大学里的人工智能：教与学之间日益扩大的鸿沟

人工智能在大学里真正引发的，与其说是一场地震，不如说是一张X光片。语言模型以近乎零的成本，产出的恰恰是这套体制几十年来一直在奖励的东西：流畅、像模像样的学术文字，却不保证背后真有理解。正因如此，它们让一场早已存在的教与学之间的危机显形了。公共讨论分成三派：有人宣称AI“搞垮”了大学，有人组织抵抗，有人兜售救赎。三派争的都是工具，几乎没人讨论关系。

机器充当翻译

先说一个常被一笔带过的数据。HEPI与Kortext于2026年3月发布的英国调查，于2025年12月访问了1054名全日制本科生。调查显示，95%的人以某种方式使用AI，94%曾把它用于计分作业，而2024年这一比例为53%。新闻标题到此为止：几乎人人都在“作弊”。但在这些作业中，最普遍的用法并不是粘贴生成的文字：据报告图4，只有12%承认这样做过，2024年为3%。最普遍的用法占61%，是让机器解释概念；用报告自己的话说，近三分之二的学生用AI来让人给自己讲解概念。

语言模型以近乎零的成本，产出的恰恰是这套体制几十年来一直在奖励的东西：流畅、像模像样的学术文字，却不保证背后真有理解。

这个数字值得冷静看待，因为它是自我报告，只来自一个国家，样本也只是本科生。即便如此，它说出了任何一场道德恐慌都不愿听的东西：多数学生把AI当作翻译，用来弄懂课堂上、读物里或题目中没看懂的内容。企业自己发布的报告——属于利益相关方的信息源，也该这样去读——指向同一方向。Anthropic的第一份教育报告分析了2025年4月大学生与Claude的对话，发现39.3%用于创建或改进教学内容，其余很大一部分是请求技术性讲解。

1965年，皮埃尔·布尔迪厄、让-克洛德·帕斯隆和莫妮克·德圣马丁出版了Rapport pédagogique et communication，英译本题为Academic Discourse: Linguistic Misunderstanding and Professorial Power。他们对法国大学生做词汇测试，测量学生对授课语言究竟懂多少。结果显示理解程度很不完整，且与社会出身挂钩，而教师却视之为理所当然；学生则很快学会培养一种建立在熟悉词汇之上的理解幻觉。这本书的结论令人不安：教学关系建立在语言误解之上，也建立在双方共同维持的“这种误解并不存在”的虚构之上。老师装作被听懂了，学生装作听懂了。两种幻觉互为借口，而凭家庭出身掌握这套语域的人一开始就占了先机。

六十年后，这种误解找到了一个工业化的中间人。光叫它作弊是不够的。正在发生的，更像是把课堂从未彻底完成的翻译工作外包了出去。有意思的问题不再是机器讲得好不好——有时讲得好，有时胡编——而是为什么需要一个翻译。

一场有出生日期的危机

这段谱系比布尔迪厄更古老，还带着科尔多瓦口音。大学改革的《序言宣言》落款于1918年6月21日，由德奥多罗·罗卡执笔，描绘了一种建立在“大学教授之神授权利”之上的大学体制。它提出了另一种权威观：在学生之家里，权威不是靠命令行使的，“而是靠启发与关爱：靠教导”。它还留下一句任何质量委员会都该挂在墙上的话：“如果施教者与受教者之间没有精神上的联结，一切教学都是敌对的，因而也是贫瘠的。”它谈的不是技术，而是一段破裂的关系，以及等级制度修补不了这段关系。

半个世纪后，伊万·伊里奇在《去学校化社会》（1971）中写道，学校教会学生把教学混同于学习，把升级混同于教育，把文凭混同于能力，把流利混同于说出新东西的能力（译文为笔者所译）。放到2026年来读，最后这一对几乎就是对语言模型的技术描述。LLM就是纯粹的流利：它生成的是一篇“理解了某些东西”的文本那层像模像样的表面。如果一个机构本来就把流利错当能力，那么一台廉价的流利机器就让它再无借口可找。

流利与学习之间的混淆也有人测量过。2019年，路易斯·德斯洛里耶领导的哈佛物理团队把学生随机分组，比较了由经验丰富、评价良好的教师讲授的讲座课和针对同样内容的主动学习课（PNAS，2019）。主动学习的学生学得更多，却觉得自己比听讲座的学生学得更少。作者指出，认知上的吃力被当作学得更差的信号，而一位出色的讲者能制造出强烈的学习感，以致学生反而更偏爱他。早在聊天机器人出现之前，流利就已经在制造“学到了”的感觉。

这种解读对我来说并不新鲜，而时间线很重要。2020年7月，正值疫情，比ChatGPT早两年，我与Edgar Iglesias、José Luis Lalueza和Moisès Esteban-Guitart在《国际社会正义教育杂志》上联署了一份宣言。它在标题里就呼吁一种批判的、代际的、可持续的、社群的教育，并主张改革那些刻不容缓的东西。疫情第一次让这一切显露出来，AI又让它再次显露。这场危机并不以某个商业产品的发布日为起点。

三条战壕，同一个预设

断裂论说，AI搞垮了论文、评估乃至思考本身。抵抗论的回应是禁令、检测器、公开信和重回手写考试。炒作论则许诺给每个学生配一位私人导师，外加大把大把的机构授权。三派看似势不两立，却共享一个预设：在AI之前，作业和考试是能证明学习的。如果真是这样，那确实有东西被打破、有东西要捍卫、有东西可改进。如果不是，三派争论的就是一个从未真正存在过的原版。

三派看似势不两立，却共享一个预设：在AI之前，作业和考试是能证明学习的。

西摩·佩珀特早在1987年就给这个错误起了名字，见《Computer Criticism vs. Technocentric Thinking》（Educational Researcher，16(1)）：技术中心主义思维。也就是追问计算机对学习做了什么，仿佛计算机是一个行动者，而不是某种文化中的一个部件。每条战壕还各有自己奉若神明的论文。危言耸听者引用MIT媒体实验室的预印本Your Brain on ChatGPT——只有54名参与者，走红时还未经同行评审——仿佛那是一份思维的尸检报告。热衷者则引用显示对成绩有正面效应的元分析，而这些元分析往往建立在短期研究之上，测量的是工具还能用时的产出质量。

设计更严谨的研究讲的是另一回事。在一项针对中学生的田野实验中，Bastani及其团队（PNAS，2025）比较了不设防护的GPT-4与一个被设计成导师、只给提示不给答案的版本。用无防护版本时，练习期间成绩提高，工具一撤走成绩就下滑。用导师版本时，这种损害在很大程度上得到缓解。Fan、Gašević等人在British Journal of Educational Technology（2025）发表的一项针对117名大学生的随机实验发现，用ChatGPT写作的人交出的文本更好，却没有学到更多。作者给它起了个已在流传的名字：“元认知惰性”。在421，Tomás Milgron曾从认知主权的角度梳理过这批文献。我想强调的，是这些研究关于大学而非关于大脑说了什么。决定性的不是工具，而是施教者、学习者与被评估之物三者关系的设计。也就是说，恰恰是各条战壕都不讨论的东西。

从广告的角度看，这种缺漏更明显。进大学之前，我做过互动传播，当过创意总监，也当过文案和策划；那些年里，策略规划在传播流程中处于核心位置。光确定受众、打磨信息是不够的：得弄明白这些人的生活里正在发生什么，我们又将在怎样的媒介与技术时刻对他们说话。用这种眼光看，“断裂”修辞一眼就能认出来是一种广告文体，而不是诊断。事实上，它是做得很到位的策划：捕捉一种时代焦虑——面对一项几乎没人真正弄懂的技术时的不安——再把它包装成叙事交还回去，有之前、有之后，中间摆着一样要么接受、要么拒绝的东西。业界这么干是本分。奇怪的是，大学里相当一部分讨论买了这套叙事的账，却没有问出策划工作里从不缺席的那个问题。关于工具和信息，大家已经讨论到腻；关于学生的生活里发生着什么，以及这种生活所处的媒介与技术时刻，讨论就少得多了。

闭环，以及奖励正统的检测器

如果看整个系统，会出现比作弊更奇怪的东西：一个闭环。学生用AI写作。教师用AI设计教材，有时还用它批改。Anthropic关于大学教师如何使用Claude的报告分析了2025年5月和6月约74000段对话，来自绑定高等教育邮箱的Free和Pro账户，并辅以对东北大学教师的问卷调查。评估学生表现占总量的7%，而在这些对话中，48.9%的情况下任务是以自动化方式交给机器完成的。尽管受访教师自己认为，批改恰恰是AI最不管用的领域，情况依然如此。

科研也未能置身事外。一项针对ChatGPT问世后举办的四场大型AI会议的估算得出结论：其同行评审文本中有6.5%至16.9%可能经过语言模型的大幅修改。发表在Science Advances上的一项分析考察了超过一千五百万篇生物医学摘要，推算2024年的摘要中至少有13.5%经过语言模型之手。AI自动化的是一种早已在社会层面和官僚层面被自动化的关系：没人会读第二遍的评分细则、千篇一律的评语、按发表数量来评价的科研。这些习惯没有一个诞生于2022年。

最常见的防御手段——检测器——又添了一层讽刺，值得比现在更多的关注。在发表于Patterns的一项研究中，Liang等人（2023）把91篇由非英语母语者撰写的托福作文交给七款流行检测器。平均有61.22%被标记为“AI生成”。而美国八年级学生的作文几乎被零误差地正确分类。机制很简单：检测器惩罚可预测的文字，即用词常见、变化不多的文字。它们惩罚在主流语域之外写作的人，放过精通正统的人，或者懂得让机器写得不那么可预测的人。

靠语言上的怀疑来监控，复制的正是大学声称想要纠正的阶级、出身和母语等级。

安赫尔·拉马把拉丁美洲精英将书写变成权力边界的那套机制称为“文字之城”。检测器就是它的统计学版本。借语言上的怀疑来施行监控，复制的正是大学声称要纠正的阶级、出身和母语等级。对于用西班牙语写作的人来说——在训练模型的数据里，在监控模型的工具里，西班牙语的代表性都远不如英语——这不是什么技术层面的小插曲，而是学术公民身份的问题。

象征资本：当流畅变得廉价，谁的价值在缩水

有一层是公共讨论宁愿不去碰的，我从结构而非个人的角度来谈它。在《学术人》（1984）中，布迪厄区分了大学内部的两种资本。学术资本是掌控教师队伍再生产的权力：评审委员会、各类委员会、职位。知识资本或科学资本则是靠著述赢得的声望。他还描述了两种策略：保守，属于已被奉为权威的人；颠覆，属于初来乍到的人。他还谈到了滞后效应：在场域先前状态中形成的性情倾向，在场域已经改变之后仍在持续运作。

这样来读，部分“抵制”可以理解为一种保守策略。那些在印刷文化体制下积累起权威的人——靠的是对书面语体的驾驭、可供引用的博学，以及把论文当作思想的证明——眼看着一台机器让恰恰是这种流畅变得廉价。原封不动地捍卫论文，也是在捍卫一种资本的价值。而那些较晚加入、与算法化数字文化联系更紧密的人，往往面临相反的问题：他们在批判性地运用技术、设计体验或解读平台方面的资本，很难兑换成被认可的学术资本。

这盘棋局在相当多的大学体系中反复出现，只是略有变化。教师队伍在老化，金字塔顶端同时集中了年龄和决策权：以西班牙为例，公立大学的正教授中有超过三分之一年满六十岁。底层则是一个不断扩大的不稳定教职群体——临时的、兼职的——他们撑起了大量教学工作，却无权参与界定教学的那些决策。评估学术生涯的体系对发表的奖励远远高于教学，于是重塑师生关系在决定谁能晋升的评分标准里几乎得不到回报。我手上没有把对AI的态度与年龄、职级或合同类型交叉比对的可靠数据。因此，我提出的是一种理论解读，而非实证发现。

有三点补充，让这件事不至于沦为一场代际战争。第一：差别不在年龄。“数字原住民”的神话早已被拆穿多年，比如Kirschner和De Bruyckere在Teaching and Teacher Education（2017）上发表的文章。真正起作用的是在场域中的位置以及与数字文化的关系类型，而不是出生日期。第二：这种矛盾是双向的。有些功成名就的人迅速完成资本转换，摇身一变成了“AI专家”；也有些新来者被可见性经济、或被他们口口声声批判的平台所俘获。第三点把我自己也算了进去。我是从场域内部、从一个中间位置来写的。十多年来，我一直在主持一门数字身份课程，如今它成了一项微证书，而我深知要让这份工作在评分标准里和一篇被索引的论文同等计分有多难。不存在一个可以置身事外去观看的地方。

那些在印刷文化体制下积累起权威的人——靠的是对书面语体的驾驭、可供引用的博学，以及把论文当作思想的证明——眼看着一台机器让恰恰是这种流畅变得廉价。

我在一所线下大学任教，同时为另一所远程大学做顾问，两边的亲身体验几乎毫无共同之处。远程机构的警报响得更早，也更早开始追查学生可能的作弊。但它也更早转向了另一种立场：与其追查，不如鼓励大家更多地思考过程，而不是成品。我猜，原因跟技术关系不大，跟托词关系很大。线下教学保有一个远程教学从来没有的托词：只要有教室，就有学习。一所无法拿教室当证据的大学，在很大程度上依赖学生交上来的东西，而一台能批量生产像模像样作业的机器，最先打中的就是它，而且正中要害。也正是这种无遮无挡，逼得它更早去追问：什么才算某人学到了东西的证据。或许正因如此，在那个托词依然屹立的地方，人们还能围绕机器争论，而不是围绕关系。

主权的细则

剩下的是政治经济学，它通常裹着“机遇”的话术登场。科技巨头在紧缩背景下提供教育授权，效率被包装成教学法来兜售。欧洲的监管则按另一种节奏推进。AI法案把教育领域中用于决定录取、评估成绩或监考的系统列为高风险。但第(EU) 2026/1744号条例，也就是人们所说的AI数字综合法案，自2026年7月27日起生效，把这些义务从2026年8月2日推迟到了2027年12月2日。与此同时，各种决定都在授权合同里敲定，而教室里几乎没人读过这些合同。Cory Doctorow描述的互联网屎化在这里找到了一片沃土。一所不知道自己想保护什么样师生关系的大学，也很难知道该去谈判哪一条条款。正如Tomás Balmaceda和Tobias J. Schleider在分析philowashing时所提醒的，讨论一个系统该如何表现，并不能回答那个更在前的问题：哪些决定适合交给它。

所以，关于认知主权的问题——Juan Ruocco在421上把它定义为一个人、一个社群或一个国家掌控自身知识、注意力和决策的能力——不是在每个人的脑袋里就能解决的。它同样取决于那些机构：由它们决定什么算知识、什么算作弊，以及谁对这两者拥有最终话语权。黑山学院的实验提醒我们，曾经有大学尝试过教与学之间的另一种关系。末日派与吹捧派之间的争论则提醒我们，关于AI的问题，几乎总是关于我们自己的问题。

最后还有一个讽刺，我不想浪费。这篇文章会用AI翻译成英文，之后再由一个人校对。如果译文读起来很流畅，没人会知道文本在这一路上是否被理解了。这和每周涌入评估平台的成千上万份作业是一回事。区别在于，我们在这里把它说出来了。

一个多世纪前，科尔多瓦的学生们要求在教的人与学的人之间建立联结。机器并没有打破这种联结：它发现这联结本就是由彬彬有礼的误解织成的，于是把它变成了一项服务。剩下的问题是，当我们再也无法假装彼此理解时，我们该怎么办。