AI来了，大学还能“大而不倒”吗？

来源：市场资讯

（来源：知识分子）

张峥教授

撰文｜张峥 （香港大学教授、港沪创研院首席科学家）

我们前面两篇分别讲了AI的开权与闭源，以及AI4S(AI让科研变成“科学自动机”，副作用是什么？)，这里接着再聊聊AI4Edu，也就是AI时代的教育怎么改，一个大家都应该更关心的问题。

2025年11月，我在香港参加数字教育理事会（Digital Education Council）的全球峰会。会议由香港科技大学承办，邀请制，来的是世界各地一百多所高校的教务长、副教务长和院长，层次不低。会议的真正主题只有一个：AI来了，怎么办。

有一个环节是现场投票，问题是：Is the university too big to fail？

当时我还在办入职港大的手续，心想，好么，刚回学校就要下岗了吗。

“大而不倒”在这种会议里出现，是全球大学一种很有必要的自我挑衅，但指向落在未来。给我的观感是，要不是AI突然来了，眼下这套慢慢修修补补就行。

但我从来不这么看。

从普通教育到大学、再到研究生教育的这套流水线，在当下是一个特别庞大而复杂的生态。从人类文明的发展史上看，现在这套教育流水线极其年轻，不过区区80多年的历史。我母亲是复旦外文系第一届硕士生，全系就两个人，听她说，系里的老师完全不知道拿她们俩怎么办，我听了特别惊奇。那是上个世纪六十年代的事了。

但这个似乎理所当然、已经定型的流水线，无论中外，都有不少问题。最突出的有下面两个。

第一，能进好大学的，都是幸运儿，被拦下的是大多数。当一个人没有受过批判性思维的训练，也没有足够厚的知识底子——这些恰恰是好大学能给的东西——这个人在错误信息面前是没有防御的，而且还会成为传播错误信息的导体。

要阻止一场传染病的传播，得让每个接触者平均再传给不到一个人，也就是R小于一。麻省理工学院2018年发在《科学》上的一项研究统计了推特上十几年的数据，真消息传到一千五百人所需的时间，大约是假消息的六倍。不是造谣的人有多勤奋，是人群的R太高。

如果大家的R降不下来，启蒙和开智就没有完成。

谣言远远跑过真相，这不是社交网络造出来的问题——我以前以为是。“乌合之众”的本质是教育问题，信息社会只是把它放大了。

第二，这条流水线的目标是培养出色的专家。但是“专”，也经常是“窄”。学文科的不懂得甚至不屑于懂得最基本的科学常识，而学理工科的对历史和艺术无知也无感，是常态。C.P.斯诺说的“两种文化”之间的鸿沟，在培养“专家”的目标导向下一路狂奔，越来越深。

每一个专业都会养出自己的思考习惯，它是本专业的利器，却也同时屏蔽了其他视角。我把这种出不了专业之门的常识叫做“不通的通识”。

比如：科学家追求唯一的、普适性的真相，但在研究之外的世界里经常是很轴的杠精；工程师在约束中寻求最优解，但人性简化不成一串约束；投资人讲投入产出，但不是什么都可以归结成ROI（投资回报率）；人文学者重叙事和自由，却容易低估系统本身的硬约束。

这些专业常识各有各的用，而以培养专家为导向的流水线，只能教会你一种。结果就是越成功，视野越窄，偏见越深。成功的人还握着巨大的影响力和资源分配权。

这一头一尾两大问题，正是这条流水线丝滑运作的结果。

今年六月，香港的学与教博览（Learning& Teaching Expo）上，在一场由数字教育理事会主持的三人对谈里，“大而不倒”这个问题又被抛了过来。我的回答是：先把“大学”这个标签摘掉，看看它到底是什么。

它是一批批年轻人必须度过的四年。在这四年中：

当下让所有人特别焦虑的是：这些年轻人怎样才算是准备好了？

教育机构的焦虑更具体些：教和学的手段怎么跟进，以及说白了，这个饭碗还端不端得住——AI的能力正让全通道自学成为一种可能。虽然还没有量化的调研，但那些出类拔萃、也有资源的年轻人主动或被动地跳出这条流水线，已经不是个案。

这个问题也不能指望用人单位来回答。AI带来的变动是全面的，企业自己也在调整，岗位在变，岗位性质也在变，标准定不下来，就给不出一个明确的信号。

回到大学本身，那个在时空上重叠的“群”，以及在这个群里遇到的人，是无法替代的。再加上庞大的生态惯性，大学会继续占着这个生态位，确实还能“大而不倒”。

焦虑一定有，但必须直视的还是这个问题：什么才是“准备好了”？

比如说，年轻人能自如地使用AI工具，让它成为自己的延展——这算不算？

这是个很好但又很虚的命题。落到实处，会带来一批保质期很短的答案，一个个飞快移动的靶子。

前两年大家忙着教怎么给模型写提示词，接着是怎么和Copilot结对写代码，然后是vibe coding，现在又变成了怎么盯住一群自己跑的agent（智能体）。三年换了三轮，每一轮都被当成过“学生必须掌握的能力”。

贝索斯2012年在一次对谈里说，人们总问他未来十年会有什么变化，却几乎没人问未来十年什么不会变——而后面这个问题更重要，因为你只能把长期的投入压在不变的东西上面。

不如参考自然界的一个案例。

可能很多人不知道，婴儿大脑的突触连接一开始是“过剩”的，密度在出生后的头几年冲到峰值，远超成年人的水平，然后在孩子四处爬、四处摸、四处试的过程中，用不上的那些被逐步修剪掉，用得上的留下来并且加固。

这个神奇的设计只有一个点：在那个阶段触发剪枝的动作。既然无法预知将来的环境，干脆不设计，让环境来帮着取舍。

也就是说，可以“锚定”的并不是答案本身，而是在一个个不确定答案中塑造出来的能力。

那么，教育需要培养的不变的能力是哪些？

一场好的对话，从来不是单向的侃侃而谈，而是在问和答之间跳跃流转。对手是人还是AI，并无区别。

对话也不见得只是语言的对话，提出一个问题，“如果这样，会怎样”，从思想实验到真正动手去做，拿到的结果，就是回答。上一篇AI4S讲的那条闭环演进路线，碳基科学家先是退出了自己动手做实验，接着退出了这一问一答。

在这条教育流水线上，提问的空间是被一路挤压的。在教室里提问需要勇气：担心问出”蠢问题“，担心打乱节奏，担心显得自己没跟上……所以，不提问是最安全的。

我在上课的时候尽量留出几分钟来给同学提问，效果可想而知，要么完全冷场，要么总是那几个活跃分子提问，越问越起劲。大学四年，我想很多同学在课堂上一个问题都没提过。

和知识的每次相遇，都没包括提问的机会。

那么苏格拉底教学法呢？

去年我用大模型设计了一门讲大模型自己的课，LLM4LLM，十四个主题会话，六十四个知识点，设计的时候我刻意让它苏格拉底附体：不直接给答案，一路反问，逼着学习者自己往下推。

麻烦在于：累。一直被追问的体感是在被审问，而不是在探索。这种教学法可能刺激了思考，但并没有激发提问的能力。

（如果你想知道我是怎么躲过“苏格拉底”来debug的，简单：一路狂按"I don't know. Tell me"。）

一种让人不敢问，一种让人没得问。

LLM4LLM是个半吊子工程。但收获也很实在：只要把知识点整理好，AI完全有能力教。整理知识点，是这门课绝大部分时间的投入，至于披上“苏格拉底外衣”，不过是提示词里的几句话。

这说明AI在教育里的可塑性很强，应用的场景也多：改作业、角色扮演、课后答疑，这样的产品不少，都在给现有的环节提速，并没有伤筋动骨。

重新想象大学教育该如何做，先要回头审视：这四年里，什么是最贵、也最不可复制的？

大学最大的优势，恰恰在于那一个个让年轻人时空重叠的群：校园，广场，图书馆，实验室……比比皆是。

没有人愿意困在自己的孤独星球上，年轻人尤其如此。

怎么把这个时空重叠的群用好，是大学的真命题。

AI加进来，让重新分配资源成为可能，让AI做它们最擅长的，其他交给人类。这四年里，一个年轻人要寻找的是自己想成为的那种人——而不是一个模型。没有谁想成为碳基版的Claude/GPT/DeepSeek。

知识的传授只是其中一部分，而且是最容易被替代的那一部分。讨论，辩论，田野调查，和同学一起做实验，谈一次恋爱，试着创一次业，做一件大概率会失败的事——这些都不是AI替代得了的。

大学生活，从来不是也不能被一串叫做GPA（平均绩点）的数字来定义的，而是一个贯穿学业和生活的轨迹。

这条轨迹可以穿透目前课程的框架：因果和相关的区别，统计里的抽样和显著性，数据可视化。这些技能在数据科学这个专业之外，在商科、医学、社会科学等专业里都有广泛的用途，为什么要锁定在各自的专业里，不让同学们在不同的场景中反复去用？

一样能力在几个不同的场景里都站得住，才算学会了。

这将是一个非常动态、既让人不安也兴奋的改革。在吸纳合理的AI能力的同时，最重要的是培养和加强那些不变的能力。前面我提到的三点——问出好问题，敏锐地捕捉到错误并以对方能接受的方式反问，从不完美的回答中得到启发——是我自己认为最重要的，也许还有别的。

不变的还有大学的初心。就像港大给本科生定的六个目标：

接下来，我们这个系列还有最后一篇文章：给AI套什么样的笼子。