MIT AI Use Committee Final Report: Teaching, Learning, and Research Training in the AI Era

MIT「AI 使用特别委员会」最终报告：AI 时代的教学、学习与研究训练 @MIT 校长、教务长与教师主席联合授权成立特别委员会，任务是评估 AI 在校园的真实使用状况、识别教学创新，并提出政策建议。它是美国顶尖研究型大学对「AI 冲击本科教育根基」的系统性诊断与应对路线图。 aiandeducation.mit.edu/report 核心诊断：AI 正在动摇教育的地基 · 传统评估体系事实上已经失效。AI 现在几乎能为任何书面作业生成可信的解答——习题集（p-set）、带回家考试这些 MIT 标志性的评估手段已不可靠。 · 「有效挣扎」正在消失。学习本质上依赖认知摩擦（cognitive friction）——和同学一起解开证明、反复迭代实验、与同伴争论。而 AI 让学生「一遇到困难就退回 AI」，制造出「学习的幻觉」：作业完成了，掌握没有发生。批判性思维、记忆力、自信心都在被侵蚀。 · 孤立感在加剧。答疑课出勤率下降、线上讨论参与减少、宿舍和图书馆里的学习小组在萎缩——学生转向聊天机器人，同伴连接和师生互动被替代。 · 师生信任被腐蚀。报告用了一个精准的意象：教师监管学生用 AI 与学生恐惧被诬告，形成了「一条相互怀疑的地下暗河」——「这不是健康课堂的基础」。学生还看到了双重标准：教师自己用 AI 批改作业和评分，却限制学生使用。 · 规则混乱。各课程 AI 政策不一，学生对「何时、何地、为何被禁止/允许/要求使用 AI」感到困惑和焦虑。 · 公平问题。有学生每月自费 200 美元以上购买高级 AI 工具，造成新的不平等；此外还有数据隐私、偏见、环境影响等顾虑。 # 八项指导原则 1. 保持谦卑 生成式 AI 诞生（2022 年底）不到四年，技术演进快于社会消化的能力，任何政策都建立在流沙之上，重大修正在所难免。 2. 大胆行动 但不确定性不是不作为的借口。「这不是打补丁和贴胶带的时刻。」MIT 缔造了 AI，也欠学生一份对 AI 潜力与缺陷的成熟理解。 前两条合起来看：我们对 AI 的判断可能是错的，但必须现在行动，两句同时成立。 3. 人性优先 全报告的轴心。面对「用 AI 智能体替代本科生做研究」的诱惑，报告反问："我们共聚于此，究竟是要做什么？"校园研究是学徒制，其低效「是特性，不是缺陷」。而师生间因监管 AI 而生的「相互怀疑的地下暗河」，解药不是更好的监控，而是停止监控。 4. 拥抱学习 关键转向：AI 是伪装成威胁的祝福。注意力碎片化、分数至上这些弊病已存在二十年，AI 的冲击恰好成为强制重构的引爆点。核心命题：教育「必然是一种有效挣扎」，最重要的产物「不是 GPA 或文凭，而是你自己」。 5. 有意图地教学 方法论核心（逆向设计）：先问「学生该学会什么」，再决定作业与评估，最后才谈 AI 用不用——「有用则用，无用则不用」。工具问题被降级为目的问题的推论。 6. 没有统一答案 诗歌课禁 AI 是保护练习，设计课教 AI 是职业必需；打基础的本科生与博士生对 AI 的合理关系也不同。但反一刀切 ≠ 放任教师各自发明：学校提供政策菜单，院系作为选择单位。 7. 增强而非自动化 理论根基最深的一条。引用同校三位经济学家的「亲工人 AI」，平行提出「亲学习者」：AI 不替代思考的「艰难的乐趣」，而是扩展你能思考的范围。并点出镜像结构：聊天机器人依赖之于教育 = 自动化之于劳动——替代、去技能化、孤立。 8. 超越校园 Bruner：若把教育误解为「内容传递」，AI 看起来就能取代教师；但教育是文化实践——意义建构、判断力、身份形成。最重的警告是交易模型：把文凭当「可优化商品」的心态不会留在校园，它会塑造学生未来如何理解工作与协作。 # 三个方向的建议 1. 为 AI 时代重塑教育流程，这是报告的实质核心： · 重定课程目标：先问「课程结束时学生真正应该会什么」，并坦诚承认学生可能会未经许可使用 AI。报告甚至自问：是否大多数学生还需要「手写复杂程序」？ · 重新设计评估，而非「防 AI」：把所有东西搬进课堂考试是治标不治本，还会削弱学生对耗时项目的投入。推荐口头考试、学期作品集、课外作业配合课堂当面对话。AI 检测工具被明确建议不要依赖——误伤非母语者和神经多样性学生，且催生「AI 去机器味化」的军备竞赛。 · 强化体验式与项目学习：软件工程毕业设计课上，学生已能在一个学期内做出「接近生产质量」的软件。 · 每门课都要求有明确、附理由的 AI 政策，学生对提交的一切负责。 · 保护 UROP（本科生研究计划）：覆盖 93% 本科生。报告明确警告——不要用 AI 智能体替代学生研究员，UROP 的目的是教育，不是产出。 · 反对「成绩配给」（限制 A 的比例），认为这只会加剧走捷径的诱惑；并抛出一个思想实验：如果没有成绩，「围绕 AI 作弊的许多激励会消失」。 2. 以人、社区与住宿体验为中心：明确住宿教育的价值；每个学科都应包含常规的线下社会性学习环节；教师应透明说明自己的 AI 使用；在整个课程体系中教「有效、负责任、合乎伦理的 AI 使用」；论文中可声明 AI 协助，但 AI 永不作为共同作者。 3. 建立持续改进机制：常设 AI 与教育委员会、院系级 AI 负责人、AI 试点基金、教师培训与效果度量；通过模型无关的 Parley 平台保障工具公平获取；保护敏感数据，监测成本与环境代价。 💬 0 🔄 0 ❤️ 0 👀 28 ⚡