ARTICLE · 1220217
AI时代大学何去何从
当知识讲授不再稀缺
从学园到学习网络，大学的建筑不断变化，教育始终发生在人与问题的相遇之中。
我跟学生说过一句不太像老师会说的话：“我跟你讲的95%的内容，其实在AI模型上都有，而且它往往讲得比我更好、更全面。”
这个95%，是我对自己课堂内容的一个直观估计，不是经过统计检验的结论。它主要指那些已有相对成熟答案、能够写进教材的知识。至于研究中的争议、尚未验证的猜想，以及某个具体问题究竟值不值得做，情况要复杂得多。
但即便如此，这句话也足够让一个长期从事大学教学和研究的人坐下来，认真想想自己的职业。
我倒不觉得自己接下去几年就会失业。只是，我已经很难再用“我知道得比学生多”来解释自己的价值了。如果学生花很少的成本，就能获得一个随时回答、耐心解释、能够切换讲法的助手，那么他为什么还要来到我的课堂？又为什么要在一所大学里待上几年？
这不是一个关于教师如何使用新工具的小问题。它涉及大学存在的理由。
我的判断是：以固定学制、成套课程和统一文凭为中心的大学，可能比我们预想的更快失去其原有形态。一部分大学最终留下的，或许主要是一套组织、认证和资源调度的框架。
这里的“消亡”，首先指一种教育组织方式的退场。若把它理解为所有大学将在几年内关门，就既不符合历史，也缺乏证据。真正值得讨论的是：大学今天集中承担的那些职能，哪些会被拆出去，哪些会重新集中，哪些反而会变得更昂贵。
一 从古希腊回望大学
讲大学的历史，我愿意从古希腊开始，但必须先划清一个界限：柏拉图的学园不是现代意义上的大学。它没有今天的学位制度、院系体系和公共招生安排，古代教育也远不是人人都能获得的权利。
公元前4世纪，柏拉图在雅典形成了以讨论和探究为中心的学园共同体，创立时间通常约定为公元前387年前后；公元前335年前后，亚里士多德在吕克昂开展教学研究。这些群体把数学、论辩、伦理以及对自然的观察放在共同生活与讨论中。具体制度与今天相距甚远，但有一个问题已经出现：受教育，究竟是掌握一套说法，还是改变一个人的判断方式？[1]
柏拉图在《申辩篇》中记下苏格拉底的一句话：“未经省察的人生不值得过。”[2] 这句话经常被当成励志格言，其实它对教育提出了很苛刻的要求。一个人可以记住很多答案，却从未检验过自己的信念；也可以熟练调用一个系统，却说不清自己为什么接受它的结论。
今天，这种区别重新变得尖锐。模型能够陪我们辩论，甚至比许多人更善于提问。但我们是否愿意让自己的判断接受反驳，依然不是一次流畅对话就能保证的。
图1 未来学园的概念场景。环境可以变得智能，讨论仍须围绕可解释的对象展开。教育的进步，也包括让古老的追问获得更好的条件。
把教育史写成一条从雅典直通欧美大学的道路，同样不准确。中国的太学、书院，南亚的那烂陀，以及伊斯兰世界的学术教育机构，都形成过各有制度背景的高等学习传统。那烂陀在公元5世纪至13世纪间长期发展，就是重要一例。[3] 它们不能被简单归入欧洲大学的“早期版本”。教育从来有多条来路。
欧洲大学作为一种可持续的团体制度，在中世纪逐渐成形。博洛尼亚大学以1088年作为约定的创校年份，但那不是某一天突然建好了一座校园。城市发展、法律实践与流动求学者的需要，促成了教师、学生的聚集和组织。博洛尼亚尤其保留了学生结社的鲜明传统。[4]
这个细节很重要。大学并不是先有楼，再往楼里装人；它首先要解决共同学习的秩序、权利和可信资格问题。知识解释只是其中一项工作。
15世纪中叶，古登堡印刷体系在欧洲的发展扩大了书籍的复制与传播能力。[5] 书变得更容易获得，大学却没有因此失去存在的理由。这说明，获取内容的成本下降，不等于组织教育的成本同时消失。阅读、论辩、训练、认可与共同体，仍然需要制度。
到了1810年前后，柏林大学的创办成为新的标志。后来被概括为洪堡传统的“教学与研究相统一”，把大学的理想进一步推向知识生产：学生应当接近知识尚未完成的地方，而不只是接收已经完成的结论。[6]
当然，现代研究型大学是长期演变的结果，不能归功于一个人、一年或一句口号。但这种转向留下了一个重要标准：大学里的教师，应该让学生看见知识怎样产生，也怎样被推翻。
19世纪后半叶，工业化与国家建设又给大学增加了任务。美国1862年《莫里尔法案》支持农业和机械技艺等高等教育；中国1898年创办京师大学堂，是近代教育制度转型的重要节点。[7][8] 大学越来越深地参与专业人才培养、社会治理和国家能力建设。
1917年，蔡元培在北京大学就职演说中说：“大学者，研究高深学问者也。”[9] 这句话针对当时把大学当作升官发财阶梯的观念，放到今天仍有分量。如果大学只是出售一张进入职业市场的门票，技术一旦改变门票的价值，它就很难回答自己还应当做什么。
二战以后，高等教育在许多国家走向大众化。美国1944年开始实施的退伍军人教育福利，是这一扩张过程中的重要制度推动之一。[10] 大规模入学扩大了机会，也强化了按年级、课程、学分和文凭组织教育的方式。它使复杂的培养过程变得可管理，却容易让“完成培养程序”遮蔽“实际获得能力”。
2001年，麻省理工学院宣布开放课程计划。[11] 此后的开放课程和大规模在线学习继续削弱内容的围墙。如今，生成式AI又把解释、练习和反馈的一部分带到了个人身边。与观看同一段录像相比，这一步更接近对教学过程本身的替代。
回头看，大学从未只有一种用途。它在不同年代，先后承接了人格教养、学者自治、资格认可、科学研究、专业训练与社会流动。AI会冲击其中一些功能，却不会自动接管全部。
图2 高等教育的部分关键节点。这是一条便于理解制度变化的时间线，不是各文明高等教育发展的完整谱系。
二 这次改变触及了教学过程
过去，互联网主要降低了寻找材料的成本。今天的AI能够根据一句“不懂”，重新组织解释；能够围绕一次错误生成练习；还能协助写作、编程和数据分析。这些工作原本要占用教师和助教大量时间。
只要这类服务足够可靠、足够便宜，大学就不能再把重复讲授本身视为稳定的价值来源。不过，“能完成教学中的某项工作”与“能够承担完整教育”之间，还有很长的距离。
2025年，Kestin等人在《Scientific Reports》发表了一项大学物理教学随机对照研究。研究涉及194名学生，比较经过专门设计的AI导师与主动学习课堂；在两个教学单元的即时测验中，AI教学条件下的学习表现更好，所用时间也更少。[12]
这项结果值得重视，却不能被转述成“AI已经全面超过大学教授”。研究针对特定学生、特定内容与短期测验，导师系统包含预先设计的教学支持。它没有证明学生多年后的独立研究能力，也没有测试一所大学的全部教育功能。
同年，Bastani等人在《美国国家科学院院刊》发表的另一项随机对照研究，在土耳其一所高中、近千名数学学习者中发现：普通聊天式AI帮助学生提高了练习表现，但撤去工具后的独立考试成绩，相对对照组低了约17%。加入教师设计的提示和限制后，这种负面影响基本被消除，但独立考试中也没有出现显著的正向收益。[13]
17%是该研究条件下的相对差异，不是所有使用AI的学生都会下降的幅度。
两项研究放在一起，比单独看任何一项都更有启发。AI既可能帮助人学习，也可能帮助人绕过学习。决定结果的，包括任务难度、学生基础、反馈方式，以及系统究竟是在替学生完成推理，还是促使他完成推理。
一份作业做得更漂亮，与做作业的人变得更有能力，是两件需要分别验证的事。
孔子说：“学而不思则罔，思而不学则殆。”[14] 这句话的两半都不能丢掉。只接受现成答案，理解不会自动发生；但若没有基础知识，所谓独立思考也可能只是无凭无据的自信。AI时代的教育，恰好需要同时防止这两种空心化。
OECD在《数字教育展望2026》中也作出类似区分：一般聊天工具可以改善任务表现，却不必然带来学习收益；有明确教学目的、与教师专业判断结合的设计，更有希望支持能力形成。[15] 这份报告给我们的启发，是把检验对象从“系统答得怎样”移到“学生最终学会了什么”。
图3 逐步撤去辅助的未来学习场景：从有人示范，到只给线索，再到独立解释。画面呈现教学顺序，不代表实验数据或统一适用的学习速度。
这也解释了大学为什么不能仅凭作业、论文和代码成品评价学生。成品越来越容易获得，获得成品的过程却越来越不透明。考核若不改变，学校可能一边看到成绩上升，一边失去对培养质量的判断。
三 我暂时不会失业的理由
我不想用“人类有温度，机器没有”来安慰自己。机器可以表现得耐心，也可以在语言上提供情绪支持。某些教师缺乏的耐心，恰好可能由机器补上。
我目前仍然看重自己的几项作用，但它们都需要在工作中被证明，不能仅凭“人类教师”这个身份自动成立。
蒙田在《随笔集》中谈选择导师，宁取一颗“锻炼得好”的头脑，而不只是一颗“装得满”的头脑。[16] 这段话原本谈的是导师的判断力与品格。几百年后，教师如果仍把装了多少知识当作主要优势，恐怕恰好错过了他最值得被学生需要的部分。
首先，我要对问题的选择负责。 一个研究问题，可能逻辑完整、资料丰富，却没有多少价值。也可能看起来很小，恰好卡在现有理论解释不了的地方。判断它是否值得花两年时间，需要理解已有证据、现实约束和学生的能力，也需要承担选错方向的后果。
AI可以参与这种判断，而且会越来越强。我的优势不能是“它不会”，而应当是：我是否真正了解这个领域，是否愿意追踪判断的结果，并在错了以后带着学生调整。
其次，我能把学生带进真实的实践。 研究中常常最难的，是数据为什么不可信、仪器为什么不稳定、合作为什么卡住，以及一个漂亮论证为什么经不起现场追问。很多线索藏在材料的来历、操作习惯和组织关系里，没有被完整写进公开文本。
亚里士多德在《尼各马可伦理学》第六卷讨论的“实践智慧”，有助于理解这种能力：判断行动，离不开具体情境和经验。[17] 今天的专业教育同样如此。一个人知道实验规范，不等于他在时间紧、结果难看时仍然按照规范工作。
荀子在《儒效》中说：“学至于行之而止矣。”[18] 原文讨论的是儒家学习与践行，当然不是现代实验科学。但它提醒我们，能够复述一种标准与能够在行动中坚持它，之间有一段必须亲自走过的路。
图4 未来实验室的概念场景。学生检查传感器与连接，再讨论模型为何偏离观察；屏幕上的曲线只是示意。能生成解释，还必须能追查解释的证据。
还有一项作用，是持续认识同一个学生。 一次答错，可能是概念没懂，也可能是疲惫、逃避，或根本不相信自己学得会。长期关系让导师有机会区分这些情况，再决定什么时候解释，什么时候要求重做，什么时候应当把任务减下来。
AI也可能形成长期的学习记录。因此，人类教师真正需要守住的，是有责任的介入：留意学生的发展，为自己的干预接受评价，同时给学生更换导师和提出异议的权利。
最后，我能把学生引入一个有标准、有同伴、有真实责任的共同体。论文中的每个作者都要解释自己的贡献，实验结果需要别人复核，合作失约会影响他人的工作。学生在这样的关系中，才逐渐成为可以被信任的同行。
我不敢保证这些作用永远属于人类。但至少在目前，把知识解释、现实接入、长期照料和责任承担混为一种能力，会使我们严重误判教师能被替代到什么程度。
接下来几年，我需要重新分配自己的时间：少讲已经很容易得到的答案，多花时间看学生怎么判断、怎么行动，以及在被反驳之后怎么修改。
四 大学可能先失去内容的围墙
如果要认真讨论“大学将快速消亡”，就必须先说清楚，究竟是什么在瓦解。
今天，一所大学往往把招生筛选、课程教学、实验资源、同伴关系、能力评价和学历认证打包出售或提供。学生通常需要进入整套制度，才能获得其中几项真正需要的服务。
这种打包有其合理性。大学可以协调基础课与专业课，维持昂贵的设施，也可以用共同标准建立信任。但当部分教学服务能够从外部低成本获得，原有组合就会承受压力。
最容易被拆出去的，是内容相对稳定、主要依靠语言或符号解释、结果容易检验的教学任务。基础练习、部分语言训练、程序调试和常规知识辅导，都具有这样的特征。这里说的是任务，不是宣布某个专业整体失去价值。
接下来可能发生的是连锁变化：学生减少对重复讲授的依赖，跨机构学习增多；如果这些学习成果可以被可靠认可，学校就不必为每个模块维持完整的内部供给；如果雇主进一步接受可信的能力证明，整套学位的捆绑力量才可能下降。
注意最后两个“如果”。模型进步并不能直接推导出大学衰落。学历的筛选功能、行业准入、公共财政、家庭预期和校园生活，都可能使原有制度维持很久。即使某些教学环节变得便宜，文凭的社会价值也未必同步下降。
因此，我更倾向于预测一种不均匀的变化：以大规模重复授课为主要供给、又缺乏独特资源的机构会承受更大压力；掌握实验设施、临床场景、基础研究能力和高质量共同体的机构，则可能继续集中资源。一些地方性院校如果能深入服务当地产业与社区，也未必比名校更脆弱。
大学留下的“框架”，可能包括培养目标、学分互认、独立考核、资源准入、导师组织和学生保障。学习的实际发生地，则分散到研究所、企业工作室、社区、医院、图书馆以及个人的AI学习环境。
图5 分布式大学的概念图。图书馆、医院、工作室、实验室与社区成为学习节点，中心机构连接资源并承担培养责任。图中的距离与连线表示组织关系，不是城市规划方案。
这个框架有两种前途。一种是认真承担质量责任的公共基础设施；另一种是外包培养、保留收费与发证的空壳。形式看起来相近，教育后果却完全不同。
不能因为一所学校使用了大量外部课程，就说它已经退化；也不能因为它保留了校园和教授，就认定教育仍然完整。要看它是否知道学生学到了什么，是否能够纠正失败，以及是否有人为学生的处境负责。
五 未来教育需要怎样的组织
1971年，伊万·伊里奇在《去学校化社会》中提出“学习网络”，设想通过教育资源、技能交流、同伴匹配和教育者服务，让学习不必全部经过学校这一道入口。[19]
今天的技术让其中一些安排更容易实现，但技术没有解决所有问题。一个没有经验的年轻人，可能并不知道自己缺什么，也未必有能力从海量资源中组织一套可靠教育。选择越多，导航、支持和信任反而越重要。
我设想的未来框架，必须同时容纳个人的学习路径、稳定的人际关系、真实实践和可追责的制度。它不是让每个人孤零零地面对一个屏幕。
第一层 共同基础与个人学习路径
阅读、写作、数量推理、科学方法、历史意识和公共讨论，仍应构成共同基础。不能因为AI能够生成文章，就放弃写作；也不能因为软件可以计算，就跳过对数量关系的理解。没有这些基础，所谓“审核AI”往往只剩下凭感觉挑选答案。
在共同基础之上，可以把部分课程拆成具有先修关系的能力模块。学生先通过诊断任务暴露薄弱环节，再进入讲解、练习和复测。已经掌握的部分可以加快，尚未掌握的部分允许多次学习。
但这不能变成“想学什么就推送什么”。如果一个学生想研究公共政策，却缺少概率和因果推断基础，系统和导师就应该清楚说明这个缺口，而不是不断推荐他已经喜欢的内容。
学习记录也不宜被简化为永久标签。一次低分只能说明一次表现。学生应当能够查看评价依据、补充反证，并在必要时要求真人复核。个人成长不是一条只能向前更新、不能质疑的数据库记录。
图6 未来学习工作室：不同年龄、不同基础的学习者按各自进度练习，定期回到共同讨论。个性化可以改变路径和速度，共同基础与真人支持仍然必要。
第二层 稳定的小型学习共同体
我会在试点中保留一个相对稳定的小组，例如12至18人，持续一学期或更长时间。这个规模是待检验的设计选择，不是已经发现的最优人数。
成员可以有不同进度，却定期围绕共同问题讨论。他们要解释自己的理由、认真复述反方观点，轮流主持，互相复核。每个人还应有一位能够持续跟进的导师，避免所有服务都变成一次性的问答交易。
个人辅导解决不了全部教育问题。与真实的人合作意味着面对不同的节奏、能力和利益，也意味着学习不把他人仅仅当成支持自己观点的工具。公共生活所需要的耐心与分寸，要在这种关系中练习。
这一层可以由大学书院、社区学习中心或跨校联合体承办。关键在于稳定、可达和有人负责，而非一定采用某一种校名与建筑形式。
第三层 围绕真实问题组织实践
专业学习可以由若干相互衔接的项目周期构成，而不只是一张按学科名称排列的课表。一个周期解决一个真实但边界可控的问题，所需的统计、写作、编程或专业理论按先修关系进入。
承办者可能是大学实验室，也可能是与学校签订培养协议的企业、公共机构或社区组织。外部合作方提供真实问题、材料与反馈，学校负责确认任务的教育价值，安排合格指导，并防止学生沦为廉价劳动力。
“做项目”不能替代系统学习。若学生只学会把现成工具拼起来，换一个场景便不会判断，那只是完成了交付。每个项目都要要求学生把方法抽象出来：哪些条件可以变化，哪些假设一旦失效，结论就不成立。
不同领域的实践周期也不会相同。软件原型可以快速迭代，临床、材料和田野研究可能需要长期训练与现场监督。AI可以缩短部分准备过程，不能靠生成速度压缩一切经验。
第四层 相对独立的能力认证
未来的评价，需要分别记录学生的独立能力、使用工具的能力和共同工作的能力。三者都重要，但不能用一个总分互相掩盖。
独立能力通过受控条件下的解释、推演与操作来检验；工具使用能力通过公开材料与工具条件下的真实任务来检验；合作能力则结合过程证据、个人答辩和同伴反馈判断。
认证应尽量引入独立于授课团队的复核。否则，提供教学、收取费用、宣称有效和签发证书全由同一个主体完成，评价很容易被商业压力侵蚀。
图7 未来答辩的概念场景。评委改变模型的负载，学生当场解释哪些结论仍然成立。独立理解、工具使用与合作贡献，需要分别取得证据。
怀特海在《教育的目的》中写道：“教育是掌握运用知识的艺术。”[20] 这里的“运用”不必被缩小成眼前能否就业。面对新的证据修正判断、理解一场公共争论的来龙去脉，同样需要把知识用起来。评价应当看见这种能力。
微证书可以记录较小的学习成果，却不能靠数量堆出一个专业。一组模块要获得完整资格，还需要先修要求、覆盖范围和综合任务。医疗等受监管领域的资格，也必须继续满足相应的制度要求。
第五层 终身学习与公共保障
人的教育可以呈现为多次进入与离开：先获得基础和一定深度的专业训练，再在职业转变、研究需要或个人兴趣驱动下返回学习。
这不意味着年轻人的初始教育可以被随意压缩。第一次形成阅读能力、研究习惯和社会关系，需要相对连续的时间。成年人带着经验回到课堂，与一个十八岁的学生初次进入复杂社会，是两种不同的教育任务。
资金安排也应跟着变化。公共投入可以支持共同基础、基础研究和必要的学习服务；行业合作方为特定实践训练承担相应成本；个人承担部分可选择的进修费用，同时设置对低收入群体的资助。
尤其要把真人指导、设备使用和实践机会纳入保障范围。否则，未来很可能出现一种新的分层：少数人拥有AI、导师、同伴和实验室，多数人只有一个聊天窗口。
联合国教科文组织2021年面向未来教育的报告《一起重新构想我们的未来》，强调把教育作为公共事业与共同利益，并把高质量学习的权利延伸到不同年龄的人群。[21] 因而，我所设想的终身学习框架，不能只是个人终身购买课程；它还需要一套让人真正能够返回学习的公共安排。
图8 一种可试验的教育组织框架。各层可以由不同机构承办，但培养责任、学习记录与申诉渠道必须衔接。
六 一门课可以怎样真正改变
把未来说得宏大并不难。更难的是回答：下周一，老师和学生究竟做什么？
我愿意用一门假设的跨专业课程说明。课程持续十二周，任务是“为一栋校园建筑提出可验证的节能方案”。选择它，是因为它同时需要数学、数据、技术判断与对真实使用者的理解；它只是教学设计示例，不是已经实施的案例。
第一至二周，先暴露理解，再提供帮助。 学生在不使用生成式AI的条件下，解释功率、能耗、基线和不确定性，阅读一份简化账单，写出自己目前的判断。教师据此识别概念缺口。AI随后提供针对性的讲解与练习，而不是直接生成节能报告。
新手不能被直接扔进复杂问题。基础薄弱的学生先看教师示范，解释示范中每一步的理由，再逐渐独立完成类似任务。对于已经具备基础的学生，则尽早让他们面对缺失数据和相互冲突的解释。
第三至四周，接触现场，学会怀疑数据。 学生实地观察建筑使用方式，在许可范围内读取仪表或取得脱敏数据，并询问管理人员。导师示范如何发现单位不一致、传感器漂移、记录缺失和异常时段。AI可以协助整理，却不能把猜测填补的数据冒充观察结果。
每组提交一个问题说明，而不是一份漂亮方案：我们究竟要解释哪部分能耗？哪些数据支持它？哪些关键因素还不知道？如果当前问题无法研究，就在此时修改。
图9 把校园建筑变成学习现场：观察遮阳、通风、温度与使用行为，再检验节能判断。建筑剖面及箭头仅作教学情境示意，不是工程图或测量结果。
第五至七周，建立模型并保留失败。 学生提出至少两种竞争性解释，例如天气变化与使用行为变化。先写下各自会预测什么，再进行分析。教师检查推理、比较方式与误差处理；AI可以帮助调试程序和检查计算，但学生必须解释变量、假设与结果。
训练中还可以放入一份故意存在缺陷的模型分析，让学生寻找数据泄漏、错误单位或把相关当因果的地方。查出错误后，必须说明怎样修复以及修复会改变什么。仅写一句“AI可能有幻觉”，不算完成检验。
费曼在1974年的加州理工学院毕业演讲中说：“第一条原则是不要欺骗自己，而你恰恰是最容易被自己欺骗的人。”[22] 这句话应该摆在每一份漂亮分析的前面。我们最需要检查的，往往是那些恰好符合自己期待的结果；AI能够把它们写得流畅，并不能减少这项义务。
第八至九周，让不同的人提出反对意见。 一组学生扮演设施管理者，另一组代表建筑使用者，其余同学检验证据。节能措施可能影响舒适、成本与使用便利。学生必须写清谁承担代价，并提出获取反馈的办法。
AI可以帮助生成反对观点，但不能替代真实相关者的反馈。一个模拟出来的使用者赞同方案，不等于实际使用者接受方案。
第十周，在安全和许可范围内做小规模验证。 若具备条件，就进行边界明确的试行；若不具备，就提交可执行的验证方案和无法实施的原因。不能为了完成课程而擅自改动设施，更不能用一组虚构的实验结果装饰结论。
第十一周，个人答辩，临时改变条件。 每名学生都要解释自己负责的证据。如果评委把天气条件、预算或使用人数换掉，他需要当场说明哪些结论仍然成立。这样才能区分理解了方法的人与只熟悉最终文本的人。
第十二周，整理作品与责任记录。 最终成果包括报告、数据说明、关键分析过程、工具使用说明，以及一份删改记录：哪些建议来自AI，哪些被保留，哪些被否决，理由是什么。记录围绕关键判断展开，不要求把所有私人学习对话交给学校。
四周后，再安排一次简短的独立迁移任务，例如判断另一栋建筑的数据是否支持同样措施。它不必重新做一个大项目，却能检验离开原场景后还剩下多少能力。
考核可以试用这样的比例：独立测验与迁移任务占30%，真实任务质量占35%，个人答辩占25%，过程与合作证据占10%。这些权重只是起点，应当根据领域校准；关键概念、研究诚信和操作安全另设必须通过的门槛，不能靠报告美观来抵消。
这类教学背后有明确的学习逻辑。先让学生做出判断，反馈才有对象；要求解释理由，才能暴露表面流畅之下的空白；隔一段时间再独立提取和应用，才能检验保持情况。有关提取练习的研究，为延迟检验提供了依据，但不意味着一次测验可以代表全部学习。[23]
杜威在《民主主义与教育》中讨论经验与思维时，强调行动及其后果之间的联系。[24] 据此来看，项目教学的价值不在于让课堂热闹，而在于让学生看见：我为什么这样做，现实给出了什么回应，下一次该怎样修改。
AI承担的帮助，应随着学生能力增长逐步撤去。 早期可以提供示范和分步提示，中期只指出问题位置，后期要求学生先独立判断，再用工具交叉核验。辅助始终不撤去，就难以知道能力究竟长在谁身上。
图10 从任务完成走向能力形成的教学循环。关键是独立尝试、现实反馈、辅助撤除与延迟迁移共同出现。
七 教师的岗位和学校的账本也要改变
上述课程听起来很好，但如果忽略师资和成本，它仍然只是纸面上的未来。
在一个三十人的试点班里，可以设一位课程负责人，负责目标、标准和关键评价；由项目导师承担小组指导，再邀请具备条件的现场专家参与特定环节。AI承担一部分重复讲解、练习反馈和材料整理。不同角色可以由同一人兼任，但实际投入的时间必须记录。
节省下来的讲课时间，应转向反馈、答辩和个别支持。学校如果只是用AI扩大招生，却没有增加这些环节的容量，很可能出现课程看起来更丰富、学生实际受到的关注反而更少的情况。
哈佛教育研究者克里斯·戴德在2023年的访谈中，把值得追求的方向称为“智能增强”：考察人与AI共同工作，能否达到双方单独工作都难以达到的效果。他同时提出，教师应把从日常事务中释放的精力用于更深入的个别支持，评价也应更多考察实际表现。[25] 我赞同这一方向，但它能否实现，取决于学校是否真的重新安排时间和激励。
成本也不能只计算软件订阅。还要计算课程重构、内容校验、教师培训、数据保护、设备维护和独立评价。一个让学生少花两小时、却让教师多花十小时审核的方案，是否值得，要看学习收益和人员配置，不能只报“效率提升”。
制度上，需要同时改变教师工作量和晋升评价。如果教师认真开展口试、带领学生复核失败实验，最后却因为讲课时数不足、论文数量不够而受损，那么所谓改革就只能依靠个人牺牲。
研究训练尤其如此。AI能够加快文献梳理、代码生成与分析草拟，也可能放大未经核验的引用和似是而非的结果。导师需要把更多时间放到问题价值、实验设计、原始材料、复现与解释上。学校对研究生的评价，也应更重视能否说明关键选择与重做关键步骤。
还有一个不能省掉的成本，是允许探索没有直接用途的问题。若未来大学只保留能立刻兑现的技能模块，历史、哲学与基础科学就可能在逐项结算中被挤掉。大学之所以值得公共支持，部分原因就在于它能够保护这些暂时无法给出回报日期的工作。
八 怎样检验大学消亡的预测
我不愿给出一个貌似精确的大学倒闭比例。眼下没有足够证据，能把模型能力的增长曲线直接换算成学校的消失速度。
更合理的办法，是提出时间窗口、前提和可观察信号。下面以2026年为观察起点，时间范围是情景判断，不是统计模型算出的置信区间。
前面引用的研究与专家意见，支持重新设计教学、评价和教师分工；它们并没有共同预言大学将在某年消失。“大学可能框架化”，是我在这些变化之上提出的制度判断，必须另行接受检验。
这条推理至少要跨过三道关口：首先，外部教学必须在独立能力与长期保持上达到可信水平；其次，跨机构认证必须让接收者看得懂、查得到；最后，学生与雇主必须愿意据此改变选择。任何一关没有通过，内容便宜都可能只带来校内改良。反过来，如果三者同时成熟，一所大学继续把全部服务封装在固定学制里的理由，才会真正减弱。
2026至2029年，更可能先发生课程与考核的重组。 AI支持的预习、练习与反馈会进入更多课程，原本依赖课后成品的评价将承受压力。值得观察的，不是购买了多少账号，而是有多少课程改变了学习任务、安排了独立能力检验，以及教师时间是否真的转向指导。
2029至2033年，在互认和质量制度跟得上的地区，机构之间的分工可能加深。 部分学校共享基础模块，把资源放到本地实践与学生支持；部分机构专门提供实验、评价或导师服务。跨机构学分被实际接受的比例、外部学习者使用校园资源的比例，以及独立评价的可靠性，比新平台数量更有解释力。
2033至2040年，部分领域可能出现以框架为主的大学。 学生保留一个学籍或学习账户，却在多个机构完成培养，由一个具有公信力的主体整合记录并承担认证责任。这种形式要普遍成立，至少需要持续可靠的教学工具、可负担的真实实践、公认的能力标准，以及雇主对新资格的实际信任。
这些前提若不成立，大学可能只是把AI吸收为内部工具，保留大部分原有结构。还有一种更值得警惕的可能：教学内容由少数平台集中供给，名校与优质实践资源更加稀缺，普通院校则被挤压在中间。技术使内容分散，并不保证权力也分散。
图11 同样的技术，可以支持共享学习，也可能加深资源分层。两侧是用于比较的制度情景，并非必然出现的二选一结局；资金、准入和责任安排会改变走向。
我的“快速消亡”判断，首先指向一部分旧功能和旧组织方式。在漫长的大学史尺度上，五至十年已相当快；它不是对所有国家、所有学科作同一时间表的预言。
这项判断也应允许被事实推翻。如果未来五至十年，跨机构学习仍难获得认可，独立能力评价没有改善，雇主仍主要依赖传统学历，而大学只是使用AI优化原有课程，那么“框架化”的预测就必须下调。
学校自己也可以做更严格的检验。先在适合的课程中进行预先设计的比较，观察独立测验、延迟保持、陌生任务迁移、完成率和师生实际投入；在条件允许时随机分组，采用独立评分，并检查不同基础、不同家庭背景的学生是否同样受益。
只有即时作业分数变高，不够；只有学生觉得更轻松，也不够。教育创新必须回答一个更费事的问题：几个月后，这个人究竟获得了什么。
九 我希望大学留下什么
康德在1784年的《答复这个问题：什么是启蒙》中写道：“要有勇气运用你自己的理智！”[26]
在AI时代读这句话，我想到的并不是拒绝工具。一个人当然可以借助模型阅读、计算、讨论，甚至借助它发现自己原本发现不了的问题。但他需要逐渐有能力判断，什么时候可以相信，什么时候必须核验，什么时候应当说“我还不知道”。
如果大学只剩下一套框架，我希望它至少仍然保证几件具体的事：学生不会因为出身而失去真人指导；重要资格建立在可信证据上；研究者能够提出不讨好的问题；一个年轻人在失败以后，还有重新学习和改变方向的机会。
1931年，梅贻琦在清华就职演说中说：“所谓大学者，非谓有大楼之谓也，有大师之谓也。”[27] 今天读它，我不愿把“大师”理解为一个不可质疑的权威。值得保留的，是有能力示范严肃探究、也愿意接受反驳的人，以及使这样的人能够持续工作的制度。
这些事不够炫目，也很难用一个演示视频说明。它们需要长期投入，需要人与人之间的责任，也需要能够约束权力的制度。
所以，当我再次对学生说“95%的内容你都可以问AI”时，我更愿意接着说：
你可以先去问。带着它的答案回来，告诉我你接受哪部分、怀疑哪部分，哪一步还无法解释。我们再一起看看，怎样把这个问题向前推进一点。
那时，我的工作仍然很具体：读他的推理，追问证据，安排下一次尝试，也在必要时承认自己的判断错了。
如果大学还能使这样的工作持续发生，它就有继续存在的理由。至于它届时还保留多少教室、院系和学分形式，我没有那么在意。
我在意的是，一个人离开这里时，能否更清楚地认识世界，也更有能力为自己的判断负责。
注释与延伸阅读
文中历史节点依据校史、原典与研究文献整理；未来时间窗口、组织分层、班级规模、课程示例及评分比例均为本文提出的预测或设计方案，不代表所引机构的共同结论。中文古典引文按原文引用，外文引文采用简短中文译述，附原典定位。资料核对截至2026年10月。
场景插图为近未来教育的概念示意，用于解释教育关系与制度选择，不是已经建成的校园、真实实验记录或具有预测精度的技术蓝图。时间线和结构图由正文内容整理。
[1] Internet Encyclopedia of Philosophy：Plato’s Academy；Aristotle’s Lyceum。学园创立年代存在考证差异，正文采用约数；古希腊学园与中世纪、现代大学不应视作同一制度。原文链接 ；补充链接
[2] 柏拉图：《申辩篇》38a。Perseus Digital Library，Harold North Fowler英译本。原文链接
[3] UNESCO World Heritage Centre：Archaeological Site of Nalanda Mahavihara at Nalanda, Bihar。原文链接
[4] University of Bologna：Our history；The birth of the Studium and the Commune。1088年为约定纪年。原文链接；补充链接
[5] Gutenberg Museum / Gutenberg.de：Gutenberg and his time in data。正文所述为欧洲印刷传播史，不是将世界印刷术的起源归于古登堡。原文链接
[6] Humboldt-Universität zu Berlin：Architectures of Science；Mission Statement，第4项“教学与研究的统一”。原文链接；补充链接
[7] U.S. National Archives：Morrill Act（1862）。原文链接
[8] 北京大学：学校概况。创办于1898年，初名京师大学堂。原文链接
[9] 蔡元培：《就任北京大学校长之演说》，1917年1月9日。北京大学收录原文。原文链接
[10] U.S. Department of Veterans Affairs：About GI Bill benefits。1944年开始实施的教育福利，是美国战后高等教育扩张的重要背景之一。原文链接
[11] MIT OpenCourseWare：About Us，History。2001年宣布开放课程计划，2002年首批课程上线。原文链接
[12] Kestin, G., Miller, K., Klales, A., et al.（2025）. AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15, 17458。特定大学物理课程、两个教学单元的随机交叉设计；不可外推为所有课程或长期能力的结论。原文链接
[13] Bastani, H., Bastani, O., Sungu, A., et al.（2025）. Generative AI without guardrails can harm learning: Evidence from high school mathematics. PNAS, 122(26), e2422633122。正文17%指GPT Base组独立考试成绩相对对照组的降低幅度，并非百分点；研究场景是高中数学。原文链接
[14] 《论语·为政》2.15：“学而不思则罔，思而不学则殆。”中国哲学书电子化计划。原文链接
[15] OECD（2026）. OECD Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education。2026年1月发布，汇总研究证据与专家观点；报告强调任务表现与真实学习的区别，并未预测大学消亡的时间。原文链接
[16] Montaigne, M. de：Essays，第一卷“Of the Education of Children”（《论儿童教育》；章次随版本而异）。正文为“a well-made”与“a well-filled head”的简短译述；原段落谈导师选择。Charles Cotton英译，William Carew Hazlitt修订，Project Gutenberg。原文链接
[17] 亚里士多德：《尼各马可伦理学》第六卷，尤其第5、7、8节。W. D. Ross英译本，MIT Internet Classics Archive。原文链接
[18] 《荀子·儒效》：“学至于行之而止矣。”原文论述儒家学习与践行，正文据此作当代教育阐释。中国哲学书电子化计划。原文链接
[19] Illich, I.（1971）. Deschooling Society，第六章“Learning Webs”。文中概括其四类学习资源网络，并不把本篇的五层框架归于伊里奇。原文：原文链接
[20] Whitehead, A. N.（1929）. The Aims of Education。正文引文为原著关于教育与知识运用的一句话的简译。原文链接
[21] International Commission on the Futures of Education（2021）. Reimagining our futures together: A new social contract for education. UNESCO。报告提出未来教育的公共方向，自述为讨论起点，而非统一实施蓝图。原文链接
[22] Feynman, R. P.（1974）. Cargo Cult Science. Engineering and Science, 37(7), 10–13。加州理工学院毕业演讲；正文为关于“不要欺骗自己”的一句话的中文译述。Caltech Archives。原文链接
[23] Roediger, H. L., & Karpicke, J. D.（2006）. Test-enhanced learning: Taking memory tests improves long-term retention. Psychological Science, 17(3), 249–255。该研究支持提取练习与延迟保持的关联，不单独证明本篇课程方案有效。原文链接
[24] Dewey, J.（1916）. Democracy and Education，尤其第十一章“Experience and Thinking”、第十二章“Thinking in Education”。原文链接
[25] Dede, C.（2023）. Educating in a World of Artificial Intelligence，Harvard EdCast访谈，2月9日。正文引用其智能增强、教师分工与实际表现评价的观点；不把访谈时的模型能力描述视为今天或未来的固定边界。原文链接
[26] Kant, I.（1784）. An Answer to the Question: What Is Enlightenment? German History in Documents and Images收录英译原文。原文链接
[27] 梅贻琦：《就职演说》，1931年12月3日。清华大学“影响清华的演讲”收录原文。原文链接
