ARTICLE · 1137613

【教育研究】AI真正冲击大学的,不是课堂,而是“文凭为何可信”:读 Jason Potts《The University after 》

发布时间：2026-10-08 06:14:36 最近访问：2026-10-08 06:14:37

一名学生交来一篇结构完整、论证清楚、引文规范的论文。过去，我们大体可以据此推断：他读过相关文献，理解了问题，也完成了必要的思考。

今天，这个推断越来越不可靠。

文章可能很好，学生却未必真正理解；程序可以运行，他却未必知道为什么；答案近乎完美，也可能只是因为他比别人更会调用AI。

于是，一个比“学生是否用AI作弊”更难的问题出现了：当生产一个好答案变得越来越便宜，我们还如何判断一个人是否真的具备相应能力？

2026年9月，经济学家 Jason Potts 发布了一篇28页的工作论文The University after AI。这篇文章讨论的并不是“教师该怎样使用AI上课”，而是一个更深的问题：AI究竟触动了大学的什么根基？

Potts给出的答案颇有冲击力：大学真正出售的，从来不只是知识内容，而是匹配与验证。它把学生、学者、雇主、政府和资助者组织到一起，并向第三方提供一种可信判断：这个毕业生确实具备某种知识与能力。

印刷术、电视、互联网和慕课都曾让知识变得更便宜，却没有摧毁大学。AI之所以可能不同，是因为它不仅降低了内容成本，还降低了“看起来像是掌握了知识”的成本。它第一次同时冲击大学的匹配功能和验证功能。

图1 论文首页。作者将其定位为面向AI时代大学改革的经济学与战略分析

一、过去的技术让知识变便宜，AI让“能力证据”也变便宜

大学已有近千年历史。其间，人类经历了印刷术、广播电视、计算机、互联网、搜索引擎、社交媒体和大规模在线课程。每一轮技术进步都曾引发“大学是否还会存在”的疑问，但大学的基本形态并没有因此消失。

为什么？

Potts认为，因为这些技术主要降低的是知识内容的生产与传播成本，而内容并不是大学最核心的产品。图书可以便宜，课程可以免费，名校讲座可以被所有人观看，但学生仍然需要进入一个组织，与教师和同伴互动，获得被社会和雇主承认的资格。

AI带来的变化更为微妙。

过去，一篇高质量论文、一段可运行的代码、一份复杂的数据分析之所以能够成为能力证据，是因为完成这些成果需要投入大量时间、知识和训练。能力较强的人，通常能以相对较低的成本完成；能力较弱的人，则很难稳定地产出同样结果。因此，作业、考试和学历能够在一定程度上区分不同能力的人。

生成式AI压缩了这种成本差异。高能力学生和低能力学生都可能在短时间内生成看起来相当不错的成果。即便没有违反任何规则，成果对能力的识别力也可能下降。

这就是作者所说的“信号坍塌”：AI首先降低的是可观察成果的生产成本，而不是底层能力的形成成本。

这一区分非常重要。任务完成得更快，并不意味着学习得更多；作品质量提高，也不必然意味着能力同步提高。AI可以同时带来“更好的结果”和“更弱的能力证据”。

图2 原文第11页。作者将“表现与学习的分离”视为大学认证面临的核心问题

从这个意义上说，大学面临的主要问题并不是怎样检测学生是否使用了AI。即使所有学生都如实申报、遵守规则，只要不同能力者生成相似成果的成本趋于接近，旧有评价信号就会变弱。

二、大学不是知识工厂，而是一个复杂的多边平台

为了说明这种冲击如何传导，Potts把大学理解为一个“多边平台”。

大学并不只有教师和学生两方。它还连接研究生、科研人员、雇主、行业客户、专业协会、中央与地方政府、校友、捐赠者、中学、家长以及本地企业。作者列出了至少十五类参与者。

这些参与者彼此依赖：

本科生需要教师、同伴、资格和就业机会；
雇主需要经过筛选、可以信任的毕业生；
研究者需要经费、设施、助手与学术共同体；
政府需要人才培养、科学研究和区域发展；
校友关心学校声誉，因为它会反过来影响已有文凭的价值。

大学把这些人组织起来，并通过复杂的交叉补贴维持运行。国际学生和热门专业的收入可能补贴其他专业；教学收入支持研究；研究声誉又吸引新的学生和资源。

因此，AI对大学的冲击不会表现为“一项工作被机器替代”这么简单。一项服务成本下降，可能使一个付费群体绕过大学；一个付费群体离开，又可能使原本依赖其补贴的科研活动失去资金。

这也是这篇论文比一般“AI＋教育”讨论更有价值的地方：它不只问课堂效率提高了多少，而是追问，当某项成本发生变化，整个大学组织中的利益关系和资金流会怎样重新组合。

图3 原文执行摘要集中概括了四种冲击机制和主要改革建议

三、AI通过四条路径改变大学

作者把AI的影响概括为四种机制。

1. 信号坍塌：文凭开始变得没那么会“说话”

大学文凭之所以有价值，不只因为学生在大学里学到了东西，也因为文凭向雇主提供了关于其能力、努力和可靠性的信号。

当作业、论文、程序和报告可以被低成本生成，传统考核越来越难区分“真正理解”与“善于调用工具”。雇主会因此转向独立测试、试岗、作品集、现场任务和自己的AI筛选系统。大学原本掌握的认证入口，由此可能被绕开。

2. 去中介化：学生和学者都可以绕过大学

AI已经能够提供知识讲解、文献检索、写作辅助、代码支持、职业咨询和部分研究协助。学生可以绕过大学获得一部分教学服务；研究者也可能借助AI独立完成过去需要研究助理、数据库和机构支持才能完成的工作。

这对大学形成双向压力：一边是付费学生对标准化教学的需求下降，另一边是研究者对机构基础设施的依赖下降。

更麻烦的是，本科教学往往正是支持大学其他活动的重要收入来源。如果AI首先削弱的是付费端，那么最后受损的可能不只是教学，而是被教学收入补贴的研究。

3. 战略资产迁移：从运行流程转向可信验证

AI可以排课、安排考试、批改部分作业、生成成绩记录，却不能仅凭自己向雇主保证：“这个学生确实具备相应能力。”

可信担保需要一个相对独立、长期存在并会因错误判断承担声誉损失的主体。因此，大学未来最重要的资产可能不再是课程内容，也不只是运行行政系统，而是成为一个令人信赖的验证者。

作者有一个很有启发性的判断：大学可以把行政技术外包，但不能把最终的专业判断、责任和信誉一并外包。廉价成果越多，可信验证反而越稀缺。

4. 收益迁移：从掌握既有知识转向适应与探索

在技术稳定时期，熟练掌握一套知识就能获得较长时间的职业回报。在技术快速变化时期，真正有价值的则是更快地学会下一项技术。

因此，大学未来需要证明的可能不是“学生记住了多少稳定知识”，而是“当工具、行业和问题发生变化时，他能否比别人更快地学习、判断和适应”。

科研也是如此。当AI使文献综述、统计分析、写作和成熟范式内的研究更加便宜，真正稀缺的会向无人关注的问题、低数据领域、长期探索、失败结果和未知前沿移动。

四、AI替代不了的三样东西，恰恰可能成为大学的新核心

分析完四种冲击机制后，Potts又提出三项相对稳定的“不变量”。

第一是共同生产。教育不是教师单方面交付的产品，必须有教师和学生双方投入。AI可以降低产出成本，却不能自动产生学生“愿意被学习过程改变”的意愿。

第二是同伴群体。学生既是教育的消费者，也是其他学生学习环境的一部分。一个有质量的同伴网络，需要筛选、互动、共同经历和长期信任，AI无法直接“生成一个班级”。

第三是具身实践与法律地位。实验室、临床训练、真实项目、专业执照、机构认证等，都需要实体空间、真实责任和一个长期存在的合法组织。

图4 原文第15页。共同生产、同伴效应以及具身性和法律地位，是作者认为AI难以替代的大学功能

这三点共同指向一个结论：大学不能再把自己的价值主要建立在“我这里有知识、有人讲课”之上，而应更多建立在“我能够组织真实的共同学习、形成高质量的人际关系，并为能力作出可信判断”之上。

五、作者提出了十项改革，其中几项尤其值得讨论

Potts一共给出了十项建议，包括：

在制度上分离教学与认证；
重建高成本、可区分真实能力的评价信号；
重建被AI切断的初级学习链条；
建立快速响应新技术的认证能力；
把高质量同伴群体作为产品来设计；
从长期雇佣学者转向提供多层次的学术承载和机构背书；
把大学研究推向AI暂时不能覆盖的新前沿；
主动退出主要依靠信息传递、容易被AI替代的业务；
让大学与毕业生长期发展之间的关系更加显性；
把学术自由、同行判断和评价独立性理解为生产可信认证的制度技术。

其中，“教学与认证分离”最激进。作者设想，未来大学可以把考试和认证作为核心业务，教学则由校内、校外或学习者自行选择。其逻辑是：当内容和辅导越来越便宜，大学应把资源集中到可信评价上。

这个判断有道理，但也值得保留意见。教学过程本身也在持续产生关于学生能力的信息。如果教师长期观察学生如何提问、如何修改错误、如何承担结果，那么“教”与“评”并不一定应该完全分开。比彻底分离更现实的方向，可能是减少对一次性成品的依赖，把评价嵌入真实任务和长期过程。

第二项建议是恢复高成本信号。作者认为，与其把越来越多资源投入AI检测和作弊惩罚，不如把评价迁移到AI难以代做、且仍然与真实能力相关的形式，例如现场口试、实时问题解决、实践展示和结构化辩论。

但这里同样存在成本、公平和规模问题。口试并非天然客观，真实项目也可能受到资源条件影响。我们需要的不是简单恢复古老考试，而是重新设计能够留下过程证据、判断证据和迁移证据的评价体系。

六、最值得重视的，是“消失的初级学习链条”

在我看来，全文对教育最有启发的部分，是作者提出的“missing junior loop”，可以译作“消失的初级学习链条”。

过去，年轻人通过完成看似普通、甚至有些琐碎的初级任务成长。医生从基础病例做起，律师从检索和文件整理做起，研究者从收集资料、清洗数据和重复分析做起，金融从业者从跟踪数据和撰写基础报告做起。

这些任务效率并不高，却构成了“做中学”的阶梯。人在一次次执行、出错和反馈中形成判断力，最后才有资格处理复杂问题。

AI首先自动化的，往往正是这些初级任务。企业当然会因此提高效率，但新人也可能失去成为专家的入口：如果一开始就把资料搜集、代码生成、分析和写作交给AI，他靠什么形成识别AI错误所需的经验？

图5 原文第19页。作者建议大学通过监督式实践、结构化学徒期和判断力模拟训练，重建被自动化削弱的学习路径

作者提出，大学应接过一部分原来由企业承担的训练功能，组织有监督的实践、结构化学徒期和面向判断力的模拟训练。

我赞同这一方向，但还可以再向前走一步：AI未必只是拿走初级任务，它也可能帮助教师把真实任务拆成难度递进的学习环节。关键在于，不能让AI直接替学生走完全过程，而应让它承接重复劳动，把学生推向问题定义、方案比较、证据验证、决策和复盘。

换句话说，好的AI教育不是取消“做中学”，而是重组“做中学”。

七、这篇文章最重要的提醒：大学不能只把AI当作效率工具

目前不少学校谈AI，仍然集中在几个问题上：如何建设智能平台、如何让教师使用大模型、如何提高备课效率、如何检测AI生成内容。

这些事情都重要，却可能停留在表层。

Potts真正提醒我们的是：如果评价制度、教师激励和培养目标保持不变，AI带来的效率提升未必会自动转化为人的能力提升。学生可能更快完成作业，却减少思考；教师可能更快完成备课，却没有增加深度指导；学校可能拥有更多技术平台，却仍然用标准答案和一次性成果评价学生。

最终，大学只是让旧流程跑得更快，而旧流程所生产的能力信号却越来越不可信。

所以，AI时代大学需要重新回答三个问题：

第一，我们究竟要培养什么？是完成标准化任务的人，还是能在新问题中学习、判断并承担责任的人？

第二，我们究竟怎样知道学生真的学会了？是看一份可能由AI完成的成品，还是观察他如何定义问题、验证证据、修正错误并把能力迁移到新情境？

第三，教师的不可替代价值在哪里？是继续与AI竞争知识讲解，还是创设真实问题、组织共同探索、提供方法论和心理支持，并对关键判断与风险边界负责？

八、读完之后：大学的未来，也许不是更像机器，而是更像真正的教育

需要说明的是，The University after AI还是一篇工作论文。它主要进行概念分析和战略推演，并没有通过实证研究证明四种机制一定发生，也没有证明十项改革建议必然有效。教学与认证彻底分离、大学持有毕业生收益权益等构想，也涉及复杂的伦理、公平和治理问题。

但它提出了一个极有价值的新视角：AI最深刻的影响，可能不是替代某些教师工作，而是改变什么东西还能证明一个人真正具备能力。

如果这个判断成立，大学未来最稀缺的就不是知识库存，而是三种能力：

组织真实而有后果的学习；
对人的能力作出可信且负责任的判断；
帮助年轻人在AI已经能完成大量工作的环境中，仍然形成自己的判断力。

这会把大学带回一个看似古老、实则更困难的使命：教育不是批量生产答案，而是培养能够面对未知问题的人。

AI让答案越来越便宜，也因此让真正的理解、判断、责任和可信度变得越来越贵。

大学能否在这场变化中继续存在，取决于它是否还能够生产这些稀缺之物。

参考文献

Potts, J. (2026).The University after AI. SSRN Electronic Journal.https://doi.org/10.2139/ssrn.7453440

说明：本文为对该工作论文的介绍与评论，文中图片均截自论文原文；论文采用 CC BY 4.0 许可。