MIT（麻省理工学院）是一所与 AI 发展深度绑定的顶尖学府。过去几十年里，大量机器学习、人工智能领域的重要研究者，都与 MIT 有着密切联系。
但现在，这所深度参与塑造了 AI 的顶尖学府，开始认真思考一个问题：
如果 AI 正在改变整个社会，它会不会也反过来颠覆大学教育本身？
最近在 MIT 一场与教师的听询会上，有人甚至提出了一个相当直接的问题：既然 AI Agent 做研究助理又快又便宜，那么，UROP（MIT 的本科生研究项目）是不是可以不再招学生了？
仔细想想，这个提议听起来也并不荒谬。AI 不需要漫长的培训，不需要考虑工作时间，可以 7×24 小时运行，而且在很多任务上已经比本科生更快、更稳定。
如果你是经费紧张的实验室负责人，很难不心动。
但，如果你是校长，可能就不得不继续思考：大学究竟为什么要让学生花四年时间聚在一起？
2026 年 8 月，MIT 发布了一份 38 页的内部报告《AI 在教学、学习与研究训练中的使用》。这份报告由 MIT 五个学院的教授、本科生、研究生和行政人员共同参与，历时五个月完成。
其中，真正更加值得追问的是：当 AI 已经能够完成 MIT 本科课程中的大部分作业时，大学教育本身，到底还剩下什么？
AI 正在杀死校园学习文化
MIT 在 2026 年春季的调查显示：46% 的本科生每天使用大模型，超过 80% 的人用它来讲解课程内容。
但学生一边高频使用，一边深感焦虑：同一批学生中，90% 担心自己过度依赖 AI，67% 表示“非常担心”。
在 ChatGPT 发布之前，MIT 的学习小组文化，是它最特色的地方：几个学生围在白板前争论一道数学证明题的场景，几乎就是 MIT 的符号。
而最近三年内，随着 AI 和 Agent 的大量普及，MIT 的校园文化开始发生巨大的变化。教授答疑时间（office hour）门可罗雀，线上讨论区参与度下滑，宿舍和图书馆里的线下学习小组正在消失。
MIT 把这些出现的症状，归因于一个更深层的问题：AI 给学生制造了“学习的幻觉”。
可以引用一个心理学概念描述这个现象：认知投降。
这个概念的意思是，当学生从聊天机器人那里迅速得到一个正确答案，大脑会产生“我已经理解了”的错觉。但实际上：学生在刚遇到困难的瞬间，就把思考外包给 AI 了，而真正的学习恰恰发生在解决困难的瞬间。
与此同时，MIT 的学生也出现了苦 AIGC 检测久矣的现象：教师被迫花大量精力去判断学生的作业是否由 AI 完成，学生则恐惧被 AI 检测器误判。
这种“相互猜疑”正在侵蚀师生关系：学校围绕 AI 加强监控，正在师生之间制造出一种互相猜疑的对抗氛围，而这对学生的积极性与士气是一种实实在在的伤害。
一个三输的教育局面就此成立：
教师不信任学生，学生不信任教师，而 AI 检测工具又不值得任何人信任。
面对这种系统性错位，大学该如何破局呢？
MIT 如何破局
报告中提出了八项指导原则，值得关注的是贯穿其中的三条主线：恰恰是当前多数高校 AI 政策里，集体缺少的维度。
第一条主线是：姿态上，保持谦卑和保持果敢。
MIT 认为，把 AI 教育政策当成一次性任务来完成，是最大的战略错误：你不可能在 2026 年写一份文件，然后指望它在 2028 年还管用。
所以应该保持谦卑：任何今天看起来正确的政策，都可能被明天 AI 的技术进展推翻。与此同时，需要保持果敢，因为，不确定性不能成为不作为的借口。
因此，MIT 的建议是建立持续迭代的机制，而不是短期就追求一个完美的最终方案。
第二条主线是：回归教育的本质：允许犯错。
回到开头提到的问题：既然 AI Agent 当研究助理又快又省，那么本科生研究项目，是不是可以不再招学生了？
报告认为，这项计划存在的意义是教育，不是给教授提供廉价科研劳动力。因为用本科生做研究带来的“低效”，是教育结构的特性，而非 bug：
一个本科生花三周做出来的文献综述，质量可能不如 AI 花三分钟生成的。
但那三周里发生的事情，包括走弯路、犯错误、和导师讨论、在实验室里观察研究生怎么工作，这些才是 UROP 项目真正要提供的东西。如果把这些都优化掉，UROP 就只剩下一个空壳。
同样的逻辑也适用于教师端。
当教师用 AI 生成讲义、用 AI 批改作业、用 AI 撰写反馈意见时，学生也产生了质疑：“如果老师只是放 AI 生成的课件，我为什么还要来上课？”
MIT 的校报做过一次投票，大多数学生对 AI 助教的形式感到不适。
报告由此提出了一个对等要求：教师必须披露自己的 AI 使用情况。如果你要求学生对 AI 使用保持透明，你自己也得做到。双向透明，是重建师生信任的前提。
第三条主线借用了 MIT 三位经济学家的概念。
Daron Acemoglu、David Autor 和 Simon Johnson 在一篇论文中提出了“亲劳动者 AI”（pro-worker AI）的概念，主张企业应该开发增强工人能力的 AI，而不是替代工人的 AI。
MIT 把这个概念平移到了教育领域：大学需要的是“亲学习者 AI”（pro-learner AI）。
也就是说，AI 应该扩展学生能思考、能学习、能解决的边界，而不是替学生免除思考、学习和创造过程中那些困难但有价值的部分。
MIT 给这种有价值的困难，取了一个名字，叫“艰难的乐趣”（hard fun）。
AI 应该增强学生的好奇心与判断力，而不是通过自动化让好奇和判断消失。
AI 时代，回归教育的初心
讲完了原则，那如何在校园里落地到日常呢？
第一个方法叫反向设计。
多数教师面对 AI 的第一反应是：“这门课该不该禁用 AI？”。
这个问题问错了，正确的起点是先定义：“学生结课时应该会什么”，然后倒推作业与考核形式。
AI 在这个过程中有用就用，无用就弃。
这听起来像常识，但它实际改变了决策的顺序：当你从“禁还是不禁”出发，你的思考框架是围绕 AI 的；当你从学习目标出发，AI 只是众多手段中的一个。
AI 可以帮你写出一篇漂亮的论文，但它没法替你在口试中回答教授们的追问。所以配套的考核建议，则明确指向那些 AI 难以代劳的形式：口试、学期作品集、课外作业搭配课上当面对谈。
也就是说：考察学生的不应该只是结果，而应该看学生在整个过程的思考。
第二个方式是制定相关规矩的清单。
提供四个选项：完全开放 AI（绿色）、仅限辅助 AI（黄色）、强制使用 AI（蓝色）、严格禁止 AI（红色）。每门课从清单中选择一档，写进教学大纲，并且必须附上理由。
清单的一个好处是降低了教师的决策负担：你不需要从零开始制定新的 AI 规矩，只需要从四个选项中选一个，然后把精力花在解释理由上。
另一个好处是，通过“必须附上理由”让教学目的更加清晰：
如果一位教师告诉学生“本课禁止使用 AI，因为 AI 使用是作弊”，学生得到的信息是一条规则。
但如果教师说“本课禁止使用 AI，因为你需要亲自经历从错误中学习的过程，这个过程是 AI 无法替代的”，学生得到的是一个关于学习本质的认知。
第三个方式：明确建议不要依赖 AI 检测器。
这是因为：AI 检测器查不出灰色地带的使用。学生用 AI 改了个提纲、润色了一段话，这些行为检测器基本无能为力。其次，检测器会把非母语者和部分学生的文字误判为 AI 生成。哪怕误判率很低，对被误判的个体来说后果都很严重。
最根本的一点，也是刚才提到的：依赖检测器的监控姿态，本身就在制造师生对立。
与其投入资源去抓作弊，不如投入资源去设计让作弊失去意义的评估方式。
教育是“源于人、由人塑造，最终服务于人”（of humans, by humans, in support of human flourishing）。
当机器越来越擅长给出答案，大学存在的理由反而要回归初心：
学生来到这儿，不是为了获取信息，因为信息在互联网上免费且无限。
学生们来到这儿，是为了在与人的碰撞中获取某种独特的乐趣，以及长成某种仅靠自己学习无法长成的样子。
而这，也是大学的意义。
同时，也是观猹学社存在的意义。
顺带一提，在 2025 年秋季的校报调查中，超过三分之二的学生认为 AI 对自己的职业生涯至关重要，但只有 25% 觉得 MIT 在“教他们如何专业地使用 AI”上真正做到了。
这个巨大的供给缺口，恐怕不只是 MIT 的问题。
大学，要跟上 AI 时代，才能真正给学生提供好的土壤。而学生，也要根据大学对于 AI 的态度，重新选择大学：如果你的大学不提供 Token，请立即退学。
观猹学社，希望能做大家线上的“AI 大学”。
文章来自于"特工宇宙"，作者 "特工宇宙"。