AI时代大学还应该教什么？从芝加哥大学与MIT的最新AI教育政策说起

生成式AI正在迫使美国大学重新回答一个最基础的问题：当ChatGPT已经能够写论文、完成代码、总结阅读材料，甚至解决相当复杂的数学和推理任务以后，大学教育究竟还应该培养学生什么？

2026年秋季，芝加哥大学开始在本科Social Sciences Core社会科学核心课程中禁止使用生成式AI，并将这些课程设计为更加“analog”的学习环境；与此同时，MIT发布了关于AI在教学、学习和科研训练中应用的系统报告，开始重新审视课程设计、assessment、grading、social learning以及住宿制大学体验本身。

两所大学采取了看起来截然不同的路径。芝加哥大学希望在部分基础学习环境中暂时拿走AI，MIT则接受AI已经成为大学生活的一部分，并试图建立一套“AI-aware education”。但如果把两者放在一起看，它们实际上都在面对同一个变化：AI正在让“得到一个正确答案”变得越来越容易，也因此迫使大学重新定义哪些能力必须由学生本人真正掌握。

这不仅关系到美国大学未来怎样教学，也会影响今天的中学生应该怎样学习、怎样做课外探索，以及我们应该如何理解AI时代的美国大学申请。

芝加哥大学为什么在部分核心课程中禁止AI？

首先需要澄清一个常见误解：芝加哥大学并没有在全校范围内禁止AI。

2026年秋季的新规定针对的是本科Core Curriculum中的Social Sciences Core。根据学校社会科学核心课程的设置，所有本科生都需要完成这一要求，通常通过连续三个quarter的一组课程完成。课程强调小型seminar、close reading和analytic writing，学生需要围绕社会、政治、个人、文化以及社会科学研究方法中的基础问题进行持续阅读和讨论。

芝加哥大学把Core定义为本科生共同的学术基础。它的目标并不仅仅是给学生补充几个领域的知识，而是培养批判性思考、从不同角度处理复杂问题，以及通过与教师和同学讨论形成判断的能力。学校同时强调，写作在Core中并不是简单的表达工具，而是学生深化自己对复杂思想和问题理解的一种方式。

也正因为如此，芝大选择在Social Sciences Core中限制AI，比“某一门课禁止学生使用ChatGPT”更值得关注。

根据2026年8月公布的信息，这些社会科学核心课程不仅禁止AI，还将更多采用纸质文本和必须参加的面对面讨论，让学生尽可能直接面对阅读材料，而不是持续通过电子设备处理内容。负责Social Sciences Collegiate Division的Jenny Trinitapoli解释，这些课程首先希望帮助学生在不依赖AI的情况下阅读、写作和思考。

这里体现的是一个非常重要的教育逻辑：有些能力可以在使用工具之后提高效率，但有些能力必须在使用工具之前首先建立。

如果一个学生还没有形成独立阅读困难文本的能力，就已经习惯让AI首先总结文本，那么他很容易获得“这篇文章说了什么”，却未必真正形成“我如何理解这篇文章”的能力。如果学生每次遇到论证困难时都让AI帮助生成思路，他可能得到结构更加漂亮的文章，但这并不能自动证明他真正学会了怎样建立自己的论证。

从信息获取的角度看，AI当然更高效。一篇困难的社会理论文章，一个学生可能需要一两个小时才能初步梳理，而生成式AI十几秒钟就可以给出核心观点、背景、论证路径以及可能的反驳。但如果课程真正要训练的是学生经历“读不懂—重新阅读—提出解释—受到反驳—修改判断”的过程，那么AI跳过的恰恰可能是最有教育价值的一部分。

因此，把芝大的变化简单理解成“美国名校开始反AI”并不准确。更合理的理解是：当AI可以替学生完成越来越多认知任务以后，大学开始主动划定一些必须由学生亲自完成的学习过程。

MIT的AI教育报告：问题已经不是“能不能用ChatGPT”

MIT采取了与芝大明显不同的方式。

2026年8月25日，MIT公布了Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training的最终报告。MIT校长Sally Kornbluth在给学校社区的公开信中，把生成式AI对教育和科研模式带来的变化称为整个MIT以及高等教育的一个“watershed”，也就是分水岭。

MIT没有制定全校统一的AI使用禁令。学校甚至明确表示，2026年秋季仍然不存在一套所有课程都必须遵守的统一AI政策。相反，MIT建议每门课程都应该清楚告诉学生生成式AI在什么情况下可以使用、什么情况下不能使用，并解释其中的理由。

这意味着美国大学关于AI的讨论正在从简单的“Allowed / Not Allowed”，转向一个更加复杂的问题：这门课到底希望学生获得什么能力？

例如，一门高阶软件工程课程完全可能允许甚至鼓励学生使用AI辅助编程，因为AI已经成为真实工程环境中的生产工具。这种情况下，教师真正需要考察的可能是学生能否定义问题、设计系统、判断AI生成代码的质量、发现错误并完成复杂工程，而不是学生能否在完全没有工具的情况下逐行敲出所有代码。

但是在基础课程中，情况可能完全不同。如果课程目的就是训练一个学生理解基本算法、数学证明或者写作结构，那么某些作业限制AI就有合理的教学价值，因为教师首先需要知道这些基础能力是否真正属于学生本人。

MIT的做法实际上提出了一个比“大学应不应该禁止ChatGPT”更加重要的问题：我们为什么要布置这份作业？

如果答案只是“为了获得一个正确结果”，那么AI很可能可以提高效率；但如果答案是“为了让学生在得到结果的过程中形成某种能力”，那么学习过程就不能完全被工具替代。

AI为什么正在挑战美国大学传统的考试与评分方式？

AI对美国大学教育最大的影响之一，很可能不是课堂是否允许使用ChatGPT，而是传统assessment体系开始受到挑战。

大学长期以来依靠论文、数学题、证明、编程作业和take-home assignment来判断学生是否真正掌握知识。这套体系背后存在一个长期默认的假设：学生提交的成果，大致能够代表学生拥有的能力。

生成式AI正在削弱这层关系。

MIT委员会指出，现有AI已经可以对论文、数学问题、proof和coding assignment等几乎各种书面任务给出可信的回答。正因为如此，报告把assessment和grading列为需要重新思考的重要环节，并讨论了competency-based assessment等替代方案。

这并不意味着美国大学未来都会取消GPA，或者传统作业很快会消失。更现实的变化可能是，大学会越来越重视那些能够观察“学生如何思考”的评价方式，而不是只看最终提交的成果。

例如，学生可能需要现场解释自己的分析过程；一个项目可能需要同时评价设计、修改和反思，而不仅仅看最终产品；实验、presentation、oral defense、seminar participation以及真实协作都可能承担更重要的评价功能。

背后的逻辑非常清楚：当AI越来越擅长“生成一个看起来正确的结果”，大学就必须找到更多办法判断一个学生是否真正拥有产生、理解和判断这个结果所需要的能力。

什么是cognitive friction？为什么AI时代的学习仍然需要“困难”？

MIT关于AI教育的讨论中，一个特别值得关注的概念是cognitive friction，也就是“认知摩擦”。

现代技术产品通常努力减少摩擦。我们希望搜索信息更快、完成任务需要的步骤更少、软件能够自动处理重复工作。生成式AI进一步强化了这种趋势：以前可能需要数小时的资料整理、文字处理或者代码调试，现在可能在几分钟内完成。

在真实工作环境里，减少大量无意义劳动当然是一种进步。但教育有一个非常特殊的地方：有些困难本身就是学习过程。

一个学生面对一道没有思路的数学题，经过数次错误尝试才找到方法；一段程序连续运行失败，最后通过debug真正理解问题；一篇复杂的哲学或者社会科学文章第一次完全读不懂，经过重复阅读和课堂争论才逐渐形成自己的解释。这些经历看起来效率很低，却恰恰可能是能力形成的过程。

MIT委员会在讨论social learning时提出，学习之所以有效，往往因为它同时具有挑战性和社会性。和同学一起拆解证明、反复调整实验、围绕一个问题进行真实争论，这些都构成了学习需要的“认知摩擦”。与此同时，委员会也注意到AI可能带来的另一面：一些学习小组减少，教授office hours的来访下降，人与人之间原本发生的一部分学习互动正在被AI取代。

因此，AI时代教育需要做的并不是主动制造低效率，而是学会区分两种不同的“困难”。

一种困难来自机械和重复劳动。例如修改格式、整理基础信息、大量重复计算，或者查找某项非常明确的资料。这些任务大量交给AI并不会损害教育价值，反而可以释放时间。

另一种困难则来自真正的认知挑战。例如第一次建立自己的论证、解决没有现成路径的问题、发现自己的判断存在漏洞、处理失败，或者与另一个不同观点进行认真交锋。这些过程如果也被AI全部代劳，学生可能完成了更多任务，却没有获得更多能力。

对于AI时代的大学教育而言，真正重要的问题不是“效率越高越好”，而是：哪些摩擦应该由技术消灭，哪些摩擦必须保留，因为它们本身就是教育。

为什么AI越强，美国大学反而越重视面对面的学习？

MIT报告另一个值得注意的方向，是对social learning、community和residential experience的重新强调。

这看起来有一点反常。一所全球最具代表性的科技大学，在AI能力快速提升的时候，为什么反而开始强调面对面的课堂、学习小组、教授office hours、实验室合作和校园共同体？

原因可能恰恰在于，AI正在削弱大学作为“知识传递机构”的传统优势。

今天的学生可以在线学习世界一流大学的课程，可以快速搜索论文，也可以拥有一个几乎24小时在线的AI tutor。如果大学的主要价值只是“教授向学生传递知识”，那么随着知识获取成本持续降低，一个家庭必然会更加认真地问：为什么学生仍然需要花四年时间生活在一个昂贵的大学校园里？

真正难以复制的，可能是人与人之间长期、高密度而且不可预测的互动。

学生和教授面对面的讨论，并不只是从教授那里“得到答案”。一个真正了解学生的教授可能持续质疑他的假设，让他意识到自己没有发现的问题；一个同学可能因为完全不同的家庭、文化或者学术背景，迫使他重新理解一个原本认为理所当然的问题；一个团队项目的价值，也不仅仅是最后做出了什么，而是学生如何与不同能力、不同意见的人一起解决问题。

AI可以越来越好地模拟一个对话对象，但真实校园中的人际关系包含责任、冲突、合作、失败、长期观察以及不可预见性。这些因素恰恰是很多学生成长真正发生的地方。

因此，AI越擅长回答问题，大学反而越可能重新强调seminar、lab、office hours、团队合作以及residential experience。这不是技术倒退，而是大学开始重新区分“什么可以在线和自动化完成”与“什么必须发生在人与人之间”。

AI时代，学生究竟需要什么能力？

对于中学生和家长而言，芝加哥大学与MIT的变化真正重要的地方，不是应该马上决定“孩子到底能不能用ChatGPT”，而是重新思考我们对“能力”的定义。

过去，学生很容易通过几个可见结果证明自己优秀：记住更多知识、在更短时间完成更多习题、写出结构完整的文章、完成复杂程序，或者制作一个看起来非常专业的项目。所有这些能力依然有价值，但它们中的很多已经成为AI进步最快的领域。

未来越来越重要的，可能是那些无法仅通过生成一个结果来证明的能力。

例如，一个学生能否发现真正值得研究的问题，而不仅仅是回答已经存在的问题；面对没有标准答案的事情，能否形成自己的判断；能否发现一段看似合理的AI回答其实包含错误假设；项目失败以后，能否调整方向继续推进；面对不同意见时，能否理解对方，同时修正或者捍卫自己的观点。

这些能力其实并不是AI时代才出现的新概念。Critical thinking、intellectual curiosity、independent judgment、collaboration和resilience一直都是美国大学教育重视的部分。AI真正改变的是，它让“成果”越来越容易生成，也因此让成果背后的思考过程变得更加重要。

AI会怎样影响未来的美国大学申请？

目前没有理由简单判断，美国大学会因为AI而彻底改变本科招生标准。但从教育端已经发生的变化来看，有一个趋势值得学生和家庭提前思考：一个漂亮成果本身，未来可能越来越难单独证明一个学生真正拥有相应的能力。

过去，一个成熟的网站、一篇research paper、一段复杂代码或者一项看起来完整的社会项目，本身可能就有较强的信息价值。但今天，AI可以帮助学生完成调研、写作、编程、视觉设计和数据分析，一些原本需要大量技术执行才能完成的成果，其生产成本正在迅速下降。

这并不意味着课外项目和学术成果会失去意义。恰恰相反，一个真正由学生长期推动的项目仍然能够非常充分地体现他的能力。但未来更重要的，可能越来越不是“东西做得有多漂亮”，而是这个学生是否能够解释：为什么做这件事？问题从哪里产生？过程中遇到了什么？什么地方失败过？为什么改变方向？AI参与了哪些环节？哪些决定是学生本人作出的？

这也是启树 Sprout 在一对一长期Mentoring中非常重视的部分。

我们并不把Mentoring理解成“提前设计一份大学申请背景”。一个中学生真正有价值的探索，通常也不是先决定“我要做一个什么项目让招生官喜欢”，再逆向制造经历。更加自然的路径应该是从一个真实兴趣或者问题开始，在持续阅读、尝试、失败、交流和修正中，让学生逐渐形成自己的方向。

AI当然可以参与这个过程。它可以帮助学生迅速了解一个陌生领域、寻找资料、测试代码或者整理想法。但好的Mentoring需要不断帮助学生区分：哪些工作可以交给AI提高效率，哪些判断不能外包，因为那恰恰是学生需要形成的能力。

当一个Research Project、网站甚至完整商业计划书都越来越容易被AI辅助完成以后，“项目数量”可能会变得更加廉价，而项目背后的问题意识、持续投入以及学生本人真正拥有的理解会更加珍贵。

AI时代，好的教育不是拒绝工具，而是知道什么时候不用工具

所以，把芝加哥大学与MIT分别概括成“反AI”和“拥抱AI”，都过于简单。

芝大选择在Social Sciences Core中暂时拿走AI，是为了确保本科生首先能够独立阅读、写作和思考；MIT接受AI已经成为现实，却开始重新设计课程、AI policy和assessment，希望学生使用工具之后，大学依然能够确认哪些能力真正属于学生本人。两所学校采取的方法不同，但最终都在回答同一个问题：哪些能力可以外包给AI，哪些能力必须先属于一个人自己？

这也是AI时代教育真正需要回答的问题。

未来的美国大学不会是一所“没有AI的大学”。学生当然需要熟练使用AI，因为他们未来进入科研、工程、金融、法律、医学、传媒或者创业领域，都不可能回到一个没有这些工具的世界。

但如果一个学生只有在AI存在时才能理解复杂材料、建立论证、解决问题或者形成观点，那么AI就不再只是提高效率的工具，而开始替代他本应拥有的能力。

好的教育真正需要培养的，也许是一种越来越重要的判断：知道什么时候应该借助AI快速前进，也知道什么时候应该关掉工具，自己承受一段必要的困难。

当答案越来越容易获得以后，一个人真正稀缺的能力，不再只是能不能找到答案。

而是面对一个没有标准答案的问题时，他是否仍然能够独立理解、提出问题、形成判断，并承担自己的答案。

这或许才是AI正在给大学教育带来的最深刻变化。

文末来源

Sprout启树

启迪智慧·树人根本

扫码关注公众号，获取后续更新