麻省理工重磅报告：AI正在让传统教育失效

如果一个学生可以用AI在几分钟内写完论文、解出数学题、完成程序代码，甚至生成一份漂亮的数学证明，那么老师面前的那份“作业”，究竟还能证明什么？

麻省理工学院认为，这个问题已经无法回避。

2026年8月，MIT发布了一份40页的重磅报告——《人工智能在教学、学习与科研训练中应用特别委员会报告》。MIT为此组织了来自计算机、数学、物理、机械工程、建筑、人文、管理等领域的教授、学生和教学管理人员，经过5个月的调查、研究和校内讨论，最后得出了一个远比“大学应该怎样使用ChatGPT”更激进的判断：AI正在动摇大学教育最基础的运行逻辑。

MIT校长Sally Kornbluth随后将这一时刻称为MIT乃至整个高等教育的一个“分水岭时刻”。这并不夸张，因为AI冲击的已经不只是一两种作业，而是整个传统教育的链条：

老师讲授知识——学生完成作业——老师通过作业判断学生是否学会——最后用成绩和文凭证明一个人的能力。

这条延续了几百年的链条，正在第一次出现系统性断裂。

一、MIT承认：AI已经能完成

“几乎所有本科书面作业”

整份报告最震撼的一句话出现在第9页。MIT委员会明确写道：今天的大语言模型和生成式AI，已经能够对MIT本科课程中“几乎任何书面作业”给出可信的答案，包括论文、数学和科学问题、数学证明以及编程作业，而且能力还会继续增强。

这意味着什么？

过去老师布置一篇论文，是因为“写出论文”大体能够证明学生具备阅读、理解、分析和表达能力；布置一道数学证明，是因为“证明出来”意味着学生大体理解了背后的数学原理；让学生编程，是因为代码可以作为编程能力的证据。

AI出现以后，作品和能力第一次大规模脱钩了。

一个学生可以拥有一篇漂亮的论文，却没有读过相关文献；可以提交运行完美的代码，却无法解释其中的逻辑；可以得到一道题的正确答案，却根本不知道为什么正确。

于是传统教育最重要的评价逻辑失灵了：

过去，我们通过“你做出了什么”，判断“你会什么”；现在，这两件事已经不再等价。

MIT因此直言，许多传统作业已经不能可靠地反映个人学习情况，甚至可能进一步削弱人们对成绩和学历的信任。

所以，“学生用AI写作业算不算作弊”其实已经是一个太浅的问题。更深的问题是：如果AI能够轻松完成我们布置的作业，那么我们为什么还要布置这种作业？

二、AI最可怕的不是作弊，

而是“认知投降”

MIT并不反对AI。事实上，它可能是世界上最不可能拒绝AI的大学之一。

报告承认，AI可以提供高度个性化的辅导和反馈，帮助学生分析数据、进行研究，也可以让教师创造过去无法实现的学习体验。过去一个学期只能完成简化版软件项目，现在借助AI，学生甚至可能做出接近生产级的软件系统。

但MIT真正担心的不是“AI太强”，而是学生太早把自己交给AI。

报告用了一个非常值得传播的概念：cognitive surrender——认知投降。

一个学生遇到数学题不会做，以前可能要翻书、画图、尝试三种方法、找同学讨论，再去office hour问老师。两个小时以后，他终于明白自己错在哪里。

现在，他卡住十秒钟，截图，上传：“帮我做一下。”

十秒以后，答案出现了。

从效率看，后者完胜；从学习看，真正危险的事情可能恰恰发生了——他得到了答案，却失去了获得答案的能力。

MIT警告，过度依赖聊天机器人可能削弱批判性思维、记忆、信心和真正掌握知识的能力。尤其危险的是，AI给出的正确答案很容易制造一种“我已经会了”的错觉：结果是你的，思考却不是你的。

这可能是AI时代最大的教育陷阱：

以前学生最怕的是“不会”；以后学生最应该怕的，是“以为自己会了”。

三、MIT提出一个反常识原则：

有些“痛苦”不能被AI消灭

报告反复强调一个词：productive struggle——生产性的挣扎。

什么意思？

就是学习本来就应该有一些困难。你需要卡住，需要犯错，需要推倒重来，需要忍受“我暂时还不懂”的挫败感。因为人的很多能力，恰恰是在这种认知摩擦中形成的。

MIT甚至说了一句非常漂亮的话：教育最重要的产物，不是GPA，也不是文凭，而是学生自己——他的个人成长、智识成熟，以及自己的想象力、洞察力和判断力。

这句话几乎可以解释AI时代所有教育争论。

如果教育的目的只是得到5000字，那么当然应该让AI写；如果目的是通过写5000字，让一个人学会阅读、搜集证据、组织思想、反复修改和清楚表达，那么AI直接替他完成，恰恰消灭了教育。

所以MIT提出整份报告最重要的原则之一：

Augmentation, not automation——增强人，而不是自动替代人。

AI最好的用途，不是替学生取消困难，而是让学生有能力挑战过去无法挑战的问题；不是减少思考，而是把人的思考推向更高层次。

这也是未来教育判断“该不该用AI”的一条简单标准：

如果AI让你做以前做不到的事，它在增强你；如果AI只是替你完成本来应该亲自经历的思考，它可能正在削弱你。

四、论文、作业正在失效，

MIT准备重新设计考试

如果传统课后作业已经不能证明学生真正掌握了知识，大学怎么办？

最简单的方法当然是重新回到闭卷考试。

MIT已经观察到，一些教师正在提高考试权重，要求学生当堂写作、当堂编程。但报告马上提醒：这也可能走向另一个极端。

因为真正高水平的创造往往需要时间。一篇好论文、一个复杂项目、一套真正有思想的设计，都不是90分钟闭卷考试能够测出来的。如果为了防AI，大学最终变成无休止的限时考试，学生可能只是变得更会考试，而不是更会思考。

所以MIT提出了一组很有意思的新方向：口试、学期作品集、项目制学习，以及“课外完成作品+课堂面对面追问”。

未来的大学考核，可能会越来越像博士答辩。

你当然可以用AI帮助完成一个项目，但老师可以坐在你面前问：“为什么这么设计？”“这里的证据是什么？”“如果条件改变会怎样？”“你的模型为什么不用另一种方法？”“这段代码具体做了什么？”

一个人真正理解的东西，是经得住追问的。

所以未来大学评价的重点，可能会发生一个非常重要的转变：

从检查“最终产品”，转向检查“思考过程”。

五、我们为什么一定需要GPA？

AI还暴露了另一个问题：学生为什么那么容易把思考外包出去？

MIT给出的一个解释非常现实：因为学生太在乎成绩。

MIT课程本来就繁重，学生还同时承担各种课外活动。当时间成为稀缺资源时，他们自然会追求效率，而没有什么比“让AI替我完成”更高效。报告甚至明确说，如果学生把注意力集中在最大化GPA，就会产生强烈激励，让他们使用自己认为最有效的手段获得高分。

于是委员会提出了一个大胆的思想实验：

如果MIT没有成绩，很多围绕AI作弊的激励是不是也会消失？

报告没有主张立即取消GPA，却建议认真研究能力本位、掌握本位评价，以及用项目作品集展示学生真正能够做什么。因为一个A，只能告诉你这个学生在某套评价规则下表现很好；一个完整的作品、一场口试、一项真正完成的工程，却可能直接告诉你：这个人到底会什么。

AI正在逼迫大学从“你得了多少分”，重新回到“你究竟掌握了什么”。

六、最反常识的变化：

AI越强，大学反而越要“线下化”

很多人曾经预测，AI会削弱实体大学。既然每个人都有一个24小时在线的私人教师，为什么还要把几千个年轻人集中到校园里？

MIT的观察却恰恰相反。

AI进入校园不到几年，MIT已经看到一些值得警惕的变化：office hour参与减少、线上讨论下降，据校内反馈，宿舍、图书馆等空间里的线下学习小组也在减少。

以前不会一道题，你会敲隔壁同学的门；现在不会一道题，你打开AI。

效率提高了，人却可能越来越孤独。

因此MIT提出一个极其重要的建议：每一门课程都应该设置定期的、结构化的面对面社交学习。可以是小组解决问题、项目协作、课堂讨论，也可以是面对面反馈。

甚至校园空间也要改变。报告提出增加实验、协作和面对面评价空间，其中包括可以进行AI-free（无AI）或AI-limited（限制AI）活动的空间。

这可能预示着教育史上一个有趣的反转：

过去，拥有电脑是一种教育优势；未来，能够在一段时间内彻底离开电脑，可能反而成为一种稀缺的教育资源。

七、更需要担心的

不是AI替代老师，而是AI替代学生

报告中有一个细节特别值得注意。

MIT著名的UROP本科生科研项目，目前直接覆盖93%的本科生，并有58%的教师参与。

过去，教授会招本科生进入实验室。学生刚开始当然很笨：实验不会做，代码不会写，教授和博士生要花大量时间教他。

现在出现了一个诱惑：为什么不用AI agent？

AI更快、更便宜、更听话，而且不用培训。

从科研效率看，替换本科生甚至可能非常合理。但MIT委员会明确提醒：UROP存在的目的首先是教育，而不是给教授提供廉价劳动力。学生在那里学到的不只是技术，还包括研究问题如何产生、错误怎样处理、争议怎样解决、署名如何分配，以及一个年轻人怎样慢慢成为真正的研究者。

所以AI带来的一个深层危险是：

我们可能在提高今天科研效率的同时，消灭培养明天科学家的过程。

这句话同样适用于整个教育。

教授自己做当然比教学生快；AI完成任务当然比学生摸索快。但如果所有“低效率”的环节都被消灭，下一代究竟在哪里成长？

教育最珍贵的部分，很多时候恰恰就是这些“低效率”。

八、MIT没有禁止AI，因为真正的问题

不是“用不用”，而是“什么不能外包”

MIT最后没有选择最简单的道路：全面禁止AI。

因为不同学习阶段、不同学科与AI的关系根本不同。报告举了一个非常直观的例子：诗歌研讨课、数学证明课和建筑设计课，不可能使用同一套AI规则；一个刚刚学习基础能力的大一学生，与一个已经拥有专业判断力、只是用AI加速文献工作的博士生，也不应该遵守完全相同的规则。

因此，MIT要求每门课程明确说明AI究竟是禁止、限制、允许还是要求使用，而且老师必须解释为什么。

这背后的原则其实比“允许还是禁止ChatGPT”重要得多：

哪些能力可以外包，哪些能力绝不能外包？

计算可以外包，判断呢？搜索可以外包，阅读呢？润色可以外包，写作呢？代码可以生成，但一个工程师是不是仍然应该知道代码为什么运行？AI可以给出数学证明，但一个MIT毕业生是不是仍然应该拥有独立推理的能力？

未来真正的AI素养，也许不是“特别会用AI”。

而是清楚地知道：什么时候应该使用AI，什么时候应该关掉AI。

九、AI正在淘汰的

不是教师，而是旧教育

读完MIT这份报告，你会发现一个非常有意思的事实：世界上最懂技术的一批人，最后讨论的却越来越不是技术。

他们讨论的是人与人见面、同学之间合作、导师制度、真实项目、认知摩擦、判断力、责任、信任和共同体。

这并不矛盾。

因为AI越强大，人类越需要重新确认：究竟什么才是人的能力？

如果教育仍然只是“老师讲知识—学生做作业—老师批作业—最后给一个分数”，那么AI确实正在让这种传统教育失效。

但这未必是教育的末日。

恰恰相反，它可能迫使我们第一次认真清理教育中那些已经存在几十年、却很少有人敢追问的东西：为什么一定要布置这种作业？为什么一定要这样考试？为什么学习一定用GPA衡量？为什么学生必须坐在大学里？如果一项任务机器比人做得更好，学生还有没有必要学？

过去这些问题可以不回答，因为教育体系还能照常运转。

AI来了以后，不回答已经不行了。

所以MIT这份报告真正重要的地方，不在于它提供了一套AI使用指南，而在于它逼着教育重新回答一个最古老的问题：

我们究竟为什么要学习？

如果答案只是为了得到正确答案，那么AI越来越可能比我们做得更好。

但如果教育的意义，是让一个人在面对未知时能够思考，在没有标准答案时能够判断，在遭遇困难时不立刻放弃，在面对机器给出的答案时仍然敢于追问，在与他人合作时学会理解、责任和边界，那么大学不仅不会因为AI而失去意义，反而可能重新找到自己的意义。

因为AI可以替你搜索，可以替你计算，可以替你写代码，可以替你生成一篇漂亮的论文。

但有一件事情，它永远不能替你完成：成为一个真正拥有能力的人。

这或许就是MIT这份报告留给教育最重要的警告：

未来真正危险的，不是学生不会使用AI，而是一个人越来越会使用AI，却越来越不会独立完成任何事情。

文章作者：博雅君，哈佛大学研究学者，中华书局、上海译文出版社作者，博雅人文创办人，90后，曾任中信出版社签约作者、清华大学慕课平台运营专家、武汉台节目主持人。

文章来源：博雅人文