一张大学教师在空荡荡的教室里授课的照片，正在成为一种隐喻。讲台上站着人，座位上空无一人——不是因为被动隔离，而是因为学生们可能正在屏幕前与聊天机器人对话。人工智能的浪潮席卷高等教育，但最大的风险并非我们反复讨论的作弊问题，而是对学习本身生态系统的缓慢侵蚀。
这是麻省大学波士顿分校哲学教授兼应用伦理中心主任尼尔·艾西科维茨，与该中心初级研究员雅各布·伯利共同提出的核心观点。在一份最新发布的白皮书中，两位学者系统梳理了人工智能在高等教育中日益广泛的应用，并警示：随着机器越来越擅长“做学问”，大学赖以生存的学生、教师和研究人员，以及他们之间的传承关系，正面临被掏空的危险。
作弊只是冰山一角
关于人工智能与大学的公开辩论，绝大多数焦点都放在一个问题上：学生会不会用聊天机器人代写论文？教师能否识破？是否应该全面禁止？
在艾西科维茨和伯利看来，这些担忧虽然可以理解，却严重偏离了更核心的议题。人工智能早已渗透到大学机构生活的方方面面——从分配资源、标记“高风险”学生、优化课程安排，到自动化日常行政决策。学生用它总结文献、辅助学习；教师用它布置作业、编写教学大纲；研究人员用它写代码、扫描论文，把数小时的繁琐工作压缩到几分钟。
问题不在于个别人是否作弊，而在于：当机器越来越能胜任科研和学习本身时，大学还有什么不可替代的意义？
三种人工智能，三层风险
为了厘清这一问题，两位作者将当前高等教育中的人工智能应用分为三个层次。
第一层：非自主系统
招生审核、采购、学术指导、风险评估——这些领域早已部署了人工智能软件。它们被称作“非自主系统”，因为尽管能自动执行任务，但仍需要人类将其作为工具来操作。
这一层带来的问题相对传统：学生隐私、数据安全、算法偏见、透明度缺失。谁有权访问学生数据？“风险评分”如何生成？系统会不会加剧不平等，把某些学生当作需要管理的“问题”？
这些问题固然重要，但大学毕竟设有合规办公室、伦理审查委员会等治理机制。真正棘手的，还在后面。
第二层：混合系统
混合系统包括人工智能辅导聊天机器人、个性化反馈工具、自动写作支持等。它们大多依赖生成式人工智能，尤其是大型语言模型。人类设定总体目标，但系统为实现目标所采取的中间步骤，往往并未被明确规定。
正是在这里，艾西科维茨和伯利找到了“作弊”讨论的恰当位置。但他们随即指出，混合系统引发的伦理问题远不止于此。
第一个问题是透明度。 聊天机器人自然的语言界面，让人难以分辨自己是在与真人还是机器对话。学生复习考试时，应该知道自己是在请教助教还是机器人；收到期末论文反馈时，需要知道评语是否出自老师之手。如果这一切变得模糊，匹兹堡大学的研究已经表明，学生会产生不确定性、焦虑和不信任感。
第二个问题是问责与署名。 如果教师用人工智能生成作业，学生也用人工智能完成作业，那么谁来评估？评估什么？如果反馈部分是机器生成的，当它误导学生、打击学生积极性或包含隐性偏见时，谁来负责？当人工智能对研究成果的合成或写作做出实质性贡献时，大学亟需制定更清晰的署名规范——不仅针对学生，也针对教师。
第三个问题最为关键：认知卸载。 人工智能的确减轻了繁琐工作，这本身不是坏事。但它也可能使用户跳过那些真正培养能力的环节——产生想法、克服困惑、修改笨拙的草稿、发现自己的错误。而这些，恰恰是学习的核心。
第三层：自主代理
最具颠覆性的变革，可能来自那些更像“智能体”而非“助手”的系统。虽然真正自主的人工智能仍是愿景，但“一台内置在机器中的研究人员”——能够独立开展研究的智能系统——正变得越来越现实。
在科研领域，某些机器人实验室已经能够持续运行，自动化大部分实验步骤，甚至根据先前结果自主选择新实验。在教学领域，人们期望这些工具能“解放时间”，让教师专注于更具人文素养的工作，而把日常教学交给效率更高的系统。
乍看之下，这似乎是生产力的巨大飞跃。但艾西科维茨和伯利提出了一个深刻的警示：大学不是信息工厂，而是实践体系。
大学依赖于源源不断的研究生和青年学者——他们通过参与研究和教学来学习。如果自主系统承担了更多以往作为学术生涯入门途径的“常规”职责，大学或许仍能开设课程、出版刊物，却在悄然瓦解那些长期维系专业技能的机会结构。
同样的逻辑也适用于本科生。当人工智能能按需提供解释、草稿、解决方案和学习计划时，人们很容易把学习中最具挑战性的部分交给机器。对于那些推动人工智能进入大学的行业来说，这类工作似乎“效率低下”，学生最好让机器来做。
然而，认知心理学早已表明：学生正是在起草、修改、失败、再次尝试、应对困惑、修正薄弱论点的过程中，智力才得以成长。这正是学习如何学习的过程。
大学：是证书工厂，还是实践生态？
综合以上分析，艾西科维茨和伯利得出结论：高等教育自动化带来的最大风险，并非机器取代某些具体任务，而是长期以来支撑教学、研究和学习的整个实践生态系统的侵蚀。
这引出了一个令人不安的追问：在知识工作日益自动化的今天，大学存在的意义是什么？
一种可能的答案是：大学主要是生产证书和知识的引擎。核心问题是产出——学生是否毕业？论文是否发表？如果自主系统能更高效地产出这些结果，大学完全有理由采用它们。
但另一种观点认为，大学的价值部分在于其生态系统本身。这种模式赋予了新手成长为专家的机会渠道、培养判断力和责任感的导师制结构，以及鼓励积极探索而非一味追求效率的教育设计。重要的不仅是知识和学位是否被生产出来，而是它们如何被生产出来，以及在这个过程中塑造了什么样的人才、能力和社群。
两位作者明确表示，他们倾向于后一种理解。在他们看来，大学的作用不亚于成为一个可靠的、能够培养人类专业知识和判断力的生态系统。
一个必须回答的问题
在知识工作本身日益自动化的时代，艾西科维茨和伯利敦促每一所大学扪心自问：高等教育对学生、对青年学者、对它所服务的社会，究竟负有什么责任？
这些问题的答案，不仅将决定人工智能在大学里的应用方式，更将决定现代大学的未来走向。那张教师在空荡荡教室里的照片，或许不只是对过去的怀念，更是一个关于未来的预警信号。
新研究表明，使用 AI 仅 10 分钟就可能使人变得懒惰和愚钝
AI 或将取代你的工作，但它也将创造这 22 种新职业AI 巨头紧密布局，Google、OpenAI、Anthropic 教育应用加速进入院校课堂