ARTICLE · 1054948
当AI能做完大学作业,大学还剩下什么?
Power T&E · 观察者手记
当AI能做完大学作业，
大学还剩下什么？
MIT 2026 内部报告解读 · 认知投降 / 亲学习者AI / 艰难的乐趣
当AI能做完大学作业，大学还剩下什么？
麻省理工学院，这所深度参与塑造了AI的顶尖学府，最近开始认真思考一个问题：如果AI正在改变整个社会，它会不会也反过来颠覆大学教育本身？2026年8月，MIT发布了一份38页的内部报告《AI在教学、学习与研究训练中的使用》，历时五个月、五个学院师生共同参与。当AI已经能够完成MIT本科课程中的大部分作业时，教育还能教什么？这篇文章，把这份报告的核心观点，放到学习科学和全球高校的坐标系里重新拆解。
核心拷问
学生来上大学，不是为了获取信息——信息在互联网上免费且无限。他们是为了在与人的碰撞中，长成仅靠自己无法长成的样子。
第一章 · 一个看似荒谬的问题
既然AI做研究助理又快又省，UROP还招学生吗？
在MIT一场与教师的听询会上，有人提了一个相当直接的问题：既然AI Agent做研究助理又快又便宜，那UROP（MIT的本科生研究项目）是不是可以不招学生了？
这个提议听起来并不荒谬。AI不需要漫长培训，不考虑工时，7×24小时运行，很多任务比本科生更快更稳。如果你是经费紧张的实验室负责人，很难不心动。但如果你是校长，就不得不想：大学究竟为什么要让学生花四年聚在一起？
这个问题的分量，从UROP的规模可见一斑：2025届MIT学生中，93%在毕业前参加过UROP，超过3200名本科生参与，58%的教员担任导师。当一个项目承载了几乎所有学生的成长，AI对它的冲击，就是在冲击整个大学教育的合法性。
这不是单个学院的担忧。MIT报告确认：生成式AI已经能为其本科课程中几乎所有书面作业（论文、数学题、证明、编程）产生可信答案，而且能力还在增长。问题不再是"会不会"，而是"然后呢"。
学生面对屏幕的光，白板上的算式在身后变淡——一个关于"思考被外包"的画面
第二章 · 现象
AI正在杀死校园学习文化
MIT在2026年春季做了调查：46%的本科生每天使用大模型，超过80%的人用它讲解课程内容。
但学生一边高频使用，一边深感焦虑——同一批学生里，90%担心自己过度依赖AI，67%"非常担心"。
在ChatGPT出现之前，MIT最有特色的文化是学习小组：几个学生围着白板争论一道数学证明，几乎成了MIT的符号。而最近三年，随着AI和Agent普及，校园文化发生了巨大变化——教授答疑时间门可罗雀，线上讨论区参与度下滑，宿舍和图书馆里的线下学习小组正在消失。
正在消失的风景：几个学生围着白板争论一道题
第三章 · 诊断
"学习的幻觉"：为什么越快得到答案，越可怕
MIT把这些症状归因于一个更深层的问题：AI给学生制造了"学习的幻觉"。心理学上叫认知投降——当学生从聊天机器人那里迅速得到正确答案，大脑会产生"我已经理解了"的错觉。但事实是：学生在刚遇到困难的瞬间，就把思考外包给了AI，而真正的学习恰恰发生在解决困难的瞬间。
这有扎实的科学证据。微软与卡内基梅隆2025年的一项研究调查了319名知识工作者、936个真实AI使用案例，发现：对AI越信任，批判性思维投入越少。在不同认知活动里，报告"更少努力"的案例占比高得惊人——知识72%、理解79%、应用69%、综合76%。
MIT媒体实验室2025年的EEG实验更直观：用脑电图对比三种状态——只用大脑、用搜索引擎、用ChatGPT。结果显示，用大模型时，大脑的网络连接最弱；只用大脑时，网络最强、最分散。工具越"智能"，人脑参与的越少。
更关键的是学习科学里的一个反直觉发现。认知心理学家罗伯特·比约克提出"可取的困难"：那些学习时让你觉得费力的条件，反而让记忆更牢、迁移更好——间隔、测试、生成效应都是如此。反之，"流畅度错觉"会骗人：当阅读很顺、想起来很容易，你会误以为自己学会了。AI恰好制造了最极端的流畅度错觉——答案是现成的、流畅的、毫无卡顿。
一个诚实的警示实验：2025年《美国科学院院刊》的一项数学实验里，学生先用GPT-4做练习时成绩提升明显，可一旦移除AI访问，他们的成绩反而比从未用过AI的小组下降了17%。依赖是双向的：你依赖它，它也重塑你。
左边：流畅的答案，轻松的点头；右边：交叉划掉的草稿，紧锁的眉头——真正学到东西的，是右边
第四章 · 困局
三输局面：没人值得信任，也包括检测器
MIT的学生早已苦AIGC检测久矣。教师被迫花大量精力判断作业是不是AI写的，学生则恐惧被检测器误判。一个三输的教育局面就此成立：
教师不信任学生，学生不信任教师，而AI检测工具又不值得任何人信任。
最后一条被斯坦福的研究狠狠印证。斯坦福HAI 2023年测试了7款主流AI检测器：非英语母语学生写的真实托福作文，平均有61.22%被误判为AI生成；97.8%的托福作文至少被一款检测器标记，19.8%被全部7款一起误判。而美国本土八年级学生作文，误判率接近零。检测器存在系统性的偏见——它热爱的"规整、流畅、术语准确"，恰好是非母语作者的特点。
监控姿态的两个代价：其一是越规整越可疑的悖论；其二是，依赖监控本身就在制造师生对立。与其投入资源抓作弊，不如投入资源去设计让作弊失去意义的评估方式。
教师、学生、检测器——互不信任的三角形
第五章 · 破局（一）
姿态：谦卑与果敢，允许犯错
面对这种系统性错位，MIT报告提出了八项指导原则，贯穿其中的有三条主线——恰恰是当下多数高校AI政策里集体缺少的维度。
第一条主线：谦卑和果敢。把AI教育政策当成一次性任务完成，是最大的战略错误——你不可能在2026年写一份文件，指望它2028年还管用。所以要保持谦卑：任何今天正确的政策，都可能被明天推翻；同时保持果敢：不确定性不能成为不作为的借口。答案不是完美的最终方案，而是持续迭代的机制。
第二条主线：回归教育的本质——允许犯错。回到开头那个问题：既然AI当研究助理又快又省，本科研究项目为什么还招学生？报告的回答是：这个项目存在的意义是教育，不是给教授提供廉价科研劳动力。用本科生做研究带来的"低效"，是教育结构的特性，不是bug。
"艰难的乐趣"：挑战性的困难，会转化为深层的乐趣
MIT给这种有价值的困难，起了一个名字——"艰难的乐趣"（hard fun）。这个词来自MIT媒体实验室创始人帕尔特。他在1980年代发现，孩子们之所以痴迷编程，不是因为简单，恰恰是因为困难——克服一个有意义的困难本身，就是巨大的快乐。AI应该增强这份好奇与判断，而不是通过自动化让它消失。
同样的逻辑也适用于教师端。当教师用AI生成讲义、批改作业、写反馈时，学生也会质疑："如果老师只放AI做的课件，我为什么还要来上课？"MIT的校报投票显示，大多数学生对AI助教感到不适。所以报告提出一个对等要求：教师必须披露自己的AI使用情况。你要求学生透明，你自己也得透明——双向透明，是重建师生信任的前提。
第六章 · 破局（二）
亲学习者AI：技术路径不是注定的
第三条主线，借用了MIT三位经济学家的概念。达龙·阿西莫格鲁、戴维·奥托和西蒙·约翰逊在论文里提出"亲劳动者AI"（pro-worker AI）：企业应当开发增强工人能力的AI，而不是替代工人的AI。
他们的学术基础很深。阿西莫格鲁团队的研究估计，1980至2016年美国收入不平等的增长中，自动化负责约52%——而那种为了压低工资而发动的"低效自动化"，抵消了自动化本可带来的生产率增益的60%到90%。他们反复强调：AI的路径不是注定的，它既可能走向大规模劳动力替代，也可能走向人机互补，关键在于我们选择开发哪一种。
MIT把这套经济学思想平移到了教育领域：大学需要的是"亲学习者AI"（pro-learner AI）——AI应该扩展学生能思考、能学习、能解决的边界，而不是替学生免除思考、学习和创造过程中那些困难但有价值的部分。
一个判断标准：如果一项技术应用让使用者"变得更会思考"，它是亲学习者AI；如果它让使用者"只需要等待答案"，它就是优替者。同样的工具，两种用法，两种结果。
AI是脚手架：托举你够得更远，但爬上台阶的，始终是你自己
第七章 · 落地
三个方法：从"禁用"走向"设计"
原则讲完了，如何在校园里落地？报告给了三个具体方法。
第一，反向设计。多数教师面对AI的第一反应是"这门课该不该禁用AI？"，这个问题问错了。正确的起点是：先定义"学生结课时应该会什么"，然后倒推作业与考核。当你从"禁还是不禁"出发，思考框架是围绕AI的；当你从学习目标出发，AI只是众多手段之一。因为它导向一个关键判断——AI能写出漂亮的论文，但没法替你在口试里回答教授们的追问。所以课后考核要指向那些AI难以代劳的形式：口试、学期作品集、课外作业搭配课上当面对谈。
第二，制定规矩清单。报告给出四档：完全开放AI（绿）、仅限辅助AI（黄）、强制使用AI（蓝）、严格禁止AI（红）。每门课选一档写进大纲，且必须附上理由。这个清单的好处是降低决策负担，更重要的是逼出教学目的：如果老师说"禁止AI因为它是作弊"，学生得到的是规则；如果说"禁止AI因为你需要亲自经历从错误中学习，这是AI无法替代的"，学生得到的是关于学习本质的认知。
第三，别依赖AI检测器。原因如前：它查不出灰色地带，又会误伤非母语者，最关键的是——监控姿态本身就在制造对立。
反向设计：先定"结课该会什么"，再倒推评估——绿黄蓝红四档清单
第八章 · 参照
全球高校的光谱：从"禁止"到"设计"
MIT的路线，放在全球高校的谱系里看，格外清醒。
最早的一批高校选择了禁止：巴黎政治学院2023年初全校禁用ChatGPT，香港大学禁止在所有课程和评估中使用AI工具除非教师书面同意。
一批高校转向有条件使用：牛津要求学生在总结性评估中必须声明是否、如何使用AI；剑桥计算机系更进一步，要求用AI的学生记录提示历史、通过口试（viva）解释过程，证明自己没有把思考外包。
中国高校也在密集出台政策：复旦2024年发布毕业论文AI使用"六个禁止"；上海交大提出禁止、有限、鼓励、开放四种类型；清华2025年发布《人工智能教育应用指导原则》，明确禁止AI代写代答、严禁将AI生成内容直接作为学业成果。整体呈现出"红绿灯"式的分级治理路径。
这些路径没有对错，只有适不适合。但MIT最珍贵的一点，是它把问题从"工具边界"推进到了"学习过程设计"——当AI能替代执行时，剩下的、真正属于人的能力，是什么？
当机器越来越擅长给出答案
大学存在的理由，反而要回归初心：教育是源于人、由人塑造，最终服务人。
学生来这里，是为了在与人碰撞中获取独特的乐趣，长成仅靠自己学习无法长成的样子。
顺带一提，在2025年秋季的校报调查里：超过三分之二的MIT学生认为AI对自己的职业生涯至关重要，但只有25%觉得MIT真在"教他们如何使用AI"上做到了。
这个巨大的供给缺口，恐怕不只是MIT的问题。当信息变得免费且无限，教育的全部价值，就在于那些无法被外包的部分：走弯路、犯错误、和同伴争辩、被导师纠正、在困难中感到乐趣，以及长成一个不像AI的样子。
AI时代的大学：认知投降与亲学习者AI
Power T&E · 2026 · 技术文化观察系列 · 文图皆为原创二次创作