商业、人本设计与沟通能力之间的交叉。

十年前听这个专业，会觉得很先锋。

到了AI时代再看，我反而觉得它非常现实。

因为AI正在把专业之间的墙拆得越来越低。

以前一个人要做一个产品，需要程序员、设计师、产品经理、市场人员。

今天AI让一个人跨越专业边界的成本快速下降。

但这并不意味着“专业不重要了”。

而是意味着另一个能力开始变贵：

你能不能把不同专业的能力组织起来，解决一个真实问题？

IYA很多学生从早期就需要在团队里做项目。

这时候AI只是工具之一。

要不要用ChatGPT？

要不要写Prompt？

这些问题都退到了后面。

真正要验收的是：

你做出了什么？

谁需要它？

为什么这样设计？

它能不能运行？

真实用户买不买账？

出了问题谁负责？

当评价对象从“完成作业”变成“完成任务”，AI的角色突然就清楚了。

它可以帮助你。

但它不能替你承担最终责任。

---

这又把我带回开头看到的那间暗房。

ArtCenter官方设施里，今天一方面有数字成像、快速原型、3D打印等设备，另一方面仍然保留完整的黑白摄影暗房，甚至有传统胶片处理和40个放大工位。

这不是怀旧。

我觉得它反而揭示了AI时代最容易被忽略的一件事：

教育不是工具培训班。

如果新的工具更高效，当然应该学。

但旧工具如果仍然能够训练感知、理解、身体经验、基本功和判断，它也不会仅仅因为“效率低”就自动失去价值。

这和卡内基梅隆那位一边禁止AI写C语言代码、一边教学生用AI做Agent的老师，其实是一回事。

看起来矛盾。

底层逻辑完全一致。

工具没有高低贵贱。

关键是：

此刻到底要训练人的哪一种能力？

---

所以，我现在已经不太担心“学生用了AI怎么办”

我真正担心的是另一件事：

如果一个学生从一开始就把所有困难都外包给AI，他还会不会形成自己的认知结构？

很多学习，本质上并不舒服。

你第一次学编程会报错。

第一次写文章会卡住。

第一次做研究会找不到方向。

第一次画东西很丑。

第一次做商业判断大概率会犯错。

这些低效、笨拙、反复失败的过程，过去一直被当成学习的一部分。

AI出现以后，我们第一次拥有了一种能力：

可以大规模绕开这些痛苦。

而这恰恰是最危险的地方。

因为有些痛苦确实应该被工具消灭。

比如机械搜索。

重复排版。

格式转换。

初级信息整理。

大量无意义的劳动。

但还有一些困难，本身就是训练。

你绕过去了。

能力也就绕过去了。

所以未来真正高水平的学习者，我觉得会越来越擅长做一件反直觉的事情：

明明可以让AI做，但知道什么时候故意不让AI做。

刚开始学代码的时候，自己写。

真正理解以后，让Agent写。

刚进入一个领域时，自己读原始资料。

形成知识框架以后，让AI帮你批量筛选。

第一次建立一个观点时，自己挣扎。

观点成形以后，让多个模型来攻击它。

重要的不是“使用AI的比例越高越好”。

而是你知道自己为什么把这一部分交出去。

---

走完这几所学校，我对AI时代的“好学生”也有了新的理解

过去的好学生，往往是答案最多的人。

记得更多。

算得更快。

写得更完整。

代码写得更熟练。

但AI正在快速追赶甚至超过人类完成这些标准任务的能力。

接下来真正拉开差距的，可能不是答案数量，而是几种更加底层的能力：

知道该问什么。

知道哪些东西不能信。

知道一项任务真正的目标是什么。

知道什么时候该使用AI。

也知道什么时候必须关掉AI，自己做一遍。

最后，还愿意为结果签自己的名字。

因为AI可以替你生成。

可以替你搜索。

可以替你编码。

可以替你画图。

甚至未来可以替你做越来越复杂的决策建议。

但至少到今天，责任最终仍然落在人身上。

斯坦福2026年向校园提供新一批AI工具时，也特别强调：无论使用者在校园中是什么角色，验证AI输出的责任仍然由使用者承担。

我觉得这句话，比“怎么写Prompt”重要得多。

---

所以，如果你问我：

走访这些大学之后，最大的感受是什么？

不是美国大学已经找到AI教育的标准答案。

远远没有。

老师之间依然有分歧。

课程政策依然不统一。

学生也会纠结。

学校还在试。

很多尝试甚至最后可能被证明无效。

但有一点已经越来越明显：

AI恐慌正在从一个抽象问题，变成一系列具体问题。

以前大家问：

“AI会不会毁掉大学？”

现在更值得问：

“这门课真正训练什么？”

“这份作业为什么存在？”

“这一部分能不能让AI做？”

“如果让AI做，人还需要掌握什么？”

“最终谁来判断？”

“最终谁来负责？”

这是一个好信号。

因为技术真正进入社会，从来不是所有人突然找到标准答案。

而是我们终于不再围着“它到底是好还是坏”争吵，开始讨论：

它到底应该被放在哪里。

也许这才是AI进入教育真正的成年礼。

不是学校终于允许AI进来了。

而是我们终于开始学会：

让AI坐到它应该坐的位置上。

---

关注本站，每天分享跨境电商前沿资讯（ Ctrl + D 收藏本站/收藏为书签 ）