2026 年再讨论“大学生该不该用 AI”，其实已经有点晚了。

一边，教育部等五部门今年发布的《“人工智能+教育”行动计划》已经明确提出，要推动人工智能成为高校公共基础课，让全体学生掌握人工智能知识，并推动教育教学模式发生系统性变革；另一边，在很多真实课堂里，我们仍然在用一种很熟悉的方式教学和考核：老师讲，学生记；布置一篇报告、一份课程论文、一套代码作业；最后看交上来的成品像不像“学生自己写的”。

于是一个越来越荒诞的场景出现了：

学校在大会上谈 AI 赋能教育，在课程里教学生认识 AI，在就业指导里告诉学生企业需要 AI 能力；但真正到了作业和考核环节，大家最先想到的却常常是——怎么证明这不是 AI 写的。

问题当然不在于学术诚信不重要。相反，学术诚信比以前更重要。

真正的问题是：AI 已经改变了完成任务的方式，我们却还没有同步改变“什么才算学会了”的评价方式。

高校课堂中的人工智能教学实践

图：高校将 AI 工具引入编程课堂。图片来源：武汉城市学院

学生其实已经跨过去了，教育制度还在门口犹豫

这不是一个“未来可能发生”的问题。

2026 年发表于《华东师范大学学报（教育科学版）》的一项研究调查了全国 20 所高校的 12,678 名本科生。研究并没有发现大学生可以简单地分成“用 AI”和“不用 AI”两类，而是呈现出明显分化：42% 属于“审慎体验者”，24% 属于“劳动替代者”，21.2% 属于“均衡探索者”，还有 12.8% 属于高接纳度、高批判性使用的“深度使用者”。

这组数据很有意思。

它说明真正值得教育解决的，从来不是一句“禁止使用 AI”，而是：怎样让更多学生从“让 AI 替我干活”，走向“我知道什么时候该用、怎么验证、什么时候不能信它”。

另一项针对 927 名中国大学生的研究还发现，多数学生掌握生成式 AI，主要靠自学和同伴交流，而不是学校系统地教。

这才是最现实的矛盾之一：

学生已经在使用下一代工具，但学校提供的教育，很多时候还停留在让学生自己摸索怎样使用它。

国际上也一样。英国高等教育政策研究所 HEPI 2026 年对 1,054 名全日制本科生的调查显示，95% 的学生至少以某种方式使用 AI，94% 会在被考核的学习任务中使用生成式 AI；但只有 36% 的学生认为学校鼓励他们使用 AI，只有 38% 表示学校向他们提供了 AI 工具。

也就是说，AI 的普及速度已经明显超过了教育制度的适应速度。

更尴尬的问题是：我们有些作业，本来就非常适合让 AI 做

想象几个大学里再普通不过的任务：

  • 写一篇 3000 字的课程综述；
  • 总结某个概念的发展历程；
  • 按固定模板完成实验报告；
  • 做一份“背景—问题—对策”结构的 PPT；
  • 写一个功能和接口都已经规定好的基础程序；
  • 把教材某一章重新整理成一篇报告。

过去，这些任务需要学生搜索、组织、表达，所以最终成品多少能反映学生投入了多少时间。

但生成式 AI 出现之后，这个对应关系被打断了。

一个格式完整、语言流畅、结构规范的报告，可能来自一个认真查了三天资料的学生，也可能来自一个人在十分钟内写出的几轮提示词。

于是传统考核最依赖的那个假设开始失效：

“我看到了你的成品，所以我大致知道你经历了怎样的学习过程。”

现在我们已经不能再这么推断。

而如果一个课程最核心的考核任务，本身就能被一个通用模型在几分钟内完成，那么首先应该被追问的，不只是“学生为什么用了 AI”，而是：

这份作业原本到底在考什么？

如果答案只是“整理已有知识并写得像一篇文章”，那 AI 暴露的可能不是学生突然变懒了，而是这种评价方式本来就把“产出文本”误当成了“掌握能力”。

HEPI 在 2026 年一篇讨论高校评估改革的文章里提出了一个很尖锐的判断：如果大量被考核的工作都可以由机器生成，那么我们应该重新检查，这些考核是否真的测量了我们以为自己在测量的能力。

我很认同这个方向。

AI 不只是给教育制造了一种新的作弊工具，它还像一面镜子，把一些原本就机械、模板化、结果导向的考核暴露得更明显了。

于是我们开始查“AI 率”，但这并没有解决根本问题

面对这个变化，最容易部署的办法当然是检测。

以前查重，现在查 AI。

我之前专门写过一篇：《AI 都能写作业了，我们为什么还在查“AI率”？》，这里就不重复展开了。

问题在于，AI 文本检测本身很难承担“证明学生有没有作弊”这么重的责任。

2025 年一项面向教育场景的研究构建了包含 900 多篇学生作文、12,500 多篇模型生成文本的数据集。研究发现，当文本不是“纯人工”或“纯 AI”，而是人写之后由 AI 润色、改写，或者人机共同完成时，多种检测器的判断会明显变得困难，尤其存在误判真实学生文本的风险。

2026 年还有研究从数学上讨论了一个更根本的问题：不同学生的语言分布本来就不一样，而检测器面对的却只是最终文本。只要人类写作和模型写作的分布存在重叠，单靠一次文本检测就不可能同时做到既强力识别 AI、又不误伤真实学生。

所以，检测可以是一个信号，但它不应该成为教育改革的替代品。

如果我们把全部精力都花在判断“这句话是不是 AI 写的”，很可能反而错过了更重要的问题：这个学生到底懂不懂自己交上来的东西。

真正该变的是评价：从“你交了什么”变成“你为什么这样做”

AI 时代的大学并不需要放弃考试，也不需要允许学生什么都交给 AI。

相反，我认为考核应该变得更严格，只是严格的地方应该变。

过去容易考的是结果：答案对不对，报告像不像，代码跑不跑。

以后更应该考的是：

你能不能解释问题，能不能判断 AI 给出的答案有没有错，能不能验证证据，能不能说明为什么选择这种方法，以及当工具给你错误答案时，你有没有能力发现。

这意味着大学里的很多课程，其实可以把评价拆成三层。

第一层：基础能力，允许明确地“不准用 AI”

有些东西就是必须自己会。

学程序设计时，最基本的控制流、数据结构、调试思路不能全部外包；学数学时，一些基础推导和概念必须真正理解；学写作时，也不能从第一篇文章开始就完全让模型代写。

这种情况下，闭卷、机考、现场编程、口头回答，甚至明确禁用 AI，都完全合理。

关键在于要告诉学生：这里禁 AI，是因为我们正在测你必须内化的基础能力，而不是因为 AI 本身“不道德”。

第二层：真实工作，应该允许甚至要求使用 AI

进入真实项目以后，规则应该反过来。

如果未来的软件工程师工作时可以用 Copilot、Codex、Claude Code，为什么课程项目要假装这些工具不存在？

如果未来研究人员会用 AI 辅助检索、代码分析、数据处理和语言修改，为什么学生在训练阶段只能偷偷摸摸地用？

这类任务真正应该考的，不再是“能不能不用工具完成”，而是：

  • 能否把一个模糊问题拆成可执行的问题；
  • 能否给 AI 足够准确的上下文；
  • 能否识别幻觉、错误引用和错误代码；
  • 能否验证结果而不是直接复制；
  • 能否对最终成果负责；
  • 能否说明哪些工作由工具完成，哪些判断由自己完成。

这才是真实世界里的能力。

第三层：用答辩和过程证明，确认“这个东西真的是你的”

如果担心 AI 把成品伪装得太好，那就不要只看成品。

让学生现场解释设计决策；随机指出代码的一段要求修改；让他说明为什么采用这个模型；让他解释数据来源；给一个条件变化，看他是否知道原结论会怎样改变。

一篇报告可以让 AI 写得很漂亮。

但一个真正没有理解项目的人，在持续追问下面很快就会暴露。

这比拿一个不透明的百分比去判断“是不是 AI 写的”，教育意义强得多。

“允许使用 AI”也不能变成一句空话

还有一个很容易被忽略的现实问题：如果学校真的把 AI 当作基础学习工具，就必须考虑公平。

不同模型的能力差距很大，有些免费，有些收费；有些国内可以稳定使用，有些需要复杂的账号和网络条件。学生家庭条件、设备条件、支付能力和技术能力不同，最终能接触到的 AI 能力也不同。

如果老师一句“这次作业可以使用 AI”就结束了，实际上很可能变成：谁有更好的模型、更多的额度、更熟悉工具，谁天然拥有更大的优势。

所以真正的“AI 融入教育”，至少意味着学校应该提供可用、合规、基本公平的工具环境，同时明确数据安全和隐私边界。

不能一边要求学生学会 AI，一边把工具、账号、规范和风险全部留给学生自己解决。

高校正在系统推进人工智能通识教育

图：首都师范大学人工智能通识课程课堂。图片来源：北京日报

教师也不能只得到一句“请积极拥抱 AI”

很多时候我们喜欢把问题归结为“老师观念保守”。这也不公平。

一个老师原本已经有完整的课程内容、课件、作业、评分标准和考试方式。生成式 AI 突然出现后，意味着他可能需要重新设计作业，重新定义什么行为算违规，重新思考怎么评分，还要理解不同模型能做到什么、不能做到什么。

这不是更新一页 PPT 就能解决的。

2026 年《“人工智能+教育”行动计划》其实已经把“提高广大教师的智能素养与技能”单独列了出来，并提出分层分类培训、教师智能素养标准等要求。

这件事非常重要。

因为如果老师自己没有真正使用过 AI，他很难设计出合理的 AI 课程规范。最后最容易出现的就是两个极端：

一种是什么都不管，学生随便用；另一种是什么都不许用，只要看起来像 AI 就怀疑。

两者都不是真正的教育。

我们真正需要教的，是“和 AI 一起思考”，而不是“让 AI 替你思考”

支持 AI 融入教育，并不等于认为 AI 越多越好。

我反而觉得，AI 普及以后，独立思考会变得更重要。

因为以前学生最大的困难是“我不知道答案”；以后更常见的困难可能是：

我面前有一个看起来非常像答案的东西，但我不知道它到底对不对。

这时候，真正稀缺的就不再只是信息，而是判断力。

模型可以生成十套方案，但你得知道哪一套适合现实；模型可以引用二十篇论文，但你得确认论文真的存在；模型可以几秒写出几百行代码，但出了线上事故，最终仍然需要有人理解系统为什么会这样运行。

所以大学真正需要培养的能力，正在从“独立生产一个标准答案”，慢慢转向：

提出好问题、理解基本原理、验证信息、做出判断、承担责任，以及使用工具放大自己的能力。

这不是降低教育要求，而是把要求提高了。

AI 不应该摧毁大学教育，它应该逼着我们把大学教育做得更像教育

教育部 2026 年的行动计划里有一句非常值得注意的话：到 2030 年，要让教育教学模式、科研范式和治理模式实现系统性变革。

关键词不是“给现有课堂加一个 AI 助手”。

是变革。

如果最后只是把黑板换成大屏、把搜索框换成聊天框、把查重系统再增加一个“AI 检测率”，而课程目标、作业形式、评价逻辑完全没变，那其实谈不上什么人工智能赋能教育。

真正的变化应该是：

学生可以公开地学习怎样使用 AI，而不是偷偷用；老师可以明确告诉学生哪些任务必须自己完成、哪些任务允许人机协作；学校不再只依据最终成品推测学习过程，而是通过项目、过程、答辩、实践和验证去确认一个人真正掌握了什么。

我们当然要防止学生把思考全部外包给 AI。

但更不能因为害怕这种风险，就把学生训练成一个明明即将进入 AI 普遍存在的社会，却只会在“禁止 AI”的环境里完成任务的人。

大学的职责从来不应该是保护旧的作业形式。

它应该培养能够面对真实世界的人。

而真实世界，已经有 AI 了。

参考资料

  1. 教育部等五部门：《“人工智能+教育”行动计划》，2026。
  2. 马莉萍、郑翔睿、周雪涵：《使用生成式人工智能辅助学习的学生类型画像——基于全国20所高校本科生调查的实证研究》，《华东师范大学学报（教育科学版）》2026 年第 1 期。
  3. 余海芹等：《大学生使用生成式人工智能的特征、群组差异和潜在问题》，2025。
  4. HEPI：《Student Generative Artificial Intelligence Survey 2026》，2026。
  5. HEPI：《What generative AI reveals about assessment reform in higher education》，2026。
  6. UNESCO：《Guidance for generative AI in education and research》。
  7. Gehring, L. & Paaßen, B.：《Assessing LLM Text Detection in Educational Contexts》，2025。
  8. 复旦大学：《发布国内高校首个 AI 新规》及《人工智能共创平台及应用指引》。