MIT 报告:地球上最著名的理工学院刚刚承认,AI 打破了他们的教学模式

原文链接: https://aiandeducation.mit.edu/report/ 来源: aiandeducation.mit.edu 发现于: 小互 · AI 解读站 · 2026/10/24 说明: 本文由 AIHot 自动聚合,并由 GLM 翻译为中文(保留全部代码与链接)


报告

MIT 教学、学习与研究训练 AI 使用特别委员会

2026 年 8 月 13 日

1. 引言

本报告是一份行动号召。

通过在 MIT 社区中长达五个月密集的会议、调研与意见征集,教学、学习与研究训练 AI 使用特别委员会力求理解生成式 AI 在学院的生活与教育使命中所扮演的角色,并就如何应对其挑战与机遇提出建议。

2026 年 1 月,Chancellor Melissa Nobles、Provost Anantha Chandrakasan 和 Faculty Chair Roger Levy 委托我们1完成以下具体任务:

  • 评估 MIT 目前的 AI 使用情况。
  • 发掘教学与学生评估方面的创新。
  • 提出一项 AI 使用政策。

然而,作为一个集体,我们的所见所闻很快让我们确信:在一个 AI 成为使学院使命复杂化的诸多因素之一的时代,学院社区——尤其是教师群体——必须直面一系列更深层的问题,即 MIT 教育的结构、意义与价值。

本委员会由本科生与研究生、来自各个学院的教师,以及来自相关单位(包括 MIT Libraries 和 Teaching and Learning Lab)的工作人员组成。尽管我们带着广泛的经验而没有既定结论来承担这项任务,但短暂而密集的探索使我们形成了高度一致的观点。

在本报告中,我们:

  • 重点呈现 MIT 当前教育格局的关键方面。
  • 分享我们所依循的八项原则,并希望它们能指引学院未来的工作。
  • 针对教师和管理层分别提出近期与长期行动建议。

作为一所与 AI 的诞生深度交织、以格外严谨的动手实践教育而闻名的学府——这种教育旨在培养出毫不畏惧世界上最难问题的毕业生——MIT 在此刻拥有独一无二的角色。我们相信,它也肩负着引领的责任。

我们希望本报告能帮助学院深入践行 "Mind, Hand, and Heart"(脑、手与心)的精神,继续定义并培育最高质量的在校教育——属于人、由人施教,以支持人的蓬勃成长,并促进全人类的福祉。

Eric Klopfer,联合主席 Sam Madden,联合主席

谨代表教学、学习与研究训练 AI 使用委员会

1.1 教育格局

本报告的建议反映了以下关于 MIT 教育格局的洞见。

生成式 AI 已经无处不在,引发了形形色色的观点:

  • MIT 学生频繁而广泛地使用 AI——情感复杂而强烈,从好奇、创意启发与感激,到无奈、担忧与焦虑。
  • 教师的态度则从热情探索和日益依赖 AI,到怀疑、猜忌乃至“AI 拒用”(AI refusal)不等——而且人们普遍渴望分享经验、想法与技巧。

虽然 AI 正让教师得以开发令人兴奋的全新学习体验,并让学生能以创新方式学习与实验,但它也对校园生活产生了诸多令人担忧的影响,包括以下迹象,表明 AI 正在:

  • 颠覆 MIT 教育体验的基础要素,尤其是对本科生而言,从 p-set、take-home exam 和 UROPs 到 office hours 与学习小组。
  • 加剧孤立感。
  • 削弱学生的掌握程度与自信心。
  • 侵蚀师生之间的“社会契约”。
  • 使评估学生学习进展变得困难得多。
  • 挑战 MIT 社区数十年来关于严谨性、学习所需的创造性摩擦、协作解决问题以及个人诚信的独特规范与价值观。

AI 正在引发立竿见影的快速变化和长期的结构性剧变——MIT 必须予以回应:

  • 无论是在单一课程内部,还是贯穿整个课程体系,AI 使用的规则都缺乏清晰性、一致性与合理依据,令学生感到困惑与忧虑。
  • MIT 开设的每一门课程都可能需要重新审视乃至彻底改造,以确保学生的教学方式、学习内容和评估方式都具备“AI 意识”(AI-aware)。
  • AI 正在改变学生需要掌握的知识与技能。
  • 除了对具体课程与学科的影响之外,AI 的到来还要求我们对当今高等教育的性质、范围与目的进行更广泛、更全面的重新评估。

最后,AI 为我们的社区带来了大量现实层面的隐忧,从数据隐私与保密,到获取机会不均、偏见、公平性和问责制等问题。AI 的爆发式增长与崛起也对社会提出了重要问题,从 AI 数据中心的环境影响,到知识产权与训练数据的使用,再到这项技术及整个行业对人类的整体影响——MIT 也需要直面这些问题。

其他教育机构也在努力应对围绕 AI 的类似问题,并提出了一些有趣的想法——但似乎还没有人把一切都想清楚。

关于我们所用词语的三点说明:

  • 注意:在本报告中,"Instructors"(教师)包括教职员工以及 MIT 所有参与教学工作的人员。
  • 文中大多数提及 "students"(学生)之处同时适用于本科生和研究生,少数显而易见的例外情况除外,例如当我们提到 General Institute Requirements(GIRs,学院通识要求)或 Undergraduate Research Opportunities Program(UROP,本科生研究机会项目)的参与者时。
  • "We""us""our"(我们)有时指委员会成员,有时指 MIT 全体。具体所指应从上下文中可以清楚判断。

2. 指导原则

我们首先定义了八项原则——这些原则是我们工作的依据,也希望它们能引导学院在未来的工作中前行。

2.1. 保持谦逊

一些技术创新是逐渐显现的:随着社会与技术协同演进,相互适应会缓和其冲击。计算机——AI 的前身和关键推动者——便符合这一模式。另一些创新则来得更为突然,在个人和机构还来不及适应之前,就已产生了重大的社会影响。

社会往往将一项新技术的“诞生”定位于它变得易于使用的时刻。以此衡量,生成式人工智能是随着 ChatGPT 于 2022 年末的发布而“诞生”的。因此,公众接触生成式 AI 的时间还不到四年。在这段时间里,它已积累了超过十亿用户,而销售 AI 技术的公司也已占据了新闻头条、股市和公众意识的主导地位。

换言之,AI 正在几乎所有领域快速推进,其时间尺度之紧缩,使社会来不及充分观察和分析其影响、再逐步加以适应。

这引出了我们的第一条指导原则:我们以谦逊的精神提出各项建议。随着技术持续不断地演进,以及学院不断试验和学习,航向修正——甚至可能是重大的修正——将不可避免。

2.2. 保持大胆

然而,不确定性不能成为不作为的借口。现在不是靠权宜补丁和胶带应付的时刻。AI 在教与学方面提出的挑战,需要一个大胆的战略性回应——在所有地方,尤其是在 MIT。随着我们的 Social and Ethical Responsibilities of Computing(计算的社会与伦理责任)项目2进入第七个年头,我们正处于独特的位置,能够探索如何运用这项新技术造福社会,尤其是造福我们的学生。

AI 也带来了非凡的机遇,从个性化辅导与指导方面前所未有的可能性,到众多学科研究的大幅加速与革新。抓住这些机遇同样值得、也需要大胆。

大胆思考尤为重要,因为我们的学生将帮助塑造我们社会的思想、伦理与技术方向——而且很快就会如此。我们有责任让他们深入参与 AI 的丰富且具建设性的应用,并对 AI 的潜力与缺陷形成成熟的理解。他们的 MIT 经历应使他们具备这样的智慧:帮助决定 AI 应以何种方式、在哪些领域被用于改善社会和整个世界。

2.3. 将人性置于核心位置

面对一项已具备如此巨大能力的技术——它建立在人类能力之上、以人类能力为蓝本,且如今在许多方面已超越人类能力——学院的根本挑战和最重要的目标,必须是培育并守护我们共同的人性,并将 MIT 社区、其成员及其成长与繁荣置于高于一切的位置。

在与任课教师的座谈会上,我们了解到,有些教师正在考虑用 AI Agent 担任研究助理,而不是雇佣本科生作为 UROP。从速度和资源高效利用的角度来看,这种做法自有其道理(尤其是在当前研究资源如此紧缺的情况下)。但如果这些标准逐渐主导我们的决策,我们就都必须扪心自问:“我们相聚于此,究竟是为了做什么?”

作为一个共同体,我们需要铭记:尽管研究是 MIT 使命的核心,但它远不止是目的本身;在我们的校园里,研究同时也是一种学徒式训练,是培养下一代研究者接续我们的工作、推动各研究领域向前发展的途径。把研究当作“做中学”的机会,或许会产生看似“低效”的现象,但这是一个特性,而非缺陷。

聚焦我们的人性,也应让我们警觉到:当前针对 AI 所造成问题的种种常见应对措施,可能会有损害师生之间关系的风险。例如,许多教师谈到,不得不“监管”未经授权的 AI 使用正在损害他们与学生的联系(而我们了解到,AI 检测软件相当不可靠,这让情况雪上加霜)。另一方面,学生则害怕被错误地指控 AI 作弊,并对教师在评分、作业设计和反馈等本需要人性化关怀的领域使用 AI 日益感到沮丧。这种相互猜忌的暗流,绝非健康课堂的根基。

2.4. 全力投入学习

MIT 课堂上用于巩固学习和评估学生进步的许多问题与作业,如今已可由 AI 完成。学生不受限制地使用 AI,会使一些传统评估作为个人学习指标的可信度降低,进而可能削弱人们对成绩和证书的信心。对教育者而言,规范与期望的这种剧变可能令人深感无所适从。

但作为一个共同体,最应令我们担忧的是:AI 的许多使用方式正在剥夺学生学习的机会。

AI 对人们熟悉的教学与考核方式构成的威胁,或许是一件因祸得福的事——因为这些变化来得太快、太猛烈,令我们无法忽视。正如我们委员会的教师成员可以证实的那样,至少二十年来,教育工作者一直在叹息:注意力碎片化、无处不在的电子设备、对成绩而非学习的狭隘执念,以及“师生共同投身同一项智识事业”这一意识的日渐淡薄,都给教学与学习带来了压力。

作为一个以自身独特教育配方的力量为傲的机构,MIT 有责任抓住这一时刻的机遇:确保 AI 带来的不可否认的变化成为一个转折点,迫使我们果断应对那些侵蚀我们共同教育使命的力量。

全力投入学习,意味着在师生之间建立一种新的“社会契约”。我们所有在 MIT 任教的人,都需要做好准备,帮助学生理解两点:教育的过程必然是一种富有成效的奋斗;而教育最重要的成果不是 GPA 或文凭,而是他们自己:他们的个人成长与智识成熟,以及自身想象力、洞察力和判断力的发展。

灌输这些观念需要成为每一位教育工作者的核心任务,让我们的学生不仅知道该学什么,还知道该怎么学,以及学习为何重要。我们需要帮助他们培养元认知能力——即“对思考进行思考”的能力,引导他们投身反思性实践,并增强他们的个人能动性。这既需要教师全身心投入,也需要他们进行全新的备课。

2.5. 有目的地教学

MIT 所开设的大多数课程都需要仔细审查,而且在许多情况下还需要大幅调整,才能在与 AI 相遇时免遭严重冲击。AI 将动摇那些指导教学内容选择、教学方法运用和学生表现评估方式的教学假设。

简而言之,现在是时候对我们教什么、如何教进行深刻而广泛的反思了。未来的课堂结构、评估和政策必须以高度的意图和明确的目标感来构建,而不是仅仅为应对 AI 的眼前现实而做些修补。然而,这并不意味着每门课程都必须以同样的方式改变。

久经考验的“逆向设计(backward design)3”技术在此提供了一个有用的框架。例如,教育者不应一开始就询问在某门特定学科中应当允许还是禁止使用 AI,而应首先明确学习体验本身的目的:学生应当知晓什么、能够做什么,以及学会珍视什么。然后,可以据此设计作业和评估来衡量并促进这些成果——在 AI 有帮助时使用它,无帮助时则不用。

重新设计、重新评估或有意识地保留现有结构所需的教师时间和精力可能相当可观。但这一教学反思与推理的过程本身就很有价值。有意图的教学促进有意图的学习;当教师清楚说明为什么允许、限制或要求使用 AI 时,学生更有可能理解正在被保护或培养的学习内容。

通过这种方式,逆向设计可以帮助 MIT 在诚实适应 AI 现实的同时,保持其教育的目的。(令人鼓舞的是,MIT 的教学与学习实验室(Teaching and Learning Lab)完全有能力帮助教师掌握这一工具。)

2.6. 没有一刀切的方案

任何单一的教育 AI 应用方式都无法很好地服务于 MIT。诗歌研讨课、数学证明课和建筑设计实验室在逻辑上必然与 AI 建立不同的关系。在某些情境中,使用 AI 生成创意作品或解决问题会使练习本身失去意义;而在另一些情境中,熟练运用 AI(AI fluency)已成为专业实践的一部分,回避它将使学生有所缺失。

同样,正在构建基础技能与判断力的一年级学生,与在自己深入了解的领域中借助 AI 加速文献综述的博士候选人,与 AI 的关系也截然不同。简而言之,一刀切的全校统一规则在某些情境下必然过于宽松,在另一些情境下又会过于严苛。

这并不是说每位教师都必须从零开始制定 AI 政策。MIT 应提供一个共享框架——包括通用的政策选项菜单、披露(disclosure)期望和问责标准——供各院系和教师在其内做出选择。院系是开展这项工作的自然单位,因为学生体验一个专业是作为连贯的进程进行的,如果在“何时欢迎使用 AI、何时限制使用 AI 以及为什么”上保持一致,学生将从中受益。

2.7. 增强而非自动化

随着 AI 赋能的技术变得更加强大,将更多“思考”任务交给它们将成为可能——也充满诱惑;不出所料,学生们告诉我们,当他们担心会错过截止日期时,这种诱惑最为强烈。然而,已有早期迹象表明,过度依赖 chatbot 可能带来一系列严重的负面后果——削弱批判性思维、损害记忆力、侵蚀自信心并破坏真正的掌握。

从 chatbot 那里获得正确答案可能制造出学习的错觉——但它也可能触发“认知投降”4,即学生在刚遇到一点困难时便立即求助于 AI。在最近的一篇论文5中,三位著名的 MIT 经济学家——Daron Acemoglu、David Autor 和 Simon Johnson——为他们所说的“亲劳动者 AI(pro-worker AI)”进行论证。他们指出,企业不应设计取代工人的 AI 系统,而应开发能让人类“在现有任务中更有效率、应对新任务并习得新专业知识”的 AI。

本着同样的精神,我们需要共同塑造 MIT 在教育中对 AI 的运用方式,使其"pro-learner"(以学习者为本)——不是为了取代思考、学习、创造和解决问题过程中的"hard fun"(艰苦之乐),而是为了拓展学生在思考、学习和解决方面可能达到的边界。简而言之,AI 应被用来增强和提升好奇心、创造力与学习,而不是将其自动化。

重要的是,这个问题不仅是心理层面的,也是社会层面的。正如自动化威胁着工作流失、技能退化(deskilling)和劳动者日益孤立一样,教育中对 chatbot 的依赖也取代了学习小组等同伴间的联结,并减少了学生与教师之间的互动。如果我们希望"增强"(augmentation)最终占据上风,就需要把它看作不仅仅是一个抽象的、寄予期望的理想;它是一种具体的实践,我们的教学法可以帮助推动这种实践。

由此引出我们的最后一项原则。

2.8. 超越课堂与校园的思考

AI 应当以一种增强而非削弱学生作为完整的人的成长能力的方式融入 MIT 教育。在《教育文化》(The Culture of Education)6 一书中,教育心理学领域的领军人物、认知科学的先驱 Jerome Bruner 认为,学习不仅仅是把内容从教师传递给学生的技术性事务,而是一个过程——学生通过这一过程学会如何解读世界、找到自己在社会中的位置,并形成一种自己是有能力之人的自我认知。

如果学习被(错误地)理解为主要就是内容传递,那么高度灵敏的 AI 系统似乎就有能力完全取代教师、导师、同伴、合作者,以及学习中人际互动的维度。但这种态度虽然可能日益普遍,却是短视的。教育是一种文化实践,学生通过它学会建构意义、运用判断力、塑造身份认同,并有责任感地参与共同体生活。

学生从 MIT 收获的许多东西从未在任何教学大纲或作业中明确写明;那是他们在校园里共同生活、共同工作的过程中所学到的——那些潜移默化的期望、习惯、关系和价值观,塑造了他们如何学会解决问题、运用判断力、在困难中坚持,以及如何成为一个学术共同体的成员。"residential education"(住宿制教育)之所以强大,部分原因在于它发生在任何地方:宿舍楼、生活团体、运动队、艺术团体、社团等等。

一种社会契约

在讨论过程中,我们逐渐把这些要素之间的协调一致视为一种社会契约:即学生、教师和学院(Institute)之间关于教育目的的共识,以及作为学术共同体成员我们所享有的权利和所承担的责任。因此,针对当前所讨论问题的有效制度性回应,不仅必须关注规范 AI 使用的政策和规则,还必须关注赋予这些政策意义的规范与文化。

正如我们所讨论的,一个根本性的危险在于,AI 可以让学生绕过学习。同样令人担忧的是,学生可能会内化一种交易式的模式:作业是产出,教师是评估者,同伴是可有可无的,而知识(或 MIT 学位)是一种可优化的商品,要以尽可能高的效率获取或生产出来。

这样的心智模型不会只局限于课堂之内。它将塑造学生如何理解工作、协作与社会责任,而他们也会把这种心态带进广阔的世界。无论 AI 系统变得多么善于社交或多么善解人意,它们都无法替代一个人成长和成熟所必需的人际关系与实践。

因此,MIT 不应仅仅把 AI 视为提高教育效率的工具,而应将其视为一种必须加以治理的力量,以支持教育更宏大的目标。学生应当学会富有成效地、熟练地使用 AI,同时也应以能深化其参与课堂、实验室、职场、家庭和社区之能力的方式使用 AI。

我们的目标不是让学生与 AI 隔绝,也不是为了守旧而保留旧有的教育形式。而是要确保 AI 的使用能够支持培养这样的人:他们能够批判性地思考、主动地行动、与他人高效协作,并在与 83 亿其他人共享的世界中理解自己选择的后果。

3. 建议

本节详细阐述了我们认为 MIT 为让学生准备好迎接一个新世界所必须进行的变革。基于 MIT 长期秉持的价值观,我们的建议并不是一份可以逐项、逐步落实的单项举措清单,而是一组必须协同推进的实质性变革。

我们认识到,严肃的变革需要时间。然而,鉴于已经影响到我们社区的各种冲击,所需的变革应按两种时间尺度来实施:一类是立即发生的,另一类是立即启动、但需要进一步研究和规划的。

人工智能——以 LLM 及其他生成式 AI 技术的形式——给 MIT 带来了深刻的挑战,也带来了引人入胜的机遇。

这些技术已经能够为本科课程中几乎所有书面作业——包括论文、数学与科学问题、证明以及编程作业——给出可信的解答和合理的回应,而且它们的能力只会不断增强。

令人担忧的影响

由于许多学生正在选择、或感到压力而转向借助 AI 进行学习和解决问题,在不到三年的时间里,这些技术已经推动了校园文化的重大转变,包括答疑时间(office hours)出勤率下降、在线讨论参与度降低,以及据我们听闻,宿舍、图书馆和其他学习空间中线下学习小组的减少。这些问题来得突然而剧烈,造成了清晰的紧迫感。它们还恰逢高等教育正面临其他挑战之时,而 MIT 自身也正在考虑源自本科学术项目工作组(Taskforce on the Undergraduate Academic Program,TFUAP)的调查结果与建议的大范围课程改革。

引人入胜的机遇

虽然这些挑战十分紧迫,AI 也为学习和创造提供了令人兴奋的机遇。许多教师告诉我们,AI 帮助他们开发定制化的交互式学习工具,让学生能够更深入地探索课程内容,也让教师能够为学生创造全新的、或针对每个学生量身定制的学习体验。只需稍加指导,即使是不精通软件开发的教师也能定制 AI Agent 来支持某门课程或研究项目。学生可以在课程有限的时间内完成大型软件项目——这在以前是完全不可想象的。他们还可以利用 AI 分析数据、开展研究、构建工具来扩展自己的专业能力,并投身于造福自身和整个社会的项目。这些技术在增强全校各项工作方面的潜力是巨大的。

我们在此提出的建议,旨在帮助 MIT 社区应对 AI 的挑战、把握其机遇,同时体现第 2 节中阐述的原则。例如,**谦逊(Humility)**意味着我们必须建立用于持续评估与修订的行政管理流程,而不是想当然地认为我们今天做出的任何改变在未来都仍然适用。**魄力(Boldness)**要求我们不只是试图修补现有系统以限制或抵消 AI 对学生和系统的影响,而是要重新设计学习体验、评估方式和课程,以帮助重新定义教育的未来。**以人为本(Putting humanity front and center)**意味着我们将寻求能够增强、而非削弱 MIT 住宿式教育价值的 AI 使用方式。**专注于学习(Leaning into learning)**意味着有意识地进行教学,重新审视我们需要学生学习什么,并使评估与这些预期成果保持一致,以保有“做中学”(learning-by-doing)教育中不可或缺的富有成效的磨砺。**拒绝一刀切(No one-size-fits-all)**意味着我们应当为适应 AI 制定量身定制的框架,而不是对所有学生、教师或院系实行统一的 AI 规则。**增强优先于自动化(Augmentation over automation)**意味着我们要让学生学会熟练地使用 AI,并以保持自主性、判断力、正直和人际联结的方式使用它。**超越课堂与校园思考(Thinking beyond the classroom and the campus)**要求我们预见学生作为社区成员、未来领导者以及下一代 AI 技术的创造者,在工作和生活中取得成功所需的技能。

三大工作领域

我们认为,当前形势要求对学生体验进行大幅重塑。虽然 10 到 15 年后 MIT 学生的生活无疑会有所不同,但作为社区,我们有责任确保这种生活仍然能被一眼识别为 MIT 式的体验。矛盾的是,要留住最重要的东西,恰恰需要刻意的变革。

我们将建议分为三个部分,以下简要概述。大体而言,我们建议,通过教师与行政部门的共同努力,MIT 应当:

为 AI-aware 的世界调整教育流程(第 3.1 节)

  • 在全校范围内并尽快审查我们的学生需要学习什么。这一"AI-aware"流程由教师和院系主导,将为课堂活动的设计提供依据,使其更具社交性和体验性,并与那些能够针对关键学生学习成果提供反馈的创新作业与评估方式相契合。这还将需要对成绩与评分的本质进行深入研究。
  • 通过为教师提供专属资源(例如,增补 TA)以及改造物理空间以支持实验、社区建设和无 AI 的互动与评估,来促进这一流程。
  • 在 MIT 建立"实践社区"(communities of practice),让成员能够分享挑战与发现,以及用于改进教与学的工具与技术。

以人、社区和住宿体验为中心(第 3.2 节)

  • 依托共同经历、透明度以及对面对面活动的重视,重振并重塑住宿体验。
  • 审慎地将 AI 素养以及负责任、合乎伦理的 AI 使用融入学生工作,使之成为基础与主线,并密切关注其与具体学科的关联。这当然需要技术上的熟练,但其关键在于采用以人为中心的方式,将 AI 视为一种增强(augmentative)工具。

构建流程、团队与工具,以支持持续反思、迭代与改进(第 3.3 节)

  • 设立相应的角色、流程和常设委员会,以应对这些挑战。
  • 收集反馈与数据,随时掌握相关研究和最佳实践,与同行建立联系并向其学习。
  • 提供技术与教学方面的支持,使这一切得以实现。

此外,我们还指出了一系列关于 AI 对社会、就业、环境等方面更广泛影响的关切,这些关切同样与我们校内的 AI 政策息息相关。

3.1. 为 AI-aware 的世界调整教育流程

生成式 AI 影响着我们学生需要知道什么、能够做什么(即我们的学习成果)、学生实现这些成果的方式,以及我们评价与评估其所学内容的方式。

由于 AI 已经能够出色地完成 MIT 水平的作业,基于课外作业来评估学生的学习进展变得困难,教师们迫切感到需要新的评估策略。

尽管我们就评估提出了若干建议,但我们敦促教师不要仅仅止步于尝试让自己的课堂"AI-proof"(防 AI)。尤其是,AI 对学习社交层面的改变——例如学生与 TA 的互动方式,以及他们参与 office hours 和学习小组的方式——构成了一个更深层的挑战。

3.1.1. 重新审视课程目标

在考虑如何构建"AI-aware"的评估之前,教师应当重新思考自己对学生学习的目标7,这适用于其所讲授的每一门科目。到课程结束时,学生应该知道什么、能够做到什么?

某门科目的学习目标可能受 AI 可用性的影响,也可能不受影响,但它们应当是"AI-aware"的;也就是说,这些目标应当认识到:AI 存在于这个世界之中,教师可以引导或允许学生在课内课外以结构化的方式使用 AI——同时,学生也可能试图在未经许可的情况下使用它。

对许多教师而言,最大的担忧在于:当 AI 使得学习的认知工作可以被外包时,我们该如何评估学生真正知道和理解了什么?

在 AI 时代,一些传统学习目标可能值得重新审视;例如,我们的多数学生是否还需要能够手工编写复杂程序?各位教师和院系需要评估长期沿袭的目标是否依然重要,如果是,则需要开发能抵御 AI 影响的评估方法。

对于涉及实验、项目或以表现为中心的学习目标,可能不需要太多调整,而生成式 AI 或许能提供新颖的方式,帮助学生反思、练习或为表现做准备。例如,一位教师向我们反馈,对于学习担任调解员的学生,提供个性化、针对具体课程的 AI 教练消除了在他人面前练习公开演讲的尴尬,这大大提高了学生练习的意愿,进而提升了他们的技能。

AI 还可能使教师能够设计出此前不可能实现的学习目标,例如以新的方式理解或处理非常复杂的文本、工程工件或大型软件系统。

3.1.2. 通过新的课程政策、结构和评估形式确保持久学习

MIT 的课程以要求严格而闻名。除此之外,许多学生还在课表中塞满高学分课程和多项课外活动。这些争夺时间的需求促使学生优先考虑效率——而没有什么比通过 AI 自动化完成任务更高效的了。但如果学生屈服于这个诱人的选项,他们就会丧失真正学习所必需的认知摩擦和富有成效的挣扎。

AI 既制造了也暴露了既定学习目标与常见评估形式之间的不匹配。在 MIT,我们长期使用习题集、长篇书面作业、带回家完成的考试以及课外完成的项目,让学生通过练习巩固知识并展示所学。而 AI 削弱了这些工具在教学和评估两方面的价值。

教师们已经察觉到了这一点:面对 AI,他们必须改变评估学生的方式。目前,许多人正在提高考试在成绩中的权重,或要求学生在课堂时间内完成写作或编程。然而,这些权宜之计是有代价的:例如,过度强调课内评估意味着削弱学生投入那些困难、耗时但通往精通之路所必需的 p-sets 和项目的动力。顾名思义,将评估转移到时间有限的课堂时段,会减少学生能够投入的思考和斟酌。如果我们希望学生在乎、并且懂得如何创造和识别有价值的作品——具有广度、严谨性、创造性和深思的作品——那么快速、高风险的评估所传递的信号恰恰与我们此刻想传达给他们的信息背道而驰。

相反,教师需要重新审视他们真正希望学生掌握什么,并设计出能够培养——甚至直接包含——那种能建立持久理解与精通的富有成效的挣扎的评估方式。

我们敦促教师考虑那些更不易被 AI 规避、且对学习更有价值的评估形式,例如口试、学期作品集,以及课外作业搭配课内讨论。这可能意味着 TA 和课堂时间等资源将在评估中变得更加核心,同时也提出了一个问题:我们是否应该设法限制班级规模。

如下文第 3.3 节所述,我们也希望校方能够建立高效的途径,让教师分享可能涌现的新评估理念与最佳实践。

3.1.3 强调体验式和项目式学习

为了配合向不易被 AI 规避的评估方法的转变,教师需要加强体验式和项目式学习的作用。为了鼓励这种创造性教学,MIT 应当支持全体教师发展教学技能与实践,并认可这一领域的贡献。

讽刺的是,在某些情况下,AI 本身反而能帮助打开通往体验式机会的大门。例如,由于 AI 擅长编码和某些类型的设计等任务,教师现在可以布置更具雄心的项目:在 MIT 的 capstone 级软件工程课程中,学生一个学期能够合理完成的项目过去往往不得不在范围上加以限制,且在某些关键方面不切实际。如今,完全可以合理地期待学生在单个学年内使用 AI 编码工具构建接近生产质量的软件成果。这反过来又为更深层次的体验式学习腾出了空间:学生可以探索不同设计在现实世界中的表现,反思某些设计在何种情况下优于其他设计,并探究他们构建的系统在真实环境中的运行情况。

机会远不止于计算机科学领域:建筑学学生正在使用 AI 尝试可视化和快速测试其想法的新方法,超越了传统表现技能所能达到的范围。这扩大了他们可以承担的创意项目的范围(尽管这也更加凸显了培养基础概念与技术技能、判断力和社会推理能力的重要性,以确保学生始终掌控自己的想法。)

在最近一次《华尔街日报》的采访中,哈佛经济学家 Rafella Sadun 指出,将在 AI 时代取得成功的员工是那些“能够创造性地思考 AI 可以在哪些方面产生价值、能迅速将想法转化为行动,并准备通过实验和验证来修正自身直觉的人。喜欢动手摸索和实干的人在这种环境中如鱼得水”——这与 MIT 重实践的精神以及对社会影响的关注明显契合。随着 AI 使我们的学生能够应对更复杂、更具挑战性的任务,践行我们 Mens et Manus(手脑并用)校训的一种方式,将是扩展我们所布置的项目和任务的范围及现实应用。

寻找新的协作式课堂项目机会,为超越掌握特定内容本身的成长提供了重要契机。通过合理的结构设计和支持,这些项目可以增强学生在协作、沟通、解决问题和情商方面的能力。这些持久的人类技能仍然是雇主最为看重的技能之一。我们应当为学生提供更多机会来培养这些技能。

AI 还能增强这些体验,为学生提供分析数据、开展研究和构建工具的新途径,从而放大他们的专业能力,并开展惠及自身和整个社会的项目。这项技术在增强全校各项工作方面的潜力是巨大的。

3.1.4. 将结构化的线下社交学习融入课程

由于 AI 工具正在打破 MIT 长期以来的社交学习模式,每门课程都应包含定期的线下社交环节(而不仅仅是坐在课堂或习题课上安静地记笔记)。教师应有意识地设计此类互动,以实现预期的学习目标并保持质量,即使在大班教学中也应如此。

结构化社交学习的示例包括:

  • 包含每周教师检查和成果交付的团体项目,同时评估个人贡献与协作贡献。
  • 由实验助理或 TA 指导的团体解题环节。
  • 围绕课程评分量表组织的反馈讨论。
  • 由受过训练的 TA 或教授引导的课堂讨论,并对个人参与度进行评分。

为了从这类线下互动中获得最大价值,教师应在开课第一天就清楚地解释这些互动对个人学习和建立社区的重要性。包含大量团体项目的课程应就如何成功开展协作提供实用的指导和结构框架。

尽管 AI 的存在正在冲击校园中的社交学习,AI 工具也能为学生的学习带来实实在在的益处,包括及时的帮助、个性化的反馈、可及性,以及对可能陷入困境的学生的支持,还有帮助团体开展协作的即时方式。

不幸的是,如果这些好处让学生得以绕过那些能让他们学会与他人协作、表达观点、建设性地接受批评、建立自信、培养判断力以及作为社区成员行事的人际互动场景,那么这些好处反而会产生反效果。

因此,麻省理工学院(MIT)应将人工智能不仅视为教学或技术挑战,更应视为围绕人的在场、共同工作和有意义指导来重塑住宿制教育的关键机遇。

3.1.5. 保留并拓展课外研究与职业体验

麻省理工学院于 1969 年推出的本科生研究机会计划8(UROP)开创了先河,通过系统化方式为本科生提供与一线教授主导的研究进行实践接触的机会。如今,UROP 已成为 MIT 体验的标志性组成部分,直接参与了 93% 的本科生和 58% 的教职员工。

UROP 和其他课外研究与学习体验为学生提供了显而易见的实际利益,如学术学分和有薪工作。但更广泛的好处——包括个人发展、与导师和同伴的联系以及职业探索——更为重要。UROP 有力地论证了住宿制大学教育的宗旨和价值。

麻省理工学院应保留、更新并 ideally 扩大其对 UROP 及其他强调指导、协作和做中学的学习体验的承诺;寻找方法使这些体验更容易获得;并考虑将其范围扩展到实验室之外。

我们还鼓励学院探索相关举措,以提升 MIT 住宿体验的价值,例如建立合作教育项目9(学院正在积极探讨),允许类似 UROP 的体验满足学位要求,或扩大基于工业/合作教育的研究生研究项目。这应包括与校内已支持此类体验的组织合作,包括 PKG 社会影响中心和 MISTI。

UROP、研究助理(RAs)以及其他形式的学生参与可以让学生进入新的智识社区:加入实验室、向研究生和博士后学习、与处于不同职业阶段的同伴协作、在小组会议中展示工作、为论文做出贡献、前往会议旅行,并逐渐将自己视为该领域的成员。学生不仅学习方法和技术能力,还学习如何形成研究问题、如何发展判断力、如何建设性地解释错误、如何共享荣誉、如何处理分歧以及如何集体生产知识。

关于 UROP 的一点说明:虽然本科生可以为教师提供有用的研究劳动,但这并非该项目的目的。它的存在是为了教育。这就是为什么教师可能发现用 AI 代理取代新手研究人员有利可图的可能性值得特别关注的原因。

随着 AI 系统成为 UROP 或 RAs 更便宜或更高效的替代品,学生可能会失去通过人际关系、实践和共同工作形式来建立归属感、自信、判断力和职业身份的机会。危险不仅在于学生从事研究的机会减少,更在于他们成为研究社区参与者的机会减少。

3.1.6. 重新考虑成绩和激励机制

我们并不主张通过成绩配给(例如,限制可给出的 A 的数量)来限制教师给出的成绩。委员会认为,这将不利于校园文化和学院应对 AI 挑战的努力。由于社会对学历和成绩的强烈关注,那些致力于最大化其 GPA 的学生有强烈的动机使用他们认为最有效的手段来实现这一目标。对顶级成绩进行配给会通过增加对 AI 的依赖,加剧在实际学习上走捷径的诱惑。

随着教师探索新的评估形式和体验式学习活动,麻省理工学院(MIT)应借此机会审视成绩在我们整体体系中的作用,以及当前方法是否有所改进。例如,如果教师主要通过增加课堂考试的比重来应对,那么存在一种风险,即缩小 MIT 学位长期以来所代表的含义:即 MIT 学生具备解决困难、独立且需要深度思考的问题的能力,而不仅仅是擅长纸笔考试。

委员会鼓励 MIT 探索替代性的评分和评估体系,包括在其他国家行之有效的体系(如英国体系,该体系使用百分比来表示相对于专家标准的掌握程度),以及基于能力(competency-based)和基于精通(mastery-based)等较新的评估范式。作为一个思想实验,委员会讨论了这样一个观点:如果 MIT 没有成绩,围绕 AI 作弊的许多激励因素将会消失。请注意,MIT 已经放弃了颁发 summa/magna/cum-laude(优等/极优/最优)荣誉学位的常见做法,因为我们认为获得 MIT 学位本身就是一种足够的荣誉。

成绩远非学生展示掌握程度或衡量自身进度的唯一方式;口头考试或演示过程中的实时反馈,或针对项目提交的书面评论,可能比任何成绩都能给学生提供更多关于其概念掌握情况的有用信息。

随着对项目和体验式学习关注的增加,教师应考虑成绩是否是所有情境下展示掌握程度的唯一甚至最佳机制。替代方案可能包括提升项目作品集的地位,将其作为展示学生成就的平台,适用于所有学科。目前,许多雇主对申请者的成绩关注较少,而更关注他们在内部评估中的表现,例如回答困难面试问题的能力,或通过定制练习展示解决问题的能力和掌握程度。

3.1.7. 扩展实验室和面对面评估的线下空间

以多种方式来看,我们的建议都呼吁增加面对面的活动,从动手学习和协作式实验室项目到线下评估。所有这些都需要物理空间。

几位教师表达了拥有协作空间的愿望,学生可以在这些空间中完成长期的作业或考试。这些空间可以是完全模拟的(非数字化)空间,也可以是禁止使用 AI(或限制使用 AI)计算机的空间。许多系所拥有可以支持协作活动的实验室空间,但缺乏资源进行全职人员配置。(在使用昂贵且可能具有危险性的设备和材料的领域,自助式实验室通常不可行。)

协作式动手空间对于跨学科的教学、学习和社区建设都非常有用,而不仅限于传统的实验室科学领域。我们敦促 MIT 投资于创建和人员配置此类空间。

3.1.8. 提供 AI 使用政策,并说明理由

学生反映,他们从教师那里获得的 AI 指导往往令人困惑且不清晰。此外,规则及其传达方式因教师而异,差异很大。

虽然我们不建议对 AI 使用强加一刀切的政策,但学生渴望对 AI 使用有清晰的指导:在任何一门课程中,他们希望确信何时、何地以及为何禁止、允许或要求使用 AI。

因此,教师以及可能包括系所,应确保每门 MIT 课程都有关于生成式 AI 使用的明确政策,并在课程大纲和课程网站上显著位置公布。

为了使这一政策具有可操作性,MIT 需要尽快开发一套清晰且一致的选择指南菜单,供教师和系所选择并根据需要进行调整。系所可能希望采取协调一致的方法,以便指南和理由得到充分理解,并在特定专业内保持大体一致。

**我们鼓励教师使用标准化格式来传达这些信息,以便学生能够清楚地了解每门课程中允许和不允许的行为。**下面的附录 B 提供了一个政策示例。

**AI 政策应包含理由说明。**虽然许多课程已经制定了 AI 使用政策,但我们建议所有教师确保其政策中包含明确的理由说明,并明确关联到该课程的具体学习目标,以解释 为什么 必须、可以或不可以使用 AI。

例如,如果教师希望禁止使用生成式 AI 工具,与其简单地声明 AI 使用属于作弊行为,不如更有效地解释生成式 AI 工具如何让学生跳过学习课程基础知识的机会,或跳过练习解决考试中、后续课程以及现实世界中可能遇到的问题的过程。这种方法更有可能培养自我意识,并营造健康的 AI 使用文化。

同样,如果教师希望在特定作业中鼓励使用 AI,应明确说明使用 AI 对教育体验的重要性。对于包含 AI 的作业,教师可以设计一些练习,让学生反思 AI 在何时以及如何帮助或损害他们的学习、思考和士气,以及它如何改变或扩展他们产出的工作。

最后,在允许或鼓励使用 AI 时,教师应确保学生理解:大型语言模型(LLM)可能会捏造事实和引用,代码生成工具可能会产生不正确或不安全的代码,图像生成工具可能会产生有偏见、冒犯性或其他不适当的内容。

AI 只是一种工具,学生对其提交的所有工作负责,包括任何在生成式 AI 协助下产生的不准确、有偏见、冒犯性或不道德的内容。

3.1.9. 对 AI 检测器和在线考试平台保持谨慎

许多工具声称能够检测 AI 的使用,并且在面对纯 AI 生成的文本时,某些工具确实具有一定的准确性。然而,现实情况往往更为复杂:如果学生使用 AI 来完成大纲或编辑某个部分,这些工具很可能无法发现。

毫无疑问,这些工具会不断改进。尽管如此,我们不建议依赖 AI 检测器,因为这可能导致一场“军备竞赛”:学生为了规避自动检测,会使用越来越强大的“AI 人性化”工具来消除 AI 检测器所捕捉的信号。结果就是双方投入大量精力,但最终对任何人都没有益处。

AI 检测系统还可能将非英语母语者或神经多样性学生的写作误判为 AI 生成的文本。即使是低率的误报,也可能让学生感到紧张,并造成严重的个人后果。更广泛地说,加强对 AI 使用的“监管”会在教师和学生之间建立起一种充满敌意和不信任的氛围,这显然会损害学生的动机和士气。

一些教师询问麻省理工学院(MIT)是否会提供所谓的“锁定”浏览器来进行学生评估。这些是在考试期间接管计算机的在线测试环境,阻止访问除测试提供部分之外的任何在线资源。委员会建议 MIT 研究此类工具,但指出当前一代产品存在缺陷、容易出错,并且让人感觉像是在被监控。至少在目前,面对面监考考试——MIT 目前的常规做法——在大多数情况下是更好的选择,尽管这需要合适的面对面监考空间。

与这些强硬的 technological 解决方案相比,更有可能建立信任并支持学生学习的方式包括:在课堂上手写早期构思/草稿,设定定期的项目截止日期或会议以展示项目进展,避免大量工作堆积到最终截止日期前,以及允许教师在各个阶段提供反馈(而不仅仅是在最终产品上)。

其他技术工具也可能有所帮助。例如,教师可以要求学生在使用能够记录版本历史的平台上进行作业,并提交该历史记录。这可以提供有用的过程证据——例如,如果学生在几分钟内提交了一份通常需要数小时才能完成的作业。此外,学生自己通常也会发现这些工具对于反思其思想的演变过程很有用。

做好应对学科违规的准备

虽然我们希望学生出于自身利益遵守人工智能政策,但麻省理工学院(MIT)需要更好地准备应对严重违规行为。MIT 现有的学术诚信框架以及执行该框架的纪律委员会(COD)流程,是基于一种作者身份模型建立的,即学生提交的作品要么是他们自己的,要么是别人的。生成式人工智能模糊了这种界限。使用 AI 工具来构思方法、调试函数、润色段落或生成完整草稿的学生,在任何传统意义上都不算“抄袭”,而在我们的意见征集中,教职员工一致表示不确定现在的界限在哪里,无论是在制定自己的课程政策时,还是在决定将哪些案件提交给 COD 时。

MIT 需要确保学院政策明确,在涉及人工智能的情况下,需要哪些证据才能启动学术诚信案件;COD 本身并不认为仅凭 AI 检测器的输出就足以构成充分证据。

不应让学生感到被监视。持久的改变需要教师尽可能清晰地表达他们的期望,并让学生理解,AI 滥用是对共享同伴规范和社会价值观的不可接受的偏离,而不是对任意官僚规则违反。

3.1.10. 在课程中支持负责任 experimentation

关于如何将 AI 最好地整合到课程中以及如何设计体验以避免其陷阱,仍有许多未知数。我们鼓励教师和部门在这两个领域开展协调的课程实验。提供变体可能也是合理的,例如,开发严格的“AI 轻量级”或“AI 重量级”课程,或通过课程的不同路径。

一些学生和教师倾向于不使用 AI(出于多种原因)。我们鼓励教师认真对待学生的这种抵触情绪,并在学科允许的情况下,建议一条将 AI 使用降至最低的路径。

创建符合清晰但可能不断演变的学习目标的学习体验,在适用的地方整合 AI,并始终承认其存在——同时保持高标准——这不能通过表面的修补来完成。相反,这需要大胆、富有想象力的全校范围的实验和评估。我们在委员会的工作表明,来自学院各个角落的学生、教职员工都拥有共同的意愿,要共同创造性地应对这一历史性挑战。

委员会听到许多教师反映,即使是对课程要求做出微小更改,其行政流程也耗时且繁琐,这使得 MIT 难以应对,更不用说预见快速变化、影响深远的干扰了。

我们敦促教师治理机构在今年秋季审查其流程,以确保存在高效的课程实验路径,从而实现更快速的探索,当然,还要配合对结果的彻底评估。提高对新旧路径在各部门、各班级和项目中的意识也至关重要,以便他们能够立即开始在课程中探索 AI 意识的替代方案和修改——否则我们将落后于人。当然,同时必须保持我们课程中那种长期的一致性,这一直是 MIT 教育的标志(见下文第 3.3 节)。

3.2. 以人为本、社区和住宿体验

AI 正在颠覆我们校园乃至更广泛世界的社会结构。2026 年夏季毕业典礼演讲中对 AI 的强烈反对,只是许多人对于 AI 本身以及大型科技公司(Big Tech)如今在社会中所扮演的角色所感到的不满情绪的体现之一。

麻省理工学院(MIT)的教育始终意味着在一个推崇创造力与严谨性的深厚智力共同体中接受挑战。我们必须为学生保留这种经历所带来的变革力量。

AI 的到来正值校园生活的社会基础已经承受压力的时刻。在整个高等教育领域,学生报告10出现了高水平的焦虑、抑郁、孤独感和疏离感。对机构的信任度减弱,政治极化使校园变得更加脆弱,而疫情后面对面社区的恢复仍不完整。因此,AI 并非在一个社会中立的环境中到来。它正在对这样一个社区施加新的压力:该社区仍在努力恢复住宿制教育所依赖的基础习惯和态度,即:准时出席、建立信任、热情地参与共同事业,以及以一种轻松的方式履行相互义务。AI 可能会加速这种侵蚀。或者,它可能成为有意重建的契机。

因此,MIT 面临的挑战既不是保持不变的做法,也不是拒绝可能支持学习和研究的 AI 工具。而是果断行动,确保 AI 增强教育发生的人类社区,而不是悄悄地取代它们——让机器为我们服务,而不是反过来。

MIT 应利用这一时刻,追问哪些形式的在场、协作、指导和共享智力生活对于住宿制教育至关重要,然后设计 AI 政策、教学法和研究实践,以加强这些要素,而不是任由其侵蚀、取代或崩溃。

3.2.1. 定义并传达住宿制教育的价值

作为一家住宿制机构,MIT 需要明确定义将学生带到校园并积极参与面对面讨论、对话和解决问题的价值。阅读本报告的人中,没有人是在缺乏这些基本人际互动的情况下接受教育的。但我们不能想当然地认为新生会认识到其价值。

这正是 MIT 的核心所在:秉承“手脑并用”的精神,我们共同开展需要深思熟虑和细致、严谨工作的真实项目。

显而易见,不加思考地、“投机取巧”地使用 AI 工具来完成作业,会削弱学生的学习成果,并损害他们所属的学习社区。当学习既具有挑战性又具有社交性时,学习才会发生;知识是通过认知摩擦构建的,无论是与学习小组一起梳理数学证明的步骤,反复调整实验直至成功,还是与同伴进行激烈的争论(而不是从 AI 那里获取“标准”答案)。这就是为什么上大学很重要!

学生需要相信,亲自完成工作符合他们的自身利益。仅仅依靠自上而下的 AI 使用政策不足以激发这种信念。作为一个共同体,我们需要培养一种校园文化,其中 (1) 教师施加的 AI 限制明确支持学生的学习、个人成长和职业成功;以及 (2) 学生拥有重视并促进住宿制学习、同时 discourages 过度依赖 AI 的共享文化。

MIT 的官方使命11和价值观12将我们所有人团结在一起。但我们日常的决策,无论是有意识的还是无意识的,主要受我们直接社区(班级、学习小组、系所、实验室、办公室、团队、俱乐部、居住群体等)的隐性规范和价值观的影响。

对于我们的学生而言,正是这些面对面的社区培养了正式和非正式的社会关系,使他们得以成长、蓬勃发展,并为在麻省理工学院(MIT)之外的生活做好准备。

雇主看重麻省理工学院毕业生出色的解决问题能力和技术技能。但他们同时也希望拥有人际连接技能的人才。通过促使学生转向人工智能(AI),而不是转向同学、助教或教授,这些技术制造了一种人类互动无关紧要的错觉。然而,与他人共同学习和从他人那里学习,同时支持了学习过程,并培养了让世界运转所需的人际技能。

3.2.2. 加强社会联系和个人福祉

人工智能(AI)威胁到麻省理工学院共享的社会纽带,并给学生福祉带来新的风险。麻省理工学院需要投资于建立共享规范、确立新的社区仪式,并应对由人工智能引入(或加剧)的新学术、社交和情感挑战。

虽然我们的核心建议集中在课堂政策和人工智能培训上,但我们鼓励学院采取许多其他措施,来构建人工智能无法替代的社区。(最近发布的麻省理工学院本科项目工作组报告13包含了类似建议。)

过去,技术类通识教育要求(GIRs)不仅为大一本科生提供了共同的学术基础和解决问题技能集,还围绕共同核心提供了强烈的凝聚体验。但随着学生在大一就急于选修专业特定课程,并将部分通识教育要求推迟到大四春季完成,这一核心正在瓦解。学生其他的共同仪式——校园预览周末、迎新、入学典礼、铜鼠徽章以及毕业典礼——是间隔较远的里程碑事件。除了他们的研究小组或实验室外,研究生的共同节奏和仪式甚至更少。

据非正式观察,人工智能的快速采用似乎已经开始影响学生福祉,并带来新的长期挑战。一些学生开始依赖人工智能完成学业或寻求情感支持;失去了自主感、目标和自信心;并担心在人工智能饱和的世界中的职业前景。教师和学术工作人员应准备好识别与人工智能相关的学术、社交和情感挑战,并将学生引导至适当的支持资源。

麻省理工学院应继续投资并扩大其大一学习社区项目。但我们也需要让校园内的更多人参与关于共享规范以及社区重要性的对话。一个例子可以是举办一系列小组讨论会,汇集学生、行业人士、教师和工作人员,谈论他们的出身和他们热爱的事物:不仅仅是他们做什么,而是他们如何在生活和职业中应对障碍并做出艰难选择。其他想法包括举办全校范围内的人际技能和成就庆祝活动、“无科技时段”(在此期间,麻省理工学院不安排课程、办公时间或会议,而是支持与面对面连接为中心的活动),以及扩大麻省理工学院阅读计划14的范围,可能在系或宿舍层面,以鼓励更多人参与集体阅读、反思和讨论。

3.2.3. 鼓励教师披露他们自身的人工智能使用情况

正如麻省理工学院需要关于学生使用人工智能的规范一样,社区也需要就教师适当使用人工智能的规范达成一致并遵守。如果教师计划向学生展示主要由人工智能生成的内容,或使用人工智能进行评估、评分或反馈的某些方面,我们强烈建议他们向学生透明地说明人工智能的使用方式和原因。

虽然人工智能可以成为帮助教师改进讲义、生成幻灯片以及创建动画或模拟的非常有用的工具,但学生们明确表示,在课堂上过度使用人工智能会让他们觉得教学并不是教师优先考虑的事项。一种常见的说法是:“如果老师只是提供人工智能生成的讲座,我何必 bother 来上课或做作业呢?”在一项民意调查中,大多数学生告诉《科技》(Tech)他们对于人工智能助教的想法感到不适。

我们的倾听环节进一步证实了学生对教师行为的敏锐观察:当教师明显使用 AI 制作幻灯片、提供反馈或进行评分,却对学生使用 AI 施加限制时,学生会认为这是一种双重标准。这不仅指出了风险,也揭示了机遇:通过示范负责任地使用 AI,教师可以帮助强化社区在适应 AI 融合世界时所需的新社会契约。

在评估方面,虽然 AI 可以作为对照评分标准检查作业或自动化部分评估工作的手段,但如果学生在投入时间完成作业后,收到的唯一反馈来自机器,许多学生会产生合理且强烈的负面反应。使用 AI 评分器的另一种替代方式是将其直接提供给学生,并随作业一同下发,作为学生获取有关其表现的有效反馈的途径,而非用于确定最终成绩。如果我们视作业为学习的关键工具,那么教师和学生都需要在这个过程中投入自己的思考和努力。

3.2.4. 教授有效、负责任且合乎道德的 AI 使用

在 2025 年秋季 Tech Survey 中,超过三分之二的受访学生认为 AI 在其职业生涯中将至关重要,但仅有 25% 的学生认为 MIT 正在充分为他们使用 AI 做准备。

有效、负责任且合乎道德的 AI 使用是截然不同的——但相互关联。学生需要在每个领域建立能力。我们建议立即将这些主题纳入本科和研究生入学导向教育,并尽快将其融入整个课程体系,以便社区成员建立起评估和评价 AI 系统的共同胜任感。

  • 为了有效使用 AI,学生需要学习如何界定问题或提示(prompt)、如何验证输出结果、模型何时可能产生幻觉,以及何时根本不应求助于 AI。
  • 负责任地使用 AI 始于理解在教育中增强(augmentation)与自动化(automation)的区别:即 AI 是帮助人类更好地工作,还是取代人类(从而消除了人类通过工作所带来的学习)。负责任的使用还包括诚实地披露 AI 在课程作业、论文、内部报告和已发表研究中的贡献。
  • 合乎道德的使用要求我们每个人以及我们作为一个整体,去探索社区尚未解决的问题,包括对训练数据来源的判断;偏见的可能性;输出结果同质化的风险;环境和资源成本;知识产权问题;以及协助与作者身份 misrepresented( misrepresented 意为误述/歪曲,此处指冒充作者)之间的界限。

这些主题可以通过课程体系以多种方式灌输:特定专业的毕业设计项目可以包含与 AI 相关的组成部分,例如反思 AI 的局限性及其在学科内的适当使用机会。各系也可以选择开发“专业内 AI 强化”(AI-I-M, AI Intensive in the Major)课程,以及面向研究生的类似基础课程,以教授学生 AI 的使用如何与其学科实践相融合。沟通强化类课程也应提供关于如何在写作中使用 AI 以及何时避免使用 AI 的指导和练习,包括幻觉引用和语言及思想同质化的风险。研究生导师和研究小组应在进行和发表研究的过程中纳入关于 AI 适当使用的讨论。

3.2.5. 认识并缓解 AI 的负面影响

正如我们从倾听环节和调查结果中所了解到的那样,MIT 的许多人反对大多数 AI 模型的训练方式——即通过阅读互联网上的海量数据,通常未经作者明确同意。部分社区成员完全拒绝使用 AI,因为他们反对以未向创作者提供利益或归属的方式获取数据。

麻省理工学院需要认识到围绕人工智能存在的广泛态度和观点,从热情到怀疑再到 outright 拒绝,并创造教育体验,使所有学生都能在学术和个人方面蓬勃发展。麻省理工学院还应鼓励研究和政策工作,以减轻人工智能的负面影响。

尽管各大公司在教育领域,包括在我们校园内,积极推广其人工智能产品,但人们越来越关注领先科技公司规模和权力的增长。对于在强大社交媒体公司影响下成长起来的学生来说,这种情况尤为明显。他们希望看到人工智能工具对社会、环境和社交影响方面的更大责任和更高透明度。

3.2.6. 在论文和其他研究工作中承认人工智能的使用

学生研究是麻省理工学院教育的标志。我们的许多学生为研究出版物做出贡献,并通过麻省理工学院图书馆的麻省理工学院开放奖学金15存储库公开的学生论文,与世界分享我们的研究成果。由于这些出版物不仅传播知识,还开启职业生涯,因此它们应体现麻省理工学院教育的价值和诚信。

**所有论文都应包含关于在论文制作过程中如何使用人工智能的声明。人工智能永远不应被列为共同作者。**大多数期刊和会议也要求承认人工智能的使用,有些甚至禁止某些用例,因此研究人员在准备出版稿件前应查阅相关指南。麻省理工学院图书馆提供了关于如何以及在何时引用人工智能工具的指导16。

就像在课堂上一样,规范在研究中使用人工智能的方式中起着重要作用,特别是在稿件和论文的准备工作方面。研究中哪些人工智能的使用是可以接受的?我们如何教育研究人员在辨别人工智能输出是否有用和事实准确方面的实践? 不同社区的规范和做法会有所不同。但我们认为,所有麻省理工学院的研究人员都应视人工智能为一种工具,由负责任的人类指导,并负责验证其输出的准确性。

3.3. 建立持续反思、迭代和改进的流程、团队和工具

前面的章节概述了麻省理工学院为适应人工智能所需做出的许多即时和长期的变化。然而,鉴于人工智能惊人的变化速度,我们今天提供的解决方案必须不断演变。本节中的建议旨在解决这种刻意持续适应的需求。

3.3.1. 成立一个持续的人工智能和教育委员会

我们委员会的所有成员都清楚地认识到,虽然我们的报告已经完成,但麻省理工学院在这方面的研究工作才刚刚开始。

为了落实我们的建议,麻省理工学院应成立一个常设委员会。它将负责监测人工智能在校内和校外的影响;评估人工智能模型和技术的变化;并将来自经济、学习科学和校园经验的不断演变的证据纳入政策和实践中。

该委员会将是负责战略、监测、评估和政策协调的主要群体,与人工智能负责人、人工智能研究员和人工智能实施团队(我们在下面的章节中描述他们的角色)密切合作。

3.3.2. 创建学院/系级人工智能负责人

我们建议在每个学院和系(或可能每个部门)任命人工智能负责人,以帮助进行本地人工智能课程规划、适应和采用。

他们的职责可能包括制定定制的人工智能政策、规划如何根据人工智能调整每个单位的课程提供,以及开发新的单位级教育和评估模式,如基于能力的学习、作品集或两者兼有。

3.3.3. 资助 AI 研究员 (AI Fellows) 和 AI 实施团队

我们还建议麻省理工学院 (MIT) 资助 AI 实施团队和 AI 研究员——即具备相关技能的教职员工、博士后、本科研究机会项目 (UROP) 学生以及研究生,以协助教师以充分利用最新 AI 技术并基于学习科学原则的方式调整课程。

该团队和研究员将汇聚技术、AI 和学习科学领域的专家,并在三个层面开展工作:支持个体教师;开发全校范围内的工具;以及作为实施专家“深入一线”,研究这些工具在校园内的使用情况及其实际效果。

对于任何个体教师而言,从长期以来的课堂实践和评估方式过渡到一套新的 AI 意识型或 AI 增强型实践和评估方式,是一项艰巨的任务。而在整个理工学院范围内大规模地推进这一转变,更是一项庞大的工程。

如果我们期望教师做出超越渐进式的改进,就需要为他们提供指导、直接支持和社群归属感。鉴于现有的教师和课程支持单位(如教学与学习实验室)已处于满负荷状态,这一举措的成功将需要扩大专家员工的队伍。

3.3.4. 设立 AI 试点基金

课程变革并非易事,许多教师,尤其是那些在最需要适应 AI 的大班教学中感到工作超负荷且不知如何推进的教师,已经面临巨大压力。为了支持全校范围内课程目标和方法的 AI 意识型修订,麻省理工学院需要提供充足的资源。

我们建议麻省理工学院及各院系/学院/大学设立 AI 试点基金,教师可申请该基金获取资源(如 AI 算力额度、助教、UROP 学生及暑期支持),以开展 AI 增强型项目、探索 AI 对教学法的影响,以及创建刻意脱离 AI 的教学体验。

3.3.5. 提供持续培训和教师支持

**除了物质资源外,教师还需要持续的机会来了解 AI 如何改变教学、学习以及他们自身的工作。**许多教师表示,他们使用 AI 的经验相对有限,对学生如何使用 AI 以及自己如何使用 AI 感到不确定。另一些教师告诉我们,使用 AI 帮助他们开发了互动学习工具、为幻灯片制作了动画、润色了讲义,并减少了课程管理中的各种繁琐事务,同时也为学生创造了新的学习体验。这些工具的发展已经取得了显著进展,即使是没有软件开发背景的教师也能取得令人印象深刻的成果。

为了帮助教师应对风险与机遇,我们建议麻省理工学院效仿麻省理工学院斯隆管理学院17的做法,为教育工作者开发一套资源,包括:

  • 定期举办“午餐学习”风格的研讨会,让教师听取同事关于如何使用和适应 AI 的经验分享。理工学院范围内的教师非常渴望建立这种跨学科和学科内部的“实践社群”。
  • 创建关于在教学和管理任务中使用 AI 的线上和线下培训,例如如何开发动画和模拟程序、使用编码工具、构建任务跟踪系统等。虽然这些培训可能包含伦理和 AI 安全方面的内容,但我们敦促麻省理工学院避免通过采用通用的第三方 AI 培训项目来“敷衍了事”,而应投资于由我们自己的社区提供这些资源的途径。
  • 由学院赞助的年度或两年一度的 AI 与教育研讨会,供麻省理工学院及更广泛的学术界社区聚集并讨论最新发展和最佳实践。

上述部分变革可由前述的 AI 实施团队和研究员协助推动。专注于支持住宿式教育的教学与学习实验室,可以在帮助组织和开展这些活动中发挥关键作用。

3.3.6. 制定指标

为了了解 AI 如何重塑我们的社区和课堂,麻省理工学院(MIT)应开始追踪围绕 AI 使用、校园参与度、学生满意度以及毕业反馈等方面的指标。 这可以在每两年一次的 MIT 生活质量调查中加入更多与 AI 相关的问题,或者在其他指标中,例如在课程评估中增加关于学生/教职员工参与度和 AI 使用的问题。

3.3.7. 确保公平的技术访问

麻省理工学院应继续提供“模型无关”(model agnostic)的 AI 平台(如 Parley),不将我们的社区绑定到单一模型提供商,并确保该平台提供我们社区所需的访问级别。

不同的生成式 AI 模型在不同任务上的表现和行为存在显著差异。OpenAI、Google 和 Anthropic 等商业 AI 提供商均提供付费托管的商业服务,最高层级的计划费用高达每月 200 美元(截至 2026 年 6 月)。据报道,一些研究人员在编程工具和其他用例上,每月在按次调用的请求(“API 访问”)上花费数千美元。这些商业提供商不断更新其模型,以提供最先进的性能。

对于麻省理工学院社区而言,结果是一种令人不安的不平等:许多学生每月自掏腰包花费 200 美元或更多以访问前沿 AI 系统;而许多同龄人则无法做到。因此,一些学生可以访问能够在一夜之间完成大量课程项目或解决非常困难的数学和编程练习的工具;其他人则不得不使用较不先进的模型,即使课程政策允许无限制地使用 AI。这种不平衡可能导致课程表现出现巨大差异。

类似的担忧也存在于课堂之外,适用于那些生产力因同事拥有更强或更弱模型而被衡量的管理员和研究人员。

作为解决访问和隐私问题的一个重要第一步,IS&T 提供了 Parley System18,它为麻省理工学院的所有人提供访问各种不同模型(包括商业模型和开源模型)的机会,并为每个用户提供每月高达 30 美元的免费额度以使用这些模型。用于编程工具的 API 访问于 2026 年夏季发布。

Parley 提供的访问权限非常有用,但对于所有麻省理工学院的课程来说可能还不够,特别是在软件工程中,行业正在迅速采用这些工具。一些用户还表示担忧,每月 30 美元的“预算”对每个用户来说太低。我们建议麻省理工学院继续调查社区,并考虑为某些类型的用途(例如特定的 AI 聚焦课程)提供扩展访问权限,因为学生需要额外的资源。此外,我们从几个群体那里听到,即使现在,他们仍然为商业模型付费,因为订阅计划相对于 Parley 的按 token 定价,有效地补贴了 token 的使用。

由于代理系统(agentic systems)和工具日益成为 AI 实践的一部分,无论我们采用何种系统,除了聊天界面外,还应提供对代理式编程和工作工具的访问。我们还需要确保为学生提供在课程和项目中进行模型训练或微调时所需的计算资源访问权限,同时考虑校园内和云托管资源的选项。

3.3.8. 保护敏感数据并保留模型选择权

我们建议麻省理工学院继续投资于访问最先进的工具,使学生、教职员工能够完成工作,而无需对其使用的聊天、数据或应用程序产生隐私担忧。麻省理工学院必须负责确保这一层的隐私,同时保持模型无关性。

关于商业 AI 工具的一个担忧是,敏感数据可能会被纳入其训练集中。大多数计划(尤其是付费计划)允许用户故意禁用其数据被捕获用于训练目的——但默认设置通常是记录用户会话以用于训练。这导致麻省理工学院用户的私人敏感数据有可能出现在这些模型提供的答案中。

麻省理工学院(MIT)的信息服务与技术部门(IS&T)为不同类别的数据与这些商业 AI 提供商之间的允许使用范围提供了良好的参考19。

部分学生和教职员工对其出版物(包括学生论文、期刊文章和书籍)可能被用于训练 AI 表示担忧。MIT 学术内容与生成式 AI 工作组已就此主题制定了指南和资源。

我们强烈支持 Parley 的模型无关(model-agnostic)方法,并敦促 MIT 不要承诺加入任何单一的商业 AI 生态系统,同时确保所有人都能获得一流的服务。我们还希望看到 MIT 提供更多本地 AI 模型的托管访问权限,让用户在发出请求时无需担心商业提供商捕获训练数据。近期开源的可在本地 GPU 上运行的模型在许多任务上提供了与商业模型相似的能力,并且将持续改进,但要本地运行这些最大的开源模型,需要非常庞大的 GPU 集群。

3.3.9. 建立隐私、日志记录和审计政策

AI 系统不仅仅是工作工具。自该技术最早期以来,人们就一直利用它们提供情感和心理学支持。这甚至发生在最早的系统之一——MIT 创建的 ELIZA 聊天机器人身上(尽管具有讽刺意味的是,它主要是为了展示人机交互的浅薄性)。

今天,MIT 社区成员与 AI 系统分享的信息包括其身份和经验中最个人化和敏感的方面,提出关于其健康、人际关系、情感生活、目标、抱负和焦虑的问题。我们的学生属于最有可能为此类个人建议使用 AI 的一代20。

由于 Parley 是一个由 MIT 管理的系统,它提供的一个机会是对 AI 模型的使用进行审计;理论上,IS&T 可以看到用户向 Parley 发出的每一个请求以及来自后端 API 模型的响应。

**因此,MIT 需要建立关于允许哪些类型的日志记录和审计的明确政策。**存在相互竞争的利益:一方面,用户可能希望使用这些模型来询问私密或个人敏感的问题,并期望其数据保密。另一方面,教师可能会发现查看学生如何使用 AI 聊天会话或日志很有价值,以判断学习目标是否达成。MIT 可能需要探索匿名化技术,或建立一种实践,使得与教师共享日志的课程作业被明确标记和宣传。

MIT 需要解决几个问题:我们应如何保留和存储数据?当用户表现出伤害自己或他人的可能性,或显示出其他心理困扰迹象时,我们应如何监控(或干预)AI 交互?我们如何最好地向校园社区传达这些政策及其影响?这些问题需要公开讨论并透明解决。

3.3.10. 监控 AI 成本和环境影响

许多社区成员对 AI 的环境成本及其数据中心在建设所在社区的影响表达了严重关切。问题包括数据中心的能源和水消耗、其建设的影响以及用于构建硬件的材料。这些问题在流行文学中得到了反映,也是 MIT 一份报告的主题2122。训练和推理都会产生能源成本,而模型的快速响应以及不断训练更新、更强大模型的持续更迭,对环境产生了影响。

MIT 应通过校园实践和研究两方面来解决这一问题。

虽然我们坚信 MIT 提供 AI 工具访问权限至关重要,但我们还建议学院投资于提供关于使用 AI 的实际环境和财务成本信息的方法。这可以包括公布 Parley 上不同模型的环境成本估算,或鼓励使用影响较小的 AI 工具。我们也鼓励 MIT 在可能的情况下审计其自身的 AI 足迹。

校园内正在开展相关工作,以衡量数据中心的环境成本并寻找降低这些成本的方法。这些影响往往难以量化,一方面是因为企业将这些数据视为机密,另一方面是因为其影响范围广泛,涵盖了从建设到训练成本等各个方面,且这些成本分散在整个推理生命周期中。麻省理工学院(MIT)的多个团队——包括 MIT 能源倡议、MIT 气候项目和 MIT 气候与可持续发展联盟——正在探索关于数据中心和社区未来的创新解决方案。MIT 还可能在设计使用更少能源的 AI 模型方面做出重要贡献。

4. 结论

我们希望本报告能够反映 AI 给 MIT 带来的挑战与机遇的复杂性、紧迫性和细微差别,并帮助学院社区凝聚力量,采取行动。

AI 有潜力帮助学生提高生产力、更高效地学习,并培养能够帮助他们建设更美好世界的技能。此外——尽管这超出了本报告的范畴——AI 非凡的能力已经在改变我们校园及其他地方的科学研究实践。但 AI 也给学习过程、教学实践以及住宿教育的社会结构带来了许多颠覆性风险。

强烈的共同观点

我们作为委员会的一项显著发现是,尽管我们的成员来自学院各处,包括 MIT 的五所学院和文理学院,并且来自不同的专业视角和世代,但我们所有人都对 AI 给我们的学生和社区带来的风险持有相同的基本担忧,并且都有同样的迫切决心,即 MIT 应率先开创一种庆祝人类智慧与连接的新型教育模式。

MIT 的独特地位

凭借 MIT 在 AI 领域的长期领导地位、作为全球顶尖研究与教育机构之一的角色,以及其悠久的动手教育传统,学院处于引领高等教育在 AI 时代这一高速、高风险适应过程中的独特位置。

这不是一项可选的练习。我们必须展示如何深思熟虑且刻意地将 AI 整合到课堂、研究事业以及住宿教育体验中,以确保学习、推动发现,并为学生未来做好准备。

要做的事情很多。

从现在起,MIT 社区必须启动一系列变革,使我们的教育方法更具 AI 意识。这并不意味着要将 AI 融入我们所做的每一件事,甚至大多数事情中。但是,我们都无法忽视 AI 正在影响学生学习什么以及如何学习这一事实。

对于学生

在工作中,我们将通过强调使住宿体验如此具有变革性的因素并增加这方面的投入来服务我们的学生;通过重新思考他们需要掌握的知识并相应地改革我们的评估方式;教导他们在各自学科中适当使用 AI;以及帮助他们发展在 AI 饱和的世界中,在 MIT 之外取得成功所需的技能、判断力和态度。我们必须培养一个重视并充分利用 MIT 线下共享体验的社区,并激励学生参与到富有成效的学习挣扎中。

对于教师

学院还需要确保教师知道如何使用 AI,以及在何时最好不使用 AI。虽然教师自身必须主导权衡学生现在需要掌握的知识并设计“AI 意识”评估,但 MIT——尤其是各系——可能需要提供大量的支持、协调和指导。我们必须在校内和校际之间建立“实践社区”,以便教师能够互相学习如何使用、适应 AI 并防范 AI。这反过来又要求学院和各系允许并支持在课堂内外对 AI 进行实验、研究和探索,并提供捕捉和分享这些经验的方式。

随着时间的推移

一些变化需要时间。我们需要找到方法,从学生入学到毕业,为他们提供适当的 AI 学习体验。我们需要持续监测和研究行业所需的技术能力和持久的人类技能,并确保我们恰当地培养学生。我们必须深化对 AI 如何影响学习的科学理解,并确保我们的教育实践反映这一不断发展的知识。同时,在享受 AI 带来的益处时,尤其是在研究领域,我们必须积极努力减少其危害。

通往未来的路线图

怀着谦逊之心,我们提供本报告作为路线图,帮助学院立即并随着时间的推移应对这一过渡。这项工作需要整个 MIT 社区——学生、教师、工作人员和领导层——进行深思熟虑的承诺和专注的努力。目标:保持并增强 MIT 教育独特的变革力量。

毫不夸张地说,MIT 的使命取决于此。幸运的是,作为委员会的工作说服了我们,MIT 的人们对迎接这一挑战有着浓厚的兴趣,并且具备独特的能力来完成它,从而使学院能够继续培养学生“明智、创造性且有效地为人类福祉而工作的能力和热情”。

  1. https://facultygovernance.mit.edu/committee/ad-hoc-committee-ai-use-teaching-learning-and-research-training ↩︎

  2. https://computing.mit.edu/cross-cutting/social-and-ethical-responsibilities-of-computing/ ↩︎

  3. https://tll.mit.edu/teaching-resources/course-design/where-to-start-backward-design/ ↩︎

  4. https://osf.io/preprints/psyarxiv/yk25n_v1 ↩︎

  5. https://www.brookings.edu/articles/building-pro-worker-ai/ ↩︎

  6. https://www.hup.harvard.edu/books/9780674179530 ↩︎

  7. https://tll.mit.edu/teaching-resources/course-design/where-to-start-backward-design/ ↩︎

  8. https://urop.mit.edu ↩︎

  9. https://orgchart.mit.edu/letters/announcing-mit-co-op-planning-committee ↩︎

  10. https://healthymindsnetwork.org/wp-content/uploads/2024/09/HMS_national_report_090924.pdf ↩︎

  11. https://web.mit.edu/about/mission-statement/ ↩︎

  12. https://web.mit.edu/values/ ↩︎

  13. https://gue.mit.edu/tfuap/ ↩︎

  14. https://libraries.mit.edu/mit-reads/ ↩︎

  15. https://dspace.mit.edu/communities/6fc02cc2-0d14-4023-8a6f-d9900d0c4302/search ↩︎

  16. https://libguides.mit.edu/cite-AI-tools ↩︎

  17. https://mitsloanedtech.mit.edu/ai/ ↩︎

  18. https://parley.mit.edu ↩︎

  19. https://ist.mit.edu/ai-tools ↩︎

  20. https://www.pewresearch.org/internet/2026/06/17/americans-and-ai-2026-chatbots-smart-devices-and-views-on-impact/ ↩︎

  21. https://mit-genai.pubpub.org/pub/8ulgrckc/release/2 ↩︎

  22. https://news.mit.edu/2025/explained-generative-ai-environmental-impact-0117 ↩︎