如果你在关注AI对教育的影响，你大概也想知道一个问题：大学到底在教什么？基本功还该不该学？

8月罗振宇老师和快刀青衣（得到联合创始人）去了一趟美国，走访了几所大学——纽约大学、卡内基梅隆、南加大和艺术中心设计学院。快刀本来想找一个答案：AI来了，美国大学准备怎么教？

走完几站，他发现一个反常识的事：没有统一答案。不是有些学校支持AI、有些学校反对AI，而是每所学校的解法都不一样，甚至同一所大学、同一位教授的做法都完全相反。这不是混乱，恰恰说明AI对教育的冲击，没有一个一刀切的解法。

这个发现本身就是答案的一部分。我们习惯了讨论"AI会不会颠覆教育"，好像这是一个有标准答案的问题。但快刀走访一圈带回来的信息是：连身处AI冲击最前线的美国大学，都还在各自摸索。

先看卡内基梅隆。快刀发现了一个特别有意思的细节：同一位教授，他教的一门C语言课完全禁止使用AI，另一门课却专门教AI编程。同一所大学、同一位教授，做法完全相反。这不是矛盾——他在按任务目标划线。基础能力必须手搓，研究型任务可以用AI。问题是，这条线怎么划？谁来定？每个教授都在自己判断。

纽约大学和南加大IYA学院则根本不纠结"能不能用AI"这个问题。纽约大学商学院加了AI口试——让学生跟语音AI对话，解释项目细节，AI根据对话表现评分。评价方式从"看成品"变成了"看过程"。南加大IYA学院走得更远，从大一开始让学生做真实企业项目，最终评判标准是产品能不能跑、有没有人用。不考你怎么做，只考做出来什么。

艺术中心设计学院（ACCD）的画面感最强——一边是全彩3D打印和数字制作设备，另一边保留着一整套黑白胶片暗房设施，学生还在学怎么自己调显影药水冲胶片。新工具和老手艺在一间工作室里共存，谁也没替代谁。

国内也有人在想这个问题。

复旦大学有位教授把期末考试翻了过来——不是老师出题考学生，而是学生出题考AI。规则是这样的：每个学生出10道数据挖掘领域的计算题，题目必须有唯一正确答案和完整推导过程，然后拿去考三个AI模型。AI答错越多，学生分数越高。三个模型对应三个难度梯度——DeepSeek答错一题加1.5分，MiniMax答错一题加2分，Claude Sonnet 4.6答错一题加3分。

这个案例跟美国大学的做法形成了一组对照：美国大学在纠结"能不能用AI"，复旦已经在想"怎么用AI考出学生的真本事"。

你得比AI更懂这个领域，才能找到AI答不出来的题。出题，比答题难。

这些案例放在一起看，指向一个更深的判断：教育的评价方式，可能到了该变的时候。

从你上学那天起，教育的逻辑就没变过——老师讲，你记，考试验证你记住了多少。这套逻辑的前提是：知识是稀缺的，获取成本高，老师是知识的搬运工，考试是检验搬运效果的工具。

但现在这个前提被抽掉了。知识不再稀缺，一搜就有，AI给得比老师还系统。一个高中生问AI一个概念，得到的解释可能比课堂上讲的还清楚。那考试还在验证什么？验证你记住了多少AI已经知道的东西？

复旦和纽约大学其实在做同一件事——把评价标准从"你记住了什么"换成"你能判断什么"。复旦让学生出题考AI，考的不是知识点，是你能不能找到AI的盲区。纽约大学做的就是这个——从看成品变成看过程，看的不是结果，是你能不能把项目讲清楚。

既然评价方式要变，那基础训练是不是也可以松一松了？卡内基梅隆那位教授说不。

不是保守，是因为他清楚一件事：计算机专业的学生必须懂编译和编程的底层逻辑。不是因为他们将来要手写代码，而是因为不懂底层逻辑，你连AI生成的代码对不对都看不出来。

我自己做市场工作，对这一点特别有体感。一个完全不懂市场活动的人，让AI帮他写一份完整的活动策划，AI也能给你交付一份看起来很完美的方案——结构清晰、流程完整、连措辞都专业。但这个交付过程是一个黑盒，你不知道它在哪些细节上出了差错。

场地选址有没有考虑动线？议程编排有没有留缓冲？传播节奏和受众触达习惯匹不匹配？这些细节，AI不会主动告诉你，它只给你一个"看起来对"的结果。你没有专业底子，就看不出哪里不对。

所以越是在AI时代，最底层的专业基本功反而越重要。不是因为你需要亲自干这些活，而是因为它是你判断AI答案对不对的唯一底气。