夜雨聆风送给高考志愿填完了的同学们一个礼物：大学（新）生AI使用指南系列。争取在大学开学之前，学会真正使用AI。
高考志愿还没有填完的同学们，那就继续使用雨来高考AI（gaokao.yusoong.com）吧！
过去两天，关于美国大学最炸裂的新闻，没有之一，很适合给今年刚高考完、马上要进大学的学生看。
布朗大学经济学教授 Roberto Serrano 开了一门课，叫 Welfare Economics and Social Choice Theory，福利经济学与社会选择理论。他教这门课快二十年了。2026 年春季，因为布朗校园之前发生过枪击事件，不少学生对在教室里考试有焦虑，他第一次把期中考试改成了 take-home exam，也就是学生带回去自己完成。
期中成绩出来，平均分 96 分。
这门课以前的期中平均分，通常在 65 到 80 分之间；而这次试题，比之前的还更难。Roberto 和助教把题目拿去问 ChatGPT，发现 AI 给出的答案和不少学生提交的答案很像：方向大体是对的，论证却过分复杂。比如一道数学证明题，本来可以直接证明，AI 和不少学生都绕到反证法上去。答案形式上成立，但像是机器在努力装作会证明。
到了期末考试，改成了线下闭卷。
18 个学生退课，9 个学生留下来但没有参加期末。期末平均分降到 48.6 分，是他教这门课以来最低的一次。最后有 19 个学生挂科。
（S22号学生，在网上受到追捧，多家公司表示：愿意招聘这个学生！）
这件事如果只写成“名校学生也用 AI 作弊”，当然也能传播。但我来看它，最有价值的，是期中 96 分和期末 48.6 分之间，突然露出了大学教育里一个新的裂缝（所以我一开始称为“炸裂”）：
一个学生交出来的东西，和他自己长出来的能力，可能已经不是一回事了。
今年我一直在写 AI 时代怎么选专业（【2026高考#22】11天写了10万字，我想把 AI 时代选专业这件事讲清楚｜大结局篇）。
很多家长会问，AI 会不会替代会计，会不会替代法学，会不会替代金融，计算机还值不值得报。问这些当然有必要。但志愿填完以后，还有一件事会影响这个学生四年后的样子：
他在大学里，会怎样使用 AI。
同样是“会用 AI”，差别会很大。一个学生让 AI 解释概念、追问逻辑、修改自己的第一稿、调试自己的代码、模拟老师的追问；另一个学生让 AI 代写作业、代做报告、代替阅读、代替思考。两个人都能说自己会用 AI。
四年以后，可能完全不是同一种人。
一、期中96分，为什么不是好事情
布朗大学的这件事里，期末分数低当然糟糕；更不正常的是，期中分数太高了。
如果一门课多年平均分在 65 到 80 分之间，这一次题目更难，平均分却突然到了 96 分，老师当然会警觉。更何况，学生提交的证明方式和 ChatGPT 的答案还很相似。不是每个相似答案都能证明学生作弊，但这个信号足够强。
恰好，布朗大学自己的生成式 AI 教学报告也在这周发布了。105 位教师反馈中，四分之三担心学生用 AI 作弊。可报告也承认，学校没有办法 100% 准确判断学生是否使用了生成式 AI。连布朗这样的学校，也不能把问题简单交给检测工具。
麻烦就在这里。
过去，作业、论文、读书报告、代码、课堂展示，虽然都不完美，但至少学生要亲自做一遍。查资料时会发现自己不会查；写第一稿时会发现逻辑乱；算不出来时会知道基础不牢靠；上台被问住时会意识到自己只是背了几句话。
这些过程有时候低效，有时候难受，有时候甚至很狼狈。但大学里相当一部分训练，就藏在这些不顺利里。
AI 出现以后，这条学习链条被拆到了。学生第一次拥有了一个随时在线的高水平助手。它可以讲概念，可以举例子，可以改文章结构，可以解释代码报错，也可以直接写出一份像样的作业或者PPT。
于是大学教育里出现了一个分岔口：学生是在借助 AI 穿过困难，还是借助 AI 绕开训练。
两件事都叫“使用 AI”，结果却不一样。前一种使用，学生仍然在学习，只是有了更及时的解释、更密集的反馈、更低的试错成本。后一种使用，学生提交了成果，却没有经历成果背后的理解、推理、判断和修正。
大学里的 AI 问题，不能停在“能不能用”。大学生一定会用，学校也很难真的禁掉。更应该问的是：这一次使用 AI 以后，学生离开 AI 时，是不是比原来更能理解、更能表达、更能判断？
如果答案是否定的，AI 没有帮他学习。它只是把他从学习过程里拿走了一些本该属于他自己去完成的“理解”。
二、第二周把AI拿走，答案就清楚了
关于 AI 和大学学习，我之前写过（【2026高考#18】你用AI写大学作业，还是用AI训练自己？），来自顶级文理学院Middlebury College 的Germán Reyes 在 2026 年 3 月发表了一篇论文，题目是 Experimental Evidence on the Learning Impact of Generative AI，可以翻译成《生成式 AI 对学习影响的实验证据》。
这篇论文的研究设计很简单。210 名本科生参加两次线下实验，中间隔大约一周。第一次，学生被随机分成两组。一组可以使用 GPT-4o，另一组不能用 AI。所有人都要在 35 分钟里学习一个新主题，比如区块链、碳捕获、CRISPR，然后写一篇分析短文。
关键在第二次实验。
一周以后，所有学生都不能用 AI，再做知识保留测试和新的写作任务。Germán故意把 AI 拿走，看学生自己还剩下什么。
这个设计的价值在这里：它把两个问题分开了。AI 有没有帮学生把当下任务做得更漂亮？AI 有没有让学生真的学会东西？
结果不是“AI 有害”或“AI 有益”一句话能概括。
平均来看，允许使用 AI 的学生，第一次知识测试正确率提高 6.3 个百分点，标准化以后大约是 0.25 个标准差。一周以后，这个优势还保留了一部分。学生最常用 AI 做的事情，并非直接代写，更多是在解释概念。自我报告中，44% 的 AI 使用者说他们用 AI 解释难概念；研究者根据聊天记录分类，比例是 57%。
这部分结果不能略过。AI 学习不能一概骂掉。用得好，AI 确实能帮学生理解概念、获得反馈、减少无意义的卡顿。
但论文继续往下读，你会看到更重要的实证发现。
作者把 AI 使用分成两类：augmentation 和 automation。前者可以翻译成增强型使用，学生让 AI 解释概念、回答澄清问题、给自己的写作提反馈。后者是自动化型使用，学生让 AI 直接生成文本、写出答案、完成可以粘贴进作业的内容。
两种用法的结果差得很远。
主要用 AI 做增强的学生，知识测试成绩提高约 0.32 个标准差，但作文质量没有显著提高。他当下交出来的文章未必更漂亮，但他更懂了。
主要用 AI 做自动化的学生，第一次作文质量明显提高，整体质量提升约 0.69 个标准差。可是到了第二次无 AI 写作，这种优势完全消失。
这就回到了布朗那门课。AI 可以让一个学生显得更会写、更会证明、更会组织材料。可如果把 AI 拿走以后什么也没有留下，那只是作业变好了，人没有变强。
论文还有一个细节，也很像大学里的真实生活。AI 允许组在后续测试中更容易违反规则。综合监考和自我报告，违规率提高约 12.6 个百分点，而控制组基线只有 5.0%。
这不是说用 AI 的学生天然更坏。更可能的情况是，AI 会改变学生心里那条线：什么算我自己完成，什么算工具帮助，什么算越界。这些本来是大学教育非常重要的一部分，如果将这个过程完全外包给了AI，学生什么也没有学会。
三、大学生最该练的，不是让AI替你做事
OpenAI 在 2025 年发布过一篇论文，题目是 How People Use ChatGPT，可以翻译成《人们如何使用 ChatGPT》。这篇论文分析了 ChatGPT 从 2022 年 11 月到 2025 年 7 月的使用情况。到 2025 年 7 月，ChatGPT 每周大约有 7 亿用户、180 亿条消息，已经覆盖全球成年人约 10%。
论文里有一个分类，对大学生很有用。研究者（其中包括我今年写过了很多次的哈佛大学David Deming，我们这个时代最杰出的教育经济学家之一）把用户意图分成三类：Asking、Doing 和 Expressing。
Asking，是用户在寻求信息、解释、建议，帮助自己做判断。比如问“相关性和因果关系有什么区别”“这个证明为什么这样走”“我这段论证哪里有漏洞”。
Doing，是用户要求 ChatGPT 直接完成某个任务。比如“帮我写一篇报告”“把这段话改成正式邮件”“写一个项目计划表”“帮我生成代码”。
Expressing，是表达情绪、观点或闲聊。
总体上，约 49% 的消息属于 Asking，40% 属于 Doing。论文还发现，受教育程度较高、从事高薪专业工作的人，更常在工作场景里把 ChatGPT 用作 Asking，也就是决策支持，而不是只让它直接产出。
这个区分，大学生一开学就会遇到。
如果你把 AI 主要用成 Doing，它会让你更快交差。初稿出来了，材料整理好了，PPT 有了，代码也能跑。短期看，压力会小很多。
但如果你把 AI 主要用成 Asking，你就不能只是等答案。你要说出自己卡在哪里，要比较不同解释，要判断 AI 的答案是否可靠，要追问它哪里可能错，要把它的反馈转化成自己的修改。这个过程没有那么省事，但更接近学习。
我建议大学生反复问自己一个问题：
我这次是在让 AI 生产一个可以交出去的东西，还是在让 AI 帮我理解一个我原来不懂的问题？
前者不是绝对不能做。将来工作中，大量任务本来就会交给 AI 加速。问题是，大学阶段如果长期只做前者，学生很容易养成一个坏习惯：遇到困难，就把自己从困难里撤出来。
而能力恰恰是在困难里长出来的。
四、会用AI，不是一句prompt
Anthropic 在 2026 年 3 月发布过一份 Economic Index Report: Learning Curves，可以翻译成《经济指数报告：学习曲线》。它分析御三家的另一个重头模型 Claude 的使用数据，问的是另一个问题：用户会不会随着使用经验增加，更会使用 AI？
报告发现，使用 Claude 半年以上的用户，使用方式和新用户不一样。
他们个人闲聊更少，输入反映的教育层级更高，任务更偏工作、更复杂，成功率也更高。表格里，高使用时长用户的任务成功率是 73.1%，低使用时长用户是 66.7%；进一步控制任务、国家、模型等因素后，高使用时长仍然对应约 4 个百分点的成功率优势。
Anthropic 没有草率地下因果关系的结论：是不是使用越久，越会使用AI，这是因为，这个差异可能是因为早期用户本来就更强，也可能是因为人在使用中学会了怎么和 AI 协作。
但至少可以确定一件事：会用 AI，不是会写一句“请你作为某某专家”。
会用 AI，要能定义问题，拆分任务，给出背景，判断输出质量，发现不确定处，设计验证办法，把反馈改进到自己的作品里。它更像一种学习能力，而不是一种快捷键。
这也解释了为什么 AI 可能扩大人类的能力差距。
基础好、问题意识强、愿意复核的学生，会用 AI 把训练密度拉高。以前写一篇文章只能得到老师一次反馈，现在可以先让 AI 挑三轮毛病，再拿去和老师讨论（我们的高考作文AI就是这个设计思路；未来的论文AI也会如此设计）。以前代码报错卡半天，现在可以让 AI 帮忙定位，再自己理解原因。以前读论文读不动，现在可以让 AI 解释结构，但最后仍然回到原文。
基础薄、只想交差的学生，也会使用 AI。但他用 AI 的方式可能是跳过阅读、跳过推导、跳过第一稿、跳过复盘。结果是每门课都能糊弄过去一点，四年以后自己也不知道究竟练成了什么。
AI 时代大学教育里有一件事很不舒服：大家都能打开同一个工具，但不是每个人都能把工具变成能力。
五、第一学期之前，先学会用AI
如果今年高考结束，你很快要进入大学，我建议你从第一学期开始，就给自己定几条应该会很管用的规矩。不要等到论文、作业、考试和小组报告把你淹没以后，再临时决定怎么用 AI。
先有自己的版本，再让 AI 介入。
写文章、做题、写代码、做汇报，尽量先自己做一版。哪怕很粗糙，也要有自己的结构、推导、草稿或问题。AI 很适合改进一个已有的东西。如果一开始就让它生成成品，你得到的是它的答案，不是你的能力增量。
让 AI 解释概念，不要只让它总结材料。
总结当然有用，但总结太容易变成“我没读，但我大概知道”。可以这样问：这篇文章的核心论证是什么？作者用了什么证据？如果我要反驳它，应该从哪里下手？这个概念和另一个概念有什么区别？请用一个反例说明它的边界。
让 AI 做反馈，不要只让它代写。
写完一段以后，让 AI 指出逻辑跳跃、证据不足、概念混淆、表达含糊。写完代码以后，让 AI 解释报错，不要直接扔给你一段新代码。做完数据分析以后，让 AI 帮你检查变量、模型和解释有没有问题。反馈会让你变强，代写只会让文本变顺。
还可以让 AI 模拟追问。
大学里好的训练，经常来自被追问。老师问你：为什么这个假设成立？这个结论有没有其他解释？你的数据从哪里来？这个模型如果换一种设定还成立吗？你可以让 AI 扮演老师、助教、面试官、反方，专门攻击你的观点。不要怕它问得烦。问不倒的地方，才是你站稳的地方。
每次用完 AI，都问一句：离开它以后，我多会了什么？
如果答案是“我多了一篇作业”，那要警惕。如果答案是“我知道了这个概念的边界”“我能自己解释这个证明”“我知道文章哪里需要补证据”“我下次能自己调这个错误”，这次使用才更接近学习。
来自叶晓阳最重要的建议：保留必要的困难。
学习一定需要困难。让你不舒服的阅读、推导、写作、调试、背诵、重写，并不都是低效。有些困难就是能力形成的地方。AI 可以帮你减少无意义的卡顿，但不要把所有困难都抹掉。一个人如果长期只保留顺滑的部分，最后留下的也许只是顺滑，而不是能力。
六、选大学和专业，也要看它怎样安排AI
这篇文章写给大学生，也写给正在填志愿、即将进大学的家庭。
以后看一个学校和专业，除了问专业排名、就业去向、保研率、转专业规则，还可以多问一句：这个专业怎样安排 AI？
学校有没有明确的学术诚信规则？老师是只说“不许用”，还是会教学生怎样合理使用？课程有没有重新设计，避免简单代写？有没有项目制训练、课堂展示、过程记录、代码复盘、写作修改、数据分析、真实访谈和答辩追问？学生是否需要说明 AI 用在了哪里，哪些判断仍然由自己负责？
如果一个学校只会禁止 AI，但不教，学生会偷偷用。如果一个学校只会鼓励用 AI，但没有规则，学生会滥用。负责任的大学教育，应该承认 AI 已经进入学习，也要把它纳入训练过程。
布朗大学那门课让人深思的地方，不只是有人可能作弊，而是期中 96 分和期末 48.6 分之间，藏着一个更大的教育问题：我们到底还怎么判断一个学生有没有学会？
对学生来说，也有同样的问题：你到底想让大学四年给自己留下什么？
一堆更漂亮的作业，一些更顺滑的报告，几个还不错的分数，当然有用。但它们不等于能力。大学应该留下来的，是你能不能读懂难材料，能不能提出好问题，能不能写出自己的判断，能不能处理复杂信息，能不能在别人追问时站得住，能不能把 AI 当成工具，而不是把自己交给工具。
大学里用 AI，最怕的不是被老师发现。
最怕的是，四年以后，老师没发现，你自己也没发现：
那些本来该长在你身上的能力，已经被一次次“ChatGPT帮我写一下”、“Claude帮我总结一下”、“Gemini帮我生成一下”，悄悄走远了，走远了，回都回不去了。
