AI时代,本科教育的一些思考

2022年以后，⽣成式⼈⼯智能的快速崛起，让全世界的教育界不得不直⾯⼀个前所未有的问题：

如果知识获取⼏乎变成”零成本”，⼤学还应该教什么？

过去⼏百年⾥，⼤学始终承担着知识传播的核⼼功能。⽼师掌握知识，学⽣缺少知识，所以课堂的主要任务是把知识传递给学⽣：⽼师讲授，学⽣记笔记、做作业、参加考试。这套模式从⼯业时代⼀直延续到信息时代。

然⽽今天，当ChatGPT、Claude、Gemini、DeepSeek能够在⼏秒钟内完成⽂献综述、代码编写、案例分析甚⾄商业策划时，⼀个根本性的问题浮出⽔⾯：

如果机器已经能够帮助我们获取知识，那么⼤学教育存在的价值究竟是什么？

要回答这个问题，不能只看技术。我们得先回头看清楚⼀件事，今天⼤学的课堂模式，究竟是从哪⾥来的？

⼀、⼤学的课堂，到底继承了谁？

很多⼈以为，中国⼤学课堂的”⽼师讲、学⽣听、期末考”模式，是照搬了普鲁⼠教育。

这个判断有⼀定道理，但不够准确。

严格说，中国⼤学本科的授课模式，是四股⼒量层层叠加出来的混合体：

第⼀层：经⽇本转译的德国/普鲁⼠因素。晚清建⽴现代学制时⼤量借鉴⽇本，《钦定学堂章程》、《奏定学堂章程》⼏乎照搬⽇本学制，⽽明治⽇本的教育制度⼜吸收了德国、法国、英国、美国的多种成分。京师⼤学堂的分科⼤学、讲座制、国家办学、⼤学为国家服务等观念，都带有德国—⽇本式国家⼤学的影⼦。所谓”普鲁⼠模式”，更多影响的是基础教育和教育⾏政体系，并不是⼤学本科课堂的直接范式。

第⼆层：⺠国时期的美国因素。 1922年”壬戌学制”确⽴了影响⾄今的”六三三”结构（小学六年、初中三年、高中三年），杜威、孟禄等美国教育家访华，“平⺠教育”、“个性发展”进⼊学制标准。清华、东南⼤学、燕京、南开等⾼校，明显吸收了美国⼤学的课程制、选课制、通识教育和学院制。

第三层，也是最关键的⼀层：1952年以后的苏联模式。真正深刻塑造今天国内本科教育结构的，是1952年前后的⾼校院系调整。国内按照苏联⾼等教育模式对⾼校⼤规模重组，强调”专⻔⼈才”培养，苏联专业教育模式⼏乎完全替代了国内⼤学原有模式。

它留下了四个⾄今未变的基因：

以”专业”为中⼼，学⽣⾼考录取后直接进⼊⾦融学、机械⼯程、临床医学某个专业轨道，⽽不是先进⼊⼀个⽂理学院再慢慢选⽅向；

以培养⽅案和教学计划为核⼼：每个专业有规定好的必修课、专业课、实践环节、毕业论⽂；以班级授课和⾏政班管理为基本组织⽅式：辅导员、班主任、教务、年级管理构成完整的管理系统；

统⼀课程、统⼀考试、统⼀评价。

第四层：改⾰开放后重新引⼊的美国元素。学分制、选修课、通识课、双学位、书院制、本科⽣科研训练，这些都来⾃美国研究型⼤学和博雅教育传统。但底层运⾏机制，仍然保留着很强的苏联式专业教育框架。

所以，今天本科课堂”⽼师讲授→学⽣听课→课后作业→期末考试→学分绩点”这套模式，最强的制度来源不是普鲁⼠，⽽是：苏联专业教育模式 + 本⼟考试⽂化 + 国家⾏政管理传统。

这套模式曾经极其成功。因为⼯业社会最需要的就是⼤规模、标准化、可复制的⼈才培养体系。

课堂成为知识⼯⼚，教材成为知识标准件，考试成为质量检测仪。它在过去⼏⼗年⾼效地培养了⼤量⼯程师、教师、医⽣、会计师，有⼒推动了中国的⼯业化进程。

但问题是：AI正在摧毁这种模式赖以存在的前提，知识本身正在变得越来越容易获取。

⼆、⼀个参照系：⽜津剑桥到底强在哪⾥？

在讨论AI冲击之前，还需要⼀个参照系。

谈到本科教育改⾰，⼈们⾔必称⽜津剑桥。但⽜剑的本科教育，强的究竟是什么？

⽜剑的核⼼不是⼤班授课，⽽是⼀种⾼强度、⼩规模、不断被追问的教学制度：⽜津叫tutorial，剑桥叫 supervision。通常1—3个学⽣⾯对1位导师，围绕⼀篇论⽂、⼀道题、⼀组阅读材料展开深度讨论。

⼀个⽜剑本科⽣的典型⼀周是这样的：听⼤课获取知识框架；参加研讨课、实验课；然后是最核⼼的环节：为每周的tutorial做准备：读⼤量⽂献，写essay或者做problem sheet，再到导师⾯前接受追问：“你为什么这样认为？” 、“证据是什么？”、 “这个论证哪⾥可能站不住？”

⽜剑的教学期每学期只有8周，但强度极⾼。剑桥要求本科⽣每周独⽴学习加接触式教学合计⾄少35⼩时。⽂科学⽣可能每周写⼀两篇essay，理⼯科学⽣每周做完problem sheets再去supervision⾥讲解⾃⼰的解题过程。

普通⼤学的模式是：

⽼师讲授 → 学⽣听课 → 期末考试。

⽜剑的模式是：

学⽣阅读/写作/做题 → 导师追问 → 学⽣修正观点 → 再阅读、再写作、再讨论。

所以⽜剑教育的独特性，不在于”⽼师讲得多好”，⽽在于⼀个词：反馈密度。

⼀个学⽣很难⻓期”混过去”，因为每周都要带着⾃⼰的作品去⾯对导师。思维漏洞、表达弱点、知识短板，会被迅速暴露出来。

⼤课提供知识框架，⼩课训练思维深度，⾃主学习完成真正的知识内化，这才是⽜剑模式的本质。

记住”反馈密度”这个词。我自己的判断：它恰恰是AI给中国⼤学带来的最⼤机会。

三、当知识变得易得，什么会变得稀缺？

这是理解未来教育最重要的问题。

历史上，每⼀次技术⾰命都会改变稀缺资源：农业时代最稀缺的是⼟地，⼯业时代最稀缺的是资本，信息时代最稀缺的是信息。⽽AI时代，知识不再稀缺，信息也不再稀缺。真正稀缺的，是三种东⻄。

第⼀，提出问题的能⼒。⼤模型最⼤的特点是：它能回答问题，但不会主动提出真正重要的问题。⼀个不会提问的⼈，即使拥有全世界最先进的AI，也只能获得平庸的答案。未来⼈与⼈之间最⼤的差距，很可能不是谁拥有更多知识，⽽是谁能提出更好的问题。

第⼆，判断真假的能⼒。 AI能⽣成答案，但不能保证答案正确。⼤模型会产⽣幻觉，会引⽤错误⽂献，会编造数据，会混淆逻辑。谁能识别错误信息、验证事实来源、辨别逻辑漏洞，谁就拥有竞争优势。

第三，创造意义的能⼒。 AI可以帮⼈完成任务，但⽆法回答：什么值得做？为什么要做？做这件事是否正确？这些属于价值判断，⽽价值判断恰恰是⼈类⽂明最核⼼的部分。

这意味着，本科教育的核⼼问题已经变了：

过去问：学⽣有没有学到知识？现在要问：学⽣能不能在AI环境下有效使⽤知识、创造知识、判断知识？政策层⾯已经给出了信号，《教育强国建设规划纲要（2024—2035年）》明确提出实施国家教育数字化战略，以⼈⼯智能助⼒教育变⾰，探索”⼤规模因材施教、创新性教学”的路径。《“⼈⼯智能+教育”⾏动计划》更提出，到2030年要基本形成⼈⼯智能与教育深度融合的格局。

⽅向已经明确。问题是怎么⾛？

四、从”专业本位”转向”能⼒本位”

AI时代最直接的冲击，是专业边界正在快速消失。

营销正在变成：营销 + 数据科学 + AI算法 + 内容⽣成；

⾦融正在变成：⾦融 + 机器学习 + ⼤数据分析；

医学正在变成：医学 + AI影像识别 + ⽣物信息学；

法律正在变成：法律 + 智能检索 +数字治理；

管理学正在变成：管理学 + AI组织设计 + ⼈机协同。

单⼀专业能⼒正在迅速贬值，跨学科问题解决能⼒正在升值。未来最有价值的⼈才，不是单⼀专业的专家，⽽是能够跨越学科边界解决复杂问题的⼈。

这意味着，苏联模式留下的”专业管道式”培养必须重构。本科教育应该形成⼀个新的四层能⼒结构：

第⼀层：通识底座。语⾔表达、逻辑推理、数学统计、科学精神、历史理解、社会伦理。这些不是”⽆⽤课”，⽽是防⽌学⽣被AI带偏的底层免疫⼒。

第⼆层：专业硬核。学⽣仍然要有⼀个真正扎实的专业根据地。学营销的要懂消费者⾏为和品牌战略，学⾦融的要懂资产定价和⻛险管理。AI不能替代专业根基，它只会放⼤专业根基的差距。

第三层：AI素养。不只是会⽤ChatGPT、DeepSeek，⽽是理解AI的能⼒边界、幻觉问题、数据偏差、提示设计、伦理⻛险和⼈机协作⽅式。

第四层：真实问题解决能⼒。反复进⼊真实项⽬：企业问题、社会调研、政策分析、产品设计、数据建模。未来最有价值的不是”知道答案”，⽽是”定义问题”。

这⾥有⼀个必须警惕的误区：“AI+专业”不能做成课程拼盘。现在很多⾼校建设”AI+专业”，⽅向是对的，但容易做浅，给每个专业加⼀⻔《⼈⼯智能导论》就算完成任务。头部⾼校已经在⼤规模布局：哈⼯⼤建设了上百⻔⼈⼯智能相关课程，复旦⾯向全校开设”AI⼤课”并设⽴多个”X+AI”双学位项⽬。

但关键不在数量，⽽在质量。真正的”AI+专业”，是让学⽣理解：AI如何改变这个专业的研究范式、⼯作流程、商业模式和社会责任。

五、课堂从”⽼师讲得好”转向”学⽣学得深”

AI时代，⼤班讲授的边际价值会持续下降。因为知识讲解型的内容，AI已经能做得更快、更细、更个性化。⼤学⽼师如果仍然只是照着PPT讲概念，课堂会越来越失去吸引⼒。

未来的本科课堂，应该变成四类场景：

第⼀，知识预习交给AI。基础概念、术语解释、案例背景、⽂献导读，让学⽣课前通过AI完成。

第⼆，课堂时间⽤于讨论、辨析和纠错。⽼师的价值不再是重复教材，⽽是指出学⽣⾃⼰看不⻅的问题：逻辑漏洞、证据不⾜、概念混淆、理论误⽤、价值偏差，这正是⽜剑导师在tutorial⾥做的事。

第三，真实项⽬成为核⼼学习⽅式。每⻔课都应该有真实任务：做⼀次市场调研、分析⼀家企业、搭建⼀个数据模型、写⼀份政策建议。在真实问题中学习，在真实失败中成⻓。

第四，⼝头答辩成为常态。 AI可以替学⽣写论⽂，但不能替学⽣站在台上回答追问。⼝头答辩、项⽬展示、现场讨论，将成为最难被AI攻破的评价⽅式。

UNESCO 2025年的⼀项全球调查显示，受访⾼校教师中九成已在专业⼯作中使⽤AI，近半数正在教学中尝试AI，但学⽣过度依赖、作者身份争议等伦理问题也同步出现。

所以，⼤学不能简单禁⽌AI，也不能⽆原则放开AI，是否可以建⽴⼀条新的教学原则？

允许使⽤AI，但必须证明你理解、判断、修正，并承担最终责任。

六、考试制度必须改，否则作业会沦为形式主义

AI时代最先失效的，是传统作业。只要题⽬是”请论述……”、“请分析……”、“请写⼀篇论⽂……”，学⽣很容易让AI代写。

出路只有⼀条：从”结果评价”转向”过程评价”。

⼀个⽐较合理的考核结构可以是这样的：

是否形成真正的认知增量未来好的本科教育，不能只问”你交了什么”，还要问：

你为什么这样做？你怎么判断AI的答案可靠？你验证数据来源了吗？你修改了哪些地⽅？你从这个过程中真正学到了什么？

七、教师从”知识讲授者”变成”学习架构师”

很多⼈以为未来课堂会被AI取代。事实恰恰相反，教师的重要性可能进⼀步提升，但⻆⾊会发⽣根本变化。

AI时代不是教师不重要了，⽽是普通讲授型教师会被削弱，真正有判断⼒、组织⼒和启发能⼒的教师会更重要。

未来的⼤学教师，要承担五个新⻆⾊：

问题设计者：能设计出AI不能简单替代、学⽣必须深度参与的复杂问题；

知识框架搭建者，帮学⽣把碎⽚化信息组织成系统性知识；

批判性反馈者：指出学⽣观点中的漏洞、偏差和浅层化表达；

⼈机协作教练：教学⽣如何⽤AI，⽽不是被AI替代思考；

价值与责任引导者：AI能提⾼效率，但不能替⼈决定什么是好的、正当的、有意义的。

教师要从”上课的⼈”，变成”设计学习⽣态的⼈”。

⼋、机会：⼤规模个性化 + ⾼密度反馈

回到前⾯那个参照系。

⽜剑强在导师制，强在反馈密度。但国内⼤学很难全⾯复制，本科规模太⼤，师⽣⽐完全不同。

⼀所国内⼤学动辄数万本科⽣，不可能给每个学⽣配⼀位每周⾯谈的导师。

⽽AI恰恰提供了破解这个困局的钥匙。

让AI承担⼀部分基础辅导、即时反馈、个性化练习，把教师的时间释放出来，⽤于更⾼质量的讨论、项⽬指导和价值判断。换句话说：

⽜剑⽤导师实现⾼反馈密度，我们可以⽤”AI + 教师”实现⼤规模的⾼反馈密度。

国内拥有全球最⼤的⾼等教育体系、数千万在校⼤学⽣、最丰富的数字化场景和最活跃的AI应⽤⽣态。这恰恰意味着，我们不必照搬⽜剑，完全有机会形成⾃⼰的新模式：

AI做基础陪练，教师做深度反馈；平台做学习记录，课堂做思想碰撞；专业做知识底座，项⽬做能⼒⽣成；学校做资源组织，社会做真实考场。

这不是⽜津模式，也不是哈佛模式，⽽可能是⼀种真正属于我们的、AI时代的⼤学模式，可能是本科教育一条的升级路径。

九、⾯向AI时代的”新五育模型”

把以上所有讨论收拢起来，AI时代的本科教育，可以重构为五个培养⽬标：

1. 会学：⾃主学习能⼒。能利⽤AI、数据库、⽂献和课程资源持续学习。未来没有任何知识能让⼈受⽤终身，唯⼀不过时的是学习能⼒。未来最成功的⼈，往往不是最聪明的⼈，⽽是学习速度最快的⼈。

2. 会问：问题定义能⼒。能提出有价值的问题，⽽不是只会寻找标准答案。企业为什么增⻓停滞？城市为什么⼈⼝流失？消费者为什么改变⾏为？现实世界最⼤的难题往往不是求解问题，⽽是发现问题。

3. 会辨：批判判断能⼒。能识别AI幻觉、数据偏差、逻辑漏洞和价值陷阱。真正的教育不是告诉学⽣答案，⽽是训练学⽣思考。

4. 会做：实践创造能⼒。能把理论⽤于真实项⽬，完成产品、报告、模型、⽅案或研究。知识只有进⼊真实世界才有价值。

5. 会负责：伦理与社会责任。算法推荐、数据隐私、深度伪造、数字歧视，这些问题最终都不是技术问题，⽽是伦理问题。学⽣要懂得：技术从来不是中性的。

这五点加起来，才是AI时代的本科核⼼素养。

⼤学最重要的，不再是教知识

德国教育家洪堡曾说：⼤学不是知识传递的场所，⽽是⼈格形成的场所。

在⼯业时代，⼈们更关注知识；在AI时代，⼈们将重新关注⼈格！

因为知识可以被机器掌握，技能可以被机器模仿，甚⾄部分创造⼒也可以被机器增强。但有些东⻄依然只属于⼈类：

提出问题的勇⽓；追求真理的精神；承担责任的品格；理解他⼈的同理⼼；创造意义的能⼒。

⼤学本科教育的未来，不应该只是”多开⼏⻔AI课”，也不应该只是”所有⽼师都⽤AI做PPT”，那只是⼯具层⾯的变化。真正的变⾰是：

从知识传授型⼤学，转向能⼒⽣成型⼤学；从专业管道型培养，转向跨学科问题解决型培养；从期末考试型评价，转向过程证据型评价；从教师单向讲授，转向AI辅助下的⾼密度反馈；从培养标准化毕业⽣，转向培养能与智能机器协作的创造性个体。

未来最好的⼤学，不是培养最会考试的⼈，不是培养最会背知识的⼈，甚⾄不是培养最会使⽤AI的⼈，⽽是培养那些在智能时代依然保持独⽴思考、持续学习、勇于创造和承担责任的⼈。

因为当机器越来越聪明时，教育最终要回答的问题已经不再是：

“学⽣知道什么？”

⽽是：

“学⽣将成为什么样的⼈？”

生而为人的意义，不就是一直在寻找成为自己吗？