大学面对 AI 的问题，不在于要不要用，而在于制度来不来得及变

Ran Blekhman 于 2026 年 8 月 30 日在个人 Substack 发表 《Universities are failing this AI moment》。他从芝加哥大学生物科学部一次面向新教师的座谈写起：有的实验室用 AI 写代码、跑分析、起草论文，有的实验室完全禁用 AI，多数实验室处在两者之间。Blekhman 追问的重点，是大学应不应该把这件事完全交给每个实验室和教师自行处理。1

他的结论很明确：大学需要机构层面的指南、资源和常设协调结构。课程可以有不同规则，学校却不能把隐私、研究披露、工具访问和师生责任都拆散到个人决定里。1

MIT 2026 年 8 月 13 日发布的《AI 教学、学习与研究训练临时委员会报告》提供了一个制度化版本。报告认为，生成式 AI 已经改变本科作业、带回家完成的考试、办公时间和本科研究机会；学生担心自己被错误指控使用 AI，教师也担心传统作业无法再准确测量个人学习。报告把这种相互猜疑称为师生之间的“地下河”。2

MIT 的建议包含两层。学校要提供协调指南、持续资源和长期内部结构；教师仍然要根据课程目标决定 AI 何时允许、限制或要求使用。MIT 报告明确写出“没有一种方案适合所有课程”：诗歌研讨课、数学证明课和建筑设计课需要不同的 AI 关系。教师应先说明学生要学会什么，再决定作业是否使用 AI，而不是先把问题简化成全面开放或全面禁止。2

芝加哥大学校长 Paul Alivisatos 在 2026 年 6 月 2 日宣布，学校将向全体教师和工作人员提供 Claude Enterprise，并在秋季学期前向学生开放 Claude Chat、Cowork 和 Code。公告同时说明，各门课程的政策可以不同，学生需要遵守具体课程规则；学校还设立与 AI 学术生活和 AI 教育有关的教师委员会。统一提供工具与局部制定规则，就这样同时出现在同一套制度里。3

HEPI 与 Kortext 发布的《Student Generative AI Survey 2026》由 Savanta 于 2025 年 12 月调查 1,054 名英国全日制本科生。95% 的受访学生至少以一种方式使用 AI，94% 用生成式 AI 帮助完成评估作业，12% 直接把 AI 生成的文字放进评估作业；这个比例高于 2025 年的 8% 和 2024 年的 3%。4

学生对学校态度的判断却接近对半分：37% 认为所在院校鼓励使用 AI，36% 不这样认为；只有 38% 说学校提供了 AI 工具。68% 的学生认为 AI 技能对未来发展必不可少，只有 48% 觉得教师正在帮助他们培养这些能力。49% 认为 AI 改善了学生体验，部分学生说 AI 帮助他们总结难懂的阅读材料、节省时间并把精力放在批判性分析上；另一部分学生担心技能退化、孤立感和未来就业。4

Blekhman 用加州州立大学的教师调查图把这种分裂画了出来：鼓励、要求、观望、劝阻和禁止同时存在，禁止与劝阻两类合计占 40%。这张图展示的是 CSU 教师政策的分布，不代表所有大学的总体情况。1

MIT 报告把风险推进到研究岗位。部分教师已经考虑用 AI agent 代替本科生研究助理。AI 代理可以更快完成某些研究任务，但本科研究机会本身也是学徒制：学生通过参与真实研究，学习如何提出问题、检查证据、进入研究社群并形成专业判断。学校若只按当期效率配置研究工作，就会把下一代研究者排除在训练链条之外。2

Blekhman 因此区分了两种局部规则。实验室和课程需要根据任务决定 AI 的使用方式；研究申请、招生审查、论文披露和敏感数据处理涉及学校整体责任。一个实验室里的不当使用可以变成学校的法律、隐私或学术诚信问题，单个教师也无法独立提供全校都能访问的安全工具、培训和申诉标准。1

Blekhman 把大学的常规改变流程概括为：成立任务组，委托报告，再成立执行委员会，先在一个单位试点，修正问题，下一年复盘。这个周期按年计算。AI 的模型发布、行为、能力和价格却可能在几周内改变，等一份报告进入执行阶段，报告所依据的技术条件可能已经变化。1

作者用 2020 年的疫情反例说明，大学并非天然无法快速改变。疫情发生后，大学在数周内把课程、考试、评分、招生、住宿和健康流程搬到线上。线上教学的方案有时粗糙，但机构确实完成了大规模重写。Blekhman 据此判断，大学面对 AI 时采用多年周期，更多是因为它把 AI 当成课程修订问题，而非需要立即建立新结构的制度性变化。1

文章最后落到一个双层安排。学校需要统一处理五类跨课程问题：安全的工具访问、敏感数据保护、论文和研究中的 AI 使用披露、教师与学生培训，以及发生争议时的责任边界。学校还需要一个能持续更新规则的常设结构，让新模型和新风险出现时，政策可以在学期内调整。1

教师和院系则应从课程目标出发设计具体办法。MIT 报告建议把课程目标、作业形式和评估方式重新连起来，也建议使用口试、作品集、课堂讨论和项目等方式，让评估重新测量学生的理解与判断。教师可以在同一所学校里分别设置允许 AI、限制 AI 或要求 AI 的课程，但每条规则都应写清楚用途与理由。2

Blekhman 的核心判断由此变得具体：大学需要共同底座，课程需要局部适配，制度还需要足够快的更新速度。把全部决定下放给教师，会让学生、研究人员和教师承担本应由学校处理的风险；把所有课程压成一套禁令，又会抹掉不同学习目标之间的差异。HEPI 的数字说明学生已经进入这个阶段，MIT 的报告和芝加哥大学的公告则说明学校需要把分散的临时应对，改造成可以持续修订的机构能力。123