ARTICLE · 1297668
AI时代的大学,到底应该教什么?
AI时代的大学,到底应该教什么?
今天的大学打底应该教什么？很多讨论容易滑向两个极端：一端是恐慌，视AI为学术诚信的洪水猛兽，试图用禁令、查重、闭卷考试把技术挡在校门之外；另一端是乐观的技术决定论，认为教师很快被替代，大学将变成AI托管的线上题库与证书工厂。这两种判断都低估了教育的复杂性，也误解了AI的能力边界。顾小清、尹欢欢将这种新结构概括为“师—智—生”三元教学生态，三者不是竞争替代关系，而是需要重新分工、互相支撑的共生系统。高等教育的真正危机，从来不是AI抢走了知识，而是我们依然在用一套为“知识稀缺时代”设计的课程、考核与教学目标，去训练身处“知识过剩时代”的年轻人。 长久以来，大学教学的默认逻辑是：教师输出知识，学生接收、记忆、复述、应用，考试检验知识掌握程度。这套模式成立的前提，是知识获取存在壁垒：书本昂贵、文献难寻、检索成本高，能够准确记住并调用既定知识本身就是稀缺能力。生成式AI把这个前提彻底取消了。正如成电论坛上提出的判断：知识可复制，思考不可复制，大学课程体系必须完成一次底层转向，从“教知识点”转向“培育难以被算法外包的高阶素养”。 这并不意味着基础知识不再重要，而是基础知识的定位发生改变：知识不再是终点，而是思考的素材、对话的语言、判断的标尺。没有学科基础的人，甚至无法识别AI答案里的错误、偏见与幻觉，更容易陷入“认知遮蔽”，把机器输出当成真理，沦为算法的附庸。所以大学依然要教基础理论、学科范式、经典文本与实证方法，但教学目标不再是背熟结论，而是理解这套知识是如何被生产出来的：它的前提假设是什么，证据链条是否可靠，争议在哪里，边界与局限是什么。这正是STS研究反复强调的核心：科学不是一堆确定结论的集合，而是一套持续争论、修正、反思的社会实践。在此之上，大学教育的重心落在四类能力上。 第一，提出好问题的能力。AI擅长回应问题，却很难自主生成有穿透力、有颠覆性、贴合真实情境的问题。在科研、产业与公共事务中，最难的从来不是求解，而是界定问题：在纷繁复杂的现象里，识别值得追问、值得投入资源去探究的议题，区分真问题与伪问题、局部问题与结构性问题。这是未来人才最重要的护城河。 第二，批判性论证与证据判断能力。大模型擅长制造流畅、看似合理的文本，却不自带求真机制，会编造引文、扭曲数据、混淆因果与相关。大学必须训练学生学会溯源、交叉核验、识别论证漏洞、区分观点与证据，建立一套稳定的证据评估框架。这不是反对AI，而是让学生拥有“审核AI”的能力。 第三，伦理判断力与价值自觉。AI给出方案，但不自带价值立场；它可以高效完成任务，却无法自主承担责任。无论是工程设计、生物医药、算法开发、公共政策还是媒体传播，所有技术应用都嵌入伦理选择。约翰·科斯特利茨曾提醒，教育的任务之一，就是培养人的判断、伦理、想象力与目标感，而不只是制造更智能的系统。大学要把科技伦理、责任创新、价值反思融入所有专业，而不是作为一门孤立的选修课。 第四，跨域迁移、协同创造与主体责任感。真实世界的难题很少被学科边界切割。气候治理、数字鸿沟、人工智能风险、公共卫生危机，都需要多学科对话。大学需要减少碎片化、孤立化的知识点考核，增加项目式、情境式、团队式学习，训练学生把不同领域的知识拼接、重构，与人、与AI协同完成创造。更重要的是，让学生理解：工具越强大，使用者的责任越重。 一句话概括大学的新目标：不再培养“行走的知识库”，而是培养能够指挥、校验、约束AI，并且愿意为最终结果负责的智识主体。课程、培养方案、评价体系都要围绕这个目标重构，减少低阶记忆任务，增加问题导向、论证导向、伦理导向、过程导向的学习任务。 很多人混淆了AI的角色。AI可以承担大量认知劳动，但它不能承担教育里最核心的“育人”劳动。在人智协同的课堂里，AI的定位是教学中介与认知助手，是把师生从重复性劳动里解放出来的基础设施，而非教师的替代品。 首先，AI负责完成高重复、标准化、低阶的认知外包。它可以检索文献、整理摘要、翻译文本、生成初稿、演算习题、基础代码调试、数据可视化草图、初稿润色、多版本方案快速生成。在传统教学中，这些工作往往占用学生和教师大量时间，却很少直接训练高阶思维。把这些交给AI，本质上是提升学习的“带宽”：学生不用卡在格式、检索、基础文字上，可以更快进入论证、质疑、迭代的环节；教师不用埋首在重复性批改、基础答疑之中，把精力留给深度对话。 其次，AI可以做个性化反馈与差异化脚手架。同一个课堂里学生基础参差不齐，教师很难给每一个人持续、即时的试错反馈。AI可以根据学生的提问、草稿、错误思路，给出分步提示、补充案例、提供平行视角，为不同节奏的学习者搭建适配的支架。这也是顾小清团队提出的三元生态里AI的基础功能：扩大可及性，支持个性化学习，降低入门门槛。 再次，AI可以作为“思想对手”，倒逼学生论证严密。我们可以设计教学任务，让学生主动和AI辩论，要求学生指出AI回答里的漏洞、偏见、缺失视角，修改、证伪、重构AI生成的方案。这种用法下，AI不是答案来源，而是一个随时会出错、需要被持续审问的对话对象。 但我们必须清晰划定AI的边界，这也是所有高校治理最容易失守的地方。第一，AI没有稳定的求真意志，它的输出是概率生成，不保证事实准确，无法独立完成证据核验；第二，AI没有真实的生命体验、道德感受与价值承诺，它可以谈论伦理，却不会真正承担伦理责任；第三，AI无法识别、守护人的主体性成长，它不理解一个学生的困惑、恐惧、内在动机、价值挣扎，无法提供真正的陪伴、鼓励与价值引导；第四，AI不具备学科共同体内部的默会知识、学术传统与隐性规范，很多学术判断、审美判断、范式选择，依赖长期浸润形成的专业直觉，这是当前生成式模型难以复刻的。 易凯谕、韩锡斌在“人智协同教学”的研究中区分了三种协同模式：人主智辅、人智平行、人辅智主，并强调绝大多数高等教育场景，都应当以“人主智辅”作为底线原则，AI始终服务于人的学习目标，而不是反过来让学习目标适配AI能输出什么。也就是说，学生定义问题，AI提供材料与初稿；学生提出判断，AI提供备选方案；教师设定评价标准，AI辅助过程记录与初稿反馈。一旦颠倒这个顺序，学习就会变成对AI输出的简单复制，学生的思维过程被短路，主体性随之萎缩。 在知识稀缺时代，教师最核心的权力是知识权威：我知道你不知道的东西，我把它讲给你听，判断你有没有学会。当AI随时可以调用海量知识，这个权威基础已经消失。教师不需要比AI懂得更多知识点，但教师必须拥有AI不具备的三样东西：教学判断力、伦理关怀、对人的成长的持续关切。教师角色的转型，是这场变革里最艰难，也最关键的一环。 第一个身份：学习任务与探究场景的设计师。好教育不再是精彩的讲授，而是设计出能够激发深度思考、迫使学生无法直接用AI蒙混过关的学习任务。传统的“写一篇综述、回答几道简答题”很容易被AI完成；而情境化、过程化、个性化、带有论证链条与反思要求的任务，则很难被直接外包。教师需要把作业改成问题项目：要求学生记录自己和AI对话的全过程，标注AI错误，说明自己如何核验、取舍、重构AI产出，提交思考草稿链、答辩记录、迭代日志。这也是李建成教授提出的评价改革方向：减少标准化终结性考核，强化过程证据、口头答辩、现场论证、版本溯源，重建学术评价的可信度。教师不再是标准答案的持有者，而是探究秩序的搭建者。 第二个身份：论证质量与思维边界的裁判。AI可以流畅，未必严谨；可以丰富，未必切题；可以多元，未必可靠。教师的核心工作，就是在课堂研讨、答辩、一对一交流中，引导学生辨析论证质量：区分什么是合格的论证，什么只是华丽的修辞；区分合理的简化和刻意的遮蔽；区分学科内部的共识、争议与前沿空白。教师要教会学生“如何审问工具”，建立一套不依附算法的判断框架。 第三个身份：伦理引导者与价值陪伴者。这是AI永远无法替代的部分。学生会在使用AI的过程中遇到大量道德困境：什么场景使用AI属于合理协同，什么属于抄袭？AI生成内容的知识产权如何界定？当AI给出一个高效但有伦理风险的方案，该如何取舍？当学生产生自我怀疑——“既然AI比我写得好，我的思考还有意义吗？”，这种主体性危机，只能由人来回应。王雯、邓友超提出，在人机复合教育生态中，教师是反思的引导者，持续帮助学生追问学习的意义、技术的限度、自我的位置。教育不止训练能力，也守护人的内在价值感。 第四个身份：学术共同体的守门人与范式传承者。每一个学科都有默会传统、论证规范、学术文化，这些藏在经典、争议、失败案例、前辈经验之中，无法被大模型完整编码。教师带领学生进入学科对话，认识这个领域里真正重要的争论，理解学术共同体如何质疑、答辩、积累共识，这是把新手引入学术世界的过程。 当然，这也对教师提出新素养。教师必须具备AI读写能力，理解大模型的优势、幻觉风险、提示工程、溯源方法，才能设计任务、制定规范、示范负责任的人机协同，而不是简单禁止或者放任自流。联合国教科文组织的教师AI能力框架，同样把“负责任地设计、使用、评估AI”作为当代教师的基础素养之一。 角色重构的最后一环，落在学生身上，也是最容易被忽略的一环。很多学生把AI当成“省力捷径”，目标变成快速拿到一份看起来合格的文本、一个过得去的分数。这种使用方式，恰恰是放弃了自己的学习主权。在新的教育生态里，学生不再是知识的容器，而必须主动完成三重身份转换。 首先，学生是问题的定义者与探究的发起者。AI只能回应被清晰提出的问题，如果学生没有自己的困惑、目标、判断，所有AI产出都是无根的漂浮文本。学生需要学会先形成自己的理解、困惑与初步猜想，再带着问题去调用AI，而不是直接把作业题目丢给AI。好的学习顺序应当是：先独立思考、草拟框架、列出疑问，再用AI拓展视角、补充材料、暴露盲区，最后回到自己的论证，校验、取舍、修正、标注。学习的主体依然是学生，AI只是外部助手。 其次，学生是人机协同的审核者与整合者。学生必须建立“所有AI输出都有待核验”的思维习惯：核对引文、核查数据、追溯来源、识别逻辑跳跃、留意模型自带的训练偏见。Salma等人的研究指出，在人智共生学习系统中，学生的核心任务是主动评估、选择、改造AI产出，而不是直接采纳。这要求学生不再满足于“拿到答案”，而是持续追问：这个结论的证据可靠吗？它漏掉了哪些视角？如果换一个立场、换一套前提，结论会不会改变？ 最后，学生是最终结果的责任主体。无论在论文、项目、设计、方案里多大程度使用AI，最终的论证、判断、选择，以及对应的学术、伦理、社会后果，都必须由使用者本人承担。这是人机协同最根本的契约：工具可以分担劳动，但不能分担责任。学生需要学会在作品中透明标注AI的使用边界：哪些部分由AI辅助生成，哪些是独立思考，自己做了哪些校验与修改。透明不是自我暴露，而是学术诚信、学术自觉的新形式。 角色转换的过程是痛苦的，因为它意味着学生必须告别过去那种“背诵—复述—拿分”的低风险路径，直面不确定性：没有唯一标准答案，论证会被质疑，想法会被推翻，AI也会持续出错。但这正是大学走向成熟智识训练的必经之路。高等教育本来就不是为了培养总能答对题目的人，而是培养能够在不确定世界里持续思考、做出选择、承担后果的人。 很多技术变革的叙事，喜欢渲染颠覆、淘汰、重构，仿佛AI到来，一切教育传统都要推倒重来。但穿过喧嚣我们会发现，真正恒久的教育目标从未改变：帮助一个人学会思考、学会判断、学会共情、学会承担责任，成为一个完整、自主、有判断力的主体。变化的只是工具、路径、需要训练的能力清单。 大学不再优先教答案，优先教如何提问与论证；AI不再是秘密捷径，而是公开、可审核、可约束的认知助理；教师不再是标准答案讲解员，而是学习设计师、伦理陪伴者、思维裁判；学生不再是知识接收者，而是主动探究、协同创造、承担责任的主体。 上述四者重新分工之后，教育才不会被AI架空，也不会在技术恐慌里固步自封。真正的风险从来不是AI太聪明，而是我们继续用旧的考核方式，奖励偷懒的调用，惩罚深度的思考；不是机器抢走了我们的工作，而是我们主动放弃了只有人才能完成的那一部分思考与判断。 AI可以写出流畅的文章，但它无法拥有属于自己的困惑；它可以生成无数方案，但它不会为一个选择承担一生的重量。这正是大学依然珍贵的地方：它守护的，从来不是知识，而是思考的勇气、判断的自觉，以及作为人的主体性。 参考文献 [1]顾小清,尹欢欢.“师—智—生”三元教学生态中何以坚守育人初心?[J].中国远程教育,2026,46(4):27-49. [2]易凯谕,韩锡斌.从混合教学到人智协同教学:生成式人工智能技术变革下的教学新形态[J].中国远程教育,2025,45(4):85-98. [3]王雯,邓友超.人机复合教育者的共生逻辑与实践路径[J].中国教育科学,2025(5). [4]李建成.人工智能时代大学教育范式变革[J].中国高等教育,2026(10). [5]UNESCO.AICompetencyFrameworkforTeachers[R].Paris:UNESCO,2024.[6]SelwynN.Shouldrobotsreplaceteachers?AIandthefutureofeducation[M].Cambridge:PolityPress,2019. [7]丁奎岭.高水平研究型大学如何一体推进教育科技人才发展[J].求是,2026(12).
当一名本科生可以用AI快速写完课程论文、推导公式、整理文献综述，当研究生借助大模型完成代码初稿、数据分析脚本与文献翻译，我们都在面对同一个叩问：如果知识随时可查、答案随手可得，大学还有存在的必要吗？如果背诵、记忆、基础写作与标准化解题都能被机器接管，那么走进校园、坐在课堂、完成作业的意义又在哪里？
